Communauté Economique et Monétaire d’Afrique Centrale

(CEMAC)

Institut Sous-régional de Statistique et d’Economie Appliquée

(ISSEA)
Organisme internationale
BP: 294 Yaoundé Cameroun
Tél: (237) 22 22 01 04 Email: isseacemac@yahoo.fr

Rapport du projet d’économétrie

des données de panel

Internet et climat des affaires

Groupe 5
Rédigé par :
❖ DEFFO Christophe

❖ KWEBITEU Valery

Dimitri
Elève ingénieur statisticien économiste 3 -ème année
Sous la supervision de :
M. CHASSEM T. Nacisse

Enseignant à l’ISSEA
 Introduction

Dans le cadre du cours de l’économétrie des données de panel en ISE 3, un projet est donné
aux étudiants dans le but de confronter les connaissances théoriques reçues pendant les sessions
de cours à des problématiques réelles issues d’environnements économiques réels (pays). C’est
dans cette optique que le présent travail qui porte sur le thème Internet et le Climat des affaires
vise à ressortir l’influence des variables qui caractérisent le climat des affaires sur l’internet que
nous décrirons ici par le pourcentage d’individus ayant accès à la connexion internet. Il s’agit
donc pour nous de répondre à la problématique suivante : quels effets exercent les variables
qui décrivent le climat des affaires dans la pénétration de l’internet dans les pays africains
présents dans notre base ?

Pour répondre à cette problématique, nous ferons par la suite une présentation de la base de
données qui constitue le fondement de ce travail, ensuite une analyse descriptive des variables
qui entrent dans le modèle qui sera mis en œuvre et enfin nous procèderons à la spécification et
l’estimation du modèle de Panel en question sur l’ensemble des pays dès que nous avons choisi.

@DEFFO & KWEBITEU, ISE3 1

 PRESENTATION DES DONNEES

1. Source des données

Les données de cette étude proviennent de la base de WEF (World Economic Forum). Elle
contenait préalablement les valeurs des variables pour un ensemble des pays de l’Afrique, de
l’OCDE, et même de l’Asie ; mais dans notre contexte, nous avons décidé de travailler avec les
pays de l’Afrique uniquement.

Par ailleurs pour des raisons d’absence criarde de données pour certains pays de l’Afrique,
nous les avons retirés de notre base. La période d’étude de ce travail couvre les années 2007 à
2017 et le tableau suivant présente les pays d’Afrique qui entrent dans la base de notre travail.

Tableau 1 : liste des pays d'Afrique effectifs dans la base

NOMS DES PAYS AFRICAINS RETENUS

Burundi Ghana
Mozambique
Benin Gambia
Mauritania
Botswana Kenya Malawi

Cote d'Ivoire Lesotho

Namibia
Cameroon Morocco Nigeria

Algeria Madagascar Senegal

Ethiopia Mali Chad
Tunisia Zambia South Africa
Uganda Zimbabwe

@DEFFO & KWEBITEU, ISE3 2

 Source : les auteurs

2. Traitement des données manquantes

Le traitement des valeurs manquantes pour les pays a été fait comme suit :

➢ Pour un pays qui manquait de valeur par rapport à une variable sur une année précise,
et que sur les deux années (suivante et précédente) la variable a été renseignée, nous
avons complété la valeur manquante par la moyenne des valeurs des deux années
extrêmes ;
➢ Et enfin pour un pays qui manquait de valeur par rapport à une année extrême comme
2007 (2017 respectivement), nous avons complété par la dernière valeur récente c’est-
à-dire celle de 2008 (respectivement 2017).

3. Description des variables de l’étude

Le tableau qui suit présente les variables utilisées dans ce travail ainsi que leurs descriptions.

Noms des variables Libellés Description

Utilisation de l’internet 𝑳𝑼𝑰𝑵𝑻𝑬𝑹𝑵𝑬𝑻 Il s’agit ici de notre variable

d’intérêt, elle correspond au
pourcentage d’individus qui
ont accès et utilisent la
connexion internet
Institutions 𝑰𝑵𝑺𝑻𝑰𝑻𝑼 Absence de métadonnées

Effectivité de la technologie 𝑬𝑭𝑭𝑻𝑬𝑪𝑯𝑵 Absence de métadonnées

Développement du marché 𝑫𝑬𝑽𝑴𝑨𝑹𝑪𝑯𝑭 Il s’agit ici de l’indice

financier développé par le WEF qui
mesure le l’amélioration du
marché financier dans un
pays.
Indépendance juridique 𝑰𝑵𝑫𝑱𝑼𝑹𝑫

@DEFFO & KWEBITEU, ISE3 3

 Statistiques descriptives des variables
du modèle de panel

1. Evolution du pourcentage des individus utilisant l’internet

Graphique 1 : Pourcentage d'individus ayant accès à internet en Afrique de 2007-2017

Individuals using Internet %

70

60

50

40

30

20

10

0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Burundi Benin Botswana Cote d'Ivoire Cameroon

Algeria Ethiopia Ghana Gambia, The Kenya
Lesotho Morocco Madagascar Mali Mozambique
Mauritania Malawi Namibia Nigeria Senegal
Chad Tunisia Uganda South Africa Zambia
Zimbabwe

Source : les auteurs

Ce graphique présente l’évolution en pourcentage des individus ayant accès à l’internet

dans les pays d’Afrique représentés dans notre base de données de 2007 à 2017 : c’est notre
variable d’intérêt dans ce travail. Sur la période d’étude, le graphique permet de constater que

@DEFFO & KWEBITEU, ISE3 4

 jusqu’en 2010, la pénétration de l’internet est encore très faible pour tous les pays africains car
un peu moins de 40% des individus y accèdent. Par ailleurs, on remarque une inégalité dans
l’évolution car une bonne partie des pays comme le Bénin, le Botswana, l’Algérie, la Cote
d’Ivoire, le Cameroun pour ne citer que ceux-ci, au bout de 2015 peinent à décoller avec
l’internet avec une pénétration inférieure à 20%. Tandis que pourtant certains pays comme le
Maroc, la Tunisie et l’Afrique du Sud poursuivent une bonne ascension à plus de 50%
d’individus utilisant internet juste après 2015.

2. Evolution des infrastructures entre les pays

Graphique 2 : Evolution des infrastructures dans les pays africains entre 2007-2017

Institutions
6

0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Burundi Benin Botswana Cote d'Ivoire Cameroon

Algeria Ethiopia Ghana Gambia, The Kenya
Lesotho Morocco Madagascar Mali Mozambique
Mauritania Malawi Namibia Nigeria Senegal
Chad Tunisia Uganda South Africa Zambia
Zimbabwe

Source : les auteurs

La qualité des institutions dans les pays africains depuis 2007 à 2017 est selon nos
données en décroissance globale. La totalité des pays de notre base se situe entre 2 et un peu
moins de 4 dès 2010. Au-delà de cette tendance globale, certains pays se distinguent par leurs

@DEFFO & KWEBITEU, ISE3 5

 efforts de maintenir une qualité élevée de leurs institutions : il s’agit des pays comme la Cote
d’Ivoire (2.8 à 4 en 2015) et le Botswana qui maintient une tendance stable au-dessus de 4.1

3. Evolution de l’effectivité de la présence de la technologie

Graphique 3 : Evolution de l'effectivité de la technologique entre les pays africains de 2007-

2017

Effectivité de la technologie
5

4,5

3,5

2,5

1,5

0,5

0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Burundi Benin Botswana Cote d'Ivoire Cameroon

Algeria Ethiopia Ghana Gambia, The Kenya
Lesotho Morocco Madagascar Mali Mozambique
Mauritania Malawi Namibia Nigeria Senegal
Chad Tunisia Uganda South Africa Zambia
Zimbabwe

Source : les auteurs

La technologie est un outil qui favorise un bon climat des affaires dans un pays. Pour ce faire,
le graphique ci-dessus montre une grande partie des pays africains condensée entre 2 et 4. Un
pays par contre se distingue avec une évolution à la hausse allant au-delà de 4.5 dès 2015 : il
s’agit de l4frique du Sud. Tandis que des efforts considérables doivent être encore consentis
dans des pays comme le Tchad (moins de 2 dès 2015) et le Burundi (un peu plus de 2 après
2015).

4. Evolution du marché financier en Afrique

@DEFFO & KWEBITEU, ISE3 6

 Graphique 4 : Evolution de l'indice de développement du marché financier des pays africains
entre 2007-2017

Développement du marché financier

7

0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Burundi Benin Botswana Cote d'Ivoire
Cameroon Algeria Ethiopia Ghana
Gambia, The Kenya Lesotho Morocco
Madagascar Mali Mozambique Mauritania
Malawi Namibia Nigeria Senegal
Chad Tunisia Uganda South Africa
Zambia Zimbabwe

Source : les auteurs

Afin d’avoir un climat des affaires favorable, le marché financier est un instrument
majeur qui doit se développer. Sur la période 2007-2010 la tendance de l’indice de
développement du marché financier est globalement à la baisse pour l’ensemble des pays
représentés ici ; on constate aussi une forte condensation des pays dans la plage 3 et 5, ce qui
témoigne d’une forte ressemblance entre les pays africains dans le développement du marché
financier. Toutefois, certains pays comme l’Afrique du Sud et le Kenya maintiennent une
tendance élevée (plus de 4.5) sur toute la période. Par contre des pays comme le Lesotho, la
Mozambique et le Tchad ont encore des efforts à fournir dans ce domaine car ils présentent des
valeurs de l’indice inférieures à 3. Le Cameroun quant à lui est confondu dans la moyenne entre
3 et 4.

@DEFFO & KWEBITEU, ISE3 7

 5. Indépendance juridique

Graphique 5 : Evolution de l’indépendance juridique entre les pays africains entre 2007-2017

Indépendance juridique
7

0
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Burundi Benin Botswana Cote d'Ivoire Cameroon

Algeria Ethiopia Ghana Gambia, The Kenya
Lesotho Morocco Madagascar Mali Mozambique
Mauritania Malawi Namibia Nigeria Senegal
Chad Tunisia Uganda South Africa Zambia
Zimbabwe

Source : les auteurs

L’indépendance juridique est un facteur institutionnel indispensable à un climat des

affaires favorable. Le graphique permet de constater une forte disparité entre les pays africains
ce qui signifie une grande différence entre ces pays sur le plan de l’indépendance juridique. En
effet des pays comme l’Afrique du Sud, le Ghana et le Botswana jouissent d’une indépendance
juridique solide tandis qu’un travail de fond doit encore se faire en vue de rendre indépendant
l’instrument juridique dans les pays comme le Cameroun, le Tchad et le Burundi.

@DEFFO & KWEBITEU, ISE3 8

 TESTS DES SPECIFICATION DU MODELE
DYNAMIQUE

Il s’agit dans cette partie de faire des tests de spécification d’un panel dynamique. L’hypothèse
alternative du test de spécification de Fisher n’étant envisageable que si la période d’étude est
supérieure à 30, nous ne ferons pas ce test dans le cadre de ce travail. Ainsi nous supposons
donc que nos variables explicatives affectent de la même façon la variable expliquée.

L’écriture du modèle statique sur données de panel dans le cadre de notre travail est la suivante :

𝑳𝑼𝑰𝑵𝑻𝑬𝑹𝑵𝑬𝑻𝒊𝒕 = 𝜷𝟎 + 𝜷𝟏 𝑰𝑵𝑺𝑻𝑰𝑻𝑼𝒊𝒕 + 𝜷𝟐 𝑬𝑭𝑭𝑻𝑬𝑪𝑯𝑵𝒊𝒕 + 𝜷𝟑 𝑫𝑬𝑽𝑴𝑨𝑹𝑪𝑯𝑭𝒊𝒕 +

𝜷𝟒 𝑰𝑵𝑫𝑱𝑼𝑹𝑫𝒊𝒕 + 𝝁𝒊 + 𝜺𝒊𝒕 , ou 𝝁𝒊 est l’hétérogénéité individuel inobservé et 𝜺𝒊𝒕 le terme
d’erreur.

1. Test de Haussmann de spécification du modèle

Ce test nous permet de choisir entre le modèle à effet fixe et le modèle à effet variable.

Le tableau ci-dessous présente les résultats de ce test.

Tableau 1 : Résultats du de Haussmann

Source : Travaux des auteurs sous STATA 15 à partir de la base de données.

@DEFFO & KWEBITEU, ISE3 9

 La P-value du test vaut 0.0095 qui est strictement inférieure à 0.05. Donc on rejette au seuil de
5% l’hypothèse nulle selon laquelle le modèle est à effet aléatoire. D’où la spécification d’un
modèle a effet fixe est la plus appropriée pour ce travail.

2. Test de Fisher de vérification de la présence de l’effet pays dans les

données

Nous avons vu avec le test de Haussmann que le modèle le plus approprier est le modèle à effet
fixe. Ainsi pour faire ce test de Fisher, nous allons estimer le modèle à effet fixe car ce dernier
nous les résultats du test de Fisher.

Tableau 2 : Résultats de l’estimation du modèle à effet fixe

Source : Travaux des auteurs sous STATA 15 à partir de la base de données.

La P-value du test de Fisher vaut 0.0000 qui est strictement inférieure à 0.05. Donc on rejette
au seuil de 5% l’hypothèse nulle selon laquelle l’effet fixe est le même pour tous les pays. D’où
il existe des effets individuels propres à chaque pays retenu pour l’étude dans la base de
données.

@DEFFO & KWEBITEU, ISE3 10

 3. Test la présence d’hétéroscédasticité

Lorsqu’il y a hétéroscédasticité, option robust de STATA permet de la corrigée. Lorsque les

écarts types des coefficients obtenus en utilisant l’option robuste diffèrent de ceux obtenus sans
l’option robuste, cela signifie qu’il y a présence d’hétéroscédasticité. Le tableau 3 ci-dessous
donne les résultats de l’estimation de notre modèle à effet en utilisant l’option robuste.

Tableau 3 : Résultats de l’estimation du modèle à effet fixe

Source : Travaux des auteurs sous STATA 15 à partir de la base de données.

Nous constatons au regard de ce tableau que, les coefficients des variables sont les mêmes mais
nous remarquons que les écarts types des coefficients différents de celles obtenus avec le
modèle estimé sans l’option robust. Ceci signifie donc qu’il y a hétéroscédasticité.

4. Test d’autocorrélation

Il s’agit ici de vérifier l’hypothèse d’absence d’autocorrélation des résidus. Nous utilisons pour
ce faire le test d’autocorrélation de Wooldrigde qui a été programmé sous le nom de xtsérial
dans le logiciel STATA. Le tableau 5 ci-dessous donne les résultats de ce test.

@DEFFO & KWEBITEU, ISE3 11

 Tableau 4 : Résultats de l’estimation du modèle à effet fixe

Source : Travaux des auteurs sous STATA 15 à partir de la base de données.

La P-value du test vaut 0.0000 qui est strictement inférieure à 0.05 ; donc on rejette au seuil de
5% l’hypothèse nulle selon laquelle il y a absence d’autocorrélation des résidus. Donc les
résidus du modèle à effet fixe sont auto corrélée.

Le test Haussmann nous a permis de retenir le modèle à effet fixe ; cependant nous avons vue
qu’il y a présence d’homoscédasticité dans les résidus et que les résidus sont auto corrélée. Il
apparait donc que, la spécification d’un modèle statique de panel a effet fixe n’est pas valide.
Ceci nous amène donc à faire une spécification un modèle en panel dynamique.

@DEFFO & KWEBITEU, ISE3 12

 Estimation d’un modèle de panel
dynamique

Un modèle en panel est dit dynamique lorsqu’un ou plusieurs retards de la variable

dépendante figurent comme variables explicatives. Ces modèles apportent des solutions aux
problèmes de biais de simultanéité, de causalité inverse et de variables omises très courant dans
les modélisations macroéconomiques. Il existe plusieurs méthodes d’estimation en panel
dynamique parmi lesquelles les méthodes GMM permettent d’obtenir des estimations sans
biais. Ces méthodes GMM regroupent deux types d’estimateurs en panel : l'estimateur GMM
en différences premières et l'estimateur GMM en système. Pour cette étude, nous utilisons
l’estimateur GMM en système. Cette méthode combine les équations en différences premières
avec les équations en niveau et nécessite la connaissance des variables instrumentales.

1. Choix des variables instrumentales

Il s’agit ici de choisir les variables qui serons utilisés comme instruments dans la
modélisation.
1.1. Matrice de corrélation
Le tableau 5 ci-dessous donne les coefficients de corrélation entre nos variables
Tableau 5 : matrice de corrélation

Source : Travaux des auteurs sous STATA 15 à partir de la base de données.

@DEFFO & KWEBITEU, ISE3 13

 Il se dégrade de ce tableau que les variables les variables développement du marché financier
(DEVMARCHF), Effectivité technologique (EFFTECHN) et Institution (INSTITU) sont
positivement corrélées à notre variable d’intérêt. Par ailleurs les variables Institution
(INSTITU) et Indépendance Juridique (INDJURD) et Effectivité technologique
(EFFTECHN) sont positivement corrélées à la variable développement du marché financier
(DEVMARCHF) et variables Institution (INSTITU), Indépendance Juridique (INDJURD)
positivement corrélées à la variable Effectivité technologique (EFFTECHN). On peut donc
utiliser les variables Institution (INSTITU), Indépendance Juridique (INDJURD) comme
instruments pour la variable développement du marché financier (DEVMARCHF) car se dis
que l’indépendance juridique et le les institutions d’un pays ont un effet sur le développement
de la marche financier dans ce pays.

1.1. Test de stationnarité

Il s’agit ici d’étudier la stationnarité de la variable pourcentage des personnes utilisant internet
(LUINTERNET). Afin de réduire les effets d’échelle nous avons transformé la variable en
utilisant le logarithme. Ainsi nous étudions donc ici la stationnarité de la variable transformée
en log. Le tableau ci-dessous donne les résultats des tests de stationnarité.

Tableau 6 : résultats des tests de stationnarité

Source : Travaux des auteurs sous STATA 15 à partir de la base de données.

Nous remarquons au regard de ces deux tableau que la série LUINTERNET n’est pas
stationnaire mais que la série d.LUINTERNET est stationnaire. Donc la série LUINTERNET
est stationnaire en différence première.

@DEFFO & KWEBITEU, ISE3 14

 2. Spécification du modèle en panel dynamique

La spécification empirique de notre modèle est la suivante :

𝐋𝐔𝐈𝐍𝐓𝐄𝐑𝐍𝐄𝐓𝐢𝐭 = 𝛃𝟎 𝐋𝐔𝐈𝐍𝐓𝐄𝐑𝐍𝐄𝐓𝐢 𝐭−𝟏 + 𝛃𝟏 𝐈𝐍𝐒𝐓𝐈𝐓𝐔𝐢𝐭 + 𝛃𝟐 𝐄𝐅𝐅𝐓𝐄𝐂𝐇𝐍𝐢𝐭 +
𝛃𝟑 𝐃𝐄𝐕𝐌𝐀𝐑𝐂𝐇𝐅𝐢𝐭 + 𝛃𝟒 𝐈𝐍𝐃𝐉𝐔𝐑𝐃𝐢𝐭 + 𝛍𝐢 + 𝛆𝐢𝐭
Ou 𝝁𝒊 est l’hétérogénéité individuel inobservé et 𝜺𝒊𝒕 le terme d’erreur.

3. Résultats de l’estimation du modèle dynamique

Le tableau ci-dessous présente les résultats de l’estimation de notre modèle de panel dynamique
par la méthode GMM système.
Tableau 7 : résultats de l’estimation du modèle dynamique

Source : Travaux des auteurs sous STATA 15 à partir de la base de données.

@DEFFO & KWEBITEU, ISE3 15

 Le modèle est globalement significatif au seuil de 5% car prob > F = 0,000. Par ailleurs, le test
d’autocorrélation d’Arellano Bond permet de ne pas rejeter l’hypothèse nulle d’absence d’un
effet AR (1) car la P-value vaut 0.001. Il n’y a donc pas de corrélation d’ordre 1 des résidus.
Déplus, Les tests de validité des instruments de Sargan et Hansen sont tous non significatifs au
seuil de 5%. Ils ne permettent donc pas de rejeter l’hypothèse de validité des variables retardés
en niveau et en différence comme instruments. Le retard d’ordre un du pourcentage d’individu
utilisant l’internet explique l’évolution de celui-ci.

4. Interprétations des résultats du panel dynamique

Nous constatons que les variables effectivité technologique et qualité des institutions sont
significatifs à 10% tandis le retard de la variable d’intérêt est significatif à 5%. La variable
effectivité technologique est négativement liée au logarithme du pourcentage d’individus
utilisant internet et la variable institutions est positivement liée au logarithme du pourcentage
d’individus utilisant internet. Ainsi effectivité technologique a un effet négatif sur le taux de
croissance des individus utilisant internet et la variable institutions à un effet positif.

@DEFFO & KWEBITEU, ISE3 16

 Conclusion

Le présent travail visait à analyser les effets qu’exercent les variables qui décrivent le climat
des affaires dans la pénétration de l’internet dans les pays africains. Pour mener à bien cet
objectif, il a été utilisé les données du World Economic Forum portant sur 26 pays africains sur
une période allant de 2007 à 2017. Les différents tests de spécifications, nous ont amené à
retenir un modèle à effet fixe prenant en compte les effets pays. La vérification des tests
d’Arrelano et Bond, de Sargan et de Hansen nous ont permis de retenir les estimations du
modèle dynamique. Pour un seuil de significativité de 10% les variables institutions et
effectivité technologique se sont montre significative dans notre modèle dynamique. Il découle
donc de l’analyse des résultats que, l’effectivité technologique a un effet négatif sur le taux de
croissance des individus utilisant internet et la variable institutions à un effet positif.

@DEFFO & KWEBITEU, ISE3 17

 Bibliographie

❖ Note de cours économétrie des données de panel, année 2021-2022 ;

❖ Goaied, M. et Sassi, S. (2012). « Econométrie Des Données De Panel Sous Stata ». 1ére
édition ;

@DEFFO & KWEBITEU, ISE3 18