Modélisation empirique des interactions spatiales dans le processus de la complexification des systèmes productif

Evaluation des déterminants de la complexité économique

Spécification du modèle et choix des variables

Notre étude vise à faire la lumière sur les principaux déterminants de la complexité économique. Le modèle empirique que nous retenons se présente sous la forme suivante : 𝑙𝑛 𝐼𝐶𝐸𝑖𝑡 = 𝛼0 + 𝛽𝑙𝑛 𝐼𝐶𝐸𝑖𝑡−1 + ∑ 𝛾𝑙𝑛𝑋𝑖𝑡 + 𝜇𝑖 + 𝛿𝑡 + 𝜀𝑖𝑡 (1) Chapitre 2 : Modélisation empirique des interactions spatiales dans le processus de la complexification des systèmes productifs 80 La variable expliquée ICEit correspond à l’indice de complexité économique ICEit. d’un pays i à l’instant t. Le choix de cette variable a été validé par de récents travaux portant sur les perspectives de développements futures des économies et elle y paraît pouvoir être pertinente ici pour caractériser les structures productives d’une économie (Hidalgo et al., 2007 ; Hausmann et Al., 2009; Poncet et al., 2013, 2015).

Concernant les variables explicatives, le vecteur Xit inclut des variables macroéconomiques (Pib/tete, IVE), institutionnelles (Corrupt), structurelles (Innov, KH, IPL, RN) et démographique (Urban). Des variables dummies sont également introduites comme variable proxy de l’ouverture commerciale (Gafta) et de l’effet du Printemps Arabe (PA). 𝜇𝑖 sont les éventuels effets fixes, δt les effets temporels et 𝜀𝑖𝑡 l’erreur de spécification. Nous considérons comme variable macroéconomique le Pib/teteit qui est habituellement retenu dans la plupart des travaux s’intéressant à la structure productive et à la croissance des économies.

Cette variable traduit le développement économique. Une question peut cependant être posée sur la pertinence de cette variable. En effet, la matrice de corrélation (Annexe 3a ) indique une corrélation sensible (R = 0,63) entre ICE et le PIB/tête en prenant en compte l’ensemble des 133 pays sur la période 1984-2014. Le graphique donné en Annexe 3a montre que si les deux variables ICE et PIB/tête présentent des valeurs moyennes croissantes en allant des pays à faible revenu vers les pays à revenu intermédiaire puis vers les pays à revenu élevé, une corrélation significative n’apparaît entre elles que dans le groupe des pays développés. Il y a peu de corrélation au sein du groupe de pays MENA (R = 0,21) et aucune dans le groupe des pays à revenu faible (R = 0,05). Cela justifie, malgré la corrélation apparemment importante, le choix de cette variable comme variable explicative du modèle. 

La variable IVE it, indice de vulnérabilité économique et structurelle, est défini comme étant le risque pour une économie d’être entravée par des chocs exogènes et imprévus qui peuvent être sous forme naturelle (par exemple les sécheresses) ou encore commerciale (par exemple, la baisse en termes de l’échange). Elle est le produit de trois éléments : l’ampleur des « chocs »,  l’exposition des économies à ces chocs et la faible capacité à y faire face.

Cette nouvelle variable a récemment fait l’objet d’un regain d’intérêt pour diverses raisons relatives à la façon dont elle affecte le développement des économies La vulnérabilité économique et structurelle réduirait la croissance économique (Guillaumont et al., 2005) et, à travers celle-ci, pourrait exercer des effets délétères sur les capacités productives des économies. Par ailleurs, nous introduisons une variable institutionnelle telle que le niveau de corruption Corrupt it (signe négatif attendu) dont le rôle a été montré dans la littérature économique en matière d’amélioration du développement économique.

Concernant les variables structurelles, Innovit et KH it (signe positif attendu), celles-ci jouent un rôle crucial dans l’élaboration des dotations factorielles et dans le déplacement des avantages comparatifs latent vers une productivité et industries à forte intensité de qualification. En effet, le niveau d’éducation a une forte incidence sur la technologie (Keller, 1996). La formation du capital humain notamment avec l’accès à l’enseignement supérieur (ingénierie) est une stratégie efficace pour faciliter le changement structurel et la modernisation productive. (Lee, 1994). L’indice de performance logistique IPLit (signe négatif attendu) qui reflète les perceptions relatives à la logistique d’un pays basées sur l’efficacité des processus de dédouanement, la qualité des infrastructures commerciales et des infrastructures de transports connexes, la qualité des services d’infrastructure. Cet indice peut jouer un rôle central dans la connectivité de l’économie (Korinek et Sourdin, 2011) et peut exercer une réelle incidence sur les capacités productives à travers le transport et les coûts logistiques.

Faits stylisés : Autocorrélation spatiale ?

L’existence d’une autocorrélation spatiale dans le processus de transformation structurelle repose sur une analyse exploratoire des disparités des 133 pays du monde à travers la méthode de l’analyse des données spatiales (Exploratory Spatial Data Analysis). Cette technique permet de visualiser les distributions spatiales et d’identifier les localisations atypiques (Anselin, 1996; Le Gallo, 2002). La modélisation des interactions spatiales nécessite de définir une matrice de poids spatiale tenant compte de la proximité des régions. Différents types de matrices de poids spatiale peuvent être considérés soit en fixant une distance seuil au-delà de laquelle toute interaction disparaît soit en fixant à priori pour un pays un nombre k de pays voisins (l’interaction avec les localisations plus éloignées étant supposée nulle).

Concernant la matrice relative à la distance sphérique entre les centroïdes des régions, son calcul repose sur les coordonnées de chaque point ou localisation. Les différents points (centroïdes des pays) sont déterminés à partir de la latitude et longitude associées à chaque pays du monde.