Growth, Employment and Inequalities in Africa Croissance ... · AMEYIB Communication and Markeeting...

Malabo, Equatorial Guinea01st- 04th November 2017

Volume 03

Growth, Employment and Inequalities in AfricaCroissance, Emploi et Inégalités en Afrique

Proceedings of the Fifth Congress of African EconomistsLes Actes du Cinquième Congrès des Economistes Africains

Congress of African Economists

Growth, Employment and Inequalities in AfricaCroissance, Emploi et Inégalités en Afrique

Proceedings of the Fifth Congress of African Economists

Les Actes du Cinquième Congrès des Economistes Africains

Malabo, Equatorial Guinea

01st- 04th November 2017 Volume 3

4 5Proceedings of the Fifth Congress of African EconomistsLes Actes du Cinquième Congrès des Economistes Africains

Volume 3Growth, Employment and Inequalities in Africa

Croissance, Emploi et Inégalités en Afrique

Table of Content / Table des Matières

Session 6: Growth, Trade and Integration .................................................................................7Growth-enhancing effect of openness to trade and migrations: What is the effective transmission channel for Africa? .................................................................................................................... 8

Convergence and spillover effects in Africa: a spatial panel data approach .............................................. 34

Commerce des biens environnementaux et Développement soutenable en Afrique Centrale ................... 44

Ouverture Commerciale et croissance économique en Afrique Subsaharienne: une analyse en panel dynamique ................................................................................................................. 56

The Effect of a positive policy integration on Agriculture and climate change adaption ............................ 66

Trade, Financial Openness and Economic Development: Panel Data Evidence From MENA Countries .................................................................................................................................. 79

Session 7: Growth and Exogenous shocks ..............................................................................89Tailles et sources des retombes des chocs mondiaux et régionaux sur l’activité économique des pays de l’UEMOA .............................................................................................................. 90

Contribution des agrégats macroéconomiques à la stabilisation des chocs dans la zone UEMOA ........................................................................................................................................... 108

Session 8: Monetary and fiscal policy: What options to boost growth, reduce inequalities and create employment .......................................................119

Renewing the Policy Mix of the West African Economic and Monetary Union: Hierarchy of Targets and Policy Instruments .............................................................................................. 120

The Welfare Cost of Business Cycles in Developing Countries: Do Currency Union Matter? ................... 135

Monetary Integration or Monetary Cooperation in North Africa? Lessons from an Optimization Exercise. ................................................................................................................................ 159

Les Exigences de capitalisation et la solidité bancaire dans la Communauté Economique et Monétaire de l’Afrique Centrale (CEMAC): Le rôle de l’environnement interne et externe de la banque ................................................................................................................. 169

Proceedings of the Fifth Congress of African Economists

Growth, Employment and Inequalities in Africa

Les Actes du Cinquième Congrès des Économistes Africains


ISSN number: 1993-6177

© African Union Commission (AUC), February /Février 2018

All rights are reserved. No part of this publication may be reproduced or utilised in any form by any means, electronic or mechanical, including photocopying and recording, or by any information or storage and retrieval system, without permission in writing from the publisher. Opinions expressed are the responsibility of the indi-vidual authors and not of the AUC.

Tous droits réservés. Aucune partie de cette publication ne peut être reproduite ou utilisée sous aucunes formes ou par quelque procédé que ce soit, électronique ou mécanique, y compris des photocopies et des rapports, ou par aucun moyen de mise en mémoire d’information et de système de récupération sans la permission écrite de l’éditeur. Les opinions exprimées sont de la responsabilité des auteurs et non de celle de AUC.

Editorial BoardPr. Victor Harison,

Executive Editor,

Commissioner for Economic Affairs,

AUC

Dr. René N’Guettia Kouassi,

Director of Economic Affairs,

AUC

Layout Design & Print

AMEYIB Communication and Markeeting Plc

[email protected]

Dr. Ligane Massamba Sene

Policy Officer- Research and Economic Policy

Department of Economic Affairs,

AUC

Ms. Djeinaba Kane

Editorial Officer


AUC

Ms. Fatema Deme,


AUC

Ms. Kokobe George


AUC

Mr. Tesfahun Getu


AUC




SESSION6

Growth, Trade and Integration

Croissance, commerce et intégration




IntroductionWhile a vast literature exists on the link between income and openness to trade,1 Frankel and Romer(1999) were the first to offer a convincing causality analysis regarding the income-enhancing effect of trade openness. The authors use the geographic characteristics as an instrument in a gravity-type model to demonstrate a positive effect of trade on per capita income; the main argument being that these factors are plausibly uncorrelated with other determinants of income per person. These findings were confirmed by several subsequent works (see among others Frankel and Rose, 2002; Dollar and Kraay, 2003; Noguer and Siscart, 2005; Freund and Bolaky, 2008), including across different time periods (see for example Irwin and Tervio, 2002).

However, consensus is far from clear on this issue. Rodriguez and Rodrik(2000) highlight the non-robust nature of these results once controlled for omitted variables such as distance from the equator or institutions. More recently, Ortega and Peri(2014) go a step further, and argue that the geographical factors used by Frankel and Romer(1999) can also impact

1 For a survey, see Edwards (1995) and Rodrik (1995) among others.

income through migration. Geographic characteristics may raise income through the interactions between countries (exchange of ideas, technological diffusion, innovation, investment) and these interactions would be reflected in the mobility of goods (trade) and of people (migration). Thus, trade is not the sole vehicle of globalization through which interactions between countries promote economic growth. Acknowledging that openness to trade and openness to migration may be both considered as determinants of income,2 Ortega and Peri(2014) find evidence of a strong positive effect of openness to migration on long-run per capita income but fail to do so for trade openness.

Despite the abundance of the literature, the debate is still open regarding the relationship between income and openness. Indeed, previous studies indiscriminately examine the growth-enhancing effect of openness without accounting for the heterogeneity of countries regarding the benefits or costs of openness. This paper fills this gap and focuses on the

2 More precisely, openness to trade and openness to migration are jointly introduced in the income equation, being instrumented by the same geographical factors.

Growth-enhancing effect of openness to trade and migrations: What is the effective transmission channel for Africa? By Blaise GNIMASSOUN, BETA-CNRS, University of Lorraine, France

specific case of Africa. We aim at studying the overall effect of openness on long-term growth in Africa by paying particular attention to the type—African, over developing, developed—of partner countries. To this end, we retain the general trade-growth identification setting of Frankel and Romer(1999)3 and follow Ortega and Peri(2014) in considering that intensity of openness between two countries should be captured by both bilateral trade and bilateral migration. Such a framework is even more relevant in the case of Africa, where openness to global finance is still in its infancy.

The choice of Africa and its singularity deserve some comments. Firstly, by scrutinizing the architecture of international trade, the case of Africa stands out as unique. As shown in Figure 1, unlike the rest of the world exports of African countries largely focus on commodities, while their imports are dominated by manufactured goods with a similar overall structure to that of developing and industrialized economies. Furthermore, as illustrated by the right side of Figure 2, Africa’s trade (imports and exports) is mainly realized with developed countries. Although this trade orientation could be beneficial for long-term growth in Africa—particularly through improvement in total factor productivity4—this growth is subject to the ups and downs of the terms of trade due to the high concentration of exports on commodities.

Figure 1: Comparative structure of international trade

Africa DE excl. ChinaPrimary commoditiesManufactured goods

High OECD

(% o

f to

tal e

xpor

ts)

0 20

40

60

80

Africa DE excl. ChinaPrimary commoditiesManufactured goods

High OECD

(% o

f to

tal e

xpor

ts)

0 20

40

60

80

Notes: The left-hand side (resp. right-hand side) figure reports the percentage of primary commodities and manufactured goods in the total exports (resp. imports) for each region. DE = Developing Economies. Data source: UNCTAD (mean values over the 1995-2014 period).

3 Recall that this framework is based on the gravity model of trade in which countries’ geographic characteristics are used to obtain instrumental variables estimates of trade effect on income.

4 See among others Edwards (1998) and Miller and Upadhyay (2000). See also our analysis in Section 5.

Figure 2: Openness of Africa (in 2000)

Migration from Africa African tradeHigh-income OECDAfrica

(% of

total

)

0 20

40

60

80

Notes: Trade is measured by the sum of imports and exports. Migration from Africa is measured by the stock of African nationals living abroad. Data sources: UNCTAD (trade data) and World Bank (migration data).

Secondly, statistics on international migration underline that Africa is characterized by (i) strong intra-continental migration, and (ii) emigration to industrialized OECD countries. As shown in Figure 2, Africa’s openness to migration in 2000 was more than half intra-African, while one-third was directed towards the industrialized OECD countries. This migration structure of Africa can be seen somewhat dichotomous. On the one hand, it may be viewed as detrimental because “brain drain” (emigration of relatively highly educated individuals) could hamper economic development in Africa. On the other hand, it may be considered as an enhancer factor of development in the sense that African nationals living in industrialized countries are vectors of transmission of human and technological capital (education and experience), but also vectors of transmission of financial capital (migrants’ remittances) and better institutions.

Finally, despite the strong dominance of developed countries in Africa’s trade, some developing economies such as China are gaining more and more market share in Africa since the beginning of the 2000s. If the growth-enhancing effect of openness between Africa and its new developing partners is debatable (see, among others, LyonsBrown2010; He2013; Kaplinsky2013), this dynamics brings back the old question about the impact of South-South and North-South openness on growth and productivity in the southern countries. Addressing this hot-debated issue is thus worthy of investigation due to the continuously increasing role played by China in African trade.




Falling into the strand of the literature initiated by Frankel and Romer(1999) and Ortega and Peri(2014), our contribution is threefold. First, while the previous literature is mainly done at a global level, we pay particular attention to countries’ specificities and heterogeneity in the face of openness by focusing on a panel of African economies. Second, we go further than previous studies by highlighting the importance of the trading partner. We investigate whether the effect of openness to trade and to migration on growth is sensitive to the type (African, other developing, industrialized) of the partner country. In doing so, we also contribute to the very topical debate concerning China-Africa trade links. Third, in addition to the detailed study of the openness-income nexus, we identify the transmission channel through which trade affects growth.

Our main results can be summarized as follows. First, we establish a mitigated overall impact of openness on income in Africa. While trade seems to exert a positive effect on income, this impact is not robust to the inclusion of control variables. The influence of immigration is also fragile and depends on the method used to predict the geographic component of openness. Second, we put forward the importance of accounting for the type of the trading partner. Indeed, we find evidence of a clear and robust partner-varying impact of openness for Africa: only trade with industrialized countries has a strong and robust positive impact on income. Compared to Ortega and Peri(2014)’s contribution—which is the closest paper to ours and which insists on the dominant role of migration—we thus rehabilitate the growth-enhancing effect of trade, provided that Africa’s trade partner country is an advanced one. Third, the positive impact of migration from African economies to industrialized countries (emigration for Africa) is not robust. This probably reflects the confrontation between the “brain drain” negative effect and the “productivity transfer” positive impact of emigration for Africa. Moreover, we find that Africa’s openness (both to trade and to migration) with developing and emerging countries—including China—fails to improve per capita income.5 Finally, exploring the openness transmission channel thanks to the income decomposition of Hall and Jones(1999), we establish that the growth-enhancing effect of African trade with industrialized countries 5 It would be interesting to reevaluate this effect in a few years

(especially for China), when more — recent — observations will be available to better capture a potential medium to long-term growth-enhancing impact.

mainly occurs through an improvement in total factor productivity. Various sensitivity analyses are provided to assess the robustness of all our findings.

The rest of the paper is organized as follows. Section 2 describes our empirical strategy. Section 3 is devoted to the presentation of data. In Section 4, we present and discuss our main results, and provide some robustness checks. Section 5 is dedicated to examining the transmission channel through which openness impacts income. In Section 6 we make policy recommendations to boost African integration and its impact on income. Finally, Section 7 concludes the paper.

Empirical strategyOur empirical framework is inspired from Ortega and Peri(2014) which, in turn, extends the specification proposed by Frankel and Romer(1999). To overcome the well-known endogeneity issue in the trade-income relationship, Frankel and Romer(1999) rely on the instrumental variable technique based on a gravity model. They estimate the causal effects of trade on income using cross-country variation in trade flows due to bilateral geography. According to Ortega and Peri(2014), Frankel and Romer(1999)’s specification suffers from a potential omitted-variables problem because trade and migration openness are both influenced by geography. Thus, country’s geographic characteristics can affect income not only through trade but also through migration. Indeed, geographical proximity and accessibility raise income through the interactions between countries (exchange of ideas, technological diffusion, innovation, investment) which would be reflected in the mobility of goods and of people (OrtegaPeri2014). In other words, trade is not the sole channel through which interactions between countries increase income. Therefore, to fully identify the impact of trade openness, these two vehicles of globalization should be jointly considered.

Baseline specificationOur empirical model is given by:

(1)

where denotes per capita income in country represent openness to trade and

openness to migration, respectively, and stand for population and area which capture the impact of country size, collects control variables, and is the error term.

The rationale behind this empirical model is as follows. Classical international trade theory has highlighted that openness to trade increases output through specialization based on comparative advantages. New trade theory has documented the growth-enhancing role of trade by focusing on the exploitation of increasing returns to scale and network effects (Grossman and Helpman, 1991a; Grossman and Helpman, 1991b; Helpman and Krugman, 1985).

The joint impact of trade and migration on income is explained by Ortega and Peri (2014) in a simple multi-country model that features trade and migration flows both across country borders and across regions within the same country. In this model—which extends Alesina et al. (2000)—aggregate production is a function of varieties for intermediate goods and human capital; and each region is endowed with a differentiated good and a differentiated type of labor. Intermediate goods and labor being mobile across regions of different countries but subject to iceberg-type costs, this model derives income per worker as a function of theoretical measures of trade and migration openness which are, respectively, inverse measures of trade and migration costs. Their empirical counterparts are respectively trade flows (exports+imports) as share of GDP, and immigration rate (foreign-born) as share of total population.

The income-enhancing impact of openness to migration in the theoretical model of Ortega and Peri(2014) operates through an increase in total factor productivity reflecting growing diversity in productive skills caused by immigration. At a first sight, this channel is not very relevant for African economies which are net labor-sending countries: brain drain might negatively affect income per capita by depriving African economies of valuable talents. However, there are many channels through which emigration can promote economic performance in home countries. Foremost, remittances for emigrants can compensate for the loss of workers by enabling households and entrepreneurs to overcome credit constraints and providing an alternative way to finance investment in human and physical capital (Giuliano and Ruiz-Arranz, 2009). Besides, home countries can benefit from

human capital of returning migrants (Stark, 1997; Beine et al., 2008) and the transfer of knowledge through the diaspora (Ortega and Peri, 2014). Furthermore, since there is strong evidence of the role of institutions in economic development,6 emigration can be profitable to economic growth in the home country by improving the quality of institutions. Indeed, many recent studies in international migration literature highlight the role of emigration in improving institutions (Spilimbergo, 2009; Docquier et al., 2016). Using an international dataset, Spilimbergo (2009) shows that foreign-educated individuals play an important role in fostering democracy in the home country, but only if foreign education is acquired in democratic countries. Based on cross-section and panel analyses for a large sample of developing countries, Docquier et al. (2016) also find that general emigration has a positive effect on the quality of institutions in the home country.

Acknowledging the econometric concerns discussed above, Ortega and Peri (2014) propose to instrument both trade openness and openness to migration by their gravity-based predictors. This geography-based prediction of bilateral trade or bilateral migration stock is obtained by estimating the following pseudo-gravity model:

(2)

where is either bilateral trade—i.e., the value of trade (exports + imports) between countries divided by the GDP of origin country —or bilateral migration (emigration)—i.e., the stock of migrants born in country (i) and living in country (i) as share of country ‘s population, is the distance between country and country , and are the same variables defined in (1) and they are included to account for country size, is a dummy variable for landlocked countries, is a dummy variable to indicate whether countries and share a common border, is a dummy for colonial relationship, and is a dummy for sharing a common official language. Our specification includes an additional variable ( ) compared to Ortega and

6 See the influential papers of Hall and Jones(1999), Acemoglu et al.(2001) and Rodrik et al.(2004).




Peri(2014). This variable aims at capturing the sharing of a common currency and might play an important role since the impact of currency unions on bilateral trade was frequently relayed in related studies (Rose, 2000, Rose, 2001; Frankel and Rose, 2002). As argued by the literature on the endogeneity of optimum currency area criteria, sharing a single currency may set motion forces that promote economic integration and then facilitate migration. Following Ortega and Peri(2014), we include time zone differences denoted by . As mentioned by Head et al. (2009), the impact of time zone differences between the exporting country and its trading partners is ambiguous since two contradictory effects that differ across service subcategories are at play, namely the continuity effect (the ability to operate around the clock) and the synchronization effect (the need to coordinate during business hours). Since a large part of trade is with immediate neighbors, we finally include interaction terms of border dummy with the distance, population, area, and landlocked dummies (see e.g. Frankel and Romer, 1999).

Once the gravity regressions described by (2) are estimated, we sum up them over partner countries to obtain the predicted trade and migration openness for each origin country . More specifically, let be the vector of explanatory variables included in Equation (2), the vector of coefficients in the bilateral trade regression, and the corresponding vector for the bilateral migration regression. The gravity-based predictor of trade openness for origin country , is then obtained by summing up bilateral trade over partner countries :

(3)

Similarly, the gravity-based predictor of migration openness for origin country is given by:

(4)

Identifying partner-varying impact of opennessThe income-enhancing impact of openness described in Equation (1) is based on the idea that interactions among countries affect income (through trade and migration) in the same way whatever the partner country. However, it is very reasonable to think that the income-enhancing impact of openness (to trade and to migration) depends on the partner country, especially for African economies. First, with regards to openness to trade, new trade theory suggests that a country can obtain advanced technology from its trading partners through trade. If this channel is dominant, countries may benefit more from trading with advanced economies which are more technologically innovative (Yanikkaya, 2003). As a consequence, trade with industrialized countries may be more income-enhancing for Africa than trade with other countries like China and African neighbors.

Second, turning to migration openness, its impact should also depend on the partner country. Openness to migration in African countries is mainly characterized by an important intra-continental mobility and emigration to developed countries (Europe, North America). Therefore, because of the aforementioned ambiguous relationship between growth and emigration, it is reasonable to think that the impact of African migration with developed countries (which is mainly emigration from Africa to developed countries) may be different to the effect of intra-African migration.

To evaluate this partner-varying impact of the two vehicles of globalization, we consider the following disaggregated model:

(5)

where and respectively represent trade and migration openness of an African country with a particular partner country being either the subset of African parterns, the subset of partners among developing countries, or the subset of partners among industrialized countries.

In this case, to better characterize openness with the subset of partners , openness to trade and to

migration are instrumented by estimating the pseudo-gravity model on only the subset of partners :

(6)

Based on the estimation of the disaggregated pseudo-gravity model in Equation (6), the gravity-based predictors of trade openness ( ) and migration openness ( ) for country are respectively obtained by summing up bilateral trade and migration over partner countries among the subset :

(7)

(8)

Control variables and identificationThe validity of geographically-constructed instrumental variables is weakened by the fact that geographical features may influence directly income per capita or indirectly through other channels than openness (Rodriguez and Rodrik, 2000): impacts of location and of climate on transport costs, disease burdens, agricultural productivity and natural resources endowment (Gallup et al., 1999), on colonial history and institutional quality (Hall and Jones, 1999; Acemoglu et al., 2001). To tackle this econometric issue, we include a set of control variables allowing us to account for all the main potential channels through which geographical features can influence income per capita. More precisely, we consider distance to the equator, the key geographic variable found to increase the odds of European settlements in the country and, therefore, to determine the history of institutions’ quality (Hall and Jones, 1999; Rodriguez and Rodrik, 2000).7 We also consider other controls: a landlocked dummy and 7 The distance from the equator may be viewed as reflecting the

effect of climate or as a proxy for omitted country’s specificities that are correlated with latitude. The underlying idea is that countries which are nearer the equator have generally worse health conditions and institutions (see e.g. SachsWarner1997; HallJones1999; EasterlyLevine2001).

distance to the coast to control for transport costs, the percent of land area in geographical tropics to account for agricultural productivity, disease environment (incidence of malaria and yellow fever) that may influence human history, and legal origin from colonial history that matters for economic outcomes (LaPorta et al., 1999; LaPorta et al., 2008).

DataOur data are taken from various sources. Data on bilateral trade are collected from the IMF Direction of Trade Statistics (DOTS). The DOTS database contains data on the value of merchandise exports and imports between each country and all its trading partners. The period for which data are available depends on the considered country but for most of them data extend from the 1980s to the present. As in Ortega and Peri (2014), bilateral migration data are taken from Docquier et al.(2010)—a database of bilateral stocks of immigrants (and emigrants) covering the 1990s-2000s for 194 countries. Data on geographic variables are from the CEPII’s Gravity database described in Head et al.(2010) and from Gallup et al. (1999). We also use the Gravity database for ethnic, linguistic and colonial ties. The real income per person (real PPP-adjusted GDP per person) is collected from the Penn World Tables (version 7.1). Data on nominal GDP and population are taken from the World Bank World Development Indicators (WDI) database. As in Ortega and Peri (2014), we use the database from Acemoglu et al. (2001) for legal origins, oil endowment and disease environment. Paying particular attention to Africa, we consider, in addition to our whole, world sample, a subsample of 52 African countries.8

Table 1 reports some basic descriptive statistics for the main variables considered in the paper. The mean of real GDP per person in the world is $10,732 with a standard deviation of 13,067, while in Africa the mean is only 2,790 with a standard deviation of 4,502. The minimum real

8 The 52 countries are: Angola, Benin, Botswana, Burkina Faso, Burundi, Cabo Verde, Cameroon, Central African Republic, Chad, Comoros, Congo Dem. Rep., Congo Rep., Cote d’Ivoire, Djibouti, Egypt, Equatorial Guinea, Eritrea, Ethiopia, Gabon, Gambia, Ghana, Guinea, Guinea-Bissau, Kenya, Lesotho, Libya, Madagascar, Malawi, Mali, Mauritania, Mauritius, Morocco, Mozambique, Namibia, Niger, Nigeria, Rwanda, Sao Tome and Principe, Senegal, Seychelles, Sierra Leone, Somalia, South Africa, South Sudan, Sudan, Swaziland, Tanzania, Togo, Tunisia, Uganda, Zambia, and Zimbabwe.




GDP per person in the world is in Africa. Average trade share is 54% in the world and 43% in Africa.9 In line with Figure 2, African trade is dominated by trade with industrialized countries, while intra-African trade is very small. Concerning migration (foreign-born) share (per 1,000 population), its mean is 0.05 in the world and 0.03 in Africa, with a standard deviation of 0.08 and 0.06, respectively. Openness to migration in African countries is characterized by an important intra-continental mobility and emigration to industrialized countries. Table 1 also reports descriptive statistics on some of our main control variables (population, area, percent of European descent in 1900).

Table 1: Descriptive statistics

Mean Std. Dev.

Min. Max. N

Whole sample Real GDP per person in 2000 (PPP, 2005 USD) 10732 13067 180 65125 187

Trade (in % of GDP) 0.54 0.42 0 2.68 200

Immigration rate 0.05 0.08 0 0.53 200

Population (in thousands) 30739 119883 942 1262645 200

Area (in sq. kms) 691427 1894387 25 17075400 200

Distance to equator (in degrees) 25.79 16.97 0.2 64.18 200

Euro. descent in 1900 (in %) 29.57 41.69 0 100 157

Africa sample Real GDP per person in 2000 (PPP, 2005 USD) 2790 4502 180 25993 52

Trade (in % of GDP)

Total 0.43 0.31 0 1.33 52

Intra-African 0.07 0.08 0 0.31 52

With no highly ind. 0.17 0.15 0 0.83 52

With highly ind. 0.25 0.22 0 1 52

Migration rate Total 0.03 0.06 0 0.32 52

Intra-African 0.03 0.06 0 0.31 52

From no highly ind. (including Africa) 0.03 0.06 0 0.31 52

To highly ind. 0.01 0.03 0 0.16 52

Population (in thousands) 15428 21909 81.13 122877 52

Area (in sq. kms) 581749 643900 455 2505813 52

Distance to equator (in degrees) 13.47 10.05 0.2 36.83 52

Euro. descent in 1900 (in %) 3.64 14.33 0 100 51

Notes: Statistics are reported for the year 2000. denotes the number of countries.

9 Trade share for each country is calculated as the sum of its observed bilateral trade divided by GDP. Compared to the use of aggregate data, doing so allows us to specifically identity the partner country and, consequently, to account for potential different effects of openness depending on the type of the partner.

Empirical resultsGravity estimates for trade and migration

Columns (1) to (4) of Table 2 contain the gravity model estimation results for global openness (trade and migration) as in Ortega and Peri (2014), while columns (5)-(8) concern openness of Africa to the world. The odd columns display the OLS results, while the even columns are related to the Poisson Pseudo Maximum Likelihood (PPML) non-linear approach. As argued by Silva and Tenreyro(2006), contrary to the log-linearized model estimation by OLS, PPML estimation has two main advantages: it allows to deal with (i) observations of the dependent variable with zero value, and (ii) heteroskedasticity-related issues. We follow the procedure of Silva and Tenreyro(2010) in order to address the identification problem of the (pseudo) maximum likelihood estimates of the Poisson regression models with non-negative values of the dependent variable (bilateral trade or bilateral migration) and a large number of zeros on some regressors.

As shown in Table 2, except for some quantitative differences, the two estimators produce broadly similar results about the nature of the relationship between exogenous factors and the endogenous variable. Focusing on the sample as a whole, we find that countries which trade more with each other are those that are geographically closer, speak the same language, have colonial ties and share a common currency. We also note that the intensity of trade between two countries increases with the size of the destination country and time zone differences, but decreases with the size of the country of origin, the surface area of the destination country and landlockedness. The same links are qualitatively observed between the regressors and the intensity of migration across countries. On the whole, our results are in line with those of Ortega and Peri (2014), the main differences being the introduction among regressors of a dummy to capture the sharing of a common currency, the use of the IMF trade database (instead of the NBER-UN dataset) and the sample of countries which is larger in our study. Although these results are qualitatively consistent with expectations, their quantitative interpretation should be done with caution, especially because of the interaction terms that should be considered. For instance, the negative

sign associated with the variable reflecting sharing a common border cannot be interpreted as a negative impact of the border because of its interactions with other variables.10

10 Frankel and Romer (1999) also emphasize the problem of accuracy in the estimation of this coefficient.




Table 2: Gravity regression, African openness with the WorldAll countries African countries

Trade Immigration Trade Immigration

Variables OLS PPML OLS PPML OLS PPML OLS PPMLLn distance -1.85*** -1.04*** -1.35*** -1.40*** -0.77*** -0.66*** -1.52*** -1.45***

(0.04) (0.06) (0.04) (0.08) (0.08) (0.11) (0.08) (0.15)

Ln pop. origin 0.04*** -0.08** -0.41*** -0.35*** 0.05* -0.16*** -0.50*** -0.47***

(0.02) (0.04) (0.02) (0.07) (0.03) (0.05) (0.04) (0.12)

Ln pop. dest. 1.06*** 0.74*** 0.65*** 0.80*** 1.20*** 0.97*** 0.57*** 0.52***

(0.01) (0.03) (0.02) (0.08) (0.03) (0.05) (0.04) (0.11)

Ln area origin -0.06*** 0.04 0.19*** 0.14*** -0.00 0.12*** 0.24*** 0.14*

(0.01) (0.03) (0.02) (0.03) (0.02) (0.04) (0.03) (0.08)

Ln area dest. -0.23*** -0.08** -0.08*** -0.07 -0.33*** -0.25*** -0.13*** -0.01

(0.01) (0.04) (0.02) (0.05) (0.02) (0.06) (0.03) (0.10)

Sum landlocked -0.85*** -0.55*** -0.28*** -0.64*** -0.96*** -0.96*** -0.44*** -0.79***

(0.04) (0.07) (0.05) (0.13) (0.06) (0.12) (0.08) (0.23)

Border -4.60*** -1.71 -0.17 -5.17*** 6.21*** 0.61 0.63 -0.90

(0.87) (1.07) (0.99) (1.69) (1.80) (2.28) (1.68) (2.87)

Border*Ln dist. 0.92*** 0.27 0.07 1.12*** -0.48 0.40 0.28 0.50

(0.19) (0.29) (0.22) (0.36) (0.42) (0.64) (0.33) (0.60)

Border*Ln pop. origin -0.33*** 0.17 -0.13 0.31** -0.18 0.12 0.05 0.31

(0.09) (0.10) (0.09) (0.14) (0.17) (0.23) (0.14) (0.25)

Border*Ln pop. dest. -0.18** -0.10 -0.25*** -0.64*** -0.52*** -0.69*** -0.10 -0.20

(0.08) (0.09) (0.09) (0.13) (0.16) (0.22) (0.16) (0.22)

Border*Ln area origin 0.01 -0.16 -0.16 -0.46*** -0.23 -0.44** -0.40*** -0.27

(0.08) (0.10) (0.10) (0.06) (0.17) (0.22) (0.14) (0.21)

Border*Ln area dest. -0.04 0.08 0.34*** 0.31* 0.22 0.20 0.11 -0.05

(0.09) (0.16) (0.09) (0.17) (0.17) (0.17) (0.14) (0.25)

Border*landlocked 0.72*** 0.65*** 0.32** 0.43** 0.86*** 0.85*** 0.24 0.47

(0.12) (0.15) (0.12) (0.21) (0.20) (0.31) (0.19) (0.34)

Common language 0.67*** 0.74*** 0.91*** 0.93*** 0.36*** 0.27 0.65*** 1.29***

(0.09) (0.13) (0.10) (0.20) (0.12) (0.21) (0.14) (0.36)

Common off. lang. -0.05 -0.03 0.45*** 0.16 0.47*** 0.30 0.88*** 0.11

(0.09) (0.14) (0.10) (0.22) (0.12) (0.22) (0.14) (0.37)

Colonial ties 3.16*** 1.67*** 1.33*** 0.95*** 4.11*** 2.51*** 1.24*** 0.84*

(0.14) (0.14) (0.17) (0.22) (0.18) (0.19) (0.27) (0.44)

Hegemony -2.29*** -2.06*** 0.97*** 0.46 -3.35*** -3.07*** 1.09*** 0.72

(0.19) (0.21) (0.22) (0.33) (0.29) (0.29) (0.34) (0.62)

Time zone diff. 0.13*** 0.05*** 0.09*** -0.03 -0.12*** -0.00 -0.01 -0.30***

(0.01) (0.02) (0.01) (0.04) (0.02) (0.04) (0.02) (0.07)

Common currency 0.79*** 0.58*** 0.99*** 0.55** 0.55*** -0.19 0.75*** 0.90**

(0.12) (0.14) (0.13) (0.25) (0.21) (0.36) (0.21) (0.43)

Constant 5.60*** 0.96** -0.79** 0.73 -3.72*** -2.53*** 0.98 1.49

(0.29) (0.43) (0.33) (0.55) (0.66) (0.92) (0.70) (1.16)

Observations 20,980 37,044 8,219 38,612 8,311 16,761 2,426 17,462

R-squared 0.41 0.20 0.44 0.40 0.34 0.19 0.55 0.19

Notes: The dependent variable “Trade” refers to trade openness measured by the sum of bilateral exports and imports divided by GDP. The dependent

Let us now focus on the specific and interesting case of Africa. Africa being characterized by strong intra-continental migration and emigration in the industrialized world, we first look at migration from the perspective of the destination country (immigration) and consider indiscriminately—as Ortega and Peri (2014)—the partners of Africa. Then, we go a step further with the aim of identifying a possible differentiated impact of openness depending on the partner. In this case, our variable of interest becomes immigration in the context of intra-continental openness and more generally for openness with developing countries. Regarding the relations with industrialized countries, our variable of interest is rather emigration from the perspective of Africa. As shown in Table 2 (columns (5)-(8)), we find as for the whole sample that geographical, cultural and historical factors largely explain the intensity of bilateral trade. Qualitatively, the results are very close to those obtained for the whole sample with the only difference that in the latter case, the impact of time zone differences is negative. This is not surprising given that the time zone effect depends on the countries and, especially, the type of services (Head et al., 2009).

Table 3 reports the results concerning openness between African countries themselves (columns (1)-(4)), and between Africa and developing countries (columns (5)-(8)). Overall, these results are consistent with our previous findings. They confirm that a country has more links (trade and migration) with those that are closer geographically and culturally, more populated, with a coastline or with those with which it shares the same currency. These results also corroborate the fact that trade and migration are both explained by the same factors, as pointed out by Ortega and Peri (2014). In most cases, the explanatory power of migration models is higher than that of trade models.

Finally, Table 4 provides the estimation results concerning openness between Africa and the industrialized countries. These results are also consistent with theoretical predictions. In particular, geographical, cultural and historical factors explain well bilateral emigration from African countries to industrialized economies. It should be noted that, as Africa has no common border with industrialized

countries in our sample, the dummy variable for common border and its interactions with other variables do not appear in the results.

variable “Immigration” reflects migration openness measured by the number of foreign-born living in the country divided by the total population. Heteroskedasticity-robust standard errors are in parentheses. *, **, and *** denote significance at the 10%, 5% and 1% confidence level, respectively.




Table 3: Gravity regression, African openness with developing countries

Intra-Africa With no industrialized

Trade Immigration Trade Immigration

Variables OLS PPML OLS PPML OLS PPML OLS PPML

Ln distance -1.30*** -1.25*** -1.50*** -1.30*** -1.17*** -1.19*** -1.71*** -1.50***

(0.17) (0.15) (0.17) (0.34) (0.08) (0.11) (0.07) (0.12)

Ln pop. origin -0.01 0.22 -0.88*** -0.85*** 0.15*** -0.07 -0.40*** -0.47***

(0.09) (0.15) (0.08) (0.25) (0.03) (0.06) (0.04) (0.11)

Ln pop. dest. 0.85*** 0.90*** 0.22** 0.15 1.09*** 0.97*** 0.59*** 0.93***

(0.08) (0.09) (0.10) (0.15) (0.03) (0.08) (0.04) (0.12)

Ln area origin -0.17** -0.22 0.02 0.34** -0.08*** 0.06 0.03 0.17***

(0.07) (0.16) (0.07) (0.17) (0.02) (0.05) (0.03) (0.05)

Ln area dest. -0.15** 0.12 0.02 0.04 -0.29*** -0.22*** -0.04 -0.03

(0.07) (0.16) (0.07) (0.17) (0.02) (0.08) (0.03) (0.08)

Sum landlocked -0.94*** -0.50* -0.07 -0.58** -0.98*** -0.85*** -0.19*** -0.78***

(0.13) (0.28) (0.13) (0.28) (0.06) (0.20) (0.07) (0.20)

Border 0.19 -6.28*** -1.25 -1.02 2.94 -3.19 -3.63*** -3.80**

(2.13) (2.19) (1.83) (3.41) (1.80) (2.04) (1.12) (1.69)

Border*Ln dist. 0.41 1.54*** 0.18 0.54 -0.08 0.91 0.51** 0.99***

(0.46) (0.53) (0.36) (0.69) (0.43) (0.56) (0.24) (0.37)

Border*Ln pop. origin -0.04 -0.32 0.38** 0.77** -0.26 -0.17 -0.16 0.23

(0.20) (0.22) (0.15) (0.35) (0.17) (0.18) (0.10) (0.16)

Border*Ln pop. dest. -0.05 -0.21 0.27 0.22 -0.37** -0.31 -0.21** -0.68***

(0.18) (0.19) (0.17) (0.24) (0.16) (0.23) (0.10) (0.15)

Border*Ln area origin -0.18 -0.12 -0.04 -0.47* -0.14 -0.21 -0.00 -0.43***

(0.20) (0.26) (0.15) (0.28) (0.17) (0.19) (0.11) (0.06)

Border*Ln area dest. -0.09 -0.30 -0.06 -0.11 0.17 0.03 0.30*** 0.26

(0.19) (0.22) (0.15) (0.29) (0.17) (0.17) (0.10) (0.20)

Border*landlocked 0.74*** 0.34 -0.17 0.20 0.86*** 0.65* 0.28* 0.46*

(0.24) (0.34) (0.21) (0.35) (0.21) (0.34) (0.14) (0.27)

Common language 0.50*** 0.65** 0.37** 1.07*** 0.43*** 0.03 0.94*** 0.93***

(0.19) (0.27) (0.16) (0.39) (0.12) (0.27) (0.14) (0.25)

Common off. lang. 0.72*** 0.33 0.01 -0.39 0.36*** 0.51* 0.39*** 0.03

(0.19) (0.23) (0.17) (0.40) (0.12) (0.30) (0.14) (0.25)

Colonial ties 0.62 -2.41** -1.39 -0.69 1.92*** -0.76 0.92** 0.73*

(0.44) (0.99) (1.06) (0.67) (0.51) (0.71) (0.45) (0.41)

Hegemony -1.41*** -0.45 2.19* 0.15 -0.81 0.61 0.71 -0.08

(0.39) (1.12) (1.24) (1.01) (0.56) (0.77) (0.64) (0.65)

Time zone diff. -0.43*** -0.62*** 0.02 -0.67*** -0.03** 0.09*** 0.05** -0.20***

(0.09) (0.20) (0.09) (0.21) (0.02) (0.03) (0.02) (0.07)

Common currency 0.37 -0.24 0.77*** 1.08** 0.74*** -0.05 1.30*** 0.90***

(0.24) (0.34) (0.20) (0.44) (0.21) (0.37) (0.21) (0.28)

Constant 0.94 0.79 3.61*** 0.90 -0.65 0.94 2.25*** 0.89

(1.28) (1.14) (1.27) (1.98) (0.67) (0.84) (0.51) (0.78)

Observations 1,331 2,450 525 2,550 7,366 15,634 3,760 30,102

R-squared 0.41 0.19 0.67 0.25 0.34 0.09 0.53 0.54

Notes: The dependent variable “Trade” refers to trade openness measured by the sum of bilateral exports and imports divided by GDP. The dependent

variable “Immigration” reflects migration openness measured by the number of foreign-born living in the country divided by the total population. Heteroskedasticity-robust standard errors are in parentheses. *, **, and *** denote significance at the 10%, 5% and 1% confidence level, respectively.

Table 4: Gravity regression, African openness with industrialized countries

Trade EmigrationVARIABLES OLS PPML OLS PPMLLn distance -0.88*** -0.78*** -1.04*** -1.96***

(0.13) (0.13) (0.15) (0.22)Ln pop. origin -0.13** -0.28*** -0.12** -0.05

(0.05) (0.08) (0.05) (0.11)Ln pop. dest. 1.50*** 1.11*** 0.77*** 0.33***

(0.05) (0.07) (0.05) (0.12)Ln area origin 0.01 0.11** -0.22*** -0.46***

(0.04) (0.05) (0.04) (0.08)Ln area dest. -0.36*** -0.28*** -0.05 0.20

(0.04) (0.08) (0.05) (0.15)Sum landlocked -1.07*** -0.85*** -0.93*** -1.05***

(0.11) (0.13) (0.11) (0.23)Common language 0.83*** 0.51 0.45** 0.49*

(0.26) (0.31) (0.20) (0.27)Common off. lang. 0.06 0.13 1.40*** 0.77*

(0.24) (0.29) (0.19) (0.40)Colonial ties 2.46*** 1.41*** 1.64*** 1.40***

(0.20) (0.23) (0.20) (0.33)Hegemony -2.59*** -2.68***

(0.31) (0.32)Time zone diff. -0.10*** 0.04* 0.04 0.10*

(0.03) (0.03) (0.03) (0.06)Constant -1.61 -0.56 -1.95 8.22***

(1.13) (1.39) (1.36) (1.95)Observations 2,036 2,300 898 1,173R-squared 0.49 0.35 0.59 0.46

Notes: The dependent variable “Trade” refers to trade openness measured by the sum of bilateral exports and imports divided by GDP. The dependent variable “Emigration” reflects migration openness measured by the number of nationals living abroad divided by the total population. Heteroskedasticity-robust standard errors are in parentheses. *, **, and *** denote significance at the 10%, 5% and 1% confidence level, respectively.

For the sake of completeness and as a robustness check, we also investigate the relationship between actual and constructed openness. This link is displayed in the corresponding scatterplots reproduced in Figures 3 and 4. Figure 3 depicts overall openness against its gravity-predicted value for the world and for African openness with the world, based on both OLS and non-linear (Poisson) estimations. For both trade and migration, observed openness is highly correlated with its predicted

measure, particularly for the African sample. Figure 411 displays the same relationship for the African sample depending on partners: intra-African trade, African trade with low-income countries and with advanced countries, intra-African migration, immigration in Africa from low-income countries including Africa, and emigration from Africa to advanced countries. For each type of disaggregated openness of Africa, there

11 To save space, Figure 4 considers only gravity-predicted openness based on non-linear (PPML) estimation.




is high correlation between observed openness and its predicted value. In other words, the figure shows that geographic, cultural and historical variables account for

the major part of variation in Africa’s openness. On the whole, our gravity-predicted values for openness thus appear to be reasonable proxies for observed values.

Figure 3: Observed openness and predicted openness

Notes: This figure reports the scatterplots of the relationship between actual and predicted values of trade (left side) and migration (right side).

Figure 4: Observed openness and predicted openness, depending on partners

AGO BDIBEN

BFA

BWACAF

CIV

CMRCOG

COM

CPV

DJI

EGYETHGAB

GHA

GINGMB

GNBGNQ

KEN

LSOMARMDG

MLI MOZMRT

MUS

MWI

NAM

NER

NGA RWA

SDN

SEN

SLE

STP SWZTCD

TGO

TUNTZA

UGA

ZAF

ZMB

ZWE

DZA ERILBY

SOM

SYC

ZAR0.1

.2.3

Actu

al V

alue

0 .05 .1 .15 .2Predicted Value

Slope= 0.80, Std. error= 0.07, F-stat= 9.42

Intra-African Trade

AGO BDI

BENBFA

BWA CAF

CIV

CMRCOGCOMCPV

DJI

EGYETH

GAB

GHA

GIN

GMB

GNB GNQKEN LSOMARMDGMLI

MOZMRT

MUSMWI NAM NER

NGA RWASDN

SEN

SLE STPSWZTCD

TGO

TUNTZAUGAZAFZMBZWEDZA ERI

LBY

SOMSYCZAR0.1

.2.3

Actu

al V

alue

0 .05 .1 .15Predicted Value

Slope= 1.14, Std. error= 0.07, F-stat=18.52

Intra-African Immigration

AGO

BDIBEN

BFA

BWACAF

CIV

CMR

COGCOM

CPV

DJI

EGYETH

GAB

GHA

GIN

GMB

GNB

GNQ

KEN

LSO

MARMDG

MLIMOZ

MRTMUS

MWI

NAM

NER

NGA

RWA

SDNSEN

SLE

STP SWZTCD

TGO

TUN TZAUGA ZAF

ZMBZWE

DZA

ERI

LBY

SOM

SYC

ZAR0.2

.4.6

.8Ac

tual

Val

ue

0 .05 .1 .15 .2 .25Predicted Value


Trade of Africa with low income countries

AGO BDI

BENBFA

BWACAF

CIV

CMR COGCOMCPV

DJI

EGYETH

GAB

GHA

GIN

GMB

GNB GNQKEN LSOMARMDGMLI

MOZMRTMUSMWI NAMNER

NGARWA

SDN

SEN

SLE STPSWZTCD

TGO

TUNTZAUGAZAFZMBZWEDZA ERI

LBY

SOM

SYC

ZAR0.1

.2.3

Actu

al V

alue



Immigration in Africa from low income countries

AGO

BDIBENBFA

BWA

CAF CIVCMR

COG

COM

CPV DJI

EGYETH

GAB

GHA

GINGMB

GNB

GNQ

KEN

LSO

MAR

MDGMLI

MOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA SDN

SEN

SLE

STP SWZ

TCDTGO

TUN

TZAUGA

ZAFZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR0.2

.4.6

.81

Actu

al V

alue



Trade of Africa with advanced countries

AGOBDI BENBFABWACAFCIVCMR

COG COM

CPV

DJIEGYETHGABGHAGIN

GMBGNB GNQKENLSO

MAR

MDGMLIMOZMRT

MUS

MWINAMNERNGARWASDNSENSLE

STP

SWZTCD TGO

TUN

TZAUGAZAFZMBZWE

DZAERILBY

SOM

SYC

ZAR0.0

5.1

.15

Actu

al V

alue



Emigration from Africa to advanced countries

Notes: This figure reports the scatterplots of the relationship between actual and predicted values of trade (left side) and migration (right side) for the subsample of African countries.

Income and opennessScatterplots of income per capita against openness to trade and to migration reproduced in Figure 5 provide a first insight about the relationship between income per capita and openness. As shown, for the world sample, there is a positive correlation between income per capita and both trade and migration openness. This positive relationship is also present for Africa overall openness. However, at the disaggregated level, the link between income and openness is found to be related to the type of partners. Indeed, while the relationship between income per person and openness is not positive for intra-African trade and is slightly positive for trade with low-income countries (including Africa), income per capita is positively correlated with trade with advanced countries, intra-African migration, migration from low-income countries and emigration to advanced economies. The next steps give econometric estimations of this openness-growth nexus.




Baseline results

Tables 5 and 6 report the two-stage least-squares (2SLS) joint estimates of the impact of openness to trade and to migration on income per person, using their gravity-predicted measures as instruments. Table 5 displays the results using overall measures of openness for the world and African samples. To clearly highlight our contribution, we start by replicating the results of Ortega and Peri (2014) in columns (1)-(4). In columns (1) and (2) ((3) and (4)), the estimations are based on linear (non-linear, PPML) gravity-predicted openness. Estimations reported in columns (1) and (3) consider as control variables country size (area and population) and distance to equator—which is the key geographic control identified in the literature (Rodriguez and Rodrik, 2000). In column (1) based on linear predicted openness, the coefficient of openness to migration is significantly positive while the coefficient of openness to trade is not significant. In column (2), using also linear predicted openness and controlling for other geographic/climate and colonial factors, the impact of migration increases in level and

in significance, while the coefficient of trade remains non significant. Using non-linear predicted openness in columns (3) and (4) as instruments, the impact of migration remains significantly positive when we consider a comprehensive set of control variables. To sum up, results in columns (1)-(4) of Table 5 highlight a robust, positive effect of openness to immigration on long-run income per capita at the world level, while there is no evidence of growth-enhancing impact of openness to trade. This finding confirms the results obtained by Ortega and Peri(2014).

At this stage, it is important to check the relevance of gravity-based instruments since the lack of significance of trade openness may come from a problem of weak instruments. To this end, we implement (i) the Kleibergen and Paap (2006) rk Wald F-stat test (KP test) which tests for the null hypothesis of jointly weak instruments, and (ii) the Sanderson and Windmeijer (2015) F-stat test (SW test) of weak identification for each endogenous regressor separately.12 Doing so

12 Note that this test constitutes a modification and improvement of the procedure described by Angrist and Pischke (2009).

Figure 5: Income and openness

AGOALB

ARG

ARM

ATG

AUS AUT

AZE

BDI

BEL

BENBFABGD

BGR

BHRBHS

BIH BLRBLZ

BMU

BOLBRA

BRBBRN

BTN

BWA

CAF

CANCHE

CHL

CHNCIVCMR

COD

COG

COL

COM

CPV

CRICYP CZE

DEU

DJI

DMA

DNK

DOMECUEGY

ESP

EST

ETH

FIN

FJI

FRA

GAB

GBR

GEOGHA

GINGMB

GNB

GNQ

GRCGRD

GTM

HKG

HND

HRV HUN

IDNIND

IRL

IRNIRQ

ISLISRITA

JAM

JOR

JPN

KAZ

KENKGZ

KHM

KNA

KORKWT

LAO

LBN LCA

LKA

LSO

LTU

LUX

LVA

MAC

MARMDA

MDG

MDV

MEXMKD

MLI

MLT

MNG

MOZ

MRT

MUS

MWI

MYS

NAM

NER

NGA

NLDNOR

NPL

NZLOMN

PAK

PANPER

PHL

POLPRT

PRY

QAT

ROURUS

RWA

SAU

SDN SEN

SGP

SLE

SLVSRB

STP

SURSVK

SVNSWE

SWZ SYR

TCD TGO

THA

TJK

TKMTTO

TUNTUR

TZAUGA

UKR

URY

USA

UZB

VCTVEN

VNMYEM

ZAF

ZMB

ZWEAFG

ARE

CUBDZA

ERI

FSM GUYHTI

KIR

LBY

MHL

NIC

PLW

PNG

PRI

ROM

SLB

SOM

SYC

TON VUT WSM

ZAR

46

810

12Ln

(GD

P p

er c

apita

)

0 1 2 3Trade/GDP

World Trade

AGOALB

ARG

ARM

ATG

AUSAUT

AZE

BDI

BEL

BENBFABGD

BGR

BHRBHS

BIHBLR BLZ

BMU

BOLBRA

BRBBRN

BTN

BWA

CAF

CAN CHE

CHL

CHNCIVCMR

COD

COG

COL

COM

CPV

CRICYPCZE

DEU

DJI

DMA

DNK

DOMECUEGY

ESP

EST

ETH

FIN

FJI

FRA

GAB

GBR

GEOGHA

GINGMB

GNB

GNQ

GRCGRD

GTM

HKG

HND

HRVHUN

IDNIND

IRL

IRNIRQ

ISLISRITA

JAM

JOR

JPN

KAZ

KENKGZ

KHM

KNA

KORKWT

LAO

LBNLCA

LKA

LSO

LTU

LUX

LVA

MAC

MARMDA

MDG

MDV

MEXMKD

MLI

MLT

MNG

MOZ

MRT

MUS

MWI

MYS

NAM

NER

NGA

NLDNOR

NPL

NZLOMN

PAK

PANPERPHL

POLPRT

PRY

QAT

ROURUS

RWA

SAU

SDN SEN

SGP

SLE

SLV SRB

STP

SURSVK

SVNSWE

SWZSYR

TCD TGO

THA

TJK

TKMTTO

TUNTUR

TZAUGA

UKR

URY

USA

UZB

VCTVEN

VNMYEM

ZAF

ZMB

ZWEAFG

ARE

CUBDZA

ERI

FSMGUYHTI

KIR

LBY

MHL

NIC

PLW

PNG

PRI

ROM

SLB

SOM

SYC

TONVUT WSM

ZAR

46

810

12Ln

(GD

P p

er c

apita

)

0 .1 .2 .3 .4 .5Immigration/Pop

World migration

AGO

BDI

BENBFA

BWA

CAF

CIVCMRCOG

COM

CPV DJI

EGY

ETH

GAB

GHA

GINGMB

GNB

GNQ

KENLSO

MAR

MDGMLIMOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA

SDN SEN

SLE

STP

SWZ

TCD TGO

TUN

TZAUGA

ZAF

ZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR56

78

910

Ln(G

DP

per

cap

ita)

0 .5 1 1.5Trade/GDP

Trade of Africa with all countries

AGO

BDI

BENBFA

BWA

CAF

CIVCMRCOG

COM

CPV DJI

EGY

ETH

GAB

GHA

GINGMB

GNB

GNQ

KENLSO

MAR

MDG MLIMOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA

SDN SEN

SLE

STP

SWZ

TCD TGO

TUN

TZAUGA

ZAF

ZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR56

78

910

Ln(G

DP

per

cap

ita)

0 .1 .2 .3Immigration/Pop

Immigration Africa with all countries

AGO

BDI

BENBFA

BWA

CAF

CIVCMRCOG

COM

CPV DJI

EGY

ETH

GAB

GHA

GINGMB

GNB

GNQ

KENLSO

MAR

MDG MLIMOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA

SDN SEN

SLE

STP

SWZ

TCD TGO

TUN

TZA UGA

ZAF

ZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR56

78

910

Ln(G

DP

per

cap

ita)

0 .1 .2 .3Trade/GDP

Intra-African Trade

AGO

BDI

BENBFA

BWA

CAF

CIVCMRCOG

COM

CPV DJI

EGY

ETH

GAB

GHA

GINGMB

GNB

GNQ

KENLSO

MAR

MDG MLIMOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA

SDN SEN

SLE

STP

SWZ

TCD TGO

TUN

TZAUGA

ZAF

ZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR56

78

910

Ln(G

DP

per

cap

ita)


Intra-African Immigration

AGO

BDI

BENBFA

BWA

CAF

CIVCMRCOG

COM

CPV DJI

EGY

ETH

GAB

GHA

GINGMB

GNB

GNQ

KENLSO

MAR

MDG MLIMOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA

SDN SEN

SLE

STP

SWZ

TCD TGO

TUN

TZAUGA

ZAF

ZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR56

78

910

Ln(G

DP

per

cap

ita)

0 .2 .4 .6 .8Trade/GDP

Trade of Africa with low income countries

AGO

BDI

BENBFA

BWA

CAF

CIVCMRCOG

COM

CPV DJI

EGY

ETH

GAB

GHA

GINGMB

GNB

GNQ

KENLSO

MAR

MDG MLIMOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA

SDN SEN

SLE

STP

SWZ

TCD TGO

TUN

TZAUGA

ZAF

ZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR56

78

910

Ln(G

DP

per

cap

ita)


Immigration with low income countries

AGO

BDI

BENBFA

BWA

CAF

CIVCMRCOG

COM

CPV DJI

EGY

ETH

GAB

GHA

GINGMB

GNB

GNQ

KENLSO

MAR

MDGMLI

MOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA

SDN SEN

SLE

STP

SWZ

TCD TGO

TUN

TZAUGA

ZAF

ZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR56

78

910

Ln(G

DP

per

cap

ita)

0 .2 .4 .6 .8 1Trade/GDP

Trade of Africa with advanced countries

AGO

BDI

BENBFA

BWA

CAF

CIVCMRCOG

COM

CPVDJI

EGY

ETH

GAB

GHA

GINGMBGNB

GNQ

KENLSO

MAR

MDGMLI

MOZ

MRT

MUS

MWI

NAM

NER

NGA

RWA

SDN SEN

SLE

STP

SWZ

TCD TGO

TUN

TZAUGA

ZAF

ZMB

ZWE

DZA

ERI

LBY

SOM

SYC

ZAR56

78

910

Ln(G

DP

per

cap

ita)

0 .05 .1 .15Emigration/Pop

Emigration from Africa to advanced countries

Notes: This figure reports the scatterplots of income per capita against openness to trade (left side) and to migration (right side).

allows us to evaluate whether each individual endogenous regressor is well identified separately, by partialling-out the influence of the other endogenous regressors. For the world sample (columns (1)-(4) of Table 5), the null of (jointly and individual) weak identifications is rejected at conventional level of significance, except for column (1). Particularly, for the most relevant specification based on non-linear gravity-based instruments and using all control variables, the KP test statistic for jointly weak identification is 5.96, which is above the Stock and Yogo(2005)’s critical value at 25% max IV size (3.63). For this specification, for each endogenous regressor, we reject the null of individual weak identification. The SW test statistic for individual weak identification is 14.60 for openness to trade and 8.63 for openness to migration; both values being above all Stock and Yogo’s critical values. On the

whole, these results indicate that the weak instrument issue is not a severe concern in our estimations.

Let us now focus on the African sample. Columns (5)-(8) in Table 5 report the impact of African openness with the world. These results differ from those obtained for the world sample, and highlight the relevance of isolating this subgroup of countries. Based on both linear and non-linear predicted openness (columns (5) and (7)), the coefficient of trade is significantly positive when we control for country size and distance to equator. However, when we consider all the other controls, there is no evidence of positive and significant impact of trade, and migration has a positive significant effect only in the linear case. For all specifications but the one reported in column (6), we are not able to reject the null of weak instruments.

Table 5: Income and openness, baseline specification

World openness African opennessVariables LP LP NLP NLP LP LP NLP NLPTrade -1.80 0.44 1.50* 0.88 2.80** 1.60 3.89* 4.60

(2.18) (0.59) (0.79) (0.70) (1.37) (1.05) (2.00) (4.72)

Immig. 7.72** 11.95*** 1.18 6.73** 1.13 11.85* -4.14 24.13

(3.65) (2.59) (1.06) (3.18) (7.72) (6.05) (11.61) (23.83)

Ln pop. 0.03 -0.02 -0.04 -0.06 -0.24 -0.21 -0.26 -0.10

(0.12) (0.06) (0.07) (0.06) (0.18) (0.14) (0.22) (0.32)

Ln area -0.21* 0.25** -0.10 0.23** 0.05 0.34* 0.06 0.57

(0.11) (0.11) (0.06) (0.09) (0.11) (0.18) (0.14) (0.56)

Dist. equator 0.05*** 0.01 0.04*** 0.00 0.05*** 0.00 0.05*** 0.01

(0.01) (0.01) (0.01) (0.01) (0.01) (0.02) (0.02) (0.06)

Constant 8.84*** 6.98*** 7.16*** 7.32*** 5.53*** 6.93*** 5.27*** 5.47**

(1.21) (0.78) (0.50) (0.74) (0.49) (0.85) (0.81) (2.20)

Observations 187 132 187 132 52 45 52 45

Colonial controls No Yes No Yes No Yes No Yes

Geo/climate controls No Yes No Yes No Yes No Yes

K-P F-stat 0.887 5.842 5.296 5.726 0.812 1.521 0.772 0.285

SW F-stat for Trade 2.062 13.15 10.97 16.99 8.577 16.30 3.279 0.680

SW F-stat for Mig. 5.635 16.59 55.29 8.622 3.176 3.248 2.413 0.698

SY 10% max IV size 7.030 7.030 7.030 7.030 7.030 7.030 7.030 7.030

SY 25% max IV size 3.630 3.630 3.630 3.630 3.630 3.630 3.630 3.630

Notes: The dependent variable is the log of income per capita. LP (NLP) stands for linear predicted trade and migration based on the OLS (non-linear Poisson, PPML) gravity estimates. Geographic, climate and disease controls are regional dummies for Africa, a landlocked dummy, the percentage of land in the tropics, average distance to the coast, and a measure for oil reserves. Colonial history controls are dummy variables for former French colony,




former English colony and the share of population of European descent in 1900. Heteroskedasticity-robust standard errors are in parentheses. *, **, and *** denote significance at the 10%, 5% and 1% confidence level, respectively. K-P F-stat is the Kleibergen and Paap (2006) rk Wald F-stat test of jointly weak identification. SW F-stat is the Sanderson and Windmeijer(2015) F-stat test of weak identification for each endogenous regressor separately. In the case of a single endogenous regressor, the SW F-stat is identical to the K-P F-stat. SY 10% max IV size and SY 10% max IV size are the Stock and Yogo (2005) critical values under the i.i.d. assumption.

Identifying partner-varying impact of openness

The fact that results for Africa differ from those obtained at a world level using overall openness justifies the need to deepen the analysis of the potential growth-enhancing impact of openness in Africa. Indeed, it is reasonable to think that the difficulty to find strong evidence of the influence of openness at the aggregate level in Africa comes from the characteristics of African openness. As aforementioned, trade with advanced economies may have more income-enhancing impact in Africa than trade with other countries like China and African neighbors. With regards to migration, the impact of Africa’s openness to migration with developed countries (net emigration) may differ from that of intra-African migration. To test these conjectures, we estimate the impact of openness on income in Africa depending on the type of partners; the gravity-predicted openness being derived from the estimation of Equation (6). The corresponding estimation results are reported in Table 6.

The results in columns (1)-(4) show that there is no evidence of a growth-enhancing impact of intra-African openness. Neither intra-continental trade nor migration significantly influence growth, based on both linear and non-linear gravity-based instruments. In the non-linear case, the hypothesis of (jointly and individual) weak identification of endogenous regressors cannot be retained.

The results reported in columns (5)-(8) also indicate that there is no strong evidence of income-enhancing impact of openness with low-income countries (including African economies). When we only control for country size (population and area) and for distance to equator (columns (5) and (7)), neither trade nor migration has a significant impact and we cannot reject the weak identification of endogenous regressors. Including other controls in columns (6) and (8), there is a significant positive impact of trade in the linear case (column (6)) and a significant positive effect of migration in the non-linear case (column (8));

in both cases, only trade is not weakly identified.

Turning to openness with advanced economies (trade with industrialized countries and emigration to industrialized economies), the results are reported in columns (9)-(12) of Table 6. They show overwhelming evidence of a growth-enhancing impact of trade with industrialized countries. When we only control for country size and distance to equator, we find a positive significant role of both trade and emigration on income per capita in the linear case (column (9)) and a positive significant effect of only trade in the non-linear case (column (10)); in both cases, trade and emigration are not weakly identified. In columns (10) and (12), when we include other control variables, there is only a positive significant impact of trade openness with advanced countries, and both endogenous regressors are not weakly identified, except for emigration in column (10).

To sum up, in analyzing the impact of openness in Africa depending on partners, we find strong evidence that trade with industrialized economies promotes economic development in African countries, while we do not establish a strong impact of openness to migration contrary to Ortega and Peri (2014). In addition to emphasizing the interest of accounting for the type of partner countries, these findings corroborate the theoretical intuition that African countries may benefit more from trading with advanced economies which are more technologically innovative (Yanikkaya, 2003). The underlying idea is that if growth is driven by technological progress, trade allows African countries to benefit from the advances in R&D activities of their trading partners. Besides, our findings also reflect the aforementioned ambiguous relationship between growth and emigration. In other words, we find a compensation between the adverse impact of emigration (through brain drain) and its positive effect (through remittances, human capital of returning migrants, knowledge transfer, improving institutions). Furthermore, the absence of significant impact of intra-African migration may reflect some lack of complementarity in African labor force.

Tabl

e 6

: Inc

ome

and

open

ness

, ide

ntify

ing

partn

ers’

impa

ct

Intra

-Afri

can

Afric

a w

ith n

o in

d.Af

rica

with

ind.

Varia

bles

LPLP

NLP

NLP

LPLP

NLP

NLP

LPLP

NLP

NLP

Trad

e8.

2813

.97

0.86

4.86

4.44

3.50

5.15

6.68

**2.

08**

3.42

**3.

05**

*4.

51**

*(1

0.26

)(1

3.00

)(2

.85)

(3.9

0)(2

.87)

(3.4

0)(4

.60)

(2.9

2)(0

.89)

(1.3

8)(0

.93)

(1.4

3)Im

mig

.0.

103.

404.

946.

145.

3612

.33*

*6.

806.

21

(4.6

9)(4

.56)

(5.2

0)(4

.03)

(6.0

0)(5

.22)

(16.

22)

(10.

34)

Emig

.34

.52*

*-2

.21

16.1

6-9

.01

(16.

45)

(18.

41)

(11.

04)

(6.7

2)Ln

pop

.-0

.45*

*-0

.39*

-0.3

4**

-0.2

7**

-0.3

0*-0

.15

-0.2

7-0

.24

-0.2

6*-0

.30*

*-0

.25*

-0.3

0**

(0.2

1)(0

.22)

(0.1

4)(0

.13)

(0.1

6)(0

.14)

(0.2

2)(0

.19)

(0.1

5)(0

.12)

(0.1

5)(0

.14)

Ln a

rea

0.15

0.27

0.07

0.17

0.09

0.16

0.09

0.21

*0.

290.

120.

150.

08(0

.16)

(0.1

9)(0

.10)

(0.1

1)(0

.11)

(0.1

0)(0

.14)

(0.1

2)(0

.19)

(0.1

3)(0

.11)

(0.1

0)Di

st. e

quat

or0.

05**

*0.

06**

*0.

05**

*0.

06**

*0.

06**

*0.

07**

*0.

06**

*0.

07**

*0.

03*

0.04

***

0.04

***

0.05

***

(0.0

2)(0

.02)

(0.0

1)(0

.01)

(0.0

1)(0

.02)

(0.0

2)(0

.02)

(0.0

2)(0

.01)

(0.0

1)(0

.01)

Cons

tant

6.08

***

5.14

***

6.65

***

5.73

***

5.63

***

4.93

***

5.39

***

4.55

***

4.86

***

5.79

***

5.46

***

5.85

***

(1.2

4)(1

.25)

(0.6

4)(0

.62)

(0.7

1)(0

.95)

(0.8

1)(1

.06)

(1.1

0)(0

.84)

(0.5

2)(0

.45)

Obse

rvat

ions

5250

5250

5250

5250

5250

5250

Colo

nial

/geo

con

trols

No

Yes

No

Yes

No

Yes

No

Yes

No

Yes

No

Yes

K-P

F-st

at0.

953

0.84

76.

171

4.46

81.

814

2.12

30.

225

3.33

73.

738

1.69

59.

923

4.85

0SW

F-s

tat f

or T

rade

1.90

51.

751

9.86

68.

120

7.46

77.

938

1.08

813

.35

19.4

011

.32

24.5

210

.92

SW F

-sta

t for

Mig

.8.

659

15.5

65.

727

7.16

82.

139

3.16

40.

604

2.38

29.

958

3.58

020

.74

7.41

4SY

10%

max

IV s

ize7.

030

7.03

07.

030

7.03

07.

030

7.03

07.

030

7.03

07.

030

7.03

07.

030

7.03

0SY

25%

max

IV s

ize3.

630

3.63

03.

630

3.63

03.

630

3.63

03.

630

3.63

03.

630

3.63

03.

630

3.63

0

Note

s: Th

e dep

ende

nt va

riabl

e is t

he lo

g of

inco

me p

er ca

pita

. LP

(NLP

) sta

nds f

or lin

ear p

redi

cted

trad

e and

mig

ratio

n ba

sed

on th

e OLS

(non

-line

ar P

oiss

on, P

PML)

gra

vity

estim

ates

. Col

onia

l con

trols

are d

umm

y va

riabl

es fo

r for

mer

Fr

ench

col

ony,

form

er E

nglis

h co

lony

and

the

shar

e of

pop

ulat

ion

of E

urop

ean

desc

ent i

n 19

00, a

nd g

eogr

aphi

c co

ntro

l is

a la

ndlo

cked

dum

my.

Het

eros

keda

stici

ty-ro

bust

sta

ndar

d er

rors

are

in p

aren

thes

es. *

, **,

and

***

den

ote

signi

fican

ce a

t the

10%

, 5%

and

1%

con

fiden

ce le

vel,

resp

ectiv

ely. K

-P F

-stat

is th

e Kl

eiber

gen

and

Paap

(200

6) rk

Wal

d F-

stat

test

of j

oint

ly w

eak

iden

tifica

tion.

SW

F-st

at is

the

Sand

erso

n an

d W

indm

eijer

(201

5) F

-stat

test

of

wea

k id

entifi

catio

n fo

r eac

h en

doge

nous

regr

esso

r sep

arat

ely. I

n th

e ca

se o

f a s

ingl

e en

doge

nous

regr

esso

r, th

e SW

F-st

at is

iden

tical

to th

e K-

P F-

stat

. SY

10%

max

IV s

ize a

nd S

Y 10

% m

ax IV

size

are

the

Stoc

k an

d Yo

go(2

005)

cr

itica

l val

ues u

nder

the

i.i.d

. ass

umpt

ion.




Sensitivity analysesFor the sake of completeness and as robustness checks, we now provide some sensitivity analyses. First, we investigate the robustness of our results to the African countries included in our sample. To this end, we focus on Sub-Saharan Africa (SSA) by excluding North African countries from the sample because of their geographical proximity to Europe.13 As a second robustness check, we test the sensitivity of our results to the choice of the considered year in line with Irwin and Terviö (2002). In addition to our baseline year 2000, two over years are considered, namely 2005 and 2010. Third, we go further than a usual sensitivity analysis and address a hot-debated topic, namely the trade links between China and Africa. This relationship is of particular interest since trade between China and Africa is growing since the early 2000s while it was insignificant in the 1980s and 1990s. China has become the largest trading partner of many African economies including countries where trade was formerly largely oriented toward Europe or America because of colonial or historical ties, such as Angola, Benin, Ethiopia, Gambia, Ghana, Mauritania, Sudan, Togo and Tanzania. Specifically, China that accounted for only 3% of total African trade in 2000 rose to 12% in 2010 and continues to increase its market share on the continent, while the share of trade with traditional partners of Africa as France and the United States is declining. It is thus worthy of interest to investigate whether trade with this “new partner” is growth-enhancing for Africa. It should be mentioned that we focus on the trade side, since emigration of Africans to China is almost zero. Thus, in terms of openness between China and Africa, only the trade channel is relevant to consider.

The results of the sensitivity analyses are displayed in Table 7.14 They confirm the evidence of income-enhancing impact of trade with advanced countries. Indeed, in line with our previous findings, Table 7 shows a significant positive impact of trade with industrialized countries for the subsample of SSA economies and whatever the period (year) of analysis. Besides and interestingly, there is no evidence of a strong positive impact of trade with China.

13 The six following countries are excluded from the African sample: Algeria, Djibouti, Egypt, Libya, Morocco and Tunisia.

14 To save space, we do not report the corresponding gravity esti-mates but they are available upon request to the authors. Ta

ble

7: S

ensit

ivity

ana

lysis

2000

, SSA

onl

y20

0020

0520

10VA

RIAB

LES

Afric

aNo

ind.

In.

Chin

aAf

rica

No in

d.In

d.Ch

ina

Afric

aNo

ind.

Ind.

Chin

aTr

ade

6.29

8.38

*3.

74**

*42

.51

1.61

2.40

3.85

***

19.3

82.

402.

744.

48**

*15

.83*

*(7

.03)

(4.7

7)(1

.44)

(30.

21)

(2.5

9)(1

.55)

(1.2

3)(1

2.11

)(2

.82)

(1.7

5)(1

.61)

(8.0

0)Im

mig

.5.

1515

.55*

4.51

1.52

4.42

-9.1

6(4

.13)

(9.2

4)(4

.94)

(10.

88)

(5.7

2)(2

3.07

)Em

ig.

-5.4

3-4

.00

-4.7

3(5

.59)

(7.0

5)(7

.88)

Ln p

op.

-0.4

2-0

.36

-0.3

1**

-0.0

4-0

.25*

*-0

.26*

-0.2

6*-0

.07

-0.2

5**

-0.2

9-0

.22*

0.09

(0.2

6)(0

.26)

(0.1

5)(0

.26)

(0.1

2)(0

.15)

(0.1

4)(0

.20)

(0.1

1)(0

.19)

(0.1

3)(0

.19)

Ln a

rea

0.19

0.24

0.08

-0.0

20.

160.

21*

0.10

0.02

0.17

0.22

*0.

10-0

.02

(0.1

7)(0

.18)

(0.1

0)(0

.16)

(0.1

1)(0

.11)

(0.1

0)(0

.13)

(0.1

0)(0

.13)

(0.1

0)(0

.14)

Dist

. equ

ator

0.03

0.06

0.04

**0.

07**

*0.

05**

*0.

06**

*0.

04**

*0.

08**

*0.

05**

*0.

04*

0.03

**0.

07**

*(0

.02)

(0.0

3)(0

.02)

(0.0

2)(0

.01)

(0.0

1)(0

.01)

(0.0

2)(0

.01)

(0.0

2)(0

.01)

(0.0

1)Co

nsta

nt6.

12**

*4.

32**

*5.

99**

*5.

30**

*6.

07**

*5.

47**

*5.

90**

*5.

56**

*6.

19**

*5.

85**

*6.

06**

*5.

47**

*(0

.78)

(1.5

6)(0

.56)

(1.0

4)(0

.61)

(0.7

9)(0

.45)

(0.9

0)(0

.63)

(0.9

8)(0

.45)

(0.9

1)Ob

serv

atio

ns44

4444

5050

5050

5050

5050

50Co

loni

al/g

eo c

ontro

lsYe

sYe

sYe

sYe

sYe

sYe

sYe

sYe

sYe

sYe

sYe

sYe

sK-

P F-

stat

2.89

71.

063

1.85

61.

061

6.07

10.

872

7.39

62.

354

6.00

70.

723

5.95

45.

498

SW F

-sta

t for

Tra

de5.

730

3.18

94.

209

1.06

16.

976

4.35

817

.35

2.35

47.

019

2.78

912

.08

5.49

8SW

F-s

tat f

or M

ig.

5.88

51.

918

11.2

75.

089

1.75

98.

124

6.03

31.

710

10.5

4SY

10%

max

IV s

ize7.

030

7.03

07.

030

16.3

87.

030

7.03

07.

030

16.3

87.

030

7.03

07.

030

16.3

8SY

25%

max

IV s

ize3.

630

3.63

03.

630

5.53

03.

630

3.63

03.

630

5.53

03.

630

3.63

03.

630

5.53

0

Note

s: Th

e de

pend

ent v

aria

ble

is th

e lo

g of

inco

me

per c

apita

. Pre

dict

ed tr

ade

and

mig

ratio

n ar

e ob

tain

ed fr

om n

on-li

near

Poi

sson

gra

vity

estim

ates

. Col

onia

l con

trols

are

dum

my

varia

bles

for f

orm

er F

renc

h co

lony

, for

mer

Eng

lish

colo

ny a

nd th

e sh

are

of p

opul

atio

n of

Eur

opea

n de

scen

t in

1900

, and

geo

grap

hic

cont

rol i

s a

land

lock

ed d

umm

y. H

eter

oske

dast

icity

-robu

st s

tand

ard

erro

rs a

re in

par

enth

eses

. *, *

*, a

nd *

** d

enot

e sig

nific

ance

at t

he 1

0%, 5

%

and

1% c

onfid

ence

leve

l, re

spec

tively

. K-P

F-st

at is

the

Kleib

erge

n an

d Pa

ap(2

006)

rk W

ald

F-st

at te

st o

f joi

ntly

wea

k id

entifi

catio

n. S

W F

-stat

is th

e Sa

nder

son

and

Win

dmeij

er (2

015)

F-st

at te

st o

f wea

k id

entifi

catio

n fo

r eac

h en

doge

nous

regr

esso

r sep

arat

ely. I

n th

e ca

se o

f a s

ingl

e en

doge

nous

regr

esso

r, th

e SW

F-st

at is

iden

tical

to th

e K-

P F-

stat

. SY

10%

max

IV s

ize a

nd S

Y 10

% m

ax IV

size

are

the

Stoc

k an

d Yo

go (2

005)

crit

ical v

alue

s un

der t

he

i.i.d

. ass

umpt

ion.




The channel through which trade with developed countries affects income in AfricaWhile our previous results show that only trade with developed countries positively affects income in Africa, they do not provide information on the channel through which this positive effect operates. To shed light on this issue, we propose a decomposition of income based on a simple Cobb-Douglas production function in the same spirit as Hall and Jones (1999), Frankel and Romer (1999) and Ortega and Peri (2014). Specifically, we consider the following function:

(9)

where stands for output in country is the stock of physical capital, denotes the human capital, is a productivity term, and represents the labor share in income. Rewriting this production function in terms of output per worker and using the logarithmic transformation, we get:

(10)

where denotes output per worker, and is human capital per worker. Data on stock

of physical capital, workers and output are taken from the Penn World Tables. Regarding the level of productivity, it is calculated from the production function assuming that in line with standard neoclassical approach.15 Moreover, following Hall and Jones (1999), we consider human capital as a function of returns to schooling ( ) as estimated in a Mincerian wage regression. is a function reflecting the efficiency of a unit of labor with years of schooling. Data on the number of years of schooling are from Barro and Lee(2013) and the UNESCO Institute databases. Each of the components on the right-hand side of Equation (10) contributes to the improvement of income per worker.

15 The empirical value of this parameter we get for African countries is 0.314, which is very close to the reference value.

The results of the 2SLS estimation of Equation (10) considering successively each term (respectively the log of income per worker, the log of the capital-output ratio, the log of human capital per worker, and the log of productivity) as the dependent variable are reported in Table 8. In the first four columns, our results are not controlled by geographical and historical (or colonial) variables, while it is the case in the last four columns. In line with our previous findings, an increase in trade between Africa and the developed economies contributes significantly to improve income per worker in Africa regardless of the specification. Considering the model without geographical and colonial controls, we find that trade between Africa and the industrialized economies positively affects income per worker in Africa mainly through an improvement in human capital per worker and higher productivity. Specifically, our estimates indicate that a rise of one percentage point (pp) in trade increases the contribution of the intensity of physical capital to income of 3/4 pp whereas it increases the contribution of productivity to income about two pp. These elasticities are close to those of Frankel and Romer (1999) with a more heterogeneous sample.

When the complete specification is estimated (columns (5) to (8)), only productivity appears as the main transmission channel of the positive effect of trade on the standards of living, with an elasticity twice as high as before. Indeed, controlling for geographic and colonial regressors, we find that a one pp increase in trade between Africa and industrialized countries leads to an increase of the contribution of productivity to income per worker of four pp. This relatively high elasticity reflects to some extent the low initial level of productivity in African countries. Furthermore, in all configurations in which trade has a significant influence on income per worker or its components, the distance from equator significantly explains the differences in levels of income per worker between African countries. Moreover, our findings show that trade has not significantly helped to improve the contribution of capital intensity per worker to income.

To sum up, if international trade with developed countries increases income in Africa, productivity is clearly the main transmission channel. Figure 6 in the Appendix shows the contents of Africa’s imports in skills and technology intensity. Imports from the developed OECD countries are clearly more equipped in skills and technology intensive, contributing to the

improvement of productivity in Africa. Indeed, if the content in low skill of Africa’s imports is proportionally the same regardless of the partner, imports from the developed OECD countries are approximately twice as equipped with middle-skill and high-skill than those from Africa or other developing countries. These facts clearly support our empirical results. The latter also find several anchorage points in the literature even if the specific case of Africa has not been studied before. Indeed, the decisive role of trade openness in improving total factor productivity has been empirically emphasized by Edwards (1998). Miller and Upadhyay (2000) confirmed this result by showing that over and above the positive impact of trade openness on total factor productivity, outward-oriented countries also experience an improvement in total factor productivity.




Tabl

e 8

: Tra

de w

ith d

evelo

ped

coun

tries

and

com

pone

nts

of in

com

e in

Afri

ca

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

Trad

e 2

.28*

**

0.0

1 0

.78*

* 2

.04*

**

3.5

4**

-0.3

7 0

.58

4.0

0***

(0.7

3)

(0.3

0)

(0.3

6)

(0.7

2)

(1.5

2)

(0.4

8)

(0.6

3)

(1.5

4)

Ln p

op.

-0.2

2*

-0.0

5 -0

.00

-0.1

6 -0

.26*

* -0

.08*

-0

.05

-0.1

6

(0.1

2)

(0.0

4)

(0.0

6)

(0.1

2)

(0.1

3)

(0.0

5)

(0.0

4)

(0.1

5)

Ln a

rea

0.0

3 -0

.01

-0.0

3 0

.04

0.0

7 -0

.00

0.0

2 0

.07

(0.0

8)

(0.0

3)

(0.0

5)

(0.0

8)

(0.0

9)

(0.0

3)

(0.0

3)

(0.1

1)

Dist

. equ

ator

0

.05*

**

-0.0

0 0

.01*

* 0

.05*

**

0.0

5***

-0

.00

0.0

0 0

.05*

**

(0.0

1)

(0.0

0)

(0.0

0)

(0.0

1)

(0.0

1)

(0.0

0)

(0.0

0)

(0.0

1)

Cons

tant

-3

.92*

**

-0.0

2 -0

.90*

**

-3.4

3***

-4

.60*

**

0.2

6 -0

.99*

**

-4.4

2***

(0.3

5)

(0.1

1)

(0.1

2)

(0.3

7)

(0.4

7)

(0.1

7)

(0.1

8)

(0.4

9)

Obse

rvat

ions

4

6 4

6 4

9 4

5 4

5 4

5 4

7 4

4

Colo

nial

/geo

con

trols

N

o N

o N

o N

o Y

es

Yes

Y

es

Yes

K-P

F-st

at

33.

62

33.

62

36.

76

33.

37

9.3

73

9.3

73

15.

35

9.2

46

SW F

-sta

t 3

3.62

3

3.62

3

6.76

3

3.37

9

.373

9

.373

1

5.35

9

.246

SY 1

0% m

ax IV

size

1

6.38

1

6.38

1

6.38

1

6.38

1

6.38

1

6.38

1

6.38

1

6.38

SY 2

5% m

ax IV

size

5

.530

5

.530

5

.530

5

.530

5

.530

5

.530

5

.530

5

.530

Note

s: T

he ex

plai

ned

varia

bles

are

nor

mal

ized

by th

e val

ue o

f the

US.

The

pre

dict

ed tr

ade v

alue

s are

thos

e bas

ed o

n th

e non

-line

ar es

timat

ion.

Col

onia

l con

trols

are

dum

my

varia

bles

for f

orm

er F

renc

h co

lony

, for

mer

Eng

lish

colo

ny

and

the

shar

e of

pop

ulat

ion

of E

urop

ean

desc

ent i

n 19

00, a

nd g

eogr

aphi

c co

ntro

l is a

land

lock

ed d

umm

y. H

eter

oske

dast

icity

-robu

st st

anda

rd e

rrors

are

in p

aren

thes

es. *

, **,

and

***

den

ote

signi

fican

ce a

t the

10%

, 5%

and

1%

co

nfide

nce l

evel,

resp

ectiv

ely. K

-P F

-stat

is th

e Klei

berg

en a

nd P

aap(

2006

) rk

Wal

d F-

stat

test

of j

oint

ly w

eak

iden

tifica

tion.

SW

F-st

at is

the S

ande

rson

and

Win

dmeij

er(2

015)

F-st

at te

st o

f wea

k id

entifi

catio

n fo

r eac

h en

doge

nous

re

gres

sor s

epar

ately

. In

the c

ase o

f a si

ngle

endo

geno

us re

gres

sor,

the S

W F

-stat

is id

entic

al to

the K

-P F

-stat

. SY

10%

max

IV si

ze a

nd S

Y 10

% m

ax IV

size

are

the S

tock

and

Yog

o(20

05) c

ritica

l val

ues u

nder

the i

.i.d.

ass

umpt

ion.

Policy recommendationsIn this paper, we have shown that regional integration in Africa has not led to long-term economic growth. This result was confirmed in another of my papers (see Gnimassoun, 2018) which shows that migration and intra-African trade have not been strong enough to drive long-term economic growth. In contrast, intra-African migration plays as an adjustment factor that significantly increases short-term economic growth. Then, the paper addresses the question of how to boost intra-African trade and its impact on short- and long-term growth. The following policy recommendations are inspired by this paper, which focuses only on African integration by studying its impact on income in the short and long term. Several avenues are thus envisaged by Gnimassoun (2018) to boost the African integration and its impact on the standard of living of the populations.

Operate an ambitious plan to fill the gap in national and inter-country transport infrastructure. It is crucial to modernize road and port infrastructure to strengthen the role of intra-regional trade as a vehicle for inclusive growth in Africa. In concrete terms, we propose to create the African Transport Infrastructure Fund (ATIF). Funding for this fund could be secured through a special tax on vehicle imports. There are several reasons for this. First, there is a close link between road infrastructure and the imports of vehicles. Vehicles contribute to the degradation of road infrastructure. But degraded infrastructure encourages the purchase/import of more powerful vehicles that can support these infrastructures, which contributes more to the degradation of infrastructures. So there is a vicious cycle of road infrastructure degradation. The tax can create a virtuous circle because it would help improve road infrastructure. Under these conditions, users will no longer feel the need to buy/import more powerful vehicles and therefore the road infrastrures will withstand longer. Secondly, we make the plausible assumption that the import of vehicles is weakly elastic or even inelastic to the tax. Indeed, a “middle class” emerges in Africa and imports of cars will continue to increase. In order for this measure to be more effective, it would be preferable for this tax to be homogeneous for all African countries. So their relative competitiveness will not be affected. This tax may also be proportional to the power of the

imported vehicle. Concerning port infrastructures, it seems important to ensure the automation of port operations. African institutions such as ECA and AfDB could provide technical and financial assistance to countries in this direction. At the level of the countries themselves, the administrative costs of customs operations must be reduced. Technical assistance from the Bank could be useful.

Strengthen the current role of new technologies and anticipate future impacts. An improvement in the Internet penetration rate would contribute to making intra-African trade an income-boosting factor. This reflects the decline in the costs of trade that implies the use of ICTs. However, the cost of accessibility to these technologies remains relatively high. Governments – through fiscal incentives and the removal of administrative barriers – must encourage private operators to make investments for the renovation and expansion of telecommunication infrastructure that can reduce the cost of access to ICTs. International institutions, including the AfDB and ECA, must support this dynamic by helping these private operators to access long-term financing. The AfDB could support the development of the digital network by helping private operators access long-term financing at competitive rates. Moreover, the role of technology in international trade will certainly be increasingly important, including on the African continent. Online exchanges will develop. Regional institutions such as AfDB and ECA should anticipate this dynamic to make it a real tool for boosting regional integration. To meet the challenges of economic and technological change, African countries must invest significantly in training and R&D.

Accelerate the diversification and transformation of African economies. Given the comfort of habit and the cost of renouncing the rent provided by raw materials, many African countries fail to make a transition to diversification of their economy. In addition to the cost of exposure to the terms of trade shocks that it implies, the concentration of African economies on commodities inhibits intra-African trade as shown in our estimates. The diversification of African economies is therefore an imperative for African States and institutions. This diversification must be based on the transformation of economies for the creation of added value chains. Concretely this implies a transformation of raw materials on a regional scale. This requires well-studied industrialization plans. The Ivory Coast, for example, would create more value for its economy and participate more in regional




trade by transforming its cacoa and cashew nuts. The AfDB and the ECA should work with governments to identify their industrial potential. At the same time, the AfDB and ECA could establish a financial incentive to support countries that are making more diversification efforts. To measure this effort, these institutions could construct an economic diversification effort variable (based, for example, on growth in the non-commodity sector).

Encourage financing for intra-African trade. Financial development plays a major role in improving the impact of trade integration. Thus, access to finance for commercial activities on an African scale should be facilitated. This can be achieved through the establishment of a Bank for Regional Trade in Africa under the auspices of the AfDB. Another option would be to support commercial banks by granting them loans at competitive rates so that they facilitate access to commercial credit at lower rates.

ConclusionThis paper contributes to the debate on the growth-enhancing impact of openness by focusing on Africa. Examining the nature of the relationship both in a South-South and North-South perspective, we jointly consider openness to trade and to migration as vehicles of globalization; both types of openness being instrumented by gravity-based predictors.

Without distinguishing between partners, we show that international openness (both to trade and to migration) has a mitigated impact on per capita income in Africa; the positive effect of trade and migration being sensitive to the inclusion of control variables and the method used (linear or non-linear) to predict the geographic component of openness. In contrast, discriminating according to the partner allows us to obtain interesting and robust findings. Specifically, we establish that trade between Africa and the industrialized countries has a clear and significant positive impact on the standards of living in Africa, and show that such fostering effect operates through an improvement in total factor productivity. This growth-enhancing effect is consistent with the new trade theory suggesting that countries benefit from the advances in technological progress of their trading partners. Conversely, South-South openness fails to improve income in Africa regardless of the configuration (intra-African openness or openness between Africa and other developing countries). Turning to openness to migration, we do not find evidence of any growth-enhancing effect in Africa, whatever the partner country.

South-South trade fails to improve the standards of living in Africa, probably because of the similarity of traded products and production techniques, which leave little room for learning between countries and technology transfer. Similarly, homogeneity of skills and institutions is likely to explain the failure of intra-African immigration to improve per capita income. Moreover, the lack of evidence of clear-cut positive effect of emigration from Africa to developed countries may result from two opposing effects at play in the African context: the negative effect of the “brain drain” and the positive impact of the transfer of knowledge.

On the whole, while our findings do not attribute a key role to openness to migration, they show that trade

increases income in Africa, provided that the trade partner is an advanced country. In other words, our results underline that the characteristics of the trading partner—i.e., whether it is a developed or developing country—strongly matters in the trade-growth relationship. These findings highlight the importance of trade flows and trade-promoting policies between Africa and industrialized economies to foster African growth in a North-South perspective.

In further investigations, we find that the impact of intra-regional trade is conditioned by the diversification of African economies, their financial development and the quality of their transport and telecommunications infrastructures. A substantial improvement in these fundamentals would make intra-African trade significantly income-enhancing. Our recommendations above have been made to meet this challenge.

AppendixFigure 6: Composition of Africa’s imports

Notes: Data are extracted from UNCTAD and correspond to mean values over the 1995-2014 period.




IntroductionThe Organization of African Unity (African Unity since 2000) inscribed in its Charter the ultimate goal of an economic integration and monetary union. The political objective was formalized in the Treaty of Abuja (Nigeria) in June 1991. The economic community shall be established gradually in six stages: i) establishing economic communities in regions where they do not exist, ii) strengthening sectoral integration, coordinating and harmonizing activities among the existing and future economic communities, iii) establishing a free trade area of tariff barriers and non tariff barriers to intra community trade and the establishment of a customs union by means of adopting a common external tariff, iv) coordinating and harmonizing tariff and non tariff systems among the various regional economic communities with a view to establishing a customs union at the continental level by means of adopting a common external tariff, v) harmonizing monetary, financial and fiscal policies, vi) implementing the final stage for the setting up of an African monetary union , the establishment of a single African central bank and the creation of a single African currency and for the setting up of the structure of the Pan-African Parliament.

After the successful launch of the euro in 1999, the association of governors of African central banks has renewed their interest for the monetary integration. In this respect, a plan to coordinate and harmonize policies among existing and future economic communities was

designed in order to increase economic self-reliance and promote an endogenous and self-sustained development. Thus, assessing convergence of per capita income across African countries to evaluate the effectiveness of the cohesion policies is relevant. The convergence hypothesis on the neoclassical growth model (Solow (1956) and Swan (1956)) occurs when poor countries grow faster than rich countries resulting to the catch up process. This phenomenon corresponds to the beta convergence (Barro and Sala-i-Martin (1995)). In the last few years, numerous studies have examined the question of convergence in the African context (McCoskey (2002), Carmignani (2007), Cuñado and Pérez de Gracia (2006), Charles and al. (2009), Kumo (2011) and Dufrénot and Sano (2005)). A great number of this empirical convergence literature have focused their studies only on a cross-section growth model or panel regression and tend to avoid the role played by space and geographic spillover effects. In a different light, this paper re-examines the question of convergence among African countries from a spatial panel fixed effects perspective. More specifically, the aim of this paper is: i) to detect clusters of high or low income countries, ii) to explain the role of spatial effects in the convergence speed and finally iii) to identify spatial spillovers among African countries.

Our findings reveal considerable spatial autocorrelation among African countries and three clusters of countries in the distribution of per capita income. Our

Convergence and spillover effects in Africa: a spatial panel data approach By Samba Diop, Faculty of Economics and Management, Gaston Berger University of Saint-Louis (Senegal).

results show the presence of convergence and also suggest that spatial dependence between economies has an adverse impact on convergence for African countries. Finally, spatial spillovers have an important influence on countries growth implying that a country surrounded by rich neighbors will grow faster than a country surrounded by poor neighbors.

The remainder of the paper is structured as follows. Section 2 explores the spatial data analysis of Africa per capita income. Section 3 describes the methodology used to test beta convergence. Section 4 discusses the results and finally section 5 draws a conclusion.

Exploratory spatial data analysis of Africa per capita incomeA popular indicator of spatial correlation is the Moran coefficient, defined as:

Where is a the logarithm of per capita income in the country , the bar indicates the average value of the corresponding variable, is the spatial weight of the link between and . It denotes the generic element of a matrix of weights, called the contiguity matrix (i.e. if the country and the country share a common and otherwise). Centring on the mean is equivalent to asserting that the correct model has a constant mean, and that any remaining patterning after centring is caused by spatial relationships encoded in the spatial weight. Like the standard coefficient of correlation, Moran’s I statistics range from -1 to 1 and the insignificance of the statistics (i.e. suggests that there are no spatial autocorrelation). When per capita incomes are positively correlated, we would expect to have positive and significant values for this statistic.

The results of Moran’s are collated in table 1. The first column contains the observed value of , the second is

the expectation, which is for the mean-centred cases, the third is the standard deviation, and finally

the last column represent the p-value of the test. We implement the test for each fifteen cross sections with 45 contiguous African countries. The results show that null hypothesis of no spatial autocorrelation is rejected for all years. The average value of statistics I for per capita income is approximately equal to 0.50 implying the importance of spatial autocorrelation among African countries per capita income.

Global tests for spatial autocorrelation are calculated from the local relationships between the values observed at a spatial entity and its neighbors, for the neighbor definition chosen. Because of this, we can break global measures down into their components, and by extension, we construct localized tests intended to detect “clusters”- observations with very similar neighbors – and “hotspots” – observations with very different neighbors (Bivand, 2008).

First, let us examine the Moran scatter plot which plot the standardized per capita income of a country against its spatial standardized lagged value (Anselin, 1995). By convention, this plot places the variable of interest on the X-axis, and the spatially weighted sum of values of neighbors – the spatially lagged values – on the Y-axis. The plot is further partitioned into four quadrants at the mean values of the variables and its lagged: low-low, low-high, high-low and high-high. The four different quadrants of the scatterplot identify four types of local spatial autocorrelation between a country and its neighbors: (HH) a high per capita income country with high income per capita income neighbors (quadrant I); (LH) a low per capita income country surrounded by high per capita income neighbors (quadrant II), (LL) a low per capita income country surrounded by low per capita income neighbors (quadrant III); and (HL) a high per capita income country with low per capita income neighbors (quadrant IV). Quadrants I and III represent positive forms of spatial dependence while the quadrants II and IV belong to negative spatial association.

The local Moran’ statistic can be used to test whether the per capita income is clustered in space or not. The local Moran’s statistic for country i takes the following form:

Where is the underlying variable for the country




, the sample mean and the corresponding elements of a specified weight matrix W. The null hypothesis of the test statistic is the absence of spatial autocorrelation implying that location does not matter. The local Moran’s I decomposes the global pattern and indicates to which extend a geographical locality is surrounded by similar or dissimilar values forming a geographical pattern. This implies that some structure is present in the data, which can be regarded as additional information. Similar values are likely to cluster in space and negative autocorrelation implies that contiguous areas are more likely characterized by dissimilar values than in a random pattern, which is a result not to expect intuitively, since it is the opposite of clustering.

Table 2 summarizes the results of the local Moran’s I statistics for the logarithm of per capita income in each of the 15 years for every country. The first column is the number of years where local Moran’s I statistic is significant at the 5% level. It is also reported in the table the number of year local statistic is in the considered quadrant.

The results reveal several points. First, we note the predominance of HH and LL clustering types of per capita income during the period of study. This result tends to confirm the positive spatial autocorrelation reported in table 1. The second thing to note is that there are 14 countries for which the local Moran’s I value is significant. All significant indicators are either in quadrant HH or LL. These results suggest that the global trend is dominated by a positive spatial association of per capita income in Africa. Significant per capita cluster indicate that countries located in a dynamic surrounding of high per capita income areas are more likely to show high per capita income than those that are neighbors of low per capita income countries and vice versa. The third thing is the identification of clusters for per capita income during the period 2000-2015. The table 2 with the conjunction of figure 1 reveals that Africa is divided into two growth zone regimes reflecting four spatial clusters. On the one hand, we have three clusters of high-high per capita income corresponding to countries in the northern, the central and southern Africa. The northern cluster includes countries from the Maghreb (Algeria, Tunisia, Libya and Egypt). The second cluster is in central Africa consisting of two countries (Gabon and Equatorial Guinea). The last cluster of high-high per capita income is in the southern is represented

by South Africa, Botswana and Namibia. These three clusters regroup countries that appear in quadrant HH and present significant local Moran’s I statistic. On the other hand, we have the low-low cluster which is located in the central east. This cluster includes Central Africa Republic, Rwanda, Tanzania and Burundi. This spatial clustering phenomenon can be due to the existence of spatial spillovers across African countries boundaries. The rest of countries colored in white are those that do not yield significant local Moran’s I statistics at 5% level during the considered period and therefore are not subject to a significant spatial clustering. Finally, the exploratory spatial data analysis illustrates that the spatial clustering of per capita GDP of African countries is persistent.

Convergence in Africa countries: a Panel Spatial Econometric AnalysisThe conventional absolute beta convergence approach attempts to infer whether economies converge and how this happens. Reformulated in a panel data context, the model is given by:

Where indicates the country (spatial units), with is the time periods, .

The vector contains the observations on per capita income for country at time is the constant term,

are respectively the spatial specific fixed effect and the time period specific effect and is an independent and identically distributed error term for with zero mean and constant variance. According to this specification, absolute convergence is said if is negative and significantly different from zero. Therefore, we can use the usual statistical hypothesis testing procedure to validate the economic theoretic hypothesis of convergence. Specifically, if the null hypothesis ( ) is rejected in favor of the alternative hypothesis ( ), we can conclude that all countries converge to the same level of per capita income (Arbia, 2006). In most cases, authors assume

that the error term has zero mean and the same variance for all observations:

This underlying assumption is particularly crucial and restrictive if observations are spatially organized. In effect, if spatial spillovers across countries boundaries exist, related by the presence of spatial autocorrelation, the assumption formulated on the sampling model would be violated. In this context of spatial dependence, we use alternative specification to reconsider the question of absolute convergence of per capita income of African countries from a spatial panel econometric analysis.

In recent years, we assist to an increasing of studies using spatial econometric approach to investigate growth, convergence and regional inequalities (Rey and Janikas (2005), Yue et al (2014), Ramajo et al. (2008), Arbi et al. (2005) Badinger et al. (2004), Ertur et al. (2006), Abreu et al. (2005) and Up and Kim (2015)). The spatial econometrics literature has exhibited a growing interest in the specification and estimation of econometric relationships based on spatial panels. This interest can be explained by the increased availability of more data sets in which a number of spatial units over time and by the fact that panel data offer more modeling advantages as compared to cross-sectional data (Elhorst, 2010). In addition to the greater number of degrees of freedom, one of the major advantages of panel data approach to convergence is the correction of the omitted variable problem of the cross-section model. In effect, modeling the country specific effect (individual effects) allow for technological differences across countries or other unobservable phenomenon (Islam (2003)).

To know what model specification is more appropriate for the absolute convergence and for the data generating process, we first present the family of spatial panel regression models including SAR, SEM and SDM. The spatial autoregressive model (SAR) provides a starting point since it is the most basic spatial model. The SAR model estimated in this paper take this form:

Where is the scalar spatial autoregressive parameter. The other parameters of this equation are

defined previously. The SAR model can be considered as a spatially weighted average of all the neighbors of the country i’s per capita income. So,p captures the sensitivity of the endogenous variable to spatially lagged variable.

On the other hand, the model statement when there is residual pattern in the error component that we label SEM can be written as follows:

With:

And

Where being the spatial error parameter. Combining these two equations yields the data generating process of the SEM model:

Finally, the SDM provides a more general view of the spatial regression model since the spatial lag of starting per capita income is added to the SAR specification:

Where is the spatial cross regressive parameter.

To test whether the spatial spillovers effects exist in the convergence process, we can reconsider the SDM model in a matrix form:

Where Y is an nT*1 vector of the logarithm of per capita income over each time period, ln denotes a of ones associated with the constant term α, β represents the parameter of convergence p is the spatial autoregressive parameter, W is the weighted matrix adapted to the panel dimension n*T. It is the Kronecker product of a T*T identity matrix and n*n the spatial weighted matrix defined previously. y is the




cross regressive parameter, µ and φ are respectively nT*1 an vector of the spatial specific fixed effect and the time period specific effect, u is an nT*1 vector of independent and identically distributed error term for i and t with zero mean and constant variance. Rewritten in a reduced form, the model becomes16:

Then the matrix of partial derivatives of the endogenous variable with respect to the explanatory variable in country 1 up to country in a particular point in time can be expressed as:

An implication of this is that a change in a single observation (country) associated to the explanatory variable will impact the country itself (direct effects) and potentially impact all other countries indirectly (indirect effects). The diagonal elements of the matrix S(W) contain the direct impacts and the off diagonal elements represent indirect impact (Lesage and Pace (2009)). The average total effect, the average direct effect and the average indirect effects are formally defined as:

Similarly, the measures of impact for the SAR model can be derived from the SDM specification:

Concerning the SEM model, the reduced form yields the data generating process. Using matrix form, the error term and the model would be defined as follows:

These specifications show the transmission of a 16 For further description of direct, indirect and total effects see

Lesage and Pace (2009)

random shock through the system. It is evident that a shock introduced into a specific country will not only affects the per capita income in that country but, will also affect the per capita income of other countries. Given that the inverse operator represents the spatial matrix multiplier, it defines an error covariance structure that diffuses state-specific shocks not only that country’s neighbors but through the system (Rey and Montouri, 1999).

Empirical resultsTable 3 reports the results of models estimated for the 45 contiguous African countries over the period 2000-2015. A long time span of 5 years is used (k=5). A short time span will make the short term disturbances large and the error term should be less influenced by business cycle fluctuations and less likely to be serially correlated (Islam (1995)). Indeed, we assume that in spatial specifications, spillover effects might take a long time to exercise a significant influence. The first column of the table reports the ordinary least squares of the non spatial model without fixed effects and spatial dependence diagnostics for OLS residuals while the second column contents estimations with fixed effects. Based on the Hausman test, model with fixed effects is more appropriate. The estimate of the convergence rate increases strongly ever since fixed effects are introduced. We use the Lagrange Multiplier tests statistics for error and lag dependence (Anselin, 1988) and theirs robust versions (Anselin et al., 1996). The results show very strong evidence of spatial dependence. Then, if the spatial effects are not modelled in the convergence process, the OLS estimations suffer from a serious misspecification. We therefore focus our interpretation on the results of the spatial models. In order to identify the spatial specification with higher adequacy, we follow the strategy described by LeSage and Pace (2009) and Elhorst (2010). The SDM is used as a general specification (unrestricted model) to test for the alternatives. Thus, we estimate a SDM but we would like to know if it is the best model for our data. More precisely, we test the null hypothesis that spatial Durbin model can be simplified to a spatial lag model or a spatial lag model. We can therefore easily note that if , the model becomes a SAR, while if the model collapse to a SEM. To test the null hypothesis, Wald or likelihood ratio (LR) test can be performed. In our case, we use a Wald test which has one degree of freedom.

These following results are obtained. For , we have a test statistic of 267.820 with a p-value smaller than 1% and for , the test statistic is 91.020 with a p-value also smaller than 1%. The test results imply that neither the first restriction nor the second are acceptable for our data implying that the most appropriate model is SDM. To the choice between fixed and random effects, we perform a robust version of Hausman’s specification test. The random effects are strongly rejected by the Hausman test (p-value smaller than 1%). We conclude that all tests specification point towards fixed effects SDM. This result is confirmed by the value of the Akaike Information Criterion (AIC) and those of log likelihood.

In the traditional beta convergence model, the speed of convergence is calculated from the coefficient of initial per capita income. According to LeSage and Fischer (2008) and Fischer (2009), this interpretation is not valid in the case of SDM model. Indeed, in the SDM model, the correct way to calculate convergence rate is to use the total effect estimate.

The total effect is highly significant (at 1% level) with a negative sign, confirming the presence of absolute convergence during the period 2000-2015. Its value of -0.157 implies an annual convergence speed of 1.068 % and the time necessary for the countries to fill half of the difference from their steady states is about 64.901 years. The speed of convergence estimated using the fixed effects SDM is lower than those obtained with the other spatial specifications. Concerning countries within the African continent, studies reported either very lower speed or non-existence of convergence (McCoskey (2002), Carmignani (2007), Cuñado and Pérez de Gracia (2006), Charles and al. (2009), Kumo (2011) and Dufrénot and Sano (2005)). Note that the empirical studies of convergence in Africa largely uses cross sectional regression, non spatial panel data fixed effects or non spatial pooled panel data estimators. To conclude, our results on convergence process highlights the importance of controlling fixed effects across countries and spatial dependence.

The estimated coefficient of is 0.342. This coefficient measures the degree of per capita GDP interdependence among African countries. It is positive and highly significant. This result suggests that per capita income proximity matters in the distribution of the starting level of income. The parameter of spatial cross regressive () is positive and significantly different from zero. Past

studies have incorrectly interpreted the coefficient of the spatially lagged variables as indicating the impact of neighboring units on the dependent variable (Lesage and Fisher (2008) and Fisher (2009)). In fact, each country is a neighbor to its neighboring countries and a change in the initial income levels of country i will impact country i itself and therefore indirectly the income growth of neighboring countries as country j. This is because any factor that influences per capita income of country i in a model containing spatial lag will also influence neighboring country’s income growth (Lesage and Fisher (2009)). Thus, for a better interpretation, we consider the indirect effect and the direct effect. To control the spatial spillover effects into growth equation models, the economists usually refer to the indirect impacts. The results show that the indirect effect is positive and statistically significant at the level of 1% indicating the existence of spillover effects. This suggests that in Africa, having neighbors with higher levels of initial per capita income leads to higher growth rates. In other words, a country surrounded by wealthy neighbors would growth faster than a country which is surrounded by poor neighbors. The model is expressed by using a log transformation of both the dependent and independent variable, so the estimated parameters can be interpreted as elasticities. The coefficient of the indirect effect is equal to 0.386, and then a 10% increase in the initial level of income of the country’s neighbors would increase the income growth in the country by 3.86%. This result is of course contrary to convergence, since it points to growth rates that will increase the gap between high and low income countries leading to spatial clusters of high (and low) income countries, rather than an equal distribution of income levels across space. So, these positive spatial spillovers have an inhibitor role in the speed of convergence. Since the spatial dependence on neighboring country’s per capita income growth () is positive, a change in initial income influences positively other countries’ income growth which in turn impacts positively on the typical country’s income growth. Note that in the literature, the key theoretical mechanisms identified to lead to convergence across regions are factor mobility, trade relations, and technological diffusion.

The direct effect estimated of the initial per capita income is negative and statistically significant. The negative direct effect is of course consistent with conventional reasoning regarding the negative relationship between initial income levels and income




growth rates. The estimate of the direct impact is equal to -0.543, so we would conclude that a 10% decrease in country’s initial income level would increase the country income growth by 5.43%. This result confirms that in the context of Africa, a poor country tends to grow faster than a rich one (convergence).

ConclusionsIn this paper, we analyzed convergence process in Africa. Our empirical strategy was based on spatial panel data approach. Controlling fixed effects in the panel allow us to disentangle the problem of omitted variables and modelling the regional interaction between countries correct the misspecification due to the omitted spatial dependence. More preciously, we have examined the spatial dependence, the beta convergence of per capita income and the effect of spatial spillovers in Africa during the period 2000-2015.

Ours results can be summarized as follow. Firstly, the exploratory spatial data analysis shows that the economic geography of Africa presents a strong spatial dependence and a significant and persistent clustering of per capita income. Secondly, we find evidence for beta convergence during the period under consideration. Furthermore, it is remarkable that the spatial econometric analysis has shown that the spatial spillovers (indirect effects) studied here lead to decrease in the speed convergence in African countries.

Thirdly, the empirical estimates indicate the existence of significant spatial spillovers. This result suggests that in Africa, having neighbors with higher levels of initial per capita income leads to higher growth rates.

Overall, our findings highlight the importance of allowing for spatial dependence in empirical growth models and particularly for convergence process. Finally, the policy message emerging from our findings is that strengthening regional economic communities should play an important role in facilitating coordination and harmonization of policies and in fine monetary integration, especially between countries that share a common border. We illustrate this implication with the fact that spatial spillovers exist and tend to be localized in northern, central and southern Africa.

Data appendix: the data are extracted from the World Development Indicator of the World Bank database. Our sample includes 45 contiguous African countries: Algeria, Angola, Burundi, Benin, Burkina Faso, Botswana, Central African Republic, Chad, Cote d’Ivoire, Cameroon, Congo, Djibouti, Democratic Republic Congo, Egypt, Equatorial Guinea, Eritrea, Ethiopia, Gabon, Ghana, Guinea, Guinea-Bissau, Kenya, Liberia, Libya, Lesotho, Morocco, Mali, Mozambique, Mauritania, Malawi, Namibia, Niger, Nigeria, Rwanda, Senegal, Sierra Leone, Togo, The Gambia, Tunisia, Tanzania, Uganda, South Africa, Swaziland Zambia, Zimbabwe. We exclude African islands which are geographically isolated. We also exclude Somalia and Sudan due to data non availability over the period 2000-2015.

AnnexesTable 1: Moran’s I tests

Source : Author’s calculations

Table 2: Summary of local measures of spatial autocorrelationState i Prob<0.05 LH HH LL HLSouth Africa (ZAF) 15 0 16 0 0Algeria (DZA) 10 0 16 0 0Angola (AGO) 0 0 6 0 10Benin (BEN) 0 0 0 16 0Botswana (BWA) 16 0 16 0 0Burkina Faso (BFA) 0 0 0 16 0Burundi (BDI) 16 0 0 16 0Cameroon (CMR) 0 6 10 0 0Côte d’Ivoire (CIV) 0 0 0 6 10Djibouti (DJI) 0 16 0 0 0Egypt (EGY) 6 0 16 0 0Eritrea (ERI) 0 0 0 16 0Ethiopia (ETH) 0 0 0 16 0Gabon (GAB) 16 0 16 0 0The Gambia (GMB) 0 8 0 8 0Ghana (GHA) 0 0 0 5 11Guinea (GIN) 0 0 0 16 0Equatorial Guinea (GNQ) 16 0 16 0 0Guinea-Bissau (GNB) 0 0 0 16 0Kenya (KEN) 0 0 0 16 0Lesotho (LSO) 0 14 2 0 0Liberia (LBR) 0 0 0 16 0Libya (LBY) 12 0 16 0 0Malawi (MWI) 0 0 0 16 0Mali (MLI) 0 0 0 16 0Morocco (MAR) 0 0 16 0 0Mauritania (MRT) 0 7 9 0 0Mozambique (MOZ) 0 15 0 1 0Namibia (NAM) 16 0 16 0 0Niger (NER) 0 16 0 0 0Nigeria (NGA) 0 0 0 5 11Uganda (UGA) 0 0 0 16 0Central African Republic (CAF) 0 0 0 16 0Dem. Rep. Congo (ZAR) 6 0 0 16 0Congo (COG) 0 0 6 0 10Rwanda (RWA) 3 0 0 16 0Senegal (SEN) 0 0 0 14 2Sierra Leone (SLE) 3 0 0 16 0Swaziland (SWZ) 0 0 16 0 0Tanzania (TZA) 14 0 0 16 0Chad (TCD) 0 16 0 0 0Togo (TGO) 0 0 0 16 0Tunisia (TUN) 16 0 16 0 0Zambia (ZMB) 0 0 0 8 8Zimbabwe (ZWE) 0 13 3 0 0

Notes: prob< 0.05 is the number of years local statistic is significant at 0.05.




Figure 1: Local Moran Scatter plot map 2000-2015

Notes: Countries colored in white do not yield significant local Moran statistics during all 15 years. Countries colored in black are those that are clustered in High-High quadrant and countries colored in grey are in the Low-Low quadrant at almost during one year.

Table 3: Estimation results of the convergence using different models specification

No Spatial Non Spatial Spatial Lag Spatial Error Spatial Durbin Model Model Model Model Model (Without FE) (FE) (FE) (FE) (FE)Initial GDP per capita (β) -0.019 -0.409 -0.214 -0.333 -0.570 (0.068) (0.000) (0.000) (0.000) (0.000)

Spatial Lag (ρ) 0.224 0.342 (0.000) (0.000)

Spatial Error (λ) 0.367 (0.000) Spatial cross (γ) 0.464 (0.000) Convergence rate* (θ) 0.160 4.383 2.036 2.531 1.068

Half Life** (τ) 433.217 15.814 49.116 27.386 64.901

R-squared 0.005 0.562

Moran’I 8.072 10.205 (0.000) (0.000) LM-Lag 63.290 23.152 (0.000) (0.000)LM-Error 63.085 110.630 (0.000) (0.000)Robust LM-Lag 0.206 81.189 0.650 (0.000)Robust LM-Error 0.002 168.670 0.967 (0.000)Wald test spatial Lag (γ=0) 267.820 (0.000) Wald test spatial Error (γ=-ρβ) 91.020 (0.000) Direct Effect (M direct ) -0.218 -0.543 (0.000) (0.000) Indirect Effect (M indirect) -0.060 0.386 (0.002) (0.000)Total effect (M total) -0.278 -0.157 (0.000) (0.000) Hausman (x2) 344.800 10.430 2.940 39.980 (0.000) (0.005) (0.230) (0.000) Log-likelihood 210.090 256.543 312.472 AIC -414.181 -507.086 -616.944Obs 540 540 720 720 720

Notes: *speed of convergence where Τ is the number of years in the period; **half life . In SDM model, the convergence speed is calculated from the total effect. p-values are shown in parentheses. AIC is the value of the Akaike Information Criterion. To Estimate Spatial Panel Models in Stata, we have used the XSMLE command provided by Belotti et al. (2016) with multiple imputation option for missing data.




IntroductionDepuis la création de l’Organisation Mondiale du Commerce (OMC) à Marrakech en 1995 sur les cendres du GATT qui existait depuis 1947, les Biens Environnementaux (BE) ont toujours été présents dans les programmes de libéralisation des échanges. Ils ne seront, cependant, mentionnés spécifiquement que lors de la Conférence Ministérielle de Doha au Qatar en Novembre 2001. En effet, le paragraphe 31(iii) de la Déclaration de Doha17, adopté par l’ensemble des États Membres de l’OMC, demande explicitement de réduire ou d’éliminer les obstacles tarifaires et non tarifaires visant les BE. Ainsi, la libéralisation des échanges de BE bénéficierait non seulement aux pays développés mais aussi aux pays en développement, encourageant à la fois leur développement économique et la protection de leur environnement.

Cependant, la réalisation de cet objectif n’est pas simple, comme en témoigne l’échec des négociations engagées jusqu’ici. L’absence de consensus sur les différents avantages potentiels attendus des BE, mais également sur leur définition et classification. A titre d’illustration, les tarifs appliqués aux BE étant plus faibles dans les pays développés que dans les pays en

17 Le paragraphe 31 iii) préconise “la réduction ou, selon qu’il sera approprié, l’élimination des obstacles tarifaires et non tarifaires visant les biens et services environnementaux”.

développement, on peut, subodorer que la libéralisation des échanges des biens relatifs bénéficierait surtout au premier groupe de pays. Le travail réalisé par Hamwey et al (2003) sur la libéralisation du commerce international de BE confirme bien cette intuition. Ces auteurs affirment que les gains commerciaux directs de la libéralisation des échanges de BE reviennent en grande partie aux pays membres de l’OMC les plus avancés, qui bénéficient d’un meilleur accès aux marchés des biens et services environnementaux dans les pays en développement.

Les négociations sur les BE sont stratégiques, du fait l’ampleur globale du marché estimée en 2012 à environ 1300 milliards US$, et de la place des pays développés qui représentent environ 90%. Bien qu’en termes relatifs, ce marché n’est pas aussi grand que celui de l’acier, de la drogue ou des produits agricoles, mais approximativement, il a la même taille que le marché pharmaceutique et celui des technologies de l’information. L’industrie environnementale globale s’est considérablement développée au cours de ces dernières années, mais la saturation a ralenti les perspectives de croissance du marché dans les pays développés, alors que celle des pays en développement du faite de la demande future demeure prometteuse.

Commerce des biens environnementaux et Développement soutenable en Afrique Centrale Par Mouhamed Mbouandi NJIKAM, PhD en Sciences économiques; Université de Dschang.

Ainsi, les statistiques disponibles montrent que le commerce de BE dans les pays en développement représentait, en 2005, 3% des exportations totales et 6% des importations totales. Ces pays sont ainsi des importateurs nets de BE. Malgré le poids encore faible des BE dans le commerce total (CNUCED, 2012a) des pays en développement, le volume des échanges de ces produits s’amplifie chaque année, augmentant de près de 150% entre 1990 et 2008. Bien plus, les projections réalisées par la CNUCED (2012b), montrent que ces pays continueront d’enregistrer la croissance la plus élevée, avec un taux annuel de progression estimé entre 8 et 12% (CNUCED.

Dans ce contexte, précision, dès à présent, que notre objectif dans cet article est d’évaluer les effets spécifiques du commerce des BE sur la qualité de l’environnement en Afrique Centrale (donner quelques justificatifs sur l’intérêt qu’il y a s’intéresser à cette sous-région). La sous-région est richement dotée en ressources naturelles et ces dernières sont souvent sur exploitées exposant ainsi nos pays à une certaine raréfaction. Sur un autre plan l’attrait des entreprises polluantes par nos pays constitue une menace sérieuse à l’équilibre de notre environnement. La plupart de ces pays sont situés font partie du bassin du Congo. Ces raison et bien d’autres donnent un intérêt certain à notre étude.

Plus spécifiquement, il est question pour nous d’analyser l’impact de l’ouverture au commerce des BE sur la qualité de l’environnement en Afrique centrale. Dans cette perspective, le plan de cet article est le suivant après cette introduction. Dans la première section, nous présentons, les faits stylisés des échanges des BE. Dans une deuxième section, nous proposons une revue sélective de la littérature empirique des effets du commerce des BE sur la qualité de l’environnement. La troisième section propose la typologie des BE retenue dans notre étude. La quatrième section présente la stratégie empirique, les données et discute des résultats. La dernière section conclut.

Quelques faits stylisés sur les échanges des BEL’échange des BE suit l’évolution générale, croissante du commerce mondial depuis la fin de la seconde guerre mondiale (Il faut clairement identifier les différents faits stylisés et bien les présentés). Selon les données disponibles et collectées sur le site Comtrade18 , sur la période de 1988 à 2010, la valeur des échanges des BE est passée en valeur de 1,376 milliards de dollars en 1988 à 30,3 milliards de dollars en 2010. Ce commerce est moins important que le commerce des textiles ; représente un tiers du commerce de produits chimiques et un dixième du commerce de machines et matériels de transport. Cependant, entre 2003 et 2013, la croissance du commerce des BE a été plus de deux fois plus rapide, soit près de 14% que celle du commerce total des marchandises estimée à 6%. La littérature propose, sans être exhaustive, deux facteurs explicatifs à ce dynamisme. Il s’agit d’une part, de la prise de conscience mondiale des problèmes environnementaux et leurs conséquences (Conca et Dabelko,2002). Il s’agit d’autre part, de l’institutionnalisation de la protection de l’environnement dans l’ensemble des pays (série d’études par pays de l’OCDE).

Les exportations des BE ont été multipliées par cinq entre 1990 et 2002 passant de 100 à près de 500 millions de US$ ; alors que les exportations de marchandises ont simplement doublées pendant la même période. Ce constat démontre le potentiel de croissance de ce marché et donc l’importance des négociations menées au sein de l’OMC sur la libéralisation de ces biens. Les principales régions commerçantes sont l’Europe occidentale, l’Asie et l’Amérique du Nord qui assurent plus de 90 % des exportations de biens environnementaux et plus de 80 % des importations de ces biens. À elle seule, l’Europe occidentale a contribué à près de la moitié des exportations de biens environnementaux et est un exportateur net, que l’on utilise la définition de l’APEC ou celle de l’OCDE. L’Asie est la deuxième région commerçante pour les biens environnementaux et est un importateur net que l’on utilise la définition de l’APEC ou celle de

18 http://wits.worldbank.org/wits/




l’OCDE. L’Amérique du Nord est un exportateur net seulement d’après la définition de l’APEC. Toutes les autres régions sont importatrices nettes de biens environnementaux, quelle que soit la définition utilisée. Les pays développés sont à l’origine de 79 % des exportations de biens environnementaux, les pays en développement d’environ 20 % et les PMA de moins de 1 %. Les pays développés effectuent environ 60 % des importations de biens environnementaux, les pays en développement 39 % et les PMA moins de 1 % (Hamwey, 2006).

Les plus forts taux de croissance du commerce des BE sont désormais observés dans les pays en développement et en transition. Ainsi, si la taille de l’industrie environnementale dans les pays développés s’est accrue de 1,6% entre 2000 et 2001, pendant la même période, sa croissance annuelle dans les pays en développement et en transition a été de 7 à 8%. On estime que ces pays continueront d’enregistrer la croissance la plus forte, avec des taux annuels de 8 à 12% (CNUCED, 2003b).

L’Afrique représente une part marginale des échanges mondiaux des BE à peine 1% en 2004. Mais cette part à augmenter de plus de 150% cette dernière décennie ; ce qui laisse entrevoir un potentiel de croissance très grand pour les prochaines décennies.

Malgré le poids encore modeste des BE dans le commerce total des pays en développement dont ceux de l’Afrique centrale, le volume des échanges de ces produits s’amplifie chaque année. Entre 1995 et 2004, l’intensité du commerce (exportations + importations)/PIB) de BE référenciés dans la liste OCDE+APEC dans les pays en développement a ainsi augmenté de 150%). Quant aux PPE, l’intensité du commerce a également crû de 33% sur la même période, avec un taux moyen annuel d’environ 6%.

Les perspectives de croissance de ce marché donnent un caractère stratégique et fondamental à notre étude sur les effets spécifiques de la libéralisation des échanges de ces biens sur la pollution de l’air dans un groupe de PED (les pays de l’Afrique centrale).

Une fois les faits stylisés mis en évidence, nous allons faire une brève revue de la littérature sur le lien théorique et empirique entre l’ouverture aux échanges des BE et la qualité de l’environnement en Afrique centrale.

Une revue sélective de la littératureNous présentons successivement une revue théorique, puis empirique

Les effets de l’ouverture sur la qualité de l’environnement : les enseignements théoriques

La question de l’impact du commerce international sur l’environnement n’est pas nouvelle, elle est présente dans la littérature économique depuis au moins le début des années 1970. Les travaux se sont multipliés dans les années 1990, lors des débats autour des négociations de l’Accord de libre-échange nord-américain et de l’Uruguay Round du GATT et à mesure de l’accroissement des volumes échangés (multipliés par 9 entre 1980 et 2014, la part du commerce dans le produit intérieur brut mondial atteignant aujourd’hui 30%19).

Au-delà de l’effet direct sur les émissions dues au transport de marchandises, les travaux théoriques ont mis en évidence trois principaux canaux par lesquels le commerce peut avoir un impact sur le changement climatique (voir Copeland et Taylor, 2004 pour une synthèse). Le premier canal passe par l’accroissement du commerce induit par la production, toutes choses égales par ailleurs, des émissions de gaz à effet de serre. Il s’agit de « l’effet d’échelle ». Le deuxième canal passe par la libéralisation commerciale qui déplace la production des biens et services en fonction des avantages comparatifs des pays qu’elle concerne. Ainsi, compte tenu des prix, la production peut être relocalisée vers des pays à fortes émissions unitaires (ou inversement). Cet effet est dit « de composition ». Le troisième canal, appelé « effet technique », permet de rendre disponibles, ou réduire le coût de certaines technologies et ainsi modifier les modes de production, et donc les intensités d’émission. Les discussions sur les BE en cours à l’OMC visent ainsi à réduire les barrières tarifaires concernant les technologies les moins polluantes.

Alors que les effets d’échelle tendent à augmenter les émissions, les effets techniques jouent un effet inverse. Les effets de composition sont plus ambigus. Ils dépendent des avantages comparatifs, ces derniers étant influencés par la dotation en facteurs de production du pays considéré mais également

19 D’après les données de l’Organisation Mondiale du Commerce et de la Banque mondiale.

par les politiques environnementales en place (un pays taxant faiblement le carbone aura un avantage dans la production de biens très émetteurs). C’est sur l’équilibre entre ces deux éléments qu’une partie importante du débat a eu lieu : si l’effet des politiques environnementales est prépondérant, on s’attend à ce que, lors d’une libéralisation commerciale, la production de biens polluants se concentre là où les politiques environnementales sont moins strictes, notamment dans les pays en développement, en constituant un « havre de pollution ». Si, au contraire, l’effet de la dotation en facteurs domine, les industries polluantes devraient se concentrer dans les pays développés. En effet, ces industries nécessitent souvent beaucoup de capital et les pays les plus intensifs en capital sont les pays développés. Ces considérations sont rendues encore plus complexes par le fait que les politiques environnementales ne sont pas fixes mais évoluent avec les revenus. Ainsi, le commerce, en générant de la croissance, a tendance à durcir les politiques environnementales. La localisation des industries polluantes est importante dès lors qu’on considère des pollutions locales. Mais, lorsqu’on s’intéresse au changement climatique, elle devient moins prépondérante (en faisant abstraction des questions éthiques) : les gaz à effets de serre ont le même impact global quel que soit leur lieu d’émission. Si une industrie fortement émettrice se déplace d’un pays à un autre (ce qui constitue une forme de fuite de carbone), cela n’affecte pas le changement climatique global, tant que son intensité d’émission reste la même. Néanmoins, si cette industrie, en arrivant dans un pays où les politiques environnementales sont moins strictes que dans son pays d‘origine, augmente son intensité d’émission, cela accroît d’autant les émissions globales.

De cette brève revue de la littérature, il apparait que les mécanismes selon lesquels le commerce affecte le changement climatique sont complexes et multiples. Ils dépendent des caractéristiques et des politiques de chaque pays et ont des effets ambigus.

Les effets de l’ouverture sur la qualité de l’environnement : quelques résultats empiriques

La littérature empirique qui traite du commerce international révèle l’utilisation de plusieurs méthodes pour analyser les flux commerciaux entre partenaires et orienter les décideurs sur les politiques jugées efficaces à mettre en œuvre. Cette littérature quantifie l’importance des effets en présence et détermine les conditions dans lesquelles le commerce a un impact positif ou négatif sur les émissions de gaz à effet de

serre. Les premières études empiriques ont concerné les émissions de dioxyde de sulfure, pour lesquelles les données étaient plus facilement disponibles que celles concernant les émissions de dioxyde de carbone. Néanmoins, dès le début des années 2000, il est clairement établi que les impacts du commerce sur les émissions dépendent du gaz considéré. Les articles utilisant les techniques d’estimation qui tiennent compte du mieux possible des liens entre commerce, croissance et environnement trouvent des résultats assez variés. Frankel et Rose (2005) ne trouvent pas d’effet significatif du commerce sur les émissions de CO2, alors que Managi (2009) trouve un impact différencié entre pays : lorsque le commerce se libéralise, les émissions de CO2 diminuent dans les pays développés (l’effet technique dominant sur les effets d’échelle et de composition), alors qu’elles augmentent dans les pays en développement. Enfin, Baghdadi et al. (2013) montrent que les différences d’émissions de CO2 entre pays signataires d’un même accord de libre-échange se réduisent, le pays le plus émetteur se rapprochant du moins émetteur lorsque des clauses environnementales sont incluses dans les accords.

Cependant, il vaut d’être mentionné que la suppression des barrières tarifaires dans un pays importateur net de BE peut conduire à une perte importante de revenu et donc à une demande inférieure pour la qualité de l’environnement. L’objectif de cet article est ainsi d’estimer l’impact environnemental net de la libéralisation du commerce de BE, avec identification des différents canaux de transmission. Pour ce faire il nous semble impérieux d’identifier clairement les différents BE.

Identification des différents biens environnementaux

Il n’existe pas à ce jour un consensus entre les membres de l’OMC autour d’une définition unique de ce qui peut être considéré comme un bien environnemental. Cependant, en se référant à la définition qu’en donne le MINEFI–DGTPE20 (2005), on peut lire ceci : « La notion de biens environnementaux recouvre intellectuellement tout produit et toute technologie favorables à l’environnement ».

Deux grandes catégories de biens environnementaux ont jusqu’ici été distinguées dans les négociations au sein de l’OMC : les biens environnementaux traditionnels et les produits préférables pour

20 Ministère de l’économie, des finances et de l’industrie française. Revue thématique sur les politiques commerciales No14-Septem-bre 2005.




l’environnement (PPE). La Figure 2 explique les principales différences entre ces deux catégories.

Figure 1: Typologies de Biens Environnementaux

Source : ICTSD 2008Remarque : Pour tout PPE, il existe un substitut ou produit similaire avec usage analogue, Autre qu’environnemental.

En résumé, les BE, dans le sens large, peuvent être définis suivant deux classes. La première classe A ou encore BE traditionnels inclut les produits manufacturés et chimiques utilisés dans les services environnementaux, tels que le traitement des eaux usées, la gestion des déchets solides, le contrôle de la pollution atmosphérique etc. Dans cette classe, une large variété de produits industriels de base tels que des valves, des filtres, pompes et compresseurs, peuvent être spécifiquement utilisés pour des buts environnementaux. La deuxième classe B ou encore

PPE inclut des biens industriels et de consommation dont la finalité n’est pas de répondre à un problème environnemental mais dont la production, l’usage final et/ou l’élimination des déchets ont des caractéristiques environnementales positives comparés à des produits substituables.

Après la classification des BE, il nous semble impérieux d’analyser économétriquement l’impact de l’ouverture aux échanges des BE sur la qualité de l’environnement en Afrique centrale. Pour ce faire, la question de l’endogénéité doit être rigoureusement traitée.

Stratégie empirique, données et résultatsJustification de la méthodologie : le problème d’endogénéité

Figure 2 : Relations hypothétiques causales entre le commerce et l’environnement

Note : 1= gain économique du commerce ; 2 = causalité inverse du revenu sur le commerce ; 3 = CEK ; 4 = effets de la réglementation sur la productivité (race to the top), qui peut être négatif (le plus souvent) ou positif (Hypothèse de Porter) ; 5 = effet du commerce sur l’environnement et inversement il peut être négatif (« race to the bottom ») ou positif (gains du commerce) 6 = hypothèse de havre de pollution.

La liste de propositions ci-dessus comprend d’importantes possibles relations causales en cours d’exécution dans les deux sens entre chaque paire des trois principales variables endogènes - commerce, revenu, et environnement. Dans l’estimation d’un système d’équations, les problèmes de simultanéité sont redoutables. Disons que l’on trouve une corrélation positive entre le commerce et qualité de l’environnement. Eiras et Schaeffer (2001, p 4), par exemple, trouvent dans les pays avec une économie ouverte, le score de durabilité environnementale moyenne est de 30 pour cent plus élevé que les scores des pays dont l’économie est modérément ouvertes, et presque deux fois plus élevés que ceux des pays avec des économies fermées. Est-ce à dire que le commerce est bon pour l’environnement? Pas nécessairement. Il pourrait être le résultat de l’hypothèse de Porter selon laquelle la réglementation environnementale stimule la productivité - ainsi que l’effet positif du revenu sur le commerce. La démocratie conduit à des niveaux plus élevés de réglementation environnementale, elle est étroitement liée au revenu et au commerce. Un couple d’études cherche à isoler l’effet indépendant de l’ouverture. Harbaugh, Levinson, et Wilson (2000) relèvent un effet bénéfique du commerce sur l’environnement, et le contrôle du revenu. Antweiler, Copeland et Taylor (2001), qui est probablement l’étude la plus minutieuse existant mettant explicitement l’accent sur les effets du commerce sur l’environnement, estime un effet favorable (mais dont la portée est limitée, statistiquement parlant). Cependant aucune de ces études ne tient compte du fait que le commerce peut être le résultat d’autres facteurs, plutôt que la cause. Pour pallier cette lacune propre aux modèles basés sur l’hypothèse de préférence de type CES qui occultent le problème d’endogénéité pouvant subsister dans l’analyse du lien commerce-environnement, cette étude utilise un modèle de gravité pour instrumenter les variables du commerce afin d’estimer le modèle structurel Environnement.

Présentation du modèle économétrique

Dans notre étude, nous formulons le revenu avec ses principaux déterminants comme suit :

(1.1)

Où Lat représente la latitude, soit les caractéristiques géographiques/de localisation ; Gov_eff, pour la qualité institutionnelle, représentée ici par les libertés civiles et les droits politiques. Afin d’estimer notre modèle structurel environnement, nous définissons le système suivant de trois équations simultanées : la première identifiant l’impact direct de l’intensité du commerce de BE sur la pollution, tandis que les deux dernières évaluent les effets indirects sur l’environnement de l’intensité du commerce de BE, passant par l’intermédiaire de la réglementation environnementale et le revenu.

(1.2)

Nous distinguons trois variables endogènes dans notre système : E, et R, et dix variables explicatives (Y, K, L, Gov_eff, Corrup, Instab_Pol, Lat, Ouv, Int_CommBE) – le système est sur identifié et peut donc être estimé. Cependant, le revenu pouvant affecter le commerce, l’identification de l’effet du commerce sur le revenu est rendue difficile. De même, une double causalité peut exister entre le commerce et la politique environnementale21. Par conséquent, les variables de commerce sont également endogènes et nécessitent d’être instrumentées à travers une équation de gravité en contrôlant, pour toutes les variables du système supposées de les affecter, afin d’évaluer leurs effets spécifiques sur la pollution.

L’équation de gravité a en général une spécification de type

(1.3)

où FluxcommMXt représente les exportations du pays X vers le pays M au temps t, PIBXt et PIBMt sont les PIB des pays X et M au temps t, DistXM est la distance séparant les deux partenaires, et uXMt est un terme d’erreur spécifique aux couples de partenaires commerciaux à chaque période t. Il existe d’autres 21 Cf. figure 1.




obstacles au commerce que la distance. Par exemple, il y a les barrières non-tarifaires, les différences des normes de certification entre les pays, de la règlementation en général, etc.

Nous tenons compte des accords commerciaux régionaux (ACR) en tant que facteur déterminant du commerce bilatéral de BE22. Afin de répondre à la question concernant la nécessité de libéraliser le marché de BE en Afrique Centrale, nous devrions d’abord identifier l’impact de tels accords sur l’existence et le volume des échanges commerciaux de BE, pour tenir compte du grand nombre d’obstacles au commerce (distance, contiguïté, langues communes, etc.) et des préférences des consommateurs pour les BE. Notre équation de gravité augmentée s’écrit de la façon suivante :

(1.4)

avec Inst_Pol représentant la qualité institutionnelle du pays exportateur (X) et importateur (M), respectivement ; ACR – variable indicatrice prenant la valeur « 1 » si le couple de pays fait partie d’un même accord commercial régional, « 0 » sinon ; Contig et LangOff des variables indicatrices, prenant la valeur « 1 » si le couple de pays partage une frontière commune, la même langue officielle, respectivement.

Source de données et description des variables

Plusieurs sources de données ont été utilisées selon les différentes variables. Pour les émissions de CO2, le Revenu net/habitant, les données sont fournies par la World Development Indictor 2016. La Sévérité de la Politique Environnementale (SPE), nous utilisons l’IPE qui est un indice composite mesurant les performances environnementales d’un pays sur plusieurs domaines partant de la santé humaine à la vitalité de l’écosystème. Les données sur l’IPE sont disponibles sur le site de la Yale University. L’absence de données pour cet indice pour certaines années et pour certains pays de l’échantillon nous

22 Il faut préciser ici que tous les pays de l’échantillon sont membres de la CEEAC ; tandis que d’autres sont simultanément membres de la CEMAC.

amène à utiliser des données agrégées couvrant toute notre période d’étude. Les principales variables explicatives de notre modèle Environnement sont : le PIB, les dotations relatives en facteurs capital et travail (K/L), les variables géographiques (DistXM) et institutionnelles (Corrup, Gov_Eff et Instab_Pol), ces variables proviennent de la World Governance Indicators. Ces variables ont été développées par Kaufmann, Kraay et Mastruzzi (2005).

Pour le modèle Commerce (nous permettant l’instrumentation du commerce), nous utilisons les importations bilatérales des BE23 en tant que variable expliquée (MBE), tel que pour chaque couple de pays nous avons deux observations, avec chaque pays comme exportateur et importateur. Les données de commerce sont issues de la base de données de COMTRADE de World Integrate Trade Solution (WITS). Ces données ont été collectées selon le système harmonisé de classification des biens (HS6) ce qui a permis d’identifier les biens environnementaux. La valeur du commerce des biens de l’Afrique Centrale est composée de celle de ses 10 pays membres.

Dans notre étude, eu égard à la disponibilité des données, nous considérons les deux grandes classes de BE précédemment identifiées. La base de données Distances de CEPII fournit les données bilatérales : différentes mesures de distance entre pays et des variables binaires (indicatrices) indiquant si deux pays sont contigus ou partage une langue officielle commune. Cette base fournit également des données topographiques des pays entre autre la latitude et la longitude (variable Lat). Enfin, nous utilisons la variable ACR, qui est une variable indicatrice prenant la valeur « 1 » si le couple de pays a signé un accord commercial régional, et « 0 » autrement.

Techniques d’estimation économétrique et résultats

L’instrumentation des flux de commerce se fait à l’aide du modèle de gravité en données de panel avec des effets fixes exportateurs et importateurs. En utilisant les coefficients estimés, nous obtenons les valeurs prédites du commerce bilatéral. Nous prenons alors l’exponentielle de ces valeurs et sommons le résultat ainsi obtenu pour chaque pays à travers tous ses partenaires commerciaux.

23 Les pays de l’Afrique Centrale étant des importateurs nets de ces biens.

Résultats de l’estimation du modèle de gravité

Tableau 1: Estimation du modèle de gravité en panel avec Effets Fixes

ln(FluxComm) ln(FluxComm_TPV) ln(FluxComm_PBC)

ln(PIB_M) 0.6563788***(0.106)

0.4923098***(0.051)

1.524664*** (0.0345)

ln(PIB_X) -0.020007 (0.0324)

0.40329**(0.016)

0.139774 (0.034)

ln(KL_M) -0.0323963(0.103)

0.0911939*(0.049)

0.109417(0.267)

ln(KL_X) -0.0311912 (0.08)

0.0617037(0.039)

0.103105 (0.269)

ln(SPE_M) -1.297997** (0.7)

0.2519406 (0.34)

0.579593(0.232)

ln(SPE_X) 1.354131**(0.6)

0.3501171(0.32)

2678765(0.219)

ln(ΔSPE_MX) -1.063698*(0.297)

0.1394737(0.3)

-0.2632961(0.211)

ln(Instab_ M) 0.556244*(0.264)

0.5251417***(0.14)

0.278797(0.438)

ln(Instab_X) 0 .4049634(0.557)

0.1639006 (0.13)

-.0295869 (0.0253)

ln(ΔInstab_MX) 0.3871717(0.595)

0.2139977(0.13)

0.280021(0.396)

ln (Gov_Eff) 0.1833571* (0.108)

0.1453129**(0.0516)

0.123141 (0.0356)

ln(Rev_M) -0.0427022 (0.07)

0.0439484 (0.037)

0.038472 (0.276)

ln(CO2_M) 0.4515006*** (0.11)

0.1997382***(0.051)

0.2125943*** (0.0354)

ACR_MX 0.3493201**(0.04)

0.040015**(0.034)

0.078329*(0.027)

ln(Dist_MX) -0.393182**(0.07)

-0.358245**(0.051)

-0.046181**(0.0232)

ln(Contig_MX) 0.671157**(0.136)

0.041817(0.065)

0.023328** (0.0447)

Ln(Langoff_MX) 0.0358988*(0.134)

0.0358245*(0.064)

0.255436**(0.040)

R2Observations

0.862790

0.732790

0.662790

Légende : Ecarts-type entre les parenthèses ; * p<0,1 ** p<0,05 *** p<0,01




Nous obtenons ainsi des variables instrumentales pour les flux de commerce de BE. Ceci nous permet d’avoir des flux commerciaux de BE exogènes dans le modèle Environnement24.

Les coefficients des principaux déterminants des flux commerciaux bilatéraux sont de signes attendus. Le commerce bilatéral est positivement corrélé au PIB qui représente la taille de l’économie. Les flux commerciaux sont ici captés par les importations des BE. On y voit que dans les trois cas, les importations sont positivement corrélées au PIB du pays importateur. Il en est de même du PIB du pays exportateurs pour les TPV. Plus précisément, une augmentation du PIB de 1%, augmente la demande d’importation des PBC de 0.49% et de TPV de 1.52% et 0.65% des BE de la liste

24 Pour tester la validité des instruments ainsi que leur caractère exogène, nous utilisons le Test de Sargan (1958), le test de spécification de Hausman (1978) ainsi que sa variante qui est le test de Durbin-Wu-Hausman. D’autres variables de notre modèle Environnement sont susceptibles d’être endogènes compte tenu de leur dépendance réciproque. C’est le cas du Revenu/habitant qui influence la réglementation environnementale (SPE). Pour prendre en compte la dimension transversale de l’ensemble des pays (le panel), nous devons appliquer une technique de TMC ou de DMC en panel en fonction de nos résultats sur la consistance du modèle. Une manière de le faire est d’utiliser des variables indicatrices pour chaque pays dans les équations de notre système afin de capter les effets spécifiques aux pays, souvent non observables. Nous devons effectuer des tests de spécifications pour voir lequel du modèle de panel à effet fixe ou aléatoire est le mieux adapté.

OA en général. Parallèlement, l’offre d’exportation des PBC augmente de 0.41% les coefficients des deux autres variables n’étant pas significatifs.

Les résultats du modèle de gravité peuvent ainsi nous permettre d’instrumenter les variables du commerce dans notre modèle Environnement. A travers la technique de calcul de la valeur prédite du commerce bilatéral par le modèle de gravité25, nous obtenons des variables instrumentales pour les flux de commerce de BE.

Résultats de l’estimation du modèle Structurel Environnement

Les résultats de l’estimation de nos trois équations du modèle Structurel Environnement sont consignés dans le tableau 2. Ce tableau résume l’impact environnemental de l’intensité du commerce des BE en Afrique centrale à travers les trois grandes variables sur lesquelles le commerce agit. Nous avons tout d’abord l’équation de la pollution ayant comme variable expliquée lnCO2, ensuite l’équation de la politique environnementale qui a pour variable expliquée lnSPE ; et enfin l’équation du Revenu net/habitant (lnRev) qui représente le niveau de richesse de la population.

25 Confère section précédente.

Tableau 2: résultats estimations du modèle Environnement par les TMC en panel avec Effets Aléatoires ln(CO2) (Pollution) ln(SPE) (Politique environnementale) ln(Rev) (Revenu Net/hbt)ln(PIB) 1.050173***

(0.211) ln (Rev/hbt) -1.696708

(2.54)ln(K.L) 0.2829429***

(0.94)ln (Rev/tête) 0.0768334

(0.0687)ln(IntCommBE) 0.0423411

(0.071)Lat 0.054636

(0.09)ln(SPE) -0.083265*

(0.087) ln(IntCommTPV) -0.0276496*

(0.67)ln(Gov_Eff) 0.4326619 ***

(0.124)ln (K/L) 0.038411

(0.097) ln(IntCommPBC) 0.2856355**

(0.43)ln(IntCommBE) 0.1618124 ***

(0.019) ln(IntCommBE) -0.0832645

(0.087) ln(OuvComm) 1.737045

(2.65)Ln(IntCommTPV) .0301202

(0.037)ln(IntCommTPV) 0.0364984

(0.039)ln(InstabPol) 0.2923342

(0.45)ln(IntCommPBC) 0.2365724 ***

(0.055)ln(IntCommPBC) -0.0509495*

(0.58) ln(Gov_Eff) 0.2422539*

(0.42)ln(OuvComm) 0.8725789***

(0.12)ln(OuvComm) 0.5243441***

(0.144) ln(Corrup) -0.8757289**

(1.36)ln(K.L) 0.2829429***

(0.94)Observations 310

Légende : Ecarts-type entre les parenthèses ; * p<0,1 ** p<0,05 *** p<0,01

Les résultats de l’équation de la Pollution montrent l’effet d’échelle à travers le PIB qui augmente les émissions de CO2 dans les pays de l’Afrique centrale. Il en est de même de l’effet technique qui agit à travers la SPE en réduisant la pollution. En revanche, le Revenu/habitant n’a pas d’impact significatif sur la pollution. Le consentement à payer (effet de composition) pour la qualité de l’environnement semble absent en Afrique centrale. Quant aux variables commerciales, leurs effets sont relativement limités. L’ouverture commerciale a un impact positif significatif sur les émissions de CO2 et son effet marginal semble très élevé. En effet, une augmentation du taux d’ouverture commerciale de 1% entraîne une augmentation des émissions de CO2 de 0.5%.

Partant des résultats de l’estimation de la première équation, nous déduisons que le commerce des BE n’a pas un impact direct significatif sur la qualité de l’environnement en Afrique centrale. Bien que les échanges des PBC soient favorables à l’environnement, cet effet reste très faible pour réduire de façon perceptible les émissions de CO2. Il s’agit là uniquement de l’effet direct du commerce des BE sur l’environnement. Cependant l’intérêt de notre analyse réside dans la prise en compte des effets indirects du commerce sur l’environnement. Ces effets passent par les deux autres équations de notre Modèle Structurel Environnement. Il est donc judicieux pour nous d’examiner les résultats de l’estimation des équations de la Politique Environnementale (SPE) et du Revenu/habitant. Cela va mettre en exergue les effets indirects.

Dans l’équation de la Politique Environnementale, le Revenu /habitant n’a pas d’impact significatif sur la SPE. Il en est de même de l’instabilité politique dont le coefficient n’est pas significatif pour l’explication de la qualité de l’environnement. Quant à la corruption elle a un impact positif sur la SPE et son impact marginal est assez important. Donc la corruption réduit fortement la SPE dans les pays d’Afrique Centrale. Ce phénomène peut s’expliquer par l’existence des pots-de vin et des lobbies qui influencent fortement à la baisse l’élaboration des différentes politiques par les gouvernants. Ainsi la réglementation est d’autant plus performante que la corruption est faible. La Démocratie de son côté impacte positivement la SPE ; bien que son impact marginal soit faible par rapport à celui de la corruption, cette variable met en exergue les libertés civiles, l’effectivité des services publics et surtout

la bonne gouvernance. Tous ces facteurs tendent à améliorer la réglementation environnementale et indirectement sont susceptibles de réduire les émissions polluantes en Afrique centrale.

La prise en compte de l’intensité du commerce montre que celui des BE de la liste OCDE et APEC n’a pas d’impact significatif sur la SPE. Par contre à un niveau désagrégé, le commerce des PBC affecte significativement et positivement la SPE. Une plus grande disponibilité des technologies de dépollution et des produits « en bout de chaîne » permet au Gouvernement de fixer des normes environnementales plus rigoureuses, puisque la mise en conformité devient plus facile. Par contre, nous trouvons un impact négatif de l’intensité du commerce de TPV sur la sévérité de la politique environnementale. Ce résultat est conforme à ceux obtenus par Greaker et Rosendahl (2006) et Zugravu (2009). Il apparait qu’une réglementation environnementale rigoureuse soit une stratégie sous optimale pour les pays qui cherchent à promouvoir des nouvelles industries fortement dépendantes de ces TPV. Une politique environnementale très sévère peut ainsi nuire à la compétitivité internationale de l’industrie locale. Une telle explication plaiderait en faveur de l’existence du phénomène « race to the bottom » dans le cas des technologies et produits « verts ». Néanmoins le coefficient de l’intensité du commerce des TPV n’est significatif qu’à 10%. Cela démontre son faible pouvoir explicatif de la SPE dans les pays de l’Afrique centrale. Concernant la variable d’ouverture au commerce (OuvComm), elle n’est pas significative comme facteur explicatif de la réglementation environnementale en Afrique centrale.

Il est important pour nous de voir si les effets indirects via la SPE et le Revenu/habitant réduisent ou compensent l’effet direct de l’intensité du commerce des BE sur l’environnement (effet d’échelle-composition dominant ou l’effet technique). Pour cela, nous additionnons à partir des résultats du tableau II, pour chaque variable du commerce les coefficients significatifs26 des effets directs ainsi que les effets indirects pondérés par les poids de la SPE ou du Revenu/habitant dans l’équation de la Pollution. Tous les effets directs et indirects sont résumés dans le tableau 3 ci-dessous.26 Exemple de calcul: pour IntComm_TPV nous avons (-0.08) (-0.02)

[par SPE]= (0.0016) [effet total]. Pour IntComm_PBC (-0.05) [effet direct] + (-0.08)*(0.29) [par SPE]]= (-0,023) [effet total]. IntCommBE, n’a pas d’effet total direct significatif sur la qualité de l’environne-ment.




Tableau 3 : Impact global sur les émissions de CO2 de l’intensité du commerce des BE de la liste OA

Effets directs

Via SPE

Effets indirectsEffet totalvia Revenu/

hab.Intensité du commerce des BE liste OA Aucun effet Aucun effet Aucun effet Aucun effet

Intensité du commerce des TPV Aucun effet Effet positif Aucun effet Effet positifIntensité du commerce des PBC Effet négatif Effet négatif Aucun effet Effet négatif

Source : Calculs auteurs

Le tableau 3 ci-dessus montre que les importations de PBC contribuent à l’amélioration de la qualité environnementale par un effet direct et par un effet technique via la réglementation environnementale. Toutefois, les importations de TPV dégradent l’environnement à travers leur effet négatif indirect sur la SPE. La suppression des barrières tarifaires à l’importation des TPV induit une hausse de la pollution par le CO2 puisque la hausse de revenu engendrée n’a aucun impact direct sur la pollution et ne compense pas l’effet négatif indirect sur la SPE.

Conclusion et recommandationsLes échanges commerciaux ont connu ces dernières décennies une expansion fulgurante. Ceux des biens environnementaux ont connu la même évolution avec un impact positif plus important sur l’environnement comparativement à l’utilisation d’autres biens.

De nombreuses études se sont intéressées aux déterminants de la demande de ces biens particuliers en mettant à contribution diverses méthodes d’analyse. La présente étude en s’inspirant des études antérieures a utilisé le modèle de gravité pour analyser l’impact des variables explicatives sur le commerce des biens en général et celui des biens environnementaux en particulier. Les coefficients associés aux différentes variables exogènes sont proches des études de référence.

De façon globale, seuls les PBC ont un effet total négatif sur les émissions de CO2 et par conséquent un effet positif sur la dépollution en Afrique centrale. Les TPV ont un effet total positif sur les émissions de CO2. Nos résultats reposant sur une analyse détaillée des échanges de ces biens, montrent que les échanges des BE agrégés n’ont aucun effet sur la pollution par le CO2 en Afrique centrale. Le witness to pay pour la qualité de l’environnement est inefficace en Afrique centrale en raison du niveau de richesse.

Nos résultats montrent également un effet indirect négatif via la SPE pour les PBC et, un effet direct négatif qui, finalement, réduisent l’effet positif d’échelle-composition sur les émissions de CO2.

La prise en compte des canaux de transmission

peut permettre aux pays de l’Afrique centrale de mieux orienter les politiques environnementales et commerciales en fonction de l’importance relative de chaque canal sur la dépollution. L’effet indirect via le revenu étant absent pour ces pays, l’on peut raisonnablement penser que la libéralisation des échanges des BE sera favorable dans la mesure où, une augmentation du niveau des échanges des TPV et des PBC entraînerait une amélioration significative des techniques productives via la SPE. Cela toutes choses égales par ailleurs aurait un effet sur le progrès technique, tout en améliorant la productivité et la compétitivité internationale des entreprises originaires de cette sous-région. Ce progrès technologique aura à moyen ou long terme un effet positif sur le revenu des pays de l’Afrique centrale. Ainsi, à partir d’un certain seuil, l’effet indirect du commerce des BE via le revenu/tête sur la qualité de l’environnement sera positif. De même, l’effet indirect de revenu combiné à l’effet technique de la SPE compenserait l’effet direct d’échelle-composition nuisible à l’environnement. De ce point de vue, les pays de l’Afrique centrale pourraient espérer les effets indirects avantageux (par l’intermédiaire de la SPE et/ou du Revenu/habitant) au cours des négociations sur la libéralisation des BE à l’OMC et par conséquent, bénéficier d’un effet technique leur assurant des meilleures performances environnementales.

En termes de recommandation de politique économique, les pays de l’Afrique centrale gagneraient à libéraliser de façon stratégique les listes des BE désagrégés (une disponibilité en énergie éolienne et photovoltaïque résoudrait le déficit d’électricité en Afrique centrale par exemple). Pour ces pays, les accords commerciaux régionaux ou bilatéraux pourraient agir comme des blocs-constructeurs dans leur volonté d’harmonisation des politiques commerciales, environnementales et surtout la qualité de leurs institutions. Nous avons trouvé empiriquement que les pays ayant les mêmes politiques environnementales échangent plus de BE et d’avantage si ces politiques sont efficaces. Tous ces facteurs sont déterminants pour une libéralisation globale mais progressive des échanges des BE, et peuvent conduire à un développement durable en Afrique centrale.

Enfin le commerce ne doit pas être considéré uniquement dans la perspective de l’atténuation du changement climatique, mais aussi dans celle de la capacité à l’adaptation à ses effets. Le changement

climatique risque de modifier les lieux de production de certains biens, en particulier agricoles. Le commerce pourra permettre aux pays les plus touchés de continuer à s’approvisionner malgré la baisse de leur production.

Face à ces effets environnementaux complexes, le bilan des accords commerciaux est incertain, mais il dépend largement des modalités choisies et des politiques d’accompagnement. Pour que les accords commerciaux permettent d’aider à lutter contre le changement climatique, il faut s’assurer qu’ils favorisent effectivement une diffusion large des technologies à émissivité faible, en facilitant les échanges et l’aide technique dans les secteurs concernés. Il convient également de limiter les risques de « fuites » liées aux différences de réglementation entre pays partenaires, ce qui justifie des clauses environnementales contraignantes et spécifiques.




IntroductionDepuis le début des années 1980 plusieurs organisations internationales incitent les pays en développement à libéraliser leurs échanges commerciaux. Pour certaines d’entre elles, comme le Fonds Monétaire International (FMI) et la Banque Mondiale (BM), la libéralisation des politiques commerciales est souvent une condition sine qua non à l’octroi d’aide financière ou d’assistance économique. Ces conditionnalités s’appuient sur l’expérience de pays développés, qui semble montrer que le recul du chômage et la progression de l’épargne par rapport à la distribution moyenne des âges sont bien plus marqués dans les pays plus ouverts au commerce.

Dans cette perspective, l’ouverture commerciale constitue une arme efficace utilisée par exemple par les pays d’Asie du Sud-Est pour accroitre leur croissance économique. En effet, après avoir connu une faible croissance du produit intérieur brut (PIB) dans les années 1950, la croissance annuelle moyenne du PIB des « quatre dragons »27 a été supérieure à 8%, soit près de trois fois la moyenne mondiale du début des années 1960.

Le succès économique impressionnant des pays d’Asie du Sud-Est a renforcé, auprès des organisations internationales, l’idée qu’une telle stratégie de développement est efficace et souhaitable. Aussi,

27 Corée du Sud, Hong Kong, Singapour et Taiwan.

plusieurs pays d’Afrique subsaharienne ont souscrit dans les années 1980, à de telles politiques ; d’abord sous l’impulsion de l’Accord général sur les tarifs et le commerce (AGETAC), ensuite, dans le cadre des programmes d’ajustement structurel et d’accords régionaux. L’objectif était la promotion des exportations à travers des incitations aux producteurs œuvrant dans les secteurs d’exportations, des réajustements dans leurs taux de change surévalués et une baisse de leurs barrières tarifaires et non tarifaires.

Malheureusement, peu d’études ont évalué systématiquement l’impact de ces politiques d’ouverture commerciale sur la croissance économique des pays d’Afrique subsaharienne (ASS). Pourtant, dans le contexte actuel de mondialisation encore peu favorable aux pays d’ASS, si on parvient à établir sans ambiguïté l’existence d’une relation causale de l’ouverture commerciale vers la croissance économique, cela inciterait les gouvernements de ces pays désireux d’améliorer leur situation économique à adopter des politiques commerciales idoines. Le but de cet article est d’établir cette relation causale.

La littérature théorique sur le lien entre l’ouverture commerciale et la croissance économique est importante et indique globalement un effet positif de la première sur la seconde, alors que le nombre d’articles empiriques sur le sujet est limité et ne réussit pas à trancher sur un effet favorable ou défavorable (Aghion et Howitt, 2010). En effet, sur le plan théorique, l’idée que l’ouverture du commerce puisse générer à la fois

Ouverture Commerciale et croissance économique en Afrique Subsaharienne: une analyse en panel dynamique Par Gislain Stéphane Gandjon FANKEM, Université de Yaoundé II-Soa, Faculté des Sciences Economiques et de Gestion (FSEG)

des gains statiques (qualité plus élevée ou davantage de variétés des biens) et des gains dynamiques (un taux d’innovation plus rapide) a d’abord été largement mis en évidence par Grossman et Helpman (1991a, 1991b) et Rivera-Batiz et Romer (1991) et ensuite enrichie entre autres par Eaton et Kortum (2001), Melitz (2003) et Aghion et Howitt (2010). D’une part, une croissance plus rapide à la suite d’une ouverture des échanges est à la fois provoquée par des innovateurs qui ont accès à des rentes plus importantes lorsque la taille du marché augmente et des spillovers qui traversent les frontières. D’autre part, étant donné que l’ouverture du commerce peut agir sur le fonctionnement des marchés, et donc l’accès aux technologies avancées, l’incitation à investir dans la recherche et la formation du capital, elle peut favoriser le progrès technique et induire une augmentation permanente des taux de croissance économique à long terme.

Sur le plan empirique, les études économétriques n’ont pas réussi à établir une relation systématique entre l’ouverture commerciale et la croissance économique, et les avis divergent sur la relation de causalité. En effet, si la plus part des travaux trouve une relation positive entre l’ouverture commerciale et la croissance économique (voir par exemple, Sachs et Warner (1995), Harrison (1996), Edwards (1998), Greenaway, Morgan et Wright (2002), Wacziarg et Welch (2008), Ahmad et Arif (2012), Amiri (2012), Akilou (2013) et Idris, Yusop et Habibullah (2016)), certains études à contrario contestent ce résultat (voir par exemple, Sachs (1987), Taylor (1991), Sachs et Warner (1999) et Rodriguez et Rodrik (2001)). Sachs (1987), par exemple, soutient que le succès des pays d’Asie de l’Est est dans une large mesure dû à un rôle actif de leurs gouvernements dans la promotion des exportations dans un environnement où les importations n’ont pas été entièrement libéralisées. Pour sa part, Taylor (1991) estime que la stratégie de libéralisation est intellectuellement « moribonde » et qu’il n’y a pas de « grands bénéfices » en plus des pertes quand un pays entreprend l’ouverture des échanges et du marché des capitaux. Sachs et Warner (1999) croient aussi que dans certaines conditions, la libéralisation du commerce peut ne pas stimuler la croissance. C’est le cas, par exemple, lorsqu’il existe au niveau des institutions ou sur les marchés des imperfections qui entraînent une sous-utilisation des ressources humaines ou en capital, ou une spécialisation dans les industries extractives ou dans des secteurs qui ne bénéficient pas des rendements d’échelle croissants.

Pour Rodriguez et Rodrik (2001), même après contrôle de ces conditions, il n’est pas évident qu’il existe une relation positive entre la libéralisation et la croissance économique.

L’indétermination des résultats empiriques tient essentiellement à la difficulté de trouver un proxy fiable qui décrit précisément l’ouverture commerciale (Rodriguez et Rodrik, 2001). En effet, pour approximer l’ouverture commerciale, certaines études utilisent des mesures binaires. Or du fait de leur caractère binaire, ces mesures ne rendent pas compte des différences d’intensité dans la protection. Pour essayer de remédier à ces manquements, d’autres études emploient le coefficient d’ouverture – part de la somme des exportations et des importations de marchandises dans le produit intérieur brut. Mais ce coefficient ainsi que les mesures connexes ne prennent pas en compte le poids relatif d’un pays dans le commerce mondial (Squalli et Wilson, 2011).

A l’inverse, dans cet article, nous contribuons à lever cette indétermination en utilisant un indicateur d’ouverture commerciale approprié pour examiner son influence sur la croissance économique. Plus précisément, à la différence des travaux antérieurs, nous utilisons le nouvel indicateur d’ouverture commerciale proposé par Squalli et Wilson (2011). Ces derniers développent une mesure originale qui reflète la réalité du résultat commercial (trade outcome reality) en capturant deux dimensions qui décrivent précisément l’ouverture commerciale : « Nous définissons une économie ouverte comme celle qui exhibe une part de commerce relativement élevée par rapport au total de l’activité économique et qui a une interaction et une interdépendance substantielles avec le reste du monde. En d’autres termes, une économie ouverte doit commercer beaucoup et contribuer substantiellement au commerce mondial » (Squalli et Wilson (2011), p. 1747).

Par ailleurs, la majorité des travaux empiriques utilise des spécifications en séries temporelles ou en coupes transversales pour réaliser les estimations. Wacziarg et Welch (2008) ont montré que les estimations ainsi obtenues sont entachées de biais de variables omises, d’endogénéité et de multicolinéarité. C’est pourquoi, notre étude s’appuie sur une spécification en données de panels dynamiques. L’emploi des données de panels nous permet non seulement de retracer la dynamique des comportements et leur éventuelle hétérogénéité




mais surtout de réduire le risque de colinéarité entre variables explicatives. Nous utilisons la méthode des moments généralisés en système en deux étapes pour les estimations. Cette méthode permet de résoudre efficacement les problèmes de biais de simultanéité, de variables omises et d’endogénéité (Blundell et Bond, 1998).

Le reste de l’article est structuré en trois sections. Dans la section 2, nous présentons la construction du nouvel indicateur d’ouverture commerciale et les bases de données utilisées. Dans la section 3, nous précisons la méthode économétrique avant de présenter les résultats. Nous concluons par des recommandations de politique économique dans la section 4.

Donnees et Construction des Variables

Notre échantillon est composé de 40 pays d’ASS (09 pays d’Afrique Centrale, 14 pays d’Afrique de

l’Ouest, 06 pays d’Afrique de l’Est et 11 pays d’Afrique Australe) 28 et couvre la période 1989-2012. Celle-ci est subdivisée en six sous-périodes de quatre ans.

Une nouvelle mesure de l’ouverture commerciale

La difficulté à obtenir des mesures de politique d’ouverture commerciale consensuelles et non controversées tend à expliquer, au moins en partie, pourquoi la grande majorité d’études empiriques se focalise plutôt sur les mesures relatives aux résultats de commerce pour tester les hypothèses (voir tableau 1).

28 Afrique Centrale(Angola, Burundi, RCA , RDC , Cameroun, Congo, Gabon, Guinée Equatoriale, Tchad) ; Afrique de l’Ouest (Benin, Burkina Faso, Côte d’Ivoire, Ghana, Guinée, Guinée Bissau, Gambie, Liberia, Mali, Mauritanie, Nigeria, Sénégal, Togo) ; Afrique de l’Est (Ethiopie, Seychelles, Djibouti, Ouganda, Rwanda, Soudan, Kenya) ; Afrique Australe (Botswana, Comores, Madagascar, Mozambique, Maurice, Namibie, Malawi, Swaziland, Afrique du Sud, Zambie, Zimbabwe).

Tableau 1 : Les indicateurs d’ouverture commerciale

Mesure DéfinitionLa part des importations dans le commerce, mesurée comme les importations du pays i (M) divisée par son produit intérieur brut nominal (PIB).

La part des exportations dans le commerce, mesurée comme les exportations du pays i (M) divisée par son produit intérieur brut nominal (PIB).

La part du commerce, mesurée comme la somme des exportations et des importations du pays i (M) divisée par son produit intérieur brut nominal (PIB),

La part du commerce ajustée, une méthode alternative pour le traitement des outliers, suggérée initialement par Frankel (2001).

La part du commerce ajustée, une modification de l’approche de Frankel (2001), suggérée par Li et al. (2004).

La part du commerce réel, où le dénominateur est le PIB en parité de pouvoirs d’achat ajustée (PIB réel), suivant Alcala et Ciccone (2004).

Source : Squalli et Wilson (2011).

A cela on peut ajouter deux autres raisons. Premièrement, les sources de données provenant des mesures relatives aux résultats de commerce (trade outcome measures) sont plus aisément disponibles.Deuxièmement, les résultats de commerce (trade outcomes) seraient le fait d’une combinaison de forces économiques exogènes et endogènes qui incluent un éventail d’effets de politique économique aussi bien que les fondamentaux de l’économie.

Tableau 2 : Classement des pays selon les indicateurs d’ouverture commerciale

Pays Rang CTS Rang

Burundi 30,54 131 22,46 134Afrique du Sud 55,15 107 5969,26 37

Benin 44,45 118 86,81 124Burkina Faso 40,33 121 103,38 121Comores 57,52 99 19,24 135Côte d’Ivoire 85,22 62 1348,69 69Ethiopie 46,08 116 562,32 95Gambie 108,92 38 117,54 120Ghana 118,75 30 2142,40 60Guinée 57,15 101 410,17 99Guinée Bissau 89,69 55 40,69 133Kenya 61,71 94 862,75 80Madagascar 59,52 95 275,75 106Mali 65,34 87 263,52 107Malawi 64,48 89 198,06 113Maurice 130,55 20 1665,73 63Mozambique 54,63 109 336,24 102Nigeria 93,12 51 5202,25 40Rwanda 32,33 130 49,65 131Sénégal 70,08 80 450,01 98Seychelles 164,76 9 146,86 117Swaziland 146,31 15 645,73 91Togo 85,41 61 174,92 114Zambie 70,45 78 240,86 111Zimbabwe 62,61 91 738,10 88Cameroun 57,44 100 645,90 89Congo 132,5 18 767,59 86Gabon 71,79 76 282,08 105Guinée équa-toriale 153,05 10 630,81 93

Sao To-mé-et-Principe 115,32 34 14,82 136

Tchad 48,60 112 99,72 122Allemagne 67,07 86 50565,79 5Chine 48,36 113 64724,01 4Inde 30,45 132 14458,98 23Etats-Unis 26,2 133 38517,96 9Japon 20,1 136 7603,43 35Royaume-Uni 57,81 97 27798,85 13Russie 70,68 77 41574,34 7

Source : A partir de Squalli et Wilson (2011).

Bien que différentes, les mesures relatives aux résultats de commerce partagent une caractéristique commune: elles expriment, pour un pays donné, le commerce en termes de sa part dans le revenu. Le tableau 1 fournit une liste récapitulative de plusieurs de ces mesures d’ouverture commerciale. Mais dans quasi-totalité des études traitant du lien entre ouverture commerciale et croissance économique, l’ouverture commerciale est mesurée par le taux d’ouverture (somme des exportations (X) et des importations (M) divisée par le produit intérieur brut (PIB), ) qui est un indicateur absolu d’ouverture – communément identifiée comme la part de commerce (Trade Share, TS). Les taux d’ouverture évaluent le degré d’ouverture d’une économie au commerce extérieur. Par exemple pour un pays donné, plus TS est élevé, plus l’économie bénéficie des gains commerciaux associés à l’ouverture.

Une anomalie étonnante apparait, cependant, lorsqu’on compare les pays en utilisant les mesures d’ouverture commerciale basées sur TS. En effet comme le montre le tableau 2, d’après TS le Japon, les Etats-Unis et l’Inde compte parmi les cinq économies les plus fermées au monde. En revanche, les pays d’ASS, notamment la Guinée Equatoriale et le Congo appartiennent aux pays les plus ouverts. Autrement dit, les plus grandes puissances commerciales mondiales sont des économies relativement fermées selon TS. Elles sont fermées dans le sens où leur part de commerce (trade share) dans l’activité économique globale est très faible par rapport aux standards mondiaux. En conséquence ces économies ne bénéficient donc pas des gains du commerce. Une explication évidente est que TS ou les indicateurs connexes (la part du commerce ajustée et la part du commerce réelle) sont des mesures unidimensionnelles d’ouverture commerciale. Elles s’intéressent seulement à la position relative de la performance commerciale d’un pays par rapport à son économie domestique; et de cette manière, elles « pénalisent » les plus grandes économies en les classant comme fermées.

Au contraire, « nous avançons que l’ouverture commerciale est un concept bidimensionnel. Les deux dimensions capturent, d’une manière différente, l’ampleur avec laquelle l’économie d’un pays est liée à l’activité économique internationale. La première dimension nécessite de mesurer la proportion du revenu total d’un pays donné qui est lié au commerce international et peut être représenté par




TS. La deuxième dimension reflète l’interaction et l’interdépendance (interconnectedness) d’un pays avec le reste du monde. (…) nous suggérons une manière de corriger l’anomalie observée dans les classements en combinant ces deux dimensions pour former une nouvelle mesure d’ouverture commerciale, que nous appelons, part de commerce composée (Composite Trade Share, CTS) » (Squalli et Wilson (2011), p. 1752).

D’un point de vue théorique, les gains au commerce sont créés sans tenir compte de ce qu’un pays partage une part du commerce (Trade Share, TS) relativement grande ou petite, pourvu qu’il commerce avec le reste du monde. En conséquence, lorsque l’ouverture commerciale est mesurée seulement en utilisant la TS ou des mesures connexes, on néglige cette deuxième dimension importante de l’ouverture commerciale qui capte les avantages liés au commerce relativement intense avec le reste du monde. Squalli et Wilson (2011) suggèrent une manière alternative de mesurer l’ouverture commerciale en combinant les deux dimensions: TS et la part de commerce mondial (World Trade Share, WTS). Les grandes lignes de leur méthode sont reproduites ci-dessous.

La première dimension importante représente la part du commerce dans l’activité économique globale et qui peut être représentée par TS. La part du commerce du pays peut être mesurée dans l’intervalle :

Cette dimension capte l’importance du commerce pour un pays particulier.

La deuxième dimension de l’ouverture commerciale fait intervenir la contribution relative qu’un pays apporte au total du commerce mondial. Considérons un ensemble de pays, , alors la part du commerce mondial du pays peut être exprimée comme:

(1)

représentant le commerce total du pays relativement au total du commerce mondial. Plus est grande, plus le pays a un poids important dans le commerce mondial. C’est-à- dire que l’économie la plus ouverte est celle qui contribue le plus au commerce mondial relativement à tous les autres pays. Plus cette mesure

est proche de zéro, moins le pays commerce avec le reste du monde et plus le pays est fermé au commerce mondial. La valeur de la part de commerce mondial indique à quel point un pays contribue au commerce mondial. C’est-à-dire que, cette dimension capte l’importance d’un pays particulier dans le commerce mondial.

Soit le ratio de distance, mesurant l’écart de WTS par rapport à la moyenne des ratios de WTS de l’ensemble des pays et décrit comme suit :

(2)

où lorsque lorsque .

Alors, CTS peut être le produit simple de Dr et TS:

(3)

(2) dans (3) donne :

(4)

De façon intuitive, CTS représente TS ajustée par la proportion du niveau de commerce d’un pays relativement au commerce mondial moyen. Cela suggère que lorsque qu’un pays contribue majoritairement au commerce mondial, avec un niveau commercial excédant la moyenne mondiale,

et il en résulte un ajustement vers le haut de Tandis que. quand un pays contribue minoritairement au commerce mondial avec un niveau commercial en dessous de la moyenne mondiale,

et il en résulte un ajustement vers le bas de . Les données d’exportations, d’importations et de PIB nécessaires à la construction de l’indicateur CTS proviennent du World Development Indicators.

Variables de croissance économique et de contrôle

Ainsi que dans les études antérieures nous utilisons le taux de croissance du PIB par habitant (pib) comme proxy de la croissance économique. Outre l’ouverture commerciale, la croissance économique d’un pays dépend aussi d’une multitude d’autres facteurs. Nous retenons les déterminants de la croissance économique couramment utilisés dans la littérature empirique (cf. Aghion et Howitt (2010)).

Depuis Solow (1956), en améliorant la compétitivité, l’investissement en capital physique est une source importante de la croissance économique. Nous le mesurons par le ratio formation brute du capital fixe sur PIB (icap). Romer (2007) montre que l’inflation peut avoir un effet néfaste sur la croissance économique dans les économies ouvertes, parce que la dépréciation réelle y est plus coûteuse. Cependant, un consensus semble se dégager sur le fait qu’une inflation faible et stable relance la croissance économique. L’indice des prix à la consommation n’étant pas disponible pour la plus part des pays de l’échantillon, l’inflation est captée par le taux d’inflation obtenu à partir des variations annuelles du déflateur du PIB (infl). En permettant aux travailleurs d’être plus efficient et plus productifs, l’accroissement du capital humain influence aussi favorablement la croissance économique (Lucas, 1988). Le capital humain est approximé par le taux de scolarisation au niveau secondaire (cah). L’existence d’infrastructures de bonne qualité est également favorable à la croissance économique (Eaton et Kortum, 2002). En effet, les infrastructures de qualité stimulent la croissance en favorisant la circulation rapide des biens et des services, de la main d’œuvre et de l’information. Nous utilisons pour capturer le niveau de développement des infrastructures le nombre de lignes téléphoniques pour 100 habitants (infr). Finalement, l’absence de développement financier peut empêcher les entreprises de disposer des ressources nécessaires à l’activité de recherche et développement fondamentale pour les innovations technologiques. Le développement financier est saisi par le ratio du crédit domestique au secteur privé sur le PIB (df). Les données relatives à l’ensemble de ces variables proviennent du World Development Indicators de la Banque mondiale.

Il s’en suit que l’équation de base inspirée de Wacziarg et Welch (2008) et permettant d’estimer l’effet de l’ouverture commerciale sur la croissance économique est:

(5)

où est l’indice pays, l’indice de la période, le terme d’erreur, , une constante, est la transposée du vecteur des variables de contrôle, le coefficient du logarithme de la variable d’ouverture commerciale et

le vecteur de coefficients des variables de contrôle.

Strategie EconometriqueSpécification en panel dynamique de l’équation à estimer

Nous spécifions le modèle (5) en panel dynamique pour pallier aux problèmes de spécification rencontrés dans la littérature empirique comme suit:

(6)

où est le logarithme de la variable de croissance économique du pays à la période ; , le logarithme de cette même variable retardée d’une période; est le logarithme du degré d’ouverture commerciale du pays à la période ; est la transposée du vecteur des variables de contrôle ; est l’effet temporel, qui mesure l’effet sur les variations temporelles de la croissance économique de chaque pays, de l’évolution de variables inobservables supposées communes à tous les pays (notamment les chocs macroéconomiques, politiques et technologiques) ; est l’effet fixe pays qui contrôle pour les caractéristiques inobservables invariantes dans le temps et spécifiques à chaque pays ; et est le terme d’erreur.

Estimation GMM en systèmePour résoudre les problèmes de variables omises, d’endogénéité et de simultanéité, nous utilisons l’estimateur des moments généralisés (GMM) de Blundell et Bond (1998). Plus précisément, nous privilégions l’estimateur GMM en système en deux étapes parce qu’il est asymptotiquement plus efficient que l’estimation en une seule étape (Roodman, 2009). Les GMM en système consistent à estimer simultanément l’équation en niveau (6) et l’équation en différence première (7) ci-dessous par la méthode des moments généralisés :

(7)

où ∆ désigne l’opérateur retard.

Résultats




Tableau 3 : Effet de l’ouverture commerciale sur la croissance économique

Variable à expliquer :

(1) (2)0,006(1,57)

0,003***(1,73)

0,043(1,09)

0,317(1,01)

0,292*(6,38)

0,278*(4,69)

-0,188***(1,82)

0,654**(1,80)

-0,008*(2,72)

0,355(0,17)

0,007**(2,49)

-0,123(1,21)

Constante -5,159*(4,55)

-14,72**(2,22)

Nombre d’instruments 33 33Observations 200 200Nombre de pays 40 40Test de Hansen (probabilité) 0,344 0,299AR(2) (probabilité) 0,428 0,403

Note : *, ** et *** significatifs respectivement aux seuils de 1 %, 5 % et 10 %. Les t de Student en valeurs absolues sont entre parenthèses. Le coefficient estimé de la variable endogène retardée ( ) n’est pas reporté.

Le tableau 3 présente les résultats de l’estimation de l’effet du l’ouverture commerciale sur la croissance économique par GMM en système en deux étapes. La probabilité associée au test de suridentification de Hansen est supérieure à 5%, ce qui signifie que les instruments sont valides.

De même, au seuil de 5%, le test d’autocorrélation de second d’ordre d’Arellano et Bond ne permet pas de rejeter l’hypothèse d’absence d’autocorrélation de second ordre. Intéressons-nous d’abord à la colonne (2), où l’indicateur CTS est utilisé comme proxy de l’ouverture commerciale. Les coefficients estimés des variables de contrôle ne sont pas tous statistiquement significatifs. Si, comme attendu, l’investissement en capital physique et les infrastructures favorisent la croissance économique, en revanche, le développement financier, le capital humain et l’inflation n’ont aucun effet sur la croissance économique.

Tableau 4 : Prise en compte des politiques complémentaires

Variable à expliquer : (1) (2) (3) (4) (5)0,030

(0,87)

0,021

(1,20)

0,032

(0,98)

0,034

(0,88)

0,050

(1,29)0,276*

(4,5)

0,249*

(4,76)

0,275*

(4,52)

0,301*

(7,46)

0,258**

(3,61)0,003

(0,562)

0,0153

(1,42)

0,003

(0,003)

0,119

(0,96)

-0,716

(1,10)-0,143

(1,19)

-0,033

(0,52)

-0,153

(1,04)

-0,161

(1,22)

-0,208

(1,52)0,659***

(1,77)

0,608**

(2,31)

0,678***

(1,76)

0,965**

(2,37)

0,5004***

(1,78)0,342

(0,16)

0,370

(0,16)

0,194

(0,08)

-0,144

(0,06)

0,442

(0,26)0,00004

(0,21)-0,0007

(1,18)0,0001

(0,16)-0,007

(0,95)0,033

(1,13)Constante -14,62**

(2,11)

-13,51**

(3,45)

-14,57**

(2,16)

-18,82**

(2,70)

-12,45**

(2,29)Nombre d’instruments 33 33 33 33 33Observations 200 200 200 200 200Nombre de pays 40 40 40 40 40Test de Hansen (probabili-té)

0,260 0,446 0,271 0,300 0,537

AR(2) (probabilité) 0,401 0,317 0,399 0,491 0,280

Note : *, ** et *** significatifs respectivement aux seuils de 1 %, 5 % et 10 %. Les t de Student en valeurs absolues sont entre parenthèses. Le coefficient estimé de la variable endogène retardée () n’est pas reporté.

S’agissant de notre variable d’intérêt, l’élasticité estimée de l’ouverture commerciale par rapport à la croissance économique est positive et statistiquement différents de zéro. Par conséquent, l’effet marginal positif indique que plus d’ouverture aux échanges

favorise la croissance économique des pays d’Afrique subsaharienne. Ce résultat est conforme à la littérature théorique. L’ouverture des échanges augmente la taille des marchés que les innovateurs peuvent s’approprier, ou bien elle accroît l’échelle de la production et donc l’étendue des externalités d’apprentissage par la pratique. Cet effet taille de marché est plus important pour les petits pays d’ASS puisque leur taille de




marché augmente dans une proportion plus élevée lorsqu’ils s’ouvrent à l’échange (Alesina, Spolaore et Wacziarg, 2005).

La première colonne du tableau 2 présente les résultats des estimations de l’équation où l’ouverture commerciale est mesurée par le taux d’ouverture (TS). Contrairement à la colonne (2) l’élasticité estimée de l’ouverture commerciale par rapport à la croissance économique est positive mais statistiquement non significatif. Ce résultat, qui est sans doute lié à la nature de l’indicateur, est également présent chez Baldwin (2004).

D’après Chang, Kaltani et Loayza (2009), l’ouverture commerciale doit être associée à d’autres politiques complémentaires pour qu’elle puisse doper davantage la croissance économique. Nous testons cette hypothèse en interagissant tour à tour la variable d’ouverture commerciale (CTS) avec le capital humain, le capital physique, l’inflation, les infrastructures et le développement financier. Le tableau 4 récapitule les résultats de cette opération. Ils révèlent que l’ouverture commerciale n’exerce pas un effet d’entrainement sur la croissance économique lorsqu’elle est accompagnée de politiques complémentaires. Cela peut s’expliquer par le fait que ces dernières n’ont pas été suffisamment mises en œuvre du fait d’absence de moyens financiers.

Conclusion et Recommandations de Politique Economique Dans cet article, nous avons évalué empiriquement l’effet de l’ouverture commerciale sur la croissance économique des pays d’Afrique subsaharienne. Nous avons utilisé l’indicateur original d’ouverture commerciale construit par Squalli et Wilson (2011) et qui reflète sa nature bidimensionnelle.¶ La stratégie économétrique est fondée sur une spécification en panel dynamique et la Méthode des Moments Généralisés (GMM) en système en deux étapes.

Nos résultats montrent que l’ouverture commerciale favorise la croissance économique des pays d’Afrique subsaharienne. En outre, ils révèlent que l’ouverture commerciale n’exerce pas un effet d’accélération sur la croissance économique lorsqu’elle est accompagnée de mesures insuffisantes de politiques de promotion des infrastructures, de développement financier, du capital humain, d’investissement en capital physique et de stabilité des prix. Deux principaux enseignements peuvent être tirés.

D’une part, en accroissant la taille du marché, l’ouverture commerciale accroît les rentes ex-post destinées aux innovateurs, ce qui encourage les investissements en Recherche-Développement. De plus, en augmentant la concurrence sur le marché du produit, l’ouverture commerciale encourage les innovations destinées à se protéger de la concurrence des firmes les plus avancées dans l’économie domestique. Cependant, elle peut décourager l’innovation des firmes les plus en retard. Cet effet de découragement introduit alors la possibilité que l’ouverture commerciale peut parfois nuire à la croissance économique, en particulier dans les petits pays, comme ceux d’Afrique Subsaharienne, situés loin en dessous de la frontière technologique mondiale (Aghion et Howitt, 2010). En conséquence, il est d’abord souhaitable de supprimer les barrières à l’innovation avant de libéraliser complètement le commerce dans ces pays. A cet effet, les pays d’Afrique Subsaharienne doivent : (i) mettre en œuvre des mesures permettant d’accroître rapidement la

masse critique de chercheurs et des externalités liées à la fois à la recherche fondamentale et à la recherche appliquée ; (ii) favoriser prioritairement la recherche développement en augmentant considérablement le budget à lui consacrée.

D’autre part, la diversification de l’économie stabilise la croissance économique en atténuant les chocs. Or les économies d’Afrique subsaharienne sont peu diversifiées. On y produit peu de biens échangeables et importe presque tout du reste du monde. En stimulant le transfert des technologies, l’ouverture commerciale favorise la diversification de l’économie en accélérant la transformation structurelle et l’industrialisation (Singh, 2010). Cependant, l’appropriation de technologies innovantes nécessite une main d’œuvre spécifique et hautement qualifié qui manque trop souvent en Afrique subsaharienne. Aussi, ces pays devraient investir davantage dans l’augmentation du stock de capital humain. Des politiques complémentaires (investissement, formation du capital humain, développement financier et stabilité macroéconomique) indispensables pour que la libéralisation commerciale ait un effet favorable sur la croissance doivent être aussi suffisamment mises en œuvre. A cela, il convient d’ajouter l’amélioration et/ou l’adoption de bonnes instituions qui limitent la corruption, la fuite des capitaux et garantissent les droits de propriété. L’amélioration de la qualité des institutions devrait couvrir le domaine des politiques complémentaires sus citées.




BackgroundThe place of agriculture in the economic development process has long been the subject of much criticism. If the authors are unanimous that agriculture contributes to the development of the economy, its role of engine in the growth of other sectors remains unclear. According to the various controversial results in developing countries on the spillover effects of agriculture in the industry and services sectors, many recent studies continue to deepen the subject and revive the interest on the complexity of the agricultural sector. Agriculture has always been a sensitive sector to the extent that agricultural production provides food for the survival of individuals and nutrition of the population. The upsurge of studies in recent years [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16] fits into this dynamic to guide public choices by striving to analyze the potential of agriculture.

An overview of the interdependence between agriculture and the rest of the economy can be summarized in two different schools of thought. Some researchers consider agriculture as the engine of economic growth. [17], [18], [19], [20], [21] and [22] are among the pioneers in identifying the basic inter-sectoral linkages of agriculture: Producing food for domestic consumption, providing labor surplus for the industrial sector, supplying domestic savings for industrial investment, enlarging the market for services and industrial output, and supplying foreign exchange earnings for imported capital and intermediate goods. [23], [24], [25], [26], [27], [10], [7] and [28] put forward that agriculture is the foundation of any economic development process through strengthened purchasing

power, increase in rural incomes and poverty reduction, improvement of food availability and caloric nutrient intake by population, improvement of domestic skills due to a better quality of labor and capital, supply of industrial raw materials, and provision of tools for risk management (food price stability) and enlargement of safety nets. [29], [30], [31], [32], [33] and [34] show that an increase in GDP coming from agricultural growth translates into more poverty reduction than industrial and services sectors. Therefore, neglecting the agricultural sector in favor of the industrial sector or policy distortion to the agricultural sector will only lead to negative effects, dismal and slow economic growth, and more inequality in income distribution [35, 36, 37, 38, 39, 40, 41, 42].

Other researchers state that agriculture has weak links to other sectors, and its contribution to economic growth is lower because of the low innovation it generates, slow technological progress, and the limited profitability rate for private companies. Technology and innovation are crucial sources to raise human capital for structural change [43] and economic growth [44]. Only the industrial sector has this potential [45]. Among the precursors of this argument, [46], [47], [48], [49] and [50] claim that the links between agriculture and other sectors are insufficiently robust to speed productivity and increase exports for a dynamic economic growth. Basing their analysis on the comparative advantages between sectors and the externalities of industrial activities, they reject the assertion that agriculture is the engine of the economy and emphasize the industry as the key area where investments and development efforts should be directed. Based on their observation, the real development begins with the industrial

The Effect of a positive policy integration on Agriculture and climate change adaption By Tinta Abdoulganiour ALMAME, University of Ghana, Department of agricultural economics and agribusiness

revolution (the manufacturing sector). Research and development are the main drivers of technological change and therefore industry is the driving force of economic growth (Kaldor, 1970; Aghion and Howitt, 1998; Syrquin, 1986). Consistent with these findings, many developing countries support industrial strategies to benefit from international technology diffusion [59, 60] and have postponed their agricultural development by adopting anti-agricultural policies such as heavy taxation [54, 55, 56, 57, 58].

Many criticisms can be addressed to previous research. First, the importance of the agricultural sector is highly dependent of the characteristics of the country in terms of factor endowments. The contribution of agriculture can be significant in one country and not in another because of the difference in factor endowments [61]. Second, many works are unaware of the services sector and are not focused on the simultaneous effects between the three sectors. Third, [62] criticize most of the work done by highlighting the problems related to data treatment in time series, inappropriate specification of the model, and a focus on the relationship between agriculture and growth without an analysis of causal links. Consequently, the findings should not be considered as permanent, and require further investigation. Finally, the studies do not involve a regional integration of countries, although some focus on groups of countries.

Taking into account the shortcomings of previous work, this paper looks at the issue from a different perspective. Instead of studying different countries, this study focuses on the contribution that can have regional integration of the Economic Community of West African States (ECOWAS) on agriculture. The model takes into account the agricultural sector, the industrial sector and the services sector and examines their contribution to the economy. In addition, the model analyzes the robustness of the relationship between the three sectors and real Gross Domestic Product (GDP), identifies directional causality links and estimates the long-term equilibrium relationships. This last result will contribute to the large literature that focuses on agriculture through finding the comparative advantages between the three sectors among ECOWAS countries.

The importance of this study is based on the assumption of a positive policy integration. In fact, two dimensions of regional integration exist. The negative policy integration refers to less discrimination between partner countries through border regulations. This

consists in trade liberalization via reduction of barriers for the intraregional trade. The aim of negative policy integration is a perfect market integration. However, because of the differences in macroeconomic environment and national policies, the integration of agricultural sector needs from each country more than trade liberalization such as complementary institutional frameworks and coordinating policies. Promoting perfect intraregional trade in agricultural products requires a positive policy integration which means that common institutions are established to strengthen the relationship between similar countries. The focus of positive policy integration is to improve food security through the creation of new infrastructures and institutions. Negative policy having been largely discussed in studies, we assume a positive policy integration within ECOWAS and simulate its potential effects on agriculture. Under this assumption, a model is built to assess the possible effect of climate change on agriculture. We know from various literature that climate change through rainfall and temperature, is an exogenous shock that significantly affects the agricultural sector. We use this information to examine the effect of climate change on the agriculture sector production by considering the ECOWAS integration as positive.

This study discusses the effect of a positive policy integration on agriculture. First, this paper analyzes for each country how respectively agriculture, industry and services sectors are affecting the real GDP. Second, we examine the comparative advantages between the three sectors by country and find causality links. Finally, assuming the ECOWAS as positively integrated, an assessment of the effect of climate change (using rainfall and temperature) on agriculture is made.

MethodsIn this section, the conceptual framework, models, estimation methods and data are presented. To analyze the relationship between the three economic sectors, namely agriculture, industry and services sectors, and Gross Domestic Product (GDP), we use the growth accounting framework to detail the sources of growth. To determine the effect of climate change, we use a standard Ricardian framework with a simple Ordinary Least Squares.

To analyze the contribution of each sector to GDP, we consider the following general equilibrium equation of economy:




Y=C+I+G+X-M (1)

Where is the consumption, the investment, G refers to Government expenditure and the net exports.

To understand how each sector impacts on the economy of ECOWAS countries, we use the growth accounting framework which is generally adopted by authors [63, 64, 65, 15, 4]. Developed by neoclassical growth theory, the growth accounting framework helps to find the sources of economic growth. The aggregate output of the economy (Y) is supposed to be the sum of the output of each sector and is specified as:

Yt=∑kYkt (2)

where (Yt) is the aggregate output of economy in period t and (Ykt))is the output of sector k in period t.

By adopting framework (2) and including agriculture, industry and services sectors, equation (1) become as:

Yt=At+It+St+Ht (3)

A, I, S, the respective output of agriculture, industry and services sectors; H the aggregate output of all other economic sectors non-included. The resulting model is presented below:

yi=f(Agrici,Indi,Servi)+εi=αiAgrici+βiIndi+γiServi+εi (4)

where yi the real GDP of country i, Agrici Servi and Indi the respective value added of agriculture, industry and services sectors of country i and εi the error term.

Using a multiple regression analysis, model (4) is estimated for each country of ECOWAS to find the comparative advantages between the three sectors. The estimation of the model is subdivided into three parts. As [66] suggest, most of the time series need to be differenced in order to become stationary. In the first step of the estimation process, we perform the augmented unit root tests of [67] in order to examine the stationarity properties. In the second step, we realize the cointegration test by using Johansen’s multivariate test [68] or [69] two-step cointegration test. Based on the result of cointegation test, we perform [70] test to find out the direction of causality between the variables. Finally, if the variables are integrated of order one and cointegrated, we build an Error Correction Model to dissociate the long run equilibrium relationship and short run adjustment. This result allows the classification of countries according to one sector of specialization. The sector

with higher marginal effect on real GDP is said to have a comparative advantage compared to other sectors and then become the specialization sector of the country. Therefore, countries with the same sector of specialization are grouped in order to develop common institutions (positive policy integration) and implement similar policies. We expect each variable to have a positive contribution to real GDP.

To assess the effect of a positive policy integration on agriculture, we formulate indicators to capture each sector of specialization including a group of countries. Based on the previous results, these indicators suggest that each group of countries is implementing common policies based on their specialization sector. The coefficients () estimated in the previous model for each country are used as a new variable to assess the productivity of ECOWAS agriculture. The hypothesis of a positive policy integration among ECOWAS countries assumes a perfect integration in each group of countries through common institutions, infrastructures and policies. Under this assumption, the fifteen coefficients () can be used as only one agriculture variable containing fifteen values. Therefore, ECOWAS is assumed positively integrated based on agriculture. To simulate the effect of climate change, we use the Ricardian framework presented below:

Zit= Xit B+∑j θj fj (Wij)+εit (5)

Zit= value of i productivity in year t, Xit = vector of observable determinants, Wij = represents a series of climate variables (indexed by j) for i variable.

Adapting (5) to the study, the model assessing the effect of a positive integration on agriculture by incorporating climate change is as following:

gi=ωi*GDP per capitai=β0+β1Tempi+β2Raini+∑kXk +εi (6)

With = percentage of agriculture sector contribution in GDP in country i, gi= agriculture per capita income in country i, Tempi= standard deviation of temperature in country i, Preci= standard deviation of rainfall in country i, Xk= dummy matrix variable taking 1 if the country is specialized in sector k (k=agriculture, industry or services) and 0 otherwise.

The matrix Xk means that each group of countries has a common project in sector k. To avoid bias, as discussed in literature review, we use both rainfall and temperature as climate change variables and estimate the model with a simple OLS as mentioned by [71] to avoid an under-estimation of climate change damage in order to perform right policy recommendations. To

capture the importance of positive policy integration, we first regress equation (6) without Xk. The results will show the mpact of temperature and rainfall on agricultural productivity without positive policy integration.

We make all preliminary tests on time series to ensure that the data has been treated before we start any estimation. The adequacy of the specified models is also checked using various diagnostic tests from functional form (Ramsey’s RESET test), serial correlation (LM test), heteroscedasticity (White’s test) to structural stability (CUSUM tests). After the estimation of the different equation, robustness test and multicollinearity test are done to reinforce the results in order to derive appropriate policy. The sources of data are coming from the World Bank, Africa Development Indicator and countries national meteorological station from 1970 to 2014 and 1980 to 2014 for climate variables. ECOWAS incudes fifteen countries such as Benin, Burkina Faso, Cape Verde, Côte d’Ivoire, Ghana, Gambia, Guinea, Guinea-Bissau, Liberia, Mali, Niger, Nigeria, Senegal, Sierra Leone and Togo. Therefore, the number of coefficients in the simulation is fifteen (15).

Results and discussionCausality results

Using one optimal lag, the bi-directional causality test demonstrates that GDP Granger causes industry and agriculture sectors (Guinea Bissau, Niger, Togo, Burkina Faso, Ivory Coast, Gambia) or GDP Granger causes industrial sector and does not causes agricultural sector (Ghana, Sierra Leone) or GDP Granger causes agricultural sector and does not causes industrial sector (Benin, Mali, Senegal, Cabo Verde, Nigeria). This means that the added value of agriculture and industry sectors in one year can be explained by the GDP of the previous year. In other words, the level of GDP helps in the prediction of agriculture and industry sectors value added but this does not mean that agriculture and industry value added are the effect of GDP. These Findings can be justified by the fact that in most of these countries the performance of the agricultural sector and the industrial sector are related to the level of investments done. Due to the unstable economic environment, the level of Gross Domestic Product is volatile from one year to another, affecting the agricultural and industrial sector in contrast to developed countries where a total investment threshold is predefined and achieved whatever is the variation in

GDP. The Granger causality relationship from GDP to services sector is unidirectional in Benin, Togo, Mali, Niger, and Burkina Faso and bi-directional in Nigeria where GDP and services sector are dependent on each other. This means that the level of GDP reached in the previous year contributes in the services value added the next year, in the five respective countries except Nigeria where GDP and services sector have a bi-directional influence. There is therefore a mutual effect on GDP and services in Nigeria which means that policy makers have to focus on all sectors.

The causality relationship from each sector to GDP shows that agriculture and industry sectors Granger cause GDP in Liberia, Nigeria and Mali whilst only agricultural sector causes GDP in Ghana and only industrial sector causes GDP in Guinea and Benin. These results illustrate that in these countries (Liberia, Nigeria, Mali, Ghana, Guinea and Benin), the influence of the value added of agriculture and industry is significant in predicting GDP. For omitted countries, the influence of each sector in the prediction of GDP is not significant. A comparative analysis between the three sectors demonstrates that industry Granger causes services and agriculture sectors in Benin, Mali and Guinea. The interpretation is that in Benin, Mali and Guinea, industry boosts other sectors. This sector can be crucial to economic activity regardless of the contribution. In Guinea Bissau, Togo, Ivory Coast and Niger, services sector Granger causes industry and agriculture sectors but in the case of Togo agricultural sector also causes services sector. Therefore, services sector is crucial in the economy of these countries. In the case of Niger, Liberia, Ghana and Nigeria, agriculture Granger causes industry and services sectors but in the case of Nigeria industry also Granger causes services sector. The significant influence of agriculture means that it helps to estimate the value added of other sectors. Also, agricultural sector is Granger caused by industrial sector (Ivory Coast and Senegal) and services sector (Burkina Faso, Mali, Senegal and Nigeria), proving that the industry and services sectors respectively play a significant role in these economies. In Liberia, there is a bidirectional causality relationship between services and industry sectors. Finally, industrial sector is Granger caused by agriculture and services sectors in Sierra Leone. In Burkina Faso, agricultural sector Granger causes industrial sector and, in Ghana and Gambia services sector Granger causes industrial sector. The link between sectors shows that the ECOWAS economies are not the same. If agriculture causes other sectors in some countries, it is industry or services sector that




respectively causes other sectors in different countries.

In sum, because of the omission of past observations more than one-year optimal lag, this choice can justify why the value added of agriculture, industry and services sectors does not Granger cause GDP in all countries. In fact, although not well perceived in causality test, the estimated error correction term is negative and statistically significant for each country in the Error Correction Model estimations. This suggests that long run causality exists from agriculture, industry and services sectors to GDP for each country in a way that past information plays a significant role in determining current production. The findings of the Error Correction Model for each country are summarized in Table 1.1 and Table 1.2.

After estimating the Error Correction Model for each country, the results are robust for all countries of ECOWAS. In fact, the residual-based Engle and Granger two-step cointegration, significant at 5 % for Ivory Coast, Niger, Togo and Cabo Verde as mentioned above, is also tested and significant for other ECOWAS countries. In addition, for the fifteen countries, the error correction term is negative and significant suggesting that a shock exerted on the variables is temporary and leads to the long-term equilibrium. The long-term deviations from imbalance errors are absorbed by the extent of the adjustment. We first discuss the result of the long-term estimation.

Long-term results

The value added of agriculture, industry and services sectors seem to have a positive and statistically significant effect on GDP in all the countries. This result presented in Table 1.1 is consistent with the development economics literature which clearly establishes that agriculture and industry are a key determinant of growth and development.

Table 1.1: Error correction model results of real GDP, Long term coefficients estimated by country

Variable Agriculture Industry Services R-squared F-test

Benin 0.676554***

(0.067008)

1.524916***

(0.030789)

1.189156***

(0.028032)

0.999772 52651.13***

Burkina Faso 1.263994***

(0.045216)

1.178241***

(0.038701)

0.941068***

(0.040169)

0.999835 72825.43***

Cote d’Ivoire 1.00010***

(6.63E-08)

1.00000***

(8.88E-08)

1.00000***

(2.61E-08)

0.999988

1.71E+15***

Cabo Verde 0.977243***

(0.065816)

0.987352***

(0.023712)

1.006853***

(0.005146)

0.999981 543889.9***

Ghana 1.075374***

(0.116254)

1.117078***

(0.086644)

1.065737***

(0.084165)

0.999399 19405.17***

Guinea 1.166375***

(0.269010)

1.254997***

(0.117791)

0.978375***

(0.054390)

0.994176 1422.598***

Gambia, The 1.242085***

(0.150098)

0.961073

(0.353816)

0.872697***

(0.096593)

0.995638 1997.257***

Guinea-Bissau 1.099913***

(0.074936)

0.718737***

(0.256789)

1.108949***

(0.083183)

0.998514 8065.76***

Liberia 0.977561***

(0.010922)

0.994136***

(0.013594)

1.00468***

(0.010078)

0.999859 85063.05***

Mali 1.219808***

(0.047679)

1.285884***

(0.082643)

0.926359***

(0.058848)

0.999763 50710.71***

Niger 0.999581***

(0.001928)

1.005149***

(0.003760)

0.999959***

(0.001678)

0.999998 5313450***

Nigeria 1.043199***

(0.031625)

0.966397***

(0.026143)

1.016225***

(0.005129)

0.999971 348523.3***

Sierra Leone 0.99564***

(0.015210)

1.033609***

(0.023975)

1.120806***

(0.023778)

0.999758 49615.86***

Senegal 0.82589***

(0.136828)

1.741442***

(0.183018)

1.000171***

(0.080301)

0.999452 21885.52***

Togo 1.00000***

(3.34E-08)

1.00001***

(9.12E-08)

1.00001***

(2.13E-08)

0.999999 3.24E+15***

Note: *** significant at 1 %, standard errors in parentheses




In Benin, one more dollar in industry leads to an increase in GDP of 1.52 dollar while the same dollar in agriculture generates a rise in GDP of 0.67 dollar, and the same dollar in services is related to 1.18 dollar more in GDP. The industry has the greatest GDP contribution followed by the services sector. In addition, both sectors bring back more than the amount invested since the marginal effect is greater than one. This long-term equilibrium confirms the results of causality test. Senegal economy is identical to Benin. The analyses are the same except that an additional dollar in industry leads to an increase in GDP of 1.74 dollar while the same dollar in agriculture generates a rise in GDP of 0.82 dollar and the same dollar in services sector increases GDP by one dollar. Similarly, in Mali, industry contributes more to GDP, followed by agriculture because one more dollar in the industry leads to a rise in GDP of 1.28 dollar while the same dollar in agriculture generates an increase in GDP of 1.21 dollar and the same dollar invested in services is linked to 0.92 dollar more on GDP. Industry and agriculture sectors are the driving force of the economy with almost equal contribution. This interpretation also applies in Guinea where industrial sector (1.25) predominates on agriculture (1.16) and services (0.97).

In Burkina Faso, an additional dollar in agriculture leads to an increase in GDP of 1.26 dollar while the same dollar in industry produces an increase in GDP of 1.17 dollar and the same dollar more in services is linked to 0.94 dollar increase in GDP. Agriculture has the largest share in GDP and is followed by industry. In addition, both sectors bring more than the amount invested in the GDP. However, the service sector is expanding and should not be neglected because its contribution is close to one. This result supports the causal relationship of agriculture to industry. Also in Nigeria, agriculture (1.04 dollar) and services (1.01 dollar) drive the economy with a growing industrial sector (0.96). Similarly, agriculture has the greatest influence in GDP in Gambia. Indeed, one more dollar in agriculture, industry and services sectors causes a rise in GDP respectively by 1.24 dollar, 0.96 dollar and 0.87 dollar. The services and industry sectors have a contribution to GDP lower than one. The latter two sectors require special attention in order to increase their productivity. In Ivory Coast, Togo and Niger, the contribution of the three sectors is almost identical. Indeed, an additional dollar in any sector increases GDP substantially by the same amount. This distribution confirms that the services sector is crucial in Ivory Coast, Togo and Niger to the point that it competes

with agriculture and industry sectors.

The structure of Ghana’s economy is similar to that in Ivory Coast with a slight difference. While all sectors have a contribution more than one, the industrial sector has the highest. Indeed, the long-term equilibrium suggests that an additional dollar in industry leads to an increase in GDP of 1.11 dollar while the same dollar in agriculture leads to a rise in GDP of 1.07 dollar and the same dollar in services sector is related to 1.06 dollar increase in GDP. These values approve the causality tests on the interaction between the three sectors, showing that there are closely interrelated. The causal links are also confirmed in Guinea-Bissau and Liberia where services are dominant. In Guinea Bissau, if the valued-added for the services sector increases by one dollar, GDP is expected to increase by 1.10 dollar. Furthermore, if the value-added of the agricultural sector increases by one dollar, GDP is expected to increase by 1.09 dollar. In addition, if the value-added of the industrial sector increases by one dollar, GDP is expected to rise by 0.71 dollar. In Liberia, one more dollar respectively in the services, agriculture and industry sectors generates an increase in GDP of one dollar, 0.99 dollar and 0.97 dollar. Given the closed value of the contribution of sectors in GDP, it appears that they are interdependent.

In Sierra Leone, an extra dollar in industry leads to a rise in GDP of 1.03 dollar while the same extra dollar in agriculture generates a rise in GDP of 0.99 dollar and the same extra dollar in services is linked to 1.12 dollar in GDP. The services and industry sectors bring more than the amount invested in GDP. However, agriculture has significant potential that needs to be valued as in Cabo Verde. In Cabo Verde, one extra dollar in agriculture, industry and services sectors causes a rise in GDP respectively by 0.97 dollar, 0.98 dollar and one dollar. The agriculture and industry sectors have a lower contribution to GDP. It seems that the connection between sectors is small as pointed out in causality relationship. Some strategies such as the promotion of agricultural facilities, a better access to farm inputs and the increased investment in industrial sector need to be implemented.

In summary, the results of the long-term relationship between GDP, agriculture, industry and services sectors are used to classify countries according to their comparative advantage. The contribution of agriculture to the economy of ECOWAS is strong in Burkina Faso, Gambia and Nigeria. Agriculture sector in these countries has a comparative advantage. The

strong contribution to GDP suggests that agriculture can converge more quickly on its equilibrium path and have spillover effects in other sectors. Therefore, political and especially institutional reforms in ECOWAS for these three countries are needed to accelerate growth and enable the agricultural sector to reach maturity. The neoclassical theory of economic growth supports the view that determinants of growth having a high marginal efficiency converges along the ‘razor’s edge’. As a second option, governments of different countries may also agree on a joint program agenda to promote the agricultural sector in their respective countries. The stylized facts such as the partnership between China and the Asian tigers or Brazil, Colombia and Argentina show that this kind of collaboration was the basis for the development of the farming system, high productivity of labor, capital and land, extension of new crop varieties and phenomenal agricultural production. The benefit of this initiative is that at the end, this process will launch the development of market institutions that are favorable to industrial development in ECOWAS. Countries such as Benin, Ghana, Mali, Niger, Senegal and Guinea have an industrial sector that affects the most GDP.

A consultation framework is essential to support industrial development in these different countries while taking precautions to avoid overexploitation of raw materials (Dutch disease) known mainly in Africa as a source of curse. It is well established that industrial development is distinct from agriculture development because it requires innovation and technology. Governments can agree on the creation of a common center of research and development focused only on transformation of agricultural products based on available technology and the effects of geographic concentration. Many experiments in the United States and Asia reveal that the location and transaction costs are the core of industrial growth. Benin, Ghana, Mali, Niger, Senegal and Guinea all together have sufficient resources to develop this industrial infrastructure before gaining the support of ECOWAS or foreign aid. All these initiatives are likely to boost the markets (information systems, infrastructure, future market, exchange and trade) and the expansion of services. The estimation results reveal that the services sector is important in most countries, although its contribution is not a majority. Excluding Togo and Ivory Coast due to the fact that the three sectors have equal contribution, for all remaining thirteen countries, services sector rank in the first or second position in terms of contribution to GDP in eight countries. Particularly in Cabo Verde, Sierra Leone, Liberia and Guinea-Bissau services are

dominant. This privilege can be interpreted by other countries as a comparative advantage and therefore an alternative to reduce transaction costs. Even if the theory of absolute advantage of Adam Smith shows that the eight countries can offer services, it is optimal for all the eight countries to have a comparative advantage in this sector. Indeed, providing services can be cheaper in Cabo Verde, Sierra Leone, Liberia and Guinea-Bissau if these countries manage to acquire a specialization showing the importance of collaboration. Briefly depending on their area of interest, the countries of ECOWAS can join their forces to undertake priority investment in agriculture, industry or services.

Short term results

The results of short term dynamics in Table 1.2 show that there is an improvement or deterioration between the short-term impacts and long-term impacts of the effect of sectors on GDP.




Table 1.2: Error correction model results of real GDP, Short run coefficients estimated by country

Agriculture

Industry ServicesError Correc-

tion termR-squared F-test

Benin 0.600978***

(0.111317)

1.49446*** (0.070427)

1.206417***

(0.066422)

-0.5261***

(0.171373)

0.99216 1075.701***

Burkina Faso 1.171238***

(0.033527)

1.05896***

(0.041646)

1.054718***

(0.038235)

-1.00628***

(0.166046)

0.995237 1775.94***

Cote d’Ivoire

1.00000***

(6.80E-08)

1.00000***

(9.41E-08)

1.00000***

(3.59E-08)

-0.94030***

(0.171726)

0.99999

8.35E+14***

Cabo Verde 1.003347***

(0.065481)

1.00555***

(0.030617)

0.886433***

(0.009386)

-1.11332**

(0.486308)

0.999371 11515.93***

Ghana 0.961576***

(0.132024)

1.07354***

(0.099189)

1.11465***

(0.082086)

-0.57999***

(0.187000)

0.990911 872.2129***

Guinea 1.046209***

(0.227180)

1.17968***

(0.159409)

0.860847***

(0.104300)

-0.95456***

(0.208105)

0.947193 103.1378***

Gambia,

The

1.045206***

(0.068999)

9.80E-01***

(0.121522)

1.020219***

(0.047894)

-0.19033***

(0.079491)0.988394 723.8797***

Guinea-Bissau 1.129538***

(0.094447)

0.60812***

(0.274911)

1.017329***

(0.072271)

-0.46826**

(0.332405)

0.970789 282.4852***

Liberia 0.997928***

(0.015400)

0.88025***

(0.023879)

1.04945***

(0.013750)

-0.6725***

(0.149931)

0.998865 7482.011***

Mali 1.167569***

(0.048359)

1.16053***

(0.104115)

1.03952***

(0.057687)

-0.5425***

(0.173770)

0.991314 970.1084***

Niger 1.002324***

(0.001850)

0.98680***

(0.003986)

1.003035***

(0.002141)

-1.50969***

(0.001850)

0.999963

0.284307

231016.5***

Nigeria 1.050634***

(0.019805)

0.97755***

(0.009682)

1.016443***

(0.004211)

-0.34036***

(0.083427)

0.99992 87441.37***

Senegal 0.890388***

(0.096170)

1.76797***

(0.207619)

0.964841***

(0.087333)

-0.32172**

(0.125023)

0.991772 1024.506***

Sierra Leone 0.959042***

(0.033379)

1.01593***

(0.024373)

1.164487***

(0.039337)

-0.61992***

(0.153658)

0.997157 2981.036***

Togo 1.0000***

(4.04E-08)

1.00001***

(1.09E-07)

1.00001***

(2.70E-08)

-1.09058***

(0.170111)

0.99998 9.14E+14***

Note: *** significant at 1 %, ** significant at 5%, standard errors in parentheses

For some countries, the economic structure between the three sectors is completely altered which means that the short-term sector of interest can be different from the long term one. A comparative analysis of the dynamics of short-term and long-term equilibrium for instance illustrates for Benin, Burkina Faso, Ghana, Guinea, Mali and Sierra Leone an increase in the contribution of agriculture and industry over time while the services sector share decreases. The adjustment leads both sectors to achieve greater long-term performance. Their efficiency increases in the long run compared to the short term. This change is so important that it modifies the dominant sector in some countries. This is the case of Ghana, Guinea-Bissau and Mali. In Ghana, in the short-term, services are dominant compared to the industry which become the engine of the economy in the long term. In Guinea-Bissau, in short-term, agriculture has the significant contribution to the GDP but in long-term this sector is replaced by services. In Mali, the predominance of agriculture in short-term gives place to industry in the long-run.

In Liberia and Niger, the comparison of the dynamics of short and long term suggests a decline in the contribution of agriculture and services over time while the industrial sector is increasing. For these two countries, only the industrial sector performs in the long term. These results indicate that these countries are subject to the curse of natural resources particularly diamonds and uranium. In the specific case of Niger, the dominance of services in short-term is replaced by industry in long-term. Appropriate policy measures need to be implemented such as an increase of domestic savings, a more taxation on industry to try to avoid booms, investment in education and infrastructure to increase competitiveness of other sectors and increase of anticorruption efforts. Guinea and Nigeria present inverse performance between the short term and long-term equilibrium. In Nigeria, over time the performance of all sectors down to reach their long-term path while in Guinea all sectors contribute more than in the short term. This means that currently the Guinean economy is far from the optimum because all sectors are not working under full capacity. A tentative explanation in Nigeria may be related to the lower production of oil and the increase in population. Some work already [72] shows stronger evidence of causal flow from oil production to GDP. Based on this report, oil accounts for 95% of Nigeria’s exports and 75% of budgetary revenues. According to IMF, since 1970 Nigeria’s revenue and expenditures follow a parallel pattern to oil prices. In periods of

high oil prices such as 1979-1982, 1991-1992, 2000-2002 and 2005-2009, revenue and expenditures also experienced sharp increases. From 2005 to 2008, the increase in oil prices led to increased revenue and expenditures for Nigeria’s government. The global financial crisis in 2009 led to a fall in global oil prices which caused Nigeria’s government revenue to fall accordingly. Indeed, a decrease in the future of oil production or oil price will greatly affect all sectors as oil revenues have strong linkages in financing the rest of the economy. This justification probably explains why all sectors’ contribution to GDP falls.

In Cabo Verde, only the industrial sector’s contribution decline in long-term. Agriculture and services have a participation in GDP higher than the short term, suggesting the non-use of production inputs and the huge potential of services. Services sector remains dominant in the short and long term. In contrast, in Senegal only the contribution of services increases over time, other sectors contribution reduces from short term to long term. The development of crafts and the informal economy may explain this trend in Senegal. In the case of Gambia, only agricultural performance increases between the short term and the long term confirming that agriculture remains the engine of the economy. These results in the short run dynamic are consistent with previous findings on the importance in the future of the services sector in all the countries.

Results on climate change simulation and Positive policy integration

The impact of climate change on agriculture is based on a fundamental assumption untested in reality. Our hypothesis states that there is a positive policy integration within ECOWAS in agriculture from 1975 to 2014 suggesting that the impact of agriculture on GDP in different countries can be similar because economic policy is homogenous. This strong assumption helps to estimate the potential impact of climate in a situation of optimum agricultural integration since 1975. After estimating the model, the results of diagnostic tests for functional form (Ramsey’s RESET test), serial correlation (LM test), heteroscedasticity (White’s test) and structural stability (CUSUM tests) are consistent and significant at 5% level. Therefore, the model is valid. The simulation results presented in Table 1.3 show that all the coefficients are significant.




Table 1.3: Simulation of climate change variables on agriculture income, OLS results

Dependent Variable: Agriculture per capita income

Negative Policy Integration

Positive Policy Integration

Coefficient Coefficient

Rainfall-1.73876**

(0.773648)

-1.37723

(0.867426)

Temperature-77.1062**

(34.44107)

-52.2553

(39.67653)

Constant487.2617***

(128.5404)

Agriculture Specialization423.4782**

(153.6900)

Industry Specialization366.0533**

(154.7357)

Services Specialization394.2739**

(156.8512)

Non-Specialized countries515.4499**

(134.3369)

F-test 3.06011** 7.880507**

R-squared 0.33775 0.478147Note: *** significant at 1 %, ** significant at 5%, standard errors in parentheses

5% level except rainfall and temperature. Temperature and rainfall are assigned a negative sign, however insignificant. The interpretation is that taking into account the specialization and the membership of each country in a given sector, the variation in rainfall or temperature has no effect on agriculture per capita income. Otherwise the deviations of temperature and rainfall from its average have no effect since the coefficients are not robust. In contrast, all the coefficients of common sector endowments or specialization sectors are significant and positive. The coefficient for countries specialized in agriculture is significant. The coefficients allocated to countries with a specialization in industry and services are also significant. For countries with an equal contribution in the three sectors, the coefficient is also significant. The establishment of a joint program between the countries as described above strengthens regional integration by making it not only optimal but also more effective in eliminating shocks. The positivity of the coefficients assigned to each sector or category of countries pointed out the potential in the development of a consultation framework or a programme between

The standard deviation of rainfall and temperature negatively affect the share of value added of agriculture in GDP per capita. The climate effect is more pronounced for temperature than rainfall. Indeed, a variation in rainfall of 1 mm (up or down) from the average leads to a decline in agriculture per capita income in the integration of only 1.73 dollar. In contrast, a change in temperature of 1°C (rise or fall) from the average leads to a decline in agriculture per capita income in the integration of 77.10 dollar over the period. These results show that the effects of climate change are mitigated if countries were truly integrated through negative policy. These signs and analyses are consistent with economic and climate theory well establishing that climate change has a negative effect on agriculture and the impact is generally negative for countries. These results also consolidate the previous work mentioned in the literature review on the importance of climatic factors often underestimated. Restarting the estimation and incorporating the classification of countries based on their comparative advantages among sectors, the results are different. All coefficients are significant at

similar countries. The analyses show that the effects are positive on agriculture per capita income in ECOWAS.

This simulation confirms the benefits of a positive policy integration on agriculture. Indeed, the impact of climate change is different according to the scenarios. Considering regional integration as currently pursued (negative policy integration), the impact of climate change through changes in temperature and rainfall is significant with a negative effect on agriculture per capita income. More precisely, the ECOWAS policy aiming a perfect integration of market through the reduction of barriers is not enough consistent to address the impact of climate change on agriculture per capita income in the region. This case can be described as a second best. In the second scenario of a positive policy integration, the effect of climate change through changes in temperature and rainfall is neutral and completely eliminated. This ideal situation calls for the abandonment of selfish interests in each country for the benefit of a better social optimum. The explanation in the two scenarios is justified by the interlinking of economies. When economies with different potential fully benefit from the same environment in terms of market institution, it is easier to absorb shocks because a single economic policy is implemented for all countries. In addition, in the latter scenario, countries also enjoy economies of scale, well known for their key role in the development process. In short, the phenomena of compensation between sectors in different countries can eliminate the negative impact of climate change. On the contrary, in the situation where each country put a policy in place to respond to shocks, adverse effects may occur. The policy adopted in a country affecting another country, the initial economic situation can be even worse and become a vicious circle. Countries should strive for positive policy integration.

Conclusion and policy recommendationThe agricultural sector is and will long remain an important topic especially with the recurrence of conflict (war and terrorism), food crises, social crises and environmental changes related to climate change. There is no doubt that agriculture will be the summit of much research in the future in developed and developing countries to find alternatives to increase global food reserves and explore new energy sources. Although stylized facts clearly show that industrial development is the pillar of economic development, the industry may be sidelined when access to food is precarious and the daily food intake becomes a matter of survival. The findings for the long-term equilibrium show that the contribution of agriculture is predominant in Burkina Faso, Gambia and Nigeria. Countries such as Benin, Ghana, Mali, Niger, Senegal and Guinea have a comparative advantage in industry. In Cape Verde, Sierra Leone, Liberia and Guinea-Bissau, services sector is the leading economic sector.

ECOWAS countries need to build a new framework beyond ECOWAP based on a positive policy integration approach. This approach consists in grouping countries with the same comparative advantage in agriculture, industry or services sectors. Each group of countries will develop common institutions. This ideal situation calls for the abandonment of selfish interests in each country for the benefit of a better social optimum. A programme between similar countries can be a coping strategy. Especially in Liberia and Niger, the industrial sector in the long term is subject to the curse of natural resources particularly diamonds and uranium. Therefore, appropriate policy measures must be implemented such as an increase of domestic savings, a more taxation on industry to try to avoid booms, investment in education and infrastructure to increase competitiveness of other sectors and increase of anticorruption efforts. The decrease of the performance of all economic sectors in the long-term in Nigeria suggests that oil reserves could run out in the long-term and alternative strategies must be considered such as the diversification of the economy.

The results of this study also show the benefits of a positive policy integration on agriculture. Indeed, the impact of climate change is different according to the scenarios. Considering regional integration as currently pursued, the impact of climate change through changes in temperature and rainfall is significant with a high negative effect on agriculture per capita income. In a




scenario of a positive policy integration, the effect of climate change through changes in temperature and rainfall is neutral and totally eliminated. The explanation in the two scenarios is justified by the interlinking of economies. When economies with different potential fully benefit from the same environment in terms of market institution, it is easier to absorb shocks because a single economic policy is implemented for all countries. In short, the phenomena of compensation between sectors in different countries can eliminate the negative impact of climate change. Countries should strive for positive policy integration with the development of institutions. Consequently, positive policy integration is fundamental.

IntroductionEmpirical studies related to the development issues consider financial and trade openness as key determinants for growth. There are also plenty of studies on the sense of causality and channels through which financial and trade openness affect economic development.

In fact, for more than a decade, scholars have debated the possible link between trade policies and economic performance. While liberal economists advocate the need for liberalization to enhance growth (Kearl et al 1979; Bhagwati 2004), others suggest that protectionism is the way forward for a better development. This controversy continues to this day, yet we live in a period of intense trade. To name but a few, Krugman (1994) and Rodrik (1995) were skeptic about that link. They consider that the relationship between openness and growth is weak, otherwise non-existent. Two problems arise from that controversy. First, until recently, theoretical models could not establish a pertinent link between trade strategies and rapid growth equilibrium. Second, empirical literature was tempered by serious problems of data availability.

Besides, it is commonly admitted that financial development (considered by the orthodox literature as a consequence of financial openness) is an important determinant for growth (Levine 2004; Demetriades

and Andrianova 2004; Demetriades and Hussein 1996; Goodhart 2004). Rajan and Zingales (2003) focused their interest on the existence of local financial agents, what they call “incumbents”. These agents take advantage of the absence of financial openness (and thus the absence of international competition) to extract high rents from their preferred positions. Thus, they prevent the expansion and the development of financial and banking markets, for fear of eroding their rents on local markets. Rajan and Zingales (2003) argue the need for a simultaneous trade and financial openness in order to tackle these hurdles and achieve financial development. They contradict the theory of “sequencing” of McKinnon (1991) by assuming that simultaneous financial and trade liberalization weaken the opposition to the opening conducted by the incumbents.

However, despite the importance of the topic, economists have devoted a rather substantial amount of attention to the double openness issue in countries with sophisticated and well-functioning financial markets. Much less is known about these mechanisms in economies with less developed financial systems. Indeed, at present, the literature lacks a cross-country or cross-regional study able to produce general results about trade and financial openness in these countries.29 Specifically, in MENA countries, the uncertainty that surrounds the impact of synchronized

29 Except the work of Baltagi et al (2009).

Trade, Financial Openness and Economic Development: Panel Data Evidence From MENA CountriesBy Samouel BEJI, Assistant Professor at Faculty of Economics and Management of Sousse (University of Sousse-Tunisia). Researcher Affiliate at MoFID (Money and Development Finance, University of Sousse)




openness on output remains visible.

This study tries to fill this gap and foster research in this area. The aim is to show if a simultaneous trade and financial openness could be profitable for growth in MENA countries. We use econometric techniques applied on panel data for 18 countries from MENA region over the period of 1984-2012. The paper is structured as follows: Section 2 offers a brief description of the link between trade openness and growth as stated in the literature; Section 3 provides an overview of the relationship between financial development and economic development; Section 4 is dedicated to the consequences of financial openness on growth; Section 5 sheds light on the empirical methodology by explaining the model specification and presenting the data used to estimate the equation proposed as well as reporting the results; Section 6 presents the main findings and concludes.

Trade Openness and Economic Development LinkEconomic policies favoring export promotion and trade liberalization were among the most recommended strategies for developing countries. International economic and financial institutions played a prominent role in promoting such strategies since the beginning of the 1980’s. Indeed, since the end of the 1970’s until the end of the 1990’s, there were numerous empirical studies attesting the positive link between trade openness and growth (Michaely 1977; Kormendi and Meguire 1985; Dollar 1992; Edwards 1993; Sachs and Warner 1995; Frankel and Romer 1999).30 The origins of the theoretical underpinnings of this link are double. On the one hand, the neoclassical approach explains the gains from trade liberalization by comparative advantages whether they are coming from natural endowments (Hecksher-Ohlin model) or technological differences (Ricardo model). On the other hand, literature on endogenous growth stipulates that trade openness affects positively per capita income and growth through economies of scale and technological diffusion across countries. These endogenous growth theories view that openness to international 30 Blancheton. B (2004) : “Ouverture commerciale, croissance et dé-

veloppement : Malentendus et ambiguïtés des débats”, Première Journée du développement du GRES « Le concept de développement en débat », 16-17 septembre 2004.

trade provides access to imported products with high technological added value. It also facilitates the production of goods that require research and innovation for a better specialization (Harrison, 1996). In the same vein, Romer (1986) and Lucas (1988) added other arguments in favor of trade liberalization. Romer (1992), Barro and Sala-i-Martin (1995) were among others demonstrating that countries more open to the rest of the world have a greater capacity to absorb new technologies from developed countries. Barro and Sala-i-Martin (1995), for example, supposed a two countries world: a developed country and a developing. The two countries do not have the same endowments and capital movements are not allowed in this world. Technological innovations take place exclusively in the developed country (the leader), while the developing country (the follower) merely imitates new technologies from the leading country. The equilibrium growth rate in the developing country depends only of the cost of imitation and its initial stock of knowledge. If imitation costs are lower than those of innovation, the follower country would grow at a faster rate than the leader. Thus, it will be a trend towards convergence between the two countries. In this kind of model, it is expected to link the cost of imitation to the openness degree: more open a country is, better is the capture of new ideas and other technologies from the rest of the world (Obstfeld and Rogoff, 1996).

However, Grossman and Helpman (1992) consider that protectionism instituted by the implementation of restrictions on trade can be beneficial in some cases. Indeed, it encourages investment in innovative, research-intensive sectors and protects infant industries from international competition. They point out the Schumpeterian assumption that increased competition could discourage innovation by lowering expected profits. Yannikaya (2003) quotes Lucas (1988), Young (1991), Grossman and Helpman (1991) and Rivera-Batiz and Xie (1993) to show that trade integration affects countries differently even if it increases the global growth rate.

The ambiguity that characterizes the relationship between trade openness and growth in the literature has led to its consideration from an empirical standpoint. Given the difficulty to measure openness, economists used different empirical indicators to assess that link. Anderson and Neary (1992) developed an “index of trade barriers” which includes the effects of tariff and non-tariff barriers. However, it is only available for a small group of countries. But the

majority of studies have adopted the sum of exports and imports as share of GDP as an indicator of trade openness. Frankel and Romer (1999) found a strong link between trade openness and growth with taking into account the endogeneity of trade and choosing geographical variables as control variables. Irwin and Tervio (2002) found the same result by using the method of instrumental variables for three different periods: pre- World War I, the interwar, and the post-war periods. Other empirical studies have focused on the relationship between average tariff rates and growth. Lee (1993), Harrison (1996) and Edwards (1998) found a negative relationship between these rates and growth. Rodriguez and Rodrik (1999) have tried to reproduce the results of Edwards (1998). They found that the average tariff rate has a positive and significant effect on the total factor productivity growth for a sample of 43 countries over the period 1980-1990.

Studies of Harrison (1996), Edwards (1998) and Sala-i-Martin (1997) chose the black market premium (BMP) as a proxy for the severity of restrictions on trade in goods and services. They demonstrated the existence of a negative relationship between the BMP and the rate of growth. However, Levine and Renelt (1992); Rodriguez and Rodrik (1999) argue that the BMP is correlated with unfavorable policies such as high inflation, high external debt ratio and the weakness of the rule of law. Hence, the use of BMP is considered as a poor approximation and does not necessarily reflect the real situation. Yanikkaya (2003) used a wide range of indicators of openness on a bunch of countries over the past three decades. The results of his study showed the existence of a significant and positive relationship between trade openness and growth. However, the same study showed a positive correlation between proxies for tariff barriers and growth in less developed countries.31

We propose to consider the second part of the hypothesis of simultaneous opening. It is, in fact, the relationship between financial openness and growth which has been more controversy among theorists. The debate is explained by the specific nature of the financial system in the economy and the ambiguity of the finance-growth nexus in a context of international capital mobility.

31 Prabirjit. S (2007): “Trade Openness and Growth: Is there any Link”, MPRA Paper 4997, p. 10.

The Financial Development as a Factor of Growth The importance of having a resilient and efficient financial system gives incentives to countries to implement the right policies for its development. This awareness is based on the assumption that financial sector can lead to growth. We should draw on the history of economic thought to find the source of this hypothesis. Indeed, since the eighteenth century, Smith (1776) discussed in the “Wealth of Nations”, the role of banks in facilitating business. He argued that the banking industry can develop the country. He specified: “Every increase or diminution of capital, therefore, naturally tends to increase or diminish the real quantity of industry, the number of productive hands, and consequently the exchangeable value of the annual produce of the land and labor of the country, the real wealth and revenue of all its inhabitants”.32

In the nineteenth century, Bagehot (1873) drew attention to the fundamental role played by the British financial system in mobilizing and allocating financial resources to the most productive uses.33 A large part of the literature on finance-growth nexus evokes the pioneering work of Schumpeter (1911). He noticed the positive impact of financial development on growth of per capita income. The main argument developed by Schumpeter is that services provided by the financial sector encourage innovative activities and then boost growth (mainly the allocation of capital to the best projects without risk of potential losses due to moral hazard, adverse selection or high transaction costs). The empirical studies have confirmed these statements. A little later, Gurley and Shaw (1960) mentioned the role played by the credit channel on funding real activity. They also argued that differences in levels of economic development could be explained by differences in financial systems.34 Hicks (1969) emphasized the importance of financial innovations

32 Smith. A (1776): “An Inquiry into the Nature and Causes of the Wealth of Nations”, The Electronic Classics Series, Jim Manis (Edi-tor), PSU-Hazleton, Hazleton, PA, p. 223.

33 Abouch. M et Ezzahid. E (2007): “Financial Development and Eco-nomic Growth Nexus: The Moroccan Case”, 11èmes Rencontres Euro-méditerranéennes, Nice 15-16 novembre 2007, p. 2.

34 Trabelsi. M (2002): “Finance and Growth: Empirical Evidence from Developing Countries, 1960-1990”, Cahiers du Centre de Recherche et Développement en Economie (CRDE), Université de Montréal, N°13, p. 1.




that took place in the eighteenth century in the success of the first industrial revolution. However, the question raised following the emergence of this literature was whether financial sector plays a role in economic development or it follows “passively” a large movement of industrialization. Robinson (1952) considered that “where the enterprise leads, finance follows”.35 But the most important contribution lending support to the neutrality of finance came in 1958 with the theory of Modigliani and Miller. They demonstrated (in a free taxes and free transaction costs world) that the economic value of an asset is independent of how it is funded from debt or equity. Goldsmith (1969) pointed out that there is no possibility to establish with confidence the direction of the causal mechanism. He considered that it was unclear whether financial factors are backing the acceleration of growth or financial development is merely a reflection of the economic development.

Whereas Goldsmith (1969) was doubtful on the issue, other economists have shown their skepticism regarding the role of financial development. For instance, Lucas (1988) considered that economists have overestimated the importance of finance as a determinant of economic growth. In the same vein, Rajan and Zingales (1998) argued that the two concepts could not be linked by a causal relationship. First, financial development and economic growth may be dependent on common omitted variables as the propensity to save. Second, financial development (approximated by the amount of credits provided and the size of the financial market) permits the forecasting of growth rate. This is possible because mere observation of the activity on financial markets allows the anticipation of future growth. Indeed, the financial market provides an idea about the growth opportunities. The financial institutions lend more when considering that the economy will spend a period of expansion. Thus, financial development is a simple indicator of the economic health rather than a causal factor.

We can notice that the debate on the importance of finance in growth dates back a long time in the literature, and it continues until today to generate interest. Furthermore, no final outcome was found to this problem. On the contrary, many other issues have emerged from the main debate. Indeed, financial development could entail the improvement of real

35 Robinson. J (1952): “The Generalization of the General Theory” in “The Rate of Interest and Other Essays”, Macmillan, London, p. 86.

factors – the investment as example. It remains to be determined whether the beneficial effect occurs via increasing the volume of investment or by improving its efficiency.

Besides, the contribution of McKinnon (1973) and Shaw (1973) in the debate on finance-growth nexus was determinant. They believed on the prominence of finance in bolstering economic development. On this basis, they were the first theorists arguing the abolition of restrictions on the financial system for an optimal contribution to growth and better resources allocation. In fact, before the 1970’s, governments distort financial markets and impose impediments to capital mobility in order for governments to obtain resources to finance their deficits. Many emerging countries were inspired by the works of McKinnon (1973) and Shaw (1973) to conduct financial liberalization policies since the late seventies. At that time, the financial openness was seen as the appropriate policy to enhance the financial system performance and efficiency. These countries were advised by the experts of the international financial institutions, who trusted the recommendations of McKinnon and Shaw. However, the multiple episodes of financial crises lived by most emerging countries that approved financial liberalization since the late nineties, threw doubts on the wisdom of adopting such recommendations. The upgrading of the regulatory framework, having the right infrastructural and institutional bases, adopting good governance principles, having a healthy macroeconomic environment are among other prerequisites for a successful financial openness.

The Complex Relationship of Financial Openness and GrowthThe financial openness choice came after the knowledge of the existence of institutional and political obstacles that do not allow the financial system to grow in some developing countries. In fact, the McKinnon-Shaw framework of the “repressed” economy is based on the imposition by the governments of a set of policies, laws, formal regulations, and informal controls, that distort financial prices— interest rates and foreign

exchange rates— and inhibit the operation of financial intermediaries at their full potential.36 The question to ask then is: how should countries do to overcome the obstacles posed by politicians? The solution proposed was the financial openness as a step for a larger financial globalization. It is defined as the liberalization of domestic financial markets, liberalization of domestic financial institutions and the removal of capital and exchange controls. Thus, it is possible for any agent to come from abroad and invest in the domestic financial market, acquire shares in banks or other financial institutions and vice versa. At this stage, it is necessary to distinguish between the two types of financial openness: full financial openness and limited financial openness. The later consists of liberalizing the current account and it is accompanied by a control on the participation of foreign investors in the country’s financial institutions, as well as an exchange control. While the full financial liberalization is capital account openness accompanied by the abolition of any exchange control. Capital account openness is more difficult to achieve since it requires some prerequisites: control of inflation and budget deficit, diversification of the economic sources of income, modernization of the financial and banking system, sufficient level of exchange reserves, strength political institutions, good governance, etc. The financial openness is able to bolster the financial development and then growth by indirect and direct channels.

The Indirect Benefits of Financial OpennessAllow entry of goods, services and foreign investment in a domestic market formerly protected from international competition, entails lower market shares for the domestic companies. This decrease in profits leads them to seek external sources of funding. However, it is necessary for the financial system to solve information asymmetry problems before such request. Thus, domestic firms are more encouraged to accept the institutional reforms necessary to upgrade the domestic financial system. As a consequence, the enlargement of the domestic financial sector would boost growth. Rajan and Zingales (2003), as well as Svalaeryd and Vlachos (2002) find that trade openness 36 Denizer. C et al (1998): “The Political Economy of Financial Repres-

sion in Transition Economies”, World Bank Policy Research Working Paper, N°2030, p. 3.

will lead to better financial development through the mechanism described. Furthermore, the increased competition due to the foreign firms entry, would stimulate domestic firms and would encourage them to be more productive.

Due to financial openness, the possibility given to international financial institutions to invest in domestic ones is likely to promote financial development. It sharpens competition on domestic banking and financial markets. Indeed, when domestic firms acquire the ability to borrow from foreign credit institutions, it may be that domestic financial institutions lose market shares. The same is available with the implementation of international financial institutions with local subsidiaries. To compensate this loss, domestic financial institutions have an incentive to seek new customers to lend them credits. However, these institutions need a certain type of information on potential borrowers to better monitor and minimize credit risks. Therefore, domestic financial institutions will support institutional reforms to improve accounting standards, financial information disclosure as well as the legal framework governing bankruptcies and collaterals. With the financial openness, domestic financial institutions would support legal reforms which would improve the institutional infrastructure. These reforms allow them to improve their profits and to strengthen their property rights which encourage investment.

The Direct Benefits of Financial OpennessThe main benefit induced by financial openness is to improve the liquidity of financial markets and lower the cost of capital as a result. This is likely to stimulate investment and thus economic growth. The entry of foreign financial institutions on domestic markets, directly affects the financial development. Effectively, when those institutions access a local market, domestic operators feel compelled to improve their efficiency in order to ensure their “survival” with the new market conditions. Further, foreign financial operators provide domestic financial markets of best management practices gained from their experiences in the fields of finance and banking. Goldberg (2004) also adds that such practices enables and facilitates technology transfer from foreign institutions to domestic institutions. In addition, Mishkin (2003)




argues that such openness allows the improvement of prudential supervision. Domestic regulators would acquire techniques of risk management that have been efficient previously in the countries of new entrants. Besides, foreign financial institutions do not have the same informational capital as the domestic institutions. Therefore, they act to improve the institutional environment and then ensure a better access to financial information.

After reviewing the literature on the relationship between financial openness and trade liberalization and its impact on economic growth, we will present an econometric study applied on MENA countries with evidence from panel dynamic model.

Empirical StudyThe econometric model we have adopted is inspired from the work of Baltagi et al (2009).37 These authors tried to test the Rajan and Zingales hypothesis of the effect of simultaneous openness of trade and finance on financial development. In our study, we adopted the same model to test the effect of simultaneous openness on economic growth and not financial development. The countries composing our study sample are: Algeria, Bahrain, Egypt, Iran, Jordan, Kuwait, Lebanon, Libya, Morocco, Oman, Qatar, Saudi Arabia, Sudan, Syria, Tunisia, Turkey, United Arab Emirates and Yemen. The time span is 1984-2014.

Model SpecificationThe equation to be estimated is:

(1)

With GDP is per capita GDP, FD is an indicator of financial development, TO is an indicator of trade openness, FO is an indicator of financial openness and FO*TO is the interaction term between financial openness and trade openness.

With: where (i.i.d)

is a country specific fixed effect and εt is a time specific fixed effect.

We expose in what follows the adopted econometric method to estimate the model parameters.

37 Baltagi. B, Demitriades. P and Law. S. H (2009): “Financial Develop-ment and Openness: Evidence from Panel Data”, Journal of Deve-lopment Economics, 89, pp. 285-296.

MethodologyDue to the dynamic nature of the model, a correlation between the lagged endogenous variable and the error term leads to biased and inconsistent OLS estimates. The inclusion of the lagged dependent variable in the equation implies a correlation between one of the regressors (lnGDPit-1) and the error term (Uit) since the lagged dependent variable is function of Uit-1

which includes the country specific effect (µi).

(2)

With

We notice the existence of a relationship between lnGDPit-1, which is a regressor in equation (1) and the country specific fixed effect which is included in the error term Uit. Because of this correlation, the estimation suffers from the Nickell (1981) bias, which disappears only if T tends to infinity. In order to heed for the autoregressive nature of the model, the preferred estimator in this case is General Method of Moments (GMM) suggested by Arellano and Bond (1991). This estimator basically differentiates the model to get rid of country specific effects or any omitted time-invariant country specific variables.38

However, there are two types of GMM estimator for dynamic panel data: the first-differenced GMM panel data estimator and the system GMM estimator. The first type of GMM estimator developed by Arellano and Bond (1991) takes first-differences to weed out unobserved time-invariant country-specific effects, and then instrument the right-hand-side variables in the first-differenced equations using levels of the series lagged two periods or more. The system GMM estimator thus combines the standard set of equations in first-differences with suitably lagged levels as instruments, with an additional set of equations in levels with suitably lagged first-differences as instruments.39 Blundell and Bond (1998) have had tested this method with Monte Carlo simulations and have found that the GMM system is more efficient than the first differenced GMM estimator.40 In practice, 38 Baltagi et al (2009): “Financial Development and Openness: Evi-

dence from Panel Data”, Journal of Development Economics, 89, p. 287.

39 Bond. S. R et al (2001): “GMM Estimation of Empirical Growth Mo-dels” CEPR Discussion Papers 3048, C.E.P.R. Discussion Papers, p. 9.

40 Blundell, R and S. Bond (1998): “Initial Conditions and Moment Res-trictions in Dynamic Panel Data Models”, Journal of Econometrics, 87, N°1, p. 116.

the GMM system estimator has several advantages given that it takes into account country-specific effects, while allowing addressing issues associated with endogeneity, measurement errors, and omitted variables.41

A special feature of the dynamic panel data GMM estimation is that the number of moment conditions increases with T. Therefore, a Sargan test is performed to check the overall validity of instruments. Moreover, in order to verify the assumption of the absence of serial correlation in error terms, we run a second test called the 2nd order autoregressive test AR(2).

Data sources and variables descriptionIn order to run our econometric models, we gathered data from different sources. According to the availability of these data, the treatment of incomplete panels is imperative. Each variable is then observed over a varying time period and the dynamic panel model for MENA countries is unbalanced.

The dependent variable GDP which is approached by the per capita GDP expressed in current international dollar is extracted from World Development Indicators Database of the World Bank (WDI-WB 2015).

For the financial development indicator, we took into account two indexes:

•DCBS: Domestic credit provided by the banking sector includes all credit to various sectors on a gross basis, with the exception of credit to the central government, which is net. The banking sector includes monetary authorities and deposit money banks, as well as other banking institutions. Examples of other banking institutions are savings and mortgage loan institutions and building and loan associations. This index is among the most used indicators for banking development. According to Rajan and Zingales (2003), it gives an assessment of the opportunities offered to an entrepreneur or a firm to fund their projects.

•SMK: Stock market capitalization of listed companies as share of GDP. The market capitalization (also known as market value) is the share price times the number of shares outstanding. Listed domestic companies are the domestically incorporated companies listed on the country’s stock exchanges at the end of the year. Listed companies do not include investment companies, mutual funds, or other collective investment vehicles.

41 Kpodar, K and R J Singh (2011): “Does Financial Structure Matter for Poverty: Evidence from Developing Countries”, Policy Research Working Paper 5915, December, p. 11.

It gives an assessment for the size of the financial market in a country. While this is perhaps the most important indicator of capital market development and is widely used in the literature, its main weakness is that it may fluctuate excessively over time, reflecting any excess volatility in stock prices.42

These two indexes are extracted from World Development Indicators Database of the World Bank (WDI-WB 2015).

Trade openness is measured by the sum of exports and imports as share of GDP. World Development Indicators Database of the World Bank (WDI-WB 2014) is the source of that indicator.

Financial openness is approached by KAOPEN, which is the Chinn-Ito index for financial liberalization. KAOPEN is based on the four binary dummy variables reported in the IMF’s Annual Report on Exchange Arrangements and Exchange Restrictions (AREAER). These variables are to provide information on the extent and nature of the restrictions on external accounts for a wide cross-section of countries. These variables are:

• k1: variable indicating the presence of multiple exchange rates;

• k2: variable indicating restrictions on current account transactions;

• k3: variable indicating restrictions on capital account transactions; and

• k4: variable indicating the requirement of the surrender of export proceeds.

In order to focus on the effect of financial openness – rather than controls – Chinn and Ito (2005) reverse the values of these binary variables, such that the variables are equal to one when the capital account restrictions are non-existent. The source of this index is Chinn and Ito (2008) (updated to 2010). We also used other financial openness indexes:

LANEFINOP is a de facto financial openness index, unlike KAOPEN considered as de jure financial openness index. For Lane and Milesi-Ferreti (2007) LANEFINOP, which is the sum of foreign assets and liabilities as share of GDP, is more appropriate than KAOPEN. The source of this indicator is: Lane and Milesi-Ferreti (2007).

FINREFORM is constructed on the basis of 7 internal and external sub-indicators of financial liberalization:

42 Baltagi. B. H et al (2009): op, cite., p: 289.




• Credit controls and excessively high reserve requirements;

• Interest rate controls;

• Entry barriers;

• State ownership in the banking sector;

• Capital account restrictions;

• Prudential regulations and supervision of the banking sector; and

• Securities market policy.

Along each dimension, a country is given a final score on a graded scale from zero to three, with zero corresponding to the highest degree of repression and three indicating full liberalization. Since each of the seven components can take values between 0 and 3, the sum takes values between 0 and 21. The source of this indicator is: Abiad, Detragiache and Tressel (2008).

ResultsWe now report the results using the system GMM estimator. We used the White procedure to avoid eventual heteroscedasticity problem for the standard deviations.

Table. 1. Empirical results

Expected Sign (1) (2) (3) (4) (5) (6)

Lagged Economic Development (-)

0,522(0,000)***

0,51(0,000)***

0,568(0,000)***

0,51(0,000)***

0,511(0,000)***

0,543(0,000)***

DCBS(+)

0,12(0,008)***

0,113(0,52)*

0,15(0,043)**

SMCLC(+)

0,175(0,02)**

0,03(0,102)*

0,11(0,16)

Trade Openness(+)

0,365(0,032)**

0,37(0,036)**

0,348(0,1)*

0,541(0,004)***

0,671(0,000)***

0,135(0,458)

KAOPEN(+) or (-)

-0,175(0,067)*

-0,169(0,087)*

LANEFINOP(+) or (-)

-0,577(0,000)***

-0,342(0,001)***

FINREFORM(+) or (-)

-0,311(0,002)***

-0,244(0,024)**

Interaction Term(+) or (-)

0,051(0,111)

-0,05(0,03)**

-0,157(0,000)***

-0,007(0,024)**

-0,006(0,044)**

-0,006(0,024)**

Intercept -2,5(0,272)

-2,46(0,366)

-3,331(0,1)*

1,521(0,134)

0,884(0,393)

6,18(0,000)***

Observations 429 418 336 464 633 334

Sargan Test 6,31(0,111)

4,45(0,067)

7,18(0,311)

9,43(0,226)

8,55(0,067)

7,69(0,8)

AR(1) -1,59(0,231)

-1,71(0,087)

-1,83(0,068)

-1,87(0,062)

-1,27(0,206)

-1,15(0,25)

AR(2) -1,16(0,247)

-0,55(0,585)

-1,88(0,06)

-1,41(0,158)

-1,38(0,168)

-1,05(0,296)

Wald Test 9,61(0,000)

15,42(0,000)

6,91(0,000)

7,55(0,000)

10,08(0,073)

10,08(0,073)*

Notes: Figures in parentheses are p-values. For AR(1), AR(2) and Sargan test, null hypotheses is respectively absence of first order, second order autocorrelation and validity of lagged variables as instruments. For Wald test, null hypothesis is explanatory variables joint insignificance. Financial development is considered as endogenous variable. Dummy time variables are included and are considered as exogenous variables.

***, ** and * denote significant at 1%, 5% and 10%, respectively.

We focus on coefficients β3, β4 et β5 since the former reflects the marginal effect of trade openness on economic development; the second reflects the financial openness effect and the last that of the interaction between these two types of openness. This interaction effect is expected to shed light on the simultaneous openness of trade and finance. In fact, the total effect of an increase in trade openness and / or financial can be calculated by examining the partial derivatives of economic development compared to two types of openness:

The assumption of Raguram and Zingales (2003) is satisfied if all coefficients are positive. However, the results show that only is significantly positive in all cases. This result remains robust whether financial development is approached by the ratio DCBS or SMK. Similarly, this finding does not change whether we take into account financial openness de facto or de jure.

These results confirm the idea of sequencing and gradualism in the conduct of economic reforms. In fact, according to McKinnon (1991), the capital account liberalization should be the last of a series of reforms and should take place once trade liberalization completed. In the same vein, Chinn and Ito (2006) found that for developed and developing Asian countries trade liberalization was a prerequisite for financial openness. Moreover, Haggard and Maxfield (1993) demonstrates that trade openness is a prerequisite for financial openness, while Leblang (1977) found no effect of trade liberalization on financial liberalization. Aizenman and Noy (2004) found a bidirectional relationship between financial openness and trade liberalization. However, they also found that financial openness leads to trade liberalization rather than the reverse. Tornell et al (2004) showed that financial liberalization has always followed the trade liberalization in the last two decades.

The coefficient β4 representing the marginal effect of financial openness is significantly negative in all

cases. This result confirms the thresholds approach findings for the realization of the globalization benefits. In fact, according to the proponents of that approach, the capital account openness is source of advantages and economic benefits even in developing countries. However, the occurrence of such benefits requires a bunch of economic prerequisites and institutional conditions. To this end, empirical studies focusing on the relationship between financial openness and growth have found that there may be threshold effects (Kose et al. 2006, Ito 2006). In other words, financial openness seems to have positive effects on the economy only beyond a given level of development. Effectively, when property rights are not protected or when laws are not enforced in a legal system, foreign direct investment cannot be effective in achieving their goals. Foreign investors are deemed to suddenly withdraw their funds and flee to invest them elsewhere at the slightest sign of trouble (cut and run).43

A country with no adequate laws for insolvency is likely to be severely affected in case of panic, precipitating the collapse of the companies in which foreign capital has been invested. In addition, the nature of foreign investment may be significantly different depending on the quality of the institutional infrastructure of the country. The institutional quality encompasses the quality of public and private governance, the legislative strength, government transparency, the level of corruption, etc. Faria and Mauro (2005) found that institutional quality in an emerging economy helps attract more foreign direct investment to the detriment of portfolio investment. These are more risky and easier to withdraw in case of panic. Another advantage of FDI is that foreign investors are more involved in the governance and enable the transfer of technology and managerial know-how that does not allow portfolio investment.44

43 Prasad. E et Rajan. R (2008): “A Pragmatic Approach to Capital Ac-count Liberalization”, Journal of Economic Perspectives, 22(3), p. 154.

44 Faria. A et Mauro. P (2005): “Institutions and the External Capital Structure of Countries”, IMF Working Paper, N°236, p. 5.




Conclusion The aim of this paper is to test the Rajan and Zingales assumption about the rationality of simultaneous trade and financial openness. Even if they tested the impact on financial development, we chose to check the impact of liberalization of finance and trade on economic development. The underlying idea is that financial development acts positively on growth. Also it is one of the hypotheses that we tried to test in this paper. The results found in our study disprove the suggestions of Raghuram and Zingales (2003). Indeed, for the sample of countries considered, we found that only trade liberalization is beneficial to economic development as well as financial development. Financial openness is detrimental for growth in such conditions, which confirms the findings of the thresholds approach. Under that view, minimum levels of institutional development, macroeconomic stability and trade openness must be achieved. Only in such case, capital account liberalization can positively influence growth.

SESSION7

Growth and Exogenous shocks

Croissance et chocs exogènes




l’UEMOA Par Léleng Kebalo, Université de Lomé, Département d’économie

IntroductionDe par les échanges commerciaux mondiaux et le mouvement de développement financier amorcé ses dernières décennies, les pays africains sont devenus des entités géographiques fortement connectés au reste du monde. Pour illustration, les exportations de l’Afrique n’ont cessé d’augmenter et ont même quadruplé entre 2000 et 2010 avec l’Europe, les Etats Unis et la Chine comme principaux partenaires commerciaux (Gurara et Ncube, 2013 ; Rapport de la Banque africaine de développement de 2013, AfDB AEO 2013). Pour 60% des pays africains, les exportations vers le reste du monde s’élèvent à près de 30% de leur produit intérieur brut global. Cependant leurs parts prises de manière globale les pays de l’Afrique dans le commerce international restent très faibles (Banque africaine de développement, 2013). En contrepartie, les flux de capitaux, les investissements directs étrangers et les transferts des migrants en direction de l’Afrique ont accru le développement financier du continent africain.

Les pays de l’union économique et monétaire ouest-africaine45 (UEMOA) n’ont pas été et ne sont pas à la 45 Les pays de l’Union économique et monétaire ouest-africaine

marge de toutes ces caractéristiques de la conjoncture économique et financière africaine. Au contraire, l’activité économique de ces pays (UEMOA) est liée à celle du reste du monde tant au niveau du secteur réel que celui financier. Les économies de l’union dépendent fortement des échanges mondiaux car ces pays sont des producteurs de matières premières minières comme agricoles. Historiquement, il a toujours été démontré que la conjoncture économique mondiale influence l’activité économique de ces pays et comme pour toute économie ouverte Δ Théorie de Mundell Fleming Δ, l’accroissement de ces liens fait que ces pays Δ considérés comme de petits pays ouverts Δ sont directement ou indirectement sujets aux retombées positives comme négatives qui découlent de l’activité économique mondiale, surtout celles des principaux partenaires commerciaux.

Notre papier cherche à analyser les retombées des chocs de demande globale, en y mettant au centre, l’avènement de la crise économique récente de 2008, sur l’activité économique des pays de l’union économique et monétaire ouest-africaine pris individuellement. Il faut noter avant toute chose que la majorité des pays de l’UEMOA ont bénéficié de la conjoncture économique de la période de modération46 Δ avant l’avènement de la crise Δ entrainant une amélioration de leur activité économique. Cependant, la crise économique et

sont les suivants : Bénin, Burkina-Faso, Côte d’Ivoire, Guinée-Bissau, Niger, Mali, Sénégal, Togo

46 Période de modération est caractérisée par une période de forte croissance économique et une faible inflation

Tailles et sources des retombes des chocs mondiaux et régionaux sur l’activité économique des pays de

financière récente qui a entrainé un ralentissement de l’activité économique mondiale, se traduisant par une régression de la richesse mondiale de à entre 2007 et 2009, est venue rompre cette belle dynamique (source : données de la banque mondiale sur les indicateurs de développement mondiaux, 2016). Ainsi, les géants économiques mondiaux (pays développés) ont connu sur le même intervalle temporel (2007 – 2009), une phase de ralentissement économique se chiffrant de à pour l’union européenne, à - pour le Canada, à pour le Japon et de à pour les Etats-Unis. Cette crise de demande globale n’est d’autre qu’une baisse généralisée des exportations mondiales (voir figure 1). Le volume des exportations mondiales rapporté à la richesse mondiale est passé de à entre 2007 et 2009. Par exemple, pour l’Union Européenne, le volume des exportations rapportées à la richesse intérieure nationale est passé en 2008 de à en 2009 ; au Canada, il est passé en 2008 de à en 2009 ; au Japon, de à ; et enfin aux Etats-Unis, de à; aussi sur la période de 2008 à 2009 pour ces deux derniers. La baisse des exportations des industries des pays développés et l’entrée en récession de la Chine, ont amené les industries des pays avancées et émergents à réduire significativement leurs demandes d’intrants (matières premières). Ce qui par conséquent, a affecté l’activité économique des pays en développement et plus précisément ceux de l’union économique et monétaire ouest-africaine de par la baisse des exportations de leurs matières premières dont ils sont fortement dépendants (voir figure 2). Les effets de la crise ont donc varié en fonction des spécialisations économiques et avantages comparatifs des pays et de leurs relations avec l’activité économique des pays développés (Audiguier, 2012).

Figure 1 : Evolution de la conjoncture économique mondiale

Figure 2: Volume des exportations des pays de l’UEMOA (en % du PIB)

Figure 3: Balance courante de l’UEMOA (en % du PIB)

Source : Données de la banque mondiale sur les indicateurs de développement, 2016

Lorsque nous observons les figures 2 et 3 portant sur les évolutions du volume des exportations et de la balance courante, nous remarquons que la baisse de la demande des pays industrialisés a entrainé en générale, une baisse du volume des exportations des pays de l’UEMOA et une détérioration de leur balance courante. La baisse des exportations et la détérioration de la balance courante ont causé, un ralentissement de l’activité économique des pays de l’UEMOA en 2009 ; période phare de la récession économique (voir figure 4). Cependant pour être de plus en plus précis sur le cas des pays de l’UEMOA, l’on remarque que des pays comme le Burkina-Faso et le Sénégal ont connu une amélioration de leur balance courante respective au cours de la période de stress économique mondiale récente contrairement aux pays tels que le Mali, le Niger, la Guinée Bissau et le Bénin qui ont connu une




période de détérioration de leur balance courante et un ralentissement de leur activité économique. Nous gardons une certaine réserve sur le cas de l’activité économique de la Côte d’Ivoire qui a connue au cours de la période post-stress économique une crise socio-politique qui a fragilisé et influencé énormément son activité économique. L’analyse de ses faits stylisés nous amène à chercher à savoir le pourquoi de ce changement de dynamique dans l’évolution de l’activité économique des pays de l’UEMOA.

Figure 4: Taux de croissance des pays de l’UEMOA (en %)

Source : Données de la banque mondiale sur les indicateurs de développement mondiaux, 2016

En recherchant à analyser les retombées des chocs de demande globale sur l’activité économique des pays de l’UEMOA, l’idée de ce papier est d’identifier les principales entités géographiques qui ont servi de canaux de transmission aux retombées des chocs de demande globale qui ont eu des répercussions sur l’activité économique des pays de l’UEMOA et surtout d’évaluer la taille de ces dernières. Ceci constitue l’une de nos contributions majeures compte tenus des travaux effectués sur les effets de la récession générale sur les pays de l’Afrique subsaharienne (Kasekende et al. ,2009 ; Drummond et Ramirez, 2009 ; Allen et Giovannetti, 2011 ; Gurara et Ncube, 2013). La particularité de ces travaux déjà effectués, portent sur l’ensemble des pays de l’Afrique subsaharienne. Cependant peu de travaux se sont intéressés aux effets de la crise récente sur les pays de l’UEMOA pris individuellement et surtout de chercher à identifier les régions économiques à travers lesquelles la récession générale a eu des retombées sur leur activité économique.

Notre papier vise à évaluer, de façon empirique, la taille des retombées des chocs de demande globale

sur l’activité économique des pays de l’union pris individuellement, et d’identifier la contribution relative des partenaires commerciaux dans la transmission des effets de la récente crise mondiale. En termes d’objectifs précis, il s’agit, (01) de vérifier l’existence d’un effet du choc de demande globale et si l’effet y existe, d’évaluer la taille de l’effet du choc sur l’activité économique des pays de l’union pris individuellement. Ensuite (02), il s’agit de voir si l’avènement de la récente récession générale a modifié ou non l’effet de la conjoncture économique mondiale sur celle des pays de l’UEMOA. Après (03), nous cherchons à identifier les régions économiques à travers lesquelles cet impact a eu lieu ; et enfin (04) nous cherchons à voir si la contribution des partenaires commerciaux dans le choc économique a connu un quelconque changement avec l’avènement de la récession générale. Une telle étude donne des indications partielles sur les mesures économiques à prendre lorsque l’activité d’un ou des partenaires commerciaux des pays de l’UEMOA connait ou connaissent des phases de décélération faibles, moyennes ou aigues.

Pour atteindre nos objectifs, nous utilisons des modèles vectoriels autorégressifs structurels (SVAR). La modélisation SVAR est une méthode très utilisée pour mesurer les retombées des chocs économiques. Ceci étant, elle est à la fois puissante et robuste dans la mesure où elle donne pour une économie, sa réponse face aux perturbations économiques ou financières. Nous considérons comme dans le papier de Ayvazyan et Dabán (2015), trois types de chocs auxquels les pays de l’UEMOA sont susceptibles d’être affectés. Dans notre modèle, tout d’abord (1), un choc d’offre mondiale est introduit et ce dernier représente les variations des prix des produits de base mondiaux qui sont approximés par l’indice des prix de pétrole du FMI (IMF’s crude oil prices index). Le choix de ce choc se justifie par le fait que les pays de l’UEMOA sont en majorité des importateurs de produits pétroliers et manufacturiers. Ensuite, nous considérons (2) un choc financier compte tenu du mouvement de développement du secteur financier dans les pays de l’UEMOA. Et enfin (3) compte tenue de l’influence de l’évolution de l’activité mondiale sur les petits pays ouverts tant développée dans la littérature économique, nous introduisons dans notre analyse un choc de demande mondiale.

L’analyse effectuée montre que seuls quatre47 des huit pays de l’UEMOA ont vu leurs activités économiques 47 Bénin, Burkina-Faso, Côte d’Ivoire et Guinée Bissau

être influencées par la conjoncture économie mondiale avant la crise de 2008. Hormis le Burkina-Faso pour lequel cet effet a été négatif, l’évolution de l’économie mondiale avant la crise a été bénéfique pour les économies telles que celle de la Côte d’Ivoire, du Benin et de la Guinée-Bissau. Au cours de la période de crise, il en de même, avec quatre des huit pays, qui ont été affectés par les chocs de demande globale Si les pays tels que la Côte d’Ivoire, le Bénin présentent les effets attendus de la crise économique, soit une détérioration de leur activité économique respective, les chocs de demande mondiale au cours de la période de stress ont eu des effets positifs sur l’activité économique du Burkina-Faso et du Sénégal en revanche. En ce qui concerne les sources nous notons une différenciation des zones géographiques et de leurs contributions respectives dans les effets du choc de demande globale avant et après l’avènement de la crise de 2008. La France, l’Asie et la CEDEAO sont les principales zones géographiques à travers lesquelles les retombées du choc de demande globale se transmettent aux pays de l’UEMOA.

Le reste de notre document se présente comme suit : la section 2 présente la littérature sur la question de recherche et la contribution de notre papier à la littérature existante ; la section 3 présente la méthodologie explicite et nécessaire pour atteindre nos objectifs de recherche ; la section 4 présente et interprète les résultats ; la section 5 prodigue quelques recommandations de politiques économiques et enfin la section 6 conclut notre papier de recherche.

Chocs Economiques Mondiaux Recents, Effets et Canauxd de Transmissions : Une Revue Sur les Pays en Developpement L’on ne peut mesurer effectivement et exactement les effets des crises économiques et financières car nous n’aurons jamais pu savoir ce qui devrait advenir sans ces crises (Debauche et al., 2011 ; Krugman, 2012).

Mais le plus important est de savoir qu’on ne pourra plus rattraper la tendance économique passée sur laquelle les pays se situaient. L’on ne peut chercher qu’à tirer des leçons et à prendre des mesures économiques de résiliences contre les futures ruptures économiques. Cette revue de littérature présente les effets des chocs mondiaux récents sur l’activité économique des différents groupes de pays mondiaux d’une part et d’autre part sur les différents canaux de transmissions de ces effets.

La crise économique qui s’est traduite par un fort choc négatif de demande mondiale de biens et entrainant une baisse significative de la production des pays industrialisés, n’est d’autre que la transmission d’une crise financière Δ amorcée aux Etats-Unis Δ à la sphère réelle mondiale (Kowalski and Shachmurove, 2014). Ainsi dans les pays développés et fortement imbriqués au système financier international, la transmission a été effective à travers quatre principaux canaux à savoir (1) le rationnement du crédit compte du comportement pro-cyclique des institutions bancaire et financière (Δ accélérateur financier Δ Bernanke et al., 1999), et le coût du crédit (hausse des valeurs des collatérales) ; (2) la baisse de la demande intérieure des ménages due à l’endettement élevé des ménages (Coudert et Mignon, 2011) ; (3) le changement d’anticipation des investisseurs et enfin, (4) un problème de confiance généralisée aux systèmes économiques et financiers (Krugman, 2012). Les effets économiques et sociaux directs de cette crise ont été considérables et sources d’amertume mondiale (Blanchard et al, 2014 ; Grusky et al, 2011 ; Krugman, 2012 ; Bell et Blanchflower, 2011).

Contrairement aux pays développés, de manière générale, la crise économique et financière de 2008 a eu un impact léger sur les pays en développement compte tenu de leur faible intégration au système financier international (Allen et al., 2011 ; Allen et Giovannetti, 2011). Il est important de noter que les pays en développement, étant des petits pays Δ modèle de Mundell et FlemingΔ voient leur activité économique fluctuée en fonction des chocs provenant des marchés mondiaux. Ainsi, pour ces pays, compte tenu du faible niveau de développement financier, les canaux indirects réels de la crise ont prévalu. En effet, la source des retombées ou des perturbations de l’activité des pays en développement réside dans le ralentissement de l’activité économique des pays développés (te Welde, 2008 ; Hugon, 2009 ; Gregory et al., 2010). Les déficits publics des pays industrialisés ont créé des effets d’éviction vis-à-vis des pays en développement.




Le ralentissement de l’activité des pays développés a affecté celle des pays émergents et en développement grâce à deux grands canaux. Nous avons d’un côté celui (i) des flux financiers (Hugon, 2009 ; Chauvin et Geis, 2011 ; Kasekende et al., 2009). Le changement de comportement des investisseurs internationaux et celle des filiales des banques multinationales, ont entrainé une baisse du volume de crédits, entrainant aussi la baisse des investissements directs étrangers. Ensuite, l’autre effet d’éviction dû au ralentissement de l’activité économique des pays développés durant les moments de stress économique fut celui de la baisse des aides publiques au développement provenant des donateurs internationaux, dont les pays moins développés avaient besoin pour créer plus de croissance et soutenir leur développement économique et social. Enfin, le dernier effet d’éviction fut la baisse considérable des transferts de fonds des migrants à cause des pertes d’emplois et de la baisse du niveau de revenu des immigrés atrophié dans les secteurs immobiliers des pays industriels (Espagne, Etats-Unis, Royaume-Uni …). D’un autre côté, l’autre canal de transmission fut (ii) celui des échanges commerciaux (Berman et Martin, 2009 ; Humphrey, 2009 ; Griffith-Jones et Ocampos, 2009). La chute de la demande mondiale des pays développés industriels et la montée du protectionnisme ont réduit les exportations africaines en termes réelles. Ainsi face à cette baisse de demande et à l’augmentation de l’offre sur les marchés mondiaux, les prix des matières premières agricoles (sauf le sucre, le maïs, le cacao) comme minières (sauf l’or à cause de sa propriété de « valeur refuge ») ont commencé à baisser, faisant donc fluctuer l’activité économique, les balances commerciales et le niveau des prix des pays (Gurara et Ncube, 2013, Dolphin et Chappell, 2010 ; Audiguier, 2012). Pour les pays de l’UEMOA par exemple, la déstabilisation ou la peine économique a été effective au travers des exportations de matières premières dont ils sont fortement dépendants tandis que pour les pays asiatiques par exemple, ce fut de par les exportations des produits manufacturés à forte intensité de main d’œuvre.

Il faut noter que c’est ce dernier aspect de la transmission des effets de la crise sur les pays en développement qui nous intéresse : c’est-à-dire le canal des échanges mondiaux. La majorité des travaux effectués au sein de la littérature économique s’intéressent aux canaux de transmission de chocs tels que les flux financiers (investissement direct à l’étranger, fonds des migrants, aides publiques au développement) et le commerce. Cependant au

niveau du commerce, peu d’études s’intéressent à identifier les entités géographiques, partenaires commerciaux au travers de qui, ses chocs mondiaux se transmettent, et surtout chercher à calculer leurs contributions relatives dans les effets des chocs de demande globale. Ayvazyan et Dabán (2015) sur une période allant du premier trimestre de l’année 2000 à celui de l’année 2014, ont cherché à identifier les canaux de par lesquels les chocs mondiaux avaient un effet sur l’activité économique de l’Arménie, et surtout d’identifier le secteur d’activité le plus affecté par les chocs mondiaux. Ils ont trouvé que la Russie et l’Union Européenne sont les entités géographiques à travers lesquelles les chocs de demande mondiale ont un effet sur l’activité économique de l’Arménie que ce soit par le canal des échanges commerciaux ou celui financier. En plus de ce résultats, ils trouvent que les secteurs économiques les plus touchés sont le ceux des services et de la construction. La Russie et l’Union européenne sont responsables respectivement environ 70 et 21% de l’effet total des chocs mondiaux sur l’économie arménienne.

Notre papier va dans le même sens que celui de Ayvazyan et Dabán (2015). Cependant, comme champ d’investigation, nous nous focalisons sur le cas des pays de l’UEMOA, car aucun travail de ce genre ne s’est effectué sur cette zone monétaire. D’où l’objectif de contribuer dans ce sens. L’idée est aussi d’évaluer le niveau d’intégration des économies de l’UEMOA à l’activité économique mondiale. Dans notre papier, nous focalisons plus notre analyse sur le canal du commerce en cherchant à évaluer la contribution relative des partenaires commerciaux des pays de l’UEMAO dans les effets des chocs de demande globale qui ont un effet sur leur activité économique. Une autre contribution du cette étude à la littérature économique, est la prise en compte de l’avènement de la crise de 2008, dans le calcul des contributions. Il s’agit donc de voir si la contribution des partenaires commerciaux dans le choc de demande globale a connu un quelconque changement avec l’avènement de la récession générale de 2008.

MethodologieNous cherchons à quantifier approximativement la contribution de l’activité économique d’une entité géographique — partenaire commercial en termes d’exportations — dans un choc de demande globale qui est censé avoir des effets sur l’activité économique réelle des pays de l’UEMOA ; pris individuellement.

L’objectif n’est pas d’effectuer une décomposition précise des effets du choc de demande globale, en contributions individuelles des pays partenaires commerciaux des pays de l’UEMOA. L’objectif réel est plutôt de pouvoir évaluer la contribution d’un partenaire dans la transmission des chocs et aussi d’évaluer la taille de ses effets sur l’état économique des pays utilisateurs du Franc CFA (franc de la communauté financière d’Afrique) en Afrique de l’ouest. Pour y arriver, nous empruntons l’approche méthodologique de Bayoumi et Swistom (2009) ; une méthodologie basée sur le modèle vecteur autorégressif structurel (SVAR). Cette méthodologie consiste à calculer la contribution de l’activité économique des partenaires commerciaux dans un choc mondial en deux étapes. La première étape consiste à calculer les parts des partenaires commerciaux en termes d’exportations des pays de l’UEMOA et la seconde étape consistera à effectuer des simulations pour obtenir la contribution des partenaires commerciaux dans le choc de demande globale.

Nous choisissons préalablement, les principaux partenaires commerciaux en termes d’exportations des produits des pays de l’UEMOA. Les entités géographiques considérées dans notre analyse sont : la France (pour le lien coloniale historique), l’Union européenne hors France ( pour les accords économiques ACP-UE et aujourd’hui les Accords de partenariats économiques), les Etats Unis ( pour sa nature de grand importateur de matières premières stratégiques), la Chine (à cause de sa politique de rattrapage économique à partir des années 2000), le reste des pays de l’Asie hors Chine (pays émergents), la CEDEAO (du fait d’être le bloc économique au sein duquel cohabite les pays de l’UEMOA), et enfin le reste de l’Afrique (hors CEDEAO). Ensuite nous calculons les parts individuelles des exportations des pays de l’UEMOA vers ces différentes entités géographiques. Ces parts sont obtenues par le rapport du volume des exportations d’un pays de l’UEMOA vers une entité sur le total des exportations d’un pays de l’UEMOA en volumes :

Les parts α calculés dans notre papier sont comparées à celles des examens de politiques commerciales pour éviter toute divergence significative de données. Les parts obtenues gardent les tendances de celles des examens de politiques commerciales mais les différences sont quasi-insignifiantes. Les données sont

obtenues de la base de données de la Banque centrale des états de l’Afrique de l’ouest (BCEAO, 2016) et ces parts calculées nous permettent d’implémenter le choc de demande globale. Nous calculons en effet deux types de parts moyennes. Nous avons les parts avant la crise et celles à partir de l’avènement de la grande récession début 2008. La période explorée va de 1996 à 2014.

Les données

Il est évident que les comportements macroéconomiques sont plus précis et visibles lorsque les investigations sont entreprises sur des données trimestrielles. Cependant, face au manque de disponibilité des données macroéconomiques des pays de l’UEMOA à fréquence trimestrielle, nécessaires pour effectuer notre analyse, nous trimestrialisons nos données annuelles par un procédé sous le logiciel Eviews. Le procédé utilisé est celui du ‘Quadratic-match average’, qui effectue une interpolation quadratique locale des données de basse fréquence pour remplir les observations élevées. Il s’agit d’un polynôme quadratique local prenant des ensembles de trois points adjacents à partir des données de basse fréquence et ajustant un quadratique de sorte que la moyenne des points de haute fréquence corresponde aux données de basse fréquence effectivement observées. En ‘trimestrialisant’ nos données, nous gagnons en degré de liberté et nous disposons donc assez d’observations pour bifurquer aussi notre période d’analyse. Dans notre analyse, dans le but d’étudier l’existence d’une possible rupture de dynamique avec l’avènement de la crise, nous bifurquons notre intervalle temporel. Ainsi, nous avons une première période représentant la période avant la crise, soit de 1996q1 à 2007q4 et une seconde période allant de 2008q1 à 2014q4, soit la période représentative de la crise. Cette bifurcation de la période nous permet aussi d’analyser l’existence d’un changement ou non des contributions des entités géographiques considérées dans notre étude suite à l’avènement de la crise de 2008.

Dans notre papier, les variables considérées tout d’abord sont les produits intérieurs bruts réels des pays de l’UEMOA, de la CEDEAO, du reste de l’Afrique (hors CEDEAO)48, de la Chine, du reste des pays de l’Asie en données annuelles (Source : Données de la Banque mondiale et des indicateurs nationaux de l’OCDE, 2015), de la France, de l’union européenne hors France et des Etats-Unis (Source : Données 48 Voir le tableau « en Annexe »




économiques de la Réserve Fédérale) en données trimestrielles. Ensuite, un indice des prix des produits de bases mondiaux en données trimestrielles est approximé par l’indice du prix de pétrole du Fond Monétaire International —IMF’s crude oil prices index — et ce dernier représente l’offre globale, (Source : Données économiques de la Réserve Fédérale). Après, nous avons l’indice VIX (CBOE Volatility index, données trimestrielles) qui mesure l’aversion au risque et qui est un indicateur des conditions des marchés financiers internationaux (Source : Données économiques de la Réserve Fédérale). Enfin, comme dans Ayvazyan et Dabán (2015), un indicateur de l’activité économique mondiale en niveau () est calculé comme la moyenne pondérée des PIB réels des partenaires commerciaux des pays de l’UEMOA considérés dans l’étude,

où = France, UE, Etats-Unis, CEDEAO, le reste de l’Afrique, la Chine, et le reste des pays de l’Asie,

représente les pondérations, et le PIB réel des entités géographiques .

Ainsi notre vecteur de variables en niveau est donné comme suit :

où représente le PIB réel du pays de l’UEMOA.

Le modèle VAR structurel est un modèle applicable que sur des données stationnaires. Pour cela les tests de Dickey-Fuller augmenté et Phillips-Perron sont effectués sur nos séries en logarithme première. Les résultats des tests de racine unitaire sont présentés en annexe (tableau 3). A la vue de nos tests, toutes les séries considérées sont stationnaires en différence première. Ainsi, le vecteur de variables stationnaires est présenté comme suit :

avec le choc d’offre globale, le choc de demande globale, le choc financier mondial et enfin le taux de croissance du PIB réel d’un pays de l’UEMOA.

Spécification du modèle VAR structurel

Considérons le modèle VAR(p) sous forme réduit comme suit :

où représente le nombre de retards, notre vecteur de variables stationnaires de dimension le nombre de variables considérées dans notre modèle et le bruit blanc. Pour obtenir les fonctions de réponses aux chocs, nous écrivons le processus sous forme moyenne mobile infinie structurelle. La première étape consiste à inverser le modèle VAR réduit pour obtenir un modèle VAR canonique sous forme moyenne mobile :

avec une matrice identité de dimension étant le vecteur des innovations canoniques.

D’où la forme moyenne mobile structurelle du VAR :

avec

où P est une matrice de transition inversible de dimension estimable pour obtenir les chocs structurels . La matrice représente les fonctions de réponse aux chocs des variables économiques de

. Enfin, dans notre modèle, nous supposons que les chocs structurels sont non corrélés et de variance constante et unitaire (matrice identité ) :

Compte tenu de notre vecteur de variables stationnaires , nous obtenons la relation équivalente à cette la

relation , comme suit :

Restrictions du modèle

Au niveau de la modélisation VAR structurelle, nous optons pour une décomposition économique au détriment de la décomposition de Cholesky qui est une procédure purement mathématique, et qui n’est pas interprétable économiquement (Sims, 1980 ; Lardic et Mignon, 2002). Au sein de la matrice de passage nécessaire dans notre modèle SVAR noté , les contraintes économiques sont caractérisées par la nullité des coefficients. Ces zéros s’interprètent comme suit. Tout d’abord, selon la théorie de

Mundell Fleming, l’activité économique d’un petit pays n’a aucune influence sur l’activité économique mondiale ; par conséquent ni sur la demande et l’offre mondiale, ni sur le marché financier international. Par conséquent nous posons . Ensuite, la faible intégration financière des pays africains selon Kasekende et al. (2009) fait que les pays africains ont été isolés de l’impact direct de la crise financière. En plus de la faible intégration financière africaine, dans notre cas, le caractère embryonnaire des marchés financiers et des capitaux ouest-africains fait que le choc financier n’a pas eu réellement d’impact sur l’activité réelle des pays de l’UEMOA En se référant toujours à Kasekende et al. (2009), nous soutenons que les chocs financiers n’ont aucun effet sur les prix mondiaux de biens par conséquent sur le choc d’offre . Ce sont plutôt les crises économiques découlant de celles financières, et qui se sont caractérisées par une modification de la demande mondiale qui ont eu des effets sur le marché des biens et donc sur les prix. Enfin, selon Caldara et al (2016), le stress économique est fortement associé aux conditions financières et non l’inverse. Ces derniers ont montré que les chocs financiers et l’incertitude financière sont des conducteurs importants des fluctuations économiques et non le contraire. Ainsi nous contraignons notre modèle, de telle sorte que le choc économique global n’ait aucun impact sur le marché financier .

Simulation et calcul des contributions

Pour calculer les contributions des différentes partenaires commerciaux g dans le choc de demande globale, nous estimons un modèle VAR structurel augmenté d’un bloc exogène. Dans notre cas il s’agit d’ajouter le taux de croissance réel du PIB des partenaires commerciaux g considérées (@Y_t^g) dans notre modèle SVAR de base comme bloc exogène. L’addition exogène d’un taux de croissance réel pour un pays g consiste à retrancher son influence du choc de demande globale afin de pouvoir calculer par la suite la contribution de son activité réelle. Notre vecteur de variables considérées dans notre modèle de simulation est donné par :

Le niveau potentiel de contribution de la croissance du PIB réel d’une zone géographique particulière est calculé comme suit :

Cette contribution est estimée comme étant la différence entre la réponse impulsionnelle du taux de croissance du PIB réel d’un pays de l’UEMOA suite à un changement aléatoire de l’activité économique mondiale dans le modèle de base SVAR et la réponse impulsionnelle du taux de croissance du PIB réel du pays de l’UEMOA suite à un choc aléatoire dans le niveau de croissance du PIB mondial dans le cadre du modèle SVAR augmentée — modèle comprenant la variable exogène de la croissance du PIB réel de la zone géographique La contribution d’un pays n’est calculée que lorsque la réponse du choc de demande globale sur l’activité économique du pays de l’UEMOA est significative. Dans le cas contraire, aucune contribution n’est calculée. Nous apportons une légère modification par rapport à l’approche de Bayoumi et Swistom (2009) cependant. En simulant notre modèle, s’il arrivait que le choc de demande globale devienne non significatif en retranchant l’effet de l’activité économique d’une zone géographique du choc sur l’activité économique d’un pays de l’UEMOA — alors que son effet initial était significatif (modèle de base) —, alors il s’avère donc évident que l’effet du choc de demande globale est transmis et dû en très grande partie à l’activité économique réelle de la zone géographique dont le niveau de croissance économique a été retranché. Sur ce, la contribution du pays est calculée autrement. Elle est obtenue par la soustraction dans l’effet total de la somme des contributions des autres entités géographiques. Une fois encore, les contributions de chaque zone géographique ne doivent pas être interprétées comme une décomposition précise de la réponse impulsionnelle sous le modèle de base, mais elles ne peuvent être utilisées que pour évaluer leur importance relative dans le choc de demande globale.

Interpretation des Resultats Une fois le modèle et la procédure de calcul des contributions des partenaires commerciaux présentés, nous présentons les résultats. L’analyse de résultats portera tout d’abord sur l’interprétation de l’effet du choc de demande globale sur l’activité économique des pays et ensuite sur la contribution des partenaires commerciaux qui servent de canaux de transmission




aux perturbations économiques mondiales. Nous rappelons que nous commentons juste les résultats des pays qui ont vu leur activité économique être influencée par le choc de demande mondiale avant et/ou après l’avènement de la crise économique et financière de 2008. Il en de même aussi pour le calcul des contributions des partenaires commerciaux dans les effets du choc de demande globale. Nous procédons de cette manière car à l’absence d’effet du choc de demande, il n’y a pas de retombées économiques à analyser et de surcroit d’analyse de contribution à effectuer.

Côte d’Ivoire

Avant-Crise

La Côte d’Ivoire, principal leader économique des pays de l’UEMOA — de par le volume de son produit intérieur brut et de l’attractivité de la structure interne de son économie — a bénéficié de chaque hausse de la demande mondiale durant les périodes précédant la crise de 2008. Ce bénéfice s’est traduit par une amélioration de son activité économique allant de à point au cours d’une année. Cette amélioration de l’activité économique est due en partie aux exportations de cacao dont il est le leader mondial, à son potentiel économique intérieur attirant les investissements étrangers, mais aussi à l’exportation des biens vers le reste des pays de l’Afrique de l’ouest. Hormis l’impact du choc de demande globale, ce qui nous intéresse le plus est la contribution des principaux partenaires commerciaux dans l’impact du choc de demande mondiale qui ont influencé l’activité économique réel de la Côte d’Ivoire. Nous avons sur la figure 1, en « barre » les contributions des différents partenaires commerciaux, importateurs de matières premières minières comme agricoles d’un pays de l’UEMOA et en pointillé la réponse impulsionnelle de la dynamique de l’activité économique de la Côte d’Ivoire suite à un choc de demande mondiale.

Figure 5 : Contributions des partenaires vs Réponse impulsionnelle de taux de croissance du PIB réel

Figure 6: Evolution des contributions (en %) des partenaires dans le choc de demande globale

A première vue, les liens historiques — coloniaux et régionaux — se distinguent. Les contributions de la CEDEAO et de la France dominent respectivement celles des autres pays dans le choc de demande mondiale. Ainsi, à très court terme (un trimestre) l’impact du choc de demande mondiale significatif sur la croissance économique ivoirienne est dû environ à à l’activité économique des pays de la CEDEAO et à à celle de la France. Cependant sur une période couvrant un exercice économique (quatre trimestres), les contributions relatives de la CEDEAO et de la France dans le choc de demande mondiale s’amenuisent

en devenant plus précise passant de près de à et de à respectueusement. Hormis ces deux entités géographiques, l’activité économique asiatique constitue une source additionnelle de transmission du choc de demande mondiale affectant l’activité économique de la Côte d’Ivoire avec une contribution de, dont pour la Chine et pour le reste des pays de l’Asie.

Période de crise

Au cours de la période d’instabilité économique, la corrélation positive entre le choc de demande et la réponse de l’activité économique réelle de la Côte d’Ivoire n’a pas du tout été respectée. L’avènement de la crise a plutôt brisé l’élan économique du pays. Cependant avant de chercher à trouver toute interprétation économique à cette conséquence, il est important de rappeler que la Côte d’Ivoire est un pays particulier au sein de l’UEMOA compte tenu de sa situation socio-politique cette dernière décennie49. La stabilité et l’essor économique sont des facteurs dépendants de l’environement socio-politique d’un pays car ce dernier est un indicateur majeur de l’attraction ou non des inverstissements étrangers. Les successions de crises socio-politiques ivoiriennes ont eu des effets destabiliteurs sur leur activité économique (par le biais des fuites de capitaux, de mouvements de paniques économiques et financières,, …).

Figure 7: Contributions des partenaires (gauche) vs Réponse de taux de croissance du PIB réel (droite)

49 La Côte d’Ivoire a été au cours de l’intervalle temporelle 2010-2011 secouée par une crise socio-politique fragilisant le pays dans la qua-si-totalité et par conséquent, faisant du pays leader de l’UEMOA, un mauvais élève économique au sein de l’UEMOA et de la CEDEAO.


La Côte d’Ivoire est aussi un des pays le plus intégré économiquement au sein de la CEDEAO et de l’Afrique, or la crise financière de 2007 s’est transmise à la sphère réelle par le canal du resserement du crédit, par la baisse de demande des ménages due à leur endettement élevé et enfin par le changement d’anticipation des investisseurs. Compte tenu du jumelage crise économique et crise socio-politique nous pronons dans notre papier une certaine prudence car nous ne pourrons dissocier les effets de la crise socio-politique de la crise économique. Nous ne pouvons expliquer les causes du changement de dynamique qu’économiquement et ces explications seront sans doute corrélées à la nature de l’environnement socio-politique existant au cours de la période post-crise économique et financière.

Il ressort de l’analyse économique que la crise a eu pour effet une détérioration de l’activité économique réelle à hauteur de point () dès le premier trimestre. Significatif, l’effet de ce choc a entrainé un ralentissement économique à hauteur de point après une année (4 trimestres). En ce qui concerne les contributions relatives des partenaires commerciaux dans le choc mondial qui affecte l’économie ivoirienne, la perturbation économique après un trimestre est due à à la baisse de demande de biens des pays de l’Afrique (hors CEDEAO), et respectivement à et à l’entrée en crise des pays de l’union européenne (hors France) et à la France. Cependant au début du second trimestre, si les contributions du reste de l’Afrique et de la France ont baissé (respectivement à et à ), celle de l’union européenne a augmenté passant de




à . Cette dyanimque inverse au cours de la période de crise est due d’une part à la baisse de la demande des produits des industries extractives ivoiriennes dont les exportations vers l’union européenne en majorité ont connu une baisse de près de , soit un passage de à du total des exportations ivoiriennes entre 2008 et 2011 (Source : Examens des politiques commerciales 2005-2011). Une situation qui peut aussi être éventuellement attribuée à la crise socio-politique. En dehors de l’industrie extractive, nous notons que la demande de produits manufacturés a aussi baissé, passant de à du total des exportations de la Côte d’Ivoire entre 2008 et 2011. D’autre part, cet effet négatif est du à la perte de confiance ou au retour tardif de la confiance des investisseurs étrangers (union européenne et France) respectivement au moment de la crise socio-politique avec des retraits d’investissement étrangers, et après la crise. Il ressort aussi de nos résultats que la CEDEAO est une source de stabilité économique et de croissance pour la Côte d’Ivoire (voir Examen des politiques commerciales 2005-2011).

Benin

Avant Crise

Significatif jusqu’au troisième trimestre, le choc de demande globale avant la crise a entrainé une amélioration de l’activité économique réelle du Benin à hauteur de point () au premier trimestre et même atteindre une amélioration de point à la fin du second trimestre. Cet effet positif et bénéfique après un trimestre est dû à environ à l’activité économique des pays de l’Asie (Hors Chine) — ou aux relations de partenariats économiques historiques existantes entre le Benin et les pays de l’Asie hors Chine — et à à la flamboyante opération économique de rattrapage prônée par les autorités chinoises.



Une divergence temporelle des contributions des sept (07) pays partenaires commerciaux se fait remarquer. La France et l’Afrique (hors CEDEAO) n’ayant pas contribué à l’amélioration économique à cause de l’effet du choc de demande mondiale au premier trimestre, font une apparition marquée au second trimestre avec des contributions respectives de et. Néanmoins l’activité économique des pays de l’Asie (y compris la Chine) demeure la source principale d’amélioration de l’économie béninoise avant la crise de 2008.

Période de crise

Tout comme la Côte d’Ivoire, la période de stress économique a eu un effet négatif mais très passager (un trimestre) sur l’activité économique du Bénin. Le choc de demande au cours de la période de crise et post-crise a entrainé une dégradation de l’activité économique à hauteur de point. La décélération économique a été donc très faible et de courte durée. La dégradation économique du Benin au cours de la période de turbulence économique est due à la baisse de la demande française des produits béninois ; une demande qui est passée de à du total des exportations des produits béninois en volumes entre fin 2007 et 2009, soit une baisse de plus de ; à la baisse des exportations du Bénin vers l’Union européenne de près de , du reste des pays de l’Asie (de à ) entre fin 2007 et 2009 (Source : Examen de politique commerciale 2005-2011).



Burkina Faso

Avant crise

Significative qu’au premier trimestre, la réponse économique découlant du choc de demande globale au cours de la période d’avant crise a entrainé à la surprise générale, une détérioration de l’activité économique Burkinabé, soit une baisse de près de point.

L’impact négatif du choc de demande globale est dû à environ à l’activité économique de la France et à environ à l’activité économique de l’union européenne. Ce contraste peut être expliqué par la baisse de la demande des produits miniers et agricoles burkinabés vers l’Union européenne et la France respectivement. Les baisses de demande sur cette période post-crise sont estimées à près de pour l’union européenne (hors France) et d’environ pour la France (Source : Examens

des politiques commerciales 2005-2011). Cependant les exportations vers la CEDEAO et le reste des pays de l’Afrique n’ont pas connu de baisse.


Figure 10 : Evolution des contributions (en %) des partenaires dans le choc de demande globale

Période de crise

L’activité économique mondiale au cours de la récession économique de 2008 a eu un effet bénéfique sur l’activité économique du Burkina Faso allant d’une amélioration de point au premier trimestre à point à l’aube du troisième trimestre. Si ce résultat peut être source de doutes ou de controverses, nous n’en doutons pas et ne sommes pas surpris par cette réaction économique. Afin de permettre aux lecteurs de mieux comprendre cette réaction économique burkinabé,




nous expliquons un phénomène économique qui a souvent lieu lors des crises et dont le Burkina Faso a certainement bénéficié.



Ainsi, dans les sphères économique et financière, il existe une matière première qui permet aux investisseurs de se couvrir contre l’incertitude économique, le risque systémique, bancaire et même l’inflation durant les périodes de stress financier et économique. Il s’agit de l’or. C’est ce que les économistes appellent la « valeur refuge ». Nous explicitons tout ceci parce que le Burkina Faso est un pays producteur et exportateur d’or. Le pays a donc bénéficié de la forte demande d’or sur les marchés mondiaux qui a entrainé une hausse50 du cours de l’or.50 La forte demande d’or au cours de la période de crise (financière et

économique) avec l’once d’or atteignant environ 1772 Dollar en sep-

Cette hausse du cours de l’or a été une aubaine pour l’économie Burkinabè. Les pays de l’Asie (hors Chine) qui ont cherché à éviter toute contagion de la crise et toutes baisses des rendements de leurs actifs ont cherché à acquérir assez d’or, afin de se couvrir contre les retombées du risque systémique. Il est donc évident de trouver au premier trimestre, que le choc de demande mondiale soit dû à près de 41% à l’activité économique des pays de l’Asie (hors Chine). La contribution relative de l’activité économique des pays de l’Asie (hors Chine) dans l’effet du choc de demande mondiale après trois trimestres atteint le seuil de. L’activité économique chinoise et des pays africains (hors CEDEAO) et de l’Union européenne sont les autres sources majeures de cette retombée économique positive issue du choc de demande globale avec des contributions respectives de, et.

Guinée-Bissau

Avant crise

Significative jusqu’à la cinquième période, le choc de demande au cours de la période de crise a entrainé une amélioration de l’activité économique à hauteur de 1,84 point au premier trimestre et atteint en effet à la fin de l’exercice économique près de 3 point (2,98) de croissance.


tembre 2009 contre 889,595 Dollar en Janvier 2008, soit le double du cours (Source : Gold Fixing Price 3:00 P.M. London time, in London Bullion Market)


Le choc de demande globale est dû en toute majorité au principal partenaire commercial en termes d’exportations de la Guinée Bissau : les pays de l’Asie. Il faut noter que le choc de demande au cours de la période de crise économique n’a pas eu d’effet sur l’activité économique de la Guinée-Bissau.

Sénégal

Période de crise

Le choc de demande globale au cours de la période de crise et post-crise financière et économique a eu un effet positif sur l’activité économique sénégalaise. Ceci s’est caractérisé par une amélioration de la croissance de 0,13 point au premier trimestre ; une amélioration passagère mais significative. Cette répercussion positive au cours de la période de crise est due à 20,33% et à 15,23% respectivement à l’activité économique des pays de l’Asie (hors chine) et à la Chine. Les baisses de demandes des pays de l’union européenne et des pays de la CEDEAO n’ont pas été assez suffisantes pour décélérer l’activité économique réelle du Sénégal.



Lecons et Recommandations De Politiques Economiques L’analyse de nos résultats, que ce soit au niveau de l’interprétation des retombées qu’à celui des contributions, nous amène à retenir quatre (04) grandes leçons. Il faut noter que malgré les effets des chocs de demande mondiale qui sont en majorité indirects sur les pays en développement, l’activité économique des pays de l’UEMOA fluctue en fonction de celle de leurs partenaires commerciaux mondiaux. Tout d’abord, (i) la première leçon à retenir de nos résultats que les pays de l’UEMOA doivent chercher à renforcer leur capacité de résilience économique aux chocs de demande globale. Ensuite, (ii) la seconde leçon a tiré est celle liée à la dépendance de l’activité économique des pays de l’UEMOA vis-à-vis des économies développés et émergentes. Même si la crise économique et financière récente à amener les pays de l’UEMOA à diversifier leurs partenaires commerciaux et leurs poids dans leurs activités économiques, les économies de l’UEMOA présentent encore une forte dépendance vers les économies développées et émergentes ; ce qui fait fluctuer encore leur activité économique lors de l’avènement des chocs mondiaux. La troisième (iii) leçon tirée de notre analyse réside dans le fait que les pays tels que le Togo, le Mali et le Niger sont faiblement imbriqués à la sphère




économique mondiale. Cela ne leurs permettent donc pas de bénéficier de la conjoncture économique mondiale favorable, mais aussi les épargnent des retombées des chocs négatifs de demande mondiale. Enfin, (iv) notre analyse révèle qu’avoir un partenaire commercial comme la région de la CEDEAO et l’Afrique en générale est source de croissance et/ou de stabilité économique. Par exemple, si des pays tels que le Togo (60,54% des exportations vers la CEDEAO), le Mali (61,14% des exportations vers l’Afrique), le Niger (22,62% des exportations vers la CEDEAO) n’ont pas subi les effets de la crise économique et financière récente, c’est parce la CEDEAO et le reste de l’Afrique font partir de leurs principaux partenaires commerciaux en termes d’exportations. Cependant comment faire bénéficier les décideurs économiques et politiques de ses résultats obtenus et leçons tirées ? Trois recommandations de politiques économiques sont prodiguées dans cette étude.

Détecter la source d’un problème et les moyens par lesquels ce problème se propage/transmet, c’est en partie régler le problème. C’est en en réalité réfléchir sur les moyens à mettre en œuvre pour résorber les effets futurs d’un choc de demande mondiale négatif. A travers nos résultats, il serait plus facile de mettre en place des politiques de résiliences économiques ciblées et adaptées aux problèmes des pays de l’UEMOA, lorsqu’un ou des partenaires commerciaux connaissent des phases de décélération économique faibles ou aigües ou des politiques pour soutenir la croissance économique d’un pays de l’UEMOA, lorsque les activités économiques de un ou des partenaires commerciaux sont en expansions. La seconde politique à mettre en œuvre consiste à réduire la dépendance économique externe des économies de l’UEMOA. En plus, compte tenu du fait que la zone CEDEAO et le reste de l’Afrique sont des zones sources de croissance et de stabilité pour les pays de l’UEMOA, comme troisième politique économique à mettre en œuvre Δ et qui devrait marcher de pair avec la seconde politique économique Δ, il serait impératif et avantageux de chercher à accroître le niveau du commerce intra-régional couplé d’un niveau de transformation économique suffisante pour hausser significativement le niveau des flux intra-régionaux. L’accroissement des échanges intra-régionaux permettra d’amortir les effets des chocs de demande mondiale grâce à l’effet compensation des échanges intra-régionaux.

ConclusionDe par la modélisation VAR structurel, ce papier évalue puis analyse les retombées des chocs de demande globale et régionale sur l’activité économique des pays de l’UEMOA. La particularité de l’analyse d’une part réside dans le calcul des contributions des partenaires commerciaux qui ont servi de canaux de transmissions aux chocs de demande globale qui ont eu des répercussions sur les pays de l’union, pris individuellement. D’autre part, cette étude recherche à voir si l’avènement de la crise économique et financière de 2008 a eu une influence quelconque sur la contribution des partenaires commerciaux dans le choc de demande globale. Au niveau des sources des retombées, il est observé une différenciation des zones géographiques et de leurs contributions respectives dans les effets du choc de demande globale avant et après l’avènement de la crise de 2008. De façon globale, le choc de demande globale a eu d’importantes répercussions sur les pays de l’union par le biais de trois principales régions : la France, l’Asie (y compris la Chine) et la zone CEDEAO. La connaissance de ce type de résultats, permettra aux pays de l’union de prendre des mesures économiques de résilience lorsque l’activité d’un ou des partenaires commerciaux des pays de l’UEMOA connait des phases de décélération économique faibles, moyennes ou aigues ; ou des politiques pour soutenir la croissance économique d’un pays de l’UEMOA, lorsque les activités économiques de un ou des partenaires commerciaux sont en expansions

AnnexesTableau 1: Liste des pays considérés dans notre étude

Reste de l’Afrique

Algérie, Angola, Burundi, Cameroun, Tchad, République centrafricaine, République du Congo, Djibouti, Egypte, Guinée équatoriale, Erythrée, Ethiopie, Gambie, Gabon, Kenya, Lesotho, Libye, Liberia, Madagascar, Malawi, Mauritanie, Maroc, Mozambique, Namibie, Rwanda, Seychelles, Sao Tome and Principe, Somalie, Afrique du Sud, Soudan du sud, Soudan, Tanzanie, Tunisie, Uganda, Zambie, Zimbabwe

CEDEAO Bénin, Burkina Faso, Cabo Verde, Côte d’Ivoire, Gambie, Ghana, Guinée, Guinée-Bissau, Libéria, Mali, Niger, Nigeria, Sierra Leone, Sénégal, Togo

Reste de l’Asie

China, Bahreïn, Inde, Hong Kong, SAR, Chine, Israël, Iraq, Indonésie, Jordanie, Japon, République de Corée, Koweït, Népal, Oman, Philippines, Arabie Saoudite, Singapore, Sri Lanka, République Arabe de Syrie, Thaïlande, Tadjikistan, Emirats Arabe Unis, Ouzbékistan, République de Yémen, Vietnam

Evolution des Parts des exportations

Figure 20: Côte d’Ivoire: Part des exportations vers une entité géographique g

Figure 21: Bénin : Part des exportations vers une entité géographique g

Figure 22: Burkina Faso : Part des exportations vers une entité géographique g

Figure 23 : Mali : Part des exportations vers une entité géographique g

Figure 24: Niger : Part des exportations vers une entité géographique g




Figure 25: Sénégal : Part des exportations vers une entité géographique g

Figure 26: Guinée-Bissau : Part des exportations vers une entité géographique g

Figure 27: Togo : Part des exportations vers une entité géographique g

Définition des variables utilisées et résultats des tests de racine unitaire

lecowas_tg_rgdp Taux de croissance du PIB réel de la CEDEAO excluant le PIB du Togoltgo_rgdp Taux de croissance du PIB réel du Togolecowas_sen_rgdp Taux de croissance du PIB réel de la CEDEAO excluant le PIB du Sénégallsen_rgdp Taux de croissance du PIB réel du Sénégallecowas_mli_rgdp Taux de croissance du PIB réel de la CEDEAO excluant le PIB du Malilmi_rgdp Taux de croissance du PIB réel du Malilecowas_ner_rgdp Taux de croissance du PIB réel de la CEDEAO excluant le PIB du Nigerlner_rgdp Taux de croissance du PIB réel du Nigerlecowas_gnb_rgdp Taux de croissance du PIB réel de la CEDEAO excluant le PIB de la Guinée-Bissaulgnb_rgdp Taux de croissance du PIB réel de la Guinée-Bissaulecowas_bfa_rgdp Taux de croissance du PIB réel de la CEDEAO excluant le PIB du Burkina-Fasolbfa_rgdp Taux de croissance du PIB réel du Burkina-Fasolecowas_ben_rgdp Taux de croissance du PIB réel de la CEDEAO excluant le PIB du Béninlben_rgdp Taux de croissance du PIB réel du Béninlecowas_civ_rgdp Taux de croissance du PIB réel de la CEDEAO excluant le PIB de la Côte d’Ivoirelciv_rgdp Taux de croissance du PIB réel de la Côte d’IvoireLvix Indice VIX qui est un indicateur des conditions des marchés financiers internationauxLpoil Indice des prix de pétrole du FMI (IMF’s crude oil prices index)lchn_rgdp Taux de croissance du PIB réel de la Chine (en log)lfra_rgdp Taux de croissance du PIB réel de la France (en log)lraf_rgdp Taux de croissance du PIB réel de l’Afrique excluant le PIB de la CEDEAOlrest_asia_rgdp Taux de croissance du PIB réel du reste des pays de l’Asie excluant celui de la Chinelrest_eu_fra Taux de croissance du PIB réel du reste de l’UE excluant le PIB de la Francelusa_rgdp Taux de croissance du PIB réel des Etats-Unis d’Amérique

Note : Toutes les variables sont en exprimées en logarithmes

leco

was

_tg_

rgdp

ltgo_

rgdp

leco

was

_se

n_rg

dpls

en_r

gdp

leco

was

_mli_

rgdp

lmli_

rgdp

leco

was

_ner

_rg

dpln

er_r

gdp

ADF

Niv

eau

-2,5

66-2

.294

-2.5

22-2

.333

-2.5

482.

719

-2.5

492.

598

Diffé

renc

e-2

,867

*-2

.763

*-2

.763

*-3

.836

***

-2.8

88*

-3.9

92**

*-2

.883

*-4

.475

***

PPN

ivea

u-2

,161

-2.1

4-2

.14

13.6

97-2

.133

38.

391

-2.1

371.

84

Diffé

renc

e-2

,9*

-2.8

55*

-2.8

55*

-3.1

35**

-2.7

45*

-3.4

73**

-2.7

12*

-3.0

669*

*

leco

was

_gnb

_rg

dplg

nb_r

gdp

leco

was

_bf

a_rg

dplb

fa_r

gdp

leco

was

_ben

_rg

dplb

en_r

gdp

leco

was

_civ

_rg

dplp

oil

ADF

Niv

eau

-2.5

49-2

.738

8-2

.548

9-2

.983

7-2

.535

-2.6

01-2

.549

50.

8981

Diffé

renc

e-2

.882

**-4

.802

***

2.87

45*

-2.7

401*

-2.8

62*

-3.3

192*

*-2

.799

7*-5

.796

***

PPN

ivea

u-2

.148

0.87

2-2

.147

9-1

.743

9-2

.140

5-2

.126

9-2

.255

30.

8655

Diffé

renc

e-2

.753

*-2

.866

***

-2.7

4887

*-2

.969

5**

-2.7

009*

-2.9

78**

-3.6

87**

*-5

.722

***

lvix

lchn

_rgd

plfr

a_rg

dglra

f_rg

dplre

st_a

sia_

rgdp

lrest

_eu_

fralu

sa_r

gdp

ADF

Niv

eau

-0.1

741

-2.6

955

-2.1

61-1

.636

42.

7128

2.02

1-2

.720

1

Diffé

renc

e-9

.325

8***

2.97

34*

-4.4

77**

*-3

.620

6**

-4.8

7***

-3.6

304*

**-6

.114

1***

PPN

ivea

u-0

.098

21.8

01-2

.422

7-1

.598

9-2

.224

7-2

.676

8

Diffé

renc

e-9

.495

***

-3.8

71**

-4.5

501*

**-3

.108

3**

-3.6

304*

**-6

.156

9***

Note

: *,

**,

***

pou

r la

signi

ficat

ivité

resp

ectiv

e au

seu

il de

10,

5 e

t 1%

Tabl

eau

5 : T

ests

de

racin

e un

itaire

Tabl

eau

4: D

énom

inat

ion

des

varia

bles

util

isées

pou

r les

test

s de

racin

e un

itaire




IntroductionLa fonction de stabilisation attribuée aux agrégats macroéconomiques réside dans leur capacité à limiter les fortes variabilités de la croissance et de l’inflation domestique. Ces agrégats sont perçues comme étant « un champ de bataille entre tenants des politiques structurelles et partisans des politiques contra-cycliques»51. Ainsi, la recherche du meilleur arbitrage constitue le point de départ de l’analyse positive des représentations de l’économie qui engendre une controverse traditionnelle entre politiques d’offre (qui visent à favoriser l’offre de biens et de services, par exemple par une fiscalité légère) et politiques de demande (qui s’attachent à réguler la demande de biens et de services, en particulier, au moyen des agrégats budgétaire et monétaire)52 . Les travaux de Mundell (1962) constituent un apport déterminant dans la recherche de solutions aux problèmes des politiques de demande. Ils soutiennent que chacun des deux instruments conjoncturels (agrégats monétaire et budgétaire) avait un rôle déterminant dans l’atteinte des objectifs de plein emploi et d’équilibre de la balance des paiements. Ainsi, selon Mundell, pour savoir lequel de ces instruments est susceptible de répondre à de tels objectifs, il faut nécessairement étudier leur efficacité comparée. Les résultats obtenus par Mundell ont entrainé un 51 Agnès Bénassy-QUERE et al. (2004), Politique Economique, De

Boeck & Larcier s.a, Bruxelles, p. 40.52 Idem, p. 42.

foisonnement de contributions et de critiques. Ainsi, son raisonnement a permis aux économistes de poser de nouveaux jalons dans l’analyse des agrégats macroéconomiques.

La question du degré de sensibilité des agrégats macroéconomiques aux chocs au sein de l’Union Economique et Monétaire de l’Afrique de l’Ouest (UEMOA)53 représente une préoccupation majeure dans le débat portant sur l’efficacité de leurs contributions. En effet, l’hétérogénéité des pays constituant cette union monétaire explique la difficulté à déterminer les modalités de renforcement de la capacité de réaction des agrégats macroéconomiques. Doré et Masson (2002) montrent que la détérioration des termes de l’échange et des cycles économiques défavorables explique l’absence de convergence des pays constituant l’union. Les divergences portent sur les structures économiques, en particulier, sur le marché du travail et celui des biens et services, à l’origine d’une vulnérabilité macroéconomique face aux chocs idiosyncratiques. Cet état de fait, combiné au degré élevé d’ouverture des économies, accentue cette vulnérabilité, eu égard à la forte dépendance vis-à-vis de l’extérieur en biens d’investissement, en produits

53 L’UEMOA est créée en 1994 avec sept pays membres : le Bénin, le Burkina Faso, la Côte d’Ivoire, le Mali, le Niger, le Sénégal et le Togo. La Guinée-Bissau est devenue le huitième Etat membre de l’Union en 1997.

Contribution des agrégats macroéconomiques à la stabilisation des chocs dans la zone UEMOA Par Cheikh Tidiane NDIAYE, UFR SEG, LARES, UGB Saint-Louis

pétroliers et en certaines denrées alimentaires.

Par stabilisation macroéconomique, on entendra une réduction à travers le temps de l’écart de la production effective à son niveau potentiel. Dans ce sens, la littérature empirique portant sur l’UEMOA n’a pas fourni assez d’études consacrées à l’évaluation de la contribution des agrégats à la stabilisation macroéconomique.

Le présent travail répond à cette limite en s’interrogeant sur la dynamique temporelle des agrégats macroéconomiques et leur contribution. Il s’appuie sur une technique de modélisation structurelle à composantes inobservables développée par Harvey (1989), Koopman et al. (2009). L’intervalle d’étude s’étend de 1971 à 2013. Les données proviennent de la base de données de la BCEAO.

L’objectif de l’article est de mesurer la contribution des agrégats macroéconomiques de type monétaire et budgétaire aux chocs afin d’analyser leur capacité de résilience. La première section présente une brève revue de la littérature sur les agrégats macroéconomiques de stabilisation. La section 2 est consacrée à la spécification du modèle et à la discussion des résultats. La conclusion et les recommandations de politique économique constituent la troisième section.

Revue de La LitteratureL’étude de la récurrence des chocs d’offre et de demande dans les pays en développement a occasionné un foisonnement des débats sur la fonction de stabilisation des agrégats macroéconomiques. En effet, ceux-ci sont considérés comme étant des grandeurs susceptibles d’aider les économies à amortir les chocs et à dynamiser l’économie. Les travaux de Leigh et Stehn (2009) appliqués aux pays du G7 soulignent le caractère fiable et contra-cyclique de la politique monétaire susceptible de juguler les chocs et le caractère pro-cyclique de la politique budgétaire qui ne fournit pas de relance budgétaire en période de ralentissement. Cette conclusion avait déjà été obtenue dans plusieurs études notamment celles de Taylor (1993), Romer et al. (1994), Clarida et al. (1999), Gali et Perrotti (2003), Lane (2003), Auerbach (2003), Carmignani (2010). Les travaux de Clements et al. (2009) appliqués au cas de la Colombie précisent les conditions de la capacité des agrégats monétaire et budgétaire à amortir les chocs.

Concernant les agrégats monétaires, la flexibilité des taux de change s’avère être un élément crucial tandis que la capacité des agrégats budgétaires à juguler les chocs dépendrait des conditions de leur financement. Par ailleurs, l’étude de Carmignani (2010) portant sur les pays d’Afrique corrobore les conclusions des études susmentionnées. Elle montre que les agrégats budgétaires sont responsables de la persistance de la volatilité puisqu’ils ne remplissent pas la fonction de stabilisation.

Les questions relatives à la discussion empirique du rôle des agrégats macroéconomiques à la stabilisation macroéconomique des pays en développement prennent une importance significative dans la récente littérature. Beaucoup d’études empiriques54 fournissent l’évidence que ces agrégats révèlent des caractéristiques pro-cycliques dans les pays en développement (Demirel, 2010). Ce caractère procyclique ne leur permet pas d’être efficaces dans leur fonction de stabilisation.

Les chocs qui agissent sur l’offre globale obligent les autorités monétaires et budgétaires à arbitrer entre deux objectifs : le plein emploi et une inflation stable. L’atteinte de l’un des objectifs nécessite de sacrifier l’autre. En revanche, en cas de chocs dans la demande globale, il n’y a aucun conflit intrinsèque entre ces deux objectifs (Stiglitz et al, 2007). Les agrégats monétaire et budgétaire peuvent être utilisés l’un et l’autre pour accroître la demande globale et le produit à court terme. Ils peuvent servir aussi à ralentir la demande globale en cas de menaces inflationnistes. Néanmoins, du fait qu’ils n’ont pas le même impact, leurs effets sur l’économie à long terme peuvent être différents55. Ainsi, le degré d’efficacité de leur complémentarité ou substituabilité dépend du type de choc affectant l’économie (Muscatelli et al., 2004). De même, lorsque les chocs sont en parfaite corrélation positive, les agrégats budgétaires peuvent effectivement se substituer à ceux monétaires en vue d’atteindre les mêmes niveaux de bien-être (Leith, 2004). Cette conclusion a été corroborée par Vallés (2004) qui postule que les gains en bien-être de la coordination de ces agrégats restent tributaires de l’asymétrie des chocs, de l’élasticité de la demande de biens importés ainsi que du degré de partage des

54 Cf. aux travaux ci-après pour de plus amples informations sur la procyclicité des politiques macroéconomiques dans les pays en développement : Demirel (2010) ; Talvi et Végh (2005) ; Kaminsky et al., (2004) ; Lane (2003) ; Gavin et Perrotti (1997).

55 Stiglitz et al., (2007), Op. Cit, p. 701.




risques.

Par ailleurs, la stabilité macroéconomique est une condition nécessaire pour réaliser une croissance économique soutenable (World Bank, 1990). Par conséquent, une importance capitale lui est accordée par les décideurs politiques des pays en développement en vue d’une gestion efficace des chocs du côté de la demande comme du côté de l’offre. En dépit de l’attention accrue accordée à la gestion macroéconomique des pays en développement, notamment ceux de l’Afrique Subsaharienne, l’impact quantitatif de ces agrégats ainsi que le temps qu’ils prennent pour influer sur les chocs, continue d’être toujours incertain (Ghura, 1995). Ce résultat se justifie selon Ghura (1995) par le caractère contradictoire de la coexistence des politiques macroéconomiques de stabilisation avec les taux de change fixe nominaux. De ce fait, les pays ayant ces caractéristiques macroéconomiques sont-ils suffisamment bien préparés pour résister aux chocs ? Le débat sur les fonctions de stabilisation de ces agrégats aux prises avec les chocs est-il vraiment tranché dans le cadre des économies de l’UEMOA où la récurrence des fluctuations macroéconomiques est très affirmée ?

Dans la zone UEMOA, peu d’études ont analysé la réactivité des agrégats macroéconomiques aux chocs. On peut citer celle qui a été réalisée par la Direction de la Recherche et de la Statistique de la BCEAO, Etudes et Recherches (2001). Même si elle confirme les répercussions négatives des chocs extérieurs sur les économies de l’UEMOA, l’analyse s’avère frustrante dans la mesure où elle ne porte que sur les trois premiers trimestres de l’année 2000.

Une autre série de travaux, dont les problématiques sont proches de celle que nous étudions, existe. Il s’agit des études réalisées par Houssa (2008) et Kane (2009). En s’appuyant sur une nouvelle technique des modèles à facteurs dynamiques, Houssa (2008) montre qu’il existe une asymétrie des chocs d’offre et une symétrie des chocs de demande dans les pays ouest africains. Alby et Guieze (2009) indiquent que les mesures prises par les autorités monétaire et budgétaire visant à compenser la flambée des cours du pétrole ont pour conséquence une aggravation de la situation budgétaire. Dans la même lignée, les travaux de Kane (2009) portant sur l’UEMOA révèlent que l’intensité énergétique du PIB demeure tributaire du niveau d’investissement, de la structure des

économies et du taux d’urbanisation.

Notre article vise à compléter cette littérature en se focalisant sur l’évaluation de la contribution des agrégats à la stabilisation des chocs. De nombreux débats portent sur la question de la pertinence des modèles à expliquer cette liaison. Certains auteurs défendent l’utilisation de modèles structurels qui seraient mieux à même de prendre en compte certaines caractéristiques de l’économie et donc, à expliquer les canaux de transmission des chocs (Cushman et Zha, 1997). Cette raison justifie le choix porté sur la modélisation structurelle à composantes inobservables.

Analyse de L’evolution des Principaux Agregats Macroeconomiques

Le Produit Intérieur Brut (PIB)

Le PIB permet de mesurer les performances économiques d’un pays ou d’un groupe de pays sur une période donnée. C’est un indicateur de premier plan et ses fluctuations renseignent sur la situation macroéconomique d’un pays. Dans la zone UEMOA, le PIB a plus que triplé entre 1972 et l’année 2013. L’analyse de la trajectoire du PIB fait ressortir trois phases de croissance et deux périodes relativement marquées par l’instabilité comme le montre le graphique 1 en annexe.

Le graphique 1 fait donc ressortir les deux périodes d’instabilité allant respectivement de 1980 à 1984 puis de 1992 à 1994. Cette première phase est marquée par la crise économique qui a touché les pays de la zone franc plus particulièrement ceux de l’UEMOA. En effet, la détérioration des termes de l’échange, la baisse des recettes gouvernementale et de la production conjuguée aux difficultés du système bancaire a accentué la fragilité de l’environnement macroéconomique. Les chocs externes survenus vers la fin des années 1970 ont également contribué à ralentir voire même baisser la croissance. La deuxième phase a vu les pays de la zone faire face à d’énormes difficultés économiques et financières aboutissant à

un changement de parité du FCFA en 1994. En plus, plusieurs réformes, notamment institutionnelles et financières, venaient d’être mises en œuvre. A cela s’ajoute, la crise économique qui affecte l’économie européenne et la France en particulier. Cette baisse de la production peut donc être considérée comme la conséquence à court terme de tous ces chocs. A la suite du changement de parité, la tendance du PIB est régulièrement à la hausse grâce notamment au redressement de l’activité économique dans l’Union

L’épargne intérieure

L’épargne occupe une place importante dans la théorie économique. Son niveau peut donner une indication sur le niveau de développement d’un pays. En effet, les pays à haut revenu arrivent à collecter un volume d’épargne plus conséquent. Les pays en développement, notamment ceux de l’UEMOA, sont par contre confrontés au problème de l’insuffisance de l’épargne qui est un frein à l’investissement interne. Le volume d’épargne collecté au sein de l’Union continue d’augmenter à un rythme irrégulier et le niveau élevé des taux d’intérêt n’encourage pas les populations à épargner. La faible bancarisation contribue également à limiter la progression de l’épargne.

En observant le graphique 1 en annexe, nous remarquons une hausse assez mouvementé de l’épargne intérieure durant la décennie 1970. Cette hausse est suivie par une « stagnation » entre 1980 et 1994. Plusieurs chocs ont frappé l’économie de l’union durant cette période. Le début des années 1980 est marqué par la crise économique et donc le repli progressif dans l’évolution de plusieurs agrégats macroéconomiques. Mais la contraction de l’épargne peut être considérée comme l’une des conséquences de la crise bancaire qui commençait à s’annoncer dans la zone. Vers la fin de la décennie 1980, plusieurs réformes sont enclenchées pour redynamiser l’activité économique. Dans cette optique, la libéralisation des conditions de banques conjuguée à la dévaluation du franc CFA sera déterminante dans l’optique d’accroitre l’épargne domestique. Elle reste cependant largement insuffisante compte tenu des besoins de financement des économies de l’union.

L’investissement

La littérature économique a vu l’investissement joué un grand rôle à la fois pour les keynésiens et les courants libéraux. La promotion de l’investissement est donc l’un

des grands défis des pays en développement. En effet, pour ces pays qui aspirent à atteindre les objectifs de développement, l’accroissement soutenu du stock de capital productif est un impératif. Cependant, attiré les capitaux dépend de plusieurs facteurs qui font que le niveau d’investissement d’une période à l’autre est très fluctuant. Ces pays, en particulier ceux de la zone UEMOA, sont confrontés au problème du manque d’investissement dont l’évolution est retracée par le graphique 1 en annexe.

Depuis le début des années 1970, l’investissement a connu une progression importante dans la zone. Elle a cependant été marquée par une période relativement longue de stagnation voire même de légère baisse. Au début des années 1980 jusqu’à la dévaluation, la tendance de l’investissement était plutôt baissière et cela tient à plusieurs facteurs. La crise économique mais aussi les défaillances du système bancaire qui ont été coûteuses à la fois pour les gouvernements pour les entreprises mais également pour les ménages. Cette période correspond également à la « stagnation » de l’épargne qui est un facteur important pour l’accumulation du capital. Le financement des opérations d’investissement était devenu très difficile car les mauvais crédits étaient de plus en plus importants. Après la dévaluation, la tendance est revenue à la hausse avec notamment une conjoncture économique plus favorable.

L’inflation

L’inflation est définie comme une hausse généralisée et durable du niveau général des prix. Son maintien à un niveau stable constitue l’un des principaux objectifs de la Banque Centrale des Etats de l’Afrique de l’Ouest (BCEAO). C’est un déterminant important de la croissance car sa volatilité a un impact certain sur l’activité économique. Elle est mesurée par la variation de l’indice des prix à la consommation.

Le graphique 1 en annexe montre une évolution très volatile de l’inflation dans la zone UEMOA. Entre 1973 et 1984, le taux d’inflation s’est maintenu au dessus de 6% avec un maximum de 19,6%. Comme dans la plupart des pays en développement, les deux chocs pétroliers sont en grande partie responsables de cette conjoncture défavorable. La politique monétaire expansionniste de la BCEAO a également contribué à la hausse des prix dans la zone. La décennie suivante est marquée par une maîtrise relative des risques inflationnistes. En 1994, suite aux difficultés




économiques que rencontrent les pays de l’Union aboutissant au changement de parité du FCFA, le taux d’inflation a atteint un niveau record à plus de 31%. L’inflation s’est de nouveaux stabilisée en dessous de 5% à partir de 1996 excepté l’année 2008 où elle atteint 7.4% à cause notamment de la flambée du prix du baril de pétrole.

Le solde budgétaire

Le solde budgétaire traduit la situation des finances publiques d’un pays en mesurant l’écart absolu entre les recettes et les dépenses d’un budget. Le graphique 1 en annexe montre l’évolution du solde budgétaire de la zone UEMOA.

L’examen de la courbe du solde budgétaire fait apparaître plusieurs périodes distinctes. Le solde est resté négatif pendant une longue période (1972-1993) traduisant une détérioration récurrente des finances publiques. Cette période coïncide avec les deux chocs pétroliers impliquant une forte inflation. De plus, la crise économique et bancaire dans la zone a occasionné de nombreuses dépenses pour limiter les effets néfastes et dans le même temps, les recettes fiscales sont assez faibles. Après une légère amélioration du solde devenu positif en 1994, le déficit s’est de nouveau accentué à la suite de la dévaluation du Franc CFA et la réduction des contraintes financières (1995-2005). En effet, cela a augmenté le service de la dette résultant de la hausse drastique de l’encours de la dette. Cependant, la situation s’est nettement améliorer avec l’initiative PPTE lancée en 1996 pour alléger le poids de la dette des pays pauvres très endettés mais le solde reste déficitaire. En 2006, grâce aux performances macroéconomiques réalisées dans l’Union et suite à l’allègement de la dette multilatérale (IADM) dans la zone le solde redevient positif. A Partir de 2007, le solde s’est encore détérioré traduisant les difficultés que rencontrent les pays de la zone pour maîtriser les dépenses engagées. L’élargissement de l’assiette fiscale conjugué à l’assainissement progressif des finances publiques entre autres devraient permettre la génération de ressources pour le financement de l’investissement productif.

L’analyse des principaux agrégats macroéconomiques de la zone UEMOA fait ressortir des phénomènes de comouvement du PIB, de l’épargne domestique et de l’investissement. En effet, il y’a beaucoup de similitudes dans l’évolution de ces trois variables. Ce qui peut traduire une corrélation très étroite

entre elles. Nous avons également constaté une grande sensibilité de l’économie aux chocs. Ainsi, le deuxième choc pétrolier et la crise qui a frappé la zone ont considérablement ralenti la croissance de la production, de l’épargne intérieure mais aussi de l’investissement. Parallèlement, le taux d’inflation est resté à un niveau très élevé jusqu’au milieu des années 1980 tandis que le déficit du solde budgétaire s’est accentué. Le changement de parité intervenu en 1994 a marqué une nouvelle dynamique dans l’évolution de ces variables. L’inflation a atteint un niveau record cette année là mais s’est ensuite régulièrement maintenue en dessous des 5%. En dehors des années 1994 (dévaluation) et 2006 (IADM), le solde budgétaire est systématiquement déficitaire. Les autres grandeurs ont repris leur dynamique de croissance après la dévaluation.

La Modelisation Structurelle A Composantes Inobservables (MSCI) et Discussion Des ResultatsPrésentation du Modèle Structurel à Composantes Inobservables

Cette approche dans laquelle les composantes tendancielle et cyclique sont inobservables au sens de De Brouwer (1998), présente de nombreux avantages :

Une modélisation en série temporelle dans laquelle l’analyse des racines unitaires et de la stationnarité des séries n’est plus déterminante dans la démarche de modélisation ;

Une séparation précise de toutes les composantes temporelles : tendance, cycle, saison, aléa. Par conséquent, si la série détrendée s’explique pour l’essentiel via le cycle, elle ne se confond pas toujours avec le cycle. A ce titre, selon Harvey (1989) et Koopman et al. (2007), aucune méthode n’est plus performante que la MSCI pour extraire les séries

saisonnières ajustées, ainsi que les séries « détrendée ».

Une estimation précise de la période des cycles et la possibilité de distinguer pour une même série des cycles de natures différentes en raison de périodes différentes. En effet, en macroéconomie, il existe différents types de cycles allant du plus court au plus long : cycle de stock, d’investissement, du bâtiment, fluctuations infra-longues, cycle long de type Kondratieff.

Un repérage et une caractérisation précis des chocs significatifs à effet persistant (choc sur la tendance) et des chocs non persistants (choc sur la composante aléatoire). Au niveau de la tendance, il est possible d’identifier si le choc affecte le niveau de la série ou sa pente.

Dans une modélisation multivariée, la possibilité de détecter des composantes communes au niveau de la tendance de la série (ce qui sous-entend la cointégration) et des composantes communes au niveau des cycles. On observe trois types de tendances communes : niveau commun des séries, pente commune, niveau et pente communs. Les cycles peuvent donc être similaires entre plusieurs séries si elles partagent un cycle de même période mais avec des amplitudes différentes et des avances-retards entre les cycles des séries. Les cycles peuvent être communs si, en plus d’avoir la même période, ils sont parfaitement synchrones mais se distinguent uniquement par des différences d’amplitude.

Les références mathématiques pour un détail sur la modélisation structurelle à composantes inobservables (MSCI) sont Harvey (1989), Harvey et Trimbur (2003), Koopman et al. (2007). La démarche peut être résumée comme suit :

Un modèle univarié général est spécifié de la façon suivante :

Avec sa tendance, son cycle tels que soit l’équivalent de dans l’approche de

BN, sa saison, une composante autorégressive d’ordre 1 et l’aléa suivant un bruit blanc, tels

que soit l’équivalent de Tty dans

l’approche de BN. Néanmoins, contrairement à BN, la MSCI impose l’absence de corrélation entre

les différentes composantes. Ceci signifie que les innovations génératrices de toutes les composantes ne sont pas corrélées entre elles. Autrement, l’équivalence entre les deux méthodes ne signifie pas systématiquement une identité stricte entre les composantes équivalentes.

Dans la MSCI, la tendance se décompose de la façon suivante entre un niveau et une pente :

Avec ~ , ~ , les innovations respectives sur le niveau et la pente de la tendance.

La modélisation multivariée est une généralisation en modèle SUTSE56 de la modélisation univariée expliquée précédemment.

Estimation du modèle et discussion des résultats

L’analyse économétrique s’appuie sur une régression structurelle en composantes inobservables. La période retenue qui s’étend de 1971 à 2013 concerne des données agrégées de l’UEMOA. Les variables introduites dans les estimations sont le produit intérieur brut, la masse monétaire, le solde budgétaire, le taux d’inflation, le taux directeur, l’épargne intérieure, l’investissement, et une variable indicatrice.

Les résultats de l’estimation présentés dans le tableau 1 permettent de mettre en évidence deux types de modèle. Le premier modèle considère le PIB comme variable endogène qui est exprimée en fonction des autres variables. L’analyse du modèle 1 permet de déceler un facteur d’amortissement très élevé synonyme d’une bonne maîtrise des fluctuations de l’activité économique au sein de l’UEMOA. La période du cycle du PIB conformément à Agénor et al. (1998) est comparable à celle généralement enregistrée pour les pays développés. Cependant, une forte volatilité du cycle est également confirmée, ce qui conduit à retenir aussi les conclusions de Rand et Tarp (2002) selon lesquelles, les pays en développement enregistrent une plus forte volatilité du cycle. Les chocs sont repérés par le modèle 1 dans lequel toute la variance du PIB est expliquée par un cycle stochastique d’une période allant de 8 à 9 ans. Ces chocs ont des répercussions essentiellement sur le niveau de la tendance du PIB. Ainsi, les chocs négatifs identifiés sur le niveau de

56 Structural Seemingly Unrelated Time Series Equations.




la tendance concernent les quatrième trimestres des années 1980 et 1995. L’origine de ces chocs négatifs peut être imputable, d’une part, aux répercussions du deuxième choc pétrolier et l’envolée des matières premières, et d’autre part, à celles de la dévaluation du franc CFA.

L’analyse de la significativité des variables explicatives témoigne de l’existence d’une relation décroissante entre le PIB et les variables (taux d’inflation, dummy1984). Ce résultat montre l’effet défavorable que pourrait engendrer une inflation importée très élevée sur l’activité économique des pays de l’union. En effet, une forte inflation importée a tendance à déprimer la consommation et par voie de conséquence affecter l’activité économique et son dynamisme. Le signe négatif du coefficient de la variable indicatrice est principalement imputable aux répercussions du deuxième choc pétrolier, à la détérioration des finances publiques subordonnée à un niveau d’endettement élevé.

La relation croissante qui lie le taux directeur et le PIB indique la primauté accordée au financement direct au détriment de la finance intermédiée en cas de renchérissement du crédit bancaire.

Les autres agrégats (Epargne intérieure, investissement, masse monétaire) ont un impact positif sur la croissance économique de l’union. Ce résultat corrobore la sensibilité des agrégats macroéconomiques aux chocs affectant le sentier

de croissance du PIB. La non significativité du solde budgétaire dénote la marge de manœuvre très limitée des politiques budgétaires nationales face aux fluctuations du PIB.

Le second modèle procède à l’estimation de la fonction de réaction de l’agrégat monétaire (masse monétaire) en cas de chocs affectant les agrégats macroéconomiques. Les résultats montrent que l’agrégat monétaire est très sensible aux fluctuations du taux d’inflation, du taux directeur et de l’activité économique. Ce résultat corrobore les objectifs recherchés par la BCEAO qui sont principalement liés à la stabilité du prix et au soutien de l’activité économique de la zone.

Le calcul des corrélations dynamiques des cycles des agrégats montre une absence notoire de stabilité dans l’évolution des coefficients de corrélation. Ce résultat permet d’analyser les difficultés de lisibilité auxquelles les autorités monétaires et budgétaires sont confrontées pour réaliser des projections justes. La dynamique positive de la corrélation entre les cycles du PIB et de l’Investissement indique l’influence mutuelle de ces deux agrégats dans la zone. Excepté ces deux agrégats, la corrélation dynamique du cycle du PIB avec celui des autres agrégats alterne des signes positifs et négatifs. L’absence d’une synchronisation parfaite des cycles de ces agrégats reflète la difficulté de mettre en place des politiques économiques efficaces.

Tableau 1. Estimation des modèles

Conclusion et Recommandation De Polique EconomiqueLe présent travail a proposé une analyse empirique de la contribution des agrégats macroéconomiques à la stabilisation des chocs dans la zone UEMOA. L’étude s’est appuyé sur un modèle structurel à composantes inobservables afin d’évaluer les conséquences des chocs sur l’efficacité et la conduite des agrégats macroéconomiques. Les résultats montrent que les chocs affectant le niveau de la tendance du PIB expliquent la réaction des agrégats macroéconomiques. Ceux-ci s’ajustent aux chocs sauf l’agrégat budgétaire national. En effet, l’efficacité des agrégats budgétaires dans l’absorption des chocs défavorables est inexistante du fait de l’étroitesse de leurs marges de manœuvre. Les soldes budgétaires de base déficitaires de grande amplitude ne répondent pas aux chocs négatifs affectant le niveau de la tendance. Ceci montre la vulnérabilité des politiques budgétaires nationales aux chocs conjoncturels émanant soit de l’intérieur, soit de l’extérieur. L’efficacité relative des agrégats monétaires se manifeste à travers le facteur d’amortissement et le degré de réaction face aux chocs affectant l’inflation, le taux directeur et l’activité économique.

Les politiques économiques mises en œuvre dans la zone doivent plus être orientées aux cycles synchrones (PIB et Investissement) qu’à ceux asynchrones (PIB, Epargne, Inflation, Taux directeur, Solde budgétaire de base, Masse monétaire).

Une diversification des ressources financières des économies de la zone demeure une condition sine qua non pour accroître la capacité de réaction des politiques budgétaires nationales aux différents chocs. Cela suppose que les Etats doivent miser davantage sur la réforme du secteur informel pour améliorer leurs assiettes fiscales. Ainsi, des gains importants en bien-être des agents économiques peuvent en découler et favoriser la mobilisation de l’épargne domestique. De même, les Etats doivent s’atteler à limiter également les dépenses publiques non productives et éradiquer les détournements de ressources publiques.

D’autres recommandations visant à atténuer les

répercussions négatives des chocs sur le sentier de croissance du PIB portent également sur les réformes structurelles relatives à l’amélioration de la flexibilité des marchés et de certaines branches d’activités comme l’agriculture et les industries agroalimentaires. Cette flexibilité des marchés demeure, entre autres, un gage de protection contre les chocs, eu égard à la contrainte de fixité du taux de change.

AnnexeGraphique 1. L’évolution des agrégats macroéconomiques




Graphique 3. Les corrélations dynamiques des cycles des agrégats macroéconomiques

Cycle PIB & cycle Epargne

Graphique 3. Les corrélations dynamiques des cycles des agrégats macroéconomiques




SESSI

ON8

Monetary and fiscal policy: What options to boost growth, reduce inequalities and create

employmentPolitique monétaire et fiscale: quelles options pour stimuler

la croissance, réduire les inégalités et créer des emplois




IntroductionThe West African Economic and Monetary Union (WAEMU) is characterized by common monetary policy under the control of the Central Bank of West African States (BCEAO) and decentralized fiscal policies under the control of national governments. This requires the coordination of monetary and fiscal policies in order to meet the convergence criteria set by the WAEMU Commission for the period 2015.2019: Inflation should not exceed 3%, and the debt-to-GDP ratio should not exceed 70%57. An econometric approach based on unobserved component (UC) modeling is suggested to determine which hierarchy should be among GDP, debt and inflation in the WAEMU from which chronology of policy instruments.

The WAEMU is a singular analytical laboratory through which to study the policy mix of a monetary union. The WAEMU, which is composed of developing countries, includes heterogeneous member states, as in the euro area58. The WAEMU adds the issue of weakly diversified economies coupled with a debt 57 The history of the WAEMU is punctuated by two convergence

pacts. In 1999, the first pact consisted of eight criteria (four primary and four secondary). In 2015, there were reduced to five criteria (three primary and two secondary). We focus on the two primary criteria in this paper.

58 Official economic integration does not eliminate heterogeneity in a monetary union (see Chen and Mills, 2009, for an illustration with regard to the eurozone).

problem to the debate on policy mix implementation in a monetary union. This feature leads to sensitivity to shocks and to persistent heterogeneity that affect the art of implementing a policy mix.

There are three major policy problems:

(i) The persistence of cycle desynchronization due to idiosyncratic shocks managed via centralized monetary policy and decentralized fiscal policy. Heterogeneity implies the existence of country-specific shocks that affect national economic paths. Centralized monetary policy is not a panacea, and conflicts between monetary and fiscal authorities over targets may lead to (ii).

(ii) Inconsistency between the number of instruments and the number of targets (Barro and Gordon, 1983; Dixit and Lambertini, 2001). In these cases, there is no way to achieve all the targets. Inflation and output may decrease or increase by more than desired by both monetary and fiscal authorities.

These policy issues are particularly relevant to the WAEMU. Indeed, heterogeneity leads to differences in current economic states and weakness of the economies diversification leads to increased sensitivity to external shocks policy mix that considers country-

Renewing the Policy Mix of the West African Economic and Monetary Union: Hierarchy of Targets and Policy Instruments By Daniel E.T. OUEDRAOGO, Université Paris-Dauphine, PSL Research University

specific shocks and the inconsistent number of tools and targets must be implemented.

(iii) Free-riding. Free-riding may occur when centralized monetary policy favors some states. National governments may implement lax fiscal policies based on their own national interests without considering the externalities they generate for the union. This is particularly true in the presence of time-inconsistency problems in monetary policy and under certain other circumstances (benevolence of the monetary and fiscal authorities) (See Beetsma and Uhlig, 1999; Canzoneri and Diba, 1991; Chari and Kehoe, 2008).

A convenient policy mix helps mitigate the temptation to free ride. Thus, three targets must be managed simultaneously: debt, inflation and GDP.

To date, very few studies have investigated the WAEMU. The results documented in Muhanji et al. (2013)59 suggest that monetary policy in Africa should prioritize foreign debt stabilization by reacting more strongly to output gaps than to inflation. We demonstrate the relevance of this statement for the WAEMU and the contribution of fiscal policy to macrostabilization. We complement Muhanji et al. (2013) who focus on monetary policy by providing a way to adjust centralized monetary policy in the face of decentralized fiscal policies in order to achieve convergence on the debt-to-GDP ratio and inflation criteria set by the WAEMU Commission.

Theoretically, the policy mix corresponds to the context of the WAEMU by considering the modus operandi of economic policy coordination: (i) the degree of commitment (pre-established vs. discretionary) of fiscal and monetary policy, and (ii) the targeting regime (fixed vs. flexible). The hypothesized solution is a pre-established monetary policy coupled with discretionary fiscal policies that both prioritize the debt-to-GDP ratio as a target in a flexible regime.

Empirically, DSGE and VAR models are the standard frameworks through which to test such a hypothesis. However, these methods are not well adapted to the data available annually from the BCEAO (Microeconomic data are insufficient, and the samples are small). Thus, we contribute to the literature on the policy mix of a monetary union by using structural UC modeling (Koopman et al., 2009). Here, UC models help structure the policy mix while simultaneously 59 This paper highlights price and liquidity puzzles in a sample of

eleven African countries.

identifying stylized facts (temporal components and shocks) about the targets set as part of the policy mix. In addition, UC models allow to study all WAEMU countries, including Guinea-Bissau, which complement the other studies on the WAEMU (Couharde et. al., 2013a, 2013b; Coulibaly, 2014; Coulibaly and Gnimassou, 2013).

Because of the paramount importance of country-specific shocks, our results suggest that rather than pursuing inflation targeting, WAEMU policy should target the debt-to-GDP ratio, whereas inflation should be managed through national fiscal policies. Our results are consistent with the convergence criteria defined by the WAEMU Commission for the period 2015.2019 (i.e., debt and inflation should be the main targets). Nevertheless, the hierarchy of targets and the recommended policies should be reconsidered. The centralized monetary policy should prioritize the debt-to-GDP ratio, while countercyclical fiscal policies should control the inflation rate.

The remainder of this paper is structured as follows. Section 2 discusses the theoretical typology of the policy mixes available to a monetary union and identifies the configuration that may be best suited to the WAEMU. Section 3 presents the empirical method mobilized to validate the theoretical hypothesis. Section 4 provides the details on the data, hierarchy of targets, appropriate policy tools and implications for policy coordination in the WAEMU. Section 5 concludes.

Typology of policies in a monetary union

We depart from the theoretical arguments in the literature to identify in a first stage policy mix configuration that is conceivable for the WAEMU.

In the theoretical literature, economic policy coordination is carried out under standard New Keynesian models (Benigno and Woodford, 2003; Schmitt-Grohe and Uribe, 2004). On the one hand, after considering various pre-established fiscal and monetary policy targets, some authors have determined convenient policy rules for a monetary union (Dixit and Lambertini, 2003; Kirsanova et al., 2007, for instance). On the other hand, some authors stress the impact of the policy mix on the targets in order to distinguish between fixed and flexible targeting rules (Blinder et al., 2008; Dennis and Söderström, 2006; Ferrero, 2012; Leith and Wren-Simon, 2013).




However, this literature primarily focuses on the European Monetary Union. Debrun et al. (2005) is an exception in considering African countries, particularly those in West Africa. The authors study the prospects for extending the common currency of the WAEMU to the Economic Community of West African States (ECOWAS), with a focus on Nigerian integration and free-riding in a monetary union. Despite a lack of theoretical studies on the WAEMU, step-by-step examination of the theoretical alternatives reveals a policy mix consistent with the economic features of the WAEMU.

To synthesize the various configurations, Table 1 maps the policy options of a monetary union by considering three questions:

(i) Which targeting regime should be chosen, fixed or flexible?

(ii) Is the level of policy commitment pre-established or discretionary?

(iii) Which economic policy tool is the most appropriate for each target?

Three theoretical policy mix configurations are not considered in Table 1 since they are trivial:

(i) The situation in which fiscal policy seeks to stabilize debt using a fixed targeting regime. As unpredicted external or exogenous shocks can occur, this configuration is inappropriate for stabilizing debt. Hence, this configuration is not implemented in practice. Ferrero (2012) shows that flexible targeting rules that consider output stabilization are preferable to a fixed targeting regime.

(ii) The case in which flexible targeting regimes for debt and inflation are adopted by the same authority. Theoretically, an increase in inflation decreases the real debt. To avoid perverse incentives in policymaking it is better to con.ne these targets to different authorities.

(iii) Configurations in which both authorities have a single common target using a fixed regime. Dixit and Lambertini (2001) indicate that the objectives of all authorities can be achieved if they are identical, apart

from the targeting rules. Configurations (37) to (54) are the most realistic ones60.

Configurations (37), (38), (44), (45), (47), (48) and (49) are especially appropriate for advanced economies because debt is a less relevant issue. Leith and Wren-Simon (2013) show that debt stabilization depends on the degree of nominal inertia and the amount of debt. If repayment di¢ culties are identified, particularly in developing countries, it is important that debt becomes a target. Furthermore, configurations (39), (46) and (50) refer to situations in which debt is entrusted only to the fiscal authority. This is particularly convenient for developed countries, which theoretically have a greater ability to repay debt.

Developing countries, by definition, have relatively low GDP levels and high GDP instability (Guillaumont et al., 1999). This excludes configuration (40) in which GDP is not a target. Furthermore, GDP per capita is so low in these countries that it is preferable that both authorities target GDP, in accordance with Dixit and Lambertini (2001). Therefore, configurations (41), (42), (43) and (51) are not appropriate for developing countries. As a consequence, only configurations (52), (53) and (54) seem suitable for developing countries.

Since the WAEMU is composed of developing countries and has set a nominal anchor for the exchange rate, .The elimination of exchange rate risk, an accommodative monetary policy, and the worldwide ease in financial conditions resulted in a large drop in interest rates and a rush of financing into the peripheral countries, which traditionally had been deprived of capital. (See Fernandez-Villaverde et al., 2013, p.146). Thus, a nominal anchor assumes special attention to debt. Consequently, in the WAEMU, debt and GDP should be prioritized by the monetary and fiscal authorities through the policy mix. This scenario corresponds to configuration (54) in Table 1. Theoretical arguments, including fiscal policy, allow to validate the recommendation of Muhanji et al. (2013) about macrostabilisation.

Hence, we identify a theoretical hypothesis that should be empirically tested: the policy mix should prioritize the debt-to-GDP in the WAEMU.

60 See Appendix A for explanation.

MethodologyTwo objectives support our empirical procedure to validate the theoretical hypothesis:

1) The identification of the target hierarchy;

2) The choice among alternative policy tools.

Let yij for i = 1, …, I denote the endogenous variables that serve to define targets that may be followed by a fiscal or monetary policy mix in a monetary union composed of j = 1, …, J countries. Four alternatives are conceivable to define the targets:

(i) yi ≤ si or yi si, where si represents a threshold of reference, for instance, that headline inflation in each country should not exceed a certain percentage.

(ii) yLTi ≤ si or yLTi si, where yLT is the structural long-term component of a variable yi. For example, core inflation is targeted instead of headline inflation.

(iii) ySTi ≤ si or ySTi si, where yST is the transitory component of a variable yi, for example, a null value si of the output gap (as the short-term component of the GDP) is targeted.

(iv) yii’ ≤ si or yii’ si, where yii’ for i ≠ i’ denotes a combination of two different variables yi, for instance, that the debt-to-GDP ratio should not exceed a certain threshold. Whatever the alternatives, a choice must be made between considering the targeted variables in levels or pinpointing speci.c UCs. The latter allows a focus on stylized facts about the structural UCs of targeted variables over a period t = 1, …, T.

This is feasible through various methodologies (for instance, parametric methods à la Beveridge and Nelson, 1981, or Harvey and Trimbur, 2003, as well as filtering methods such as those of Christiano and Fitzgerald, 2003, or Hodrick-Prescott, 1997). DSGE and VAR specifications could be alternatives, but the BCEAO data available on an annual basis are not suitable for these analyses (they lack microeconomic foundations and the samples are small). UC modeling consists of extracting the UCs (trends, cycles, seasons and irregular parts) of series while identifying the types of shocks that affect the historical course of these components. We draw on this framework because it provides numerous advantages:




Less restrictive assumptions of perfect correlation between the innovations that drive the structural component and the transitory component;

Highest quality estimates, particularly with macroeconomic data, regardless of their stationary properties;

Econometric efficiency with precise dating and qualification of shocks61. It is simultaneously feasible to conduct econometric de.nition of the UCs that motivate the data dynamics;

Robustness of univariate and multivariate analyses. Robustness is guaranteed in the absence of contradiction (the same shocks on the same components; the same nature of structural decomposition) between univariate and multivariate modeling, although multivariate analyses lead to richer interpretations.

Defining the targets and hierarchy

UC modeling theoretically specifies either a zero correlation (Harvey and Trimbur, 2003; Koopman et al., 2009) or a significant correlation (Bradley et al., 2015; Morley et al., 2003) between innovations in the trend and innovations in the transitory component62 . Such a distinction is particularly relevant when considering univariate analysis. As our reasoning is based on a multivariate analysis, the structure of Harvey and Trimbur (2003) and Koopman et al. (2009) is followed.

The UC model to be estimated for each country j is structured as a structural seemingly unrelated time series equation (SUTSE) (Koopman et al., 2009). The estimates are based on:

Yijt = Mijt + ijt + Eijt (1)

(I, 1)

where:

Eit ~ NID(0, Σε) is the vector of innovations that compose the irregular part of Yit ;

61 We answer the following question: Which shocks affect which UCs ( either the level/ slope of trend or the irregular part)? A shock to the level of the trend persistently changes the extent of the dependent variables. A shock to the slope permanently changes the velocity of fluctuations of the associated dependent variable. Shocks to the irregular part initiate transitory interventions.

62 This is of particular interest when changes in the trend are more volatile than changes in the series. Such cases are observed when off setting transitory shocks are correlated with the trend changes.

Mijt = Mijt-1 + Bijt-1 + ηijt is the level vector of the I trends of Yijt, with ηijt ~ NID(0, Ση ) defining the innovations that drive Mijt. Knowing that Bijt = Bijt-1 +

νijt is the slope of the trend with νijt ~ NID(0, Σν), the associated innovations for every (i; j) the levels Mt

, as well as the slope Bt of the trend, can be either stochastic or fixed.

Ψijt is the cyclical component that takes a trigonometric form consistent with Harvey and Trimbur (2003). Hence, dampening factors ρΨij and periods of cycles λij are estimated in the presence of cyclical UCs63.

The slope and cycle can be smoothed using parameters sBij and sΨij, respectively, whose values increase with smoothness given an improvement in the estimates, according to Harvey and Trimbur (2003).

For a country j, the I endogenous variables Yit are linked through the variance/correlation matrices of the innovations that initiate each endogenous UC. This enables the identification of common UCs among several variables in the vector Yijt.

The multivariate normal disturbances for each UC are mutually uncorrelated. A Kalman filter is used to estimate the SUTSE associated with each country j in the monetary union. The estimation process depicted in Figure 1 helps produce robust estimates:

Figure 1: Estimation process from the unobserved component modeling

Figure 1 is similar to Bates and Ndiaye (2014, p. 955), except that the basic structural model is not assumed to be the first input in the procedure. Starting from an intuition about the type of macroeconomic data may be more efficient than starting from the same BSM for any studied series. Additionally, step-by-step 63 Note that a cyclical component may become autoregressive if the

cycle period is too high.

integration of shocks leads to more rapid converge on a convenient model than does analyzing the range of alternative models (from general to specific models, or vice versa). Moreover, SUTSE models provide multivariate estimates that serve our interpretation, whereas the univariate forms serve as robustness checks for the SUTSE. The UC estimates clarify the policy targets. This is feasible in two stages:

Identifying the most contributive UC to fluctuations in the I endogenous variables. If |ySTi/yLTi| < 1, then the structural component is the main driver of yi.

Providing the target hierarchy. This is possible by applying a majority rule that consists of assigning more weight to the target to which most countries in the union fail to comply. Indeed, failing to meet a target implies governance issues and free riding (see Debrun et al., 2005).

Note that in this literature, when we consider targeted variables in levels, the conclusions strongly depend on the threshold value si, which may require sensitivity analyses in line with controversial stances on the proper target for the debt-to-GDP ratio (Panizza and Presbitero, 2014; Reinhart and Rogoff, 2010) and inflation (Baglan and Yodas, 2014; Thanh, 2015). Such debate does not exist for the output gap as an admitted target. Additionally, the results obtained at this stage reveal the historical phases at which the policy mix diverges from its targets. This yields evidence of time-varying efficiency at the national and union levels. At this stage, an intuition can be grasped about whether monetary or fiscal instruments are activated. The UC estimates help explain the national drivers of deviations from a target over time. If idiosyncratic factors provide the explanation, then centralized monetary instruments cannot form the base of a policy strategy to correct such deviations. Domestic (fiscal) policy instruments are then more appropriate. Conversely, if the factors that explain deviations from a target are common among the member states, then a supranational instrument can be selected. Nevertheless, this intuition does not precisely instruct on policy mix coordination, which calls for a second step.

Defining the policy instruments for each target

Knowing that effective policy instruments are required to gain from the policy strategy, the econometric procedure considers monetary and fiscal instruments as exogenous variables in equation (1) while remaining consistent with the strategy depicted in Figure 1.

Let Vk = 1, …, K denote the vector of K alternative

policy instruments; thus, equation (1) for a country j becomes:

Yijt = Mijt + Ψijt + αik. Vijkt+ Eijt (2)

(I, 1) (I, K) (K, 1)

Before choosing an economic policy instrument based on these estimates, the key elements pinpoint are the following:

(i) The significance of the αik parameters that capture the impact of a policy instrument on the (targeted) variables included in the endogenous vector Y over T periods of estimates.

(ii) The sign of the impact. The sign is important in order to assess conformity to expectations, to identify price puzzles (Brissimis and Magginas, 2006; Christiano et al. 1999; Giordani, 2004; Hanson, 2004; Sims, 1992) 64 or to note crowding-out e¤ects (Buiter, 1977).

(iii) The extent of significant αik parameters. This criterion seeks to validate points (i) and (ii). More precisely, among alternative policy tools Vik associated with significantly and theoretically consistent αik

parameters, the primary instrument through which to in.uence a target Yi is the one that maximizes αik. Analyzing the J member states of the monetary union allows us to answer the following key question: which policy instruments should be activated for each target? Specifically, what is the unique or mixed policy required?

Empirical results

After presenting the data, this section provides the target hierarchy, identifies the most appropriate economic policy tools for each target and discusses the implications for policy coordination in the WAEMU.

64 The liquidity puzzle (Andrés et al., 2002; Bernanke and Blinder, 1992; Biscarri et al., 2010; Christiano and Eichenbaum, 1992; Strongin, 1995) is not studied because of insufficient interest rate data for the WAEMU.




Data

In our study, Y includes debt, GDP and in.ation as potential policy targets. Hence, for the WAEMU, I = 3 and J = 8. We refer only to the primary debt and inflation criteria defined by the WAEMU Commission, although there are secondary targets. The advantage of examining these primary targets is that the definitions and reference thresholds si have not changed over time.

In contrast, the thresholds and definitions of secondary targets have been updated65.

We use logarithmic data 66 for the debt, inflation, GDP, government expenditure (G) and money supply (M2) of the eight member states of the WAEMU. M2 is chosen as a monetary instrument (Muhanji et al., 2013) to account for all cash injections67. On the one hand, tax revenues are low in the WAEMU given the importance of informal activities (Grimm et al., 2012). On the other hand, received donations and government debt are important. Thus, G is selected as the .scal policy tool to account for all sources of funding. G is decomposed into investment expenditure (Ginv) and operating expenditure (Goper) to better appreciate the role of public expenditure.

The analysis is implemented using yearly BCEAO data over the period 1970-201368.

Hierarchy of targets

In Section 3.2, the task was revealing the most important UC for fluctuations in the I endogenous variables.

65 Of the primary criteria, cumulated arrears of payment has been removed and a single threshold on the basic fiscal balance was revised (See Diarra, 2014 for more details). Two secondary criteria were deleted and the secondary criterion concerning the tax ratio increased from 17% to 20%.

66 Note that in the BCEAO database, the Consumer Price Index is treated as a Harmonized Consumer Price Index. We correct the null value of M2 for Niger in 1974 by interpolating the data extracted from the UC estimates.

67 M2 is not the most appropriate variable for isolating the central banks contribution to liquidity flows. Nevertheless, there is no alternative upon our knowledge given the data available on the WAEMU.

68 This sample size is a sufficient condition to reject the use of VAR models as an alternative to UC modeling. Indeed, for the case of Guinea-Bissau, note that annual data are only available for 1990.

Figure 2: Ratio of short-term on long-term components in absolute value

Figure 2 confirms that the long-term component of debt is always the most important throughout the study period despite relative divergence among countries at both ends of the sample.

In contrast, the short-term component of inflation seems more important except around 1980 and at the end of the period. This reveals that some transitory shocks affect the historical course of inflation. Indeed, core inflation remains particularly low, ranging from -0.40% to 1.08% over the study period for all countries. These structural price dynamics do not favor return expectations on long term private investments or durable consumption. Therefore, public investment must complement private investment in order to support GDP growth and contribute to debt management. High levels of national headline in.ation hide a structural risk of deflation that is largely offset by the high sensitivity of member states to shocks that mainly have positive impacts on inflation.

Among the transitory shocks to inflation, only two are common among member States:

- The 1987 shock is attributed to a decrease in the oil price that affected domestic prices in Mali (-0.91%) and Niger (-0.53%);

- The devaluation of the CFA franc in January 1994 led to higher prices (imported inflation) in all seven69 member states (2.42% in Cote d’Ivoire, 2.06% in Senegal, 1.72% in Benin, 0.90% in Burkina Faso, 0.54% in Mali, 0.51% in Niger, 1.44% in Togo). Thus, most transitory shocks are country-specific (1990: 0.64% in Cote d’Ivoire because of lower commodity prices; 1976: -0.96% in Burkina Faso; 1984: -0.83% in Togo; 1985: -0.71% in Benin; 1991: -0.71% in Niger; 1992: -0.27% in Mali [because of climate shocks]; 2003:

69 Note that Guinea-Bissau was admitted into the Union in 1997

0.75% in Guinea-Bissau [because of a military coup that reduced the demand components]). Note that the advantages of separating debt and GDP in the model are (1) the precise attribution of shocks to the correct dependent variable and (2) the precise identification in the next step of the most appropriate instrument for the numerator (debt) and the denominator (GDP).

Let Ti denote the targeted variable, which should be compared to the threshold of a reference si: There are

three methods of obtaining the target hierarchy. For each method, we calculate the sum of deviations from si for the WAEMU.

(i) Criterion 1. The targets defined by the WAEMU Commission in levels are defined as follows:

Debt/GDP ≤ 70%;

Headline inflation ≤ 3%.

The hierarchy is formed by considering only cases where Ti > si. Note that there is an imbalance if these definitions underlie the hierarchy, because variables with different natures and speeds of change are involved70. Once the debt-to-GDP ratio has exceeded the threshold defined for a given year, significantly decreasing this ratio in the following year becomes challenging. Thus, we consider a second method.

(ii) Criterion 2. The first-difference of the debt-to-GDP ratio for each country and the average at the union level is calculated (-5.7%). National current inflation

70 Debt is a stock variable, while GDP is a flow variable obtained each year.

is also compared to its average at the union level (0.37%):

Δ Debt/GDP → -5.7%;

Headline inflation → 0.37%.

(iii) Criterion 3. We can also use this second method to consider the most important UC contribution to the fluctuations.

Δ DebtLT/GDPLT → -5.4%;

InflationST → 0.07%.

The target hierarchy results from the estimates of equation 3.1 on p. 10 and reported in Table 2 according to the econometric process described in Figure 2.




According to Table 371, the target hierarchy is as follows:

Target 1) Debt-to-GDP ratio

Target 2) Inflation

Historically, the first objective is inflation through the BCEAO mandate and the second objective is the debt-to-GDP ratio through the WAEMU Commission

71 Note that due to the lack of data for Guinea-Bissau, this target hierarchy is determined for the period 1990-2012.

mandate. Our results reverse this hierarchy. This finding supports the intuition of Muhanji et al. (2013) on macrostabilization in Africa for the WAEMU case.

Through a dynamic analysis of these targets, we can now observe their evolution, taking into account the official definitions of the WAEMU Commission (criterion 1 in Table 3). We can also analyze the dynamics of the output gap in order to better assess the effectiveness of economic policies.

Figure 3: Evolution of targets

(i) The debts of WAEMU countries are generally described by an inverted parabola. Debt has gradually increased since the birth of the West African Monetary Union (WAMU) in 1962 before reaching a historical high at the time of the currency devaluation and the birth of the economic union (WAEMU) in 1994. Since then, there has been relative convergence among

these countries to low levels of debt in relation to GDP. The Heavily Indebted Poor Countries Initiative developed by the World Bank and the International Monetary Fund and the Multilateral Debt Relief Initiative72 allow countries to reduce their debt. These

72 The Multilateral Debt Relief Initiative allows all countries that have passed the completion point of their initial debt to interna-

countries have significantly and persistently benefited from decreases in their overall debt: Benin (reduction of 0.50%) in 2005; Burkina Faso (reduction of 0.65%), Mali (reduction of 0.88%), Niger (reduction of 0.90%), and Senegal (reduction of 0.74%) in 2006; Guinea-Bissau (reduction of 0.92%) and Togo (reduction of 0.90%) in 2010; and Cote d’Ivoire (reduction of 0.57%) in 2012.

(ii) Several phases are distinguished in the historical course of inflation. Until the mid-1980s, inflation was generally higher than the WAEMU threshold. Between the mid-1980s and the birth of the WAEMU in 1994, inflation was below the Commission threshold. Climate shocks in Burkina Faso (1976), political instability in Cote d’Ivoire (1990) and Guinea-Bissau (2003), and declines in oil prices in Mali and Niger (1987) are country-specific sources of inflation volatility. Thus, a national policy instrument would be better for inflation stabilization. The devaluation in 1994 led to historically high inflation levels. However, since the birth of the economic union, inflation levels have been relatively low, with a sawtooth evolution around the target.

(iii) Since the birth of the WAEMU in 1994, periods of considerable economic fluctuation has occurred; however, output gaps have decreased, except in Guinea-Bissau, which joined the WAEMU later. However, since the end of the 90s, output is better synchronized. In fact, output is the most synchronized target. This why targeting GDP by means of a common policy instrument is conceivable.

(iv) Since late 90s, all WAEMU targets have converged toward low levels. This is mainly due to the high level of comodity prices that have a predominant weight in the exports of the WAEMU member states. Higher exports coupled with nominal anchor (herein, the euro) have helped maintain good economic growth with relatively low levels of inflation. The next subsection identi.es the combination of policy instruments that is consistent with this new target hierarchy.

Identification of appropriate economic policy tools

Table 4 synthesizes the estimates from equation (2), which includes Ginv, Goper and M2 as exogenous variables. The estimates conform to the quality criteria of the UC modeling framework, and their interpretation

tional financial institutions to benefit from cancellation of 100% of their debts to the IMF, the World Bank and the African Develop-ment Bank.

is robust to both univariate and multivariate analyses73. This enables the identification of policy instruments that are effective over time.

According to our target hierarchy, inflation should be the secondary target.

Our previous findings show that country-specific factors are the main drivers of inflation volatility. Thus, the use of a national instrument G would be wiser than that of a common instrument (monetary policy) for inflation stabilization. Furthermore, a positive shock to M2 has a counterintuitive negative effect on inflation in Senegal (-1.01%). Empirically, this is a price puzzle (a fall in inflation after a monetary expansion shock). The literature thus argues that M2 is an inappropriate proxy for liquidity74 (Muhanji et al., 2013). Theoretically, the improvement of credit conditions after an interest rate decrease leads producers to set attractive prices for demand (Brissimis and Magginas, 2006; Christiano et al., 1999; Giordani, 2004; Hanson, 2004; Sims, 1992).

Considering that core inflation remains particularly low, there is room to maneuver to boost economic growth via Ginv by allowing inflation to fluctuate somewhat (headline inflation must not exceed 3%). Undoubtedly, an increase in investment expenditures increases inflation (Benin: 0.18%; Cote d’Ivoire: 0.30%; Senegal: 0.19%). Furthermore, our results show a fall in inflation and, therefore, a demand contraction (an increase in operating expenditures leads to a decrease in GDP in Benin (-0.02%) and in Guinea-Bissau (-0.50%), which can be explained by crowding-out effects (Buiter, 1977). These crowding-out effects of public expenditures on the private sector come from operating expenditures. Indeed, an increase in operating expenditures always leads to a decrease in inflation (Benin: -0.70%; Cote d’Ivoire: -1.18%; Mali: -0.56%; Togo: -0.70%).

Crowding-out effects combined with low levels of core inflation suggest that an increase in public expenditure is necessary to stabilize inflation in normal periods (in the absence of shocks) and that an increase in the share of investment expenditure is required to support economic growth.

Our target hierarchy shows that the debt-to-GDP ratio should be the first target.73 The estimates of equations (1) and (2) are perfectly consistent con-

cerning the type of trend, the type of transitory or structural shock and the intensity of the shock (compare Table 2 p. 15 and Table 4 p. 20). The univariate models are available in the Appendix.

74 Recall that insufficient data prevent the use of an alternative proxy for M2 in our study.




According to Table 4, M2 has positive effects on the GDP values of five to eight countries (Benin: 0.10%; Burkina Faso: 0.10%, Cote d’Ivoire: 0.20%; Niger: 0.02%; Senegal: 0.22%). In accordance with our majority criterion, monetary policy can target foreign debt stabilization by reacting more strongly to output gaps. This result supports the suggestion of Muhanji et al. (2013). Furthermore, expansionary monetary policy reduces debt needs (-0.02% in Niger). However, we notice that in the presence of a price puzzle, M2 has a positive effect on debt (in Senegal, 0.26%). The decline in the price level of high real debt is greater than the negative effect of M2 on debt, so it is wise for monetary policy to react to the output gap in order to stabilize the debt-to-GDP ratio.

Investment expenditures also have positive effects on GDP (0.06% in Burkina Faso, 0.16% in Guinea-Bissau). Ginv75 should prioritize debt-to-GDP ratio stabilization to avoid crowding-out effects. This result is consistent with inflation stabilization as a low level of core inflation (0.18% in Benin, 0.30% Cote-d’Ivoire, 0.19% Senegal) allows for increases in inflation, to a certain extent, in response to fiscal policy tools. Indeed, the capacity to repay debt is ensured only by investment expenditures. Considering the significant impacts of policy tools on targets, a negative effect of Ginv on debt is noticed in Burkina Faso (-0.20%), whereas a perverse effect of operating expenditures on debt is identified in Togo (0.35%).

Overall, WAEMU member states should increase their shares of investment expenditures. This will greatly contribute to debt stabilization. A higher share of investment expenditures will also reduce the crowding-out effects observed in operating expenditures through inflation that benefits debt. This result is consistent with Debrun et al. (2005).

Monetary policy should also contribute to debt stabilization by reacting more strongly to output gaps in light of these positive and significant effects on GDP for most countries.

Therefore, our results support configuration (54) in Table 1: this policy mix should be prioritized to meet debt-to-GDP ratio targets in the WAEMU.

More broadly, before 1994, there was no official framework for policy coordination in the WAEMU. Only inflation was targeted by the BCEAO. High inflation rates and debt levels, as well as heterogeneity in national business cycles characterized this period (Fig. 3 p. 18). The WAEMU and the convergence pacts that have constrained 75 Note that the non-significance of Ginv in many countries should

be mitigated, since the share of Ginv in public expenditures is very low in most of these countries.

state debt and inflation levels have helped homogenize business cycles and reduce inflation and debt levels.

Our results support the implementation of inflation targeting by national authorities through countercyclical fiscal policies because the main drivers of inflation are country-specific shocks. Despite the paramount importance of shocks for inflation dynamics in the WAEMU, a centralized policy mix is now less necessary because theses shocks are country specific.

Loureiro et al. (2011) show that the peg to the euro has improved inflation performance. Countercyclical fiscal policies also improve the resilience of member states and reduce their sensitivity to external or exogenous shocks (terms of trade, climate). In addition, monetary policy could be trusted to stabilize inflation when the productive structures of member states will be sufficiently strong (Gali and Monacelli, 2008).

Despite declines in government debt levels by the end of the period, the target hierarchy shows that debt still occupies a central place. Interventions by international institutions motivate debt reduction. Our findings show that these interventions must be complemented countercyclical public investment expenditures in order to stabilize inflation.




ConclusionWe study the adequacy of the WAEMU policy mix using UC modeling, which has several advantages based on the available BCEAO data. On the one hand, given the importance of country-specific shocks, fiscal policy should prioritize inflation targeting. This will strengthen productive structures and improve the resilience of member states which cases to trust the monetary authority to stabilize inflation. Meanwhile, monetary policy should stabilize debt by reacting more strongly to the output gap, an updated primary target.

The premature birth of a monetary union makes coordinating fiscal policies essential given that significant sources of economic heterogeneity remain among member states. Coordination should target inflation through countercyclical fiscal policies. Inflation targeting is now a secondary target. This calls for a revised WAEMU policy mix.

In addition, future analyses should complement our study by tackling the adequacy of thresholds for each target based on the time horizon for their completion.

Appendix A: Details concerning the configurations in Table 1

We do not detail some configurations included in Table 1 in the text because they are either trivial or unrealistic.

Focus on the trivial configurations

For configurations (1), (19), (37), (4), (22), (40), (5), (23) and (41), which correspond to a fixed targeting regime, the target of the monetary authority differs from that of the fiscal authority. To avoid conflicts, both authorities should agree on the targets levels. These levels must be chosen with an eye toward avoiding a negative effect of one target on the other. In configurations (2), (20), (38), (7), (25), (43), (9), (27), (45), (10), (28), (46), (11), (29), (47), (12), (30), (48), (16), (34) and (52), the first authority selects a fixed targeting regime, while the second selects a flexible targeting regime such that the target of the fixed regime corresponds to that of the flexible regime. Thus, a common target in levels is required. Otherwise, at least one of the authorities cannot meet its target. If the theoretical links between inflation and debt are taken into

account, configurations (3), (21), (39), (6), (24) and (42) do not depict target conflicts. This is also the case for configurations (13), (31), (49), (18), (36) and (54) if the target levels are identical. However, following Kirsanova et al. (2007), cases (13), (31) and (49) would be more convenient than cases (18), (36) and (54) for improving well-being when fiscal policy stresses inflation and output.

Focus on the unrealistic configurations

Monetary and fiscal policies are either simultaneously pre-established or discretionary in configurations (1) to (36). On the one hand, monetary policy effectiveness is increased in a context of central bank credibility. Dennis and Söderström (2006) show that, at a union level, welfare is important when monetary policy is pre-established, which is consistent with Blinder et al. (2008), who demonstrate the practical efficiency of monetary authority communication as a policy tool over the past two decades. On the other hand, governments can hardly uphold pre-established targets in practice because of citizen pressure. To ensure re-election, governments integrate peoples time-varying aspirations, which depend on the current and predicted economic states. Thus, only discretionary fiscal policies are really conceivable.

Appe

ndix

B




Appe

ndix

C

IntroductionThe decades long Optimum Currency Area (OCA) debate has often neglected the developing world. This debate, first pioneered by Mundell (1961), McKinnon (1963), and Kenen (1969) – later enriched by Corden (1972), Ishiyama (1975) and Tower and Willet (1976) – explores two key questions: the criteria as well as the benefits of entering or forming a common currency area. The four often mentioned criteria for a successful union since Mundell (1961) are: labor mobility across the area, openness with capital mobility and price and wage flexibility, an advanced risk sharing mechanism, and similar business cycles for all the countries within the area. In addition to those conservative and more consensual criteria, Kenen (1969) proposes production diversification, homogeneous preferences and commonality of destiny. As for the advantages of forming or joining a currency area, they seem obvious, if hard at all to quantify: reduced transaction costs, elimination of currency risk, greater transparency, and possible greater competition due to easier comparability of prices (Krugman, 2012).76

The OCA debate was initially ignited by Mundell (1961) and others as a purely academic abstract discussion in the early 1960s. But this discussion morphed throughout the 1990s into a very passionate debate about the desirability and the viability of the European Monetary Union (EMU) as an OCA. From

76 There are also some costs attached to the membership of a single currency area. Prominent among those is the potential loss of flexi-bility. A common currency area is often limited to a one-size-fits-all monetary policy, and also induces a loss of potential adjustment mechanisms (Krugman, 2012).

this frantic discussion, what emerged as a consensus among the economists therefore was that the main conditions favoring keeping the national currency and exchange rate flexibility include a low labor mobility across borders, the absence of super national tax-cum-transfer mechanisms, a high degree of nominal rigidity in domestic prices, a low degree of openness to trade, and dissimilarities in national economic structures (Aizenman, 2016). Therefore, the perfect currency areas should be those composed of countries where most of these conditions do not hold. The same considerations could also apply to the choice of pegging the exchange rate to another currency, as it is the case for the CFA Franc of West and Central Africa.

There is currently an enormous variety of currency arrangements and monetary institutions across the developing world. In the case of sub-Saharan Africa, this comes down as the consequence of the different trajectories that the countries of the continent have taken ever since gaining their independence from their former colonial rulers (Belgium, Britain, France, Portugal and Spain) in the 1950s, 1960s and 1970s. The most striking monetary institution in sub-Sahraran Africa is the CFA Franc Zone, a common currency union currently spanning most of the former French colonies of West and Central Africa, with the exception of Guinea-Bissau and Equatorial Guinea, who were ruled by Portugal and Spain respectively.77 77 The 14 Members States of the CFA Franc Zone in 2016 are: Benin,

Burkina-Faso, Cameroon, Central African Reoublic, Cˆote d’Ivoire, Chad, Equatorial Guinea, Gabon, Guinea-Bissau, Mali, Niger, Republic

The Welfare Cost of Business Cycles in Developing Countries: Do Currency Union Matter?By Ibrahima Sory KABA, UNU-MERIT, Maastricht University, Maastricht Graduate School of Governance




The CFA Franc (CFAF) is convertible with the French Franc/Euro at a fixed rate and is currently pegged against the Euro. The CFA Franc Zone was officially created by France on the 26th of December 1945 and has ever since changed names and composition, depending on the realities of the day: from 1945 to 1958 it was referred to as the Colonies Fran¸caises d’Afrique (or African French Colonies), from 1958 to the early days of the independence (1960s)its name changed to Communautés Fran¸caises d’Afrique (African French Communities), and ever since the CFA means Communauté Financière Africaine (African Financial Community) in West Africa and Coopération Financière en Afrique Centrale in Central Africa. These recurrent changes in names give a very interesting insight into attitudes towards political correctness in the francophone world. While some countries have left the union for good (Mauritania and Guinea for example), others like Equatorial Guinea and Guinea-Bissau joined it “recently”, in 1985 and 1993 respectively. The cornerstone of the Franc Zone is the use of currencies that the French Treasury guarantees to exchange for French Francs (now Euros) at a fixed rate, and in Africa, member states are grouped into two regions, each of which has one central bank issuing a single currency – to add to the confusion, both currencies are called the CFA Franc, CFAF – that is convertible with the French Franc/Euro at a fixed rate. The Bank of Central African States (Banque des Etats de l’Afrique Centrale, BEAC) is the institution charged of issuing currency for the Central African Economic and Monetary Union (CAEMC) while the Central Bank of West African States (Banque Centrale des Etats de l’Afrique de l’Ouest, BCEAO)deals with the West African Monetary Union (WAEMU).

At first glance, it might appear that a currency union of developing countries anchored to a global and stable currency such as the Euro provides a nominal anchor, thus preventing runaway inflation, as often seen in the developing world (see Figure (1) below). However, a more cautious scrutiny shows that such arrangement implies the inability to use monetary policy to deal with a real and financial crisis affecting the union members as well as with external shocks that have the power to change the exchange rates between global currencies (Aizenman, 2016). As such, one is entitled to ask the following question: how important is the welfare cost of macroeconomic fluctuations in a developing-country currency union such as the CFA Franc Zone, compared to that in the non-CFA African member states?

To answer this question, we build on two parametric and one non-parametric models, including the original Lucas (1987) endowment economy, and compute the estimates of the welfare cost of aggregate fluctuations for a sample of 36 sub-Saharan African countries. We then contrast the costs estimates for the two groups: the 11 CFA member states and the 25 non-CFA member states. For each country included in the analysis, we calibrate of Congo, and Togo. 3In addition to WAEMU and CAEMC, the Franc Zone also includes the Comoros. In 1979, the government of the Comoros signed a monetary cooperation agreement with France, making the Comoros part of the Franc Zone but not really part of the CFA Franc Zone. The exchange rate of the Comorian Franc to the French Franc (now Euro) has also since 1994 differed from that for the CFA Franc. The Comoros are therefore not part of the discussions in this paper.

The models using consumption and population figures derived from the latest Penn World Tables (PWT 9.0), and carry out a string of robustness checks. And across all model specifications, we find that the sample average cost of economic fluctuations in the nonCFA countries is between 11 and 48 percent higher than that in the CFA Franc Zone. We also find that the welfare cost of macroeconomic fluctuations for sub-Saharan Africa is still many times what it is in the United States, the country often taken as the benchmark. This latest result is congruent with the findings of Pallage and Robe (2003).

The remainder of the article is organized as follows: Section 2 discusses the literature on macroeconomic policy in the CFA Franc Zone and the estimation of the welfare cost of business cycles respectively; Section 3 outlines the two baseline theoretical frameworks of the paper and presents the empirical results of the estimations and calibrations; Section 4 provides the sensitivity and robustness checks; and Section 7 concludes.

Literature ReviewThe CFA Franc Zone and the OCA Debate

The two unions that constitute the CFA Franc Zone in Africa are in reality two completely separate and independent monetary entities with two different currencies, although both unions share many common features. They form a complex array of contractual

obligations on the part of the African states and France. These obligations fall into two categories. First, there are the constitutional principles designed to achieve the objective of complete financial integration between members states. Under this heading fall the guarantees of convertibility between the CFA and French Francs (Euros), and the fixed exchange rate. Maintenance of the principles implies a heavy obligation on the part of France, with some obligations on the part of the Franc Zone. Second, there are the administrative structures to which member states bind themselves, and which prevent (or, at least, which are designed to prevent) African States from free riding on French guarantees, as well as on each other. These in fact entail considerable loss of economic sovereignty on the part of the African states. As for the Franc Zone constitutions, they are designed to describe and safeguard the principles and institutional structures

of the union. The revised Franc Zone constitution of 1972-73, which devolved policy-making authority from the French Treasury to the two central banks, insist for the member states to ensure the four following economic conditions: guaranteed convertibility (from Article 2 of the BEAC constitution and Article 1 of the WAEMU convention), a fixed exchange rate (Article 9 of the BEAC constitution and Article 2 of the WAEMU convention), free transferability (Article 10 of the BEAC constitution and Article 6 of the WAEMU convention), and harmonization of the rules governing currency exchange (Article 14 of the BEAC constitution and Article 6 of the WAEMU convention). See Bathia (1986) and Vizy (1989) for a more detailed explanation of the principles and institutional structures of the union.

Figure 1: Annual CPI Inflation Rate in SSA

Note: The Consumer Price Indexes (CPI) displayed in this figure are the sample average of those of two groups of randomly selected countries: 7 CFA member states (Burkina Faso, Côte d’Ivoire, Cameroon, Gabon, Niger, Senegal and Togo) and 14 other non-member states (Burundi, Botswana, Ethiopia, Ghana, Gambia, Kenya, Madagascar, Mauritania, Malawi, Nigeria, Sierra Leone, Tanzania, Uganda, and South Africa). The figure shows that for almost all the 1981-2013 period, the average inflation rate in the CFA Franc Zone was far below that of the rest of the continent.

The only exception is probably 1994, when France in an unprecedented move decided to devaluate the CFA Franc by 50 percent. Although this devaluation helped the member states to regain part of their international competitiveness, it came at a very heavy cost. The immediate side effect of this was a one-time surge in prices, which immediately led to higher inflaton. The figure further shows that the gap between the two regions was somehow higher before the devaluation than after it. This has more to do with better inflation-targeting policies from the rest of the continent rather




than a prolonged steady inflation rate from the CFA Franc Zone.

The recent literature on the CFA Franc Zone has focused on four main areas: assessing the (potential) costs and the benefits of monetary union, analyzing the convergence in the Franc Zone and the OCA theory, exploring the positive and normative analysis of monetary and exchange rate policy, and finally investigating the issue of poverty within the Franc Zone. Using the statistical framework developed by Blanchard and Quah (1989), albeit with differing assumptions about the underlying economic structure of the countries in question, several papers have explored the extent to which macroeconomic shocks differ between the CFA Franc Zone and their neighbors, and among the Franc Zone countries themselves. Hoffmaister et al. (1998) compare the nature and sources of shocks in the Franc Zone countries – considered as a single whole – and fifteen neighboring countries and conclude that the Franc Zone countries are relatively less susceptible to shocks that originate within the domestic economy, and relatively more susceptible to shocks impacting on the price of imports and exports. Fielding and Shields (2001) use a similar (but not identical) approach to Hoffmaister et al. (1998) and find some results consistent with them: for example, in terms of the relative importance of domestic shocks in countries outside the union. Bleaney and Fielding (2002) address directly the issue of real output volatility within the Franc Zone and find that the standard deviation of real GDP growth is significantly higher in Franc Zone countries than elsewhere. On average, the standard deviation is 1.4 percentage points higher. Bénassy-Quéré and Coupet (Bénassy-Quéré and Coupet) look at the West African macroeconomic convergence from a more general perspective. Their results are mixed, with differing degrees of homogeneity within and beyond the Franc Zone and suggest therefore that there is an economic rationale for an alternative partitioning of the Franc Zone on economic grounds.78 Among the early studies trying to determine whether the Franc Zone membership promotes economic growth, we could mention Devarajan and de Melo (1987) and Plane (1988). Devarajan and de Melo (1987) find that when CFA members are compared with just the rest of

78 Taking the current economic structure, their suggested grouping of the countries they study is (Benin, Burkina Faso, Mali, Togo), (Cote d’Ivoire, Senegal; plus Gambia), (Cameroon, Central African Republic, Chad), (Congo, Gabon; plus Nigeria) and (Guinea-Bissau, Niger; plus Ghana, Sierra Leone).

sub-Saharan Africa, a statistically significantly better performance appears for the high-income countries and for the high and low-income countries pooled, whilst there is no statistically significant difference for low-income countries alone. Using a more general model of economic growth, Plane (1989) find that the cross-country residual is not significantly dependent on Franc Zone membership. However, a large number of studies have consistently found the Franc Zone membership to be associated with lower average rates of inflation (Plane, 1989; Elbadawi and Majd, 1996; Bleaney and Fielding, 2002), as shown by Figure (1) above.

On the convergence of the Franc Zone, Bamba (2004) shows that between 1980 and 2001, the convergence as defined by the UEMOA pact , has not reduced the countries’ instability vis-a`-vis most of the UEMOA convergence criteria, with the sole exception of inflation. Fielding et al. (1995) fit a Vector Error Correction Model (VECM), on output and prices in ten Franc Zone countries, and shows that there is less heterogeneity in the macroeconomic dynamics (in terms of inflation and output growth) of the UEMOA countries than there is among the CEMAC members, and so the costs of adhering to a single currency are likely to be lower, ceteris paribus. Using the Blanchard and Quah (1989) decomposition, Coleman (2004) identifies and decomposes structural shocks to three important variables (real exchange rate appreciation, real output growth, and the growth in real money balances) between 12 Franc Zone countries and 4 non-Franc Zone countries, and argues that there might be some heterogeneity in the policy-coordination and restrictions on individual adjustment strategies within a monetary union.

Regarding the positive and normative analysis of monetary and exchange rate policy,Shortland and Stasavage (2003) argue that despite all the policy instruments at its disposal, the BCEAO did not take a particular active role in steering private sector credit in the Franc Zone member countries. They also estimated an interest rate reaction function for the BCEAO and argue that there is a nuanced picture regarding monetary policy in the WAEMU. Finally, regarding the issue of poverty, Azam and Wane (2001) analyzed the effects of the 1994 devaluation of the CFAF on growth and poverty in the WAEMU, with a medium-run horizon. Bleaney and Nishiyama (2002) show that the Franc Zone dummy is insignificant

when added to the regression of the growth of the income of the poorest 20 percent of the population. Fielding (2004) ultimately shows that price volatility that occurs in the wake of a change in the value of the monetary policy instruments, affect particularly the poor households.

The Welfare Cost of Business Cycles

The welfare cost of business cycles, defined by Imrohoroglu (1989) as the percentage increase in consumption across all dates and states that would be necessary to make a representative consumer indifferent between a smooth consumption stream and one that is subject to fluctuations, was first pioneered by Lucas (1987). In his path-breaking exercise, Lucas (1987) endeavored to quantify the welfare cost of business cycles in the United States. The original idea was to approximate as much as possible an upper-bound for this cost, by simulating a simple economy where consumption is generated by a stochastic process with independently and identically distributed (i.i.d) shocks that matches the variance and the mean of the observed consumption series. In his now influential 1987 monograph Models of Business Cycles, later complemented in 2003 by Macroeconomic Priorities, Robert Lucas, assuming individual preferences that many economists view as a reasonable benchmark, calculated that individuals would sacrifice at most 0.1 percent of their lifetime consumption, prompting him to conclude that there would be little benefit to ”devising ever more subtle policies to remove the residual amount of business cycle risk.”79

A fantastic mounting body of research has since challenged Lucas (1987)’ early estimations of the welfare cost of business cycles by altering his modeling framework. Most of these challenges concern the building assumptions of Lucas (1987)’ original model, of which the perfect homogeneity of the economic agents with complete access to fully developed capital markets represents the main building block. It is easy to imagine that, while the 79 This strong conclusion of Lucas to readjust the priorities of mac-

roeconomic stabilization policies comes in stark contrast with the conventional wisdom, at least in the United States, that macroeco-nomic policies should consistently aim at charting a stable course for economic growth. The importance given to this goal is reflected in the flurry of legislation passed by the United States Congress in the post-WWII (postwar) period: the 1946 Employment Act and the 1978 Full Employment and Balanced Growth Act (also known as the Humphrey-Hawkins Act after its two coauthors) are some prominent illustrations of that evidence.

costs of fluctuations may be low for some consumers, such as those endowed with generous savings, they may in contrast be devastating for those incapable of insuring themselves against the adverse effects of aggregate shocks (Krusell and Smith, 1999). In general, the many alternative implementations of the Lucas (1987)’ calculations could be grouped in four broad categories: the category emphasizing the heterogeneous nature of the economic agents with a limited access to capital markets, the one proposing alternative specifications of the consumer’s preferences away from the Constant Relative Risk Aversion (CRRA) utility function of the Lucas (1987)’ model, the stream of literature investigating the cost of fluctuations in the context of the Real Business Cycle (RBC) theory, and finally the one exploring the question within the framework of endogenous growth.

Imrohoroglu (1989) was the first to challenge Lucas (1987)’ findings, on the ground of agents homogeneity with access to fully developed capital markets. She considers a general equilibrium model with idiosyncratic shocks and liquidity constraints in order to assess the impact of imperfect insurance on the magnitude of the cost of fluctuations. Her argument builds on the observation that unemployment spells are typically short in booms but long in recessions, whereas in a more stable environment unemployment durations would presumably be of average length. When Imrohoroglu (1989) computes the cost of business cycles assuming agents cannot borrow and earn zero real interest on their savings, she finds a cost of business cycles of 0.3 percent. When she also allows agents to borrow at a real rate of 8 percent (while saving at a zero rate), the cost falls to a mere 0.05 percent. Atkeson and Phelan (1994) present a model in which the effect of counter-cyclical policy is simply to eliminate the correlation across individuals in the unemployment risk they face. Specifically, their model is based on the notion that the unemployment risk faced by individuals is determined in equilibrium by their choices of search strategy in the labor market. When they ask how much individuals would need to receive as a compensation for the fluctuations in their consumption, they get only 0.2 percent of lifetime consumption. Krusell and Smith (1999) examine an economy with substantial heterogeneity where individuals face idiosyncratic and aggregate risks and can smooth down their consumption only through private savings. Their model encompasses a variety of heterogeneity, including employment status,




wealth and preferences. They found that the poor and unemployed individuals facing liquidity constraints together with the wealthy ones would all benefit from stabilization while the middle-income class would end up loosing from it. Gomez et al. (2001) construct a search-theoretic model of equilibrium unemployment, built to be consistent with the key stylized facts of the labor market and business cycles, where job opportunities are subject to both aggregate and idiosyncratic productivity shocks. Krebs (2003) argues that if the effects of a bad shock are to be permanent, then the welfare costs of business cycles could be as high as 7.5 percent of consumption. Storesletten et al. (2001) showed that, in an environment where small aggregate shocks can have a long-lasting impact on individuals’ earnings, the welfare cost of business cycles could be much higher than Lucas (1987)’ estimates. Equally, Beaudry and Pages (2001) consider idiosyncratic wage risks that worsen in recessions, and hence obtain higher estimates. More recently, Krebs (2007) investigated the welfare costs of business cycles with individuals facing a risk of job displacement, with the probability of job displacement and the consumption losses on displacement assumed to be static over the business cycles. Adopting this particular feature, Krebs (2007) showed that the welfare cost of business cycles become quite substantial.

The second category of the Lucas (1987)’ extensions, focuses broadly on alternative specifications of the consumers’ preferences. While Lucas (1987)’ calculations were based on a Constant Relative Risk Aversion (CRRA) utility function, Obstfeld (1994), and later on Dolmas (1998), Houssa (2013), and Ellison and Sargent (2015) adopted a martingale consumption process and recursive lifetime preferences a` la Epstein and Zin (1989). Assuming this new setting, Obstfeld (1994) considers that when shocks are permanent, then a fall in consumption today is expected to persist ad vitam æternam, and he found that the cost of business cycles can be as much as 1.8 percent of lifetime consumption. Dolmas (1998) shows that the cost of fluctuations can be even larger – over 20 percent of lifetime consumption – when shocks are permanent and when individual preferences exhibit first-order risk aversion. Using Bayesian estimates for welfare effects of consumption fluctuations and economic growth, Houssa (2013) argues that a great deal of caution is needed when drawing conclusions from point estimates of welfare costs of business

cycles. More recently, Ellison and Sargent (2015) combine the insights of de Santis (2007) on the double aggregate and idiosyncratic nature of shocks and the intuition of Barillas et al. (2009) about the agents’ fear of model mispecification, and conclude that the welfare costs of business cycles are important and larger than previously thought by Lucas (1987). A specific mention has to be given to Alvarez and Jermann (2005) who took a completely different route to evaluate the welfare cost of business cycles. They used a nonparametric approach to evaluate the potential gains from stabilization policy, relating the marginal cost of business cycle risk to observed market prices without ever committing to a utility function, and found much higher estimates than Lucas (1987).

Another set of papers have explored the question within the RBC framework. Tallarini (2000) for example, using an RBC model combined with Epstein and Zin (1989) preferences, calibrated to reflect the salient features of the U.S. economy, found a much larger welfare cost of fluctuations than the Lucas (1987)’ calculations. The main factor underlying this finding is the use of higher values of the relative risk-aversion coefficient, to be consistent with asset price determination. Otrok (2001) also develops and analyzes a complete RBC model, with temporally dependent preference specifications, first proposed by Heaton (1995), and equally found larger estimates for the welfare cost of business cycles.

The fourth and perhaps final category of Lucas (1987)’ extensions concerns the papers investigating the welfare cost of business cycles within the framework of endogenous growth. It draws from the observation that the short term fluctuations negatively affect the long term economic growth, as shown by Ramey and Ramey (1991). In an endogenous growth framework, substitution against risky technologies can affect the rates of growth as well as the output levels (Lucas, 2003). Epaulard and Pommeret (2003) explore some of these possibilities, though their study does not explicitly attribute the large welfare gains to volatility-induced reductions in growth rates. Barlevy (2004) proposes a framework with diminishing returns on investment implying that eliminating fluctuations reallocates investment from periods of high investment to periods of low investment. This mechanism results in achieving higher growth rates without necessarily requiring higher investment levels. He also found higher estimates for the cost of fluctuations than in

the original Lucas exercise. Franc¸ois and Lloyd-Ellis (2006) challenge the findings of Barlevy (2004), using a model where aggregate fluctuations and economic growth are endogenously determined. Ultimately, their model generates a positive relationship between fluctuations and growth.

It is important to stress that most of the estimates that have been discussed so far have been for the postwar U.S. economy. Overall, one can reasonably argue over the true welfare cost of macroeconomic fluctuations in the United States to be relatively modest, if not negligible, as initially claimed by Lucas (1987).80 The low cost estimates obtained in most of the post-Lucas (1987) literature stems mainly from the fact that the U.S. economy since the 1950s has been relatively stable. What is less debatable however is the sheer magnitude of aggregate fluctuations in developing countries compared to the industrialized world. In particular, the volatility of output in developing countries ranges from two to six times that in the United States (Mendoza, 1995; Carmichael et al., 1999; Agenor et al., 2000). What about the welfare cost of macroeconomic fluctuations in developing countries? Few studies have really explored that question, with the noticeable exceptions of Pallage and Robe (2003) and Houssa (2013). Using a three-model economy, encompassing a CRRA and an Epstein and Zin (1989) preferences, a stationary autoregressive and a finite-state Markov chain processes for per capita consumption, Pallage and Robe (2003) showed that the median welfare cost of business cycles in Africa is 10 to 30 times larger than that of the United States. Additionally, they argue that the welfare gain from eliminating aggregate fluctuations in Africa may be so large as to exceed that of receiving an additional 1 percent of growth forever, which suggests the crucial importance of macroeconomic stabilization policies in developing countries. Houssa (2013) reaches almost the same conclusion by conducting a Bayesian inference over the consumption series of a mixed set of 82 countries, developed and developing alike.81

80 Congruent with that conclusion, the literature on international risk-sharing shows that computational estimates of the welfare gains from better international insurance rely heavily on the under-lying economy

Methodology and Empirical ResultsTheoretical Frameworks

The CRRA Approach

The following baseline model is a replica of the seminal work of Lucas (1987). It is an infinitely lived representative agent model where the aggregate lifetime utility U is given by the present discounted value (with representing the discount factor of the optimization) of all per period utilities (u(·)). The per period utility in turn depends on the consumption level (Ct).

(1)A noticeable feature of Lucas’ model is to distinguish between two streams of consumption: a smooth, non-fluctuating, and systematically growing consumption trend (Ct) and one that fluctuates over time with prevailing conditions (Ct). This distinction stems from the assumption that business cycles represent random shocks around a trend growth path. In the case of certain consumption path, the per period consumption is then given by:

Ct = C0egt (2)

where C0 is the initial risk-free consumption and g the growth rate of consumption. We will see that none of these two parameters really matter in the evaluation of the welfare cost of business cycles. This means that they can be normalized to 1 and 0 respectively.

When the consumption stream follows an uncertain and random path, its per period value becomes:

(3)

where represents the standard deviation of the natural logarithm of per capita consumption and ηt a random shock which Lucas assumed to be log-normally distributed according to the following process: ln( ). This distribution implies that the expected value of is equal to 1 and that the mean value of consumption at time t is equal to C0e

gt, which put together suggest that on average volatile consumption is not that different from certain




consumption.82 Building up on these settings, µ stands as the compensation factor mentioned earlier, which measures the percentage by which average consumption has to be increased for the consumer to be indifferent between the certain and the fluctuating paths of consumption. µ is therefore the welfare cost of macroeconomic fluctuations.

Finding µ requires equating the stochastic and the risk-free lifetime utilities of the consumer. And in the case of an isoelastic per period utility function of the CRRA form, this is equivalent of writing:83

E (4)

If this condition is true period t by period t and event st by event st, it should also be true when summed up. Moreover, the converse is also true: µ represents the smallest possible number that could make aggregate utilities equivalent over time. That is because of the CRRA nature of the preferences and the independently and identically distributed (i.i.d.) structure of the random variable ηt.

The compensating condition is equivalent to the following equality:

E (5)

where Ct is given by the same process as in (3). Doing some arithmetic by canceling, taking logarithms and collecting terms finally gives:84

(6)

This compensation parameter µ–the welfare gain from eliminating consumption risk– depends, naturally enough, on the amount of risk that is present, , and

the degree of aversion people have towards risk,γ.

The Recursive Preference Approach

The model is set in discrete time; that is, all the variables of the model are defined at specific dates (i.e., t = 0,1,2,...).85 The real per capita consumption 82 The moment generating function of a log-normal distribution E

implies that: E and E ) = 1, which in turns implies that:.83 The Constant Relative Risk Aversion or CRRA utility function

has the general following form: for whenever the

coefficient of relative risk aversion γ is different from 1 and gets down to u(Ct) = lnCt in case γ = 1.

84 Appendix A gives the details of this operation.85 The choice between discrete and continuous time is usually based

on convenience. In most macroeconomic models, continuous time

Ct grows at a rate gt (equivalents to

1), and the growth factor Δ , which in turn follows an auto-regressive stationary process of order p (equivalently AR(p)) of the form:

, (7)

where ϕ0 represents the constant term of the stochastic process, (ϕ1,ϕ2,...,ϕp) its parameters and t the error term. t is assumed to be an i.i.d. normally distributed white noise such as:

. (8)

The long-term growth rate of consumption is defined as the unconditional expectation of its instantaneous value. In addition, this long-term growth rate is assumed to be time-invariant and corresponds to:

(9)

For the sake of simplicity and in order to facilitate the discretization of the random growth process, we will consider that the growth factor Δt specifically follows an autoregressive process of order 1 (AR(1)). Pallage and Robe (2003) used the same approach while estimating the welfare cost of business cycles in Africa. The process in equation (7) then becomes:

, (10)

where ϕ0 = (1-ϕ1)(1+g). This process is also the same as considered in Dolmas (1998) and when the persistence parameter of the process ϕ1 = 0 it becomes similar to the model poised by Obstfeld (1994). The common denominator of all these specifications is to build on the random walk hypothesis for the consumption process, which is equivalent of saying that the natural logarithm of per capita consumption lnCt follows a random walk process.86

The original calculations of the welfare cost of business cycles by Lucas (1987) and Imrohoroglu (1989) heavily rely on the role of the consumers’ degree of risk aversion embedded in their preferences. Obstfeld (1994) argues that in a context of intertemporal optimization, the weights consumers use to cumulate

is privileged, because such approach makes the analysis easier and the computations more tractable.

86 The random walk hypothesis for consumption was first hypothe-sized by Hall (1988), as an answer to the Lucas critique. It later got confirmed by further empirical studies (see, for example, Nelson and

Plosser (1982), Ogaki (1992), and Cooley and Ogaki (1996)).

the per-period costs of risks with persistent effects, depend both on the intertemporal subsitutability as well as on risk aversion. As such, in dynamic stochastic welfare comparisons, the intertemporal elasticity of substitution (IES) should clearly be distinguished from the risk aversion parameter, if one wants to avoid misleading assessments of the impact of risk aversion on the welfare cost of consumption-risk changes. Additionally, Obstfeld (1994) considers that when shocks are persistent over future periods, the discount rate of their static welfare costs increases with the degree of inter-temporal substitutability.87 As such, a higher IES would imply a larger welfare cost of fluctuations for reasons that are not necessarily inherent to the risk aversion parameter. This is the main reason why the recursive formulation of consumers’ preferences does a better job in assessing the welfare cost of business cycles than the standard constant-relative-risk-aversion (CRRA) function.

The perfect example of recursive utility corresponds to the preferences a` la Epstein and Zin (1989) of the form:

(11)

which is an increasing, concave, and homogeneous function of degree one in per capita consumption Ct. The scalar β ∈ (0,1) is a constant discount factor, γ (0 < γ 6= 1) the coefficient of relative risk-aversion, and 1/θ (0 < θ 6= 1) the IES for the deterministic consumption paths. 88

( ) denotes the welfare effect of consumption fluctuations or the compensatory factor, which depends on the parameters of the auto-regressive process (7), the variance of the white noise error term, and the time-invariant long-term growth rate. As in Lucas (1987), λ is defined as the percentage increase in consumption, across all states and dates, required to leave the representative consumer indifferent between the risk-free and smooth trend of consumption and the consumption path subject to fluctuations. It could also be defined as the representative consumer’s willingness to pay in order to eliminate all volatility in consumption or as the welfare gain that would be obtained if consumption 87 For all positive values of the positive mean adjusted growth rates

that result holds. However, when the mean adjusted growth rate is negative, the opposite relationship could be true (Obstfeld, 1994).

88 When the coefficient of relative risk aversion and the inter-temporal elasticity of substitution are identical (i.e., γ = θ) then the recursive function Ut takes the form of a CRRA function: Ut =

were to be completely stabilized.

The calculation of λ follows the value function iteration method employed in Dolmas (1998). The recursive utility function could be rewritten as:

,(12)

where Ψ , and v(Ψt) is a normalized value function defined as Ctv(Ψt) = V (Ct,Ψt) with V (Ct,Ψt)

≡ Ut. The stochastic consumption process in equation (10) is approximated by a finite state Markov chain process with the methodology proposed by Tauchen (1986). As such, the normalized value functions can be expressed in terms of discrete values of consumption growth nΨ˜1,Ψ˜2,...,Ψ˜no across n states. Subsequently, the discrete normalized value functions are solved in an iterative way until successive values differ by no more than 10-8.89

After solving the normalized value functions, the welfare cost of consumption fluctuations gives:90

, (13)

where is the normalized value function for the deterministic consumption path obtained by plugging the deterministic consumption growth factor Ψ in v(Ψt), and vsto is the corresponding value function for the stochastic consumption process. In particular, vsto is estimated as the weighted average of the normalized value functions across the n states where the weights are the invariant probabilities πj

(for j = 1,...,n).

Formally: n vsto = Xπjv(Ψ˜j). (14) j=1

To define the finite state Markov chain, which stands as an approximation of the stochastic consumption process, two problems need first to be solved: finding the appropriate length p of the autoregressive process and determining the right number of discrete states n. With respect to the lag length, we choose an AR(1), and calibrate the model for each country, to match the moments of the real per capita consumption 89 In dynamic programming, and under Blackwell (1965)’ sufficient

conditions, it could be shown that the value function iteration method ultimately leads to a unique solution, as argued by Stokey et al.

90 The value of λ is obtained by assuming the homogeneity of the utility consumption.




growth series. The mean growth rate of g, the persistence parameter ϕ1, and the residual variance

are all obtained from a standard AR(1) fit. When the persistence parameter ϕ1, is not statistically significant, the other parameters are re-estimated by regressing the consumption growth rate on a constant. All countries with a negative growth mean growth rate

(g < 0) are also removed from the sample, given that their consumption streams converge almost surely to zero. Tables (1) and (3) summarize the regression results for the remaining 31 countries. The new sample is smaller than the original one, but still provides a cross-section of countries between the two groups of CFA and non-CFA countries. This approach borrows from Pallage and Robe (2003). The discretization of the autoregressive process in equation (10) is done following the methodology proposed by Tauchen (1986). He shows that a continuous autoregressive process can be approximated by a finite-state Markov chain. The approximation becomes arbitrarily close to the original process, the finer the grid of state variables is defined.91 This therefore requires identifying a certain space of state variables together with a transition probability matrix congruent with the features of the autoregressive process. As for the number of discrete states, n is chosen such that the new discretized variables mimic as much as possible the behavior of the original process.92

Empirical ResultsData and Calibration

In order to quantify the cost brought about by macroeconomic fluctuations in sub-Saharan Africa, we parameterize each of the two models, solve it numerically, calibrate it, and carry out four consecutive robustness checks. The data used for that purpose is the natural logarithm of the real per capita consumption at constant 2011 national prices. The aggregate consumption and the population data are all taken from the Penn World

Table, version 9.0 (PWT 9.0), which also inform on

91 For highly persistent processes, with (j1 > 0.9), Rouwenhorst (1995) proposes a different discretization method, which will not used in this analysis.

92 In general, a good approximation is found when the number of discrete states is set to be n = 19 for the AR(1) processes and n = 5p for the V AR(1) processes. I choose n = 50, just like Pallage and Robe (2003).

the levels of relative income, output, inputs, and productivity for 182 countries between 1950 and 2014.93 Like Pallage and Robe (2003) this paper focuses on Africa, and more specifically on sub-Saharan Africa, for two reasons mainly. First, African economies throughout the last four decades have experienced fewer foreign exchange and monetary crises than their Latin American and Asian counterparts. Second, and perhaps most importantly, African countries are among the poorest in the world. Hence, concerns that volatility may be truly enormous should be most relevant to those nations (Agenor et al., 2000).

The sample of sub-Saharan African countries is divided between two groups: the ones that belong to the CFA Franc Zone and the ones that do not. A country is considered as a member of the CFA currency union if it has been member of the union since its independence and we drop from the sample all countries that have either joined the union many years after their independence (Equatorial Guinea and Guinea-Bissau) or left the union temporarily (Mali). A country is considered a non-member of the CFA Franc Zone if it left the union in the early years of its independence (Madagascar, Guinea, ...) or if the country in question has never been part of the union in the first place (Angola, Kenya, South Africa, ...). For all the countries covered, the data run from 1960 to 2014, with the only exception of Sierra-Leone, for which the series begin in 1961. A country is further excluded from the sample if fewer than 22 consecutive years of data are available for that country. These criteria leave 36 countries in the sample, of which 11 belong to the CFA Franc Zone while 25 do not. Table (9) in the Appendix provides the summary statistics of the growth factors for each of the 36 countries included in the sample. Finally, the inflation data used to plot the figures included in the paper are collected from the Word Bank’s World Development Indicators (WDI) on Consumer Price Indexes (CPI).

Main Results

The whole empirical analysis assumes that the subjective discount rate β = 0.96, which corresponds to the value often used for the annual data. Regarding the relative risk aversion parameter (γ) and the

93 The inflation data used to compute the figures included in this paper are taken from the annual CPI series of the World Bank’ World Development Indicators (WDI). The Penn World Table come from Feenstra et al. (2015)

Intertemporal Elasticity of Substitution (1/θ), the results presented in this section are based on γ =

5.0 and θ = 2.5, which equally correspond to the values commonly used in empirical development macroeconomics. However, there is no general consensus about the ”true” value of γ in the finance literature. To account for this uncertainty, Section (5) presents the results of the analysis for higher values of γ and θ.

Tables (1) and (3) present the estimates of the standard AR(1) fit from equation (10), for the CFA and the non-CFA countries respectively and for 1960-2014 period. In the two tables, ϕ0 is the constant term of the autoregressive process, ϕ1 its persistence parameter, g the mean growth rate of per capita consumption, and σ is the standard deviation of the residuals of the regressions. As stated previously, the regressions for which ϕ1 is not significant (at least at a 10 percent level) are then re-estimated directly on the constant term of the random process. The cost of fluctuations is subsequently estimated for the countries with a strictly positive mean growth rate. This criterion excludes five countries from the original sample (Central African Republic, Niger, Senegal, Democratic Republic of Congo, and Madagascar).

Tables (6) and (8) present the estimates of the welfare costs of macroeconomic fluctuations in 11 CFA countries and in 25 non-CFA countries respectively. The second column of each table displays the cross-country estimates of µ from equation (6) (derived from a CRRA preference) when the standard deviation ση

of consumption is approximated by the standard error (s.e.) of the predicted values of the natural logarithms of per capita consumption. The third column of each table shows the estimates of µ when ση is approximated by the standard deviation of the cyclical components of the Hodrick-Prescott (h.p.) filtered series of the logarithms of real per capita consumption. We chose a smoothing parameter of 100, which is the conventional value for annual data. Finally, the fourth and last column of each of the two tables shows the welfare cost of business cycles (λ from equation 13) when the representative consumer’s preference is an Epstein and Zin (1989) function.

The main results displayed in this section are threefold. First, the absolute value of the welfare cost of business cycles depends primarily on the methodology pursued. As an illustration, Gabon has 21.26 percent of lifetime consumption for the value of µ when the standard deviation of consumption is approximated by the standard error of the predicted values of consumption. This number drops to 0.81 percent when σ is set to be equal to the standard deviation of the Hodrick-Prescott filtered series. Furthermore, the welfare cost of business cycles for Gabon equals 0.22 percent of lifetime consumption when the recursive preference approach `a la Epstein and Zin (1989) is used. This inconsistency in the estimation of the welfare cost of business cycles has long been acknowledged by the literature (see Barlevy (2005) for a forensic assessment). Because of this significant variation in the results, we do not think that the estimates reported here should be taken as reflection of the absolute measures of the welfare cost of economic fluctuations in each of the 36 sub-Saharan African countries in the sample.

The second observation stemming from this analysis is that, taken in relative terms, the welfare cost of business cycles in sub-Saharan Africa is way higher than that of the United States, chosen here as the benchmark.94 Regardless of the methodology or the country considered, the welfare cost of economic fluctuations is at least three times higher higher than that of the United States. This result is consistent with the findings of Pallage and Robe (2003). This does not come as a surprise, given the weak insurance mechanisms available to these countries. This, combined with the not-so-efficient macroeconomic stabilization tools, contribute to aggravate the effects of adverse shocks on consumers’ welfare as well as on the countries’ aggregate performance.

Finally, the perhaps most important conclusion stemming from this paper is that the average welfare cost of economic fluctuations is consistently and robustly higher for the group of countries outside the CFA Franc Zone. On average, the cost of fluctuations is between 11 and 48 percent higher for the non-CFA member states compared to their CFA counterparts. The 94 The results for the United Sates are not reported in the tables, but

were computed as a control while conducting the calibrations.




sample means (averages) for the CFA countries read 5.59, 0.91 and 0.24 percent of lifetime consumption respectively, while these numbers seldom to 6.29, 1.21 and 0.47 for the non-CFA countries. For all the methodologies used, this pattern is consistent and shows that in addition to helping prevent runaway inflation, belonging to a currency such as the CFA Franc Zone further helps keep under control the cost of aggregate fluctuations. Whether this is a direct result of the more sophisticated stabilization policies conducted by the BCEAO and the BEAC or whether it is an indirect consequence of the CFA Franc being anchored to an international currency such as the Euro, needs further inquiry. However, for all the high variance of the estimates, when compared to the rest of the world and to the United States in particular, one could safely say that volatility truly matters for sub-Saharan countries, whether they are members of the CFA Franc Zone or not.




Tabl

e 3:

Est

imat

es o

f the

AR

Proc

ess

in N

on-C

FA C

ount

ries

ϕ0

φ 1g

-sta

t

Bots

wan

a0.

7929

962∗∗

∗(0

.143

8734

)0.

2458

094∗

(0.1

3643

74)

0.05

1453

30.

0644

986

3.25

Buru

ndi

1.01

7323

∗∗∗

(0.0

1072

13)

0...

0.01

7323

0.07

8785

1...

Cabo

Ver

de1.

0313

49∗∗

∗(0

.009

0517

)0

...0.

0313

490.

0665

165

...Co

mor

os1.

2545

52∗∗

∗(0

.137

9917

)−0

.238

5355

∗(0

.135

9509

)0.

0129

318

0.06

2772

3.08

Dem

ocra

tic R

. of C

ongo

0.99

9541

7∗∗∗

(0.0

1531

51)

0...

-0.0

0045

830.

1125

425

...Et

hiop

ia1.

0309

77∗∗

∗(0

.010

6793

)0

...0.

0309

770.

0784

764

...Ga

mbi

a1.

0047

44∗∗

∗(0

.012

6421

)0

...0.

0047

440.

0928

998

...Gh

ana

1.00

9596

∗∗∗

(0.0

0994

65)

0...

0.00

9596

0.07

3091

4...

Guin

ea1.

0107

41∗∗

∗(0

.006

8184

)0

...0.

0107

410.

0501

05...

Keny

a1.

0087

67∗∗

∗(0

.007

3411

)0

...0.

0087

670.

0539

459

...Le

soth

o0.

7727

522∗∗

∗(0

.138

479)

0.24

9191

8∗(0

.134

1498

)0.

0292

272

0.05

6242

43.

45M

adag

asca

r0.

9877

796∗∗

∗(0

.004

9808

)0

...-0

.012

2204

0.03

6600

9...

Mal

awi

1.31

322∗∗

∗(0

.134

6211

)−0

.301

0352

∗∗(0

.133

2295

)0.

0093

6546

0.06

9452

65.

11M

aurit

ania

0.75

7332

56∗∗

∗(0

.123

8080

7)0.

2753

032∗

∗(0

.118

5394

)0.

0450

3367

0.13

3772

95.

39M

aurit

ius

1.03

4065

∗∗∗

(0.0

1125

43)

0...

0.03

4065

0.08

2702

1...

Moz

ambi

que

1.01

8588

∗∗∗

(0.0

0770

86)

0...

0.01

8588

0.05

6646

1...

Nam

ibia

1.01

9426

∗∗∗

(0.0

0935

9)0

...0.

0194

260.

0093

59...

Nig

eria

1.30

2343

∗∗∗

(0.1

3873

41)

−0.2

7141

86∗∗

(0.1

3429

66)

0.02

4322

750.

1360

931

4.08

Rwan

da1.

0118

09∗∗

∗(0

.011

1339

)0

...0.

0118

090.

0818

174

...Si

erra

Leo

ne0.

6449

945∗∗

∗(0

.144

4891

)0.

3560

42∗∗

(0.1

4234

11)

0.00

1609

60.

0862

155

6.26

Sout

h Af

rica

0.52

0560

2∗∗∗

(0.1

2390

96)

0.48

7655

3∗∗∗

(0.1

2194

13)

0.01

6035

10.

0198

079

15.9

9Ta

nzan

ia1.

0233

59∗∗

∗(0

.007

8047

)0

...0.

0233

590.

0573

527

...Ug

anda

0.68

7014

5∗∗∗

(0.1

3514

79)

0.32

1184

5∗∗

(0.1

3362

03)

0.01

2078

40.

0483

587

5.78

Zam

bia

1.00

0783

∗∗∗

(0.0

1208

35)

0...

0.00

0783

0.08

8795

4...

Zim

babw

e1.

0339

07∗∗

∗(0

.028

0905

)0

...0.

0339

070.

2064

218

...No

te: T

his t

able

prov

ides

the

para

met

er e

stim

ates

of e

quat

ion

(10)

for t

he sa

mpl

e of

25

non-

CFA

mem

ber s

tate

s, as

obt

aine

d fro

m th

e re

gres

sion

of a

stan

dard

Table 5: Estimates of Welfare Costs in CFA Countries

µ% λ%s.e h.p

Benin 1.14 0.28 0.054Burkina Faso 2.16 0.62 0.0872Cameroon 5.10 0.41 0.119Central A. Republic 1.95 0.79 ...Chad 7.98 2.34 0.9655Congo 7.37 1.02 0.1782Coˆte d’Ivoire 6.19 1.01 0.1620Gabon 21.26 0.81 0.2195Niger 4.03 1.65 ...Senegal 1.86 0.25 ...Togo 2.51 0.85 0.1784Median 4.03 0.81 0.1701Mean 5.59 0.91 0.2455Standard Deviation 5.71 0.62 0.2958

Note: µ represents the compensation factor, when the representative consumer’s preference is embodied by a CRRA function. The first column of the table displays the cross-country estimates µ when the standard deviation ση of consumption is approximated by the standard error (s.e.) of the predicted values of the natural logarithm of per capita consumption. The second column shows the estimates of µ when ση is approximated by the standard deviation of the cyclical component of the Hodrick-Prescott (h.p.) filtered consumption series. λ is the welfare cost of business cycles when the consumer’s preference is an Epstein and Zin (1989).

Table 7: Estimates of Welfare Costs in Non-CFA Countries

µ% λ%s.e h.p

Botswana 4.54 1.12 0.0890Burundi 7.72 0.95 0.1901Cabo Verde 2.64 0.83 0.0848Comoros 2.59 0.55 0.0807Democratic R. of Congo

11.71 1.51 ...

Ethiopia 5.61 1.10 0.1391Gambia 4.26 1.45 0.4783Ghana 5.95 0.94 0.1859Guinea 1.24 0.48 0.0707

µ (% )λ (% )

Kenya 1.47 0.49 0.0878Lesotho 5.12 0.94 0.0997Madagascar 1.60 0.25 ...Malawi 1.59 0.87 0.1133Mauritania 20.00 4.25 1.2264Mauritius 3.89 1.31 0.1555Mozambique 7.33 0.46 0.0751Namibia 4.38 0.61 0.0019Nigeria 10.10 2.47 0.8509Rwanda 6.38 1.12 0.2487Sierra Leone 9.95 2.28 0.8925South Africa 1.34 0.11 0.0764Tanzania 1.68 0.55 0.0692Uganda 11.52 0.39 0.1465Zambia 11.35 1.54 0.4713Zimbabwe 13.31 3.60 5.0637Median 5.12 0.94 0.1391Mean 6.29 1.21 0.4738Standard Deviation 4.72 1.00 1.0493

Note: µ represents the compensation factor, when the representative consumer’s preference is embodied by a CRRA function. The first column of the table displays the cross-country estimates µ when the standard deviation ση of consumption is approximated by the standard error (s.e.) of the predicted values of the natural logarithm of per capita consumption. The second column shows the estimates of µ when ση is approximated by the standard deviation of the cyclical component of the Hodrick-Prescott (h.p.) filtered consumption series. λ is the welfare cost of business cycles when the consumer’s preference is an Epstein and Zin (1989).

Robustness ChecksHigher Risk-Aversion and Higher IES

There is not a real agreement about the exact magnitude of the relative risk aversion (γ) and the intertemporal elasticity of substitution (1/θ). The changes in the values of these parameters affect the estimates of the welfare cost of business cycles. For example, for a given value of θ, the cost of fluctuations increases with the relative risk aversion parameter. This is a reflection of the risk-averse consumers’ preference for a smooth consumption stream. Consequently, the more risk averse a consumer is, the more welfare compensation he would request to offset the effects of volatility in consumption. Alternatively, when the degree of risk aversion γ is held constant, the cost of fluctuations decreases with θ. This captures the positive effect of




the IES on the welfare cost of fluctuations when the shocks are persistent. In the presence of persistence shocks, the discount factor of static welfare costs of consumption fluctuations over time increases with the IES.

Because of the lack of general agreement regarding the true empirical values of γ and θ, we will double the values of these parameters (from 5 to 10 for γ and from 2.5 to 5 for θ). The results obtained from doubling the value of γ (as shown by Tables 11 and 13 in the Appendix) ceteris paribus, or those computed from doubling the value of θ (as displayed by Tables 15 and 17 in the Appendix) show that the conclusions reached from the benchmark analysis remain robust to parameters shifting.

Sub-Period Analysis

In addition of varying the values of the parameters of the model, it is also possible to divide the consumption series in two or more sub-periods. Here we will divide them in two (from 1960 to 1985 and from 1986 to 2014). This is to account for the potential structural breaks in the time series. For instance, the mid-1980s have been identified by many authors in the macroeconomic literature as the breaking point for a sensible decline in aggregate fluctuations for many countries, developed and developing alike. In order to investigate the effects of this structural break in the data, we will carry out the same estimations for the two groups of countries in each one of the two sub-periods.

Tables (19) and (21) in the Appendix summarize the results for the first sub-period

(1960-1985) while Tables (23) and (25) show the outcomes for the second sub-period (1986-2014). However, only µ (from the Lucas (1987)’ CRRA approach) is estimated for each individual country. Again, as far as the sample mean of welfare cost is concerned, the results show the stability of the estimates of µ to structural break decomposition. The welfare cost of business cycles remains higher for countries outside the CFA Franc Zone.

The Asset Pricing Approach

Despite the differences in their formulation, the CRRA approach of Lucas (1987) and the Epstein and Zin (1989) approach of Obstfeld (1994), Dolmas (1998) and others, all belong to the same preference-based estimation of

the welfare cost of business cycles. Most of the papers that propose alternative utility formulations continue to find small costs of macroeconomic fluctuations, although a few argue those costs to be significantly larger. The initial question therefore remains, about which of these alternative specifications best captures individual preferences. As mentioned before, Alvarez and Jermann (2005) propose a framework to quantify the welfare cost of business cycles, using asset prices, without a full specification of the representative consumer’s preference. Their approach, just like in the seminal contribution of Lucas (1987), is based on the same notion of marginal cost of consumption fluctuations, the per unit benefit of a marginal reduction in consumption fluctuations, expressed as a percentage of the risk-free consumption. By indirectly inferring a utility function from a variety of asset prices, including the return on equity, Alvarez and Jermann (2005) argue that asset prices reveal that individuals strongly dislike fluctuations in trend consumption growth.95

The model is cast in discrete time and carried out under the assumptions of a representative agent economy, as in the preference-based approach. x

denotes a stream of random payoffs for all dates t ≥ 0, and the value function V0(x). In each period t, the economy experiences one of the finitely many events zt ∈ Zt, and zt = (z0,z1,...,zt) denotes the history up through and including period t. Consumption is indexed by histories, such that: C : Z -→ R+, where Z ≡ Πt≥1Z

t, or simply C = Ct(zt) : ∀t ≥ 1,zt ∈ Zt. In the

model, consumption has two different versions: the stochastic process C, which represents the scheme of consumption subject to fluctuations, and C the stable or riskfree consumption (also referred to as the trend).In this asset pricing approach, the welfare cost of consumption is also defined with respect to an unspecified lifetime utility function Ut(·), mapping the consumption process into R. Ut(.) is assumed to be differentiable with respect to each C(zt) for all t and zt.

95 Wolfers (2003) proposes using survey on how happy people feel as an alternative way of estimating the cost of business cycles without imposing a specific utility function. He regresses well-being data on the mean and variance of unemployment to arrive at a trade-off between the two. One could do the same with the mean and variance of consumption; however, while consump-tion grows over time, average reported well-being does not. This incongruity suggests either individuals do not strongly prefer more consumption to less or, more likely, that well-being measures are not directly comparable over time.

Therefore the total cost of consumption fluctuations

Ω(α), is the solution of:

U([1 + Ω(α)]C) = U((1 - α)C + αC), (15)

where α ∈ [0,1] measures the fraction of the consumption process C : Z -→ R+ that has been replaced by the less risky trend C : Z -→ R+. The total cost function gives the total benefit from reducing consumption fluctuations as a function of the fraction of the reduction in fluctuations. It is straightforward to see that Ω(0) = 0, so that no reduction in fluctuations generates no benefit.

In order to find the marginal cost of fluctuations, we first need to recall that the lifetime utility Ut

is differentiable with respect to each C(zt) for all t

and zt. The partial derivatives are therefore Uzt(C)

≡ ∂U(C)/∂Ct(zt), which denote the marginal utility

from consumption C(zt) at date t. The marginal cost of consumption fluctuations ω0 is defined as the derivative of the total cost function Ω(α) evaluated at

α = 0, that is:

(16)

Thus, ω0 measures the per-unit benefit of a marginal reduction in consumption fluctuations expressed as a percentage of consumption. This measure is considered by Alvarez and Jermann (2005) as the market price of consumption fluctuations. For any process x : Z -→ R, the shadow price for a representative consumer of an asset with payouts given by xis given by its value function V0(x). This shadow price’s explicit formulation is:∞

V0(x) = X X Uzt(C) · xt(zt). (17)

t=1 zt∈Zt

Under this shadow price convention, the marginal cost of business cycles becomes:

.

(18)

Hence, the marginal cost of consumption fluctuations as a ratio of the values of two securities: a claim to the consumption trend, V0(C), and a claim to consumption, V0(C), or equivalently, a consumption-

equity claim. These generalizations of Lucas (1987)’ cost of business cycles by Alvarez and Jermann (2005) have some attractive features. First, by focusing on the marginal cost, the approach allows to measure this cost by using information on the representative consumer’s marginal evaluation contained in the security prices. Second, it helps rethink the benefits of the partial reduction in consumption fluctuations. Moreover, this measure of the marginal cost of business cycles can be used to bound the standard total cost of the fluctuations for a large class of preferences specifications, without the need to fully parameterize these preferences.

In order to find an analytic solution to equation (18), the value functions V0(C), and V0(C) need to be decomposed and an additional assumption is necessary. For a consumption process C that is abstractly defined as implying a complete elimination of uncertainty in consumption, this suggests that the stochastic consumption is the expected value of its deterministic value, i.e. Ct = E0 Ct for all time t and states zt, with C0 = C0. The unconditional expectation of consumption growth is assumed to be time-invariant and corresponds to g. Thus ECt = Ct = C0(1

+ g)t. Additionally, using the definition of the yield to maturity (YTM), the value functions become V0(C)/C0 = (1 + g)/(y0 - g) and V0(C)/C0 = (1 + g)/(r0 - g),

where y0 and r0 are the yield to maturity associated to the value functions V0(C) and V0(C) respectively.96

Thus, the marginal cost of all uncertainty can be written as: .

(19)

The previous expression, as shown by Alvarez and Jermann (2005) provides an upper bound for the total benefit from eliminating all consumption uncertainty. As a first approximation, one could interpret the per

capita consumption growth rate as g, the average yield on long-term government bond as the yield to maturity associated to the deterministic consumption C, y0, and the consumption risk-premium as the difference r0 - y0.

The data on government bonds in Africa is particularly 96 A yield to maturity ξ corresponding to the price of asset that

entitles to the stream of dividends x is implicitly defined by

.




scarce. In 2006, Seychelles was the first sub-Saharan African country – with the exception of South Africa –, to make its foray into the international financial markets with the issuing of its $200 million Eurobond. Ever since, many other sub-Saharan African countries have issued Eurobonds with values generally ranging from $200 million to $1 billion. The bulk of these countries being in West Africa (Coˆte d’Ivoire, Ghana, Nigeria and Senegal). We will restrict the calibration here with respect to Senegal and Ghana, the former being a CFA member state while the latter is not.97

These two countries are chosen for their relative similarity. In 2014, Senegal issued a 10-year $500 million bonds with 6.25 percent interest rate while Ghana yield to maturity for the same year seldom to 8.25 percent. According to the data, the growth rates of per capita consumption in Senegal and Ghana in 2014 were 0.34 and 3.18 percent respectively. For the risk premium, we chose 2 percent (which corresponds to 10 times the benchmark postwar mean consumption risk premium for the United States). Taking stock of these information, we find that ω0 is equal to 33.84 and 39.44 percent of lifetime consumption in Senegal and Ghana respectively. Putting aside the fact that these are huge numbers (congruent with the findings of Alvarez and Jermann (2005)), it still appears that the welfare cost of economic fluctuations is lower for the representative country of the CFA Franc Zone.

97 Senegal issued its first Eurobond in 2009, two years after Ghana.

Conclusion and Policy ImplicationsMacroeconomic fluctuations, both a source and a reflection of underdevelopment, is a fundamental concern for developing countries in general and for sub-Saharan Africa in particular. Their high and beyond-usual aggregate instability results from a combination of large external shocks, volatile macroeconomic policies, microeconomic rigidities, and weak economic and political institutions. Volatility entails a direct welfare cost for riskaverse individuals, as well as an indirect one through its adverse effect on income growth and development. Policymakers, international organizations, and researchers are adamant to kick-starting growth and strengthening institutions, almost forgetting the aggregate fluctuations. This paper is a modest contribution in the study of those fluctuations.

In this article, we compute the welfare cost of macroeconomic fluctuations in 36 subSaharan African countries, of which eleven are members of the CFA Franc Zone, a seven and plus decades currency union. This is carried out using various techniques that have been proposed in the macroeconomic literature. Depending on the calibration model used, we find that the sample mean cost of business cycles for the group of non-CFA member states is between 11 and 48 percent higher than that of the members of the union.

Because of the high variance of the estimates – which is a direct consequence of the different estimation techniques used –, it is important not to adopt these numbers as the absolute costs of macroeconomic fluctuations in each individual country. However, the results serve well the purpose of cross-country comparison and hold consistent through a wide range of robustness checks. Two important constants of this analysis are: first, that the welfare cost of economic fluctuations for all the countries in the sample is higher than that of the United States, taken as the benchmark; second, that despite the change in methodology, in the preferred values of key parameters and despite the structural breaks, the CFA Franc Zone countries absorb better the adverse macroeconomic shocks than the rest of their African counterparts. This goes against the backdrop of a growing ideological and political calls from some member states to leave the union altogether.98

98 On August 2015, the President Idriss D´eby of Chad, during the

While we believe this article to be an important contribution in the renewed developing country Optimum Currency Area debate, many questions still remain unanswered and could benefit from further research. What role could structural change and economic modernization play in taming the welfare effects of aggregate fluctuations? Are currency unions with pegged exchange rates such as the CFA Franc potentially vulnerable to the fluctuations of the Euros? How much the development of robust domestic debt markets could contribute to reducing the exposure of developing countries to the interest rates volatility? Those questions have not been answered by this article but promise to be fruitful avenues for future inquiry.

ceremony celebrating the 55th anniversary of his nation’s inde-pendence, called all his fellow 13 African Heads of States to pull their countries out of the CFA Franc Zone. This is perhaps the most prominent example of discordant voices from within the union, and it is just one of many.

Appendixes:




The Compensation Factor µHere we outline the arithmetic in the computation of the compensation factor µ, defined as the percentage consumption increase at all dates and in all states, that would render the representative consumer indifferent between a world of uncertainty and one of certainty. The compensation condition was equivalent to:

E (20)

and when the consumption stream follows an uncertain and random path, its per period value becomes:

(21)

when we replace the risky consumption (Ct) by this expression in the compensation equation, and by dropping the triplet of constants β,C0,g we get the following:

E

The moment generating function of a log-normal distribution implies that:

Ethen:EE

Applying this to our problem and proceeding to few simplifications, we will obtain the following non-linear equation:

equivalent to:

To finally obtain a reduced-form solution of µ, we need to log-linearize the previous expression and remembering that for small values of x then ln(1 + x) ‘ x, which is self-evident in the case of the compensation factor. Therefore:

(22)

Additional Inflation FiguresFigure 2: Cyclical and Trend Components of Annual CPI Inflation in SSA

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

2009

2011

2013

Year

Year198

1198

3198

5198

7198

9199

1199

3199

5199

7199

9200

1200

3200

5200

7200

9201

1201

3

30

20

25

10

15

5

-5

-10

-15

0

30

40

35

20

25

10

15

5

0

CFANon-CFA

CFA

Non-CFA

Annu

al In

flatio

n Cy

cle

(%)

Annu

al In

flatio

n Tr

end

(%)

Note: The cyclical and trend components of annual inflation displayed in these figures are derived from the sample average of the Consumer Price Indexes (CPI) of two groups of randomly selected countries: 7 CFA member states (Burkina Faso, Cˆote d’Ivoire, Cameroon, Gabon, Niger, Senegal and Togo) and 14 other non-member states (Burundi, Botswana, Ethiopia, Ghana, Gambia, Kenya, Madagascar, Mauritania, Malawi, Nigeria, Sierra Leone, Tanzania, Uganda, and South Africa). The methodology employed to divide the rates of inflation between these two entities is the Hodrick-Prescott filter, with a smoothing parameter of 100. These two figures show that for most part of the last three and half decades, inflation has been quite stable in the CFA Franc Zone, compared to the rest of the continent, with the exception of the immediate aftermath of the 1994 devaluation. The trend of inflation has however been on a decreasing trend for all the non-CFA members of the continent.

Descriptive StatisticsTable 9: Descriptive Statistics of Consumption Growth Factors in SSA from 1960 to 2014

Country Obs. Mean Std. Dev. Min MaxBenin 54 1.00463 0.0399813 0.8393903 1.085028Botswana 54 1.051567 0.0658962 0.9246719 1.255013Burkina Faso 54 1.014325 0.0693802 0.8589628 1.287234Burundi 54 1.017323 0.0787851 0.8422803 1.278561Cabo Verde 54 1.031349 0.0665165 0.8307623 1.305812Cameroon 54 1.007109 0.0449415 0.874505 1.106108Central A. Republic 54 0.9913379 0.0652319 0.6783336 1.078698Chad 54 1.009766 0.1174986 0.777664 1.689235Comoros 54 1.013213 0.0640628 0.8513388 1.318808Congo 54 1.015912 0.0649835 0.7975834 1.203761Coˆte d’Ivoire 54 1.007662 0.0682727 0.7591224 1.111583Democratic R. of Congo 54 0.9995417 0.1125425 0.7664644 1.395575Ethiopia 54 1.030977 0.0784764 0.8008052 1.221531Gabon 54 1.027258 0.0880181 0.8017456 1.242083Gambia 54 1.004744 0.0928998 0.7305721 1.362432Ghana 54 1.009596 0.0730914 0.8256029 1.20319Guinea 54 1.010741 0.050105 0.8882738 1.174274Kenya 54 1.008767 0.0539459 0.8916304 1.133386Lesotho 54 1.030701 0.0581526 0.9286685 1.236249Madagascar 54 0.9877796 0.0366009 0.8889465 1.074602Malawi 54 1.008736 0.072594 0.7929404 1.246934Mauritania 54 1.031884 0.1566281 0.5159126 1.654761Mauritius 54 1.034065 0.0827021 0.8095848 1.343843Mozambique 54 1.018588 0.0566461 0.8890447 1.291605Namibia 54 1.019426 0.0687746 0.8639514 1.265776Niger 54 0.996919 0.1005001 0.6707417 1.434248Nigeria 54 1.022942 0.140603 0.7857614 1.629491Rwanda 54 1.011809 0.0818174 0.6982229 1.168109Senegal 54 0.9985827 0.0341297 0.8671425 1.077301Sierra Leone 53 1.006857 0.0914228 0.7336392 1.205856South Africa 54 1.015683 0.0225825 0.9577858 1.063712Tanzania 54 1.023359 0.0573527 0.9010585 1.300008Togo 54 1.010119 0.0724572 0.854517 1.220608Uganda 54 1.011078 0.0506233 0.8488763 1.216916Zambia 54 1.000783 0.0887954 0.8090424 1.35824Zimbabwe 54 1.033907 0.2064218 0.8062489 2.338038




Higher Risk-Aversion LevelTable 10: Estimates of Welfare Costs in CFA Countries

µ% λ%s.e h.p

Benin 2.28 0.56 0.1081Burkina Faso 4.32 1.24 0.1623Cameroon 10.2 0.82 0.2358Central A. Republic

3.9 1.58 ...

Chad 15.96 4.68 1.9577Congo 14.74 2.04 0.3749Coˆte d’Ivoire 12.38 2.02 0.3246Gabon 42.52 1.62 0.4403Niger 8.06 3.30 ...Senegal 3.72 0.50 ...Togo 5.02 1.70 0.3575Median 8.06 1.62 0.3411

Mean 11.19 1.82 0.4951Standard Deviation

11.41 1.23 0.6015

Note: see Table (6).


µ% λ%s.e h.p


23.42 3.02 ...

Ethiopia 11.22 2.20 0.2786Gambia 8.52 2.90 0.9629Ghana 11.9 1.88 0.3727Guinea 2.48 0.96 0.1415Kenya 2.94 0.98 0.1758Lesotho 10.24 1.88 0.2085Madagascar 3.20 0.5 ...Malawi 3.18 1.74 0.2097Mauritania 40.00 8.5 2.6126

λ(% )Mauritius 7.78 2.62 0.3117Mozambique 14.66 0.92 0.1503Namibia 8.76 1.22 0.0039Nigeria 20.20 4.94 1.6151Rwanda 12.76 2.24 0.4990Sierra Leone 19.90 4.56 1.9102South Africa 2.68 0.22 0.1537Tanzania 3.36 1.10 0.1385Uganda 23.04 0.78 0.3119Zambia 22.70 3.08 0.9485Zimbabwe 26.62 7.20 10.5784Median 10.24 1.88 0.2786Mean 12.58 2.41 0.9770Standard Deviation

9.44 2.00 2.1945


Higher Intertemporal Elasticity of SubstitutionTable 14: Estimates of Welfare Costs in CFA Countries

µ% λ%s.e h.p

Benin 1.14 0.28 0.0433Burkina Faso 2.16 0.62 0.0546Cameroon 5.10 0.41 0.0810Central A. Republic 1.95 0.79 ...Chad 7.98 2.34 0.6665Congo 7.37 1.02 0.1029Coˆte d’Ivoire 6.19 1.01 0.1177Gabon 21.26 0.81 0.1160Niger 4.03 1.65 ...Senegal 1.86 0.25 ...Togo 2.51 0.85 0.1216Median 4.03 0.81 0.1094Mean 5.59 0.91 0.1629Standard Deviation 5.71 0.62 0.2056



µ% λ%s.e h.p


11.71 1.51 ...

Ethiopia 5.61 1.10 0.0711Gambia 4.26 1.45 0.3828Ghana 5.95 0.94 0.1283Guinea 1.24 0.48 0.0475Kenya 1.47 0.49 0.0619Lesotho 5.12 0.94 0.0499Madagascar 1.60 0.25 ...Malawi 1.59 0.87 0.0795Mauritania 20.00 4.25 0.5445Mauritius 3.89 1.31 0.0776Mozambique 7.33 0.46 0.0439Namibia 4.38 0.61 0.0011Nigeria 10.10 2.47 0.4741Rwanda 6.38 1.12 0.1633Sierra Leone 9.95 2.28 0.8237South Africa 1.34 0.11 0.0515Tanzania 1.68 0.55 0.0381Uganda 11.52 0.39 0.0933Zambia 11.35 1.54 0.4524Zimbabwe 13.31 3.60 2.5469Median 5.12 0.94 0.0776Mean 6.29 1.21 0.277Standard Deviation 4.72 1.00 0.5383


First Sub-Period:1960-1985Table 18: Estimates of Welfare Costs in CFA Countries

µ(%)

s.e. h.p.Benin 0.76 0.43Burkina Faso 1.40 0.89Cameroon 1.82 0.42

)λ (%

Central A. Republic 0.53 0.38Chad 6.28 4.53Congo 2.71 0.72Coˆte d’Ivoire 0.71 1.19Gabon 2.53 0.98Niger 6.55 3.23Senegal 1.10 0.36Togo 2.79 0.73Median 1.82 0.73Mean 2.47 1.26Standard Deviation 2.11 1.35



µ(%)

s.e. h.p.Botswana 2.51 0.93Burundi 0.99 0.67Cabo Verde 2.78 1.30Comoros 0.75 0.27Democratic R. of Congo 4.12 0.89Ethiopia 1.51 0.97Gambia 2.39 1.12Ghana 2.36 1.22Guinea 0.93 0.37

Kenya 1.03 0.69Lesotho 3.94 1.73Madagascar 1.37 0.34Malawi 0.67 0.37Mauritania 20.54 8.56Mauritius 3.58 2.40Mozambique 2.28 0.21Namibia 1.08 0.69Nigeria 7.27 2.36Rwanda 1.43 0.96Sierra Leone 1.33 0.65South Africa 0.43 0.11Tanzania 1.38 0.29Uganda 3.60 0.56Zambia 4.98 1.32




Zimbabwe 2.88 1.84Median 2.28 0.89Mean 3.04 1.23Standard Deviation 3.98 1.65


Second Sub Period: 1986-2014Table 22: Estimates of Welfare Costs in CFA Countries

µ(%)

s.e. h.p.Benin 0.47 0.14Burkina Faso 1.42 0.39Cameroon 3.01 0.19Central A. Republic 1.82 1.16Chad 3.21 0.33Congo 5.71 0.68Coˆte d’Ivoire 1.67 0.53Gabon 3.05 0.51Niger 0.53 0.12Senegal 1.11 0.15Togo 1.09 0.98Median 1.67 0.39Mean 2.10 0.47Standard Deviation 1.54 0.35



µ(%)

s.e. h.p.Botswana 2.62 0.85Burundi 12.60 1.24Cabo Verde 1.24 0.39Comoros 2.35 0.79Democratic R. of Congo 17.67 1.89Ethiopia 3.98 1.01Gambia 2.53 1.71Ghana 1.10 0.61Guinea 1.35 0.60Kenya 0.46 0.19

Lesotho 0.41 0.26Madagascar 0.61 0.20Malawi 1.64 1.16Mauritania 1.74 0.44Mauritius 0.32 0.16Mozambique 2.82 0.63Namibia 3.23 0.56Nigeria 2.94 2.41Rwanda 8.02 1.35Sierra Leone 12.46 3.80South Africa 0.90 0.12Tanzania 1.36 0.62Uganda 0.52 0.29Zambia 12.41 1.65Zimbabwe 19.75 5.16Median 2.35 0.63Mean 4.60 1.12Standard Deviation 5.70 1.19


IntroductionDuring the last two decades, Maghreb Countries (MC) have been engaged in a commercial liberalization process and promoted the openness of financial systems. They have gradually deregulated trade and progressively opened the financial markets to foreign investors. At the same time, and whilst monetary issues took a back seat in favor of trade and financial ones, many maghrebian actors recently expressed an interest in launching a monetary union. Indeed, the creation of a single currency and a common central bank has been two of the main concerns of the union of Maghreb banks since 2002. Moreover, since 2008, the general secretary of the Arab Maghreb Union (AMU) started to put in place a Maghreb economic and monetary community project via the completion of detailed research in collaboration with the African Development Bank (BAD).

At first glance, the idea of a monetary integration could be very useful for the MC as far as it could be accompanied by a better allocation of resources. Indeed, a zone where goods & services, capital and workers move freely could be an engine for trade, investment and growth99.

However, monetary unions can give rise to a number

99 For a successful example of a monetary union, see the document prepared by HM treasury (2003).

of problems and could incur significant costs for the affected countries100. In particular, the implementation of a common monetary policy would not be suitable for all MC given the presence of economic, financial and institutional differences between them which complicate the monetary transmission mechanism and impede policy decision processes.

The theory of optimum currency area (OCA), initiated by Mundell (1961), is considered as the main theoretical framework enumerating the criteria that ensure the success of a monetary union project. These are labour mobility, wage flexibility, trade openness, financial integration, etc101. Mundell’s theory involved several phases, each of which was characterized by some advances and limits102.

The main limitation of the theoretical literature of OCA is the absence of formalization. For instance, except few works103, the literature has not developed models that take into consideration the interaction between positive and negative aspects of monetary integration. Even empirical literature may be reproached for being static inasmuch as it deals only with short-term 100 For a typical example such as the eurozone, see cartapanis (2010).101 See McKinnon (1963), Kenen (1969), Jonhson (1970), Ingram

(1973), Magnifico (1974).102 See Mongelli (2002).103 See McCallum (1996), Bayoumi (1994) and Ricci (1997).

Monetary Integration or Monetary Cooperation in North Africa? Lessons from an Optimization ExerciseBy Aram BELHADJI, University of Carthage, FSEGN- ENVIE, Tunisia




adjustment mechanisms which guarantee the viability of the monetary union but conceal the structural problems that could arise if a heterogeneous monetary transmission mechanism (MTM) is in action.

Accordingly, our aim here is to surpass these limits and evaluate the likely consequences of creating a hypothetical monetary union in heterogeneous countries characterized by economic, financial and institutional differences.

The rest of the paper is organized as follow. Section 1 offers an empirical illustration of the heterogeneity of Maghreb Countries via a reduced form model. Section 2 evaluates, through an optimization exercise, the cost of implementing a common monetary policy in the presence of this heterogeneity. Finally, section 3 concludes and offers main policy recommendations.

On the heterogeneity of North African Countries: empirical evidence for the MaghrebThe model:

We try to prove empirically the heterogeneity of MC by estimating an hybrid reduced form model for each country. This model is composed mainly of two equations: a demand equation (IS curve) which identifies the relationship between output gap and many other variables, and a supply equation (Phillips curve) illustrating the relationship between inflation and different regressors104. It is presented as follow:

(1)

(2)

Where and refer respectively to output gap, inflation deviation, nominal effective exchange rate (NEER), real money base and the Brent price105. , , 104 For more details pertaining to hybrid models, see Fuhrer (2000),

Estrella et Fuhrer (2002), Rudebusch (2002) and Rudd et Whelan (2003).

105 Except output gap and inflation deviation, all variables are ex-

, , , et are optimal lags which differ from one country to another106. ηt and εt are error terms.

It is important to note that the first equation translate the effect of monetary policy, inflation and exchange rate on the real sphere. An inflation increase (decrease) is often accompanied by a decrease (increase) in demand and then in real activity. Similarly, depreciation (appreciation) of the exchange rate implies an increase (decrease) of the import prices comparing to the domestic ones which improve (decrease) competitiveness and acts positively (negatively) on output. Finally, a restrictive (expansive) monetary policy, which induces money base shortage (increase), acts negatively (positively) on the demand components and then reduces (increases) activity. We then expect and associated coefficients to be positive while coefficient proves to be negative.

However, the second equation show the way output gap, Brent price and exchange rate could act on prices. An accelerated (decelerated) demand often causes inflationist (deflationist) pressures. Similarly, an increase (decrease) of oil prices affects positively (negatively) domestic prices, especially in oil-dependent countries. Finally, an exchange rate depreciation (appreciation), resulting from an expansive (restrictive) monetary policy, bring up (down) inflationist risks. So, we expect y, P and e associated coefficients to be positive107.

Sources of heterogeneity:

The model allows us to find various sources of heterogeneity between countries. In particular, the demand equation describes the way monetary and exchange rate policies could influence activity, thus giving an idea about divergence of financial and economic structure.

For instance, more the economy is bank dependant, more a shift in monetary policy affects the balance sheets of banking sector and the financing conditions of enterprises, thus influencing further the activity. Similarly, following monetary impulse, bank reaction capacities prove to be limited whenever banking

pressed in pourcentage106 These optimal lags are determined basing on Hannan and Quinn

(HQIC) criteria.107 The exchange rate and the Brent price are considered as exoge-

nous. We suppose that these variables follow an AR (1) specifica-tion.

sector is competitive. This is because banks are “price taker” and could not influence market conditions after monetary choc.

Besides, the effect of exchange rate policy on demand depends on the structure of the economy, notably the degree of openness. More specifically, more the country is open, more an exchange rate depreciation affects competitiveness and growth.

However, the supply equation depicts the effect of demand, oil price and exchange rate on domestic inflation, thus giving an idea about divergence of productive structure and institutional frameworks.

For example, the impact of exchange rate variation on inflation translate the so-called exchange rate pass-through which depends on the weight of tradable sector comparing to non tradable one as well as the importance of monetary authority engagement toward price stability.

Similarly, the effect of output on inflation depicts the market power of local stakeholders as well as labor market characteristics. Indeed, an increase in growth boosts inflation in a case where competition is low and labor market is rigid.

Data:

The series of our variables are quarterly and cover the period 1990-2010. They are extracted from IFS-IMF (2011), WDI-WB (2012) as well as Chelem-CEPII (2011) databases. All these series are stationary basing on Augmented Dickey-Fuller (1981) and Phillips-Perron (1986) tests108, so we do not differentiate it in the regression.

Output gap is obtained following this methodology: first, we apply Goldstein and Khan (1976) algorithm for the annual GDP series in order to get quarterly data. Second, by using Hodrick Prescott filter, we decompose the new series into cycle and trend. Finally, we substract potential GDP from current one.

Inflation deviation is measured by the difference between Consumer Price Index (CPI) growth and an inflation target. This target is approached by a four quarter moving average inflation rate.

NEER is defined as the number of foreign unities 108 The results of stationarity tests are available upon request.

expressed in terms of national currency. So, an increase (decrease) in this indicator is synonym of appreciation (depreciation).

Real money base is approached by the growth rate of base money in real terms. So, we obtain this variable by deflating nominal money base before calculating a growth rate.




Results:

Our model is estimated basing on « SURE » technique (Seemingly Unrelated Regression Estimator). This technique allows a simultaneous estimation of the two equations, thus taking into consideration the endogeneity of the variables and the correlation of errors.

The main results are as follows:

Table 1: Estimation results for Maghreb Countries

Algeria Morocco Tunisia

Equation 1

Output gap

L1

L2

L3

F1

1.485 (0.901)

-0.988 (0.878)

1.005*** (.016)

.253*** (.003)

.109*** (.017)

- .238*** (.035)

.129*** (.018)

.358*** (.001)

.78*** (.055)

-.814*** (.061)

.896*** (.054)

.324* (.189)Inflation

L1

L2

L3

L4

-.069 (.59)

.349* (.57)

-.022* (.011)

-.017 (.012)

-.024** (.012)

.001 (.012)

.157 (.356)

-.493* (.364)

-.0406 (.376)

.422 (.337)Exchange rate

L1

L2

L3

-.065 (.231) -.013 (.014)

-.003 (.014)

.025*** (.011)

.123 (.21)

.32 (.194)

-.259 (.200)Money Base

L1

L2

L3

L4

.489 (.23)

.311 (.248)

.321 (.223)

.495*** (.224)

.001 (.003)

.0002 (.003)

.001 (.003)

.005** (.002)

.050*** (.025)

.046* (.027)

.052** (.026)

-.013 (.026)Intercept .224*** (.045) -.002* (.001) .041*** (.006)Observations

R2

79

0.97

79

0.97

79

0.91

Equation 2Inflation

L1

L2

L3

L4

F1

.239*** (.103)

-.033 (.103)

.316*** (.100)

-.123 (.107)

-.123 (.11)

.034 (.113)

.115 (.107)

-.164* (.106)

.396*** (.105)

.575* (.103)

-.305*** (.106)

.248*** (.098)

.384*** (.098)Output gap

L1

L2

L3

-.004 (.003)

.009* (.006)

-.004 (.003)

-.142 (.159)

.283* (.195)

-.142 (.166)

-.029*** (.014)

.003 (.018)

.034*** (.014)Brent

L1

L2

.002 (.017)

-.013 (.016)

-.006 (.007)

.004 (.006)

.001 (.003)

-.002 (.003)Exchange rate

L1

L2

L3

-.02 (.044)

-.067 (.042)

-.103*** (.0404)

.096 (.136)

.22 (.134)

-.252*** (.106)

.014 (.064)

-.171*** (.058)

.078 (.058)

Intercept .0265*** (.008) .0236** (.013) .004*** (.001)

Observations

R2

79

0.48

79

0.25

79

0.49

Equation 3Exchange rate

L1 .317*** (.102) .418*** (.100) .121* (.090)Constante -.012* (.006) .001 (.0009) -.004*** (.001)

Observations

R2

79

0.1

79

0.17

79

0.015

Equation 4Brent

L1 .182* (.107) .201** (.107) .208** (.107)Intercept .0189 (.015) .0184 (.015) .018 (.015)

Observations

R2

79

0.04

79

0.04

79

0.04Values in Brackets are standard errors. ***, **, * represent respectively 1%, 5% and 10% significance level.




These results show that the crucial coefficients109 are different, so that the effect of various policies (notably monetary and exchange rate policies) on activity and inflation is not homogeneous, which confirm the heterogeneity of MC.

For the extent of monetary policy on the real sphere, it is more important for the case of Algeria than that for Morocco or Tunisia. This is probably because of the specificities of financial structure in the former country which expose it more to money base variation than in the latter ones. Particularly, the small size and weakness of Algerian firms renders the effect of monetary policy on activity more important. Similarly, the absence of substitutable funds to bank financing and the low access to financial markets make the effect of monetary policy on investment and consumption more visible.

Table 2: Some indicators of direct financing in Algeria

(1999-2010)

1999 2008 2010Number of listing firms

2 2 3

Market Capitaliza-tion (in % of GDP)

0.0059 0.002 0.008Turnover ratio 0.12 0.10 -

Source : FEMISE (2009), COSOB (2010)

However, the effect of money base on output gap is less important in Morocco and Tunisia (especially in the former country). This result could be linked to the dynamism that characterized the Moroccan financial market giving the opportunity to banks to attract substitutable funds to reserve deposits110. It could also be linked, for the Tunisian case, to the situation of excess liquidity that characterized the banking system during the 2000’s111.

109 We concentrate on two parameters (one in each equation). The first one translates the effect of money base on activity while the second one traces the effect of activity on inflation. The other pa-rameters are not without importance and will be analyzed briefly.

110 The solidity of the banking sector could also be mentioned as part of the explanation of the difference in output gap sensibility to monetary policy decisions.

111 After January 2011, the situation of the tunisian banking system was worsened and the central bank has been pushed to intervene many times to offer liquidity and to save the financial system from a systemic crisis.

Table 3: Some indicators of direct financing in Morocco

and Tunisia (1999-2010)

Maroc TunisieMar-ket

Capi-taliza-tion (in

% of GDP)

Turn-over ratio

Num-ber of listing firms

(in % of popu-lation)

Mar-ket

Cap-ital-iza-tion (in

% of GDP)

Turn-over ratio

Num-ber of listing firms

(in % of popu-lation)

1996 20.01 5.15 0.01 20.56 5.42 0.031999 34.79 9.07 0.01 10.34 6.92 0.042001 31.87 8.64 0.01 12.02 21.29 0.042003 22.24 6.29 0.01 9.61 9.15 0.02005 34.53 8.44 0.01 8.34 8.52 0.042007 58.52 36.3 0.02 10.56 15.02 0.042009 82.54 32.69 0.02 13.29 28.39 0.042010 71.83 18.37 0.02 21.72 21.67 0.05

Source: Beck et al (2012)

We could also noticed that, contrary to what we could obtain from countries characterized by economic openness, the effect of exchange rate variation on activity is not significant for Algeria and Tunisia while it is low and with opposite sign for Morocco. For the two formers countries, arguments linked to financial account control and absence of full money convertibility could be mentioned. We could add, for the Algerian case, other factors such as the presence of parallel exchange market and the statistical weakness. However, for the latter country, it is probably the importance of openness and the significance of foreign debt amount that make an appreciation of exchange rate beneficial for the country. Indeed, this appreciation reduces the cost of foreign products in the one hand (price effect) and decreases the debt value in the other hand (balance sheet effect) which in fine could acts positively on output.

Table 4: External debts in the Maghreb (1995-2010)

1995 2000 2003 2005 2007 2009 2010External debt

(in % of GNI)

Algeria 83.52 48.75 36.04 17.34 4.32 3.82 3.39Morocco 75.06 57.34 37.31 27.52 27.66 26.42 28.14Tunisia 62.99 61.02 76.56 65.45 60.79 58.15 51.09

Short term debt

(in % of external debt)

Algeria 0.79 0.87 0.61 3.05 12.93 27.92 33.7

Morocco 0.83 7.6 6.88 4.21 9.34 9.17 7

Tunisia 12.1 14.06 19.35 17.53 19.49 22.11 23.06

Source : WDI, World Bank (2012)

In the three countries, differences are also visible for the sensibility of inflation to output gap shifts. In fact, this sensibility is more important in Morocco while it is low in Algeria and Tunisia. An increase in the output gap accelerates inflation in the former while it does not significantly affect prices in the two latter. Such result could reflect more pronounced labor market rigidity in Morocco than that in Algeria or Tunisia. In this frame, we could remind that the power of labor union in Morocco is often linked to an harmonized relationship with government than that of a real labor conditions negotiations between influencing parties. This harmonized relationship could be a factor of labor market rigidity instead of flexibility.

The divergence of the impact of output gap on inflation could also reflect the differences of economic structures in these countries. In Tunisia for example, the weak relationship between growth and inflation could be explained by the presence of industry (semi-finished products) and services (tourism) of which the capacity adaptation to choc is important.

We could finally notice from the results that the Brent price do not constitute a significant determinant of inflation in the three countries. Two main arguments could be invoked: first, these countries are not simply oil importers but exports important quantity of crude oil, and, second, they subsidize consumption of energy products.

Table 5: Imports and Exports composition in Algeria

Imports

(in % of total Imports)

Exports

(in % of total Exports)

Food 17.5% 0.21%Energy 2.2% 98.3%Raw materials

3.26% 0.32%

Semi-finished products

22.9% 1.18%

Agriculture equipments

0.7% 0.01%

Industrial equipments

37.2% 0.1%

Consumer goods

13.97% 0.03%

Source: IMF (2011): Direction of Trade Statistics

Table 6: Imports and Exports composition in Morocco

Importations(en % du total des importations)

Exportations(en % du total des exportations)

Food, beverages and Tobacco

8.59% 19.79%Energy 21.78% 2.45%Crude products 6.3% 11.07%Semi-finished products

22.23% 27.84%

Equipements 20.4% 6.46%Consumer goods 20.66% 32.39%





Table 7: Imports and Exports composition in Tunisia

Importations

(en % du total des importa-

tions)

Exportations

(en % du total des

exportations)Agri business 6.37% 5.47%Energy 10.37% 9.98%Raw materials and semi-finished products

29.10% 24.37%

Equipments 20.41% 8.29%

Consumer goods

33.75% 51.87%


Finally, for the three countries, contrary to the effect of exchange rate on activity, an appreciation of the exchange rate pushes prices to decrease (especially in Morocco). The presence of this pass-through effect prove that, despite the absence of total financial account liberalization and full currency convertibility, the dynamic of domestic inflation depends on exchange rate shifting. This result is theoretically expected given the importance of tradable sector where the prices often align the world one after an exchange rate choc (Neaime 2008).

Monetary integration in North Africa: how much does it costs for Maghreb Countries?Methodology:

We attempt here to assess the cost of implementing a common monetary policy conducted by a potential supranational central bank in terms of inflation and output variability given the aforementioned heterogeneity of the MC112.

112 We limit our analysis to Algeria, Morocco and Tunisia.

In order to do that, we attempt first to optimize for each country a monetary policy rule which minimize a central bank loss function. This optimization exercise is based on an original program defined under Dynare. The objective of such exercise is to get theoretical moments and loss function value for each country (especially output and inflation variance).

Afterwards, we aggregate data113 and apply the same optimization method led on a national case in order to bring out a common monetary policy. This policy is applied thereafter for each country, so that we finally obtain the new theoretical moments and the final loss function value. The comparison between the two loss functions (loss function obtained from the optimization exercise based on national data and the one obtained from the aggregated data) allow us to evaluate the consequences of implementing a common monetary policy in the presence of heterogeneous countries.

The monetary rule is simple and coherent with many precepts proposed in the literature. We retain the following one114 :

Where α is the potential growth of the economy115, φ is a smoothing parameter of the monetary policy116, α and β correspond respectively to the weight attributed to activity and inflation by the central bank117.

Formally, in order to obtain an optimal monetary rule, we should resolve the following program:

In other words, we have to minimize a loss function given the model of the economy. Here, L is the los function and B is the monetary policy instrument

113 Aggregation take into consideration each country GDP weight.114 We understand that a trade-off between efficiency and simplicity

is mandatory. For Artus et al (1999), a monetary rule owes to be sufficiently simple in order to be communicated and controlled without difficulties. This means that it could probably be preferable to not introduce some variables.

115 This variable is approached by the average growth rate of the potential GDP.

116 The smoothing parameter expresses the desire of central bank to avoid financial instability that could emerge from multiple varia-tions of monetary policy instrument. It could also translate the wish of central bank to improve reputation and transparency. Therefore, we fix it at 0.8.

117 The financial asset prices are not taken into consideration given the shallowness of the financial markets in these countries (espe-cially in Algeria and Tunisia).

(money base)118. The system resolution allows determining the response function =f(Xt-i) ∀ i=0…∞ where Xt-i is the vector of pertinent variables.

We suppose that which express the monetary authority identical desire to reduce either differences of inflation or output gap from their target levels.

Our monetary rule translates then the behavior of the central bank in terms of money base. Basically, monetary authorities raise their money base when the output gap decreases (situation where current production is near or inferior to potential production) and the inflation gap diminish (situation where current inflation is near or inferior to its target value). Inversely, they reduce money base when output gap increases and inflation gap deepens. So, we expect α and β coefficients to be negative.

Our optimization exercise tries to determine the value of α and β following many steps executed under Dynare. These steps consist of:

1. The declaration of the variables. During this step, the values obtained from the SURE estimation are attributed to each parameter;

2. The declaration of the model. During this step, all equilibrium conditions are written exactly the way we write it “by hand”;

3. The computation of the deterministic steady state. During this step, we provide numerical initial conditions or approximated values and Dynare automatically compute the exact values;

4. The specification of the innovations and their matrix of variance–covariance. During this step, shocks are associated to the residuals obtained after model estimation;

5. The definition of the loss function, the associated central bank preferences (λ and ψ ) as well as the parameters to be optimized ( α and β).

Results:Before assessing the cost of launching a monetary union in the MC where a common monetary rule is applied, it is useful to note that the optimization exercise for each country shows that both central bank of Algeria 118 In the three Maghreb countries, interest rate is not (or seldom)

used to conduct monetary policy. Among the reasons explaining this fact is the absence of effective money market. For an idea about base rule specification, see McCallum (1996) and for interest rate rule, see Taylor (1993, 1998).

and Morocco have to react more aggressively to activity than to inflation while central bank of Tunisia have to react first to inflation then to activity. Indeed, in the case where production corresponds to its potential value, an increase of 1% in activity pushes the central bank of Algeria (Morocco) to decrease money base about 0.12% (0.62%). Similarly, in the case where inflation corresponds to its target value, an increase of 1% in inflation pushes the central bank of Algeria (Morocco) to decrease money base about 0.07% (0.03%). However, central bank of Tunisia has to decrease money base by 0.86% (0.76%) whenever inflation (output) get away from its target by 1%.

Table 8: Optimization results for each Maghreb

CountryAlgeria Morocco Tunisia

|α| 0.12 0.62 0.76|β| 0.07 0.03 0.86Variance of output gap

10.25 0.34 27.78

Variance of inflation

0.39 1.32 4.2

Variance of money base

0.56 14.99 42.67

Variance of NEER 0.52 0.41 0.78Loss function 10.65 1.67 31.99

Moreover, by aggregating data and optimizing a unique monetary policy, results show that the common central bank has to react more aggressively to inflation than to output119. More specifically, in the case where inflation (output) corresponds to its target (potential) value, an increase of 1% in inflation pushes the central bank to decrease money base about 1.1% (0.32%).

Table 9: Optimization results for the Maghreb zone|α| 0.32|β| 1.1Variance of output gap 0.73Variance of inflation 0.09Variance of money base 0.41Variance of NEER 1.12Variance of output gap 0.83

119 Estimation results for the aggregated model are available upon request.




As regards the main objective of the paper (applying the common monetary policy rule to each MC and computing the net loss function), our results show that, pursuing a monetary rule that focuses primarily on inflation prove to be detrimental, especially for Algeria. Indeed, this country is the main loser given that the net loss value is the highest among MC (+7.84 while it is about +1.18 for Tunisia and +0.01 for Morocco).

This result is probably related to economic structure issues. In fact, given that Algeria is a rental economy based on oil while Morocco and Tunisia have diversified economies, we could imagine that shocks which affect monetary union (grouping together these three countries) would be asymmetric. So, conducting a common monetary policy in the presence of heterogeneous countries is quite complicated and costly.

Table 10: Common monetary rule: consequences for each

Maghreb Country

Algeria|α|=0.32

|β|=1.1

Morocco |α|=0.32

|β|=1.1

Tunisia|α|=0.32

|β|=1.1Variance of output gap

18.09 0.45 28.33

Variance of inflation

0.39 1.52 1.97

Variance of money base

0.41 0.41 0.41

Variance of NEER

1.12 1.12 1.12

Loss function 18.49 1.97 30.4Loss function variation

+7.84 +0.3 +1.18

Conclusion and some policy recommendationsIn this paper, we attempted to assess the cost

of implementing a common monetary policy conducted by a potential supranational central bank in terms of inflation and output variability given the heterogeneity of Maghreb Countries.

We illustrated first this heterogeneity through an estimation of a reduced form model containing a demand and supply equation. These estimations showed that the financial system characteristics (weight of banking sector, importance of financial markets, etc), the productive structure (competition degree, price inertia, firm size, etc) as well as the institutional setting (labor market characteristics, regulation extent, etc) are different across MC.

Second, we tried to evaluate the cost of applying a common monetary policy given the identified heterogeneity. To do that, we optimized a monetary rule for each country as well as a common rule for the zone taken as a whole. We applied this latter rule to each country and we observed the evolution of theoretical moments as well as central bank loss functions.

The optimization results showed that the implementation of a common monetary policy is not beneficial, especially for Algeria where the variability of inflation and activity is more important than in Morocco and Tunisia and thus the creation of a monetary union would be costly given the characteristics of each economy.

Our results refute clearly the idea that a monetary integration process in MC would be successful. For being so, this process has to be preceded by many steps completed in the short and medium-term. In that frame, these countries have to continue their gradual openness process, maintain their macroeconomic stability, strengthen their trade linkages, diversify their production, coordinate their economic policies, resolve their political problems and reinforce the AMU. Such efforts could push these countries to converge and then to form an homogeneous zone.

IntroductionL’asymétrie d’information qui existe entre les déposants et les couples dirigeants/actionnaires, est à l’origine de l’existence du régulateur. Ce dernier cherche à réduire cette asymétrie d’information. Pour atteindre l’objectif de protection des déposants, le régulateur recommande le respect de certaines exigences : les exigences des fonds propres, la discipline de marché et la communication financière.

Les exigences en matière de capitaux constituent un instrument préventif utilisé par les régulateurs. En effet, pour certains auteurs (Petey, 2004 et Tartari, 2002), les fonds propres constituent pour la banque le premier élément qu’attaquent les pertes avant qu’elles ne s’en prennent à l’épargne des déposants et conduisent vers la défaillance de la banque. Les

exigences en capitaux propres selon les accords de Bâle comprennent des mesures qualitatives et quantitatives conçues comme modèle de référence par le Comité de Bâle. L’aspect quantitatif de ces exigences provient de l’estimation des risques à couvrir par les fonds propres. Tartari (2002) pense qu’un ratio approprié des capitaux propres peut être considéré comme un instrument de solidité bancaire. Ainsi, l’accumulation des fonds propres est déterminante pour la solidité de la banque. Lindgren et al. (1996) définissent la solidité bancaire comme la capacité de la banque à résister à des événements indésirables tels que la panique bancaire, les changements politiques, la libéralisation du secteur financier et les catastrophes naturelles. Par conséquent, la solidité bancaire reflète la capacité

Les Exigences de capitalisation et la solidité bancaire dans la Communauté Economique et Monétaire de l’Afrique Centrale (CEMAC): Le rôle de l’environnement interne et externe de la banquePar Andre KADANDJI, Membre du CIREP de l’Université Catholique Saint Jérôme de Douala au Cameroun et du LARES de l’Université Gaston Berger de Saint-Louis du Sénégal




de la banque à être solvable et à résister dans des conditions économiques difficiles par les moyens de son capital et de ses réserves. Ainsi, on peut dire que la probabilité de la banque à rester rentable et solvable pour résister à des évolutions défavorables dépend aussi de son niveau de fonds propres. C’est pour cette raison que le Comité de Bâle a publié en 2012, un dispositif provisoire énonçant les règles prudentielles applicables aux exigences de fonds propres au regard des expositions des banques aux risques. Ce dispositif complète et modifie la version antérieure du dispositif révisé sur la convergence internationale. Les exigences en fonds propres sont une manifestation de la volonté du régulateur de protéger les intérêts des déposants. Ces exigences ont pour rôle de réduire les risques de faillite individuelle des banques, faillite dont les déposants sont les principales victimes. C’est pour cette raison que, la détention des fonds propres et la réglementation qui l’encadre visent principalement la réduction du niveau d’insolvabilité des banques en les dotant d’une capacité suffisante d’absorption des pertes (Petey, 2004).

L’impact des exigences en fonds propres sur la solidité des banques est d’un intérêt considérable. Les résultats du débat théorique et empirique sur ce sujet restent mitigés, car la réglementation prudentielle peut avoir un effet incitatif pour la prise des risques. C’est pour cette raison que certains auteurs (Blüm, 1999 ; Kim et Santomero, 1988 ; Koehn et Santomero, 1980) pensent qu’une exigence en fonds propres restrictive peut accroître le niveau de risque de la banque. Pour ces auteurs, la réglementation peut, sous certaines conditions, réduire la solidité des banques en augmentant le niveau de leurs risques de défaillance. Par contre, certains auteurs considèrent les fonds propres comme un garant de la solvabilité des banques. Pour ceux-là, sous certaines conditions, les exigences en fonds propres peuvent conduire les banques à réduire leur prise de risque. C’est cette dernière idéologie qui est prônée par le Comité de Bâle.

Compte tenu du débat entre les différents courants de pensée, nous nous proposons d’examiner théoriquement et empiriquement la relation qui existe entre le niveau de capitalisation et la solidité bancaire. Pour cela, nous nous posons la question de savoir : quels sont les effets de la prise en compte de l’environnement interne et externe de la banque sur la relation qui lie le niveau de capitalisation à la

solidité bancaire dans la Communauté Economique et Monétaire de l’Afrique Centrale (CEMAC) ? Ceci nous permettra de savoir si les exigences en capitalisation sont une condition suffisante pour la solidité bancaire. C’est vrai que le niveau de capitalisation élevé d’une banque peut nous amener à la considérer comme robuste, mais au fond une telle banque peut montrer une préférence pour le risque. Solhi et Mehdi (2012) en examinant un panel constitué des banques des pays de la région du Moyen-Orient et Afrique du Nord, trouvent une relation positive entre le niveau de capitalisation et la solidité bancaire. En tenant compte des spécificités de l’activité bancaire et de ce qui précède, nous conjecturons une amélioration de la solidité bancaire par la prise en compte simultanée l’environnement interne et externe.

L’objectif de cet article est d’étudier le rôle des indicateurs individuels et macroéconomiques dans la solidité bancaire, afin de déterminer les facteurs amplificateurs ou modérateurs de l’impact du niveau de capitalisation sur la solidité bancaire. Pour cette étude, nous allons utiliser un panel dynamique constitué des banques du Cameroun, du Congo, du Gabon et du Tchad. Compte tenu du nombre réduit des observations, nous allons utiliser la méthode d’estimation performante de Bun et Kiviet (2003), c’est-à-dire la méthode Least Squares Dummy Variable Corrected (LSDVC). Dans la suite de cet article, nous nous intéressons aux spécificités de la réglementation dans la CEMAC. Ensuite, nous posons les fondements théoriques de l’étude de la relation qui existe entre le niveau de capitalisation et la capacité de la banque à faire face à un choc. Enfin, notre regard est porté sur l’aspect empirique et la conclusion.

Les spécificités et la situation de la réglementation prudentielle dans la CEMACDans le cadre de l’exercice de ses activités bancaires dans la CEMAC, l’organe de contrôle a développé des méthodes et des outils d’évaluation prudentielle. Certains de ces outils sont développés spécialement

pour l’exercice des contrôles sur pièces et d’autres sont conçus pour l’exercice des contrôles sur place. Les diagnostics issus de la mise en œuvre de chacun de ces outils et/ou méthodologies peuvent être utilement exploités tant par les unités en charge des contrôles sur pièces que par celles conduisant les missions de vérification sur place.

L’analyse du respect des différents ratios prudentiels constitue un des éléments essentiels du processus de surveillance prudentielle. Pour cela, les banques transmettent périodiquement à la Commission bancaire des informations portant sur leur solvabilité. Cette dernière est appréciée suivant une approche prudentielle, à travers le ratio de couverture des risques (Règlement COBAC R-2010/01 abrogeant les Règlements COBAC R-2003/06 qui complétait le Règlement COBAC R-2001/02 et le Règlement COBAC R-93/03). Le Règlement COBAC R-2010/01 exige des établissements de crédit la détention d’un certain niveau de fonds propres en couverture de leurs risques pondérés. Les fonds propres doivent ainsi couvrir les risques pondérés à hauteur de 8% au minimum. Les informations demandées par la commission bancaire peuvent concerner la composition des fonds propres et de ressources permanentes (Règlement COBAC R-93/02 modifié par le Règlement COBAC R-2001/01 relatif aux fonds propres nets des établissements de crédit), ou bien, la liquidité de la banque (Règlement COBAC R-93/06 relatif à la liquidité des établissements de crédit). Pour avoir une vision synthétique des types des risques supportés par la banque, la COBAC collecte aussi des éléments relatifs au contrôle des grands risques (Règlement COBAC R-2010/02 relatif à la division des risques des établissements de crédit).

Tous ces éléments contribuent à l’identification des potentiels facteurs de vulnérabilité de la banque. Compte tenu de l’étroitesse du marché bancaire de la CEMAC et de la limitation des concours bancaires aux apparentés qui ne fait pas l’objet d’une directive précise des accords de Bâle, la COBAC a adopté en matière de division des risques un ratio. Le ratio de division des risques, tient compte de la sagesse populaire reprise par Winton (1999) en ces termes « Don’t put all your eggs in one basket » autrement dit, il n’est pas raisonnable de « mettre tous ses œufs dans un même panier ». Ce ratio oblige les banques à éviter la concentration des prises de risques sur un petit nombre d’emprunteurs dont l’insolvabilité définitive ou même partielle pourrait les ébranler. Il limite à

45% des fonds propres nets les risques pondérés portés sur un même bénéficiaire alors que le standard international est fixé à 25%. La diversification fait l’objet d’un débat entre la théorie de l’intermédiation financière qui défend la diversification des institutions et la finance d’entreprise qui voudrait que les banques se spécialisent pour en tirer le maximum de profits de leurs cibles.

L’ensemble de ces normes prudentielles doit contribuer à préserver la stabilité du système bancaire de la sous-région. En effet, le comportement extrêmement prudent des banques de la CEMAC dans le financement de l’économie peut être dû à la peur de prendre de nouveaux risques en relation avec leur niveau de capitalisation. Il ressort du rapport annuel de la COBAC, que sur un total de quarante-trois banques analysées à la fin de l’année 2010, trente-six ont affiché un ratio de couverture de risques pondérés par les fonds propres nets supérieur ou égal au minimum réglementaire de 8 %, contre trente-deux banques en 2009. Un an après, on constate que la situation ne s’est pas améliorée. Le rapport en fin d’année 2011 affiche les résultats suivants : sur un total de quarante-cinq banques en activité, trente-huit ont un ratio de couverture de risques pondérés par les fonds propres nets supérieur ou égal au minimum réglementaire de 8 %, contre trente-six sur quarante-trois banques pour l’année 2010. Les sept banques en infraction représentent environ 15,6 % des banques présentes dans la CEMAC et 10 % du total des actifs du système bancaire. La COBAC constate qu’entre 2010 et 2011, la part des fonds propres comptables dans le total de la situation cumulée des banques de la CEMAC s’est relativement dégradée en passant de 8,54 % en 2010 à 8,23 % en 2011. En plus, en 2014, on constate que l’augmentation de 8,8% de l’encours brut des crédits octroyés à l’économie a était terni par l’augmentation du niveau de risque (une augmentation de 15,9% des créances en souffrance à la même période) pris par les banques (COBAC, 2014). L’augmentation de la prise de risque a un effet nocif sur les fonds propres. Cette situation va entrainer inéluctablement une réduction de la capacité des banques à distribuer des crédits. Ainsi, le volume du crédit peut se restreindre considérablement d’une période à une autre si les pertes supportées par les banques sont importantes. Il apparaît donc clairement que la commission bancaire devrait mettre l’accent sur le respect des normes dans l’optique de réduire les risques.




L’exigence de capitalisation : un déterminant de la solidité bancaire controversé La relation entre le niveau de capitalisation et la solidité des banques est un sujet qui suscite un regain d’intérêt des instances de supervision bancaire. En effet, le niveau de capitalisation d’une banque doit être considéré comme un instrument de signalisation de la situation financière de la banque et de son goût pour le risque. Cela se justifie par le niveau d’accumulation des fonds propres, c’est-à-dire de la capacité de la banque à supporter les pertes. Cependant, Saadaoui (2010) pense que la prescription d’un seuil réglementaire de capitalisation, indépendant du risque dans un contexte de recherche de la rentabilité, peut conduire les dirigeants d’une banque, en fonction de leur aversion au risque, à adopter des stratégies plus ou moins risquées. Il est important de remarquer qu’à chaque fois qu’une unité des fonds propres remplace une unité des créances, la banque supporte un coût. 120 Afin de combler cette perte, une solution consiste à renforcer le poids relatif des actifs rentables et parfois risqués dans le portefeuille, tout en respectant le niveau de capitalisation exigé. Pour éviter ce comportement risqué, le Comité de Bâle recommande de lier le niveau de capitalisation réglementaire au niveau du risque qui caractérise les différentes catégories d’actifs dont dispose une banque.

Les banques doivent ainsi disposer, à tout moment, d’un montant de fonds propres qui couvre au moins 8% de la valeur des actifs pondérés de leurs risques. Plus une banque finance des projets risqués, plus elle doit disposer des capitaux propres qui couvrent cette prise de risque. En réalité, la relation entre le niveau de capitalisation de la banque et la prise de risque est loin de faire l’objet d’un consensus. Deux théories s’opposent au sujet des exigences en capitaux : la 120 En fait lorsque les créances d’une banque deviennent douteus-

es, elle doit les provisionner. Pour cela, elle se trouve obliger d’immobiliser une partie de ses fonds propres. La quantité des fonds propres immobilisée qui sert de provision, ne peut pas faire l’objet d’un crédit. Ainsi ceteris paribus, la capacité de la banque à octroyer le crédit va baisser de cette quantité au moins.

théorie de la préférence sur les états et la théorie du choix de portefeuille.

La théorie de préférence sur les états : l’exigence de capitalisation a un effet positif sur la solidité bancaire

La théorie de préférence sur les états considère que les dirigeants de la banque cherchent à maximiser la valeur de leur institution tout en respectant la réglementation. Pour toute exigence réglementaire, les dirigeants de la banque vont se conformer afin d’éviter les pénalités. En effet, les pénalités peuvent avoir un impact négatif sur la valeur de la banque. C’est pour cette raison que, les banques ont souvent tendance à arbitrer entre les pertes de rendement qu’engendre leur conformité aux exigences réglementaires et les coûts liés aux sanctions légales si elles enfreignent les règles. Pour Couppey et Madiès (1997), cette théorie constitue l’un des premiers cadres d’analyse utilisé pour étudier les exigences réglementaires dans le domaine bancaire. L’hypothèse fondamentale de cette théorie est l’existence d’un système complet de marchés financiers contingents. Dans ce cadre d’analyse, la banque est appréhendée comme une entreprise spécifique du fait de son pouvoir de marché tant à l’actif qu’au passif. La complétude de marchés financiers est difficile à atteindre, ce qui rend l’hypothèse de base de cette théorie moins réaliste.

Dans la littérature, la solidité de la banque est subordonnée principalement à une capitalisation suffisante. Le sixième principe fondamental pour un contrôle bancaire efficace stipule que : « les autorités de contrôle bancaire doivent fixer à toutes les banques des exigences de fonds propres minimales et appropriées. Celles-ci devraient refléter les risques qu’elles encourent et doivent déterminer les composantes du capital, en tenant compte de leur capacité d’absorber les pertes. Au moins pour les banques qui opèrent à l’échelle internationale, ces exigences de fonds propres ne doivent pas être inférieures à celles qui sont prévues dans l’Accord de Bâle et ses amendements ». Si l’on se réfère aux accords de Bâle II, il ressort que les principes essentiels du deuxième pilier de ces accords sur la surveillance prudentielle, mettent l’accent sur l’adéquation des fonds propres. C’est ainsi que le principe un de Bâle II se décline en ces termes : « les banques devraient disposer d’une procédure permettant d’évaluer l’adéquation globale de leurs fonds propres par rapport à leur profil de risque

ainsi que d’une stratégie permettant de maintenir leur niveau de fonds propres ». La mise en œuvre d’une telle procédure n’engage pas seulement les dirigeants des banques, elle passe par : une surveillance par les actionnaires et les managers ; une évaluation saine des fonds propres ; une évaluation exhaustive des risques ; la mise en place d’un système adéquat de surveillance et de notification de l’exposition au risque aux instances de la banque ; et enfin l’analyse par le contrôle interne (COBAC, 2009). Ces éléments sont importants pour le maintien des équilibres financiers fondamentaux et même de la pérennité des banques.

La théorie du choix de portefeuille et les effets pervers des exigences en fonds propres

Le niveau de capitalisation de la banque relève des exigences réglementaires utilisées pour résoudre le problème posé par l’incitation des banques à une prise excessive de risque. En dépit des raisons avancées pour justifier l’importance des exigences en fonds propres, l’efficacité de ces exigences reste largement controversée. En effet, Diamond (1984) considère la banque comme un gestionnaire délégué du portefeuille. Ainsi, face à une contraction des exigences en fonds propres, la réaction de la banque peut prendre la forme d’une réallocation de son portefeuille d’actifs. Car, pour augmenter sa rentabilité, la banque peut être amenée à accroître proportionnellement ses actifs rentables et risqués, ce qui va, par conséquent, augmenter sa probabilité de faillite. On aboutit ainsi à un paradoxe, car l’imposition de l’exigence conduit à un effet pervers, c’est-à-dire l’accroissement de la prise de risque par la banque.

Pour la théorie du choix de portefeuille, la banque choisit la composition de son portefeuille en fonction de la rentabilité et de la volatilité de cette dernière. Ainsi, pour un niveau de risque donné, la banque choisira le portefeuille qui maximise son profit espéré, compte tenu des rendements des actifs. Ceci suppose que la banque agisse dans un espace rentabilité – risque. Ainsi, l’introduction d’une exigence en fonds propres influence la frontière rentabilité – risque de la banque, ce qui conduit la banque à reconfigurer la composition de son portefeuille des actifs. La banque en reconfigurant son portefeuille peut augmenter sa probabilité de faillite, car le dirigeant de la banque peut choisir de compenser la perte d’utilité due à l’introduction de l’exigence en fonds propres en choisissant un portefeuille plus risqué. Pour Kim et

Santomero (1988), Koehn et Santomero (1980), la reconfiguration du portefeuille de la banque dépend de son degré d’aversion au risque. Pour ces auteurs, les banques non averses au risque vont répondre à l’introduction de l’exigence en fonds propres par une augmentation du risque de leurs portefeuilles, ce qui va, par conséquent, augmenter leurs niveaux du risque de faillite. En effet, ils pensent qu’une restriction sur les fonds propres est susceptible de rendre le portefeuille de crédits de la banque inefficient, ce qui ne lui permettra pas d’atteindre la combinaison optimale rendement – risque. On peut expliquer ainsi, le fait qu’une banque à faible aversion au risque puisse modifier la structure de son portefeuille crédits en octroyant plus de crédits risqués (Kim et Santomero, 1988 ; Koehn et Santomero, 1980). Dans ce cas, les exigences en fonds propres ne peuvent plus être considérées comme des outils de protection, puisqu’elles aboutissent à l’effet opposé à celui escompté.

Dans l’étude de la relation ratio minimum du capital et cycle de crédit, Mojon (1996) pense que le seul moyen pour les banques de procéder à leur recapitalisation à partir de leur activité traditionnelle d’intermédiation est d’augmenter leur marge d’intérêt. En effet, les banques peuvent aussi se tourner vers des activités hors-bilan en misant sur les commissions. Il ressort du rapport de la COBAC (2014) qu’en dehors des engagements reçus du secteur public et des opérations en devise qui ont baissé, tous les autres postes du hors-bilan des banques de la CEMAC ont progressé par rapport à la situation de 2013. Ces activités semblent être moins consommatrices du capital que la transformation de dépôt en crédit. Cette nouvelle orientation stratégique des banques contribue à la baisse de l’offre de crédit, au travers du désengagement des banques de leur activité traditionnelle.

D’autres auteurs pensent, de même que la réglementation prudentielle a pour effet le rationnement du crédit par les banques. En réalité, les banques moins capitalisées étant limitées dans la distribution de crédit, vont procéder au rationnement du crédit. Ce comportement va se généraliser dans le système bancaire du fait de mimétisme des banques. Pour Aglietta (1992), ce comportement peut conduire à une instabilité dynamique de l’offre de crédit, car il pense que même les banques bien capitalisées, c’est-à-dire dont le niveau de fonds propres est supérieur au minimum exigé, auront tendance à rationner les crédits par un comportement moutonnier des autres




banques. Contrairement à cette idée, Saadaoui (2010) croit que les dirigeants des banques bien capitalisées peuvent développer un engouement pour le risque. Il se fonde sur le fait que la forte capitalisation de ces banques, procure un excès de confiance aux actionnaires qui auront tendance à pousser leurs managers à s’aventurer dans le financement des projets plus risqués afin d’accroître leur marge de profit. Pour bien comprendre cette situation, Saadaoui (2011) pense qu’il faille partir de l’hypothèse de conflit d’agence qui peut influencer le rôle prudentiel des fonds propres réglementaires. En effet, si l’objectif des actionnaires (le principal) est porté essentiellement vers la maximisation de leur profit, les dirigeants (l’agent) quant à eux cherchent à protéger leur poste et/ou leur rémunération. Ainsi, si ce sont les actionnaires supposés peu averses au risque qui influencent les choix de financement de la banque, il peut avoir une hausse de la prise de risque. De plus, il peut arriver que l’excès de capitalisation provoque chez les dirigeants de la banque, un sentiment de sécurité qui va les encourager à choisir des stratégies plus risquées.

Il faut se rappeler des différentes asymétries d’information qu’on trouve au niveau de la banque. D’après Couppey et Madiès (1997), pour bien étudier la banque, il est nécessaire de tenir compte de toutes ses relations, car dans celles-ci, il existe une asymétrie d’information qui peut être favorable ou défavorable à la banque. En d’autres termes, il peut y avoir une asymétrie d’information exploitée ou subie par la banque dans ses différentes relations. Dans la littérature, lorsque le contrat liant le régulateur et la banque prend en considération une contrainte d’incitation, le mécanisme des fonds propres réglementaires devient alors un mécanisme susceptible de conduire les banques à la prudence. Toutefois, dans certaines circonstances, les éléments qui poussent une banque à prendre de risque à l’excès peuvent dominer ceux qui l’incitent à la prudence (Saadaoui, 2010). Par exemple, le niveau de conformité d’une banque aux exigences réglementaires peut baisser, si les dirigeants de celle-ci anticipent une diminution de l’espérance des profits futurs, suite à l’augmentation du capital et/ou si le coût de monitoring des crédits octroyés par cette institution est assez élevé (Blüm, 1999). On peut dans certains cas penser que, les banques prennent des risques excessifs pour couvrir les coûts associés aux procédures d’augmentation du capital, tout en maximisant la valeur de leurs

actions. De plus, l’obligation de la reconstitution du capital par les banques pour atteindre le ratio minimum de capitalisation, est un facteur haussier du niveau de risque. Mojon (1996) suppose que lorsqu’une banque constate des pertes sur les prêts accordés antérieurement, elle va chercher à accroître son produit net bancaire jusqu’à ce que ces pertes soient intégralement absorbées. Les banques étant incapables de prévoir le risque de défaut de leurs emprunteurs, couvrent ex-post les pertes associées à la réalisation de ce risque en augmentant souvent avec retard leur marge d’intérêt. On peut dire que l’exigence réglementaire en fonds propres peut provoquer des effets inattendus sur le comportement d’une banque.

Présentation du modèle d’analyse de l’influence de la capitalisation sur la solidité bancaire dans la CEMACPour analyser l’impact du niveau de capitalisation sur la solidité des banques, il est important de souligner le rôle des contraintes internes et externes à la banque. Une réglementation non contraignante peut accroître la prise des risques par les banques en diminuant leurs niveaux de capitalisation. L’incitation à l’arbitrage réglementaire a compromis l’efficacité de l’Accord de Bâle I en tant qu’indicateur de la solvabilité d’un établissement, et a entraîné l’adoption d’un nouveau dispositif réglementaire à travers l’Accord de Bâle II. Ce nouveau dispositif, permet de fournir aux banques plusieurs méthodes d’évaluation des exigences en fonds propres, puis de donner un rôle plus important aux modèles internes et aux marchés dans l’évaluation des risques. Le dispositif déterminé par Bâle II a montré ses limites lors de la récente crise des « subprimes », même si cette crise a été amplifiée par les phénomènes d’illiquidité. En effet, une crise de confiance s’est installée concernant la solvabilité réelle des banques bien que celles-ci affichaient, pour la plupart, des ratios de fonds propres réglementaires relativement élevés. Ces difficultés rencontrées par le

système bancaire ont montré que la réglementation sur le capital n’a pas été suffisamment incitative pour modifier le comportement de prise de risque excessive des banques.

Dans un système bancaire, la robustesse des fonds propres qui sont considérés comme des amortisseurs en cas de pertes imprévues, est importante pour toutes les banques (FMI, 2006). C’est pour cette raison que l’analyse des indicateurs de solidité financière (ISF) doit couvrir la plupart des aspects de la santé et de la solidité financière de la banque. Jacques et Nigro (1997) en utilisant les équations simultanées, ont montré que l’introduction des exigences en capital fondées sur le risque a entraîné une amélioration de la capitalisation des banques et une baisse du risque de leurs portefeuilles. De même, Godlewski (2004) a trouvé une relation négative entre les variations du capital et celles du risque. Ces résultats contredisent la conclusion de Koehn et Santomero (1980) selon laquelle les exigences en capital restrictives entrainent une augmentation de la prise de risque.

A côté des équations simultanées, la construction et l’analyse des ISF représente l’une des méthodes utilisées pour mesurer la solidité des banques. En effet, l’analyse des ISF permet d’observer l’évolution du niveau de solidité d’une banque. Elle donne aussi la possibilité d’établir une comparaison entre les différentes banques. Même si cette technique est considérée comme une technique simple, rigide et mécanique, elle présente d’autres avantages par rapport aux autres méthodes. Les principales difficultés de cette analyse de la solidité résident dans les choix des indicateurs individuels, de la méthode de normalisation et du jeu de pondération à retenir.

Certaines études (Altman, 1968 ; Doucouré et Sène, 2014 ; Goyeau et Tarazi, 1992 ; Solhi et Mehdi, 2012) pour analyser la solidité des banques, ont eu recours à l’indicateur Z-score. Le Z-score apparaît dans une étude publiée par Altman (1968) sur la prédiction des défauts des entreprises. Cet indicateur est devenu le plus populaire de la littérature en finance, particulièrement dans le domaine de la défaillance des institutions financières. Solhi et Mehdi (2012) pensent que l’indicateur Z-score est plus fiable. En effet, cet indicateur synthétise d’une part, l’information contenue dans la rentabilité et la volatilité, et d’autre part, celle relative à la couverture des risques par les fonds propres. Dans le cadre notre étude, nous

retenons une approche qui permet d’examiner la relation qui existe entre le niveau de capitalisation et le Z-score d’une banque, simultanément avec l’apport des éléments individuels et macroéconomiques. Pour ce qui est des facteurs individuels, nous nous appuyons sur les indicateurs de type CAMEL(S)121 retenus habituellement pour construire les indicateurs avancés de faillite. Compte tenu du fait que la solidité de la banque aujourd’hui dépend de sa capacité antérieure à supporter les chocs, nous introduisons une variable retardée d’une période. La traduction mathématique de notre modèle d’analyse est la suivante :

,

Zit représentant l’indicateur Z-Score, c’est-à-dire l’indicateur de la solidité de la banque ; Xit le vecteur des variables individuelles de type CAMEL ; Mit le vecteur des variables macroéconomiques ; l’effet

fixe ; ite le terme de l’erreur ; α, β, λ les coefficients de régression.

Le modèle étant dynamique, il se pose donc un problème d’endogéneité dû à la présence de la variable dépendante retardée parmi les variables explicatives. Dans ce cas, les méthodes d’estimation classiques (MCO, LSDV et MCG) génèrent une estimation biaisée des coefficients. Elles sont inappropriées pour ce type de modèle, à cause, d’une part, de la corrélation entre la variable dépendante retardée et le terme de l’erreur, et, d’autre part, de l’hétérogénéité individuelle des résidus issus de la régression. Pour remédier à cette situation, plusieurs méthodes d’estimation des modèles dynamiques sont fournies par la littérature. Parmi ces méthodes, nous pouvons citer la méthode des moments généralisés (MMG) et la méthode Least Squares Dummy Variable Corrected (LSDVC).

Pour notre étude, en nous appuyant sur le travail de Bun et Kiviet (2003), nous choisissons une méthode d’estimation appropriée des modèles dynamiques. Il s’agit de la méthode LSDVC. Cette méthode est considérée comme plus performante que les autres méthodes. Elle est plus adaptée pour les échantillons

121 CAMEL(S) est un cadre d’analyse qui définit six (06) catégories de variables permettant d’apprécier et de couvrir les risques financiers et non financiers auxquels sont exposées les institutions financières. Les six critères sont : l’adéquation du capital ou la solvabilité (Capital adequacy) ; la qualité des actifs et du porte-feuille (Asset quality) ; la gestion et la gouvernance d’entreprise (Management quality) ; la rentabilité (Earning ability) ; la liquidité (liquidity position) et la sensibilité au risque de marché (Sensitivity to market risk).




de faible dimension comme le nôtre. C’est pour cette raison que nous trouvons qu’elle est adaptée pour une étude qui porte sur un panel réduit des banques de la CEMAC. En effet, Bun et Kiviet (2003) justifient la performance de la méthode LSDVC par le calcul du biais corrigé des estimateurs de la méthode LSDV.

Les variables utilisées

L’ensemble des indicateurs définis par le FMI constitue une base importante pour l’analyse de la solidité financière des banques. Les variations de ces indicateurs envoient des informations sur la vulnérabilité de la banque face aux potentiels chocs. Les autorités de surveillance utilisent ces indicateurs dans leurs différents modèles de surveillance, pour évaluer la solidité des banques ou pour construire des scénarios des stress-tests. Par conséquent, nous utilisons pour notre analyse les différents indicateurs individuels du type CAMEL.

La variable à expliquer

Pour apprécier l’impact de la prise en compte des autres variables sur la relation qui existe entre le niveau de capitalisation et la solidité des banques, nous élaborons un indicateur agrégé. Doucouré et Sène (2014) pensent que cette approche est pertinente, car elle intègre un ensemble de données financières fournissant des informations sur la fragilité et le comportement bancaire. Comme le Z-score contient de l’information sur la couverture des risques par les fonds propres (Doucouré et Sène, 2014 ; Goyeau et Tarazi, 1992), nous l’adoptons pour notre étude. Notre variable à expliquer se calcule donc de la façon suivante :

Dans cette relation, FP/TA (Fonds Propres divisés par le Total des Actifs) représente l’adéquation du capital. Cette dernière permet d’évaluer la couverture des risques par les fonds propres de la banque. Le ratio des fonds propres est une mesure d’appréciation de la capacité de la banque à faire face à des chocs endogènes ou exogènes. Le ROA (Return On Asset est égal au Résultat Net divisé par le Total des Actifs) permet de quantifier la performance de la banque par rapport à ses actifs. En effet, on s’attend à ce qu’une rentabilité élevée accroît la solidité de la banque. Le

ROAs mesure la volatilité du rendement des actifs

de la banque. La détérioration de la qualité des actifs se répercute directement sur la performance de la banque.

Les variables explicatives

Les indicateurs proposés sont construits à partir des ratios comptables les plus fréquemment utilisés dans l’évaluation de la situation financière des banques. Par convention, le sigle CAMEL permet de regrouper ces ratios en cinq catégories qui correspondent à ses différentes composantes. Pour chaque catégorie, nous retenons au moins un ratio et au plus deux ratios. Ces ratios peuvent être introduits dans l’équation du modèle, soit directement en niveau, soit en variation.

Les variables d’intérêt

Le groupe de ces variables correspond aux variables de type C (Capital adequacy). Les variables de ce groupe fournissent une information sur l’estimation des capitaux dont la banque dispose pour absorber ses éventuelles pertes. Ces variables sont représentées par des ratios qui s’appuient sur les fonds propres. Nous avons l’indicateur de l’effet financier qui mesure l’adéquation des fonds propres aux différents actifs de la banque. Cet effet est mesuré par le ratio Fonds Propres/Total Actifs (FPTA) qui reflète aussi le niveau de capitalisation de la banque. En plus, c’est un indicateur de couverture de tous les risques logés à l’Actif de la banque. Le FPTA n’apparaîtra pas parmi nos variables explicatives, car il est intégré dans le calcul de la variable à expliquer. Nous nous appuyons sur Godlewski (2004) pour retenir le ratio Fonds Propres/Total Crédits (FPTCR) qui mesure la couverture des risques pris lors de l’octroi de crédit par les fonds propres. Ces fonds servent de tampon pour absorber les potentielles pertes de la banque. Le risque de crédit est l’un des principaux risques auxquels les banques de la CEMAC sont exposées. Pour cela, nous retenons le FPTCR comme la seule variable d’intérêt pour notre étude. Selon les accords de Bâle, cette variable doit être positivement liée à la solidité des banques.

Les variables de contrôle

Ces variables sont reparties en plusieurs groupes. Le premier groupe de ces variables est constitué des variables de type A (Asset quality). Ces variables reflètent la qualité des actifs de la banque. On a la part de crédits octroyés par la banque dans ses actifs, représentée par le ratio Crédits Nets/Total des Actifs et les variables qui indiquent la qualité du

portefeuille de crédits de la banque. Ces dernières sont nombreuses, on peut citer les ratios suivants : les Créances en Souffrance/Total des Crédits ; les Créances Douteuses/Total des Crédits (CREDTCR) et les Créances Douteuses/Total des Actifs. Pour représenter la qualité du portefeuille de crédits détenus par une banque, nous avons choisi le ratio des créances non-performantes représentées par les créances douteuses par rapport au volume total des crédits. Cette variable est un bon indicateur de la qualité du portefeuille de crédits, car elle se focalise exclusivement sur le risque de crédit.

Le deuxième groupe est celui des variables de type M (Management quality) qui font référence à la qualité de gestion de la banque. Dans ce groupe, nous pouvons citer quatre ratios qui s’appuient sur des éléments que la COBAC considère comme importants pour la gestion de la banque. Nous avons les ratios : les Provisions Existantes/Créances Douteuses ; les Provisions à Constituer/Créances Douteuses ; les Provisions Existantes/Total des crédits (PROETCR) et les Provisions Existantes/Total des Actifs. En tenant compte de la définition du risque de crédit, nous retenons les provisions pour pertes sur les crédits. En effet, les provisions servent soit à couvrir les pertes déjà enregistrées et de les éliminer du montant total des crédits, soit à couvrir les pertes futures attendues, ce qui aboutit à une relation positive entre le volume des créances douteuses et les provisions pour pertes sur crédits (Saadaoui, 2010).

Pour représenter la rentabilité (Earning ability), c’est-à-dire les variables de type E, nous avons le rendement des actifs (ROA) et la rentabilité des fonds propres (ROE). En effet, au-delà de la nécessaire maîtrise des différents risques générés par l’activité courante, la réalisation d’un bénéfice d’exploitation suffisant est indispensable pour garantir le maintien de la solidité de la structure financière d’un établissement. Le ROA est supposé varier dans le même sens que le ratio d’adéquation des fonds propres, puisqu’une partie des fonds propres de la banque est composée des réserves des bénéfices récoltés lors de l’exercice précédent. De plus, le Z-score, c’est-à-dire l’indicateur de solidité de la banque a une composante qui tient compte de la performance de la banque. Ceci nous amène à ne retenir pour ce groupe que le ROE.

Les variables du dernier groupe permettent d’apprécier le niveau de liquidité de la banque. Ce sont les variables

de type L (Liquidty position). Elles se focalisent sur les ressources disponibles et les degrés de liquidité des actifs de la banque. Ici, nous retenons le ratio Total des Crédits/Total des Dépôts (TCRDEP). Le règlement COBAC R-93/07 relatif à la transformation définit un rapport minimum que les banques doivent respecter en permanence. En 2011, sur les quarante-cinq banques de la CEMAC, six banques n’ont pas respecté ce minimum. Pour la même période, seules quarante banques sur quarante-cinq ont respecté la règle liée au rapport de liquidité. La préférence pour la liquidité est importante dans cette sous-région, car l’habitude de payer en espèces est élevée dans la CEMAC.

Pour ce qui est des variables macroéconomiques, nous retenons compte tenu du manque des données appropriées et de la rareté des analyses sur le secteur bancaire de la CEMAC, le taux de croissance du PIB (TPIB) et l’indice de prix à la consommation (IPC). Le taux d’inflation est souvent considéré comme un indicateur de vulnérabilité macroéconomique. A côté de cet indicateur qui reflète plutôt la performance de la politique monétaire, nous avons retenu un autre indicateur qui exprime la performance économique, le taux de croissance du PIB.

Les données utilisées

Les données statistiques utilisées pour mener les analyses quantitatives sont issues du système CERBER utilisé par le Secrétariat général de la COBAC et des rapports annuels de la banque centrale. Ce système permet à l’organe de supervision, à l’issue du dépouillement des états financiers transmis par les banques, de leur restituer leurs situations financières. C’est le principal outil de contrôle sur pièce. Les données recueillies concernent les bilans annuels et les comptes de résultats annuels des banques du Cameroun, du Congo, du Gabon et du Tchad (quatre pays sur les six de la zone CEMAC), pour la période allant de 2000 à 2013. Pour le calcul des ratios qui concernent le bilan et le compte de résultats nous ne travaillons qu’avec les données annuelles retenues par la COBAC au 31 décembre de chaque année.

Pour l’estimation des paramètres de notre modèle, nous allons procéder en plusieurs étapes. En première étape, nous estimons l’indicateur Z-score qui représente la solidité en fonction de l’indicateur représentant le niveau de capitalisation afin de déterminer le sens de la relation dans notre contexte. Ensuite, nous introduisons les autres indicateurs




de type CAMEL par catégorie d’indicateurs sans suivre l’ordre de l’acronyme. Ceci afin d’apprécier les effets modérateurs ou amplificateurs de ces différents indicateurs pris individuellement

Présentation et discussion des résultats des estimations du modèleNous avons déterminé notre modèle d’analyse en tenant compte des caractéristiques non seulement des banques, mais aussi des économies de la sous-région. En effet, les pays de cette sous-région, sont des pays en développement dont la structure financière est basée sur l’intermédiation bancaire. En plus, le marché bancaire de la CEMAC est étroit et les banques ont presque la même taille.

Tableau n° 1: synthèse des résultats des équations individuelles

Zscore(1) Zscore(2) Zscore(3) Zscore(4) Zscore(5) Zscore(6)L.zscore 0.537 0.525 0.489 0.506 0.535 0.530

(13.75)*** (13.83)*** (11.87)*** (12.51)*** (13.83)*** (13.48)***

Fptcr 1.085 1.057 1.086 1.081 1.092 1.083(13.97)*** (13.76)*** (14.45)*** (14.28)*** (13.90)*** (13.97)***

Tcrdep 0.035(3.46)***

Proetcr 1.355(3.00)***

Credtcr 0.559(2.23)**

Roe -0.030(1.67)

Tpib -0.228(0.30)

Ipc 0.440(0.43)

N 533 533 533 533 533 533

Notes : les valeurs entre parenthèses représentent les t statistique de Student calculé et * p<0.1; ** p<0.05; *** p<0.01

Source : auteurs sur la base des calculs effectués sous Stata/SE 12.0

ou collectivement. Enfin, nous introduisons les variables macroéconomiques pour tester l’effet de l’environnement externe sur le rôle des exigences en fonds propres dans la solidité bancaire.

Tableau n° 2 : synthèse des résultats des équations imbriquées

Zscore(1) Zscore(7) Zscore(8) Zscore(9) Zscore(10)L.zscore 0.537 0.479 0.476 0.474 0.473

(13.75)*** (11.90)*** (11.73)*** (11.99)*** (12.02)***Fptcr 1.085 1.058 1.056 1.061 1.059

(13.97)*** (14.23)*** (14.28)*** (14.14)*** (14.20)***Tcrdep 0.035 0.035 0.034 0.034

(3.56)*** (3.56)*** (3.41)*** (3.43)***Proetcr 1.381 1.171 1.142 1.148

(3.11)*** (2.54)** (2.42)** (2.46)**Credtcr 0.206 0.212 0.236

(0.79) (0.80) (0.88)Roe -0.020 -0.020

(1.10) (1.13)Tpib -0.262

(0.35)Ipc 0.620

(0.60)N 533 533 533 533 533

Notes : les valeurs entre parenthèses représentent les t statistique de Student calculé et * p<0.1; ** p<0.05; *** p<0.01

Source : auteurs sur la base des calculs effectués sous Stata/SE 12.0

Le caractère dynamique de notre modèle est validé dans l’ensemble de nos équations. En effet, l’ensemble des résultats obtenus de nos différentes estimations montre que la solidité bancaire est dynamique. Une solidité antérieure élevée entraînerait une augmentation du niveau de solidité de la banque, ce qui confirme l’importance de la prise en considération de l’aspect dynamique dans la détermination des exigences de capitalisation prôné par certains auteurs (Kim et Santomero, 1988 ; Koehn et Santomero, 1980). Pour ce qui est de notre relation d’intérêt, nos estimations montrent qu’il existe bien, sur la période étudiée, une relation statistiquement significative entre l’exigence de capital représentée par le niveau de capitalisation et la solidité bancaire (Z-score). Le signe positif de la variable représentant le niveau de capitalisation est conforme aux prédictions théoriques. Ceci dit, une augmentation du niveau de capitalisation entraine une augmentation significative au seuil de 1% de la capacité de la banque à résister aux chocs. Ce résultat confirme l’idée défendue par Saadaoui (2010), qui pense qu’en appliquant une norme de fonds propres, l’organe de régulation a la possibilité d’éviter une prise de risque excessive par les banques et de les obliger à adopter un comportement prudent.

On peut donc dire que les exigences de capital selon la réglementation COBAC semblent être bien adaptées au contexte, en ce sens, qu’elles conduisent effectivement à l’amélioration de la solidité des banques dans la sous-région.

Les résultats du modèle résumés dans le tableau n° 1, indiquent pour l’équation (2) que la prise en considération de la variable tenant compte de la liquidité de la banque permet de maintenir le niveau d’influence de la capitalisation sur la solidité au seuil de 1%. En plus, le coefficient de la variable représentant le niveau de capitalisation varie faiblement. Cette estimation révèle aussi que la capacité de la banque à collecter les dépôts et à les transformer en crédits contribue significativement à l’amélioration de la solidité bancaire.

Pour ce qui est de la qualité de gestion, lorsqu’on introduit l’indicateur quantitatif retenu par la COBAC dans notre modèle, on constate que cette variable est significative et que le niveau de significativité de l’influence de la capitalisation reste au seuil de 1%. De plus, on retrouve presque le même coefficient (1,086) pour les fonds propres sur total des crédits




(FPTCR). Ceci montre que, la prise en considération de la qualité de gestion a un effet stabilisateur de la relation capitalisation et solidité bancaire.

L’équation (4) dans laquelle nous introduisons la variable relative à la qualité du portefeuille de crédits révèle que la prise en considération de cette variable dans le modèle permet de maintenir le niveau de significativité de la contribution de la capitalisation à la solidité bancaire au seuil de 1%. En effet, lorsque les actifs sont de bonne qualité, le niveau de provision de la banque baisse. Ceci permet de maintenir ou d’améliorer le niveau de capitalisation de la banque. Par ailleurs, on constate qu’au seuil de 5% la variable CREDTCR est significative dans l’explication de la solidité bancaire dans la CEMAC. Il faut noter que le signe positif de cette variable nécessite un approfondissement de l’analyse. On peut d’ores et déjà penser au niveau élevé des taux d’intérêt appliqué aux débiteurs à haut risque.

Lorsqu’on introduit l’indicateur de la rentabilité dans le modèle initial, il ressort de l’estimation que la contribution du niveau de capitalisation à la solidité reste significative au seuil de 1%. La prise en compte de cette variable permet de stabiliser l’influence du niveau de capitalisation sur la solidité bancaire. La rentabilité des fonds propres (ROE) n’est pas significative dans l’explication de la solidité. Ceci peut être expliqué par le fait que la rentabilité de la banque dépend du résultat net de cette dernière, or la banque peut garder une partie de ce résultat comme réserve. Compte tenu de ce que les réserves sont intégrées dans les fonds propres, la rentabilité de la banque peut améliorer son niveau de capitalisation.

Pour ce qui est des variables macroéconomiques, nous constatons que leur prise en considération dans le modèle maintient au seuil de 1% le niveau de significativité de l’influence du niveau de capitalisation sur la solidité bancaire. Nous retrouvons presque le même coefficient initial pour la variable représentant le niveau de capitalisation. Tout comme la variable liée à la rentabilité, aucune variable macroéconomique n’est significative. Ceci dit dans la CEMAC, les banques ne sont pas procycliques. Ce résultat ne confirme pas celui de Dannon et Lobez (2014) qui constate que dans l’UEMOA les taux de croissance élevés sont associés à un risque de défaillance bancaire plus faible.

Les résultats présentés ci-dessous sont issus des introductions individuelles des variables de contrôle,

ce qui nous a permis d’apprécier leurs effets individuels sur notre relation d’intérêt. Pour apprécier l’effet collectif de certaines variables, voire de l’ensemble de nos variables de contrôle, nous avons introduit successivement ces variables dans notre modèle initial. Les résultats issus des estimations des différentes équations imbriquées sont proches de ceux présentés précédemment, ce qui confirme les effets individuels de certaines variables.

L’équation (7) permet d’apprécier l’effet collectif des variables liées à la liquidité et celle de la gouvernance. L’estimation de cette équation montre que toutes les variables de l’équation sont significatives dans l’explication de la solidité bancaire au seuil de 1%. On constate que le niveau de significativité de la contribution du niveau de capitalisation à la solidité reste à 1%. Par ailleurs, pris ensemble, la capacité de la banque à transformer les dépôts en crédits et sa qualité de management contribuent significativement à la solidité de la banque. La prise en compte simultanée de ces variables a un effet stabilisateur de la relation qui existe entre le niveau de capitalisation et la solidité bancaire, car le coefficient de la variable d’intérêt reste sensiblement le même que celui de l’équation (2).

Lorsqu’on ajoute à l’équation (7) la variable liée à la qualité du portefeuille de crédits (équation 8), on se rend compte que la significativité de la variable liée à la qualité de gestion baisse. Il passe du seuil de 1% au seuil de 5%. Le niveau de significativité de la variable liée à la capitalisation reste à 1%. Au vu de ces seuils de significativité et des signes des coefficients, on peut conclure que la prise en considération simultanée de ces variables améliore la solidité des banques. Dans l’équation (9), nous intégrons la variable liée à la rentabilité. Il ressort de l’estimation de cette équation au moins deux constats remarquables. On constate une consolidation des résultats obtenus à l’équation (8). La variable retardée, la variable liée à la capitalisation, la variable liée à la capacité de la banque à gérer sa liquidité sont significatives au seuil de 1% et la capacité de la banque à provisionner les créances douteuses est significative au seuil de 5%. On retrouve les mêmes résultats à l’estimation de l’équation (10) dans laquelle on ajoute les variables macroéconomiques à l’équation (9). Il ressort donc de ces deux équations que la prise en compte simultanée des variables individuelles et des variables macroéconomiques a eu un effet stabilisateur

pour la capitalisation. Certes, le coefficient de la variable représentant le niveau de capitalisation baisse légèrement (passant de 1,085 à 1,059), mais cette baisse est compensée par l’amélioration de l’influence positive de la gestion de la liquidité et de la gouvernance sur la solidité bancaire. Ainsi, on peut dire que les variables de contrôle, permettent, non seulement de stabiliser la contribution du niveau de capitalisation, mais améliore également la solidité bancaire dans les pays de la CEMAC.

ConclusionL’objectif de cette étude est d’évaluer l’apport des autres variables à la relation niveau de capitalisation et solidité des banques en distinguant les indicateurs internes à la banque des indicateurs macroéconomiques. Certains de ces deux types d’indicateurs exercent des effets différents sur la solidité des banques de la CEMAC. Les différentes estimations nous amènent à faire trois principales remarques.

Premièrement, nous remarquons que la solidité des banques est dynamique et dans toutes les estimations il existe une relation positive et significative entre le ratio du capital et le Z-score. Pour ce faire, il s’avère nécessaire pour les institutions de régulation sous régionales des banques comme la COBAC d’élever le niveau du ratio du capital minimum, afin d’améliorer la solidité des banques de la sous-région. Pour ce qui est des banques, elles doivent chercher à avoir un niveau élevé du total de crédits sur le total de dépôts.

Deuxièmement, lorsqu’on prend individuellement les différents indicateurs, on ne constate aucun effet significatif dans la relation, qu’il s’agisse de l’indicateur de la rentabilité ou des indicateurs macroéconomiques. De plus, la relation préétablie entre le ratio des fonds propres et le Z-score est restée presque instable (relation significative au seuil de 1% avec des coefficients maintenus autour de 1,085 pour le ratio fonds propres sur total des crédits bruts). Ceci nous amène à conclure que l’application d’une politique prudentielle qui prend en considération individuellement certains éléments n’améliore pas nécessairement la solidité des banques. S’agissant des effets des variables macroéconomiques, il ressort de nos estimations que le taux de croissance du PIB et le taux d’inflation n’ont aucun effet sur la solidité des banques dans la CEMAC. Ceci peut s’expliquer par la frilosité des banques de cette sous-région. Le manque de diversification au niveau des sources de rendement des banques de la sous-région, engendre une domination des commissions sur une large partie des profits réalisés. Cette situation de dépendance des banques à l’égard des activités d’intermédiation de base peut être due à la faiblesse des activités des marchés financiers. En effet, en période de croissance, l’amélioration des revenus des agents économiques augmente leur capacité à honorer leurs engagements et les banques choisissent les actifs les moins

182Proceedings of the Fifth Congress of African EconomistsLes Actes du Cinquième Congrès des Economistes Africains

Volume 3

risqués. Il est donc important de résoudre le problème d’asymétrie d’information afin de stimuler les activités de crédit et des marchés financiers.

Troisièmement, nous remarquons qu’il y a une amélioration de la solidité bancaire lorsque tous les indicateurs du type CAMEL sont pris en compte simultanément. On aboutit au même résultat lorsqu’on ajoute à ces indicateurs, les indicateurs macroéconomiques. Cette amélioration de la solidité des banques proviendrait d’une gouvernance prudente, qui se manifeste à travers le provisionnement des créances. Dans nos estimations 9 et 10, on constate que la variable PROETCR est significative au seuil de 5% avec des coefficients positifs. Il ressort donc de ces estimations que la gouvernance bancaire contribue à la solidité de la banque, à condition que tous les indicateurs internes soient pris en considération.

Les résultats de notre étude mettent en évidence l’importance de la prise en considération de tous les contours de la banque pour l’amélioration de la solidité bancaire tout en stabilisant la contribution du niveau de capitalisation. Les résultats des estimations des équations imbriquées qui font apparaître l’importance des provisions existantes sur le total de crédits bruts vont dans le sens de la mise en œuvre d’une régulation contra-cyclique de la capitalisation bancaire dans la CEMAC. Les résultats de nos analyses confirment la nécessité d’une mise œuvre contextualisée de la réglementation prudentielle définie par les accords de Bâle III.

African Union CommissionP.O.Box: 3243 Addis Ababa, Ethiopia

E.mail: [email protected]: http://www.au.int

Growth, Employment and Inequalities in Africa Croissance ... · AMEYIB Communication and Markeeting...

Documents

Transcript of Growth, Employment and Inequalities in Africa Croissance ... · AMEYIB Communication and Markeeting...