LES CAHIERS DE L’INTEGRATIONetudes.uemoa.int/upload/cahier_integration-numero2_2019...Treynor et...

1

UNION ÉCONOMIQUE ET MONÉTAIRE

OUEST AFRICAINE

LES CAHIERS DE L’INTEGRATIONN°002 - Edition 2019

BÉNINBURKINA FASOCÔTE D'IVOIREGUINÉE BISSAUMALINIGERSÉNÉGALTOGO

LES CAHIERS DE L’INTEGRATION

3N°002 — Edition 2019

Modou DIENG

Analyse de la performance des fonds mutuels de la BRVM

Mamane Bello G. HIMA ; Ega A. AGBODJI & Ahmadou A. MBAYE

Analyse economique de la rareté des ressources induite par leschangements climatiques et conflits au Niger

J.A. Nicaise AMAN ; Janet O. Adelegan ; Ibrahima T. Diop

Facteurs déterminants la participation des pays et les bénéfices dela finance climatique en Afrique de l’Ouest

BEKE Tite Ehuitché

Effet des infrastructures économiques sur la performanceindustrielle des pays de la CEDEAO


Ligne éditoriale

Les Cahiers de l’intégration sont une série de documents de travail éditée par laCommission de l’UEMOA sur la base des meilleurs articles triés lors des séminairesde recherche du «Réseau Think Tank UEMOA (RTT-UEMOA) ». Les articlesprésentés dans la série sont des recherches en cours. Les opinions exprimées nereprésentent pas les points de vue de la Commission de l’UEMOA. Elles n’engagentque leurs auteurs. Les cahiers de l’intégration cherchent à donner plus de visibilitéaux travaux des chercheurs du RTT-UEMOA sur les thématiques d’intérêtcommunautaire comme la sécurité alimentaire, l’emploi des jeunes, les infrastructureséconomiques, le développement local, l’intégration et la croissance, etc.

4 N°002 — Edition 2019

Directeur de publication

Aly D. COULIBALY - [email protected] de la Stratégie et

de l’Evaluation (DSE)Commission de l’UEMOA

Editing

Oulimata LY / FAYE (DSE) - [email protected] DIARRA (DSE) - [email protected]

Adresse

Les Cahiers de l’intégrationDirection de la Stratégie et de l’Evaluation (DSE)

Commission de l’Union Economique et Monétaire Ouest Africaine (UEMOA)380 avenue du Professeur Joseph KI-ZERBO

Boîte postale 01 BP543 OUAGA - Ouagadougou - Burkina FASOE-mail : [email protected]

© UEMOA, 2019

Tous droits réservés pour tout pays.Il est interdit, sauf accord préalable et écrit de l’éditeur, de reproduire, parn’importe quel procédé, partiellement ou totalement, le présent ouvrage.

5N°002 — Edition 2019

Echanges agricoles intra zone et sécurité alimentaire dans l’espaceUEMOA : une analyse par le modèle de gravité LES CAHIERS DE L’INTEGRATION


6 N°002 — Edition 2019

Modou DIENG

DOcUMEnt DE tRAVAIL 1


Mamane Bello G. HIMA ; Ega A. AGBODJI & Ahmadou A. MBAYE


Analyse economique de la rareté des ressources induite par leschangements climatiques et conflits au Niger

J.A. Nicaise AMAN ; Janet O. Adelegan ; Ibrahima T. Diop


Facteurs déterminants la participation des pays et les bénéfices dela finance climatique en Afrique de l’Ouest

BEKE Tite Ehuitché


Effet des infrastructures économiques sur la performance industrielledes pays de la CEDEAO

SOMMAIRE

Page 7

Page 33

Page 59

Page 91


7N°002 — Edition 2019

DOcUMEnt 1

Analyse de la performance des fondsmutuels de la BRVM

Modou DIEnG

Enseignant-Chercheur UFR ECOMIJ

Equipe de Recherche en Innovation Managériale (ERIM)

Université Alioune DIOP de Bambey (Sénégal)

[email protected]

* Bourse Régionale des Valeurs Mobilières qui regroupe les huit pays de l’Union Économique et Monétaire Ouest Africain (UEMOA).


ABStRAct

IntRODUctIOn

MESURES thEORIqUES Et tESt EMpIRIqUES SURLA pERfORMAncE DES fOnDS MUtUELS

AnALySE DE LA SItUAtIOn DU MARché DES fcp DE LA BRVM

DOnnEES Et RESULtAtS

cOncLUSIOn

BIBLIOGRAphIE

8 N°002 — Edition 2019

1 PLAN DE L’ARTICLE



9N°002 — Edition 2019

Résumé

Cet article étudie la performance des fonds mutuels à la BRVM à travers trois indicateursde performance ajustée au risque : le ratio de Sharpe modifié, le ratio d’information et leratio de Treynor-Mazuy. L’étude a été effectuée sur un échantillon de 13 fonds communsde placement (FCP) faisant partie des catégories obligations, actions et diversifiés et portesur la période allant du 02 septembre 2013 au 16 décembre 2016.

Nos résultats sont moins tranchés que ceux obtenus dans la littérature : les fonds mutuelsde la BRVM sont en moyenne plus performants que l’indice de référence. En plus lesgestionnaires de fonds mutuels à la BRVM possèdent de réelles capacités en termes desélectivité et d’anticipation du marché. De tels résultats justifient l’intérêt d’investir dans cestypes de placement financiers.

Le classement par catégorie indique que les Fonds mutuels les plus performants sont lesFCP actions suivis des FCP diversifiés et les FCP obligations sont les moins performants.

Cependant la faiblesse de l’échantillon (13 sur 57 FCP que compte le marché), relativise laportée générale de ce travail.

Mots clés : Fonds Communs de Placement, Bourse Régionales des Valeurs Mobilières,Performance Ajustée au Risque.

classification JEL : G10, G11 et G21

`



Abstract

This article examines the performance of mutual funds at the BRVM through three risk-adjusted performance indicators: the modified Sharpe ratio, the information ratio and theTreynor-Mazuy ratio. The study was conducted on a sample of 13 mutual funds (mutualfunds) in the bond, equity and diversified categories and covers the period from September2, 2013 to December 16, 2016.

Our results are less clear-cut than in the literature: the mutual funds of the BRVM are onaverage more efficient than the benchmark index. In addition, the mutual fund managers atthe BRVM have real capacities in terms of selectivity and market anticipation. Such resultsjustify the interest of investing in these types of financial investments.

The categorization indicates that the best performing mutual funds are equity mutual fundsfollowed by diversified mutual funds and bond mutual funds are the worst performers.

However the weakness of the sample (13 out of 57 FCP that counts the market), relativizesthe general scope of this work.

Keywords: Mutual Funds, Regional Stock Exchange, Risk Adjusted Performance.JEL classification: G10, G11 and G21

10 N°002 — Edition 2019



Introduction

Les années 90 ont marqué un tournant décisif dans l’évolution des systèmes financiersafricain en général et particulièrement ceux de l’Union Économique et Monétaire OuestAfricaine (UEMOA)2 avec le recours aux marchés de capitaux dans le financement deséconomies. En effet, le Conseil des Ministres de l’UEMOA a pris la décision de la créationde la bourse régionale des valeurs mobilière (BRVM) le 17 décembre 1993 bien que cettedernière n’a pu démarrer ses activités que le 12 septembre 1998.

Afin de faciliter l’investissement en action et en obligation et d’impulser une dynamiquede développement plus accru du marché, les autorités de régulation, à travers «l’instruction n° 21/99 du 2 juillet 1999 relative à la classification des organismes deplacement collectif en valeurs mobilières », ont mis en place un cadre réglementairepermettant l’émergence et le développement des fonds mutuels à la BRVM. Ainsi cetteinstruction dans son article 1er précise : La gestion collective des valeurs mobilièress’effectue au sein des «Organismes de Placement Collectif en Valeurs Mobilières»(OPCVM) regroupés en :

– Sociétés d’Investissement à Capital Variable (SICAV3) ;– Fonds Communs de Placement (FCP4) ;– ou toute autre forme d’organisme de placement collectif en valeurs mobilières agréé

par le Conseil Régional.

Dans l’UEMOA, les fonds mutuels sont des portefeuilles de valeurs mobilières détenuescollectivement par des investisseurs institutionnels ou particuliers qui en délèguent lagestion à une société de gestion d’OPCVM (SGO5).

Les études empiriques portant sur la performance des fonds mutuels sont trèsnombreuses dans le monde (Ippolito (1989), Grinblatt et Titman (1994), Brown etGoetzmann (1995), Malkiel (2007)…), mais depuis la mise en place de cette forme degestion d’actifs à la BRVM, aucune étude scientifique ne s’est réellement penchée sur lesstratégies et décisions d’investissement appliquées par les gestionnaires encore moinssur l’évaluation de la performance de ces derniers. Notre article ambitionne donc decombler ce vide et se propose d’analyser la performance des Fonds Communs dePlacement (FCP) de la BRVM qui constituent l’essentiel de ce marché.

La question centrale qui guide cette recherche est donc : quelle appréciation peut-onavoir sur la performance globale des FCP de la BRVM ?

11N°002 — Edition 2019

2 L’UEMOA regroupe huit pays de l’Afrique de l’Ouest que sont : Bénin, Burkina Faso, Côte d’Ivoire, Guinée Bissau, Mali Niger, Sénégal et Togo.3 Les SICAV sont constituées sous forme de société et émettent des actions.4 Les FCP sont des copropriétés qui ne disposent pas de personnalité juridique et émettent des parts.5 Les SGO sont au nombre de 14 en fin 2016.



D’autres questions spécifiques en découlent :- Comment situer la performance des FCP de la BRVM par rapport à l’indice BRVM

Composite ?

- Quel classement peut-on établir sur les fonds de la BRVM selon leurs niveaux deperformance ajustée au risque ?

Afin de donner des éléments de réponse à cette interrogation, nous formulons unel’hypothèse centrale selon laquelle les fonds mutuels à la BRVM sont en moyenne plusperformants que le marché. Et plus spécifiquement, nous considérons que sur la BRVM :

- Les gérants de fonds mutuels disposent d’informations privilégiées qui leurspermettent de sélectionner les meilleures titres ;

- Les gérants de fonds mutuels anticipent correctement les évolutions du marché.

Notre objectif dans cet article est double :- Porter un jugement sur la performance des fonds mutuels à travers l’évaluation de

la capacité de sélection et de l’anticipation du marché de ses gestionnaires;

- Détecter les meilleurs fonds mutuels à travers un classement selon leur performanceajusté au risque.

Dans cette recherche, nous allons nous intéresser à la performance des FCP de la BRVMen termes absolues (par rapport à l’indice BRVM Composite) mais aussi à la performanceen termes relatives (par rapport aux concurrents). La suite de notre travail sera organiséecomme suit : nous allons dans un premier temps poser les fondements théoriques etempiriques des mesures de performance des fonds mutuels développés dans la littératurefinancière, dans un second temps nous présenterons l’industrie des fonds mutuels à laBRVM et enfin, nous terminerons par l’analyse de leur performance.

I - Mesures Théoriques et test empiriques surla performance des fonds mutuels

L’évaluation de la performance des FCP ne peut se limiter uniquement au rendementobtenu, elle doit mais aussi tenir compte du risque encouru.

1 - Mesures théoriques de la performance des fonds Mutuels

Cette revue va présenter les principaux concepts théoriques et les tests empiriques relatifsà la performance des fonds mutuels.

12 N°002 — Edition 2019



Les premiers indicateurs de mesure ont été élaborés dans les années 60 par Sharpe,Treynor et Jensen. Partant de leurs travaux d’autres extensions ont été proposées. Nousallons présenter ceux retenus dans le cadre de cette étude.

1-1 Ratio de Sharpe

L’indice de Sharpe (1966) part de l’équation de la droite de marché qui d’après la théoriede la séparation, stipule que dans un marché à l’équilibre, tous les portefeuilles détenuspar les investisseurs sont des combinaisons de l’actif sans risque et du portefeuille demarché. Dans cette situation, le rendement espéré d’un portefeuille est égal au taux sansrisque (Rf) augmenté d’une prime de risque rémunérant le risque du portefeuille. Ainsinous aurons :

(1)

RFM : rendement moyen du fonds.

Rf : taux sans risque.

RM : rendement moyen du marché.

: écart-type (volatilité) du marché.

: écart-type (volatilité) du fonds, il représente la pente de l’équation de la droite demarché et exprime le prix unitaire du risque (accroissement du rendement espéré poursupporter une unité de risque).

Pour la prise de décision, les investisseurs s’intéressent à la performance ajustée du fondsen le comparant à celle du marché. On peut déduire de l’équation (1) :

(2)

L’indice de Sharpe (Is) = est l’excès de rentabilité du fonds par rapport aux taux

sans risque rapporté au risque du portefeuille. A l’équilibre, il doit être égal à l’indice

représentatif du marché .

Si , on dira que le fonds est plus performant que le marché.

13N°002 — Edition 2019



Le ratio de Sharpe pose cependant un problème d’application lorsque les primes derisque moyennes sont négatives (rentabilités des fonds inférieures au taux sans risque).Dans ce cas, les valeurs du ratio sont négatives et les comparaisons effectuées à traversle critère du ratio de Sharpe n’ont aucune signification.

1-2 Ratio d’Information

Le ratio d’information (Grinold, 1989) permet d’estimer la performance du fonds parrapport à la performance de l’indice de référence, ajustée au risque de leur écart(RFM -RM). Le ratio d’information est égal à :

(3)

L’erreur de réplication (tracking error) est une mesure relative de la

déviation d’un portefeuille par rapport à son indice de référence. Cette mesure indique le

risque de voir la performance du portefeuille dévier de celle de son indice de référence.

En d’autres termes, plus la tracking error est faible et plus le portefeuille ressemble à sonmarché, tant en termes de risque que de performances. Au contraire, une tracking errorélevée indique des écarts réguliers entre les performances du portefeuille et celles dumarché.

Si IR > 0, on peut conclure que le fonds bat régulièrement son marché de référence.

Plus le ratio d’information est élevé, meilleure est la performance du portefeuille corrigéedu risque, relativement à son marché.

1-4 Ratio de treynor Mazuy

Les tests empiriques de Treynor Mazuy (1966) sur l’équation de Jensen remettent enquestion l'hypothèse de linéarité de la relation entre les rendements d'un portefeuille etceux du marché. Ils ont proposé un modèle quadratique en introduisant un autre terme(le carré de l’excédent de rendement entre le fonds et l’indice de marché et son coefficientgamma) dans l’équation de Jensen :

(4)

: traduit l’habilité du gestionnaire à sélectionner des titres (security selection).

: traduit la capacité du gestionnaire à anticiper les mouvement du marché (markettiming).

14 N°002 — Edition 2019



: représente le rendement résiduel du fonds mutuel au cours de la période t.

Il existe d’autres ratios (Modigliani-Miller, Roy, Sortino, Aftalion-Poncet…) mais nouslimiterons notre exposé à ces trois indicateurs qui sont largement les plus utilisés dans lalittérature et par les professionnels et qui nous servirons à l’analyse de nos résultats.

2 - tests empiriques sur la performance des fonds mutuels

Sharpe (1966) est le premier à tester empiriquement la performance des fonds mutuels,son étude portait sur 34 fonds et couvre la période allant de 1954 à 1963 en comparantle ratio de Sharpe des fonds6 et le ratio de Sharpe du marché7. Il arrive à la conclusionsuivante : sur les 34 fonds étudiés, 11 seulement ont des performances supérieures aumarché tandis que les 23 restants sont battus par le marché.

Jensen (1968) sur une étude allant de 1945 à 1964 et portant sur 115 fonds, confirme lestests de Sharpe en utilisant l’alpha. Il trouve que 39 fonds ont des alphas positifs et les 76autres ont des alphas négatifs. L’alpha moyen qu’il a obtenu est de -1,1% pour lesrendements nets.

Ippolito (1989) en étudiant 143 fonds sur la période 1965-1984 et en utilisant l’alpha deJensen parvient tout de même à des conclusions opposées. Ils observent que les fondsparviennent à battre le marché car leur alpha moyen dans son échantillon est de +0,81%.

Les résultats d’Ippolito ont été par la suite sévèrement critiqué parce qu’ils souffrent dedeux biais majeurs : le biais de la petite taille et le billet de survivance.

• Biais de la petite taille

Elton, Gruber, Das et Hlavka (1993), en partant des données d’Ippolito, démontrent quece dernier en prenant comme indice de référence le S&P 500 ne prend pas en compteles sociétés de petites tailles alors qu’il est prouvé dans plusieurs études empiriques8 quele rendement moyens des actions des entreprises de petites est supérieur à celui desautres (moyennes et grandes).

En éliminant ce biais, les auteurs arrivent aux conclusions suivantes :- L’α moyen des fonds est négatif : les fonds ont en moyenne une performance

inférieure au marché ;

- La majorité des fonds (2/3) ont des α négatifs ;

15N°002 — Edition 2019

6 Le taux de rendement annuel moyen des différents fonds mutuels observés pendant une décennie s’échelonne entre 10% et 18,6% et les écarts-types observés vent de 9,2% à 25,5%.7 L’indice Dow Jones est pris comme portefeuille de marché qui a sur la période d’observation un rendement moyen annuel de 16,5% et un écart-typede 20%.8 Roll (1981), Banz (1981), Reinganum (1981), Chan et Chen (1991) Amihud et Mendlesen (1991).



- Les fonds qui réalisent les plus mauvaises performances sont ceux quiprélèvent les frais de gestion et de transactions les plus élevés.

• Biais de survivance

Ce phénomène a été signalé pour la première fois par Grinblatt et Titman (1989) et Brownet al. (1993), ces auteurs expliquent que lors des études empiriques sur la performanceà long terme des fonds mutuels, un certain nombre de fonds peuvent disparaître del’échantillon pour plusieurs raisons (dissolution, absorption, fusion, changement de nom).Les études empiriques retirent souvent dans l’échantillon les fonds qui ont disparu durantla période étudiée hors ceux-ci sont pour la plupart du temps les fonds qui ont eu lespires performances biaisant ainsi la performance globale de l’échantillon vers le haut.

Carhart (1997) étudie la performance de 1892 fonds sur une période de 30 ans (1962-1993) en prenant le soin d’éliminer ces deux biais. Il conclut que les fonds, de manièregénérale, ne battent pas le marché et il observe par ailleurs la non persistance de laperformance dans le long terme.

II - Analyse de la situation du marché des FCP de la BRVM

Avant de présenter le secteur des Fonds mutuels de la BRVM, il nous semble importantde définir au préalable le concept et exposer ses avantages et inconvénients.

1- Définition, avantages et inconvénients des fonds mutuels

Les fonds mutuels de placement (mutual funds en anglais) sont des OPCVM et permettentà un groupe d’investisseurs de mutualiser leur épargne en vue de la placer en valeursmobilières par l’intermédiaire d’un gestionnaire professionnel.

L’investissement dans les fonds mutuels présente aussi bien des avantages que desinconvénients.

• Avantages des fonds mutuels :

Les avantages suivant peuvent être énumérés dans l’investissement sur les fonds mutuels : - Procure une bonne diversification des risques (accès à une plus grande palette

d’instruments financiers) qu’il serait impossible d’atteindre par une gestionindividuelle permettant ainsi aux investisseurs d’optimiser le couple rentabilité-risque ;

16 N°002 — Edition 2019



- favorise une baisse des coûts grâce aux économies d’échelle puisque les fraisde gestion et de transaction sont répartis entre les différents membres du fonds ;

- Permet de profiter de l’expertise d’un professionnel et décharge les clients dutravail de gestion de leur portefeuille. Les gestionnaires de fonds sont mandatéspar leurs clients pour assurer surtout une activité de mutualisation et deredistribution des risques.

- donne une grande flexibilité, en effet, l’investisseur peut à tout moment céderses parts ;

- Rend les marchés financiers accessibles à tous et permet en particulier auxpetits épargnants de détenir des parts de portefeuille de valeurs mobilières;

- Canalise l’épargne vers le financement de l’économie (États, entreprises,collectivités) participant par ce biais à la croissance économique.

En définitif, les principaux avantages des fonds mutuels pour les clients sont : la sécurité(diversification), la souplesse (liquidité) et la simplicité (gestion déléguée).

• Inconvénients des fonds mutuels :

Les fonds mutuels ne procurent pas que des avantages, certains inconvénients sontsouvent inhérents à ses classes d’actifs financiers :

- Les clients supportent souvent des coûts élevés (frais de gestion) entre 1,5%et 3% par an en moyenne du montant de l’investissement ;

- Selon le profil du fonds, les investisseurs sont surexposés sur un marché enparticulier (marché des actions, marché obligataires, marché monétaire), cequi peut s’avérer très risqué;

- Manque de dynamisme de ce marché, la valeur liquidative n’est pas négociéeà temps continu mais fixée souvent à la clôture du marché ;

- Dès fois le marché des fonds mutuels souffre de liquidité durant plusieurssemaines, ce qui peut empêcher la sortie dans les meilleures conditions

.2- Le secteur des fonds mutuels à la BRVM

Nous allons d’abord présenter le cadre réglementaire, avant d’exposer la situation dumarché des fonds mutuels de la BRVM.

17N°002 — Edition 2019



2-1 cadre réglementaire

Dans l’UEMOA, les fonds mutuels sont sous la coupole du Conseil Régional de l’ÉpargnePublique et des Marchés Financiers (CREPMF) qui les classifie, les organise et lesréglemente. Ainsi, dans l’article 8 de l’instruction n°46/2011 du 09 septembre 2011 relativeà la classification et aux règles d’allocation d’actifs des organismes de placement collectifsur le marché financier régional de l’UEMOA, les OPCVM sont classés selon les cinqcatégories suivantes :

– OPCVM actions ;– OPCVM obligations à court terme ;– OPCVM Obligations à moyen et long termes ;– OPCVM diversifiés ;– OPCVM contractuels.

Et ils doivent détenir dans leur portefeuille les actifs suivants :- Valeurs mobilières (actions, obligations, certificats, droits) émises dans le

marché financier de l’UMOA;- Titres de créances du marché monétaire de l’UMOA- Parts et titres de créances d’organisme de placement commun (OPC) émis

dans l’UMOA;- Disponibilités courantes placées à court terme ou à vue.

La construction d’un OPCVM dépend fondamentalement des objectifs assignés au gérant.Ainsi pour chaque catégorie, le gestionnaire a un devoir d’information envers ses clientset doit par ailleurs respecter des règles précises de gestion et de répartition des risques.

L’instruction n°46 du 09 septembre 2011 du CREPMF (citée plus haut), précise les règlesd’allocation des actifs des six catégories d’OPCVM homologuées dans le MFR de l’UMOA :

- OPCVM actions : son portefeuille doit être composé de la façon suivante :• Soit 70% au moins en actions, droits d’attribution ou de souscription (hors titres

OPCVM actions),• Soit 90% au moins en titres d’OPCVM actions (hors liquidités).

- OPCVM obligations à court terme : son portefeuille doit être composé de la façonsuivante :

• Soit 70% au moins en titres de créance négociables du marché monétaire oud’obligation d’État dont la durée de vie ne dépasse pas deux ans (hors titresd’OPCVM obligations à court terme ou titre de Fonds Communs de Titrisationdes Créances (FCTC)9),

• Soit 90% au moins en titres d’OPCVM obligations à court terme ou de titres deFCTC (hors liquidités).

18 N°002 — Edition 2019

9 Les Fonds Communs de Titrisation des Créances (FCTC) sont des copropriétés qui ont pour objet d’acquérir des créances et d’émettre desobligations ou des parts représentatives de ces créances. Ce sont des véhicules de titrisation.



- OPCVM obligation à moyen, long termes : son portefeuille doit être composé de lafaçon suivante :

• Soit au moins 90% au moins en obligations dont la durée de vie dépasse deuxans (hors titres d’OPCVM obligations à moyen, long termes,

• Soit 90% au moins en titres d’OPCVM obligation à moyen, long termes ou detitres de FCTC (hors liquidités).

- OPCVM contractuels : c’est un OPCVM dont la SGO s’engage de manièrecontractuelle sur la performance ou la garantie du montant investi par l’investisseur.

- OPCVM diversifié : c’est un OPCVM qui n’est ni actions, ni obligations, ni contractuelet son portefeuille ne doit pas comprendre :

• Plus de 70% en obligations à court terme,• Plus de 70% en obligations moyen, long termes,• Plus de 70% en actions et titres assimilés,• Plus de 70% en titres d’autres OPCVM ou de FCTC.

Le graphique suivant donne la répartition des actifs gérés par les OpcVM :

Les Fonds mutuels de l’UEMOA investissent plus sur la catégorie obligations avec plusde 40% des encours.

2-2 Situation du marché des fonds mutuels de la BRVM

La gestion collective de l’épargne des agents économiques investie en valeurs mobilièrepar les professionnels à travers les fonds mutuels a connu un développementspectaculaire au cours des dernières années à la BRVM. Les 2 premiers fonds mutuelsont vu le jour 26 juin 2000 et depuis cette forme de gestion d’actifs ne cesse de sedévelopper. Le nombre de fonds créés a progressé de manière très remarquable, parexemple en fin 2016, on compte sur le marché 57 fonds mutuels dont 1 SICAV diversifié,3 FCP obligations à court terme, 13 FCP obligations à moyen, long termes, 9 FCP actionset 31 FCP diversifiés (dont 5 FCPE11). Ce dynamisme s’explique par à une multiplicationde l’offre avec la création de nouvelles SGO.

19N°002 — Edition 2019

11 Les fonds communs de placement entreprise (FCPE) sont réservés aux salariés d’une entreprise.



Graphique 2 : nombre d’OpcVM gérés par SGO à la BRVM au 31/12/2016

Ces dernières années des flux d’investissement très important se sont dirigés vers lesOPCVM. Ainsi le montant des actifs gérés par les SGO a connu une expansionextraordinaire et se chiffre en 2016 à 665,38 milliard de FCFA contre en 279,66 milliardsen 2015 soit une progression de 57,97% sur un an.

Compte tenu de cette forte croissance, on peut légitimement s’interroger sur la qualité degestion des fonds mutuels de la BRVM.

III - Données et résultats

Nous présentons d’abord nos données et ensuite nous analysons et interprétons nosrésultats.

1- présentation des données

Nos données couvrent la période allant du 02 septembre 2013 au 16 décembre 2016 etconcerne un échantillon de 13 FCP sur la base des publications de leurs valeurs liquidativesquotidiennes. La faiblesse de notre échantillon est justifiée par la disponibilité et la régularitédes publications des valeurs liquidatives des FCP. Par ailleurs le choix de la périodeconsidéré est expliqué par le fait que le développement de ce marché n’a réellementcommencé que vers la fin des année 2010.

20 N°002 — Edition 2019

Source : Bulletin officiel de la cote, BRVM, 2017.



Les données sont collectées à travers les publications du bulletin officiel de la cote de laBRVM (BOC) et au niveau de cinq SGO de la place (AFRICABOURSE ASSETMANAGEMENT, AFRICAM SA, CGF GESTION, BOA ASSET MANAGEMENT etSOGESPAR). La fréquence des publications n’étant pas régulière, nous avons éliminé lesjours où il y avait au moins une donnée manquante afin d’harmoniser le nombred’observations (469). Nous avons aussi observé puis corrigé des valeurs aberrantesprobablement dues à un fractionnement de la valeur liquidative.

Nous avons, par la suite classé, nos fonds en trois catégories :- Les fonds obligations (Court et moyen, long termes) : 4- Les fonds actions : 3- Les fonds diversifiés : 6

Après avoir procéder à l’organisation de votre base de données et à partir des valeursliquidatives (VL) disponibles, nous avons déterminé les rentabilités journalièrescomposées en continu des FCP de notre échantillon :

(10)

Rt : Rentabilité à t

Ln : Logarithme népérien

VLt : valeur liquidative au jour t.

VLt-1 : Valeur liquidative au jour t-1.

Pour l’ensemble de la période, nous supposons que les rentabilités observés avec unefréquence quotidienne sont identiquement et indépendamment distribuées (iid), larentabilité annuelle s’obtient alors en multipliant la moyenne des rentabilités journalièrespar 252 et l’écart type annuel se calcule en multipliant l’écart type des rentabilitésjournalières par la racine carrée de 252.

tableau 1 : Rentabilité et volatilité moyennes des fcp comparés au Benchmark

21N°002 — Edition 2019

Fondsobligations

Fondsdiversifiés

BRVMComposite

Fondsactions

Rentabilitéannuelle 8,47% 19,72% 16,01% 17,08% volatilitéannuelle 3,52%Source : BRVM, SGO, calcul auteur

12,28% 8,13% 12,92%



On constate que la rentabilité des fonds dépasse en moyenne celle de l’indice, par contrel’indice surperforme en moyenne les fonds obligations et diversifiées. En revanche, lesécarts types des fonds sont en moyenne plus faibles que celui de l’indice

Bien entendu, les moyennes des rentabilités et des risques pris séparément ne sont passuffisantes pour tirer quelques conclusions à propos de la performance des FCP et de laBRVM, c’est pourquoi, nous procéderons par le suite à une comparaison par les mesuresde performance ajustée au risque qui sont plus rigoureuses.

Pour ce qui concerne le taux sans risque, nous avons pris la moyenne des taux desémissions obligataires de la Banque Ouest Africaine de Développement (5,5%) en 2016.Ce choix s’explique par le fait que la notation de la BOAD (BBB par Fitch Rating etMoody’s) est supérieure aux notations souveraines dans l’UEMOA qui sont en moyennede l’échelle BB.

2- présentation des résultats et discussion

Nous justifions nos choix sur les indicateurs retenus avant d’exposer les résultats de nostests empiriques

2-1 Justification sur le choix des indicateurs retenus

Les résultats de la performance de notre échantillon de fonds mutuels de la BRVM ontainsi été appréciés à travers trois indicateurs de mesure de performance ajustée aurisque. Cela devrait permettre d’augmenter la robustesse des conclusions, en évitantqu’elles soient simplement liées au choix d’un critère particulier.

- Un ratio de Sharpe modifié : la version modifiée du Ratio de Sharpe ( ) utilisée dansle cadre notre étude est inspirée des travaux de De Marchi (2006), elle est obtenueen appliquant un exposant au dénominateur de la formule classique :

Avec PR : le prime de risque moyenne =

Où est la valeur absolue de la prime de risque moyenne. La valeur de l’exposant estdonc égale à 1 si la prime de risque est positive, à – 1 si la prime de risque est négative. Nous privilégions le ratio de Sharpe à celui de Treynor parce que nous ne disposons passuffisamment d’informations sur le degré de diversification des portefeuilles des SGO.Aussi le nombre de titres de la BRVM est faible avec beaucoup de ces titres souffrent dumanque de liquidité (les SGO concentrent leurs placement sur quelques tires).

22 N°002 — Edition 2019



- Ratio d’information : Ce ratio est important parce qu’étant basé sur le risque relatifdu fonds par rapport au marché. Il mesure la capacité d'un gestionnaire de fonds àgénérer de la surperformance par rapport à son risque spécifique.

- Le ratio de Treynor-Mazuy : Nous privilégions ce ratio au ratio de Jensen puisqu’ilprend en compte deux dimensions important : la sélectivité (α) et le market timing(γ). De ce fait il est plus complet que le ratio de Jensen car il introduit une deuxièmevariable explicative: le carré de la prime de rendement.

2-2 Résultats des tests empiriques

Les résultats de nos estimations ci-dessous

2-2-1 Estimation avec le ratio de Sharpe modifié

tableau 2 : Synthèses des résultats des fonds obligations avec le ratio de Sharpe modifié

A l’exception du fonds Secutitas (-0,00129), tous les autres fonds (AAM Capital Sur, AMMObligatis et Placement Quiétude) ont des ratios de Sharpe modifiés (1,324, 2,052 et 1,805)supérieurs à celui du marché (0,8963).

23N°002 — Edition 2019

Fonds Obligations

Désignation

AAM CAPITAL SUR

AAM OBLIGATIS SECURITAS

FCP PLACEMENT QUIETUDE MOYENNE

Rentabilité moyenne annuelle 9,23% 12,63% 3,34% 8,68% 8,47% Ecart-type annuelle 2,82% 3,47% 6,00% 1,76% 3,52% Ratio de Sharpe modifié 1,32411796 2,05245968 -0,00129509 1,80509775 0,84433866 Classement 3ème 1er 4ème 2ème Source : BRVM, SGO, calcul auteur



Le fonds le plus performant est AAM Obligatis et le moins performant est Secutitas.

tableau 3 : Synthèse des résultats des fonds actions avec le ratio de Sharpe modifié

Les fonds actions présentent en moyenne des performances ajustées au risque total(1,1592) supérieures au benchmark (0,8963). Les fonds Valoris et Placement Croissanceparviennent à battre le marché avec des ratios de Sharpe modifiés respectivement de2,2453 et 1,4675. En revanche, le Fonds Sogevalor est moins performant que le marché.

Le meilleur fonds d’après ce critère est Valoris et le moins performant est Sogevalor.

tableau 4 : Synthèse des résultats des fonds diversifiés avec le ratio de Sharpe modifié

Les fonds diversifiés battent en moyenne le marché avec un ratio de Sharpe moyen de1,2938. Les fonds qui ont des performances supérieures au marché sont Expansio,Placement Avantage, Horizon et SogeAvenir. Quant aux fonds AMM Epargne Croissanceet Emergence, ils présentent des performances ajustées au risque total inférieur à cellede l’indice BRVM Composite.

Le meilleur fonds dans cette catégorie, d’après le ratio de Sharpe, est Expansio et le moinsperformant est AMM Epargne Croissance.

24 N°002 — Edition 2019

Source : BRVM, SGO, calcul auteur

Fonds actions Désignation VALORIS

PLACEMENT CROISSANCE

SOGEVALOR MOYENNE

Rentabilité moyenne annuelle 24,78% 19,74% 14,63% 19,72% Ecart-type annuelle 8,58% 9,70% 18,50% 12,26% Ratio de Sharpe modifié 2,24532483 1,46750669 0,49364274 1,15924841Classement 1er 2ème 3ème




SOGEVALOR MOYENNE




D’après le critère du ratio de Sharpe modifié, les fonds les plus performants sont les fondsdiversifiés (1,29381), suivis des fonds actions (1,15924) et les moins performants sont lesfonds obligataires (0,84433).

2-2-2 Estimation des résultats avec le ratio d’information

tableau 5 : Synthèse des résultats des fonds obligations avec le ratio d’information

Les risques supplémentaires des fonds obligataires par rapport au marché ne sont passuffisamment rémunérés (0,9590). Les fonds AMM Obligatis et Placement Quiétudebattent le marché avec des ratios d’information respectivement de 3,6361 et 2,4044 tandisque les fonds AMM Capital Sur (0,7111) et Secutitas (0,2190) sont moins performants.

Le meilleur FCP dans cette catégorie est AMM Obligatis et le moins performant estSecuritas

tableau 6 : Synthèse des résultats des fonds actions avec le ratio d’information

Les fonds actions sont globalement plus performants que le marché. Excepté le FCPSogevalor (0,5947) dont le tracking error n’est pas suffisamment rémunéré, les deux autresfonds, Valoris et Placement Croissance ont des performances ajustées au risquesupérieures à celle du marché avec des ratios d’informations respectivement de 1,7327et 2,0117. Le meilleur fonds est Placement Croissance et le moins performant estSogevalor.

25N°002 — Edition 2019




SOGEVALOR MOYENNE



Fonds actions

Désignation VALORISPLACEMENTCROISSANCE SECURITAS Moyenne

Rentabilité moyenne annuelle 24,78%14,30%

1,7327

19,74%9,81%

2,0117

14,63%24,61%

0,5947

19,72%16,24%

1,4463

Ec-t (RFM-RM)

IR Classement 2ème 1er 3ème



tableau 7 : Synthèse des résultats des fonds diversifiés avec le ratio d’information

Les fonds diversifiés se situent en moyenne au même niveau de performance ajustée aurisque que l’indice BRVM composite. On constate, cependant, une grande disparité, eneffet, le meilleur fonds (Horizon) a un ratio d’information de 1,9388 tandis que le moinsperformant (Placement Avantage) obtient un ratio de 0,5105.

Selon le critère du ratio d’information, les meilleurs fonds mutuels de la BRVM sont lesFCP actions, suivis des FCP diversifié et les moins performants sont les FCP obligations,avec des ratios d’information moyens respectivement de 1,4463, 0,9977 et 0,9590.

2-2-3 Estimations des résultats avec le ratio de treynor-Mazuy

tableau 8 : Synthèse des résultats des fonds obligations avec le ratio de treynor-Mazuy

Concernant la sélectivité, les FCP AMM Capital Sur, Securitas et Placement Quiétude ontdes coefficients de sélectivité de 0,019, 0,059 et 0,014. En revanche le FCP AMM 0bligatisà un coefficient de sélectivité négatif (-0,004). Le coefficient d’AMM Sur est significatif au

26 N°002 — Edition 2019

Fonds diverfiés

Désignation

AAM EPARGNE CROISSANCE EXPANSIO Emergence

PLACEMENT AVANTAGE HORIZON SOGEAVENIR Moyenne

Rentabilité moyenne annuelle 8,31% 22,29% 7,47% 13,21% 18,54% 26,21% 16,01%Ec-t (RFM-RM) 9,44% 25,09% 10,91% 25,88% 9,56% 24,20% 17,51%

IR 0,8804 0,8882 0,6851 0,5105 1,9388 1,0828 0,9977 Classement 4ème 3ème 5ème 6ème 1er 2ème


* p<0.1; ** p<0.05; *** p<0.01Source : BRVM, SGO, calcul auteur

brvmcomposite

brvmcomposite2

F statistic

aamcapitalsur

0.019

(1.95)*

1.427

(2.86)***

5.80

aamobligatis

-0.004

(0.35)

1.068

(1.72)*

1.57

securitas

0.059

(2.78)***

-2.400

(2.27)**

6.68

placementquietude

0.014

(2.25)**

1.722

(5.68)***

18.19



seuil de 10%, les coefficients de Securitas et Placement Quiétude sont significatifs auseuil de 1% mais le coefficient d’AMM 0bligatis n’est pas significatif.

Pour le market timing, tous les fonds ont des coefficients statistiquement différents de 0(1,427 au seuil de 1% pour FCP AMM Capital Sur, 1,068 au seuil de 10% pour AMMObligatis, -2,4 au seuil de 5% pour Securitas et 1,722 au seuil de 1% pour PlacementQuiétude. Donc les FCP AMM Capital Sur, AMM Obligatis et Placement Quiétudeanticipent bien l’évolution du marché tandis que le FCP Securitas ne fait pas preuve d’unebonne anticipation des évolutions du marché.

tableau 9 : Synthèse des résultats des fonds actions avec le ratio de treynor-Mazuy

Tous les FCP actions battent le marché en faisant une réelle capacité de sélection, eneffet les signes de leurs coefficients sont tous positifs et statistiquement significatifs (0,275au seuil de 1% pour Valoris, 0,387 au seuil de 1% pour Placement croissance et 0,496 auseuil de 1% pour Sogevalor.

Pour l’anticipation du marché, les coefficients sont tous positifs mais seul celui de Valorisest significatif au seuil de 1% tandis que les deux autres ne sont pas significatifs.

tableau 11 : Synthèse des résultats des fonds diversifiés avec le ratio de treynor-Mazuy

27N°002 — Edition 2019


brvmcomposite

brvmcomposite2

F statistic

sogevalor

placementcroissance

0.387

(12.94)***

1.430

(0.96)

83.80

0.496

(7.97)***

4.709

(1.52)

32.54

valoris0.275

(9.89)***

4.945

(3.57)***

54.01


brvmcomposite

brvmcomposite2

F statistic

aamepargnecroissance

0.228(8.17)***-0.149(0.11)33.44

expansio

0.208(7.49)***5.225(3.77)***34.18

emergence

0.060(4.04)***-0.494(0.66)8.50

placementavantage

0.188(11.95)***2.293(2.92)***74.48

horizon

0.296(10.80)***2.156(1.58)59.05

sogeavenir

0.405(8.47)***4.089(1.72)*36.86



Tous les fonds diversifiés de notre échantillon battent régulièrement le marché avec descoefficients de sélectivité positifs et significativement différents de 0 au seuil de 1%.

Les FCP Expansion, Placement Avantage et SogeAvenir disposent de réelle capacité àanticiper les évolutions du marché avec des coefficients respectivement significatifs auseuil de 1%, 1% et 10%. En revanche les coefficients d’AAM Epargne Croissance,Emergence et Horizon ne sont pas significatifs.

tableau 10 : Synthèse avec la moyenne des fonds

Globalement les FCP de la BRVM ont des performances ajustées au risque supérieuresexpliquées en partie par une capacité de sélectivité avec des coefficients de 0,022 pourles fonds obligataires, 0,386 pour les fonds actions et 0,231 pour les fonds diversifiés.Les fonds actions et diversifiés arrivent à anticiper parfaitement les évolutions du marchéavec des coefficients respectivement de 3,695 et 2,187 tous significatifs au seuil de 5%.En revanche le coefficient n’est pas significatif pour les fonds obligataires.

On peut conclure que les meilleurs fonds sont les fonds actions suivis des fonds diversifiéset les fonds obligataires sont les moins performants.

28 N°002 — Edition 2019


brvmcomposite

brvmcomposite2

F statistic

diversifiés

actions

0.386(13.26)***3.695(2.55)**89.98

0.231(13.45)***2.187(2.56)**92.62

obligations

0.022(3.31)***0.454(1.37)6.25



conclusion

Cet article avait pour objectif d’analyser la performance des FCP de la BRVM sur lapériode allant du 02 septembre 2013 au 16 décembre 2016 à travers trois indicateurs deperformance ajustés au risque : le ratio de Sharpe modifié, le ratio de Treynor-Mazuy etle ratio d’information. Nos résultats montrent globalement que la majorité des fonds sontplus performants que le marché selon ces trois critères.

En ce qui concerne la sélectivité, on remarque que 84,62% de l’échantillon présente cetteaptitude.

53,84% de l’échantillon disposent des capacités de market timing. Cela signifie que lamajorité des SGO anticipent parfaitement les évolutions du marché.

Nos résultat ont révélé en moyenne que les FCP actions sont plus performants, suivi desFCP diversifiés, les moins performants sont les FCP obligations.

Cependant deux limites majeures de cette étude, liées à la non disponibilité desdonnées12, doivent être signalées :

- Horizon temporel assez court (moins de quatre ans), qui n’est pas assez satisfaisantpour juger de la performance à long terme des FCP de la BRVM.

- Échantillon portant sur 13 FCP sur les 57 que compte le marché (22,8% de lapopulation) limite la portée générale des résultats de l’étude.

Quelques pistes de recherche peuvent être dégagées de cette étude :- Les coefficients d’asymétrie et d’aplatissement montrent que la distribution des

rendements des fonds ne suivait pas en général une loi normale, une étude sur laperformance des fonds avec des mesures de performance conditionnelles s’avèrenttrès utiles (voir à ce sujet l’étude de Beaulieu, Gendron et Coggins (2006)).

- Évaluation comparée de la performance des FCP de la BRVM : mesuresconditionnelles versus mesures non conditionnelles.

- Contribution des fonds mutuels dans le développement des marchés de capitaux :Cas de la BRVM.

- Pro-cyclicité du marché et performance des fonds mutuels de la BRVM.

29N°002 — Edition 2019

12 Dans beaucoup de cas, l’absence d’informations sur la valeur liquidative durant une longue période, nous a contraints à exclure certainsfonds dans notre base.



Bibliographie :

Aftalion F., et Poncet P., 2003, Les techniques de mesure de performance, Economica.

Amihud Y. et Mendleson H., 1991, Liquidity Asset Prices and Financial Policy, FinancialAnalysts Journal.

Beaulieu M-C., Coggins F., et Gendron M., 2006, Mutual fund daily condition performance: selectivity and timing measurements, Journal of Financial Research.

Brown S. et Goetzmann W., 1995, Performance Persistence, Journal of Finance 50, 679-698.

Carhart M.M., 1997, On persistence in mutual fund performance. Journal of Finance 52,57–82.

Chan K., et Chen N., 1991, Structural and Return Characteristics of Small and Large Firms,Journal of Finance.

De Marchi R., 2006, La persistance des performance des OPCVM actions françaises,Banque et Marchés 82, 24-40.

Elton E. Gruber M. Das S. et Hlavka M., 1993, Efficiency with Costly Information :A Reinterpretation of evidence from Manager Portfolio, Review of Finance Studies 6.

Elton E., Gruber M. et Blake C. 1996, The persistence of risk-adjusted mutual fundperformance, Journal of Business 69, 133-157.

Grinblatt M. et Titman S., 1994, A Study of Monthly Mutual Funds Returns and PerformanceEvaluation Techniques, Journal of Financial and Quantitative Analysis 29, 419-444.

Goetzmann W. et Ibbotson R., 1994, Do winners repeat? Paterns in Mutual FundPerformance, Journal of Portfolio management, winter, 9-18

Grinold R., 1989, The fundamental law of active management. Journal of PortfolioManagement, 30-37.

Hendricks D., Patel J., et Zeckhauser R., Hot hands in mutual funds : short run persistenceof relative performance, Journal of Finance 48, 93-130.

Ippolito R., 1989, Efficiency with Costly Information : a Study of Mutual Fund PerformanceStudies, Quaterly Journal of Economics 104, 1965-1984.

30 N°002 — Edition 2019



Jensen M.C., 1968, The performance of mutual funds in the period 1945–1964. Journal ofFinance 23, 389–416.

Malkiel B., 2007, Return from investing in equity funds, Journal of Finance 50, 549-572.

Reingnanum M., 1981, Misspecification of Capital Asset Pricing: Empirical AnomaliesBased on Earning Yields and Market Values”, Journal of Financial Economics,.

Roll R., 1981, A possible Explanation of the Small Firm Effect”, Journal of Finance 36.

Sharpe W.F., 1966, Mutual fund performance, Journal of business, Supplement on securityprices 39.

Treynor J., Mazuy, K., 1966, Can mutual funds outguess the market? Harvard BusinessReview 44, 131–136.

31N°002 — Edition 2019



33N°002 — Edition 2019

DOcUMEnt 2Economic anlysis of climate change induced

resource scarcity and conflicts in niger

Analyse économique de la rareté des ressources induite

par les changements climatiques et conflits au niger

Mamane Bello G. hIMA1 ;

Ega A. AGBODJI2 & Ahmadou A. MBAyE3

1 Doctorant à l’Université Cheikh Anta Diop Dakar, Sénégal. [email protected] 2 Professeur à l’Université de Lomé, Togo3 Professeur à l’Université Cheikh Anta Diop Dakar, Sénégal


34 N°002 — Edition 2019

Economic anlysis of climate change induced resource scarcity and conflicts in niger

ABStRAct

IntRODUctIOn

LItERAtURE REVIEw

MEthODOLOGy

DAtA

RESULtS AnD DIScUSSIOnS

EcOnOMEtRIc REGRESSIOnS

cOncLUSIOn

REfEREncES



Abstract

The link between environmental resource constraint and conflict has been debated bymany scholars. Their arguments are sometimes diametrically opposed. This paperanalyses pathways through which climate change may affects armed conflict in Niger.The work aims specifically to estimate the effect of climate variability and associatedagricultural income losses on the likelihood of outbreaks of armed conflict. The primeintended contribution of this research is its policy relevance. We employ the theoreticalmodel, developed by Chassang & Padró, (2009) to illustrate potential channels of violentconflicts. Empirically, we separately used the fixed effect decomposition and theinstrumental variable techniques. This research contributes also to the microeconomicstrand of the empirical literature that has been dominated by cross-country studies. Thecross-country nature of previous studies, leaves regional (subnational) heterogeneityunobserved and thus limits the ability to derive context-specific recommendations foreffective strategies and national policies of conflict prevention. The hypothesis weformulated in this chapter, climate variability and associated agricultural income lossesdo not have significant effect on the likelihood of occurrence of conflict, is infirmed. WhenInstrumental variable method is applied, we find support in our data for the argument thatclimatic variability affects conflict onset not only through agricultural income changes. Thefindings also suggest that bad governance affect positively and significantly the probabilityof conflict escalation.

Keywords: Climate Change, Scarcity, Armed Conflict, Niger

JEL classification : D74, F52, H56, N47, Q15

35N°002 — Edition 2019



Introduction

Niger is a Sahelian landlocked country, located in West Africa, whose geographicalposition, climate and natural environment are harsh. Rainfall is low and characterized bystrong inter-annual and space-time variability. Visible signs that show intensification ofwater scarcity and grazing land include the river Niger, hitherto flowing running dry, wellsgoing deeper to reach water, lakes (Chad, Komadougou, Dallol-Bosso) shrinking causingproblems for herders, diminishing rainfall and shrinking arable lands for farmers. Theagricultural lands (both for crop and pasture) are becoming further degraded from yearto year because of traditional farming methods (tillage) and population growth, notablynear the urban centres (Bello and Maman, 2015).

This study seeks to deepen our understanding of how climate change can trigger armedconflict between actors (rebels, terrorists and state and between farmers and herders) inNiger. Conflicts are increasingly concentrated in the poorest portion of the world’scountries. For about three (3) decades (from 1990) Niger is facing many insecurityproblems starting from rebellion, terrorism (Boko Haram, AQMI) to repetitive conflictbetween farmers and herders. Though climatic conditions per se, do not cause conflict(Burke, Hsiang, and Miguel 2015), but changes in climate parameters can alter theconditions under which certain social interactions occur and thus have the potential tochange the likelihood that conflict occurs. According to Homer-Dixon, (1995) poorcountries will be the first to experience conflict caused by environmental degradation.Also, given the characteristics of the country, we believe that it is part of the bottom billionas defined by (Collier and Hoeffler, 2007). Niger is one of the poorest countries as shownin the recent (last position from 2008-2015) Human Development Index (HDI) classification.Thus, any efforts to address armed conflicts will go a long way to ensuring food security.The losses occasioned by armed conflicts may not be compensate by schemes such assubsidizing food price, redistribution programs or by developing crop insurance giventhe poor nature of the country. Economic productivity in areas with predominantly rain-fed agriculture, such as Niger, could be inherently sensitive to climate variability andextreme weather events. Accordingly, the opportunity cost of joining violent action tocompensate potential losses would decrease in periods with unfavourable climaticconditions. To redress their grievances individuals may be motivated to join and/or supportan active opposition movement or a terrorist organization, thus increasing the likelihoodof violence escalation.

• Research Objective

The main objective of this paper is to contribute to the understanding of how resourcescarcity due to climate change causes armed conflict in Niger. It specifically aims to:Estimate the effect of climate variability and associated agricultural income losses on thelikelihood of outbreaks of armed conflict in Niger. We made the hypothesis that climate

36 N°002 — Edition 2019



variability and associated agricultural income losses do not have significant effect on thelikelihood of occurrence of conflicts.

Literature Review

This section reviews the empirical literature on climate/environmental change andintrastate conflict, with special attention to intergroup conflict. It focuses on howprecipitation and temperature anomalies may lead to conflict.

There are three effects of climate change (natural disasters, sea-level rise, and increasingresource scarcity) that are frequently assumed to lead to loss of livelihood, economicdecline, and increased insecurity, either directly or through forced migration. Interactingwith poor governance, societal inequalities, and a bad neighbourhood, these factors inturn may promote political and economic instability, social fragmentation, migration, andinappropriate responses from governments (Theisen et al., 2013). Likely, this will motivateindividuals or groups to fight in order to redress their grievances. It is then clear thatclimatic conditions never cause conflict alone, but changes in climate can alter theconditions under which certain social interactions occur and thus have the potential tochange the likelihood that conflict happens. In other words, climatic conditions are neithernecessary nor sufficient for conflicts to occur, but changes in climatic conditions couldhave measurable impact on the probability and intensity of conflict, holding other conflict-related factors fixed (Burke, Hsiang, and Miguel 2015). To date, the central empiricalchallenge addressed by the literature has been to quantify this effect. Since our studyarea, Niger, is a landlocked country, we reviewed only works dealing with natural disastersand resource scarcity and our interest is not in reviewing work on sea level rise.

• changes in precipitation and temperature

There is highly publicized quantitative literature that links hot temperatures to individualaggression, including violent crime and riots. According to Anderson (2001), globalwarming may increase violence. But the causal mechanism proposed in this study isdifferent from the scarcity thesis that is at the core of the relationship proposed in theliterature on climate change and armed conflict (Reuveny 2007; Burke, et al. 2009), andthe type of conflict is also different. Other researchers focused on mechanisms throughwhich abundant rainfall ruined harvests and lead to property crime (Mehlum, et al., 2006)in Bavaria. In studying witch killings in a rural Tanzanian district, Miguel (2005) concludesthat both positive and negative extremes in rainfall increased its frequency. Lecoutere, etal. (2010) also used a field experiment from semi-arid Tanzania, and they find that waterscarcity drives conflict behaviour, particularly for poor and marginalized households.According to Hidalgo, et al. (2010) rainfall deviations (used as an instrument for agriculturaleconomic shocks) lead the rural poor to invade large landholdings in Brazil, andparticularly in municipalities with a highly unequal land distribution. From these works, one

37N°002 — Edition 2019



can expect that when climatic conditions are worse it will coincide with more armedconflict.

Some quantitative studies of conflict in Africa have found social violence and communalconflict to be most likely in or following wet periods (e.g. Raleigh and Kniveton 2012;Hendrix and Salehyan 2012; Theisen 2012). Other scholars found that the risk of violenceincreased in dry years (Fjelde and von Uexkull 2012). Qualitative researchers, especiallyanthropologists, found that in Africa death rates in years with abundant rainfall are higherthan in dry years (Adano and Witsenburg 2009; Adano, et al. 2012) or in seasons withless vegetation (Meier, et al., 2007). The argument is that dry periods are associated withcooperative behaviour (Eaton, 2008). According to Homer-Dixon decreasing access torenewable resources increases frustration, which in turn creates grievances fromindividuals against the state, weakens the state capacity to satisfy basic needs, andincreases the opportunity for instigating an insurrection. This author identifies three typesof environmental scarcity: (1) supply induced scarcity, it is the reduction of the availabilityof renewable resources due to consumption and degradation that develop faster thanregeneration; (2) demand induced scarcity, which is a consequence of population growthand/or increased the consumption per capita; and (3) structural scarcity caused by anunequal distribution of access to natural resources (Homer-Dixon, 1994; 1999). Thesecomponents may give room to groups facing resource scarcity to migrate into areas thatare already ecologically stressed. Thus, increases the risk of violence between nativesand migrants4.

The optimists (e.g. Gleditsch, 1998, de Soysa, 2002a, 2002b; Matthew, et al. 2003; Barnettand Adger, 2007 ; Salehyan, 2008, Koubi)5 summarize the arguments as follow: eventhough environmental changes exacerbate resource scarcity, violent conflict is not aforegone conclusion. Moreover, even if violent conflict occurs, resource scarcity is unlikelyto be the main cause. In this paper we defend the point that resource scarcity in a veryweak state and world record in total fertility rate is likely one of the main reasons of conflictescalation. The literature is more on cross-country studies and this could probably explainsome inconsistency of conclusion. We conduct our work at country level and do notconsider the population to be constant as in the original model of Chassang and Pedro-i-Miquel (2009).

From this review, it is clear that there is no consensus on empirical findings linking climaticconditions to conflict. This is partly because of the diversity of indicators applied,differences in samples, time periods, type of conflict studied, and estimation techniques.Broadly speaking, the econometric literature summarised above suggests that differentclasses of conflict, in different contexts and at different scales of analysis, have a generalargument that their likelihood of occurring is influenced by climatic conditions.

38 N°002 — Edition 2019


4 The neo-Malthusian arguments, in majority, are in fact motivated by observations of low-intensity communal disputes over scarce natural resources.5 The majority of Cornucopian do not believe that resource scarcity leads to major violent conflict, but they do acknowledge that smaller-scale violentconflict over scarce resources is possible, though not unavoidable. Therefore, the main disagreement between neo-Malthusians and cornucopianappears to concern primarily the deterministic character of the neo-Malthusian argument and the expected frequency of larger-scale violent conflict.


• the Empirical problem

As with most of economic problems, studying the climate change and conflict nexus isnot straightforward. The ideal situation would be to observe two identical populations orsocieties, change the climate of one, and observe whether this treatment will lead to moreor less conflict relative to the control group. Given that climate cannot be experimentallymanipulated, researchers have relied on natural experiments in which plausibly exogenousvariation in climatic variables generates changes in conflict risk that can be measured byan econometrician (Burke, Hsiang, and Miguel 2015).

Methodology

To achieve the objective of this work (which is to determine how climate change interactingwith socioeconomic parameters may cause violent conflict in Niger) we applied the Padro-i-Miquel (2009) modified model.

• theoretical Model

In the original model, Chassang and Padro-i-Miquel (2009) considered two actors whohave to decide whether to engage in costly conflict and redistribution when bargainingfails. We will also consider the Baysan, et al. (2014) enrichment on the basic model withadditional mechanisms that have been proposed but, were not in the original analysis.

Consider two groups i Є{1, 2 } sharing territory of size N.For instance, land is used to producecrops for farmers and to feed animals for herders. Each group uses land for productionpurposes. Groups cannot commit to not attacking one another in an infinite number of periods,indexed by t. Each group begins each period with the landholdings they controlled at theend of the previous period. If a transfer exists between groups that avoids conflict, it isimplemented. If such a transfer does not exist, a conflict takes place. The winning groupappropriates the land and the output of the losing group. The losing group receives a payoffof zero, and the game concludes. Each group has assets with productivity θt that producesθt l output when combined with l units of labour (Chassang and Padro-i-Miquel (2009) setl = 1). We follow the Burke, Hsiang, and Miguel (2015) specification to enrich the model toaccount for a population nt (not all of whom must be labourers) that consume this output fora per capita, per period consumption of θt l / nt under non-conflict conditions. We believe thatthis consideration of population in the model is more realistic than assuming ( i) = 1 in thecontext of Niger, which leads the world in terms of total fertility rate. If one of the agents attacksthe other first, then it gains a first-strike advantage and captures all of the opponent’s outputand assets with probability Pt > 0.5. Such an attack costs both the aggressor and defendera fraction c > 0 of output because both groups divert c units of labour from production tofighting. If both groups choose to attack simultaneously, they are each considered to winwith probability of 0.5. Following Baysan et al. (2014), an attacker is assumed to have a non-rival psychological consumption value of violence γt; if the attacker dislikes being violent,then γt < 0, and γt > 0 if the attacker derives positive utility from violence.

39N°002 — Edition 2019


lnt( )


In the original formulation, if a group loses the conflict, then it is removed from the game.If there is no attack in the current period, then each group expects a peaceful continuationvalue VP, which is the discounted per capita utility of expected future consumption from thegroup’s initial assets and which captures expectations about the future values of allparameters. Similarly, if an attacker wins, then it has a continuation value of victory VV, whichis the per capita expected utility from consumption of both the attacker’s initial assets andthe assets the attacker captures from its opponent. Let δ be the per period discount rate.

Considering the modification (nt and γt) of the original model of Chassang & Padro-i-Miquel(2009) the condition for no conflict is as follows:

Simply put, it means a group finds it privately beneficial not to attack, if the per capita valueof consuming all output with initial assets plus discounted expected utility under peace δVP

exceeds the expected utility of consumption from both the groups’ original assets andcaptured assets, minus expenditures on the conflict, plus the expected continuation valuePtδVV and the consumption value of violence γt, which is experienced with certainty.Because we are dealing with intergroup conflict (between state and terrorists, farmers andherders, rebels and state), we are not assuming that l = nt = 1 . Then when rearranging theinequality (1) we have:

where the left-hand side of the inequality represents the marginal value of peace in thecurrent period weighed against the discounted marginal expected utility from attackingon the right-hand side. For expositional purposes, we will assume that initially thisinequality is satisfied, and thus there is no conflict. From that baseline, we will thenconsider how marginal changes in parameter values driven by climate might cause thisinequality to be violated.

• Empirical Model

To test our hypothesis on the climate change increasing resource scarcity and armedconflict relationship we used panel data from all regions (eight in number) of the countryfor the period 1990–2016. In practice, we used a combination of the two commontechniques (Two stage method and Instrumental variable method) in the literature to dealwith our hypothesis.

40 N°002 — Edition 2019



- We first follow Koubi et al. (2012) and Bergholt and Lujala (2012) in not using aninstrumental variable approach merely as a technical solution, as previous studies havedone (e.g. Miguel et al., 2004). Indeed, we hypothesize that climate variability mayindirectly affect the probability of armed conflict via its effect on agricultural income.Given that conflict escalation and the state of the economy are not independent of eachother (see Blomberg and Hess 2002; Blomberg, Hess, and Thacker, 2006), as shownby our descriptive statistics (in result section), we employ a two-stage procedure. Weuse measures of precipitation and temperature deviations to estimate per capitaagricultural income in the first stage of the model.

is the error term. Precipitation and temperature are our measure of climate variability. Timefixed effects flexibly account for other time-trending variables such as gradualdemographic changes or economic growth that could be correlated with both climate andconflict.

To investigate the underlying mechanisms, we include interaction terms betweenagricultural income and the national governance indicator in the baseline equation. Theseinteraction terms captures the effect of latent tensions and shed light on factors that createa spark which fuels tensions and can lead to armed conflicts (Couttenier and Raphaël,2011). We then estimate the following equation:

We then estimate the effect of predicted agricultural income and the predicted interactionterm on armed conflict in the second-stage equation:

Equation (1) is estimated using the fixed effects vector decomposition (fevd) estimator byPl̈mper and Troeger (2007). This estimator allows us to include time invariant variables,we also correct for autocorrelation.

Equation (3) is estimated using logit regression with bootstrapped standard errors. Thisapproach acknowledges that the likelihood of armed conflict onset at present dependsstrongly on conflict that occurred in the years before and thus controls for time effects.

41N°002 — Edition 2019



- We secondly used the Instrumental Variable approach in estimating the impact ofagricultural income losses due to climate variability on armed conflict in Niger. Wefollowed the model as in Miguel et al. (2004) panel data approach:

is the error term. We used precipitation deviation because we believe that agriculture inNiger is more driven by precipitation than another climate parameter. If different locationsin a sample exhibit different average levels of violence, because of any number of cultural,historical, political, economic, or geographic, differences between the locations, then itwill be accounted for by the location-specific fixed effects . Time fixed effects flexiblyaccount for other time-trending variables such as gradual demographic changes oreconomic growth that could be correlated with both climate and conflict.

Data

a) conflict data

The conflict data is from the Armed Conflict Location and Event Dataset (ACLED) (Raleighet al., 2010). ACLED is a detailed and widely used conflict dataset developed by theInternational Peace Research Institute of Oslo (PRIO). It has the advantage in specifyingthe exact location, date and other characteristics of conflict based on news and reportswithin unstable states. Given that the data is not based on survey, it might be affected byselection in reporting, a drawback common to conflict datasets. However, such reportingbias is not likely to be systematically correlated with our weather indicators (Maystadt andEcker, 2014) and should not constitute a major problem for our identification strategy.Focus is on armed conflict events, comprising rebellion, terrorism and intergroup (farmersand herders) violence. About 535 violent events with two thousand and eighty-three (2083)fatalities were reported in the ACLED dataset from 1997-2016 for Niger. Our period inconsideration is from 1990 to 2016 and we completed the database of ACLED by usingthe one from UCDP/PRIO (1990-1995).

b) climate and Governance data

Weather data are from the National Institute of Statistics (INS). This dataset providesmonthly mean temperature and precipitation from 1990 to 2016. Niger and itsneighbouring countries’ governance indicators are from the World Bank dataset

42 N°002 — Edition 2019



c) Study Area

figure 1: Map of niger showing its 8 regions

Results and Discussions

A - Descriptive Statistics:

• Climate and Resource Scarcity Relations in Niger

Figure 2 shows how important precipitation is in determining the country’s agriculturalincome. From these statistics, one can easily understand that income curve followedalmost the same pattern than the precipitation’s one. Whenever precipitation is low (belowthe average), the agricultural income is also below the average over the periodconsidered. However, sometimes precipitation goes beyond the average and the incomeremains below the average, probably because of damages link to flood and lost afterharvest.

43N°002 — Edition 2019



figure 2: precipitation and Resource Scarcity

Source : Based on INS Climate data and Data from the Ministry of Agriculture dataset

• Climate and Armed Conflict Relations in Niger

In general, precipitation variation is a recurring feature of climate in Niger, and it affectsall form of livelihoods and all regions of the country.

The following descriptive statistics in figure 3 help us to read how much role climateparameters played in conflict escalation in Niger. The relationship between climatevariability and armed conflict is complex but can be traced within certain limits, throughagricultural production /supply changes, which may lead to food price inflation andincrease vulnerability of rural population. With the hypothesis that vulnerable people tendto be frustrated and more accessible to be recruit for violent organization, it is possiblethat in Niger conflicts being explain by precipitation decrease because agriculture is ofrain-fed type. However, from figure 3 we can also see that precipitation abundance fitperiod of conflict therefore the hypothesis of cornucopian seems to be satisfied in the caseof Niger.

44 N°002 — Edition 2019



figure 3: precipitation and number of Deaths due to conflicts

Source: Based on ACLED dataset and INS Climate data

In the early 1990s, a decrease of precipitation coincides with a decrease of conflictescalation. Such relation is explained in the literature as a result of cooperation betweenactors instead of fighting. The decrease of precipitation from 1994 to 1997 coincides withan increase of violence and this is conformed to the result found by Miguel et al. (2004).Importantly, from 2012, precipitation is chowing a decreasing trend and conflict escalationwent at it highest pick in the country. Therefore, it is worth to study in depth using moresophisticated tools the causes of conflict in Niger.

• Resource Scarcity and Conflicts Relations in Niger

The relationship between climate change and conflict has been at the centre of researchrecently. Wirth (1998) stated that ‘‘At an intuitive level, it is reasonably obvious that in somecases certain kinds of environmental stresses might somewhat exacerbate the risk ofarmed conflict’’. The salient questions, however, are which types of cases, what kinds ofstresses and how probable the risks?

We therefore look through the figure 4 whether environmental resource constraints havean effect on armed conflict in Niger? As in the literature, the later question does not denythat local and global political economies play an important role in driving the environmentaldegradation and resource scarcity that persistently plague communities. In this section,we used descriptive statistics to read Homer-Dixon (1994, 1999) hypothesis of that thedepletion and/ or degradation of renewable resources increases the probability of violencebetween competing groups.

45N°002 — Edition 2019



In general, from the figure 4, whenever the agricultural income is below the averageconflict escalate over that period. After 2009 when income went beyond the average weobserved a decrease of death (close to zero) due to conflict. From 2012, agriculturalincome has a decreasing trend and conflict escalation went at its highest level in 2015. Inreading this figure, we can expect that in Niger, resources have a role in explaining conflictescalation in Niger.

figure 4: Resource Scarcity and Armed conflicts

Source: Based on ACLED dataset and Data from Agricultural Ministry

• Governance in niger and in its neighbours

Collier and Hoeffler, (2004) claim that countries with bad governance and surrounded bybad neighbours are more likely to register violence escalation compare to countries withgood governance and good neighbours. We used data from the World Bank dataset ofgovernance to understand through descriptive statistics the case of Niger. The followingfigure 5 shows that the entire seven (7) countries bordering Niger are badly governed.Indeed, we used the Government Effectiveness indicator which captures perceptions ofthe quality of public services, the quality of the civil service and the degree of itsindependence from political pressures, the quality of policy formulation andimplementation, and the credibility of the government's commitment to such policies. Theestimate gives the country's score on the aggregate indicator, in units of a standard normaldistribution, i.e. ranging from approximately -2.5 to 2.5.

46 N°002 — Edition 2019



figure 5: Governance in niger and its Borders

Source: Based on World Bank dataset (2017).

We also read the political stability of Niger’s bordering countries using the World Bankdataset. The figure 6 below is the description of the Political Stability and Absence ofViolence/Terrorism for the seven (7) countries. This indicator measures perceptions of thelikelihood of political instability and/or politically-motivated violence, including terrorism.The estimate gives the country's score on the aggregate indicator, in units of a standardnormal distribution, i.e. ranging from approximately -2.5 to 2.5. It is only Benin Republicwhich is politically stable during the period considered. This means that Niger and itsneighbouring countries are politically instable and badly governed. From the literature,these indicators are part of triggers of armed conflict in a given country.

47N°002 — Edition 2019



figure 6: political Stability in niger and its Borders

Source: Based on World Bank dataset (2017).

• Governance and conflicts Relations in niger

The two curves in figure 7 are perfectly fitting each other meaning that armed conflict inNiger has to do with bad governance or vice versa.

figure 7: Armed conflicts versus Governance

Source: Based on ACLED dataset and the World Bank dataset (2017).

48 N°002 — Edition 2019



In order to understand the possible direction between armed conflict and governance,we drawn figures 8 and 9, using the governance indicator from World Bank and thenumber of death due to armed conflict.

figure 8: Governance and Armed conflicts


figure 9: Armed conflicts and Governance


In general, from these figures, whenever governance is “ameliorated” conflict escalationwill decrease in Niger over the period considered. However, even when there is no conflict,Niger is still badly governed. It is also readable from figure 9 that armed conflict alsoexplains some percentage of bad governance in Niger.

49N°002 — Edition 2019



B - Econometric Regressions

• Results I: Two Steps Analysis

Table 1 reports the results from the regression of the per capita agricultural income onclimate variability and some control variables described above. It does so for two differentmethods: simple panel model and the fixed effect vector decomposition. We conduct suchseparate analysis because in the literature some authors argued that the inconclusiveresult regarding the climate and conflict nexus is due to methodological differences. Thereason for focusing on the per capita agricultural income is that we do not assumepopulation to be constant when dealing with the most important sector in the nationaleconomy and the highest population growth rate in the world.

table 1: panel fixed effects regression with vector decomposition (fevd)

In contrast to Koubi et al.’s (2012) findings, our results show that there is a statisticallysignificant impact of climate variability on agricultural income. The analysis supports theargument that income from agriculture is affected by climate variability. Both temperatureand precipitation used as climate parameters are positively impacting the agricultural

50 N°002 — Edition 2019


Marginal effects; Standard errors in parentheses (d) for discrete change of dummy variable from 0 to 1* p < 0.05, ** p < 0.01, *** p < 0.001

(2)Model Fevd

(1)Model PanelSimple

0.0355***(0.00981)

0.0000274***(0.00000215)

1.318***(0.327)

2.729(4.290)

-35.24386***2160.63

0.0446*(0.0185)

0.0000515***(0.00000649)

-0.236(0.517)

8.009(4.351)1.000

(.)-55.3918***

2160.70

Percincomagri

Prep

Population

Trend

Tempdevi

Eta

ConstantObservationsR-squared


income. However, the positive impact of temperature is not significant. In contrast toMalthusianism thought, we found that population growth contributes positively andsignificantly to the per capita agricultural income. This is probably due to the fact that inNiger, agriculture is still function of labour and land. Thus, the more a household is bigthe more the man power is.

In table 2 we present results on the likelihood of armed conflict escalation when agriculturalincome affected by climate variability has changed.

table 2: Resource and Armed conflict in niger

Our results suggest that climate variability, measured as deviations in temperature andprecipitation from their past (1990-2016), affects armed conflict through agriculturalincome. This result is important because the causal pathway leading from climatevariability via (decreasing resources) to conflict is a key part of most theoretical models ofthe climate conflict nexus.

Though our empirical results provide support for the climate change-resource scarcity-conflict pathway, further research is required before we can move towards closure of thedebate. In particular, it would be very useful if we had regional adaptation measure toclimate variability. For instance, in the absence of appropriate indicators for adaptation it

51N°002 — Edition 2019


Marginal effects; Standard errors in parentheses(d) for discrete change of dummy variable from 0 to 1* p < 0.05, ** p < 0.01, *** p < 0.001

Model ArmedConflict

-0.348*(0.167)

5.851***(1.517)

9.09e-09(0.000000300)

4.091***(1.139)2160.53

ConflictPercapagricom

Badgovernance

Population

Fatalities

NR-squared


remains difficult to estimate the effect of climatic variability on agricultural performanceand hence on the probability of armed conflict.

The findings also suggest that bad governance affect positively and significantly theprobability of conflict escalation. This is in accordance to the argument of Collier andHoeffler (2004) and many other authors. Importantly, we found that fatalities (number ofdeath) is significantly contributing to conflict escalation. This is very crucial for policyrecommendation for the country. Indeed, it means whenever people died due to a conflictthen the probability of retaliation is very high and it will become a vicious circle. This isvery common in Niger especially when dealing with farmer-herder conflict. One could alsoread this result to be an incapacity to resolve conflict after one party is being attacked oreven to prevent conflict. Though from our result population contribution to conflictescalation in Niger is not statistically significant, we think that it is contributing to shrinkthe per capita income from agriculture.

• Results II: Instrumental Variable Method

The aim of this study is to analyse how resource changes triggered by climatic variabilitydetermine the likelihood of armed conflict escalation. Our previous estimations have shownthat a decrease of agricultural income increases the risk of armed conflict escalation inNiger. From this, it follows that climate variability may increase the probability of armedconflict through their negative impact on agricultural income.

Table 3 summarizes key results from our instrumental variable analysis. In section Aregression we found that climate variability to be relevant for agricultural income in thefirst-stage equation and to be exogenous in the second stage. A potential problem is thatclimate variability might affect the potential of conflict through channels other thanagricultural income. In case of the existence of other channels, the second stageregression could give us biased coefficients. Hence it is not feasible to rule out thepossibility that climate variability triggers armed conflict only through agricultural income,we then instrumented precipitation in the regression.

Results show that climate variability has a significant direct effect on the likelihood ofarmed conflict onset. Indeed, the coefficient of the per capita income is negative (pointestimate equal to –0.0107), that is, the confirmation of our hypothesis. When theagricultural per capita income increases by one percentage point, the likelihood of armedconflict onset is reduced by 1.07 percentage points. This result is significant at the 10%level. Control variables such as fatalities and bad governance have their expected signsand are significant at the 5% level. However, the population variable has the expectedsign, when it increases conflict escalation probability increases, but not significant at 10%level. In summary, we find support in our data for the argument that climatic variabilityaffects conflict onset not only through agricultural income changes.

52 N°002 — Edition 2019



table 3: Instrumental Variable Method

53N°002 — Edition 2019


Marginal effects; Standard errors in parentheses(d) for discrete change of dummy variable from 0 to 1* p < 0.05, ** p < 0.01, *** p < 0.001

Model ArmedConflict

-0.348*(0.167)

5.851***(1.517)

9.09e-09(0.000000300)

4.091***(1.139)2160.53

ConflictPercapagricom

Badgovernance

Population

Fatalities

NR-squared


conclusion

The hypothesis we formulated in this chapter, climate variability and associatedagricultural income losses do not have significant effect on the likelihood of occurrenceof conflict, is infirmed. The fundamental argument of whether increasing local or regionalclimate variability due to large-scale, human-induced changes is associated with anincreased risk of conflict remains contested, both among policymakers and in academiccircles. In this paper we contribute in two ways to the existing literature on the climatechange–conflict nexus. First, in studying the nexus between climatic variability and theprobability of intrastate conflict we used the per capita income from agriculture, and wherethese effects may be contingent on the quality of governance system. Second, the cross-country nature of previous studies, leaves regional (subnational) heterogeneityunobserved and thus limits the ability to derive context-specific recommendations foreffective strategies and national policies of conflict prevention.

54 N°002 — Edition 2019



References

Adano, W. R., Dietz, T., Witsenburg, K., & Zaal, F. (2012). Climate change, violentconflict and local institutions in Kenya’s drylands. Journal of Peace Research, 49(1), 65–80. https://doi.org/10.1177/0022343311427344

Adano, W. R., & Witsenburg, K. M. (2009). Of Rain and Raids: Violent Livestock Raidingin Northern Kenya. Civil Wars, 11(4), 514–538.https://doi.org/10.1080/13698240903403915

Anderson, C. A. (2001). Heat and Violence. Current Directions in Psychological Science,10(1), 33–38. https://doi.org/10.1111/1467-8721.00109

Baysan C, Gonzalez F, Burke M, Hsiang S, M. E. (2014). Economic and non-economic

factors in violence: evidence from drug cartels, suicides, and climate in Mexico.Berkeley.

Bello, G. H. M., & Maman, M. N. M. (2015). A Ricardian Analysis of the Impact ofTemperature and Rainfall Variability on Agriculture in Dosso and Maradi Regions ofNiger Republic 1. Agricultural Sciences, 6, 724–733.https://doi.org/10.4236/as.2015.67070

Bergholt D. & Päivi Lujala. (2012). Climate-related natural disasters, economic growth,and armed civil conflict. Journal of Peace Research, 49(1), 147–162.https://doi.org/10.1177/0022343311426167

Blomberg, S. B., Hess, G. D., Blomberg, S. B., & Hess, G. D. (2002). The Temporal LinksBetween Con ict and Economic Activity. Journal of Conflict Resolution, 46(1), 74–90.

Blomberg, S. B., Hess, G. D., & Thacker, S. (2006). On the Conflict Poverty Nexus.Economics and Politics, 18(3), 237–267. https://doi.org/10.1111/j.1468-0343.2006.00170.x

Burke, M. B., Miguel, E., Satyanath, S., Dykema, J. a, & Lobell, D. B. (2009). Warmingincreases the risk of civil war in Africa. Proceedings of the National Academy of

Sciences of the United States of America, 106(49), 20670–20674.https://doi.org/10.1073/pnas.0907998106

Burke, M., Hsiang, S. M., & Miguel, E. (2015). Climate and Conflict, (May).https://doi.org/10.1146/annurev-economics-080614-115430

55N°002 — Edition 2019



Chassang, S., & Padró, G. (2009). Economic Shocks and Civil War ∗, (September2008), 211–228. https://doi.org/10.1561/100.00008072

Collier, P. & Hoeffler, A. (2004). Murder by Numbers: Socio-Economic Determinants of

Homicide and Civil War. (No. CSAEWPS/2004-10).

Collier, P., & Hoeffler, A. (2007). Unintended consequences: Does aid promote armsraces? Oxford Bulletin of Economics and Statistics, 69(1), 1–27.https://doi.org/10.1111/j.1468-0084.2006.00439.x

Couttenier Mathieu & Raphaël Souberyran. (2011). Drought and Civil War in

Sub-Saharan Africa. (No. 21). Paris.

de Soysa, I. (2002a). Ecoviolence : Shrinking Pie , or Honey Pot ? Global Environmental

Politics, 2(4), 1–34.

de Soysa, I. (2002b). Paradise Is a Bazaar ? Greed , Creed , and Governance in CivilWar , 1989 – 99 *. Journal of Peace Research, 39(4), 395–416.

Eaton, D. (2008). The business of peace: Raiding and peace work along the Kenya-Uganda border (part II). African Affairs, 107(427), 243–259.https://doi.org/10.1093/afraf/adm086

Fjelde, H., & von Uexkull, N. (2012). Climate triggers: Rainfall anomalies, vulnerabilityand communal conflict in Sub-Saharan Africa. Political Geography, 31(7), 444–453.https://doi.org/10.1016/j.polgeo.2012.08.004

Gleditsch, N. P. (1998). Armed conflict and the environment: A critique of the literature.Journal of Peace Research, 35(3), 381–400.https://doi.org/10.1177/0022343398035003007

Hendrix, C. S., & Salehyan, I. (2012). Climate change, rainfall, and social conflict inAfrica. Journal of Peace Research, 49(1), 35–50.https://doi.org/10.1177/0022343311426165

Hidalgo, F. D., Naidu, S., Nichter, S., & Richardson, N. (2010). ECONOMICDETERMINANTS OF LAND INVASIONS, 92(August), 505–523.

Homer-Dixon, T. (1995). The Ingenuity Gap: Can Poor Countries Adapt to ResourceScarcity? Population and Development Review, 21(3), 587–612.https://doi.org/10.2307/2137751

56 N°002 — Edition 2019



Homer-Dixon T. F. (1994). Environmental Scarcities and Violent Conflict: Evidence fromcases. International Security, 19(1), 1–36.

Homer-Dixon, T. F. (1999). Environment, Scarcity, and Violence, 7(1), 76–86.https://doi.org/10.2307/20049302

Lecoutere, E., Exelle, B. D., & Campenhout, B. Van. (2010). Who Engages in Water

Scarcity Conflicts ? A Field Experiment with Irrigators in Semi-arid Africa. Conflict (Vol.31). Retrieved from http://www.microconflict.eu/publications/RWP31_EL_BD_BVC.pdf

Matthew, R. A.; Gaulin, T. & McDonald, B. (2003). Elusive Quest : Linking EnvironmentalChange and Conflict. Canadian Journal of Political Science, 36(4), 857–878.https://doi.org/10.1017/S0008423903778895

Maystadt, J. F., & Ecker, O. (2014). Extreme weather and civil war: Does drought fuelconflict in Somalia through livestock price shocks? American Journal of Agricultural

Economics, 96(4), 1157–1182. https://doi.org/10.1093/ajae/aau010

Mehlum, H., Moene, K., & Torvik, R. (2006). Institutions and the resource curse.

Economic Journal, 116(508), 1–20. https://doi.org/10.1111/j.1468-0297.2006.01045.x

Meier, P., Bond, D., & Bond, J. (2007). Environmental influences on pastoral conflict inthe Horn of Africa. Political Geography, 26(6), 716–735.https://doi.org/10.1016/j.polgeo.2007.06.001

Miguel E.; Shanker S. and Ernest S. (2004). Economic Shocks and Civil Conflict : AnInstrumental Variables Approach. Journal of Political Economy, 112(4), 725–753.

Miguel, E. (2005). Poverty and witch killing. Review of Economic Studies, 72(4), 1153–1172. https://doi.org/10.1111/0034-6527.00365

Pl̈mper, T., & Troeger, V. E. (2007). Efficient estimation of time-invariant and rarelychanging variables in finite sample panel analyses with unit fixed effects. Political

Analysis, 15(2), 124–139. https://doi.org/10.1093/pan/mpm002

Raleigh, C., & Kniveton, D. (2012). Come rain or shine: An analysis of conflict andclimate variability in East Africa, (2009). https://doi.org/10.1177/0022343311427754Reuveny, R. (2007). Climate change-induced migration and violent conflict. PoliticalGeography, 26(6), 656–673. https://doi.org/10.1016/j.polgeo.2007.05.001

Salehyan, I. (2008). From Climate Change to Conflict ? No Consensus Yet *. Journal of

Peace Research, 45(3), 315–326. https://doi.org/10.1177/0022343308088812

57N°002 — Edition 2019



Theisen, O. M. (2012). Climate clashes? Weather variability, land pressure, andorganized violence in Kenya, 1989-2004. Journal of Peace Research, 49(1), 81–96.https://doi.org/10.1177/0022343311425842

Theisen, O. M., Gleditsch, N. P., & Buhaug, H. (2013). Is climate change a driver ofarmed conflict? Climatic Change, 117(3), 613–625. https://doi.org/10.1007/s10584-012-0649-4

Wirth, D. A. (1998). At War with the Environment. Virginia Law Review, 84(315), 315–332.

58 N°002 — Edition 2019



59N°002 — Edition 2019

DOcUMEnt 3factors determining participation to, and

benefits from climate finance of westAfrican countries

facteurs déterminants la participation des pays et les

bénéfices de la finance climatique en Afrique de l’Ouest

J.A. nicaise AMAn1; Janet O. Adelegan2; Ibrahima t. Diop3

1 PhD candidate, Climate Change Economics; University Cheick Anta Diop Dakar (UCAD)Senegal, West African Science Service Center on Climate

Change and Adapted Land Use (WASCAL)2 West African Science Service Center on Climate Change and Adapted Land Use (WASCAL)3 Faculty of Economics and Management, University Cheick Anta Diop Dakar (UCAD)Senegal


60 N°002 — Edition 2019

Factors determining participation to, and benefits from ClimateFinance of West African Countries

ABStRAct

RESUME

IntRODUctIOn

StUDy AREA : DEMOGRAphy, cOUntRIES EcOnOMIc StRUctURE

LItERAtURE REVIEw: cLIMAtE chAnGE AnD fInAncE OVERVIEw

thEOREtIcAL fRAMEwORK

EMpIRIcAL fRAMEwORK

DAtA

EMpIRIcAL MODEL SpEcIfIcAtIOn

RESULtS AnD DIScUSSIOnS

cOUntRIES pARtIcIpAtIOnS In cLIMAtE fInAncE

cOUntRIES BEnEfIt In cLIMAtE fInAncE

cOncLUSIOn

REfEREncES

AnnExES


Abstract

This empirical study assessed the factors determining West African countries participationto and benefit from, climate finance funds working on the continent. A two-step model(logit regression at the first step and OLS at the second step) was used to analyze a paneldata collected from 15 countries of ECOWAS (Economic Community of West AfricanStates). The results showed that countries with higher CO2 emission, lower per capitagross domestic product (GDP), good governance (good political stability, good regulatoryquality, good control of corruption and effective governments) and higher democracy ratetend to participate in climate finance and also receive more amount from climate funds.Human capital is also an important factor in climate finance in West Africa. Consideringthe importance of these factors in the general economic wellbeing of the people, it isrecommended that ECOWAS as a body should ensure good governance in its membercountries.

Key words: Climate finance – West Africa – Logit - OLS – governance- human capital

JEL classification: F35, G15, P33,Q01

61N°002 — Edition 2019



Résumé

Cette étude empirique évalue les facteurs déterminants la participation aux, et lesbénéfices des, fonds climatiques présents en Afrique de l’Ouest. Un modèle à deuxétapes (régression logit à la première étape et MCO à la deuxième étape) a été utilisépour analyser des données de panel collectées dans les 15 pays de la CEDEAO(Communauté Economique Des Etats de l’Afrique de L’Ouest). Les résultats obtenus ontmontré que les pays avec, un niveau élevé d’émissions de CO2, un faible niveau deProduit Intérieur Brute (PIB), une bonne gouvernance (bonne stabilité politique, bonnequalité de régulation, bonne contrôle de la corruption et une gouvernance effective) et unhaut degré de démocratie ont tendance à plus participer à la finance climatique etreçoivent plus de fonds climatique. Le capital humain est aussi un important facteur àprendre en compte par les Etats Ouest Africains. Considérant l’importance de ces facteurspour le bien-être économique des populations, nous recommandons en tant que l’entitésous régionale de s’assurer la bonne gouvernance dans ses états membres.

Mots clés : Finance climatique – Afrique de l’Ouest– Logit -MCO – Gouvernance- capitalhumain

62 N°002 — Edition 2019



Introduction

Historically, Africa’s contribution to climate change is minimal. But this global issue isprojected to worsen the economic conditions of developing countries, particularly, sub-Saharan Africa due to its fragile economies and high poverty levels While Africa producesless than 4% of greenhouse gas emissions, it is considered the world’s most vulnerableregion due to the fragility of its economies (Collier, Conway, & Venables, 2008; IPCC, 2014;OECD, 2009) and high poverty levels. With climate financing however, adaptation andmitigation of climate change to minimize these impacts could be achieved. Therefore, theneed for financing adaptation and mitigation in developing countries particularly in Africais imperative to help cope with the consequences of climate change. “Climate financeaims at reducing emissions, and enhancing sinks of greenhouse gases and targets atreducing vulnerability of, and maintaining and increasing the resilience of, human andecological systems to negative climate change impacts”(UNFCCC, 2014). The fifthassessment report of the Intergovernmental Panel on Climate Change (IPCC) reviewedthe investment needs for both mitigation and adaptation (Chambwera et al., 2014; Guptaet al., 2014).

The amount of the global climate finance flows has reached at least USD 391 billion in2014 ( Buchner et al., 2015). But only USD 2.67 billion (0.68% of the total global amount)has been approved for 458 projects and programs throughout Sub-Saharan Africacountries; a large share (over 20% of approved funding) of this climate funds has beendirected to South Africa since 2003 (Barnard, Caravani, & Nakhooda, 2015). Nakhoodaet al (2011) also reported that as at the end of the year 2011, a total of USD1.16 billionhas been approved for Sub-Saharan Africa but only USD379 million has been disbursed. The following table 1 give us more details on climate funds received in West Africa andshows the gap between the amount deposit in the funds and the approved amount forAfrican climate projects, and also the scale of the financed projects.

63N°002 — Edition 2019



table 1: Scale and range of projects approved from climate funds in west Africa

In regards to the table above, climate finance inflows in West Africa still low while most ofthe poor countries of the continent are located in this sub region. the next figure showsthe top climate funds recipients in the world and none of the countries of West Africa regionis representing.

64 N°002 — Edition 2019


Funds Funds pledged in million USD

Available grants and loans in the funds in million USD

Number of approved projects Amount approved in million USD

Small scale project <50 million USD

Medium large scale >= 50 million USD

Total Number of projects in WA

Total Number of projects in SSA

AF 633 547 349 4 0 4 ASAP 308 336 345 10 0 10 CTF 5 370 5 404 4 959 1 0 1 FCPF 1 137 765 207 6 0 6 FIP 722 743 335 5 0 5 GICI 1082 1082 1 368 3 0 3 GCCA 906 326 347 7 0 7 GEEREF 282 164 89 0 0 0 GEF 3 352 2938 2334 53 0 53 GCF 10 273 9 896 1174 8 0 8 LDCF 1 250 1 077 981 58 0 58 MDGAF 90 90 90 1 0 1 PPCR 1 153 1 117 973 4 1 5 SREP 720 742 236 3 0 3 SCCF 368 362 302 2 0 2 UKICF 6002 1 318 1789 2 0 2

291 272 249 2 0 2 TOTAL 33 939 27 179 16 127 169 1 170 458 UNREDD

33 24 7 16 15 3 31 2 11219 1423 16 10 10 7 8

Source: The author


Although several climate funding partners exits in the continent, the share of Africancountries in implementing projects and programs to attract funds is quite little. The figure1 below from climate funds update shows a list and size of the major climate funds partnerspresents in the subregion.

65N°002 — Edition 2019


Recipiens (bar chart)Country

CountryTout

FundTout

RegionTout

Income ClassificationTout

ThemeTout

Least Developped CountryTout

Small Island Developing...Tout

IndiaBrazil

MoroccoMexico

South AfricaIndonesia

TurkeyUkraineGlobalEgypt

Global (Armenia, Egypt, Geo...China

ColombiaVietnam

ChileKazahkstanBengladesh

Global (Bahamas, Barbades...ArgentinaTanzania

0 100 200 300 400 500 600 700Amount of Finding Approved (USD millions)

Figure 2 : Top climate finance recipients in the worldSource: climatefundsupdate.org, October 2018

800 900 1000 1100

PilotProgramme for

Climate and

Least DevelopedCountries Fund (LDCF)

658,1

Clean TechnologyFund (CTF)

580,2

Scaling-UpRenewable

Energy

ForestInvestment

Adaptationfor

Global

Green Climate Fund(GCF)500,5

Global

Global

AdaptationFund (AF)

Global ClimateChangeAlliance

Funds in Sub Saharan Africa

Figure 1: Climate partners working in Africa and their size but available fundsSource: climatefundsupdate.org, October 2018


This study attempts to answer the following questions:What are the factors influencing the participation and the benefit of West African countriesin climate finance market? How can the countries increase their participation and benefitin climate finance?

The objective is to estimate the factors influencing the participation of West Africancountries in climate finance market and how much the participant countries benefit fromthe climate funds. This suggested that, we are interested in the determinants of countriesparticipation and the determinants of annual benefits by West African countries.

The following hypothesis can be drawn from this objective.:Hypothesis 1: The larger the emissions of a country, the more likely it will participate toclimate finance and to receive more funds.Hypothesis 2: The better the governance of a country, the more likely it will participate toclimate finance and to receive more funds.Hypothesis 3: The lower the GDP per capita of a country, the more likely it will participateto climate finance and to receive more funds.Hypothesis 4: The better is the human capital of country, the more likely it will participateto climate finance and to receive more funds.

Study area : Demography, countries economicstructure

Economic Community of West African States (ECOWAS) is composed on 15 countrieswhich are Benin, Burkina Faso, Cape Verde, Cote d'Ivoire, Gambia, Ghana, Guinea,Guinea Bissau, Liberia, Mali, Niger, Nigeria, Senegal, Sierra Leone and Togo. ECOWASworks to promote social, political and economic co-operation in the region. Eight of thecountries region (Benin, Burkina Faso, Cote d'Ivoire, Guinea-Bissau, Mali, Niger, Senegaland Togo) listed above are part of the West Africa Economy and Monetary Union(WAEMU) and they share a common currency, development bank, the banking systemregulator and central bank.

The estimated population on 2015 was 367 million inhabitants and the region is the fastestgrowing population in the world and more than 60 percent live in rural area (UN, 2015).The West African’s age structure has a large side and concave sides which indicate highbirth and death rate. This means that the population is growing very fast and the countrieshave to make policies to fulfill their needs. The majority of West Africans live in the ruralarea but it is important to notice that the urban population has increased compare to 1950(ECOWAS, 2007). This change impacted the lifestyle and patterns of consumption affectland use and land cover patterns in the countries (Rindfuss et al., 2004). The increase of

66 N°002 — Edition 2019



urban population has augmented the demands of food translated into land demands forthe cultivation of crops, fruits and vegetables. For Lambin and al. (2001) there are fewlinkages between population and land use and land cover because it is the responses ofpeople to economic opportunities that drive land cover changes facilitate by institutionalfactors.

West Africa has one of the poorest economic structure in the world. Economies are stillbased on agriculture and heavily dependent on primary commodities like oil and mineralsand a limited range of crops such as tea, coffee, cotton and cocoa(WDI, 2007). The percapita GDP is ranging between 300 and 11000$. The west African share in world exportshave decreased through years and Asia is rising as the first partner of the region. Climatechange is worsened the situation of the countries because of his huge impact onagriculture which still mostly rainfed.

The following figure shows the map of the study area.

67N°002 — Edition 2019



Literature review: Climate change and financeoverview

Climate change is defined as the alterations in the state of the climate that can be identified(e.g., by using statistical tests) by changes in the mean and/or the variability of itsproperties and that persists for an extended period, typically decades or longer. This maybe due to several factors including natural internal processes or external forcing, persistentanthropogenic changes in the composition of the atmosphere or in land use (Barros etal., 2012). Due to its impacts on almost all sectors, it has become one of the most complexchallenges of the 21st century. No country is immune from its effects and no country canalone face the controversial political decisions, with deep technological changes and otherinseparable and serious challenges. Noticeable impacts include frequent and severenatural disasters (drought and flooding) and social (conflicts, political instability, povertylevel enhancement, food insecurity and water scarcity) (Bierbaum and Fay, 2010; FAO,2016; Kang et al, 2009; Misra, 2014). Collier et al (2016) noted that climate change hasimplications for Africa because of its distinctive characteristics and that its climate is likelyto be affected more severely than that of other regions. In most cases, timely responseactions were considered to be beyond the economic means of some countries. Economicchallenges such as deterioration in terms of trade, inappropriate policies, high populationgrowth rates, and lack of significant investment coupled with a highly variable climatehave made responses to climate change impacts difficult for several countries to developpatterns of livelihood that would reduce pressure on the natural resource base.(Khan andAkhtar, 2015; McCarthy et al, 2001). One of the main reasons for the high vulnerability ofAfrica to climate change is the high dependence on natural resources agriculture, lowinfrastructures development, financial resources and the less resiliency linked to theweakness (low level of GDP) of African economies. Like all other regions, West Africa musttake-up this challenge essentially that of vulnerability and uncertainty. The only option forreducing climate change impacts is through adaptation or mitigation(OECD, 2013).However, the adoption of these measures requires financial resources. Several climatefinancing mechanisms have been developed to help developing countries cope with thisissue. OECD member countries recognize that poorer countries and regions will needsustained financial and technical support to help increase their capacity to adapt toclimate change effects they are already locked-in due to past emissions (OECD, 2009).Allocating finance responsibilities have largely been in proportion to historical emissions,thus, based on the idea that those countries which have contributed most to the currentemissions levels and the resulting climatic change and climate variability should bear mostof the climate-finance responsibility. The historical emissions responsibility approachwhich was first proposed by the OECD is based on the theory and notion of "polluters pay"and this requires polluters to pay for damages done to the natural environment (OECD,1992). Some countries then created some of these funding systems to help developingcountries to cope with the consequences of Climate change. With these global climate

68 N°002 — Edition 2019



financing mechanisms, it is expected that Africa’s adaptive capacity could be improved.Climate finance can therefore be defined as the financial resources flows within andbetween countries motivated by climate change issue.

The quantification of resources needed to cope with the effects of climate change in thefirst attempt was the investment and financial flows to address climate change (UNFCCC,2007). It was estimated that the financial flows needed by 2030 to address climate changeissue will be USD200–210 billion and only for adaptation, tens of billions will be necessaryto keep the global greenhouse gases to the current levels( Bird and Brown, 2010; Bird,2014a; Haites, 2011; Tirpak and Parry, 2008). Cancun agreement in 2010 encourageddeveloping countries to act in the way of sustainable development by having low carbonand greenhouse gases emissions development strategies. These strategies requirefinancial supports in the private and public sector that allows effective management andequitable access to climate finance and monitoring to reach sustainable development (Ariand Neil, 2013; UNEP, 2009).

In February 2010, a High level Advisory group on financing climate change, establishedby the United Nations Secretary General, valued what was the best approach to mobilizeUS$100 billion per year by 2020 to help developing countries cope with climate change (cited in (Bird and Glennie, 2011).

Many commentaries have been made on how climate finance must be and how it has tolook like (Craeynest, 2010; Müller, 2008; Newell et al, 2009; Pendleton and Retallack, 2009;Stewart et al, 2009). Haites (2011) stated that research on climate finance is evidently onthe starting point.

The amount devoted to climate finance is increasing in the Official development assistance(ODA) (Bierbaum and Fay, 2010; OECD, 2011). Mitigation of climate change rather thanadaptation is principally targeted by climate finance mechanisms (Halimanjaya andPapyrakis, 2012).

The following figure 4 shows how resources must flow to finance climate change activitiesand projects:

69N°002 — Edition 2019



Theoretical framework

The objective of this study is to estimate the factors influencing the participation of WestAfrican countries in climate finance market and how much the participant countries canbenefit more from the climate funds. This suggested that, we are interested in thedeterminants of countries participation and the determinants of annual benefits by WestAfrican countries. The orthodox method is a two-step model where we estimate aprobit/logit function for the first part of the objective and ordinary least square (OLS)function for the second part. An alternative to this orthodox method is Heckman twostepmodel approach (Heckman, 1974; Heckman, 1976). The Heckman process involved an

70 N°002 — Edition 2019


Governmentbudgets

Capitalmakets

Developmentcooperation

agencies

OfficialDevelopmentAssistance

IndustrialisedcountriesODAcommitmets

Industrialisedcountriescommitmetsto " new andadditional"finance forclimatechange

Industrialisedcountriesemissionreductionobligation

ForeignDirectInvestment

CDM levyfunding theAdaptationFund

New and"Additional"

Climate Finance

Total finance available for climate change mitigation and adaptation initiatives

Carbon Markets

BilateralFinance

Institutions

MultilateralFinance

InstitutionsUNFCCC Private

sectorDomesticbudgets

Figure 4: Financial flows for climate change mitigation and adaptation in developingcountries. Note : the UNFCCC mechanism include the various funds under the GEF as well as the AFSource: (Siebert et al, 2009)


iteration procedure for the generation of a new variable after estimation of the probit model(the determinants of countries’ participation in climate finance market). In the second step,this new generated variable will be used as an additional variable (the determinants ofannually benefit)(Greene, 2002). In our case, Heckman two stage regression lead to

statistically insignificant variables coefficients, we then adopted the orthodox

method to have more credible results. The theoretical model of our two-step model is given as follow:

Step 1. Participation equation (Selection equation)

The logit model identifies the probability of participation of countries and thereforeidentifies the factors which influences participation. The first stage equation is given asfollows:

(1)

Where CFP is the Climate Finance Participation which define the climate funds bilateral ormultilateral partners with which the countries are working and X the independentvariables….

Step 2. Benefit equation (Outcome equation)

In the second stage, we will identify the factors responsible for the amounts received bythe countries. The theoretical equation is given like below:

(2)

Where CFI is the Climate Finance Inflows in the country and X the independent variables.

Empirical framework

Data

For this study, a panel data of the 15 (Economic Community of West African States)ECOWAS countries is used. The time period is going from 2007 to 2016 due to dataavailability. The data are coming from UNFCCC data, from climate funds update, fromFAOSTAT, from WDI of World Bank, from WGI of World Bank, from national statisticsinstitute and sub regional institutions and Kaufmann institutional measures for democracy.

71N°002 — Edition 2019



Empirical model specification

The panel comprises the 15 ECOWAS countries. The dataset covers the period from 2007to 2016 at an annual frequency. All the data were selected conferring to data availabilityfor the relevant variables.

The following model which estimate the climate finance inflow and the participation ofWest African countries in international climate finance market. This is using a two-partmodel. The first model coming in mind were Heckman two step model but, in our case,, itis leading to inconsistency estimators because don’t allow the selection and the outcometo use identical set of variables (Halimanjaya, 2014).

The first part of the model uses a logit to identify the factors determining the countriesparticipation and the second part uses an OLS regression to positive amount received attime t.

The benefit stage identifies the determinants used to decide which recipients receive moreclimate finance. The logit model is chosen rather than the probit model for a practical andstatistical reason. The study uses a simple logit model. The command Robust is used tocontrol heteroskedasticity in the estimations and have stable coefficients and avoid neithernormality nor homoscedasticity.

The following give the equations of the participation and benefit of countries of the westAfrican region to the international climate finance market

Step 1. Participation equation model (selection model)

Step 2. Benefit equation model (Outcome equation)

The variables from the two equations are defined and justified like follow: The regressands are the climate finance benefit which is represented by cfb and climatefinance participation defined by cfb.

72 N°002 — Edition 2019



The variables approximating emissions are six: the size of CO² emissions are measuredby CO²ca the tons of CO² emissions per capita by country i at time t (The Worldbank,2013), methane emissions by CH4, and the total of greenhouse gases by GHG.The variables linked to carbon sink will be forest, measured in 1000 ha areas. Carbon sinkcan be defined as the capacity of forest and marine areas to sequester carbon (EWI, 2013).Marine areas can offer great mitigation potential through mangrove estates, sea-grass andsalt swamplands and are considered as an alternative to carbon sink (Halimanjaya, 2014)but data for the West African region are missing. Those areas can be considered like areservoir for carbon sink and their contribution to sequester carbon is on the long termcompared to forests areas (Mcleod et al., 2011; Wickramasinghe et al., 2009).

For the countries policies and political environment, the following variables are consideredas the governance (will be measure by the average of Kaufmann Institutional measures:regulatory quality, rule of law, voice and accountability, control of corruption, politicalstability and government effectiveness. Each has a –2.5 to 2.5 index; the higher valuescorresponding to a higher quality of governance in the country). And the state ofdemocracy which will be measure by Polity2 score, democracy subtracted by autocracyscore. Both scores are using an index from 0 to 10, the higher values corresponding tomore democratic states (Marshall & Jaggers, 2007). The. Recognized democraticcountries in the international environment may profit more from climate finance formitigation projects (Neumayer, 2002). . Countries with good policies environment are morelikely to receive funds. Bierbaum & Fay (2010); Dollar, Bank, Levin, & Kennedy (2006)Epstein & Gang (2009). sustain that it is difficult to collaborate with countries which havebad governance. For instance, land tenure rights is a major land problem in Africa andconstitute a problem for carbon sequestration activities and project (Unruh, 2008).

GDP per capita (The Worldbank, 2013) variable (GDPca) tests whether Access andbenefit to climate finance is improved with higher economic level. GDP per capita as GDPat Purchasing Power parity measures economic size of the countries.Some control variables are included in the model. We have foreign direct investment inflow(FDI) received, fdi. The size of the population or demography, pop, the colonial statuswho was the colonizer which can be considered as political interest, colony, regionaldummy variables (0 for English and 1 for French colony), sub regional organization (1 forWAEMU and 0 for Non WAEMU countries). Dolsak & Crandall,(2013) found that thecolonial status can have a positive impact on climate finance as a determinant of CDMlocation. Sometimes, finances are provided by donors to protect their existing investmentsin the countries they colonized (Buchner, Brown, & Corfee-morlot, 2011). Anderson & Clist(2011) in their aid study have tested population as a standard control for small-countrybias and showed that small countries (by their population size) receive relatively largeamounts of funding per head in the allocation of mitigation finance. Educ for education index, lifex for life expectancy index, yearsh, mean of years in schoolenrolment and unempl which represent unemployment rate represent human capitalvariables. Human capital is very important for West African countries to develop bankable

73N°002 — Edition 2019



projects. Veenstra (2002) suggests that human capital is important to attract FDI andpromote better health for populations. The commonly used proxy for human capitalmeasurement is education in association with populations’ health (Daude & Stein, 2007).School enrolment, years of education, secondary graduation education are the mostcommonly used indicators for human capital measurement (Alsan, Bloom, & Canning,2006; Barro & Lee, 2012). The quinquennially data allow us to interpolate in order to haveannual coefficient as usually in the literature(Azémar & Desbordes, 2010; Nunnenkamp,2002). Data were taken from (THE WORLDBANK, 2015).

table 2: Descriptive statistics

74 N°002 — Edition 2019


Variables’ Label Obs Mean Std. Dev. Min Max cfp 150 .6066667 .4901262 0 1

cfb 150 6.550467 10.74329 0 63.89 CO2ca 150 .3438648 .2390705 .0492489 1.129928

CH4 150 15262.92 22437.18 135.212 102391 GHG 150 54927.65 76201.9 361.8328 335201.4

forest 150 46120.25 33600.04 841.9 104042 polstab 150 -.5322 .7723397 -2.37 .9

gvteff 150 -.8042667

.4514397 -1.65 .35

ctrlcorr 150 -.6006667

.5149675 -1.51 1.09

regqua 147 -.5836735

.3784867 -1.34 .13

GDPca 150 959.2861 818.2037 307.3996 3452.946

pop 150 2.12e+07 3.95e+07 486438 1.86e+08 FDI 136 6.963439 10.37192 .2639353 84.94554

democr acy 150 4.06 4.163165 -5 10 colony 150 .5333333 .500559 0 1

WAEMU 150 .5333333 .500559 0 1

educ 150 .3690067 .097453 .151 .556 lifex 150 .5855333 .0902305 .4 .828

yearsch 150 3.576 1.468674 1.3 7 unemplSource: The author with Stata 13 software computation

150 7.226667 6.575893 1 30.3


Results and discussions

countries participations in climate finance

Table 3 presents the logit regression results of countries participation to climate financeof the importance of environmental (1a), political (2a), economic (3a), human capital (4a),social (5a) factors in international climate finance market. Model (6a) and (7a) give theresults respectively of fixed effects and random effects regression.

The first model (1a) shows the effects of environmental characteristics of countries’participation to climate finance. All the environmental variables are statistically significant.While forest, CH4, and GHG are significant at 1%, CO2ca is significant at 5%. Forest andGHG are negatively related to countries participation and though CO2ca and CH4 arepositively linked to the participation. This implies that the lower is the forest area and theamount of other greenhouse gases emissions (for example PFC which is more dangerousthan carbon dioxide and methane and is 11700 powerful than carbon dioxide), the mostthe participation of countries will grow. In contrary, countries’ participations increase withthe level of CO2ca and CH4 emissions. Also, the level of methane emission impact theparticipation of countries in climate finance market. Methane emission is coming morefrom agriculture and most of West African countries are agrarian economies. It can bedrawn therefore, that climate funds can help countries practice smart and sustainableAgriculture

Some political factors are positively (gvteff, regqua, democracy) related to countries’participation while some are negatively (polstab, ctrlcorr) linked (model 2a). Only, thepolitical stability and non-violence (polstab) in the countries is statistically significant at1% and has a negative relationship with the countries’ participation. This means thatpolitically stable countries are participating more in climate finance market.

Model 3a presents the logit regression results of the economic factors on countries’participation. On the two variables have a positive effect on the participation. But onlyGDPca is statistically significant at 1%.

Model 4a considers human capital factors for the regression. Unfortunately, the resultssuffer from insignificant coefficients for all the four variables, surely due to the data.

Model 5a shows a positive relationship between countries ‘participation and population(pop) and significant at 5%. This means that the population size influences positively theprobability to be selected to receive climate funds. For example, the countries with higherpopulation level tend to have more people impacted negatively by the effects of climatechange.

75N°002 — Edition 2019



The models 6a and 7a consider the entire range of variables environmental, political,economic, human capital and social respectively with fixed effect and random effectregression. With the entire variables, more than 50 percent of the variables’ coefficientsare not statistically significant for both fixed and random effects.

With the fixed effects, only three variables are significant at 10%. We have twoenvironmental variables CH4 and GHG which are respectively positively and negativelyrelated to the participation of countries to climate finance market. While the only politicalsignificant variable is polstab which is like in the model 2a negatively linked to theparticipation.

In contrary, apart from polstab at 10% which is still significant and have a negativerelationship with the participation, all the other variables above are not significant in therandom effect regression. But human capital variables educ and yearsch are respectivelysignificant at 5% and 10% and positively and negatively related to countries ‘participationto climate finance.

To summarize, it is important to notice that all type of factors (environmental, political,economic, human capital and social have an impact on the decision of west Africancountries to participate to climate finance market. But the most important determinant isthe political stability of the country, the level of education which is linked to expertise todevelop climate projects and the level of emission mainly methane emission which is linkedto agriculture. Although some of the variables don’t have statistically significant effect onparticipation in climate finance due to limited number of observations, they still remainedvital in climate finance analysis.

76 N°002 — Edition 2019



table 3: countries participation multivariate regression results

77N°002 — Edition 2019


Models Variables 1a 2a 3a 4a 5a 6a 7a

Forest -0.0002 (0.0000)***

0.0001 (0.0003)

-0.00005 (0.00001)

CO2ca 6.2466 (2.9688)**

1.4531 (4.0658)

-1.0475 (2.3329)

CH4 0.0004 (0.0000)***

0.0004 (0.0002)*

0.00007 (0.00008)

GHG -0.0001 (0.0000)***

-0.0001 (0.0001)*

-0.00003 (0.00002)*

Polstab -1.8498 (0.7044)***

-2.0231 (1.0681)*

-1.5130 (0.6677)*

Gvteff 1.1759 (1.5493)

1.6554 (1.9399)

2.0140 (1.4907)

Ctrlcorr -0.1725 (0.7891)

0.3266 (0.8806)

-1.0332 (0.9365)

Regqua 1.9821 (1.8554)

-2.0183 (2.8616)

1.2845 (1.5773)

Democracy 0.1093 (0.1663)

0.0051 (0.1816)

0.1023 (0.0917)

FDI 0.0433 (0.0369)

0.0386 (0.0377)

-0.0058 (0.0236)

GDPca 0.0859 (0.0031)***

-0.0059 (0.0066

-0.0017 (0.007)

lnEduc 8.7416 (5.8867)

-3.1243 (7.77586)

9.3817 (3.2420)**

lnLifex 3.9983 (6.0868)

6.9685 (7.9540)

3.2657 (2.6362)

lnYearsch 2.5441 (5.7681)

8.3812 (7.6784)

-4.0243 (1.8415)*

lnunempl 0.0454 (0.7510)

1.5750 (4.2810)

0.5254 (0.3952)

pop 0.0001 (0.0008)**

0.00001 (0.00004)

0.00003 (0.00002)

constant 19.1799 (6.0012)***

Note : * significant à 10% ; **significant à 5% ; ***significant à 1% Source: The author with Stata 13 software computation


Countries benefit in climate finance

The following table 4 shows the OLS regression results of countries benefit of climatefinance of the importance of environmental (1b), political (2b), economic (3b), humancapital (4b), social (5b) factors in international climate finance market. Model (6b) and(7b) give the results respectively of the full range of variables without considering humancapital variables and with the human capital variables in the regression to capture the realimpact of human expertise in the allocation of funds at benefit stage.

Model 1b gives the results of environmental variables at the benefit stage. All thecoefficients are statistically significant. CO2ca, CH4 and GHG are significant at 1% whenlnforest is significant at 10%. The findings show that countries with lower forest areas andGHG emissions tend to receive more climate finance. The forest areas covered in thecountries have a negative relationship with the benefit received from climate funds. Theresults suggest that when the area of forest is going low, the countries are inclined toreceived more funds to keep the trees which are very important for carbon sink and forclimate change mitigation. The figures show that when the forest areas are decreasing by10.68%, the amount received by the countries will increase by 1%. On carbon dioxideemission, West African countries with large CO2 emission per capita tend to receive moreclimate finance than the countries with low per capita emission. Also, the coefficient isstrongly statistically significant at 1%. The figures show that if CO2 emission per capitaincreased by 1 point, the amount received in climate finance increased by 2.43%. In thesame way, countries with higher methane (CH4) emission are susceptible to receive morefrom climate funds compare to the others and the coefficient is strongly significant at 1%.The results show that an augmentation of 1 point of CH4 emission caused an increase ofthe amount received by 0.0005%. For the GHG, the effects are negligible on the amountof funds received because the coefficient is close to zero while negative and significantat 1%. It means that when the other greenhouse gases emissions are going down, theamount of benefited funds increase.

Model (2b) shows the regression of the regression of political variables on the allocationof climate funds. Three variables (polstab, regqua and democracy) have statisticallysignificant coefficients at 5% when the four other coefficient (ctrlcorr, gvteff which havehigh correlation coefficient cf table 6 in the annexes, colony and democracy) are notsignificant. The coefficient of polstab is negative, it was not expected because logically,climate funds are investment, then a high political stability is an asset for the country toattract fund. Regqua and democracy are positive as expected. This means that theamount of climate investment received by the country increase with the quality ofregulation and democracy level in the recipient countries. But it is important to emphasizeof the magnitude of regqua coefficient (1.1313) which is higher than 1 and significant at5%. It shows the importance of regulation quality in West African countries which want tobenefit more from climate investment.

78 N°002 — Edition 2019



Model (3b) presents the impacts of economic factors on the benefit of climate finance.Only, the coefficient of lnGDPca is significant at 5% and FDI is not significant. The positivesign of lnGDPca coefficient is not what was expected because this means that where theGDP of countries increase, the amount received increase too. This is contrary to the resultwith the full range of variables.

Model (4b) shows the results of regression with human capital variables (educ, lifex,

yearsh and unempl). Three of the four variables coefficient are significant. Educ and lifexare significant at 5% while unempl is significant at 1%. Education and unemployment rateshow a negative impact on the funds allocation. For Educ, the expected sign was theopposite of this result. Because for us, the higher is the education index in the country,the higher expertise will be available to attract climate funds. But the negative sign canbe explained by the fact that most of the climate program and projects are leaded byinternational organizations which have direct access to climate funds partners. For lifeexpectancy, his impact is positive on climate funds received. This is

Model (5b) gives the results of the only social variable which is population (pop). Thecoefficient is significant at 10% and positive with high magnitude. It implies that countrieswith high number of inhabitants in the country are inclined to receive more funds for climateprojects.

Model (6b) is the results of the regression of the countries’ benefit from climate finance withthe full range of variables without human capital variables which were consider in the model(7b). Lack of expertise can be an important factor for the countries to not receive muchclimate funds, so we differentiate the two model to capture the effect of human capital.

The model (6b) shows that apart from the coefficients of the variables GHG (othergreenhouse gases emissions) gvteff (government effectiveness), ctrlcorr (level of controlof corruption in the countries), FDI (inflow of foreign direct investment) and lnpop (whichis the logarithm form of the variable related to the region population), all the othercoefficients are statistically significant. The coefficient of the variables WAEMU whichdefine if the country is part or not of this regional organization, lnGDPca, the grossdomestic product per capita of the countries and regqua, the quality of regulation in thecountries are significant in 5%; while lnforest, the land area cover by forest is statisticallysignificant at 10%. The variables CO2ca (carbon dioxide emission), CH4 (methaneemission), polstab (political stability with no violence in the country), democracy (level ofdemocracy) and colony (1 for French colony and 0 for the others) have coefficients withstatistical significance at 1%.

Governance and political environment

Regulation quality (regqua) of the states, the level of democracy (democracy) and theaffiliation to the West African Economic and Monetary Union (WAEMU) are inclined to have

79N°002 — Edition 2019



a positive impact on the allocation of climate finance in the region. This means that for acountry to increase the amount and the quality of climate projects, the political leadershave to promote good governance and good management of the funds they are receivingfor adaptation and mitigation of the effects of climate change. Good governance andpolitical environment are very important for donors to trust the recipient countries. Manyof West African countries have experienced civil wars and some coup d’état which arenot always for the credit of our countries. The opportunities of climate funds today are toenable countries restore and adapt to climate change effectively.

Economic factors: Gross Domestic Product (GDP)

On the contrary of the positive impact of governance and political environment on the levelof benefit of climate funds, lngdpca (logarithm of GDP per capita) exhibits a negativerelationship with climate finance in the region. This means that poorer countries by thelevel of their GDP received more from climate funds than countries with much higher levelof GDP. The figures show that when GDP per capita decrease by 1%, the amount receivedincreased by 1.54% and the coefficient is significant at 5%.

Environment factors

The findings show us that environmental variables are important for allocation of climatefunds. The reduction of forest areas in the countries allow benefit for climate projects toincrease. The reduction of forest for 1% have an increase of 10.84% of the amountreceived for climate finance. While the augmentation of the carbon dioxide and methaneemissions in the countries sampled permit to countries to attract more funds for a cleanestdevelopment pathway.

Model (7b) includes the human capital variables in the model (6b) to capture the effectsof this group of factors. The variables educ and lifex are respectively significant at 10%and at 5% with a negative relationship for education index (when the education index is

reducing by 1point, the funds received is increasing by 2.10%) and a positive relationship

for life expectancy (when life expectancy is increasing by 1point, the funds received is

increasing by 5.74%) in the countries. The expected sign of educ was positive, but thenegative sign of the results can be explained by the fact that countries with high loweducation index don’t have much expertise to attract climate funds. Then, those countriesreceived more funds because of the ability of international organizations to develop morebankable climate projects with their internal expertise which is an asset for them. It is alsoimportant to notice that the inclusion of human capital variables made almost all theenvironmental variables insignificant statistically in the regression results (model 7b, table4), apart from CH4, methane emissions which is significant now at 10% and the positivesign has been kept like in the model (6b).

80 N°002 — Edition 2019


So, the human capital is very crucial for countries to attract climate funds, even more thanemissions level which are very low in the sub region. Good governance in the countriesand population size do not have a negligible impact on the amount of climate fundsreceived by countries.

table 4: countries benefit on climate finance multivariate regression results

81N°002 — Edition 2019


lncfb ModelsVariables 1b 2b 3b 4b 5b 6b 7b

lnForest -0.1068 (0.7988)*

-0.1068 (0.0585)*

-0.1143 (0.1097)

CO2ca 2.4346 (0.4848)***

2.2727 (0.7063)***

0.7657 (0.6903)

CH4 0.00005 (0.00001)***

0.00003 (0.00001)***

0.00002 (0.00001)*

GHG -0.0000 (0.0000)***

-0.0000 (0.0000)

-0.0000 (0.0000)

Polstab -0.4083 (0.1706)**

-0.8409 (0.1452)***

-0.4280 (0.2263)*

Gvteff -0.5282 (0.5983)

-0.3502 (0.6814)

Ctrlcorr -0.0301 (0.2988)

-0.2746 (0.3791)

Regqua 1.1313 (0.5634)**

2.4509 (0.9486)**

0.5086 (0.5284)

Democracy 0.0404 (0.0218)*

0.1004 (0.0343)***

0.0679 (0.0371)

Colony -0.2325 (0.1617)

-0.7897 (0.1786)***

-1.1383 (0.1706)***

WAEMU 0.1552 (0.2038)

0.7056 (0.3207)**

0.3998 (0.2307)*

FDI 0.0070 (0.0098)

0.0095 (0.0071)

0.0048 (0.0091)

lnGDPca 2.6702 (1.2303)**

-1.5450 (0.6178)**

-0.0007 (0.0003)*

Educ -5.2652 (2.6746)**

-2.1061 (1.2745)*

Lifex 3.5721 (1.6933)**

5.7453 (1.7676)**

Yearsch 0.2859 (0.1805)

unempl -0.0406 (0.0085)***

lnpop 2.9317 (1.6466)*

-0.1278 (0.2159)

0.3136 (0.1912)

constant 17.0167 (8.1043)*

1.7328 (0.1831)***

-15.8379 (8.0658)*

0.9199 (1.0421)

-45.2600 (26.4505)*

14.1981 (7.2135)**

-4.1156 (3.9352)

Source: The author with Stata 13 software computation



conclusion

To conclude, the results of this research have shown that West African countries with largercarbon emission and methane emission, lower per capita gross domestic product (GDP)and good governance tend to receive more climate finance. This confirms the study of(Halimanjaya, 2014). This study is useful for policy makers, for helping them to considerthe difficulties and challenges of the current level of climate finance and make policiesand climate negotiations profitable to West African countries. It is concluded that bothmacroeconomic and political factors, and also human capital have effect on participationand benefits climate funds. Climate finance will incentivize countries to take early mitigationaction. I suggested that, countries should increase their carbon sink capacity byimplementing mitigation programs and low carbon development policies. And enhancethe governance of the funds received to build resilience to climate change issue byimplementing adaptation program with a real impact on population’s livelihoods and bycreating a secure and safe environment for climate funds partners

The following recommendations arise from the findings:

Regional approach to climate finance development should be implement becausecountries share the same realities across borders

Countries should include climate aspects and dimensions in national developmentplans

Countries should increase their carbon sink capacity by implementing mitigationprograms in energy and agricultural sectors

Enhance the governance of the funds received to build resilience to climate changeissue by implementing adaptation program with a real impact on population’slivelihoods and by creating a secure and safe investment environment for climate fundspartners

Enhance the level of climate finance experts to make more bankable projects.

82 N°002 — Edition 2019



References

Alsan, M., Bloom, D. E., & Canning, D. (2006). The Effect of Population Health onForeign Direct Investment Inflows to Low- and Middle-Income Countries, 34(4), 613–630. https://doi.org/10.1016/j.worlddev.2005.09.006

Anderson, E., & Clist, P. (2011). Measures for Measures: Evaluating Judgements ofDonor Allocative Performance.

Ari, H., & Neil, B. (2013). Climate Finance : Challenges and Responses, (February).Azémar, C., & Desbordes, R. (2010). Short-run Strategies for Attracting Foreign DirectInvestment, 928–957. https://doi.org/10.1111/j.1467-9701.2010.01226.x

Barnard, S., Caravani, A., & Nakhooda, S. (2015). Climate Finance Regional briefing :Sub-Saharan Africa, 1–4.

Barro, R. J., & Lee, J. (2012). A new data set of educational attainment in the world ,1950 – 2010. Journal of Development Economics.https://doi.org/10.1016/j.jdeveco.2012.10.001Barros, V., Stocker, T. F., Qin, D., Dokken, D. J., Ebi, K. L., Mastrandrea, M. D., …Tignor, M. (2012). Glossary of Terms, 555–564.

Bierbaum, R., & Fay, M. (2010). World Development Report 2010: Development and

Climate Change.

Bird, B. N., & Brown, J. (2010). International Climate Finance : Principles for EuropeanSupport to Developing Countries, (6).

Bird, N. (2014). Fair share : climate finance to vulnerable countries, (September).

Bird, N., & Glennie, J. (2011). Going beyond aid effectiveness to guide the delivery ofclimate finance, (August).

Buchner, B., Brown, J., & Corfee-morlot, J. (2011). MONITORING AND TRACKINGLONG- TERM FINANCE TO SUPPORT CLIMATE ACTION, (May).

Buchner, B. K., Trabacchi, C., Mazza, F., Abramskiehn, D., Wang, D., Frenk, C. A., …

Spannenberg, S. (2015). Global Landscape of Climate Finance 2015, (November).

Collier, P., Conway, G., & Venables, T. (2008). Climate change and Africa Climatechange and Africa, 24(2), 337–353. https://doi.org/10.1093/oxrep/grn019

83N°002 — Edition 2019



Craeynest, L. (2010). Business as unusual Direct Access : Giving power back.Daude, C., & Stein, E. (2007). THE QUALITY OF INSTITUTIONS AND FOREIGN DIRECTINVESTMENT, 19(3), 317–344. https://doi.org/10.1111/j.1468-0343.2007.00318.x

Dollar, D., Bank, W., Levin, V., & Kennedy, J. F. (2006). The Increasing Selectivity ofForeign Aid , 1984 – 2003 q, 34(12), 2034–2046.https://doi.org/10.1016/j.worlddev.2006.06.002

Dolsak, N., & Crandall, E. B. (2013). Do we know each other ? Bilateral ties and thelocation of clean development mechanism projects, 521–536.https://doi.org/10.1007/s10584-013-0694-7

ECOWAS. (2007). Atlas on Regional Integration in West Africa, (November).

Epstein, G. S., & Gang, I. N. (2009). Good governance and good aid allocation. Journal

of Development Economics, 89(1), 12–18. https://doi.org/10.1016/j.jdeveco.2008.06.010

EWI. (2013). CLIMATE CHANGE : mitigation – carbon capture and storage. Earthwatch

Educational Resources, (5), 1–8.

FAO. (2016). Climate change and food security: risks and responses.

Greene, W. H. (2002). ECONOMETRIC ANALYSIS.

Haites, E. (2011). Climate change finance, (December 2014), 37–41.https://doi.org/10.1080/14693062.2011.582292

Halimanjaya, A. (2014). Climate mitigation finance across developing countries : whatare the major determinants ?, (April 2015), 37–41.https://doi.org/10.1080/14693062.2014.912978

Halimanjaya, A., & Papyrakis, E. (2012). Donor Characteristics and the Supply ofClimate Change Aid.

Heckman, J. J. (1974). Shadow Prices , Market Wages , and Labor Supply, 42(4), 679–694.

Heckman, J. J. (1976). The Common Structure of Statistical Models of Truncation,Sample Selection and Limited Dependent Variables and a Simple Estimator for SuchModels, 5(4), 475–492.

IPCC. (2014). Climate change, Impacts, Adaptation and Vunerability.

Kang, Y., Khan, S., & Ma, X. (2009). Climate change impacts on crop yield , crop water

84 N°002 — Edition 2019



productivity and food security – A review. Progress in Natural Science, 19(12), 1665–1674. https://doi.org/10.1016/j.pnsc.2009.08.001

Khan, M. A., & Akhtar, M. S. (2015). Agricultural Adaptation and Climate Change Policy

for Crop Production in Africa. https://doi.org/10.1007/978-3-319-23162-4

Lambin, E. F., Turner, B. L., Geist, H. J., Agbola, S. B., Angelsen, A., Folke, C., …Veldkamp, T. A. (2001). The causes of land-use and land-cover change : movingbeyond the myths, 11, 261–269.

Marshall, M. G., & Jaggers, K. (2007). Polity iv project.

McCarthy, J. J., Canziani, O. F., Leary, N. A., Dokken, D. J., & White, K. S. (2001). CLIMATE C HANGE 2001 : IMPACTS, ADAPTATION, AND VULNERABILITY.

Mcleod, E., Chmura, G. L., Bouillon, S., Salm, R., Björk, M., Duarte, C. M., … Silliman, B.R. (2011). A blueprint for blue carbon : toward an improved understanding of the role ofvegetated coastal habitats in sequestering CO 2 In a nutshell :https://doi.org/10.1890/110004

Misra, A. K. (2014). Climate change and challenges of water and food security.International Journal of Sustainable Built Environment, 3(1), 153–165.https://doi.org/10.1016/j.ijsbe.2014.04.006

Müller, B. (2008). International Adaptation Finance : The Need for an Innovative andStrategic Approach.

Nakhooda, S., Caravani, A., & Bird, N. (2011). Climate Finance Policy Brief ClimateFinance in Sub-Saharan Africa, (November), 1–8.

Neumayer, E. (2002). Do Democracies Exhibit Stronger International EnvironmentalCommitment? A Cross-Country Analysis, 39(2), 139–164.

Newell, P., Roberts, T. J., Boyd, E., & Huq, S. (2009). Billions at stake in climate finance.Briefing, (November).

Nunnenkamp, P. (2002). Determinants of FDI in developing countries: has globalizationchanged the rules of the game?OECD. (1992). THE POLLUTER-PAYS PRINCIPLE, (92).OECD. (2009). SWAC Briefing Note, 33(January), 1–8.OECD. (2011). Handbook on the OECD-DAC Climate Markers, (September).OECD. (2013). Climate Finance in 2013-14 and the USD 100 billion goal : A report bythe OECD in collaboration with Climate Policy Initiative.

85N°002 — Edition 2019



Pendleton, A., & Retallack, S. (2009). Fairness in Global Climate Change Finance,(March).

Rindfuss, R. R., Walsh, S. J., Turner, B. L., Fox, J., Hanson, S., & Mishra, V. (2004).Developing a Science of Land Change: Challenges and Methodological Issues.https://doi.org/10.1073/pnas.0401545101

Siebert, C. K., Atteridge, A., & Klein, R. J. T. (2009). Bilateral Finance Institutions andClimate Change A Mapping of 2009 Climate Financial Flows to Developing Countries.

Stewart, R. B., Kingsbury, B., & Rudyk, B. (2009). Climate finance :Regulatory and

Funding Strategies for Climate Change and Global Development.

THE WORLDBANK. (2013). World Development indicators.

THE WORLDBANK. (2015). Annual Report 2015.

Tirpak, D., & Parry, J. (2008). Financing Mitigation and Adaptation in DevelopingCountries : New options and mechanisms Countries : New, 1(204).

UN. (2015). World Population Prospects.UNEP. (2009). Financing a Global Deal on Climate Change, (June).UNFCCC. (2007). INVESTMENT AND FINANCIAL FLOWS TO ADDRESS.UNFCCC. (2014). UNFCCC Standing Committee on Finance.Unruh, J. D. (2008). Carbon sequestration in Africa : The land tenure problem, 18, 700–707. https://doi.org/10.1016/j.gloenvcha.2008.07.008

Veenstra, G. (2002). Explicating Social Capital : Trust and Participation in the CivilSpace, 27(4), 547–572.

WDI. (2007). Africa report.

Wickramasinghe, S., Borin, M., Kotagama, S. W., Cochard, R., Anceno, A. J., & Shipin,O. V. (2009). Multi-functional pollution mitigation in a rehabilitated mangroveconservation area, 35, 898–907. https://doi.org/10.1016/j.ecoleng.2008.12.021

86 N°002 — Edition 2019



Annexes

table 5 : Data description

87N°002 — Edition 2019


Variables definitionCarbon dioxide emissions per capita in Kt CO2ca UNFCCC website

Log of Gross Domestic Product percapita in $ constant 2011 prices

lngdpca World development Indicatorswebsite and national statisticinstitutes

Population of the country, number ofinhabitants on the territory

lnpop UN population website and nationalstatistic institutes

Dummy variable, 1 for French coloniesand 0 for the others

colony ECOWAS

Dummy variable, 1 for WAEMU countriesand 0 for the others

Source: The author

WAEMU WAEMU website

Methane emission in Kt CH4 UNFCCC websiteOther greenhouse gases emission in kt GHG UNFCCC websiteLog of forest areas in hectares lnforest FAO websiteForeign Direct Investment inflow in thecountry

FDI World development Indicatorswebsite and national statistic institutes

Polsta World GovernanceIndicators website

Variables label Sources

Level of Political stability of the country. The index goes from –2.5 to 2.5 index. The higher values correspond to a higher quality of governance.

gvteff World GovernanceIndicators website

Level of Effectiveness of the government in the country. The index goes from –2.5 to 2.5 index. The higher values corres-pond to a higher quality of governance.

ctrlcor World GovernanceIndicators website

Level of control of corruption in the country. The index goes from –2.5 to 2.5 index. The higher values correspond to a higher quality of governance.

regqua World GovernanceIndicators website

Level of regulation quality in the country. The index goes from –2.5 to 2.5 index. The higher values correspond to a higher quality of governance.

democracy Polity iv project website.Level of democracy in the country with presence or absence of violence. Polity2 score, democracy subtracted by auto-cracy score measured using an index from 0 to 10. The higher values corres-pond to more democratic states


table 6: pearson correlation coefficient (to be continued)

88 N°002 — Edition 2019


cfp cfb CO2ca CH4 GHG Forest polstab

cfp 1.0000

cfb 0.4926 1.0000

CO2ca -0.0081 -0.0667 1.0000

CH4 -0.0458 0.0393 0.1876 1.0000

GHG -0.0480 0.0451 0.2254 0.9767 1.0000

forest -0.0184 0.0184 0.1264 0.5310 0.5546 1.0000

polstab -0.0305 -0.1518 0.3425 -0.6325 -0.5555 -0.4130 1.0000

gvteff 0.0558 0.0633 0.5729 -0.1182 -0.0448 0.0635 0.5436

ctrlcorr -0.0101 0.0146 0.5547 -0.2612 -0.2179 -0.0417 0.5502

regqua 0.1116 0.1075 0.4407 -0.0969 -0.0112 0.1268 0.5551

GDPca -0.0936 -0.0664 0.8086 0.3657 0.3571 0.0885 0.1215

pop -0.0256 0.0735 0.2446 0.9447 0.9218 0.4209 -0.5619

FDI 0.0537 0.1157 -0.1141 -0.1983 -0.2054 -0.1321 0.0368

democracy -0.0706 0.0472 0.3731 -0.0157 0.0426 0.2504 0.2051

colony 0.0675 0.0637 -0.2152 -0.0825 -0.1084 0.1951 -0.1608

WAEMU 0.0675 0.0711 -0.2448 -0.2620 -0.2734 0.0162 -0.0324

lifex 0.1318 0.1018 0.5583 -0.3491 -0.2983 -0.3113 0.5537

educ 0.0057 -0.0696 0.6997 0.1593 0.2182 0.0797 0.2536

yearsch -0.0300 -0.0416 0.5160 0.3169 0.3686 0.2645 0.0065

unempl 0.0555 -0.1261 0.1328 -0.1031 -0.1203 -0.1791 0.1703


table 6 (continued)

89N°002 — Edition 2019


gvteff ctrlcorr regqua gdpca pop fdi democracy

gvteff 1.0000

ctrlcorr 0.7928 1.0000

regqua 0.8768 0.6897 1.0000

gdpca 0.5250 0.5746 0.3781 1.0000

pop -0.1151 -0.2300 -0.0546 0.4057 1.0000

fdi -0.1600 0.0619 -0.2095 -0.1486 -0.1575 1.0000

democracy 0.4332 0.4507 0.2665 0.4253 0.0232 0.1451 1.0000

colony -0.0820 -0.1606 0.0279 -0.3366 -0.1900 -0.3054 -0.1824

waemu -0.1011 -0.1866 -0.0136 -0.3206 -0.2224 -0.3609 -0.0699

educ 0.2216 0.3423 0.1505 0.5876 0.2096 0.1192 0.2466

lifex 0.7038 0.7080 0.5695 0.4611 -0.3240 0.1055 0.2637

yearsch 0.0777 0.1376 -0.0057 0.4540 0.3659 0.1017 0.2234

unempl 0.1608 0.1087 0.2111 0.1436 -0.0779 -0.2034 -0.4685

colony WAEMU educ lifex yearsch unempl

colony 1.0000

waemu 0.7344 1.0000

educ -0.5323 -0.4772 1.0000

lifex -0.0549 -0.1150 0.2943 1.0000

yearsch -0.5858 -0.4461 0.8970 0.0388 1.0000

unempl -0.2676 -0.1915 0.0899 0.1781 0.0252 1.0000

Source: The author with Stata 13 software computation


91N°002 — Edition 2019

DOcUMEnt 4Effet des infrastructures économiques sur la

performance industrielle des pays de lacEDEAO

BEKE tite Ehuitché

Université Félix Houphouet Boigny / CIRES (Côte d’Ivoire)

E-mail: [email protected] Tel: (+225) 09661129.

1 PhD candidate, Climate Change Economics; University Cheick Anta Diop Dakar (UCAD)Senegal, West African Science Service Center on Climate

Change and Adapted Land Use (WASCAL)2 West African Science Service Center on Climate Change and Adapted Land Use (WASCAL)3 Faculty of Economics and Management, University Cheick Anta Diop Dakar (UCAD)Senegal


92 N°002 — Edition 2019


RESUME

IntRODUctIOn

REVUE DE LA LIttéRAtURE

EtAt DES LIEUx DES InfRAStRUctURES DAnS L’ESpAcE cEDEAO

MéthODOLOGIE

EStIMAtIOn DE L’éqUAtIOn DE LA pRODUctIVIté tOtALE DESfActEURS DU SEctEUR InDUStRIEL

RéSULtAtS Et DIScUSSIOn

cOncLUSIOn

REfEREncES

AnnExE



Résumé

Cette étude analyse l’effet des infrastructures économiques sur la performance productivedu secteur industriel des pays de la CEDEAO. La performance mesurée par la ProductivitéTotale des Facteurs du secteur industriel est expliquée par le niveau des infrastructuresphysiques et la qualité des services infrastructurels en contrôlant pour les autres facteursde la gouvernance. L’originalité de l’approche suivie consiste à utiliser des indicesquantitatifs et qualitatifs désagrégés d’infrastructure. Nous analysons les estimations endonnées de panel pour les 15 pays membres de la CEDEAO observés de 2000 à 2016.Les résultats obtenus indiquent que la double dimension quantitative et qualitative desinfrastructures et une gouvernance incitative sont essentiels à l’amélioration desperformances du secteur industriel.

Mots clés : Secteur industriel, Productivité Totale des Facteurs, Gouvernance, Panel,CEDEAO

93N°002 — Edition 2019



1. Introduction

Les perspectives d'un développement inclusif dans les pays africains dépendentfortement d'un secteur industriel efficace. La transformation structurelle des paysdéveloppés et des économies émergentes l’illustre bien. En effet, dans ces pays, lessecteurs manufacturier et industriel sont le moteur de la croissance et un facteur decréation de richesse et d’emplois (Banque mondiale, 2015). L’expérience des pays del’Asie du Sud-Est suggère que le développement d’un secteur industriel fort et dynamiqueest porteur de croissance économique forte, soutenue, inclusive et source de croissancepour les autres secteurs de l’économie (Banque Mondiale, 2015).

Une abondante littérature tant théorique qu’empirique souligne la relation positive entreles infrastructures et la productivité économique (Buffie et al., 2012 ; Ghazanchyan andStotsky, 2013). Selon la théorie économique classique, la Productivité Totale des Facteurs(PTF) est définie comme la part de l’augmentation de la production qui n’est pas imputableà l’accroissement des facteurs de production fondamentaux que sont le capital et letravail. La PTF est ainsi représentée par un résidu et influencée par des facteurs tels quele progrès technologique, l’efficacité, les rendements d’échelle et les économies externes(Solow, 1957).

Le modèle de croissance développé par Solow et Swan dans lequel les investissementsdans le capital physique, le travail et la PTF déterminent le taux de croissance de laproduction (Solow, 1956 ; Swan, 1956), présente une limite majeure. La PTF qui déterminela croissance à long terme de l’économie est exogène donc inexpliquée par le modèle.Les théories de la croissance endogène développées au cours des décennies 1980 et1990 dépassent cette limite en incorporant dans les modèles de croissance, laRecherche-Développement (R&D) (Romer, 1990), le capital humain (Lucas 1988 ; Rebelo,1991) et les infrastructures publiques (Barro, 1990) comme les moteurs de la croissanceà long terme de la PTF.

Le terme d’infrastructure regroupe sous son étiquette un ensemble d’éléments générantdes externalités positives et vitaux pour le fonctionnement du système économique. Entenant compte de ces éléments, Hemmer et Wilhelm (2000), classe les infrastructures enquatre catégories :

- les infrastructures de transport : routes, ponts, rails, ports, aéroports qui permettent lacirculation des biens et des personnes ;

- les infrastructures d’utilité publique : infrastructure de production et de distributiond’eau, d’électricité, de gaz.

- les infrastructures de télécommunication : réseaux de télécommunication (téléphone,internet) ;

94 N°002 — Edition 2019



- les infrastructures sociales : services sociaux (santé) et services éducatifs.

Les travaux de Imran et Niazi (2011) montrent que l’investissement dans le stockd’infrastructures physiques (transport, télécommunication, énergie et eau) a d’importantseffets directs et indirects sur l’économie. Les effets de ces services infrastructurels surl’économie s’observent à travers divers canaux.

Un premier canal est l’accroissement de la productivité du travail résultant d’une meilleureformation et d’une meilleure information des travailleurs suite à une amélioration de l’accèsaux Technologies de l’Information et de la Communication (TIC).

Un second canal se réfère aux infrastructures de transport. Pour les firmes des pays endéveloppement, l’accessibilité aux marchés et à la clientèle potentielle est fortementdépendante des réseaux de transport adéquats et des coûts d’accès à ces réseaux. Eneffet, les infrastructures de transport présentent des avantages économiques potentielspour le secteur industriel, notamment, elles stimulent et accélèrent les échangescommerciaux et permettent de réduire les coûts de transport.

L’électricité est un facteur de production important dans la structure de coût des industriesmanufacturières à forte intensité énergétique. L’énergie est en effet utilisée dans leprocessus de production des entreprises manufacturières et considérée comme unfacteur de production stratégique complémentaire du capital (Bordigoni, 2012). Lesdéficits d’énergie et l’irrégularité des approvisionnements de l’électricité favorisent lerecours aux groupes électrogènes et engendrent des surcoûts qui entravent lacompétitivité des industries manufacturières en Afrique (Banque Mondiale, 2015).

Comme le montre la littérature d’importants efforts ont été consacrés au cours des vingt-cinq dernières années à l’analyse théorique et empirique de la contribution desinfrastructures à la croissance et à la productivité des entreprises (Estache, Foster, andWodon, 2002 ; Banque Mondiale 2008 ; Calderon et Servén, 2010, 2014).

En Afrique, l’espace régional CEDEAO arrive en troisième position avec un score de 18,79en matière de performance des infrastructures après l’Afrique du Nord (60,28) et l’AfriqueAustrale (34,53). La région qui abrite près de 28% de la population africaine soit 350millions d’habitants a affiché en 2016 un score de développement des servicesinfrastructurels de 18,79 sur 100 dans le Rapport de la BAD (Banque Africaine deDéveloppement) sur les Indicateurs de Développement des Infrastructures en Afrique,(AIDI, 2016).

En dépit des efforts récemment consentis par les gouvernements des pays de la CEDEAOpour améliorer le réseau d’infrastructures dans l’espace, celui-ci reste globalementinsuffisant (Banque mondiale, 2017). En effet, comme l’indique clairement le score de18,79 sur 100 il existe de graves goulets d’étranglement dans le secteur desinfrastructures qu’il importe de résoudre.

95N°002 — Edition 2019



Les insuffisances des services infrastructurels en termes quantitatif et qualitatifexpliqueraient en partie la faible productivité du secteur industriel dans l’espace CEDEAO(Banque Mondiale, 2017). Un enjeu pour les politiques nationales et la politique régionaled’infrastructure est de comprendre et quantifier le lien entre le développement desinfrastructures et la performance productive du secteur industriel.

L'objectif principal de cette étude est d'analyser l’effet des infrastructures économiquessur les performances productives du secteur industriel dans les pays de la CEDEAO. Plusspécifiquement, l'étude vise à :

i. Examiner l’évolution de la Productivité Totale des Facteurs (PTF) dans le secteurindustriel des pays de la CEDEAO ;

ii. Identifier les déterminants de la PTF des industries de cet espace régional ;

iii. Evaluer la contribution des indicateurs désagrégés des infrastructures à la PTF dusecteur industriel des pays de la CEDEAO.

2. Revue de la littérature

Les dernières décennies ont vu l’émergence d’une littérature économique sur le lien entrela croissance et le stock d’infrastructures. Cette littérature s’est largement inscrite dans lathéorie de la croissance endogène et les premières études se sont attachées à évaluerl’impact des stocks de capital privé et public sur la croissance économique [Barro (1998); Barro and Sala-i-Martin (1995)]. Les approches abordées dans ces études mesurent demanière agrégée, le stock d’infrastructures évalué en terme monétaire. Aussi ont-ils faitl’objet d’importantes critiques et les résultats jugés peu fiables [Romp and DeHaan (2007); Straub (2008) ; Straub and Terada-Hagiwara (2011)]. En effet, ces premiers travaux nepermettent pas de quantifier les effets individuels des différentes catégoriesd’infrastructure sur la croissance économique (productivité) ou la croissance de la PTF.Les premières évaluations des impacts individuels des services infrastructurelles sur laPTF sont relativement récentes dans la littérature empirique. Ainsi Aschaeur (1989), aestimé l’élasticité moyenne de la croissance par rapport aux infrastructures publiquesspécifiques à 0,24 aux Etats-Unis. Depuis cet article fondateur de Aschauer (1989),l’hypothèse d’une contribution significative du capital infrastructurel à la PTF a été testéeet confirmée par une série d’études : Munnel (1990a, 1990b, 1992) sur l’économie globaleaux Etats-Unis ; Mitra et al. (2002) dans les branches manufacturières de l’Etat de l’Inde; Easterly et Rebelo (1993) sur des données transversales des pays développés et despays en développement des continents européen et américain. En outre, une liaison forteentre l’accès des services de télécommunication et la croissance à partir d’un ensemblede données de panel incluant à la fois des pays industrialisés et des pays endéveloppement est mise en évidence par Loayza et al. (2002).

96 N°002 — Edition 2019



Dans les pays en développement d’Asie, l’impact des infrastructures sur la croissance aété analysé par Straub et Tarada-Hagiwara (2011) suivant deux approchesméthodologiques distinctes : une approche comptable (décomposition statistique) de lacroissance et une régression économétrique des modèles de croissance. Les résultatsobtenus indiquent un lien positif entre l’accumulation du stock d’infrastructures et lacroissance économique. Les estimations économétriques sur des données de panel d’unensemble de pays en développement d’Asie montrent un impact positif et significatif desindicateurs quantitatifs et qualitatifs des infrastructures économiques sur la croissance durevenu par tête. En outre, sur la base d’une approche comptable de la croissance, l’étudemet en évidence, une contribution positive des infrastructures à la croissance de la PTF.

Teles et Mussoloni (2012) ont analysé le lien entre les infrastructures et la PTF dans quatreprincipales économies de l’Amérique Latine : Argentine, Brésil, Chilie et Mexique. A partirde la Méthode de Johansen, ils testent la cointégration entre la PTF et les indicateursd’infrastructures physiques telles que l’énergie, le réseau routier et lestélécommunications. Leurs estimations ne confirment pas la présence d’une relation delong terme entre la PTF et les indicateurs mesurant la dynamique des infrastructures. Enrevanche, ils montrent de manière significative que les variations à court terme desinvestissements dans les infrastructures de base expliquent en grande partie celles de laPTF durant les années 1970 et 1980. Ghani et al. (2016) ont estimé un impact positifsignificatif des infrastructures routières à grande échelle sur l’organisation de l’activitémanufacturière de l’Inde.

En Afrique, les études explorant la relation entre les infrastructures de base et lesperformances économiques sont relativement rares. Le rapport de la CommissionEconomique pour l’Afrique (CEA) (2005), Sachs et al. (2004) et Calderon et Servén (2010)ont exploré et démontré les effets productifs des investissements dans les infrastructuresphysiques en Afrique. Une tentative d’évaluation quantitative de l’impact des servicesinfrastructurels sur la croissance économique en Afrique Subsaharienne a été effectuéepar Estache et al. (2005). Leur principale conclusion est que l’électricité, l’eau, les routeset les télécommunications sont des facteurs de croissance cruciaux. Les connexionscoloniales et les rapports postcoloniaux étant également des facteurs de contrôleimportants expliquant les différences entre les pays.

D’autre part, Esfahani et Ramirez (2003) attribuent les faibles performances deséconomies de l’Afrique Subsaharienne en partie au sous-investissement dans lesinfrastructures des réseaux d’électricité et de télécommunication. En effet, selon Estacheet Wodon (2007), si l’Afrique Subsaharienne disposait du niveau des infrastructures de laCorée du Sud (en termes quantitatif et qualitatif), la croissance du revenu réel par habitantaugmenterait de 1 pourcent par an.

L’efficacité dans l’utilisation du capital infrastructurel en Afrique a été également examinée.Selon Hulten (1996), les différences d’efficacité dans l’utilisation et l’entretien desinfrastructures existantes expliquent le quart du différentiel de croissance entre l’Afrique

97N°002 — Edition 2019



et l’Asie de l’Est et plus de 40% du différentiel de croissance entre les pays à faible etceux à forte croissance.

Plusieurs études empiriques relatives aux effets des infrastructures sur la croissance etla productivité ont été caractérisées par des résultats ambigus avec peu de robustesse(Escribano et al.,). L’endogénéité possible des variables mesurant le niveau desinfrastructures a justifié l’incohérence entre la théorie et ces résultats empiriques.

La littérature a signalé que l’endogénéité dans ce contexte pouvait provenir de troissources : - les erreurs de mesure découlant de l’utilisation des chiffres du capital publiccomme indicateurs des infrastructures ; - les variables omises qui peuvent survenirlorsqu’une troisième variable non observée, affecte à la fois la mesure de l’infrastructureet la productivité ; et le biais des estimateurs dans le cadre d’une détermination simultanéede l’infrastructure et de la productivité.

Une correction de l’endogénéité des infrastructures est proposée par Röller et Waverman(2001) qui modélisent et estiment de manière explicite la relation de simultanéité entre leniveau d’accès aux services de télécommunication et la PTF. Dans une estimation sur unpanel de pays, Calderon et al. (2015) utilisent la méthode des moments généralisée(GMM) pour contrôler l’endogénéité potentielle et obtenir des améliorations significativesdans les résultats.

L’étude de Fedderke et Bogetic (2006) conduite sur des séries chronologiques en Afriquedu Sud, infirme de manière robuste l’hypothèse d’un surinvestissement dans lesinfrastructures en contrôlant l’endogénéité potentielle des mesures d’infrastructure. Eneffet, le contrôle de l’endogénéité possible des mesures d’infrastructure élimine une sous-estimation de l’impact du capital infrastructurel sur la productivité et permet d’avoir deseffets positifs et significatifs du stock d’infrastructure sur les performances économiques. Une seconde série d’études, centrée principalement sur les micro-données, révèlel’existence d’impacts indirects possibles du stock d’infrastructure sur la performanceéconomique au-delà de l’effet de la simple accumulation de capital. Ainsi, Agénor etMoreno-Dodson (2006) soulignent que l’amélioration du stock d’infrastructure peut réduireles coûts d’ajustement du capital privé d’une part en abaissant le coût logistique del’investissement et d’autre part en permettant le remplacement des investissements privéspeu productifs tels que des générateurs privés d’électricité ou des forages privés par desinvestissements publics à grande échelle plus productifs.

Une préoccupation essentielle de cette étude est de fournir une évaluation robuste deseffets des infrastructures sur la PTF et une meilleure compréhension des canaux à traverslesquels la PTF est affectée par les services infrastructurels. Ainsi, l’étude intègre dans lamesure des infrastructures non seulement l’aspect quantitatif mais aussi l’aspect qualitatif.En effet, au lieu des mesures macroéconomiques des dépenses d’infrastructurecouramment utilisées, nous incorporons des mesures quantitatives et qualitatives desservices d’infrastructures permettant d’analyser à un niveau plus désagrégé, les relationsentre les différentes dimensions des infrastructures et la PTF du secteur industriel.

98 N°002 — Edition 2019



3. Etat des lieux des infrastructures dansl’espace CEDEAO

Jusqu’à la fin de la décennie 1980, les services d’infrastructure ont été considérés commedes biens publics en Afrique de l’Ouest avec leur gestion confiée aux monopoles publics.Les insuffisances quantitative et qualitative dans la fourniture des services infrastructurels,les coûts de connexion relativement élevés, les retards dans la modernisation de cesservices ont révélé les limites dans la gestion publique des infrastructures économiqueset motivé les vagues de concession aux opérateurs privés pour la gestion des servicesinfrastructurels depuis la fin des années 1990.

L’évolution des infrastructures en Afrique de l’Ouest est évaluée pour différents secteurs: le transport, l’énergie, les télécommunications, l’eau et l’assainissement. Pour chacunde ces secteurs, et dans la limite des données disponibles, sont examinées lesdimensions liées à la quantité, la qualité et l’accès aux infrastructures.

3.1. quantité et mesure physique des infrastructures en Afrique de l’Ouest

Pour évaluer les performances quantitatives des infrastructures, il convient de s’intéresserà l’évolution des longueurs de routes, à la capacité de production d’électricité de la région,à la densité de télécommunication et à la densité des infrastructures d’assainissement etd’eau (Tableau 1).

99N°002 — Edition 2019



tableau 1. Indicateur quantitatif de développement des infrastructures en Afrique de l’Ouest

3.1.1. Les infrastructures de transport

L’indicateur quantitatif composite des infrastructures de transport s’intéresse au réseauroutier représentant la principale infrastructure de transport en Afrique Sub-Saharienne. Ilévalue en moyenne, les longueurs de routes bitumées en kilomètres pour 10 000 habitantset la densité du réseau routier total évalué en kilomètre par kilomètre carré de surfaceterritoriale. L’évolution de cet indicateur est la résultante de deux tendances : une trèsfaible augmentation de la densité du réseau routier total (routes bitumées et non bitumées)et une diminution du réseau routier bitumé pour 10 000 habitants.

Au total, la densité du réseau routier dans l’espace CEDEAO n’a pas connu deprogression significative au cours du temps (Figure 1). Ce constat suggère que le réseauroutier progresse moins rapidement que la démographie et l’urbanisation.

100 N°002 — Edition 2019


Année Indice Global des Infrastructures Transport Electricité TIC

Eau et Assainissement

2000 9,847 7,433 2,084 0,002 36,992 2001 10,123 6,512 2,202 0,004 38,029 2002 10,496 7,377 2,295 0,015 38,962 2003 10,867 7,615 2,204 0,026 39,812 2004 11,201 7,241 2,334 0,050 40,868 2005 11,673 7,196 2,434 0,186 41,853 2006 12,500 7,165 2,533 0,413 42,719 2007 13,334 7,263 2,508 0,937 43,531 2008 14,853 7,851 2,591 1,484 44,552 2009 15,773 7,650 2,604 3,188 45,485 2010 16,880 7,599 2,730 6,177 46,264 2011 18,095 7,432 2,807 8,681 45,967 2012 19,213 7,370 2,886 13,153 46,961 2013 19,461 7,312 3,007 13,744 47,852 2014 20,560 8,026 3,109 11,485 49,885 2015 21,361 8,194 3,102 24,835 50,448 Tendance +11,514 +0,761 +1,017 +24,833 +13,457

Source : African Development Bank Group, Africa Infrastructure Development Index (AIDI, 2016).


figure 1. Evolution de l’indice composite du réseau d’infrastructures routières dansl’espace cEDEAO de 2000 à 2015.

3.1.2. L’électricité

L’indicateur utilisé mesure l’électricité total produit incluant l’énergie importée en kilowatt-heure par habitant et par heure. La capacité de production d’électricité dans l’espaceCEDEAO a peu progressé en quinze ans. Les tendances observées dans la régionpermettent d’expliquer le caractère insuffisant de la capacité de production d’électricité.En effet, on constate qu’il y a eu que très peu d’amélioration en matière de mégawatt decapacité installée.

figure 2. Evolution de la capacité de production d’électricité dans l’espace cEDEAOde 2000 à 2015

101N°002 — Edition 2019


0

2

4

8

10

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

linéa

ire d

e ro

ute

en k

m

pour

10

000

habi

tant

s

Source : Auteur à partir des Indices de Développement des Infrastructures en Afrique (AIDI, 2016).

0

0,5

1

1,5

2

2,5

3

3,5

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Kw

h/hb

t/heu

re



3.1.3. Les télécommunications

L’indice composite des TIC prend en compte le nombre total d’abonnés aux téléphoniesfixe et mobile pour 100 habitants, la proportion de la population disposant d’une connexioninternet à partir d’un téléphone mobile ou d’un ordinateur et la capacité totale de la bandepassante interner internationale en megabits par seconde (Mbps).

Depuis une vingtaine d’années, l’Afrique Subsaharienne voit sa densité detélécommunication progresser de façon spectaculaire. Dans la région Ouest-Africaine, lenombre moyen de lignes téléphoniques fixes et mobiles pour 100 habitants a progressétrès rapidement passant de 2,6 en 2000 à 96 en 2015. En revanche, la densité desabonnements Internet fixe est encore insatisfaisante.

figure 3. Evolution de l’indice composite des infrastructures numériques et des tIc

3.1.4. L’eau et l’assainissement

L’indice quantitatif composite des infrastructures d’eau et d’assainissement intègre deuxsous-indicateurs : le taux d’accès raisonnable en eau potable et le taux de la populationayant un accès effectif aux ouvrages et équipements d’évacuation des eaux usées.L’accès raisonnable se réfère à la disponibilité d’au moins 20 litres d’eau potable parpersonne et par jour d’une source située à moins d’un kilomètre de l’habitation.

La figure 4 décrit des progrès dans l’approvisionnement en eau et assainissement dansles pays de la CEDEAO. Cette progression traduit une tendance à la hausse desinvestissements dans les infrastructures d’eau et d’assainissement conformément à lapolitique régionale des ressources en eau de l’Afrique de l’Ouest en dépit des contraintesde financement.

102 N°002 — Edition 2019



0,00 5,00

10,00 15,00 20,00 25,00 30,00

Indi

ce c

ompo

site

de

s TI

C

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015


figure 4. Evolution de l’indice composite des infrastructures d’eau etd’assainissement

3.2. qualité des infrastructures dans l’espace cEDEAO

Si le retard en matière de quantité d’infrastructures dans l’espace CEDEAO doit êtrerattrapé, c’est avant tout, la qualité des infrastructures qui permettra un usage optimaldes services fournis par ces infrastructures physiques. Les mesures qualitatives analyséesdans cette étude sont à la fois objectives et subjectives correspondant à la fois auxobservations tangibles et aux perceptions des usagers. En l’occurrence, les composantesdes indices de gouvernance Mo Ibrahim se référant à la qualité des infrastructures sontutilisées.

103N°002 — Edition 2019



0

10

20

30

40

50

60

Indi

ce c

ompo

site

d'

infr

astr

uctu

res

d'ea

u et

d'

assa

inis

sem

ent

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015


tableau 2. Indicateur qualitatif des infrastructures dans l’espace cEDEAO de 2000à 2016

104 N°002 — Edition 2019


Indice qualitatif des services infrastructurels

Année Transport Electricité Télécommunication Eau et

assainissement

Tendance +0,69 -0,03 +1,51 -0,45

Source : Indice Mo Ibrahim de la gouvernance Africaine, 2017.


3.2.1. qualité des infrastructures de transport

La qualité des infrastructures de transport se mesure par la proportion de routes revêtuespar rapport au nombre total de routes et la qualité des voies ferrées. Les scores (sur 100)établis par l’Indice Mo Ibrahim pour la perception de la qualité des infrastructures detransport indiquent une absence d’amélioration de 2000 à 2006 et une très faible tendanceà l’amélioration dans les années 2010. En effet, la densité des routes revêtues (pour 10000 habitants) en Afrique de l’Ouest a diminué en moyenne de 17% entre 2000 et 2010(Banque Africaine de Développement, AIDI, 2013).

3.2.2. qualité de l’énergie électrique

Une des mesures de la qualité des infrastructures du secteur de l’énergie électriquecorrespond à la proportion des pertes dans le transport et la distribution de l’énergieélectrique et la fréquence des interruptions dans l’approvisionnement de l’électricité.L’indicateur qualitatif utilisé varie de 0 (minimum) à 100 (maximum). D’après cet indicateur,la qualité perçue de l’approvisionnement en électricité dans les pays de la CEDEAO estpassée de 27,8 en 2000 à 27,4 en 2016 (Tableau 2). Comme l’indique l’évolution desscores, après une amélioration des perceptions à la fin des années 2000 (de 2007 à 2010),on observe une tendance à la détérioration de la qualité perçue des approvisionnementsdepuis 2010.

3.2.3. qualité des services de télécommunication

L’indicateur qualitatif utilisé est un score compris entre 0 et 100 intégrant la couverturenumérique et la qualité perçue des services de télécommunication. L’évolution des scoresmontre une nette progression depuis le boom technologique de la téléphonie mobile(Tableau 2).

3.2.4. qualité des infrastructures d’eau et d’assainissement

La qualité des infrastructures d’eau et d’assainissement et l’accès à l’eau potable sontindissociables. L’indice utilisé intègre la couverture nationale en eau potable et lesperceptions relatives à la proximité et la continuité dans l’approvisionnement en eaupotable. L’évolution des scores montre que les services d’assainissement etd’approvisionnement en eau potable au niveau qualitatif n’a pas connu de progressionsensible durant les quinze dernières années.

3.3. Accès aux services infrastructurels dans l’espace cEDEAO

La performance du secteur des infrastructures ne repose pas seulement sur la quantitéou la qualité de ces infrastructures, elle est aussi fonction de l’universalité de l’accès auxinfrastructures. Du point de vue de l’égalité des chances et de la réduction de la pauvreté,il convient d’examiner dans quelle mesure les infrastructures fournissent des services àla population dans son ensemble.

105N°002 — Edition 2019



Dans cette section, nous décrivons l’évolution des indicateurs de l’accès à l’électricité,aux sources d’eau potable et à la téléphonie mobile.

3.3.1. Accès à l’électricité

La Figure 4 ci-dessous montre l’évolution de la proportion de la population ayant accès àl’électricité dans l’espace CEDEAO entre 2000 et 2016. Les données montrent que le tauxd’accès global à l’électricité a pratiquement doublé au cours des quinze dernières années,passant de 25% e 2000 à 43% en 2016. Dans la région, la progression rapide du tauxd’accès global à l’électricité résulte surtout de l’accroissement du taux d’accès àl’électricité en milieu rural.

figure 5. Accès à l’électricité en pourcentage de la population de 2000 à 2016 dansl’espace cEDEAO

3.3.2. Accès à l’eau potable

Au cours des quinze dernières années, le taux global d’accès à des sources d’eauaméliorées s’est sensiblement accru dans l’espace CEDEAO, passant de 47% en 2000 à62% en 2016 (Figure 5). Comme dans l’approvisionnement de l’énergie électrique, cetteévolution significative de l’accès à l’eau, tient surtout des efforts réalisés pour améliorerles taux d’accès en milieu rural. Il subsiste cependant des disparités en défaveur deszones rurales relativement aux zones urbaines dans l’accès à l’eau potable et auxinfrastructures d’assainissement.

106 N°002 — Edition 2019


Source : Auteur à partir des données de la Banque Mondiale (WDI, 2018).

0

5

10

15

20

25

30

35

40

45

50

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

Taux

d'a

ccès

à l'

élec

tric

ité e

n %


figure 6. Accès à l’eau potable en pourcentage de la population de 2000 à 2016 dansl’espace cEDEAO

3.3.3. Densité du réseau de téléphonie mobile

Depuis 15 ans, l’espace CEDEAO voit sa densité de télécommunication progresser defaçon exponentielle. Le nombre de lignes téléphoniques mobiles pour 100 habitants aprogressé très rapidement, passant de 1% en 2000 à 93% en 2016 (Figure 6).

Cette croissance spectaculaire témoigne du caractère universel du boom technologiquedans le domaine de la téléphonie mobile. Ces innovations technologiques modernes ontpermis de créer de nouvelles formes d’interconnexion entre les individus générantd’importantes externalités de réseaux.

L’expansion rapide de la densité de télécommunication a permis aux pays de l’Afriquesubsaharienne de combler une partie de leur retard dans la fracture numérique sur lespays émergents ou développés.

107N°002 — Edition 2019



0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

Taux

d'ac

cess

à l'e

au p

otab

le (%

)


figure 7. Densité du réseau de téléphonie mobile en pourcentage de la populationde 2000 à 2016 dans l’espace cEDEAO

4. Méthodologie

4.1. Mesure de la productivité totale des facteurs du secteur Industriel despays de la cEDEAO

La première étape de notre démarche méthodologique consiste à calculer la PTF dusecteur industriel des économies ouest-africaines. Ainsi, sur le panel des 15 paysmembres observés sur la période 2000-2016, nous estimons une fonction de productionde base de type Cobb-Douglas :

(1)

Où Y ; K et L sont respectivement la valeur ajoutée du secteur industriel, le facteur capitalet le facteur travail. ui représente l’effet spécifique pays et εit est le terme aléatoire habituelet le logarithme des variables.

L’équation (1) est estimée en utilisant le modèle à effets aléatoires1. La PTF est ensuitecalculée comme suit :

(2)

108 N°002 — Edition 2019



0 10 20 30 40 50 60 70 80 90

100

Taux

d'ab

onne

men

t (en

%)

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

1 Le test d’Hausman a conduit au rejet du modèle à effets fixes au profit du modèle à effets aléatoires.


Où ἆ1 et ἆ2sont les élasticités partielles estimées de la production par rapport au capitalet au travail respectivement.

4.2. Le modèle empirique

4.2.1. La spécification fonctionnelle du modèle

L’effet des infrastructures sur la PTF du secteur industriel est évalué sur la base du modèleempirique suivant :

(3)

Où PTFit est la mesure de la Productivité Totale des Facteurs du secteur industriel ;« infrastructuresit » représente les indicateurs quantitatif et qualitatif des infrastructures etles variables de contrôle ; ui représente l’effet spécifique pays et εit est le terme aléatoirehabituel.

4.2.2. Les données et les variables du modèle empirique

• Description et source des données

Cette étude utilise des données secondaires observées sur le panel des 15 pays membresde la CEDEAO durant la période 2000 - 2016. Ces données secondaires sont issues detrois sources : - la Banque Africaine de Développement (Africa Infrastructure DevelopmentIndex, AIDI, 2018) ; - la Banque Mondiale (World Development Indicators, WDI, 2018) ; -la Fondation Mo Ibrahim (Indice Ibrahim de la Gouvernance en Afrique, IIAG, 2018). Letableau ci-après présente les variables utilisées et les sources des données.

tableau 3. présentation des variables et sources des données 1

109N°002 — Edition 2019


Source : Auteur

Variables Description Source Valeur ajoutée du secteur industriel WDI, 2018

Formation Brute du Capital Fixe du secteur privé WDI, 2018 Yit

roadKit

Indice composite mesurant la densité du réseau de transport AIDI, 2018 Indice dela qualité des infrastructures de transport IIAG, 2018 elec Disponibilité de l’électricité en Kwh par habitant WDI, 2018 qelec Qualité de l’approvisionnement en énergie électrique IIAG, 2018 tic

Indice composite mesurant la densité du réseau d’infrastructurenumérique

AIDI, 2018

qtic Qualité des services infrastructurels de télécommunication IIAG, 2018 eau Taux d’accès à des sources d’eau potable WDI, 2018 qeau Qualité de l’approvisionnement en eau potable IIAG, 2018

gov Indice composite mesurant la qualité de la gouvernance et lacapacité de l’administration à assurer la fourniture desservices publics

IIAG, 2018

qroad


• propriétés statistiques des séries

Le choix de la méthode d’estimation du modèle (Equation 3) suppose un examenpréalable des propriétés statistiques des séries. On procède ainsi à des tests de racineunitaire sur des données de panel. L’observation des graphiques des séries (cf. graphiqueA1 en annexe) fait apparaitre des tendances et des ruptures de tendance. Aussi,procédons-nous à des tests de racine unitaire avec break pour celles présentant desruptures de tendance. Les résultats des tests de stationnarité sont présentés dans leTableau 4 ci-dessous.

tableau 4 : test de stationnarité d’Im-pesaran-Shin

110 N°002 — Edition 2019


Variables Niveau Différence Décision Ln(PTF) -1.7098

(0.2924) -4.0128*** (0.0000)

I(1)

road -2.1113*** (0.0078)

I(0)

ict -0.5255 (1.0000)

-6.0555*** (0.0000)

I(1)

eau -1.0050 (0.9832)

-3.7015*** (0.0000)

I(1)

qroad -0.7359 (1.0000)

-4.0803*** (0.0000)

I(1)

elec -0.4689 (1.0000)

-5.9044*** (0.0000)

I(1)

qelec -0.3442 (1.0000)

-2.6554*** (0.0000)

I(1)

qict 1.7380 (1.0000)

-2.2447*** (0.0028)

I(1)

qeau -1.3907 (0.6921)

-2.7464*** (0.0015)

I(1)

gov -0.6024 (1.0000)

-3.0038*** (0.0000)

I(1)

*** ;** ;* : significativité à 1%, 5% et 10% respectivement.Source : Auteur


5. Estimation de l’équation de la productivité totaledes facteurs du secteur industriel

5.1. Le modèle ARDL

Dans la mesure où certaines variables sont stationnaires et d’autres comportent une racineunitaire on retient un modèle ARDL pour estimer l’équation de la productivité totale desfacteurs du secteur industriel dans l’espace CEDEAO. Le modèle ARDL (modèleautorégressif à retards échelonnés) proposé par Pesaran et Shin (1998) et Pesaran et al.(2001) permet, d’une part de tester les relations de long terme en utilisant le test des limites« bounds test » sur des séries qui ne sont pas intégrées de même ordre et, d’autre part,d’obtenir des meilleures estimations sur des échantillons de petite taille (Narayan, 2005).Ainsi, l’ARDL donne la possibilité de traiter simultanément la dynamique de long terme etles ajustements de court terme.

L’on se propose de saisir les effets de court terme et ceux de long terme des variablesd’infrastructure sur la PTF du secteur industriel par la représentation ARDL suivante :

Avec Δ : opérateur de différence première ; a0 constante ;

a1, ..., a10 : effets de court terme ;

b1, ..., b10 : dynamique de long terme du modèle ;

e~iid(0,σ) : terme d’erreur (bruit blanc) ;

j=1,2,…,15 : groupes pays ;

t=2000, … ,2016.

Nous appliquons la méthode d’estimation PMG (Pooled Mean Groupe) de Pesaran etal.(1999) au modèle ARDL (Equation 4). Cette méthode d’estimation permet dans le courtterme aux coefficients, aux intersections et aux variances résiduelles de varier d’un pays

111N°002 — Edition 2019



à l’autre mais contraint les coefficients de long terme à être égaux. Pesaran et al. (1999)adopte une approche d’estimation par le maximum de vraisemblance (MLE) en supposantdes perturbations normalement distribuées.

6. Résultats et discussion

Cette section présente les productivités partielles et la Productivité Totale des Facteurs(PTF) du secteur industriel et les déterminants de la PTF à partir des estimations dumodèle ARDL en panel dynamique.

6.1. productivités partielles et productivité totale des facteurs du secteurindustriel dans l’espace cEDEAO

La productivité moyenne du capital, définie comme le ratio de la valeur ajoutée du secteurindustriel sur le stock de capital est la plus élevée au Nigeria relativement à l’ensembledes pays de la CEDEAO. En se référant à l’espace UEMOA, la Côte d’Ivoire présente laproductivité du capital la plus élevée (Tableau 4). De manière analogue, l’observation dela productivité moyenne du travail définie par le ratio de la valeur ajoutée du secteurindustriel au volume de l’emploi permet de classer le Nigeria comme le pays ayant la plusgrande productivité du travail du secteur industriel dans l’espace CEDEAO et la Côted’Ivoire comme ayant la productivité du travail la plus importante pour l’espace UEMOA(Tableau 4).

L’analyse comparée de la Productivité Totale des Facteurs (PTF) est similaire à celles desproductivités partielles des facteurs de production. Toutefois, le Liberia et le Ghanaprésentent les plus forts taux de croissance de la PTF du secteur industriel, 5% et 4%respectivement (Tableau 4).

tableau 5. Statistique des productivités partielles et de la productivité totale desfacteurs dans le secteur industriel des pays de la cEDEAO

112 N°002 — Edition 2019


Pays (UEMOA)

Benin Burkina Faso

Côte d'Ivoire

GuinéeBissau

Mali Niger Sénégal Togo

Productivité du Capital

1,30 0,96 2,62 2,70 1,28 0,63 1,00 1,02

Productivité du Travail

3891 3482 18292 2768 4170 1900 4101 1077

PTF 18872 16197 74241 9468 21195 9253 21203 6697 Ln(PTF) 9,83 9,67 11,21 9,15 9,96 9,10 9,96 8,81 Taux de croissance de la PTF

-0,02 -0,03 0,01 0,00 0,02 0,03 0,01 0,00


6.2. fonction de production du secteur industriel des pays de la cEDEAO

L’équation 4 présente les paramètres estimés de la fonction de production Cobb-Douglaslinéarisée du secteur industriel.

(4)

Ces paramètres s’interprètent directement comme les élasticités partielles associées auxfacteurs de production utilisés. Ces élasticités partielles de la production industrielle parrapport au capital et au travail sont significatives et valent 0,195 et 0,562 respectivement.Elles traduisent l’effet marginal relatif de ces inputs sur la production industrielle quiaugmente de 0,19% et 0,56% suite à une variation de 1% du stock de capital et du volumede l’emploi respectivement.

6.3. Estimation de la relation de long terme : les déterminants de long termede la ptf du secteur industriel

L’existence d’une relation de cointégration ayant été établie par le rejet de l’hypothèsenulle (Tableau A3 en annexe), nous présentons les coefficients estimés de long termedans le tableau 6 ci-dessous.

113N°002 — Edition 2019


Pays (Hors UEMOA)

Cap Vert Gambie Ghana Guinée Liberia Nigeria Sierra Leone

Productivité du Capital

0,44 0,99 1,07 2,13 0,45 3,72 2,29

Productivité du Travail

22188 1538 4869 10061 884 21576 2226

PTF 26837 5530 30190 38441 3485 161754 8855 Ln(PTF) 10,18 8,61 10,28 10,55 8,03 11,95 8,92 Taux de croissance de la PTF

0,03 -0,02 0,04 0,02 0,05 -0,05 -0,10


tableau 6. Relation de long terme pour l’équation de la ptf

Les coefficients estimés de la relation de long terme ont les signes attendus pour toutesles variables d’infrastructure.

- Les infrastructures de transport

Le coefficient positif et significatif à 1% de la densité du réseau routier montre une liaisonpositive forte entre la disponibilité du réseau routier et la productivité du secteur industriel.En effet, les infrastructures de transport sont importantes pour la dynamique des échangesliés au secteur industriel. Le transport est un facteur de compétitivité pour toute entrepriseindustrielle, soit pour l’approvisionnement en matières premières, soit pour l’acheminementdu produit fini aux zones de consommation. Facteur essentiel d’interconnexion à l’intérieuret entre les états, les infrastructures de transport sont source d’importantes économiesexternes qui génèrent des gains de productivité pour le secteur industriel.

L’indice de la qualité du réseau de transport apparait également significatif dansl’explication de la PTF du secteur industriel de l’espace CEDEAO. En effet, desinfrastructures de transport de qualité jouent un rôle crucial pour réduire le coût global dela logistique et les frais généraux de commerce des entreprises industrielles. Au niveaurégional, le bon état des infrastructures routières favorise le commerce intrarégional etaméliore la compétitivité des entreprises exportatrices (Uduak Akpan, 2015).

114 N°002 — Edition 2019


Source : Auteur

Coef. z-stat P-value road 3.834474

(1.247376) 3.07*** 0.002

elect .6773784 (.20349)

3.33*** 0.001

tic .2921952 (.0277677)

10.52*** 0.000

qroad .2017788 (.0425815)

4.74*** 0.000

qelec .0277908 (.004984)

5.58*** 0.000

qtic .053851 (.0168232)

3.20*** 0.001

gov .0569812 (.0056951)

10.01*** 0.000

*** ;** ;* : significativité à 1%, 5% et 10% respectivement.


- L’électricité

La significativité au seuil de 1% des coefficients des variables « disponibilité de l’énergieélectrique » en Kwh/habitant et « qualité de l’électricité », démontre le caractèredéterminant à la fois de la quantité et de la qualité de l’électricité pour les industries del’espace CEDEAO. En effet, l’électricité représentent pour les entreprises du secteurindustriel, un facteur complémentaire qui accompagne le processus de production. Lesdifficultés dans l’approvisionnement continu en énergie électrique constituent un obstaclemajeur à la performance du secteur privé ouest-africain (Béké et N’guessan, 2013). Lesdéfaillances quantitative et qualitative du secteur électrique seraient, ainsi, en moyenne,à l’origine d’une perte de chiffre d’affaires de 8,8% en Afrique subsaharienne contre 6,7%pour les autres régions en développement (Bonjean, al., 2013).

- Les Technologies de l’Information et de la Communication (TIC)

Les résultats des estimations indiquent que la couverture et la qualité des services desTIC ont un impact positif et significatif sur la PTF du secteur industriel. De manièregénérale, les externalités liées aux TIC se diffusent largement dans l’ensemble del’économie incluant le secteur industriel. Cette large diffusion permettrait d’accroître d’unepart l’efficacité productive en facilitant la formation et la qualification des travailleurs etd’autre part le rythme du progrès technique. Selon Ben Youssef et M’henni (2004),l’adoption massive des TIC par les pays en développement coïncide avec latransformation structurelle de leurs économies fondées de plus en plus sur l’industrie.Cette transformation structurelle accentue les gains de productivité industrielle associésau développement des TIC.

- La gouvernance

L’étude a intégré comme variable explicative de contrôle un indicateur de gouvernanceafin d’appréhender le rôle de l’environnement institutionnel dans la performance desindustries. Cet indicateur composite combine la stabilité politique, la facilité de faire lesaffaires, le contrôle de la corruption, la sécurité physique et juridique, la qualité del’administration, etc.

L’environnement institutionnel approximé par l’indice global composite de la gouvernancea un impact positif de long terme sur la performance du secteur industriel. En effet, le rôlede l’environnement institutionnel dans la performance économique est établi par plusieursauteurs (Dollar et al., 2005 ; Acemoglu et Shiner, 1999).

6.4. Estimation des relations de court terme

Les relations de court terme entre la PTF du secteur industriel et ses déterminants sontprésentées dans le Tableau 7 ci-dessous.

115N°002 — Edition 2019



tableau 7. Résultat des relations de court terme à correction d’erreur de la ptf

Le coefficient estimé du terme à correction d’erreur (force de rappel) est négatif et

significatif au seuil de 1%. Il existe donc un mécanisme de convergence vers l’équilibre

de long terme. Ainsi, on obtient une demi-vie de 2.8 ans , pour que la moitié de

l’erreur (écart par rapport à l’équilibre de long terme) soit corrigé. Par ailleurs, la qualité

de l’électricité a un effet significatif sur la PTF du secteur industriel à court terme. En effet,

contrairement aux autres variables d’infrastructure, l’effet de la qualité de l’électricité

(disponibilité continue d’énergie) sur la PTF du secteur industriel devient significatif après

moins d’une année.

116 N°002 — Edition 2019


Coef. z-stat P-value __ec -.2451252

(.01621143) -10.51*** 0.000

∆road .6783535 (11.63593)

0.06 0.954

∆elec .0110205 (.1119427)

0.10 0.922

∆ict .1868073 (.1437089)

1.30 0.194

∆qroad .1375129 (.114906)

1.20 0.231

∆elect .6591205 (.3784486)

1.74* 0.082

∆qict -.0830326 (.0755244)

-1.10 0.272

∆pol .797554 (.6025704)

1.32 0.186

_cons 2.31475 (1.484959)

1.56 0.119

*** ;** ;* : significativité à 1%, 5% et 10% respectivement.

Source : Auteur


7. conclusion

Les perspectives d’une croissance économique durable en Afrique de l’Ouest dépendentlargement d’un secteur industriel performant. D’importants travaux suggèrent que lesinfrastructures économiques jouent un rôle crucial dans la performance productive desentreprises du secteur industriel. Cette étude vérifie à partir des données empiriques quele stock et la qualité des infrastructures influencent positivement et significativement laproductivité totale des facteurs du secteur industriel dans l’espace CEDEAO.

L’originalité de l’approche suivie consiste en l’utilisation d’indices quantitatifs et qualitatifsportant sur les différentes catégories d’infrastructures économiques de base. Nousespérons ainsi évaluer l’effet de la quantité et de la qualité de chaque type d’infrastructuresur la productivité industrielle de sorte à accroître la pertinence de nos résultats.

La Productivité Totale des Facteurs du secteur industriel est estimée sur les données depanel des 15 pays membres de la CEDEAO observés de 2000 à 2016.

Les principaux résultats obtenus se résument en trois points :

- le volume du stock d’infrastructures aussi bien que la qualité de ces infrastructures ontun effet positif et significatif de long terme sur la performance du secteur industriel. Eneffet, les mesures quantitative et qualitative des infrastructures routières, d’électricitéet de télécommunication influencent positivement et significativement la PTF du secteurindustriel.

- La qualité de l’électricité exerce un effet positif significatif sur la PTF dans un délai detemps relativement court en comparaison aux autres catégories d’infrastructures pourlesquels les effets deviennent significatifs après plus d’une année.

- les infrastructures institutionnelles appréhendées par la gouvernance (environnementdes affaires, qualité de l’administration, droits de propriété) sont pertinentes dansl’explication des performances du secteur industriel.

Ces résultats suggèrent que dans le cas des pays de la CEDEAO, une politiqued’amélioration quantitative et qualitative des infrastructures économiques et unegouvernance incitative peut constituer un puissant moteur de croissance industrielle.L’étude recommande d’investir dans l’accroissement des infrastructures physiques maisaussi dans l’amélioration de la qualité des services infrastructurels fournis et l’accèsuniversel. Ces dernières dimensions intangibles des infrastructures peuvent êtreaméliorées à travers une régulation efficace aussi bien au niveau national qu’au niveaurégional.

117N°002 — Edition 2019



Références

Agénor, P-R.; B. Moreno-Dodson (2006), “Public Infrastructure and Growth: New Channelsand Policy Implications.”, Policy Research Working Paper, N°4064 World Bank,Washington, DC.

Aschauer, D. (1989), “Public Investment and Productivity Growth in the Group of Seven”,Economic Perspectives, 13(5), 17-25.

Banque Mondiale (2015). Global Economic Prospects, January 2015. Washington, DC:Banque Mondiale.

Banque Mondiale (2017). Africa’s Pulse: Une analyse des enjeux façonnant l’aveniréconomique de l’Afrique.

Banque Mondiale (2014). World Development Report, Oxford, Oxford University Press.Banque Mondiale (2008). Infrastructure and Economic Development in Sub-SaharanAfrica. Document de travail de recherche stratégique 4712, Banque Mondiale,Washington; DC.

Barro, R. (1990). “Government Spending in a Simple Model of Endogenous Growth.”,Journal of Political Economy 98(5): 103-25. doi:10-1086/261726.

Barro, R. (1998). “Determinants of Economic Growth: A Cross-Country Empirical Study.”Journal of Comparative Economics 26, pp. 822-824.

Barro, R.; and X. Sala-i-Martin (1995). Economic Growth, 2nd Edition, MIT Press.

Ben Youssef, A. et H. M’henni (2004) “Les effets des technologies de l’information et dela communication sur la croissance économique : le cas de la Tunisie”, Revue Région et

Développement, n°19 – 2004.

Bonjean, C. ; Brunelin, S. ; Carrère, C. (2013). Impact de l’intégration sur le commercedans « Intégration régional pour le développement en zone franc », FERDI, Rapportd’étude.

Bordigoni, M. (2012). “Role of embodied energy in the European manufacturing Industry:Application to short-term impacts of a carbon tax. Energy Policy, 43, pp. 335-350.

Bosworth, B. and S. Collins (2003) “The Empirics of Growth: An Update”. The Brookings

Institutions. Washington D.C., Processed.

Buffie, E. ; A. Berg ; C. Patillo ; R. Portillo ; and L. Zanna (2012). “Public Investment, Growthand Debt Sustainability: Putting Together the Pieces”, IMF Working Paper WP/12/144(Washington: International Monetary Fund).

118 N°002 — Edition 2019



Calderon, C. and L. Servén (2010). “Infrastructure and Economic Development in Sub-Saharan Africa.”, Journal of African Economies 19, pp. 13-87.

Calderon, C. and L. Servén (2014). “Infrastructure Growth and Inequality: An Overview.”,7034. World Bank Policy Research. Working Paper.

Calderon, C.; E. Moral-Benito and L. Servén (2015) “Is infrastructure capital productive?A panel heterogeneous approach.”, Journal of Applied Econometrics 30(2), 177-98.

Dollar, D., M. Hallward-Driemeier and T. Mengistae (2005) “Investment Climate and FirmPerformance in Developing economies”. Economic Development and Cultural Change,

54(1): 1-21.

Estache, A; V. Foster; and Q. Wodon (2002). Accounting for poverty in infrastructurereform: Learning from Latin America’s experience. Washington, D.C; World Bank Institute.

Easterly, W. and S. Rebelo (1993), “Fiscal policy and economic growth: An empiricalinvestigation”. Journal of Monetary Economics, 32(3), 417-458.

Estache, A. ; Speciale, B. and Veredas, D. (2005), How much does Infrastructure Matterto Growth in Sub-Saharan Africa. Ecares Brussels, Mimeo.

Esfahani, H. and M. Ramirez (2003), “Institution, infrastructure and economic growth”,Journal of Development Economics, 70, 443-477.

Estache, A. and Q. Wodon (2007), Infrastructure and Poverty in Sub-Saharan Africa.Directions in Development Series. Washington, DC: World Bank.

Escribano, A. ; L. Guasch ; Manuel de Orte and J. Pena (2008), “Investment Climate andFirm’s Economic Performance: Econometric Methodology and Application to Turkey’sInvestment Climate Survey”. Working Paper 08-21. Departamento de EconomicaEconomic Series (13) Universidad Carlos III de Madrid June 2008.

Fedderke, J.; Z. Bogetic (2006), “Infrastructure and Growth in South Africa: Direct andIndirect Productivity Impacts of 19 Infrastructure Measures. Policy Research Working;N°3989. World Bank, Washington, D.C.

Ghazanchyan, M. and J. G. Stotsky (2013). “Drivers of Growth: Evidence from Sub-Saharan African Countries, IMF Working Paper WP/13/236 (Washington: IMF).

Ghani, E.; A. Goswami and W. Kerr (2016), “Highway to Success: The Impact of theGolden Quadrilateral Project for the Location and Performance of Indian Manufacturing”,Economic Journal, 126, 317-357.

119N°002 — Edition 2019



Hemmer, H., and R. Wilhelm (2000). “Fighting Poverty in Developing Countries: Principlesfor Economic Policy. Frankfurt: Peter Lang.

Hulten, C. (1996) “Infrastructure Capital and Economic Growth How Well You Use It MayBe More Important Than How Much You Have”. 5847, NBER Research Working Paperdoi :10.3386/W5847.

Imran, M. and J. Niazi (2011), “Infrastructures and Growth”, The Pakistan Development

Review, 50:4(2) pp. 355-364.

Kinda, T., P. Plane and M. Véganzonès-Varoudakis (2009) “Firms’ Productive Performanceand the Investment Climate in Developing Economies: An Application to MENAManufacturing”. Policy Research Working Paper 4869. The World Bank, The Middle Eastand North Africa Region, March 2009.

Loaya, N., A. Oviedo and L. Serven (2004) “Regulation and Macroecnomic Performance”.

World Bank. Washington, D.C.

Loayza, N. and R. Soto (2002), The Sources of Economic Growth: An Overview. InEconomic Growth: sources, trends and cycles. Series on Central Banking of Chile.

Lucas, R. (1998). “On the Mechanics of Economic Development.”, Journal of Monetary

Economics 22(1) : 3-42. doi: 10.1016/0304-3932(88)90168-7.

Mc Millan, J. (2004) “A Flexible Economy? Entrepreneurship and Productivity in New

Zealand”. Working paper, Graduate School of Business, Standford University, Standford, CA.

Meeusen, W. and J. Van Den Broeck. (1977) “Efficiency estimation from Cobb-Dougalsproduction functions with composed error” International Economic Review, 18: 435-44.

Mitra, A. ; A. Varoudakis and M-A. Véganzonès (2002), “Productivity and TechnicalEfficiency in Indian States’ Maufacturing: the Role of Infrastructure”. Economic

Development and Cultural Change, 50: 395-426.

Mitra, A., A. Varoudakis, M. Véganzonès (2016) “Infrastructure, ICT and Firms Productionand Efficiency : An application to the Indian Manufacuring”. Indian Studies in Business

and Economics.

Munnel, A. (1992). “Policy Watch: Infrastructure Investment and Economic Growth.”Journal of Economic Perspectives 6(4): 189-98.Munnel, A. (1990a). “Why Has Productivity Declined? Productivity and Public Investment.”,New England Economic Review, janv./fév., 3-22.

Munnel, A. (1990b), “How does Public Infrastructure Affect Regional EconomicPerformance.”, New England Economic Review, sept./Oct., 11-32.

120 N°002 — Edition 2019



Rebelo, S. (1991). “Long-Run Policy Analysis and Long-Run Growth.”, Journal of Political

Economy 99(3): 500-521. doi: 10.1086/261764.

Rodrik, D. (1999) “Institutions for High-Quality Growth: What They Are and How to Acquirethem”. Paper presented at the IMF Conference on Second Generation Reforms,Washington, November 8-9.

Röller, L-H. and L. Waverman (2001), “Telecommunications Infrastructure and EconomicDevelopment: A Simultaneous Approach.”, American Economic Review 91, 909-23.

Romer, P. (1990). “Endogenous technical change”, Journal of Political Economy, 98: s67-s171.

Romp, W. and J. DeHaan (2007) “Public Capital and Economic Growth: A Critical Survey.”European Investment Bank Papers.

Sachs, J. ; J. McArthur; G. Schmidt-Traub; M. Kruk; C. Bahadur; M. Faye; and G. McCord(2004), “Ending Africa’s Poverty Trap”, Brookings Papers On Economic Activity, pp. 117-240.

Solow, R. (1957). “Technical Change and the Aggregate Production Function.”, Review

of Economics and Statistics 39:312-20.

Straub, S. (2008). Infrastructure and Growth in Developing Countries: Recent Advances

and Research Challenges. World Bank Institute, Washington, D.C.

Straub, S. and A. Terada-Hagiwara (2011). “Infrastructure and Growth in Developing Asia.”Asian Development Review 28:1.

Straub, S. and A. Terada-Hagiwara (2011), “Infrastructure and Growth in Developing Asia”.Asian Development Review 28:1.

Swan, T. (1956). “Economic Growth and Capital Accumulation.”, Economic Record 32(2) :334-61.

Teles, V. and C. Mussolini (2012), “Infrastructure and productivity in Latin America: is therea relationship in the long run?”. Journal of Economic Studies, 39(1), 44-62.

UEMOA (2006), Programme Economique Régional (PER) 2006-2010, (Juillet 2006),www.uemoa.int/PER.

World Bank (2018) African development indicators, Washington DC: World Bank.

121N°002 — Edition 2019



AnnExE

tableau A1. Résumé descriptif des variables du modèle

122 N°002 — Edition 2019


Variable Mean Std. Dev. Min Max Observations

lnptf overall 9.748462 1.024389 7.268006 12.39986 N = 255

between 1.027429 8.033366 11.94935 n = 15

within .2454712 8.983102 10.95877 T = 17

road overall 1.741248 .6823909 .0723207 3.34173 N = 255

between .6817979 .6579223 3.302847 n = 15

within .173467 1.151602 2.694735 T = 17

elect overall 2.467879 3.007508 .011 15.542 N = 255

between 2.992473 .1568235 10.25518 n = 15

within .8088893 -1.964298 7.754702 T = 17

icts overall 5.79592 8.579482 0 48.502 N = 255

between 3.161502 2.063882 13.97382 n = 15

within 8.015113 -8.167903 40.3241 T = 17

eau overall 42.89983 15.50306 14.452 81.598 N = 255

between 15.2175 20.89521 75.02615 n = 15

within 4.83319 30.36724 55.96424 T = 17

qualtran overall 29.80824 13.14322 0 64 N = 255

between 12.13765 3.676471 50.98235 n = 15

within 5.890824 18.92 58.06706 T = 17

qualel~t overall 27.06196 15.17313 4.7 77 N = 255

between 13.60451 5.235294 56.41177 n = 15

within 7.536562 3.56196 61.67961 T = 17

qualicts overall 16.42784 13.15422 0 71.5 N = 255

between 9.692564 3.182353 35.99412 n = 15

within 9.219842 -.3662745 51.93373 T = 17

acceseau overall 55.29961 13.86865 25.6 83.9 N = 255

between 13.1911 30.45882 78.62941 n = 15

within 5.412512 39.2702 69.37019 T = 17

accese~t overall 32.97156 21.82325 .01 92.61159 N = 255

between 21.43774 4.569346 74.07166 n = 15

within 6.754811 14.79997 51.51149 T = 17

gov overall 50.70902 9.31411 34 73.4 N = 255

between 9.112401 38.68235 71.18235 n = 15

within 2.991218 40.69137 60.4149 T = 17


tableau A2. Matrice de corrélation des séries

tableau A3. test de cointégration de westerlund basé sur modèle à correctiond’erreur sur panel

123N°002 — Edition 2019


lnptf nroad elect icts eau qualtran qualelect qualicts acceseau acceselect gov

Lnptf 1 .000

Lnroad

0.2414 1.0000

elect 0.5403 0.3940 .0000 icts

0.1505

0.1425

.2308

.0000

eau 0.2968 .5190 .7294 .5030 1.0000

qualtran 0.1867 .3103 .5875 .3384 0.5604 1.0000

qualelect -0.004 0.1502 .2093 .0664 0.1808 0.7428 1.0000

qualicts 0.2675 .4413 0.4646 .7519 .7414 0.6451 0.4156 1.0000

cceseau 0.2295 .4085 .7113 .5139 0.8783 0.5973 0.3384 0.7310 1.0000

acceselect 0.6157 .4784 .7194 0.4571 0.6996 0.6067 0.3184 0.6576 0.6793 1.0000

gov 0.1834 .2373 .3121 .3592 0.4918 0.4948 0.3973 0.6493 0.4513 0.5256 1.000

Source: Auteur

Statistic Value Z-value P-value

-32.097 -120.261 0.000***

-12.225 -3.604 0.000***

Notes *** indique le rejet de l’hypothèse nulle au seuil de 1%. H0 : Absence d’une relation de cointégration Source : Auteur

GtPt


Graphique A1. Représentation graphique des séries

124 N°002 — Edition 2019


6

6,5

7

7,5

8

8,5

2000 2002 2004 2006 2008 2010 2012 2014 2016

road

0 0,5

1 1,5

2 2,5

3 3,5

2000 2002 2004 2006 2008 2010 2012 2014 2016

elec

0 10 20 30 40 50 60

2000 2002 2004 2006 2008 2010 2012 2014 2016

eau

0

10

20

30

40

50

2000 2002 2004 2006 2008 2010 2012 2014 2016

qualtroute

0

5

10

15

20

25

30

35

2000 2002 2004 2006 2008 2010 2012 2014 2016

qualICT

44

46

48

50

52

54

2000 2002 2004 2006 2008 2010 2012 2014 2016

gov


125N°002 — Edition 2019


0

5

10

15

20

25

2000

20

01

2002

20

03

2004

20

05

2006

20

07

2008

20

09

2010

20

11

2012

20

13

2014

20

15

2016

ICT

0 5

10 15 20 25 30 35

2000

20

01

2002

20

03

2004

20

05

2006

20

07

2008

20

09

2010

20

11

2012

20

13

2014

20

15

2016

qualelect

0

2

4

6

8

10

12

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

lnptf

128

COMMISSION DE L'UEMOA

380, Av. du Professeur Joseph KI-ZERBO01 BP 543 Ouagadougou 01 Burkina Faso

Email : [email protected] Tél. : +226 25 31 88 73 à 76 - Fax : +226 25 31 88 72

Web : www.uemoa.int / www.izf.netFacebook : https://web.facebook.com/uemoaint1994

Twitter : https//twitter.com/uemoa.int1994

LES CAHIERS DE L’INTEGRATIONetudes.uemoa.int/upload/cahier_integration-numero2_2019...Treynor et...

Documents

Transcript of LES CAHIERS DE L’INTEGRATIONetudes.uemoa.int/upload/cahier_integration-numero2_2019...Treynor et...