banque africaine institut tunisien de la centre de recherche

Banque africainede développement

(BAD)

Institut tunisien de lacompétitivité et desétudes quantitatives

(ITCEQ)

Centre de recherche en développement

économique et finance internationale

(DEFI)

M. Vincent Castel, Coordinateur programmeprincipal, ORNA.

Mme Natsuko Obayashi,Économiste pays principal, ORNA.

M. Hatem Haj Salem, Assistant des operations supérieur, ORNA.

Mme Kaouther Abderrahim Ben Salah, Économiste, ORNA.

M. Abdel Majid Ben Khlifa, Économiste en chef, directeur, direction centrale de la modélisation.

M. Ammar Saleheddine, Informaticien, sous-directeur,direction centrale du systèmed’information et de la documentation.

Mme Mounira Bouali, Économiste principal, directeur, direction des études économiques.

Mme Raoudha Hadhri, Économiste principal, directeur, direction centrale de la compétitivité.

Mlle Ikram Nahdi, Économiste principal, sous-directeur, direction centrale de la modélisation.

Mlle Samiha Chaabani, Économiste principal, chef de services, direction centrale de la compétitivité.

Mlle Manel Gaaloul, Économiste principal, chef de services, direction desétudes économiques.

M. Gilles Nancy, Professeur, Université Aix-Marseille.

M. Marcel Aloy, Maître de conférences, Université Aix-Marseille.

M. Eric Heyer, Professeur à Sciences Po Paris.

M. Gilbert Cette, Professeur associé, Université Aix-Marseille.

Mme Marion Dovis, Maître de conférences, Université Aix-Marseille.

Mme Patricia Augier, Maître de conférences, Université Aix-Marseille.

M. Pedro AlbuquerqueChercheur associé DEFI, Université du Minésota.

M. Mikael Gaziorek, Chercheur associé DEFI, Professeur, Université de Sussex.

4

I T C E Q - I N S T I T U T T U N I S I E N D E L A C O M P É T I T I V I T É E T D E S É T U D E S Q U A N T I T A T I V E S

Avertissement & remerciements

Le rapport de l’étude portant sur l’analyse du système productif

tunisien qui a été financée par un don du Fonds pour les Pays

à Revenu Intermédiaire de la Banque Africaine de Développement

(BAD) destiné à renforcer les capacités techniques de l’Institut

tunisien de la compétitivité et des études quantitatives (ITCEQ), est

le fruit d’une collaboration très étroite entre des équipes de recherche

de l’ITCEQ et des experts du Centre de recherche en développement

et finance internationale (DEFI) de l’Université de la Méditerranée Aix

Marseille II. Les thèmes couverts par ce travail, bien que différents

du point de vue méthodologique, nature des bases de données

utilisées et objectifs assignés, se complètent puisqu’ils se focalisent

sur l’analyse du système productif tunisien sous ses différents angles.

L’objectif ultime serait d’identifier et d’engager les réformes

nécessaires pour améliorer l’efficience économique, diversifier

davantage l’économie tout en profitant au maximum des potentialités

offertes par la mondialisation et le développement technologique et

accéder ainsi à de nouveaux paliers de croissance stable et inclusive.

Quatre thèmes ont été sélectionnés pour faire l’objet de ces

investigations : (1) estimation économétrique des déterminants de

la production (valeur ajoutée) et des prix par secteur d’activités

manufacturières, en se basant sur l’optique de fonction de production

(2.1) ; (2) l’estimation économétrique de fonctions de demande

d’exportations tunisiennes par secteur sur le marché européen, en

prenant en compte à la fois les concurrents hors EU sur le marché

de l’EU et les producteurs européens eux-mêmes (2.2). En outre, faute

de séries de données suffisamment longues, ces investigations

économétriques sectorielles ont été complétées par l’approche panel

(groupement de secteurs) ; (3) Analyse du positionnement des

exportations tunisiennes par produit sur le marché mondial du point

de vue offre et demande, ainsi que son évolution, et ce, en se basant

sur certains indicateurs usuels de performance. L’objectif étant

d’identifier de nouvelles opportunités d’exportations aussi bien en

termes de produits que de marchés (2.3) ; (4) Analyse du système

productif tunisien selon l’optique de la dynamique des entreprises

(2.4), l’objectif étant la décomposition des gains de productivité du

facteur travail (niveau agrégée) en plusieurs sources : internes aux

entreprises et/ou à travers plusieurs phénomènes de réallocation des

ressources.

Le rapport comporte également, la description des actions de

formation effectuées dans le cadre du projet, au profit des différentes

équipes de l’ITCEQ.

Les chercheurs de l’ITCEQ et les experts du DEFI ayant contribué

à la réalisation de ce travail sont :

Chapitre I :

- Du coté DEFI : M. Gilles Nancy, M. Marcel Aloy & M. Eric Heyer

- Du coté ITCEQ : M. Abdelmajid be Khalifa et Mlle Ikram Nahdi

Chapitre II :

- Du coté DEFI : M. Gilles Nancy, M. Marcel Aloy, M. Eric Heyer

& M. Pedro Albuquerque

- Du coté ITCEQ : Mme. Raoudha Hadhri & Mlle Samiha Chaabani

Chapitre III :

- Du coté DEFI : M. Mikael Gaziorek,

- Du coté ITCEQ : Mme. Raoudha Hadhri & Mlle Samiha Chaabani

Chapitre IV :

- Du coté DEFI : Mme. Patricia Augier & Marion Dovis

- Du coté ITCEQ : Mme. Mounira Bouali, Melle. Manel Gaaloul

& MM. Abdallah Abdelmalek, Slaheddine Ammar

5


Les auteurs assument l’entière responsabilité du contenu de ce

document. Les opinions exprimées ne reflètent pas nécessairement

l’avis de ITCEQ ou de la Banque africaine de développement

(BAD).

6

I T C E Q - I N S T I T U T T U N I S I E N D E L A C O M P É T I T I V I T É E T D E S M É T H O D E S Q U A N T I T A T I V E S

Table des matières

7 Résumé analytique

7 1. Introduction

9 2. Résultats par composantes

9 2.1 Modélisation sectorielle des industries manifacturières

9 2.1.1 La méthode d’estimation9 2.1.2 Les principaux résultats11 2.1.3 Réponse du capital à un choc de demande et de coût13 2.1.4 Réponse du capital à un choc de demande et de coût15 2.1.5 Conclusions15 2.1.6 Références bibliograpiques

15 2.2 Modélisation sectorielle des exportations tunisiennes

16 2.2.1 Estimations des fonctions d’exportations sur les séries chronologiques de la période 1988-200826 2.2.2 Estimations des équations d’exportations en panel dynamique27 2.2.3 Les prolongements possibles de l’analyse économiques30 2.2.4 Références bibliographiques

31 2.3 Analyse des potentialités d’exportation tunisienne

31 2.3.1 Analyse de l’offre de la Tunisie en termes d’avantages comparatifs34 2.3.2 Évolution de la demande mondiale des produits Tunisiennes exportés34 2.3.3 Orientation des exportations et identification des marchés potentiels

40 2.4 Effets de l’ouverture de l’économie tunisienne sur le système productif et analyse du processus d’adaptation des entreprises

40 2.4.1 Analyse descriptive de la base de données d’entreprises de l’industrie tunisienne49 2.4.2 L’analyse de la décomposition de la productivité

53 3. La formation

53 3.1 Un exemple de session de formation économétrie et modélisation macroéconomique54 3.2 Un exemple de formation au traitement des données d’entreprises

57 4. Conclusions

7


Résumé analytique

1. Introduction

La révolution a bouleversé le modèle économique et social

existant provoquant des changements dans la gouvernance et

la transparence des politiques publiques, ce qui contribuera certainement

à améliorer l’efficience de l’économie et par la même, réaliser un

palier de croissance plus élevé. Néanmoins les caractéristiques

structurelles de l’économie encore faibles et plusieurs autres défis

restent d’actualité.

En raison de la très forte concentration, des exportations dans le

textile et l’habillement, le démantèlement de l’accord multifibres

(AMF) a été un événement majeur pour l’économie tunisienne.

Depuis le démantèlement de l’AMF, la Tunisie est confrontée à une

concurrence très vive sur les marchés de l’UE, en provenance de

l’Asie et de l’Europe de l’Est, avec des coûts de main d’œuvre plus

bas et/ou une productivité plus forte. Le risque d’une crise structurelle

dans ce secteur est spécialement élevé étant donné le degré de

dépendance vis-à-vis de l’UE qui absorbe 96% des exportations

de textile-habillement de la Tunisie. De plus, la plupart de ces

exportations proviennent de la sous-traitance, une activité vulnérable

à faible valeur ajoutée.

L’amélioration de la compétitivité est au cœur d’un projet de dévelop-

pement fondé sur l’intégration dans l’économie mondiale. Au-delà

de l’indispensable modernisation des procédés technologiques, le

fonctionnement du marché du travail et spécifiquement le processus

de négociation des salaires, de fait initié et encadré par l’État, n’est

pas suffisamment flexible pour répondre à la concurrence des autres

pays émergents sur les principaux marchés. L’inadaptation du système

de formation au modèle de production tunisien et partant à la

demande des entreprises, est un frein à l’amélioration de la compétitivité.

La part des services dans le PIB est croissante. La libéralisation des

services offrant des opportunités rapides d’exportation, devrait en

priorité se concentrer sur des secteurs porteurs et innovants à

forte valeur ajoutée tels que les servicesinformatiques, d’ingénierie,

comptables, d’audit et de conseil en gestion, la publication et

l’édition, les services d’éducation, la gestion des services publics

et les services de santé. La mise en œuvre de ces réformes

permettrait, à moyen terme, une forte réduction de la vulnérabilité

de la Tunisie par rapport aux fluctuations de la demande de services

touristiques.

Une autre clé de voute du modèle de développement tunisien est

la croissance des IDE qui, d’une part, contribue aux besoins de

financement de l’économie malgré les effets négatifs sur la balance

courante (transferts de revenus vers l’extérieur) et participe, d’autre

part, à l’augmentation rapide du taux d’investissement.

Les chantiers d’analyse et de réflexion qui s’ouvrent pour répondre

aux challenges de l’économie tunisienne sont nombreux. La

compétitivité, la dynamique du secteur des produits manufacturés,

l’impact des chocs externes, la place de l’administration publique

dans une économie ouverte sur l’extérieur, une meilleure connaissance

du PIB potentiel, sous-tendent le programme de la mission

d’assistance technique. Naturellement, il n’était pas question dans

le cadre d’une mission de courte durée de prétendre traiter

l’ensemble de ces thématiques. Les experts du DEFI et de l’ITCEQ

se sont efforcés de délimiter le périmètre des objectifs et des

activités à développer dans le cadre du projet, compte tenu de la

durée de la mission, des évènements contingents, et de la disponibilité

des informations nécessaires à l’aboutissement du programme.

C’est dans ce contexte qu’il convient aujourd’hui de resituer la

mission d’assistance technique DEFI/ITCEQ. Le programme

8


aborde en effet sans les traiter exhaustivement les questions

récurrentes qui se posent à l’économie tunisienne en termes de

productivité des facteurs, de compétitivité des exportations et

des déterminants de la substitution entre non diplômés et diplômés

sur le marché de l’emploi.

L’Institut tunisien de la compétitivité et des études quantitatives

(ITCEQ) est un établissement public à caractère non administratif

sous la tutelle du Ministère du développement et de la coopération

Internationale. Il joue un rôle clé dans la planification et la

programmation de la politique économique du Gouvernement

des analyses nécessaires à la décision publique.

Dans un contexte d’intégration de la Tunisie dans l’économie mondiale,

l’ITCEQ a souhaité renforcer ses capacités techniques, en termes

d’analyses nécessaires à la décision publique et afin de contribuer

aux décisions de politique économique du gouvernement tunisien.

Le DEFI (Centre de recherche en développement économique et

finance internationale) de l’Université de la Méditerranée, spécialisé

dans l’analyse des mécanismes d’intégration des pays émergents

dans l’économie mondiale, a été chargé de mettre en œuvre sous

l’égide de la BAD une mission d’assistance technique, en étroite

collaboration avec les chercheurs de l’ITCEQ, dont les objectifs, les

méthodes et les résultats font l’objet de ce rapport.

1 Une fois pris en compte l'ensemble des flux nets de financement, à l'exception des transferts et prêts officiels postérieurs à la crise.2 Sous l’hypothèse d’un apport de 900 M. USD dans le cadre de ce programme (BM, BAD, UE, AFD).

9


2. Résultats par composantes

2.1. Modélisation sectorielle des industriesmanufacturières

La modélisation des industries manufacturières repose sur des

fondements théoriques développés en annexes, qui reprennent

la structure des modèles d’équilibre général en y incluant des éléments

de la demande. Les objectifs de la modélisation sont les suivants:

- Simuler et prévoir le taux de croissance de la valeur ajoutée des

sous secteurs manufacturiés en s’appuyant sur des équations

structurelles

- Estimer la demande de facteur capital, travail pour chaque sous

secteur

- Estimer l’élasticité de substitution des facteurs et pour le facteur

travail l’élasticité de substitution entre travail qualifié et travail

non qualifié.

- Déterminer le prix de la valeur ajoutée du secteur manufacturier

- Le partage de l’offre et de la demande entre le marché domestique

et le marchés extérieurs

- La réponse de la demande des facteurs de production (emploi

et investissement), à un choc de demande(croissance de la

valeur ajoutée) et de coût (salaire).

La période d’estimation s’étend de 1983 à 2009. Les données

proviennent des comptes nationaux annuels pour l’économie tunisienne.

Six secteurs manufacturiers sont analysés.

Secteur 2 : Industrie Agro-alimentaires (IAA)

Secteur 3 : Industries matériaux de construction céramiques et

verre (MCCV)

Secteur 4 : Industries mécaniques et électriques (IME)

Secteur 5 : Industries chimiques (CHIMIE)

Secteur 6 : Industries textile habillement et cuirs (THC)

Secteur 7 : Industries diverses (DIVERSES)

2.1.1. La méthode d’estimation

Le faible nombre d’observations disponibles (au maximum 27) ainsi

que la présence de paramètres communs à estimer dans les différentes

équations de long terme (élasticités de substitution, taux de croissance

du progrès technique) nous ont incités à estimer ces équations

simultanément.

Nous avons par conséquent procédé en deux étapes :

1. Dans la première étape, nous avons estimé les relations de long

terme, en niveau, grâce à un système d’équations simultanées

par la méthode SUR (Seemingly Unrelated Regression).

2. Dans la deuxième étape, nous avons estimé quatre MCE (Modèle

à Correction d’erreurs) en imposant dans ces derniers les relations

estimées dans la première étape comme solution de long terme.

L’ensemble des MCE ont des propriétés statistiques satisfaisantes.

Les tests LM conduisent au rejet de l’hypothèse d’auto-corrélation

des résidus de ces équations. Ces résidus sont homoscédastiques

au regard du test de White et du test ARCH. La forme fonctionnelle

de l'équation est validée par le test Reset. Enfin, selon le test de Bera

Jarque, les résidus de toutes les équations suivent une loi normale.

2.1.2. Les principaux résultats

Les principaux résultats sont résumés dans le Tableau 3.1 : Il en

ressort les conclusions suivantes :

10


• Il existerait une substituabilité relativement forte entre le capital et

le travail dans les 4 secteurs suivants : l’élasticité de substitution

est proche de l’unité dans le secteur des Industries Agro-

alimentaires ainsi que dans celui des industries Mécaniques et

Électriques (secteurs 2 et 4). L’élasticité de substitution est voisine

de 0,7 dans le secteur des Matériaux de Construction, Céramiques

et Verre et dans la Chimie (secteurs 3 et 5). Notons toutefois que

la valeur de ces élasticités est sans doute surestimée par la prise

en compte de la durée du travail dans le facteur travail. Autrement

dit, ce n’est pas une élasticité entre le stock de capital et le stock

de travail qui est estimée ici mais entre le stock de capital et le

volume horaire. En d’autres termes, une augmentation du prix

relatif du salaire par rapport au cout du capital induirait dans les

IAA et les IME une substitution assez forte, du capital au travail.

En revanche, dans les autres secteurs, la variation du prix relatif

des deux secteurs a une incidence plus faible bien que significative

sur la demande respective de travail et de capital dans les deux

autres secteurs.

• En revanche, il semble y avoir une forte complémentarité entre le

capital et le travail dans les deux derniers secteurs étudiés, à savoir

celui du Textile, Habillement et Cuirs et les industries diverses

(secteurs 6 et 7). Ceci implique que dans ces secteurs, et

contrairement aux secteurs précédents, une variation du coût relatif

du travail par rapport au capital aura peu d’impact à long terme

sur l’intensité capitalistique (stock de capital par travailleur).

• D’après nos estimations, il apparaît que la formulation d’un progrès

technique neutre au sens de Hicks3 soit la seule à être acceptée

dans les 6 secteurs étudiés. Dans les secteurs 2, 6 et 7, le taux

de croissance estimé du progrès technique (paramètres gk et gl,

qui sont identiques dans la neutralité au sens de Hicks) est compris

entre 1 et 2 % par an. Il est voisin de 2,7 % dans le secteur 4 et

supérieur à 5 % dans les secteurs 3 et 5.

Le taux de croissance de la productivité globale des facteurs est

hétérogène. Il est relativement faible dans les IAA et le textile et

élevé dans les IME et l’industrie chimique.

• Dans tous les secteurs étudiés, il ressort une forte élasticité de

substitution entre l’emploi qualifié et non qualifié4 allant de 3,3 pour

le secteur 5 à plus de 6 pour le secteur 4. Ce résultat est important,

apparemment robuste et relativement inattendu : il implique

notamment qu’une diminution de 1% du salaire relatif des qualifiés

par rapport aux non-qualifiés conduirait (à long terme) à une

croissance du nombre d’emplois des qualifiés supérieure de 3%

à 6% à celle des non-qualifiés. En d’autres termes, un resserrement

de l’écart des salaires entre qualifiés et non-qualifiés constituerait,

selon cette estimation, un moyen efficace d’améliorer « l’employabilité »

des diplômés. Une interprétation possible de ce résultat est que,

en moyenne, les diplômés ne disposeraient peut-être pas de

suffisamment de savoir-faire spécifique, propre à les distinguer des

non-qualifiés, les deux catégories étant alors par conséquent

perçues par les entreprises comme des substituts plutôt que

comme des compléments dans le processus de production.

• Pour conclure, il convient de rappeler que les élasticités de long

terme par rapport aux quantités ont été fixées à l’unité, pour

d’évidentes questions de cohérence théorique : ainsi, lorsque la

quantité totale de travail augmente de 1%, la quantité d’heures

des travailleurs qualifiés et des travailleurs non qualifiés augmente

identiquement de 1% (toutes choses égales par ailleurs). De la

même manière, lorsque la demande de biens (mesurée par la valeur

ajoutée en volume) augmente de 1%, la quantité de capital et de

travail augmente identiquement de 1%.

3 Le progrès technique est neutre au sens de Hicks s’il augmente l’efficacité des deux facteurs de production. Pour une combinaison productive donnée le rapport des productivitésmarginales reste inchangé et les/la demande des facteurs croit au même rythme que le progrès technique4 Notons que la distinction travailleur qualifié / non qualifié est ici appréhendée sous l’angle du diplôme et non sur celui de la nature du métier : dans nos estimations, les qualifiésont été définis comme titulaires d’un diplôme d’enseignement supérieur, tandis que les non-qualifiés regroupent les autres individus. Les termes utilisés dans notre présentation(« qualifiés » et « non-qualifiés » ) ont donc un caractère volontairement simplificateur et très schématique.Afin de compléter l’estimation, nous avons replacé les équations de long terme dans le cadre plus général de modèles à correction d’erreur. La forme générique des équationsdynamiques estimées est donnée dans le Tableau III.4. Comme précédemment, les coefficients de court terme non significatifs ont été supprimés des équations finales.

11


Afin d’illustrer le processus dynamique des différentes variables et

leur sensibilité à leur déterminants économiques, nous avons procédé

à la mesure des réponses sectorielles à certains chocs économiques.

2.1.3. Réponse de l’emploi à un choc de demande et de coût

Deux chocs ont été simulés : le premier consiste en une augmentation

de 1% de la valeur ajoutée, le second choc réside dans une hausse

de 1% du salaire réel.

Le résultat de ces simulations sont résumés dans le tableau 3.2 ainsi

que dans les graphiques ci-après. Des réponses aux chocs il ressort

que d’une part à la suite d’un choc l’emploi ne revient pas à sa valeur

initiale. Dans le cas d’un choc de demande (VA), la réponse de l’emploi

et la plus rapide dans le secteur des MCCV, des IME et du THC. Les

chocs sont encore fortement persistants au bout de 4 ans. A la suite

d’un accroissement du salaire réel les effets négatifs sur l’emploi se

font ressentir instantanément sur les IAA et dans une moindre mesure

sur les IME et la chimie. À long terme, ce sont les IAA, les IME qui

sont les secteurs dont les emplois sont le plus affectés. En revanche,

l’emploi dans le secteur textile semble mieux absorber le choc et

être relativement préservé à long terme.

Tableau 2.1 : Principaux résultats des estimations sectorielles

Sources : Comptabilité nationale, calculs ITCEQ/DEFI

Secteur 2 3 4 5 6 5

Paramètres structurels

Elasticité de substitution K/L 0,99 0,74 0,98 0,67 0,06 0,14

Elasticité de substitution Qualifié/ Non qualifié

5,40 4,10 6,01 3,29 4,67 5,55

Progrès technique neutre au sensde Hicks (%)

1,97 5,11 2,68 5,28 1,06 1,67

Paramètres du MCE

Force de rappel de l’emploi 0,40 0,21 0,32 0,12 0,21 0,31

Force de rappel du capital 0,05 0,13 0,07 0,06 0,14 0,04

Tableau 2.2 : Réponse dynamique d’un choc de 1% de la VA et du salaire réel (WR) sur l’emploi


Secteur T 1 ans 2 ans 3 ans 4 ans Long terme

IAA (2)VA 0,31 0,46 0,62 0,71 0,79 1

WR -1,16 -0,63 -0,97 -0,84 -0,94 -0,98

MCCV (3)VA 0,85 0,88 0,38 0,52 0,62 1

WR 0 -0,77 -0,76 -0,75 0,74 -0,73

IME (4)VA 0,44 0,62 0,74 0,82 0,88 1

WR -0,21 -0,46 -0,62 -0,73 -0,81 -0,97

CHIMIE (5)VA 0,19 0,30 0,28 0,31 0,32 1

WR -0,22 -0,06 -0,01 -0,20 -0,28 -0,67

THC (6)VA 0,37 0,50 0,61 0,69 0,76 1

WR -0,47 -0,38 -0,31 -0,26 -0,21 -0,05

DIVERSES (7)VA 0,53 0,68 0,78 0,85 0,90 1

WR 0 -0,04 -0,07 -0,09 -0,11 -0,13

12


Variation de l’emploi (en %) à la suite d’une augmentation de 1% de la valeur ajoutée

Variation de l’emploi (en %) à la suite d’une augmentation de 1% du salaire réel

13

2.1.4. Réponse du capital à un choc de demande et decoût

Deux chocs ont également été simulés pour le capital :

1. Une augmentation de 1% de la valeur ajoutée

2. Une hausse de 1% du coût réel du capital

Le résultat de ces simulations sont résumés dans le tableau 3.3

ainsi que dans les graphiques ci-après.

Les réponses aux chocs du capital font apparaître une assez grande inertie

à court terme dans la plupart des secteurs à l’exception du textile pour la

valeur ajoutée. En revanche, les effets à long terme d’une augmentation

du cout réel du capital5 sont importants dans les IAA, les IME, et les

MCCV. Ils sont négligeables dans le secteur du textile et de l’habillement.


Tableau 2.3 : Réponse dynamique d’un choc de 1% de la VA et du coût réel (CKR) sur le stock de capital


Secteur T 1 ans 2 ans 3 ans 4 ans Long terme

IAA VA 0,18 0,51 0,71 0,83 0,91 1

CKR -0,10 0,27 -0,40 -0,50 -0,64 -0,98

MCCVVA 0,17 0,36 0,58 0,78 0,93 1

CKR -0,14 -0,29 -0,45 -0,61 0,73 -0,73

IMEVA 0 0,18 0,42 0,65 0,83 1

CKR 0 -0,07 -0,21 -0,39 -0,56 -0,97

CHIMIE VA 0 0,15 0,25 0,39 0,52 1

CKR -0,03 -0,15 -0,24 -0,34 -0,43 -0,67

THCVA 0,27 0,50 0,67 0,79 0,87 1

CKR -0,008 -0,028 -0,036 0,042 -0,047 -0,05

DIVERSESVA 0 0,04 0,10 0,17 0,24 1

CKR -0,04 -0,07 -0,08 -0,09 -0,10 -0,13

5 Cout réél d’usage du capital : taux d’intérêt réel augmenté du taux de dépréciation du capital.

14


Variation du stock de capital (en %) à la suite d’une augmentation de 1% de la valeur ajoutée

40


42

!

15


2.1.5. Conclusion

La modélisation des secteurs manufacturiers micro fondée sur les

approches des modèles d’équilibre général calculables a débouché

sur des estimations des paramètres qui conduisent aux conclusions

suivantes :

- La substitution entre le capital et le travail est forte (élasticité

proche de l’unité, Cobb-Douglas) dans le secteur des Industries

Agro-alimentaires ainsi que dans celui des industries Mécaniques

et Électriques (secteurs 2 et 4), tous les deux fortement

exportateurs. La substitution entre les deux facteurs est plus

faible (élasticité voisine de 0,7, CES) dans les secteurs des MCCV

et de la Chimie. Dans les autres secteurs, il y a complémentarité

entre les facteurs de production.

- Les simulations dynamiques montrent que les secteurs industriels

tunisiens sont caractérisés par une assez forte rigidité dans

l’ajustement des facteurs : à la suite de chocs de demande ou

de coûts réels, il faut généralement trois à quatre années pour observer

un ajustement significatif des quantités de travail et de capital.

- Le taux de croissance de la productivité globale des facteurs est

hétérogène. Il est relativement faible dans les IAA et le textile, et

élevé dans les IME et l’industrie chimique.

- Dans tous les secteurs étudiés, il ressort une forte élasticité de

substitution entre l’emploi qualifié et non qualifié6 allant de 3,3

pour le secteur 5 à plus de 6 pour le secteur 4. Ce résultat est

important, apparemment robuste et relativement inattendu : il

implique notamment qu’une diminution de 1% du salaire relatif

des qualifiés par rapport aux non-qualifiés conduirait (à long

terme) à une croissance du nombre d’emplois des qualifiés

supérieure de 3% à 6% à celle des non-qualifiés

Ces premiers résultats permettent donc de valider à la fois les

fondements théoriques et les méthodologies économétriques mises

en œuvre. Ainsi, sur la base des travaux réalisés dans le cadre de

cette étude, les estimations sectorielles des prix et du commerce

extérieur – qui restent à faire – doivent pouvoir être effectués sans

difficultés majeures.

2.1.6. Références bibliographiques

Annabi N., Cockburn J., Decaluwé B. (2003), Formes Fonctionnelles

et Paramétrisation dans les MCEG, CREFA, Université de Laval.

Harrison R., Nikolov K., Quinn M., Ramsay G., Scott A. and

Thomas R. (2005), The Bank of England Quarterly Model,

www.bankofengland.co.uk/publications/beqm/.

Klump R., McAdam P., Willman A. (2008), Unwrapping some euro

area growth puzzles: Factor substitution, productivity and

unemployment. Journal of Macroeconomics 30, 645–666.

Lofgren H., Harris R.L., Robinson S. (2002), A standard computable

general equilibrium model in GAMS. Microcomputer in Policy

Research 5, International Food Policy Research Institute.

2.2 Modélisation sectorielle des exportationstunisiennes

L’analyse des déterminants des exportations tunisiennes, porte sur

huit secteurs choisis par les experts de l’ITCEQ.

Secteur 1 : Agriculture (Agr)


Secteur 3 : Matériaux de Construction Céramiques et Verre (MCCV)

Secteur 4 : Industries Mécaniques et Électriques (IME)

Secteur 5 : Industries Chimiques (CHIMIE)

Secteur 6 : Industries Textile, Habillement et Cuirs (THC)

6 Notons que la distinction travailleur qualifié / non qualifié est ici appréhendée sous l’angle du diplôme et non sur celui de la nature du métier : dans nos estimations, les qualifiésont été définis comme titulaires d’un diplôme d’enseignement supérieur, tandis que les non-qualifiés regroupent les autres individus. Les termes utilisés dans notre présentation(« qualifiés » et « non-qualifiés » ) ont donc un caractère volontairement simplificateur et très schématique.

16


Secteur 7 : Industries Diverses (DIVERS)

Secteur 8 : Hydrocarbures (Hyd)

L’objectif est d’évaluer quantitativement la dynamique sectorielle

des exportations à la suite de variations de la demande adressée

et des prix relatifs.

Dans le cadre du projet, l’application se limite à l’étude des

exportations tunisiennes en direction de l’Europe, qui représente

l’essentiel des exportations tunisiennes, sur la base de données

annuelles de la période 1988-2008.

i) Les variables explicatives de la demande d’importations

européennes7 sont :

- la demande adressée européenne;

- l’indice des prix des exportations sectorielles tunisiennes;

- l’indice des prix européen;

- l’indice des prix des concurrents de la Tunisie sur le marché

européen.

ii) La modélisation théorique reportée en annexe est une extension

des modèles d’exportations conventionnels8.

iii) La méthode d’estimation économétrique des équations repose

sur la spécification de modèles à correction d’erreur. Cette

approche a l’avantage de distinguer les élasticités de court terme

et les élasticités de long terme des importations sectorielles

européennes.

iv) Cette méthodologie est complétée par des estimations en panels

dynamiques pour lesquelles la taille des échantillons est

beaucoup plus importante et qui en conséquence permettent

de tester la robustesse des résultats obtenus sur les séries

chronologiques comportant 21 observations de la période

1988-2008.

v) Par ailleurs quelques extensions intéressantes sur le plan de la

modélisation, pouvant être entreprises dans le prolongement du

travail déjà réalisé, sont suggérées et amorcées:

- En premier lieu, les estimations économétriques peuvent être

complétées par une maquette sectorielle de modélisation des

prix et des quantités (importations et exportations), débouchant

sur l’évaluation les flux nominaux et des soldes commerciaux

par secteur.

- En second lieu, la modélisation peut introduire des non-linéarités.

Celles-ci prennent en compte l’éventualité d’élasticité variant

dans le temps. Ainsi par exemple, les élasticités-prix peuvent se

révéler plus faibles lorsque les différentiels de prix sont peu

importants et beaucoup plus significatives lorsque les différentiels

de prix augmentent, du fait de l’existence de coûts de transactions.

- Enfin, des contraintes d’offre peuvent être intégrées aux modèles.

En effet, la modélisation précédente se limite à la spécification

et à l’estimation de fonctions de demande européenne sectorielle

de produits tunisiens. Cependant, et notamment en présence

de rigidités des prix, les quantités exportées peuvent être limitées

par l’offre disponible et, de ce fait, les exportations effectives sont

susceptibles de ne pas correspondre en permanence à la demande

européenne qui leur est adressée. A cet égard, une méthode

permettant l’estimation d’un modèle de rationnement quantitatif

est proposée.

2.2.1. Estimations des fonctions d’exportations sur lesséries chronologiques de la période 1988-2008

2.2.1.1. La modélisation théorique reportée en annexe suggère

trois variables explicatives potentielles des exportations tunisiennes :

7 Voir par exemple Annabi N., Cockburn J., Decaluwé B. (2003) pour une présentation des fondements microéconomiques des fonctions de demande.8 Voir par exemple Wong (2008) pour une application récente au cas de la Malaisie.

17



- l’indice des prix européens;


européen.

Cependant, les estimations préliminaires des fonctions d’exportations

par secteur ont révélés des problèmes de colinéarité entre les différents

indices de prix qui rendaient difficilement interprétables les coefficients

estimés. Nous avons donc été conduits à retenir la spécification

dynamique suivante, qui se restreint à la prise en compte d’un seul

prix relatif (noté p), qui comme cela est précisé ci-dessous, pourra

prendre deux spécifications différentes:

(1) Δx(t) = ρΔx(t-1) + α0Δd(t) + α1Δd(t-1) + α2 Δd(t-2) + φ0Δp(t)

+ φ1Δp(t-1) + φ2Δp(t-2)

+ γ [ x(t-1) - βp(t-1) – d(t-1) + μ.t ] + εt

x: logarithme des exportations tunisiennes vers l'Union Européenne

(UE) en milliers d’euros constants base 100= 2005 (compilées à

partir de comext).

d: logarithme de la demande adressée à la Tunisie par l'UE à prix

constants (compilée à partir de comext). La demande adressée sera

exprimée de deux façons alternatives :

- La première prend en considération la demande adressée sur

l’ensemble des produits du secteur considéré (Agriculture, IAA,…);

- La seconde limite la demande adressée aux principaux produits

exportés par la Tunisie dans un secteur donné (Agriculture, IAA,…).

En effet, il existe une forte hétérogénéité dans la composition en

produits de chaque secteur, et, sous cette forme, la demande

dressée peut s’avérer plus représentative pour modéliser les

exportations tunisiennes.

p : logarithme du prix relatif des exportations tunisiennes. Ce prix

relatif sera exprimé de deux façons alternatives :

- La première retient un indice de prix relatifs sectoriel des

exportations de la Tunisie par rapport aux importations de l'UE

du même secteur;

- La deuxième utilise un indice de prix relatifs des exportations de

la Tunisie par rapport à celles des principaux concurrents sur

le marché Européen.

Ainsi, pour chaque secteur, quatre formulations ont été estimées

selon que la demande adressée soit calculée sur l’ensemble des

produits ou restreinte aux principaux produits, et selon que le prix

relatif soit calculé en fonction des prix des concurrents ou de celui

des pays de l’Union Européenne.

Dans ce modèle à correction d’erreurs (MCE), le terme entre

crochets [ x(t-1) - βp(t-1) – d(t-1) ] représente l’écart par rapport à

l’équilibre de long terme, dans lequel les élasticités de long terme

sont égales à 1 par rapport à la demande adressée (on modélise

en fait l’évolution des parts de marché de la Tunisie sur le marché

européen) et à β par rapport au prix relatif.

Le terme μ.t représente la tendance déterministe éventuelle des

parts de marché, qui s’accroissent annuellement au taux μ.

Enfin, les variables notées Δx représentent la variation de x, et que

des variables muettes ont parfois été incluses dans le modèle de

régression.

2.2.1.2. Principaux résultats

1) Agriculture

Les principaux résultats, pour les quatre spécifications testées pour

ce secteur, sont résumés dans le tableau 1 :

• La valeur de l’élasticité de long terme de la demande adressée

aux exportations a été imposée à l’unité. Notons que, dans les

tests préliminaires, cette restriction est acceptée plus facilement

en utilisant la demande adressée calculée sur la base des

principaux produits.


18


• Lorsque l’on utilise la demande adressée « Total produits », un

trend positif ressort significativement dans nos estimations,

représentatif d’un gain tendanciel de part de marché dans ce

secteur.

• Les élasticités-prix de long terme ont le signe attendu dans 3

cas sur 4. Seule la formulation avec les prix des pays de l’UE et

la demande adressée « principaux produits » ressort avec un

signe positif, contraire à l’intuition économique. La valeur de

cette élasticité apparaît faible, de l’ordre de -0,2 dans le cas

des prix des concurrents et de -0,3 dans celui des pays de l’UE,

ce qui impliquerait que les produits tunisiens du secteur ont

peu de substituts sur le marché d’importation de l’Union

Européenne.

• Les MCE utilisant la demande adressée « Total produits » ont

des propriétés statistiques satisfaisantes. Les tests LM

conduisent au rejet de l’hypothèse d’auto-corrélation des résidus

de ces équations. Ces résidus sont homoscédastiques au regard

du test de White et du test ARCH. La forme fonctionnelle de

l'équation est validée par le test Reset. Enfin, selon le test de

Bera-Jarque, les résidus de toutes les équations suivent une loi

normale. Ce n’est pas le cas de ceux utilisant la demande

adressée « Principaux produits ».

Tableau 2.4 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 1 (Période d’estimation 1988-2008)

Source : Calculs ITCEQ/DEFI / Note : entre parenthèses figure la statistique du t de studentne : le coefficient n’as pas été estimé mais imposé.

α0 Total produits Principaux produits

Demande adressée 1ne 1ne 1ne 1ne

Force de rappel -0,63 (-3,70) -0,31 (-1,45) -0,38 (-2,21) -0,65 (-3,28) γ

Prix relatifs…

… des concurrents -0,20 (-0,28) -0,17 (-1,00) β

… de l’ensemble de l’UE -0,30 (-2,09) 0,06 (0,12)

Trend 0,007 (2,12) 0,02 (1,81) μ

Elasticités à CT

Δlog(demande adressée) 1,49 (3,57) α0

Dummy

d98 0,16** (1,91) 0,16* (2,03) η0

d06 0,23 (2,32) η1

d02 -0,14 (-1,72) η2

Tests

LM (2) 0,82 0,21 0,03 0,10

Arch(1) 0,72 0,33 0,72 0,33

Normalité 0,71 0,56 0,92 0,38

Reset (2) 0,97 0,29 0,08 0,05

R-squared 0,63 0,50 0,44 0,39

Adjusted R-squared 0,46 0,32 0,34 0,33

Classement 1 4 3 2

19

A l’issue de ces estimations, il semble que la meilleure équation est

celle utilisant la demande adressée « Total produits » et prenant

comme prix étranger ceux des pays de l’UE.

2) Secteur des IAA

• La valeur de l’élasticité de la demande adressée aux exportations

a été imposée à l’unité. Notons que cette restriction est acceptée

dans tous les cas de figure.

• Les élasticités prix de long terme ont le signe attendu dans 3




cette élasticité est de -0,7 dans le cas des prix des concurrents

et de -0,5 dans celui des pays de l’UE.

• L’ensemble des MCE ont des propriétés statistiques

satisfaisantes. Les tests LM conduisent au rejet de l’hypothèse

d’auto-corrélation des résidus de ces équations. Ces résidus

sont homoscédastiques au regard du test de White et du test

ARCH. La forme fonctionnelle de l'équation est validée par le

test Reset. Enfin, selon le test de Bera-Jarque, les résidus de

toutes les équations suivent une loi normale.

Selon ces estimations, la meilleure équation est celle utilisant la demande

adressée « Total produits » et prenant comme prix étranger ceux des

pays de l’UE. Les résultats sont synthétisés dans le tableau ci dessous.


Tableau 2.5 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 2Période d’estimation 1988-2008


Total produits Principaux produits

Elasticités à LT


Force de rappel -1,13 (-6,10) -1,19 (-5,82) -1,19 (-9,94) -1,33 (-5,99) γ

Prix relatifs…



Trend μ

ST Elasticities

Δ(Prix relatifs) -0,89 (-2,61) -0,93 (-2,54) -0,75* (-2,06) φ0

Dummy

d02 -0,93 (-3.52) -0,87 (-3,25) -0,98 (-3,97) -1,12 (-4,11) η0

d01 -0,96 (-3.10) -0,90 (-2,74) -0,93 (-3,13) -1,15 (-3,32) η1

d96 -0,79 (-3,32) η2

d94 0,48* (2.09) 0,62 (3,74) η3

Tests

LM (2) 0,55 0,32 0,37 0,87

Arch(1) 0,85 0,70 0,33 0,93

Normalité 0,80 0,86 0,83 0,74

Reset (2) 0,10 0,52 0,12 0,76

R-squared 0,87 0,81 0,86 0,82


Classement 1 3 4 2

20


3) Le secteur des matériaux de construction céramiqueset verre (MCCV)

• La valeur de l’élasticité de la demande adressée aux

exportations a été imposée à l’unité. Notons que cette restriction

est acceptée économétriquement dans le cas « Total produits ».

L’élasticité dans le cas « Principaux produits » est proche de 0,6

lorsque l’on laisse le coefficient libre.

• Les élasticités-prix de long terme ont le signe attendu dans tous

es cas de figure. La valeur de cette élasticité est proche de -

0,5 indiquant un effet prix significatif.

• Les MCE utilisant la demande adressée « Total produits » ont






Bera- Jarque, les résidus de toutes les équations suivent une

loi normale. Ce n’est pas le cas de ceux utilisant la demande


Tableau 2.6 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 3(Période d’estimation 1988-2008)

Source : Calculs ITCEQ/DEFINote : entre parenthèses figure la statistique du t de studentne : le coefficient n’as pas été estimé mais imposé.


Elasticités à LT


Force de rappel -0,88 (-6,66) -0,87 (-6,63) -0,74 (-4,70) -0,73 (-4,92) γ

Prix relatifs…


… de l’ensemble de l’UE -0,44 (-3,64) -0,49 (-2,69)

Trend μ

Elasticités à CT

Dummy

d9293 -0,52 (-2,86) -0,51 (-2,84) -0,68 (-2,78) -0,63 (-2,76) η0

Tests

LM (2) 0,52 0,70 0,49 0,61

Arch(1) 0,35 0,41 0,58 0,75

Normalité 0,63 0,68 0,26 0,23

Reset (2) 0,37 0,23 0,01 0,01

R-squared 0,85 0,86 0,76 0,79


Classement 1bis 1 3bis 3

21

4) Le secteur des industries mécaniques et électriques


exportations a été imposée à l’unité. Hors contrainte, celle

élasticité serait supérieure à l’unité, s’établissant aux alentours

de 1,3 dans les deux cas de figure.

• Dans l’ensemble des MCE, un trend positif sort significativement

dans nos estimations signifiant un gain tendanciel de part de

marché dans ce secteur. Cela est cohérent avec l’élasticité de

la demande adressée supérieure à l’unité.

• Les élasticités prix de long terme n’ont pas le signe attendu lorsque

l’on retient les prix des concurrents dans le prix relatif. Dans l’autre

cas, l’élasticité estimée est relativement forte, comprise entre -

1 et -1,5.






test Reset. Enfin, selon le test de Bera Jarque, les résidus de


Ce secteur, à la fois, sur-réagit à la conjoncture européenne et est

très concurrentiel.



Source : Calculs ITCEQ/DEFI / Note : entre parenthèses figure la statistique du t de student.ne : le coefficient n’as pas été estimé mais imposé.


Elasticités à LTDemande adressée 1ne 1ne 1ne 1ne

Force de rappel -0,22 (-2,31) -0,13 (-2,27) -0,66 (-8,86) -0,73 (-2,71) γ

Prix relatifs…

… des concurrents 0,09 0,27 β

… de l’ensemble de l’UE -1,10 -1,56

Trend 0,09 0,08 0,10 0,06 μ

Elasticités à CT

Δlog((demande adressée) 0,42 (4,36) 0,35 (2,92) 0,72 (8,91) α0

Δ (Prix relatifs) -0,32 (-2,77) -0,14 (-1,24) -0,53 (-6,24) φ0

Δ (Prix relatifs) -1 0,39 (4,12) φ1

Δlog(Exports)-2 -0,28 (-4,91) ρ0

Dummy

d89 0,14 (3,60) 0,12 (2,48) η0

d06 0,16 (3,28) 0,17 (2,70) 0,10 (7,65) η1

d96 -0,18 (-3,68) η2

TestsLM (2) 0,34 0,54 0,36 0,61

Arch(1) 0,72 0,86 0,16 0,32

Normalité 0,67 0,34 0,72 0,35

Reset (2) 0,64 0,40 0,83 0,35

R-squared 0,83 0,75 0,98 0,63


Classement 1bis 3 1 3bis

22


La meilleure équation est celle utilisant les prix calculés sur

l’ensemble des pays de l’UE dans l’indicateur de compétitivité, et

pour les principaux produits seulement.

5) Le secteur de la chimie


a été imposée à l’unité. Hors contrainte, celle élasticité serait

supérieure à l’unité, s’établissant aux alentours de 1,5 dans tous

les cas de figure à l’exception du cas 4 (demande adressée

«Principaux produits », prix des concurrents ») dans lequel l’élasticité

est de 0,8.

• Dans l’ensemble des MCE, un trend négatif sort significativement

dans nos estimations signifiant une perte tendancielle de part de

marché dans ce secteur. Cela est cohérent avec l’élasticité de la

demande adressée inférieure à l’unité.

• Les élasticités prix ont le signe attendu quelque soit la

formulation retenue mais leur valeur varie fortement : elle se

situe aux alentours de -0,7/-0,9 dans le cas d’une demande

adressée « Total produits ». Elle ressort à des valeurs

beaucoup plus fortes (respectivement -1,89 et -4.67) lorsque

l’on retient la demande adressée « Principaux produits ». Ceci

dénote une forte substituabilité des exportations de produis

de l’industrie chimique tunisienne par rapport aux produits

concurrents.

• L’ensemble des MCE ont des propriétés statistiques satisfaisantes.



au regard du test de White et du test ARCH. Enfin, selon le test

de Bera-Jarque, les résidus de toutes les équations suivent une

loi normale. Seule la forme fonctionnelle de l'équation n’est pas

validée par le test Reset.




Elasticités à LTDemande adressée 1ne 1ne 1ne 1ne

Force de rappel -0,75 (-2,70) -0,67 (-2,36) -0,23 (-1,99) -0,39 (-3,55) γ

Prix relatifs…… des concurrents -0,88 (-2,35) -4,67 (-3,91) β


Trend -0,06 (-3,40) -0,06 (-3,19) -0,11 (-2,63) -0,13 (-4,47) μ

Elasticités à CTΔlog(demande adressée) α0

Δ(demande adressée)-1 -0,15 ** (-1,79) α1

Δ(Prix relatifs)-1 1,52 (2,90) φ1

Δlog(Prix relatifs)-2 1,39 3,00) ρ2

Dummyd9394 -0,18* (-2,26) -0,19 * (-2,28) -0,24 (-2,69) -0,28 (-4,08) η0

TestsLM (2) 0,75 0,42 0,73 0,19

Arch(1) 0,49 0,91 0,37 0,30

Normalité 0,63 0,68 0,61 0,42

Reset (2) 0,07 0,10 0,07 0,02

R-squared 0,74 0,73 0,65 0,86


23


Tableau 2.9 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 6(Période d’estimation 1988-2008)



Elasticités à LT


Force de rappel -0,14 (-2,12) -0,15 (-3,31) -0,10 (-2,21) -0,15 (-3,56) γ

Prix relatifs…

… des concurrents - 2,88 (-9,01) -4,21 (-8,27) β


Trend μ

Elasticités à CT

Δ(Prix relatifs) -0,26 (-2,33) φ0

Dummy

d01 0,16 (2,41) 0,15 (2,25) 0,19 (2,73) η0

Tests

LM (2) 0,84 0,48 0,62 0,46

Arch(1) 0,36 0,69 0,62 0,88

Normalité 0,69 0,98 0,64 0,58

Reset (2) 0,16 0,89 0,77 0,77

R-squared 0,65 0,84 0,80 0,86


Classement 4 2 3 1

A l’issue de ces estimations, il semblerait que la meilleure équation

est celle utilisant les prix calculés sur les prix des concurrents dans

l’indicateur de compétitivité et en prenant la demande adressée

« Principaux produits ».

6) Secteur textile habillement et cuirs



inférieure à l’unité, s’établissant aux alentours de 0,6 dans tous

les cas de figure.

• Les élasticités prix ont le signe attendu quelque soit la formulation

retenue et leur valeur est élevée s’établissant entre -3 et -4 lorsque

l’on retient les prix des concurrents et entre -5 et -8 dans le second

cas. Comme dans le cas des industries Chimiques, on aurait donc

ici un phénomène de forte substituabilité de ces produits sur le

marché européen.





de l'équation est validée par le test Reset. Enfin, selon le test

de Bera Jarque, les résidus de toutes les équations suivent une

loi normale.

24


A l’issue de ces estimations la meilleure équation est celle utilisant

les prix calculé sur les prix des concurrents comme indicateur de

compétitivité et en prenant la demande adressée aux « Principaux

produits ».

7) Secteur des hydrocarbures et des produits raffinés



plus facilement en utilisant la demande adressée calculée sur la

base « Total produits » (élasticité estimée de 1,03) que dans le cas

« Principaux produits » (élasticité estimée supérieure à 0,8).

• Les élasticités prix ont toujours le signe attendu. La valeur est

comprise entre -8 dans le cas des prix des pays de l’UE et aux

alentours de -5 dans le cas des prix des concurrent. Ce secteur

est donc celui qui se caractérise par les élasticités-prix les plus

fortes parmi les secteurs étudiés. Compte tenu de la nature des

produits du secteur, cela n’est pas surprenant : les hydrocarbures

sont des produits standardisés, et les produits tunisiens sont donc

de proches substituts par rapport aux produits commercialisés sur

le marché européen.








Tableau 2.10 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 7(Période d’estimation1988-2008)



Elasticités à LT


Force de rappel -0,83 (-6,31) -0,41 (-2,31) -0,66 (-3,75) -0,38 (-2,02) γ

Prix relatifs…


… de l’ensemble de l’UE -7,93 -7,93 (-3,81)

Trend μ

Elasticités à CT

Dummy

d9394 -0,53 (-4,52) -0,68 (-3,60) -0,65 (-5,09) -0,71 (-3,74) η0

Tests

LM (2) 0,11 0,26 0,65 0,30

Arch(1) 0,83 0,84 0,12 0,84

Normalité 0,89 0,27 0,73 0,21

Reset (2) 0,80 0,68 0,30 0,62

R-squared 0,89 0,69 0,86 0,67


Classement 1 3 2 4

25

La meilleure équation est celle utilisant la demande adressée

« Total produits » et prenant comme prix étranger ceux des pays de l’UE.

8) Estimation de l’équation globale


exportations a été imposée à l’unité. Notons que cette

contrainte est acceptée plus facilement en utilisant la demande

adressée calculée sur la base « Total produits » (élasticité

estimée de 1,01) que dans le cas « Principaux produits »

(élasticité estimée supérieure à 0,9).

• Les élasticités prix ont toujours le signe attendu à l’exception

de la formulation 3 (prix de l’ensemble des pays de l’UE et

demande adressée « Principaux produits »). Dans les autres

cas de figure, la valeur est comprise entre -0,3 et -0,5.





de l'équation est validée par le test Reset. Enfin, selon le test de

Bera-Jarque, les résidus de toutes les équations suivent une loi normale.


Tableau 2.11 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le Total des Biens(Période d’estimation 1988-2008)



Elasticités à LT


Force de rappel -0,53 -0,49 -0,53 -0,57 γ

Prix relatifs…

… des concurrents -0,49 -0,31 β

… de l’ensemble de l’UE -0,53 0,35

Elasticités à CT

Δlog(demande adressée)-1 -0,44 α1

Δ(Prix relatifs)-1 -0,35 φ1

Dummy

d9394 -0,14 -0,11 -0,13 -0,12 η0

Tests

LM (2) 0,59 0,36 0,78 0,87

Arch(1) 0,55 0,86 0,51 0,43

Normalité 0,73 0,96 0,20 0,42

Reset (2) 0,08 0,17 0,14 0,87

R-squared 0,78 0,83 0,75 0,82


Classement 3 2 4 1

26


La meilleure équation est celle utilisant la demande adressée « Total

produits » et prenant comme prix étranger ceux des concurrents.

2.2.1.3. Conclusion

En conclusion, les résultats des estimations réalisées sont riches

d’enseignements. Ils font apparaître de fortes disparités entre les

secteurs, autant en ce qui concerne les élasticités-prix de long terme

des différents secteurs (et donc leur niveau de substituabilité sur le

marché européen), qu’en ce qui concerne le comportement

dynamique des exportations à la suite de chocs de prix relatifs et

de chocs de demande (cf. annexe). Dés lors l’estimation d’une

équation d’exportation agrégée, même si elle satisfait les critères

de qualité économétriques, ne peut pas servir de support aux

prévisions et à l’élaboration d'une politique de développement

industriel cohérente.

2.2.2. Estimations des équations d’exportations enpanel dynamique

Les estimations en panel dynamique confirment les résultats obtenus

sur les séries chronologiques.

2.2.2.1. Méthodes d’estimation

Trois approches économétriques cohérentes avec les méthodes

utilisées pour les séries chronologiques ont été développées :

i) un modèle autorégressif à retards distribués (ADL) en niveau (en

prenant pour hypothèse la stationnarité des séries), en retenant

deux spécifications alternatives pour les prix relatifs : celle basée

sur les prix de l’UE et celle basée sur les prix des concurrents

sur le marché européen.

ii) un modèle autorégressif à retards distribués (ADL) en différences

premières (en prenant pour hypothèse la non-stationnarité des

séries), en retenant les deux spécifications alternatives pour les

prix relatifs.

iii) un modèle à correction d’erreurs (MCE) estimé en une étape,

qui permet d’englober le cas intégré et le cas non-cointégré,

toujours sous les deux spécifications alternatives des prix relatifs.

2.2.2.2. Principaux résultats

1) Modèle ADL en niveau dans le cas de prix des pays del’UE (LPUE)

La valeur estimée de l’élasticité de la demande adressée aux

exportations est de 0,82 à long terme et de 0,27 à court terme.

Un trend positif ressort significativement dans les estimations, ce

qui représente un gain tendanciel de parts de marché.

Les élasticités prix ont le signe attendu : la valeur de cette élasticité

est de -0,71 à court terme et à long terme.

Le modèle ADL dispose de propriétés statistiques satisfaisantes.

2) Modèle ADL en niveau dans le cas de prix des concurrents(LPCON)

La valeur de l’élasticité de la demande adressée aux exportations

est 0,83 dans le long terme et 0,26 dans le court terme.

Un trend positif ressort significativement de nos estimations signifiant

un gain tendanciel de part de marché dans ce secteur.

Les élasticités-prix estimées sont de -0,65 à court terme et -0,71 à

long terme.

Les propriétés statistiques des résidus de cette équation sont

satisfaisantes.

On observe très peu de différences entre les deux spécifications,

celle qui retient dans le prix relatif les prix de l’UE et celle qui utilise

le prix de concurrents sur le marché européen.

3) Modèle ADL en variation

Quels que soient les prix relatifs retenus, vis-à-vis des concurrents

de la Tunisie ou vis-à-vis des pays de l’UE, l’élasticité à court terme

de la demande adressée par l’UE n’est pas significative. En revanche

pour les deux spécifications (prix des concurrents et prix des pays

27

de l’UE) les élasticités prix sont significatives comprises entre -0,65

à court terme et -0,7 à long terme et équivalentes à celles obtenues

pour le modèle en niveau.

4) Modèle MCE dans le cas des prix des pays concurrents

La valeur de l’élasticité de la demande adressée aux exportations

est 0,83 dans le long terme et 0,26 dans le court terme.

Un trend positif ressort significativement de nos estimations signifiant

un gain tendanciel de part de marché dans ce secteur.

Les élasticités-prix estimées sont de -0,65 à court terme et -0,71 à

long terme.

Les propriétés statistiques des résidus de cette équation sont

satisfaisantes.

2.2.2.3. Conclusions

En conclusion, les estimations en données de panel ont permise de

compléter utilement les estimations réalisées pour chaque secteur

pris isolément.

Compte tenu du faible nombre d’observations dans l’échantillon

étudié, l’estimation en panel permet de donner une estimation assez

robuste du comportement dynamique ‘moyen’ des exportations

sectorielles. Il en ressort que, quelles que soient les spécifications

utilisées pour la mesure des prix relatifs:

i) L’élasticité des exportations tunisiennes vers l’Europe par rapport

à la demande adressée est voisine de l’unité à long terme (cette

valeur unitaire n’est pas rejetée statistiquement dans les MCE),

mais elle semble relativement faible à court terme en moyenne,

et même non-significative dans les estimations en taux de

croissance. Il en résulte que l’effet instantané d’une variation de

la demande adressée peut être considéré comme négligeable,

l’ajustement des exportations nécessitant probablement un délai

sensiblement supérieur à une année.

ii) L’élasticité-prix des exportations tunisiennes vers l’Europe est

de l’ordre de -0,6 à -0,73 à court terme comme à long terme.

iii) Enfin, les graphiques des résidus des différents modèles estimés

tendent à montrer que les secteurs des IAA, des IMCCV (sur la

première sous-période) et des Hydrocarbures se révèlent les

moins proches de l’estimation globale, ce qui justifie l’approche

sectorielle. En effet, nous avons pu constater sur les séries

chronologiques que le secteur des Hydrocarbures se caractérise

par une élasticité-prix beaucoup plus importante que les autres

secteurs, tandis que le secteur des IAA présente des élasticités

de la demande de court-terme relativement élevée par rapport

aux autres secteurs d’exportation.

2.2.3. Les prolongements possibles de l’analyseéconométrique

2.2.3.1. Une maquette des échanges extérieurs

Toutes les formes analytiques des différentes équations sont développées

dans les documents correspondant à chaque composante. Seule

quelques unes d’entre elles et les intuitions sous jacentes sont reprises

dans les paragraphes qui suivent.

1) La fonction d’importation en volume

Les déterminants généralement retenus du volume des importations

sont la demande intérieure, un terme de compétitivité, construit comme

le prix relatif de production nationale par rapport aux prix des importations

(généralement calculés hors énergie) et un terme d’utilisation du capital

productif. Habituellement, les tensions conjoncturelles sur les capacités

de production sont décrites par l’intégration dans cette équation des

taux d’utilisation des capacités de production nationales rapportés à

ceux des principaux partenaires. Ce ratio permet de capter une

éventuelle contrainte d’offre à laquelle est soumise l’économie nationale.

Le signe attendu de son élasticité par rapport aux importations est

positif : lorsque les taux d’utilisation sont plus élevés en Tunisie que

chez ses principaux partenaires, le surcroît de demande interne s’oriente

vers les producteurs étrangers et accroît ainsi le volume des

importations. Enfin, certains modèles enrichissent l’analyse en intégrant

une compétitivité hors-prix comme l’effort en recherche et

développement (par l’intégration par exemple de l’âge du capital).


28


2) La fonction de prix des exportations

Les producteurs tunisiens sont supposés avoir, dans la fixation de

leur prix, un comportement de marge sur les marchés extérieurs,

de même qu’ils en ont un sur le marché intérieur. Néanmoins, face

à la concurrence étrangère, ils tiennent également compte des prix

étrangers dans la formation des prix à l’exportation. Il y a donc

un arbitrage entre un comportement de marge (répercuter

intégralement sur les prix à l’exportation les mouvements de coûts

unitaires9, pour conserver un taux de marge constant), et un

comportement de compétitivité (répercuter intégralement sur les

prix à l’exportation les mouvements des prix étrangers, pour

conserver la compétitivité). Cet arbitrage se traduit par une cible

de long terme exprimée comme une moyenne pondérée des prix

étrangers et des coûts nationaux.

3) La fonction de prix des importations

Les importateurs font un arbitrage analogue à celui des exportateurs :

afin de conserver leurs marges, ils indexent leur prix de vente sur le

sol tunisien à leurs coûts de production, approximés par les prix

étrangers à l’importation. Toutefois, de manière à conserver leur

compétitivité par rapport aux produits domestiques, ils tiennent

également compte des prix de la production nationale. A l’inverse

des prix étrangers à l’exportation, le prix étranger à l’importation est

constitué avec une pondération simple, dans la mesure où la

concurrence ne se fait que sur le territoire tunisien et n’implique donc

pas de prendre en compte les marchés tiers.

4) Modélisation VAR à partir de l’équation de cointégration

Comme cela est démontré dans le document final de la composante

2.1 sur la base d’une équation de cointégration de la forme :

X iT(t) = a0 y(t) + a1 [piE(t) - py(t)] + f0 [piT(t) - piE(t) ] + f1 [piT(t) - piE(t) ]+

c + ê(t),10 ,

Il est possible de procéder à l’estimation d’un modèle VAR, afin de

réaliser des exercices de prévision.

Cependant l’estimation d’un tel modèle pour chaque secteur est une

tâche lourde, et qu’elle n’est sans doute envisageable qu’après une

sélection des secteurs les plus importants pour l’analyse (ou bien en

considérant seulement l’ensemble des exportations tunisiennes vers

l’Europe).

5) Non-linéarités

L’équation structurelle de long terme des exportations de la section 3.2

repose sur l’hypothèse d’élasticités constantes. Or, différentes formes

de non-linéarités ou de changements structurels peuvent être considérées.

- Variation dans le temps de l’élasticité-revenu

A titre d’exemple, on peut considérer que l’élasticité-revenu dépend

de la conjoncture européenne : dans les phases hautes du cycle

économique (par exemple lorsque le taux de chômage u est inférieur

au taux naturel û), l’élasticité-revenu peut être plus forte que dans les

phases basses du cycle (lorsque le taux de chômage est supérieur au

taux naturel).

Afin de modéliser ce processus, il est possible de suggérer une

formalisation basée sur les modèles non-linéaires à transition souple

(Smooth Transition).

- Variation dans le temps de l’élasticité-prix

L’élasticité-prix du commerce extérieur peut dépendre de l’écart

9 Une approximation des coûts unitaires peut être faite en intégrant les prix de la production nationale.10 piE ; European competitor prices for commodity i,, py : GDP prices, piT : Tunisian price for commodity i, y(t) expressed demand

29

absolu entre les prix des exportations tunisiennes et les prix des

exportations concurrentes piT(t) - piE(t).

En effet, lorsque le différentiel de prix est faible, c’est-à-dire lorsque

[piT(t-1) - piE(t-1)]² est proche de zéro (ou d’un seuil k donné),

l’élasticité-prix des exportations tunisienne peut être supposée

relativement faible, tandis que lorsque le différentiel de prix est

important, c’est-à-dire lorsque [piT(t-1) - piE(t-1)]² s’éloigne fortement

de zéro (ou d’un seuil k), les exportations tunisiennes seront fortement

dépendantes des fluctuations des prix relatifs.

Afin de modéliser ce phénomène, on peut suggérer la formalisation

suivante :

Soit la fonction de transition G(.), bornée entre 0 et 1, dans laquelle

[piT(t-1) - piE(t-1)] représente le différentiel de prix, k le seuil au-delà

duquel il est avantageux pour les consommateurs de modifier la

composition de leur panier de consommation et h>0 un paramètre

qui détermine la vitesse de transition entre les régimes:

G([piT(t-1) - piE(t-1)] , h , k) =

On vérifie que lorsque le différentiel de prix est très élevé (positivement

ou négativement) par rapport au seuil k (à la limite lorsque –h{[piT(t-

1) - piE(t-1)]² - k} tend vers l’infini), la fonction G tend vers 1, tandis

que lorsque le différentiel de prix reste faible (au sens ou la distance

entre les prix reste au voisinage du seuil k), la fonction G tend vers 0.

La fonction de transition proposée permet ainsi de modéliser un

changement de l’élasticité-prix en fonction de l’écart absolu des

prix relatifs.

Ainsi, l’équation d’exportations peut alors être écrite sous la forme

suivante :

X iT(t) = a0 y(t) + a1 [piE(t) - py(t)] + f0 [piT(t) - piE(t) ] + f1 [piT(t) - piE(t) ]+

c + ê(t)

avec : G =

Puisque la valeur de G dépend de l’écart absolu des prix relatifs,

l’estimation de cette équation permettra d’obtenir des valeurs

d’élasticité-prix comprises entre f1+f0 (vers laquelle on tend lorsque

le différentiel de prix est élevé) et f0 (vers laquelle on tend lorsque

l’écart entre les prix est faible).

L’estimation du modèle peut être réalisée par la méthode des moindres-

carrés non linéaires ou du maximum de vraisemblance, afin de

déterminer la valeur des paramètres inconnus f0, f1, a0, a1, c, h et k.

6) Rationnement quantitatif par l’offre ou par la demande

Nous avons indiqué dans ce qui précède que l’équation

d’exportations sectorielles tunisiennes :

XiT(t) = a0 y(t) + a1 [piE(t) - py(t)] + a2 [piT(t) - piE(t) ] + c

décrit en fait une équation de demande émanant de l’Europe. De

ce point de vue, il pourrait être pertinent de définir cette équation

comme une équation de demande en l’écrivant :

(1) DmiT(t) = a0 y(t) a1 [piE(t) - py(t)] + a2 [piT(t) - piE(t)] + c

De la même manière, l’offre des exportations sectorielles (i) est estimée

comme suit :

SXiT(t) = gS YiT(t) [Pi

TX(t) / PiDT(t)]sT

où :


11 cf. Annabi et al., 2003.

30


SXiT(t): offre d’exportations tunisiennes en produit (i) en volume

YiT: production tunisienne totale de produit (i) en volume

PiTD: indice du prix du produit (i) sur le marché intérieur tunisien (en

monnaie locale)

PiTX: indice du prix à l’exportation tunisien du produit (i), en monnaie locale.

gS : paramètre d’échellesT: élasticité de transformation vérifiant sT >0

Soit, en logarithmes :

(2) SXiT(t) = yiT + sT [piXT(t) - piDT(t)] + c1

Dans le cas de parfaite flexibilité des prix, l’équilibre entre l’offre (7)

et la demande (6) devra se réaliser par un ajustement adéquat du

prix des exportations12. Mais si l’on suppose une certaine rigidité

des prix à l’exportation, la quantité exportée se situera au minimum

entre l’offre (6) et la demande (7).

Une estimation réalisable d’un modèle à rationnement quantitatif de ce

type peut être conduite par le biais d’une fonction CES de la forme :

(3)

dans laquelle les fonctions d’offre et de demande sont définies par

les équations 6 et 7. En effet, pour de grandes valeurs du paramètre

ρ, la fonction CES fonctionne comme un opérateur Min.

Le graphique suivant illustre le comportement de la fonction CES

par rapport à deux variables S et D variant dans le temps, avec

ρ=100. On peut constater que la fonction CES passe bien par le

minimum de S et D.

Bien que l’estimation d’une fonction CES ne soit pas sans poser de

problèmes, il peut être envisageable d’estimer économétriquement

l’équation 8, conjointement avec les équations de définition 6 et 7.

2.2.4. Références bibliographiques


et Paramétrisation dans les MCEG, CREFA, Université de Laval.

De Boeff, S. (2000), Modeling Equilibrium Relationships: Error

Correction Models with Strongly Autoregressive Data, Political

Analysis, Vol 9, 14-48.

Dickey, D.A., and Fuller, W.A. (1981), Likelihood Ratio Statistics for

Autoregressive Time Series with a Unit Root, Econometrica, Vol 49,

pp 1057-72.

Engle, R.F., and Granger, C.W.J. (1987), 'Cointegration and error

correction: representation, estimation and testing, Econometrica,

Vol 55, pp 251-276.

Hurlin, C. (2001), L’Econométrie des Données de Panel, Ecole

Doctorale Edocif, Séminaire Méthodologique.

Narayan P.K. (2004), Reformulating Critical Values for the Bounds

F-statistics Approach to Cointegration: An Application to the Tourism

Demand Model for Fiji. Discussion Papers No. 02/04 Monash University.

12 Notons cependant que PiTX diffère de PiT car il ne prend pas en compte la conversion en devise étrangère, ni les droits de douane ou autres coûts supportés par les importateurseuropéens du produit i.

31


Pesaran, M.H., Shin, Y., and Smith, R.J. (2001), Bounds testing

approaches to the analysis of level relationships. Journal of Applied

Econometrics, Vol 16, pp 289-326.

Wong, K. N. (2008), Disaggregated export demand of Malaysia:

evidence from the electronics industry. Economics Bulletin, Vol. 6,

No. 6 pp. 1-14.

2.3. Analyse des potentialités d’exportationtunisienne

Cette analyse a pour objet d’apprécier la performance des

exportations tunisiennes sur la période 2003-2008 afin d’identifier

les marges de progression aussi bien au niveau des produits qu’au

niveau des marchés. Elle se focalisera, dans une première partie,

sur l’offre d’exportation tunisienne à travers l’identification des

produits dynamiques présentant des potentialités de croissance et

d’avantage comparatif même s’ils n’occupent, jusqu’à présent,

qu’une part très modeste dans les exportations totales de biens.

La deuxième partie consiste à étudier le positionnement des

exportations tunisiennes de ces produits par rapport aux concurrents.

Enfin, la troisième partie se propose d’apprécier la demande

d’importation en ces produits et d’identifier les marchés d’exportation

non encore exploités.

2.3.1. Analyse de l’offre de la Tunisie en termesd’avantages comparatifs

Cette partie a pour objectif d’identifier, à partir de l’analyse de l’offre

des exportations tunisiennes sur la période 2003-2008, les produits

qui sont potentiellement dynamiques. Cette identification a été

effectuée selon une approche multicritère liée principalement aux

exportations et à leurs avantages comparatifs révélés en termes de

niveaux et de taux de croissance. Cette approche a permis de

dégager trente produits représentant environ 23% des exportations

totales de biens en 2008 contre seulement 7.2% en 2003. Ces

produits font essentiellement partie des secteurs des IME (9.1%

contre 2.2%), de la chimie (8.6% contre 3.3%), de l’agriculture, la

pêche et des IAA (4.1% contre 1.3%), du THC (1.1% contre 0.3%)

et de l’industrie diverse (0.3% contre 0.1%).

32


Évolution des exportations tunisiennes sur la période 2003-2008

0

500 000

1 000 000

1 500 000

2 000 000

2 500 000

3 000 000

3 500 000

2003 2004 2005 2006 2007 2008

2003 2004 2005 2006 2007 2008

2003 2004 2005 2006 2007 2008

0

100 000

200 000

300 000

400 000

500 000

600 000

700 000

0

100 000

200 000

300 000

400 000

500 000

600 000

611249

283525

854430

621010

854459

251010

150910

310310

280920

853690

902830

230690

852812

721049

740620

040630

854890

030239

151710

961212

721030

283526

853180

150990

151000

520839

851750

721491

847190

961390

33


Tableau 2.12 : Évolution de l’avantage comparatif

Code produits

Produits 2003 2008

030239 Thons du genre thunnus, frais ou réfrigérés… 7,88 54,69

040630 Fromages fondus 1,94 9,37

150910 Huile d’olive vierge et ses fractions... 30,84 90,21

150990 Huile d’olive et ses fractions, traitées mais non chimiquement modifiées... 0,04 26,03

151000 Huiles et leurs fractions obtenues exclusivement à partir d’olives... 0,38 61,48

151710 Margarine (à l’exc. De la margarine liquide) 5,12 14,71

230690 Tourteaux et autres résidus solides... 7,91 29,10

251010 Phosphates de calcium et phosphate aluminocaciques... 28,33 29,52

280920 Acide phosphorique, acides polyphosphoriques 66,82 69,39

283525 Hydrogénorthophosphate de calcium 41,00 82,48

283526 Phosphates de calcium 0,00 59,02

310310 Superphosphates 205,38 144,00

520839 Tissus de coton, teints... 0,14 7,32

611249 Maillots, culottes de bain pour femmes ou fillettes 44,85 142,47

621010 Vêtements en feutres ou non-tissés 16,65 64,06

721030 Produits laminés plats, en fer ou en aciers non alliés… 0,00 3,13

721049 Produits laminés plats, en fer ou en aciers non alliés, zingués… 0,18 3,83

721491 Barres en fer ou en aciers non alliés... 0,36 4,60

740620 Poudres de cuivre à structure lamellaire… 26,72 66,14

847190 Lecteurs magnétiques ou optiques… 0,08 8,71

851750 Emetteurs-récepteurs pour la télécommunication... 0,01 8,95

852812 Appareils récepteurs pour la télévision en couleurs... 0,03 1,57

853180 Appareils électriques de signalisation acoustique ou visuelle 0,01 26,20

853690 Appareillage pour le blanchement... 7,15 14,40

854430 Jeux de fils pour bougies d’allumage... 0,85 5,69

854459 Conducteurs électriques... 3,04 7,18

854890 Parties électriques de machines ou d’appareils... 0,91 14,71

902830 Compteurs d’électricité 0,58 16,37

Compilation ITCEQ, source : comtrade

34

2.3.2. Positionnement compétitif des exportationstunisiennes

Les exportateurs tunisiens ont nettement amélioré leur position

par rapport aux concurrents pour certains produits de

l’échantillon

Les exportations des produits retenus dans l’échantillon ont connu

au cours des années 2003 et 2008 une évolution différenciée par

rapport aux concurrents. Ce qui nous a permis de les grouper en

3 groupes à savoir :

- Un premier groupe pour lequel la Tunisie ne figure pas parmi

les premiers fournisseurs du monde. Il s’agit des produits

laminés plats en fer ou en aciers non alliés, des barres en fer

ou en aciers non laminés, des appareils récepteurs pour

télévisions en couleur, des jeux de fils pour bougies d’allumage

et autres jeux de fils pour moyens de transport et des

conducteurs électriques. Toutefois, ces produits pourraient

présenter des marges de progression pour les exportations

tunisiennes étant donné l’amélioration de leur avantage

comparatif et de la croissance de leurs exportations leur

permettant d’occuper environ 4% en 2008 contre 0.5% en

2003 du total des exportations de biens et 17% contre 6%

du total de l’échantillon.

- Un deuxième groupe pour lequel la Tunisie ne figure pas parmi

les premiers exportateurs mondiaux en 2003 alors qu’elle y

est en 2008 reflétant l’effort déployé par les exportateurs

tunisiens pour améliorer leur position compétitive. Ceci est

d’autant plus significatif que la Tunisie se trouve en 2008,

pour certains produits de ce groupe en 4ème position pour

l’huile d’olive et ses fractions, , pour l’huile d’olive et ses

fractions obtenues exclusivement à partir d’olives et par des

procédés autres que mécanique ou physique et pour les parties

de briquets et allumeurs et en 5ème position pour le thon du

genre thunnus frais ou réfrigéré et pour le phosphate decalcium.

- Un troisième groupe pour lequel la Tunisie a nettement

consolidé sa position en 2008 par rapport à 2003 dont on cite

les vêtements en feutre ou non tissés (même imprégnés,

enduits, recouverts) (3ème rang contre 11ème) et les tourteaux

et autres résidus solides de l’extraction de graisse ou huiles

végétales (6ème contre 14ème).

2.3.3. Orientation des exportations et identification desmarchés potentiels

Principaux marchés d’exportation

Si les exportations de la majorité des produits de l’échantillon

sont principalement orientées vers le marché de l’UE et, à un

degré moindre, vers des pays arabes proches, il n’en demeure

pas moins qu’elles sont orientées pour certains produits vers

des marchés non traditionnels

Les investigations effectuées sur l’identification des principaux

marchés d’exportation de la Tunisie pour l’échantillon de produits

durant la période 2003-2008 font ressortir les résultats suivants:

- Une faible diversification des marchés dans la mesure où les

exportations sont, pour la majorité de ces produits, orientées

vers des pays de l’UE dont principalement la France, l’Italie

et l’Espagne ;

- L’accès des exportations au marché arabe est restreint

principalement à la Libye et à un degré moindre à l’Egypte

et au Maroc dans la mesure où ces trois pays constituent les

principaux clients de la Tunisie pour certains produits de

l’échantillon. Toutefois et suite à l’instabilité liée à la révolution

qu’a vécue les deux premiers pays, la Tunisie pourrait rencontrer

au cours des prochains mois de 2011 certains problèmes

d’accès à ces marchés. D’autres pays arabes figurent aussi

comme clients pour la Tunisie mais d’une façon très timide. Il

s’agit de la Syrie et du Liban pour le phosphate dicalcique, de

l’Arabie Saoudite pour ce même produit et pour l’huile d’olive

vierge, du Qatar pour ce dernier et de la Jordanie pour la

margarine ;

- La diversification des marchés est remarquable pour certains

produits de l’échantillon étant donné que leurs exportations

sont orientées vers un nombre relativement élevé de marchés.


35


Il s’agit des conducteurs électriques (pour tension entre 80

et 1000 V sans pièces de connexion), des relais (pour une tension

entre 60 et 1000 V), des superphosphates, de l’Acide

phosphorique, du phosphate dicalcique, des Phosphates de

calcium et phosphates aluminocalciques naturels et craies

phosphatées non moulus et de l’huile d’olive vierge.

- Le Japon constitue le premier client de la Tunisie pour le thon

du genre thunnus frais ou réfrigéré suivi par la France, l’Italie,

l’Espagne et l’Allemagne.

Demande mondiale et identification des marchéspotentiels

L’examen de l’évolution des importations mondiales pour

l’échantillon de produits retenus montre que celles-ci ont connu, à

l’exception des émetteurs-récepteurs pour la télécommunication,

une croissance moyenne relativement élevée sur la période 2003-

2008 reflétant l’effort déployé par les exportateurs tunisiens pour

s’adapter à la demande mondiale.

-5%

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

3103

10

2306

90

2809

20

8544

59

2510

10

2835

26

7214

91

7210

49

1510

00

7406

20

8528

12

2835

25

1517

10

6210

10

1509

10

7210

30

1509

90

8536

90

9028

30

5208

39

0406

30

8544

30

8531

80

0302

39

8548

90

8471

90

6112

49

8517

50

Croissance des importations mondiales sur la période 2003-2008

Les exportations tunisiennes pour les produits del’échantillon ne sont pas généralement orientées vers lespays les plus demandeurs

L’examen des principaux pays importateurs pour les années 2003

et 2008 montre la présence de potentialités d’exportation que la

Tunisie pourrait exploiter dans la mesure où les exportations

tunisiennes par produit ne sont pas généralement orientées vers les

pays les plus demandeurs . Dans ce cadre, les investigations

empiriques ont permis d’identifier les marchés potentiels notamment

pour les quatre premiers produits dynamiques du côté des

exportations tunisiennes (les émetteurs-récepteurs pour la

télécommunication, les huiles et leurs fractions obtenues

exclusivement à partir d’olives, les lecteurs magnétiques ou optiques

et les appareils électriques de signalisation acoustique ou visuelle )

et du côté des importations mondiales ( les superphosphates, les

tourteaux et autres résidus solides, même broyés ou agglomérés

de l’extraction de graisses ou huiles végétales, l’acide phosphorique

et les conducteurs électriques pour tension entre 80 et 1000 V sans

pièces de connexion).

36


Marchés potentiels pour les quatre premiers produits dynamiques du côté des exportations tunisiennes

851750

Emetteurs-récepteurs pour la télécommunication

151000

Huiles et leurs fractions obtenuesexclusivement à partir d’olives

847190

Lecteurs magnétiques ou optiques

853180

Appareils électriques de signalisationacoustique ou visuelle

Allemagne Bulgarie Belgique Australie

Espagne Espagne Chine Canada

Royaume-Uni France Espagne Espagne

Hong Kong Pays-Bas Hong Kong Royaume-Uni

Inde Pologne Israël Hong Kong

Japon Portugal Italie Japon

Pays-Bas Roumanie Japon Corée

Pologne États-Unis Malaisie Mexique

États-Unis Singapour Pays-Bas

Suède Thaïlande

Thaïlande Turquie

États-Unis États-Unis

Marchés potentiels pour les quatre premiers produits dynamiques du côté des importations mondiales

310310

Superphosphates

230690

Tourteaux et autres résidus solides

280920

Acide phosphorique, acidespolyphosphoriques

854459

Conducteurs électriques

Argentine Bahamas Canada Autriche

Australie Indonésie Allemagne Canada

Belgique Inde Royaume-Uni Chine

Chili Japon Corée Tchéquie

Indonésie Corée Thaïlande Allemagne

Japon Mexique Espagne

Sri Lanka Malaisie Royaume-Uni

Pays-Bas Thaïlande Hong Kong

Paraguay Taïwan Hongrie

Vietnam Italie

Japon

Mexique

Pays-Bas

Thaïlande

États-Unis

37


Tableau 2.13 : Commerce mondial 2003, 2008

Code produits Produits 2003 2008 2008 % Variation

030239Tunas (of the genus Tunnus) skipjack or stripe-bellied bonito (Euthynnus (Katsuwonus) pelamis), exc lunding livers and roes : -Other

556 830,991 366 877,877 -0,341

040630 Processed cheese, not grated or powdred 1 310 064,957 2 383 704,616 0,820

150910 Virgin 2 534 737,640 4 907 778,465 0,936

150990 Other 788 101,796 1 256 834,297 0,595

151000

Other oils and theirfractions, obtained solely from olives, wether or not refined, but not chemiccalymodified, including blends of these oils or fractions with oils or fractions of heading N°.15.0

85 354,027 230 863,345 1,705

151710 Margarine, excluding liquid margarine 742 651,639 1 624 874,252 1,188

230690 Other 65 728,005 303 258,366 3,614

251010 Unground 741 393,439 3 792 910,516 4,116

280920 Phosphoric acid and polyphosphoric adds 1 760 366,957 7 202 665,315 3,092

283525Phosphates: -calcium hydrogenorthophosphate (“dicalciumphosphate”)

264 012,468 633 375,252 1,399

283526 Phosphate:-other phosphates of calcium 297 946,680 1 059 238,644 2,555

310310 Superphosphates 627 845,727 2 700 043,471 3,300

520839 Dyed:-other fabrics 682 166,423 742 462.914 0,088

611249 Women’s or girls’ swimwear:-of other textile materials 63 634,259 64 613,937 0,015

621010 Of fabrics of heading N°. 56.02 or 56.03 951 616,144 1 488 329,897 0,564

721030 Electrolytically plated or coated with zinc 3 541 817,987 7 085 701,724 1,001

721049 Otherwise plated or coated with zinc:-other 9 291 254,117 22 466 215,247 1,418

721491Other:-of rectangular (other than square) cross-section

751 400,926 2 279 521,149 2,034

740620 Powders of lamellar structure; flakes 112 428,911 132 925,421 0,182

847190 Other 4 831 012,368 6 967 781,969 0,442

851750Other apparatus, for carrier-current line systems or for digitalline systems

17 359 352,886 9 886 454,734 -0,430

852812Reception apparatus, for teleevision, whether or not incorporatingradio-broad cast receivers or sound or video recording or reproducing apparatus:-colour

26 404 762,434 78 694 420,177 1,980

853180 Other apparatus 2 038 031,989 2 282 609,436 0,120

853690 Other apparatus 16 462 291,070 31 350 854,230 0,904

854430Ingnition wiring sets and other wiring sets of a kind used in vehicules, aircraft or ships

14 839 577,745 23 516 802,519 0,585

854459Other electric conductors, fora voltage exceeding 80v but not exceeding 1,000 v:-other

5 282 229,260 22 222 484,002 3,207

854890 Other 2 761 272,151 3 242 141,436 0,174

902830 Electricity meters 822 344,712 1 658 544,995 1,017

961210 Ribbons 1 345 815,367 1 706 126,056 0,268

961390 Parts 101 217,088 142 548,323 0,408

38


Tableau 2.14 : 2008 – Nombre de fois que chaque pays apparait comme principal exportateur ou importateur

Pays Principal exportateur Principal importateur

CHN 21 8

DEU 18 21

FRA 16 23

TUN 15 2

USA 15 21

ITA 13 16

ESP 12 18

NLD 12 14

BEL 11 12

GBR 10 20

JPN 10

MEX 9 8

TUR 9 1

ISR 6 1

KOR 6 5

CZE 5 1

MAR 5 1

POL 5 7

TWN 5 3

Tableau 2.15 : Indice FK de la Tunisie et d’un groupe de pays concurrents

Pays 2003 2004 2005 2006 2007 2008

BEL 0,160 0,137 0,157 0,173 0,177 0,185

CHI 0,205 0,187 0,199 0,206 0,211 0,210

CZE 0,153 0,154 0,178 0,176 0,184 0,191

FRA 0,165 0,161 0,183 0,194 0,203 0,204

DEU 0,152 0,147 0,167 0,177 0,180 0,181

ISR 0,080 0,078 0,081 0,087 0,099 0,110

ITA 0,205 0,199 0,222 0,232 0,232 0,236

JPN 0,092 0,092 0,105 0,117 0,125 0,132

KOR 0,126 0,104 0,117 0,131 0,134 0,141

MEX 0,245 0,261 0,320 0,293 0,333 0,334

MAR 0,380 0,384 0,376 0,353 0,342 0,346

NLD 0,164 0,141 0,157 0,166 0,167 0,182

POL 0,174 0,166 0,192 0,198 0,200 0,202

ESP 0,192 0,188 0,206 0,214 0,217 0,231

TUR 0,268 0,250 0,267 0,270 0,267 0,265

GBR 0,207 0,194 0,212 0,225 0,238 0,251

USA 0,144 0,140 0,155 0,171 0,167 0,179

TWN 0,122 0,113 0,125 0,145 0,143 0,149

39


Tableau 2.16 : Indice RECPI de la Tunisie et d’un groupe de pays concurrents

Pays 2003 2004 2005 2006 2007 2008

BEL 3,36 1,99 2,48 3,18 2,19 2,55

CHI 4,95 3,65 4,82 5,62 4,08 3,99

CZE 0,33 0,27 0,37 0,39 0,30 0,35

FRA 2,52 1,56 2,04 2,55 1,56 1,72

DEU 4,04 3,10 3,82 4,52 2,95 2,80

ISR 0,12 0,07 0,06 0,07 0,06 0,12

ITA 3,39 2,31 2,77 3,32 2,33 2,22

JPN 1,44 1,21 1,49 1,81 1,36 1,68

KOR 2,08 1,30 2,08 2,86 1,93 2,59

MEX 9,07 9,30 13,44 14,73 13,01 11,04

MAR 0,48 0,39 0,63 0,33 0,22 0,41

NLD 4,02 2,10 3,02 4,20 2,87 3,72

POL 0,47 0,35 0,46 0,55 0,40 0,44

ESP 1,75 1,48 1,52 1,95 1,20 1,37

TUR 1,16 0,88 0,90 0,97 0,72 0,75

GBR 8,83 7,79 10,26 11,31 9,52 8,71

USA 3,94 2,45 3,27 4,64 3,01 4,78

TWN 1,24 0,87 1,28 1,70 1,12 1,23

Tableau 2.17 : Concurrents de la Tunisie par secteur

Combustibles fossiles

Machine et appareilsélectriques

Habillement et accessoires vestimentaires Engrais Chimie organique

27 85 62 31 28

CZE 0,217 0,350 0,587 0,005 0,105

TRU 0,212 0,322 0,521 0,517 0,143

GBR 0,712 0,247 0,444 0,155 0,023

USA 0,244 0,231 0,468 0,575 0,070

BEL 0,254 0,265 0,513 0,077 0,172

CHI 0,306 0,237 0,461 0,307 0,134

FRA 0,214 0,342 0,434 0,032 0,016

DEU 0,214 0,284 0,504 0,010 0,024

ISR 0,217 0,139 0,283 0,219 0,300

ITA 0,246 0,316 0,442 0,078 0,033

JPN 0,214 0,216 0,426 0,006 0,023

KOR 0,213 0,167 0,259 0,226 0,038

MEX 0,911 0,298 0,501 0,750 0,183

MAR 0,212 0,360 0,509 0,742 0,660

NLD 0,218 0,221 0,540 0,041 0,060

POL 0,215 0,358 0,508 0,025 0,112

ESP 0,214 0,330 0,446 0,092 0,117

TWN 0,213 0,145 0,294 0,001 0,030

40


2.4. Effets de l’ouverture de l’économietunisienne sur le système productif et analyse duprocessus d’adaptation des entreprises

Les gains de productivité d’une économie dans son ensemble

peuvent provenir de deux sources principales:

- La dynamique interne aux entreprises.

- Les processus de réallocation de la productivité, parmi lesquels

il faut distinguer :

- la réallocation entre les entreprises dans un même secteur

(normalement des moins efficientes vers les plus efficientes).

C’est la réallocation intra-sectorielle.

- la réallocation des entreprises entre les secteurs (réallocation

inter-sectorielle).

- la réallocation par les entrées et sorties des entreprises (si les

entreprises qui entrent ont une meilleure efficience que celles

qui sortent, l’effet net sur le système productif est positif).

L’objectif de cette partie du travail est de mesurer la contribution

de ces mécanismes à la dynamique de l’économie

tunisienne.

D’un point de vue méthodologique, il a été convenu d’appliquer

la méthode de décomposition de la productivité. Cette méthode

consiste précisément à identifier dans quelle mesure les

progrès de productivité sont attribuables à des augmentions de

productivité à l’intérieur des entreprises ou au phénomène de

réallocation.

2.4.1. Analyse descriptive de la base de donnéesd’entreprises de l’industrie tunisienne

L’ensemble des données de la base sont issues des Enquêtes

Annuelles conduites par l’Institut National de la Statistique tunisien

et qui sont mises à disposition de l’ITCEQ. La base concerne les

secteurs de l’industrie tunisienne de 1997 à 2007. Elle contient des

informations sur la production, les consommations intermédiaires,

l’emploi permanent, l’emploi saisonnier, le secteur d’activité, la région

et la structure du capital. Le passage à prix constant a été effectué

en utilisant les indices de prix à la production, à la valeur ajoutée et

les indices de prix des consommations intermédiaires à 5 digits qui

sont fournis par l’INS. L’indicateur de performance des entreprises

qui est utilisé est la productivité du travail, obtenu, au niveau de

chaque entreprise, par le ratio de la valeur ajoutée à prix constant

sur l’effectif total, cet effectif total comprenant à la fois l’effectif

permanent et les emplois saisonniers.

En ne retenant que le secteur industriel, la base “brute” initiale compte

16 442 observations, ce qui représente 4 464 entreprises. Une fois

nettoyée (la procédure de nettoyage est détaillée dans l’encadré 1), la

base non cylindrée comprend 15 202 observations et 4 206 entreprises.

Le tableau 3.18 montre la répartition des firmes de l’échantillon par

secteur. Les plus représentés sont l’habillement (29%) et l’agro-

alimentaire (13%). A eux seuls ils représentent 42% des entreprises

de l’échantillon. Le secteur de l’automobile ne représente, en revanche,

que 2% du nombre d’entreprises, suivi par les secteurs chimie &

pharmacie et, caoutchouc & produits plastiques (4% chacun).

41


Tableau 2.18 : Nombre de firmes par secteur

Secteur Nombre de firmes En pourcentage

1 Agro-alimentaire et Tabac 561 13%

2 Textile 262 6%

3 Habillement 1236 29%

4 Chaussures et Cuir 250 6%

5 Bois, Papier et Edition 283 7%

6 Chimie et Pharmacie 179 4%

7 Caoutchouc et Produits plastiques 159 4%

8 Matériaux non métalliques 314 7%

9 Matériaux métalliques 320 8%

10 Equipements, Machines et Appareils électriques 329 8%

11 Industrie automobile et autres équipements de transport 102 2%

12 Meubles 211 5%

La répartition par taille des 4 206 entreprises a été réalisée sur la

base du critère de l’emploi total moyen de chaque entreprise, en

utilisant la méthode des quantiles. La répartition obtenue classe

dans le groupe de “petites”, les entreprises qui un nombre

d’employés total inférieur ou égal à 23. Autrement dit, le premier

tiers des entreprises de l’échantillon ont, en moyenne, un nombre

d’employés inférieur ou égal à 23. Dans le groupe de “moyennes”

(qui correspond au second tiers des entreprises), les firmes ont

un nombre d’employés strictement supérieur à 23 et inférieur ou

égal à 77. Les “grandes” (le dernier tiers des entreprises de

l’échantillon) ont plus de 77 employés.

Le tableau 3.19 montre la répartition des entreprises par taille

selon le nombre d’années de présence dans la base. En

considérant la première ligne du tableau, on voit, par exemple,

que parmi les 1469 firmes présentes une seule année, la moitié

(c’est à dire 732) sont dans la catégorie des “petites”, un tiers

environ (soit 455) appartiennent à la catégorie “des moyennes” et

19% (soit 282 entreprises) sont considérées comme “grandes”.

Les entrées et sorties de l’échantillon (qui ne sont pas forcément,

rappelons-le, des nouvelles entreprises ou des cessations

d’activité) concernent, par conséquent, davantage les firmes de

petite taille. La répartition par taille des entreprises présentes

pendant 5 années correspond globalement à la répartition par

quantile des 4 206 entreprises de l’échantillon. Environ 80% des

entreprises présentes dans la base durant 11 ou 10 années

appartiennent à la catégorie des “grandes” entreprises. Les

entreprises ayant plus de 77 employés en moyenne sont donc

présentes dans l’échantillon durant un nombre d’années plus élevé

que les “moyennes” et surtout “les petites”.

42


Dans le tableau 3.20, on s’intéresse à la répartition des entreprises

de la base par taille à l’intérieur des secteurs. Par exemple, on peut

voir, dans la deuxième partie du tableau, que la répartition dans le

secteur 10 (équipement électrique) est le plus proche de la répartition

des firmes de l’ensemble de la base. 30% des entreprises sont en

effet de petite taille, 36% appartiennent à la catégorie des moyennes

et 35% sont grandes. Les chiffres en gras ou surlignés en gris mettent

en évidence, en revanche, les cas où les pourcentages sont éloignés

de ceux qui correspondent à l’ensemble des secteurs. Les

pourcentages les plus élevés sont en gras et les pourcentages les

plus faibles sont surlignés en gris. On constate que les entreprises

dans la catégorie des “petites” sont relativement plus présentes

dans le secteur du bois, papier & édition (58%), dans l’agro-

alimentaire (57%), dans la fabrication de meubles (51%) et dans les

matériaux métalliques (45%). En revanche, elles sont moins présentes

dans deux secteurs : l’habillement (10%) et les chaussures et cuir

(23%). C’est dans ce seul secteur du cuir et chaussures, que les

entreprises “moyennes” sont relativement les plus présentes, avec

une part de 40%. C’est aussi dans un seul secteur (l’agro-alimentaire)

que ces entreprises “moyennes” sont relativement moins présentes

(21%). Enfin, les entreprises considérées comme “grandes” sont

plus fortement présentes dans l’habillement (57%), mais relativement

moins présentes dans le bois, papier & édition (13%), les matériaux

métalliques (17%) et l’agro-alimentaire (22%).

Tableau 2.19 : Nombre d’entreprises par taille selon le nombre d’années de présence dans la base

Nombre d’annéesde présence dansla base

Nombre Pourcentage

Total Petite Moyenne Grande Petite Moyenne Grande

1 1469 732 455 282 50% 31% 19%

2 561 195 205 161 35% 37% 29%

3 469 144 172 153 31% 37% 33%

4 327 84 104 139 26% 32% 43%

5 322 114 106 102 35% 33% 32%

6 318 68 109 141 21% 34% 44%

7 205 27 78 100 13% 38% 49%

8 178 17 67 94 10% 38% 53%

9 140 10 46 84 7% 33% 60%

10 128 3 24 101 2% 19% 79%

11 89 1 15 73 1% 17% 82%

43


Tableau 2.20 : Répartition des entreprises par secteur et par taille

SecteursNombre Pourcentage


1. Agro-alimentaire & Tabac 561 317 119 125 57% 21% 22%

2. Textile 262 96 103 63 37% 39% 24%

3. Habillement 1236 124 406 706 10% 33% 57%

4. Chaussures & Cuir 250 57 101 92 23% 40% 37%

5. Bois, Papier & Edition 283 163 82 38 58% 29% 13%

6. Chimie et Pharmacie 179 68 62 49 38% 35% 27%

7. Caoutchouc & Plastiques 159 61 62 36 38% 39% 23%

8. Matériaux non métalliques 413 124 109 81 39% 35% 26%

9. Matériaux métalliques 320 145 121 54 45% 38% 17%

10. Equipements Electriques 329 98 117 114 30% 36% 35%

11. Industrie automobile 102 35 28 39 34% 27% 38%

12. Meubles 211 107 71 33 51% 34% 16%

Le tableau suivant indique la répartition des entreprises selon la

structure du capital et la taille. Parmi les 4 206 entreprises de

l’échantillon, 126 (soit 3%) ont une partie de leur capital détenue

par l’Etat et 1 243 (soit 30%) ont une partie de leur capital détenue

par des investisseurs étrangers. Les firmes concernées sont

essentiellement dans la catégorie des “grandes” (58% pour la

détention de capital étatique et 65% pour la détention de capital

étranger).

Tableau 2.21 : Nombre de firmes par structure du capital et par taille

Structure du capital des entreprises

Nombre Pourcentage par type de firmes


Entreprises ayant au moins une partie de son capital détenue par l’Etat

126(soit 3% des 4206 entreprises)

24 29 73 19% 23% 58%

Entreprises ayant au moins une partie de son capital détenue par des investisseursprivés étrangers

1243(soit 30% des 4206 entreprises)

107 334 802 9% 27% 65%

44


Dans le tableau 3.22, est indiqué le nombre d’entreprises par

grande région. On constate que la très grande majorité des

entreprises de l’échantillon sont localisées dans le district de Tunis,

dans le Nord Est et le Centre Est. Seulement, 6% des 4 206 firmes

se trouvent dans le Nord Ouest, 3% sont dans le Sud (Est et Ouest)

et 2% de l’échantillon sont dans le Centre Ouest.

Tableau 2.22 : Nombre d’entreprises par grande région

Regions Nombre d'entreprises En pourcentage

1. District de Tunis et Nord Est 1829 45%

2. Nord Ouest 246 6%

3. Centre Est 1731 43%

4. Centre Ouest 95 2%

5. Sud Est et Ouest 122 3%

Total 4023* 100%

* 183 entreprises n’ont pas renseigné leur localisation, ce qui explique que l’on ne retrouve pas le nombre total de firmes dans la base, qui est de 4206.* Il s’agit de la moyenne non pondérée, sur l’ensemble des 11 années, exprimée en log.

Le tableau 3.23 indique la productivité moyenne non pondérée

selon la structure du capital des entreprises. On constate que les

firmes dont le capital est détenu en totalité ou en partie par l’Etat ou

par des investisseurs étrangers, ont, sur l’ensemble de la période,

une productivité moyenne supérieure à celle de l’ensemble des

entreprises. On ne peut, toutefois, en déduire aucun lien de

causalité, d’autant que, comme on l’a montré plus haut, ces

firmes appartiennent majoritairement à la catégorie des “grandes”

entreprises. Il n’est donc pas étonnant d’observer une productivité

moyenne plus élevée pour ces deux catégories d’entreprises.

Structure du capital des entreprises Productivité du travail moyenne non pondérée

Entreprises ayant au moins une partie de son capital détenue par l’Etat 9,22

Entreprises ayant au moins une partie de son capital détenue par desinvestisseurs privés étrangers

8,71

Tableau 2.23 : Moyenne de la productivité du travail selon la structure du capital

Le tableau 3.24 donne la productivité moyenne pondérée par année

(exprimée en log), qui est également représentée sous forme graphique

(graphique 1). Au cours de ces 11 années, la productivité du travail

des entreprises tunisiennes de notre échantillon a fortement augmenté.

On est passé d’une productivité du travail (en moyenne pondérée) de

9,42 en 1997 à 9,67 en 2006 (ce qui représente 25% d’augmentation)

et à 9,91 en 2007 (soit 49% d’augmentation, toujours par rapport à

1997). En taux de croissance annuels, la productivité a baissé

uniquement entre 2002 et 2003 (de 5%), entre 2003 et 2004 (de 1%)

et entre 2004 et 2005 (de 1%). La forte augmentation de la productivité

45

entre 2006 et 2007 (+24%) est assez étonnante et doit être considérée

avec prudence. L’année 2007 est en effet caractérisée par un

renouvellement important des entreprises dans l’échantillon : comme

le montre le tableau 13, 30% des firmes en 2007 n’ont jamais été

présentes auparavant dans la base. Il semble donc que ces entrées

et sorties d’entreprises ont très fortement contribuées à cette

augmentation de la productivité entre 2006 et 2007. Bien que l’INS

utilise un certain nombre de procédures pour garantir la représentativité

des échantillons enquêtés, on doit faire preuve de prudence dans

l’interprétation des résultats lorsque l’on travaille sur des bases de

données qui ne sont pas issues de recensements. Aussi, pour ne pas

fausser les interprétations, certains graphiques seront présentés à la

fois (i) sur toute la période (c’est à dire de 1997 à 2007) et, (ii) en ne

tenant pas compte de la dernière année (c’est dire de 1997 à 2006).


AnnéesProductivité moyenne pondérée (en log)

Taux de croissance annuel de la productivité moyenne pondérée

Taux de croissance de la productivité par rapport à 97

1997 9,42

1998 9,45 3% 3%

1999 9,49 4% 7%

2000 9,58 9% 16%

2001 9,61 3% 19%

2002 9,66 5% 24%

2003 9,61 -5% 19%

2004 9,60 -1% 18%

2005 9,59 -1% 17%

2006 9,67 8% 25%

2007 9, 91 24% 49%

Tableau 2.24 : L’évolution de la productivité du travail de l’ensemble des entreprises de l’échantillon

Les graphiques 2.4a montrent la productivité du travail moyenne pondérée

par secteur, d’abord entre 1997 et 2007, puis entre 1997 et 2006.

Si l’on ne tient pas compte de 2007, on constate que la productivité

du travail a baissé dans 5 secteurs : le textile (secteur 2), l’habillement

(secteur 3), la chimie et pharmacie (secteur 6), le caoutchouc et

plastique (secteur 7) et l’automobile (secteur 11).

Pour les 3 premiers secteurs (textile (2), habillement (3) et chimie

et pharmacie (6)), la forte augmentation de la productivité entre

2006 et 2007 permet de compasser les baisses qui précèdent et,

de se retrouver, en 2007, avec des niveaux de productivité

supérieurs à leur niveau en début de période (c’est à dire 1997).

Dans le secteur 7 (caoutchouc et plastique), la productivité du

travail augmente aussi fortement entre 2006 et 2007, mais pas

46


suffisamment pour dépasser le niveau de productivité de 1997.

Aussi, si l’on regarde les graphiques sur la période 1997-2007, un

seul secteur, celui de l’automobile (secteur 11) voit sa productivité

du travail baisser nettement.

En revanche, la productivité du travail a augmenté dans 7

secteurs : l’agro-alimentaire (secteur 1), le cuir et chaussures

(secteur 4), le bois, papier et imprimerie (secteur 5), les matériaux

non métalliques (secteur 8), les matériaux métalliques (secteur

9), les équipements électriques (secteur 10) et les meubles

(secteur 12). Parmi ces secteurs, l’augmentation de la productivité

du travail est particulièrement marquée dans le secteur de l’agro-

alimentaire (1), le bois, papier et imprimerie (5), les matériaux non

métalliques (8), les matériaux métalliques (9) et les équipements

électriques (10).

Le graphique 2.4c montre l’évolution de la productivité du travail

selon la structure de capital des entreprises entre 1997 et 2007,

avec en trait plein, la catégorie des entreprises entièrement

domestiques et, en pointillé, la catégorie des firmes ayant une

partie au moins de leur capital détenue par des investisseurs

étrangers.

Il apparaît clairement que la productivité des entreprises domestiques

a augmenté plus fortement que celle des entreprises ayant du capital

étranger. En 1997, la productivité des entreprises domestiques est de

9,32. Elle passe à 9,72 en 2006 et quasiment à 10 en 2007. Pour les

entreprises ayant du capital étranger, on passe de 9,58 en 1997, à

9,68 en 2006, et 9,82 en 2007.

Entre 1997 et 2003, la productivité des entreprises ayant du capital

étranger est supérieure à celle des entreprises domestiques. A partir

de 2003, c’est l’inverse : la productivité du travail des entreprises

domestiques devient supérieure à celle des firmes ayant du capital

étranger.

Ce résultat contre-intuitif est intéressant, et demanderait une analyse

spécifique plus fouillée. On s’attend, en effet, généralement à ce que

la dynamique d’évolution de la productivité soit plus importante pour

les entreprises possédées en partie par des investisseurs étrangers.

47


Graphiques 2.4a : L’évolution de la moyenne pondérée de la productivité du travail par secteur entre 1997 et 2007 (en log)

Entre 1997 et 2006 (en log)

par

par

Année

Année

48


Graphiques 2.4b : L’évolution de la moyenne pondérée de la productivité du travail par taille entre 1997 et 2007 (en log)

product petiteproduct moyenneproduct grande

Graphique 2.4c : L’évolution de la moyenne pondérée de la productivité du travail selon la structure du capital des entreprises (en log)

product domestiqueproduct étrangère

49

2.4.2. L’analyse de la décomposition de la productivité

2.4.2.1. Définitions et méthodologie

L’augmentation de la productivité du travail au niveau des

entreprises peut être liée :

- soit à des variations conjoncturelles de la demande non anticipées

par les entreprises, lesquelles, généralement expliquent plus

fréquemment des baisses “accidentelles” de la productivité du

travail ;

- soit à des rigidités sur le marché du travail qui peuvent ralentir

l’adaptation du nombre d’employés (à la hausse, comme à la

baisse) aux variations de la production ;

- soit à un ensemble de décisions propres aux entreprises qui

peuvent conduire à une amélioration de la productivité. On peut

citer pour exemple, l’amélioration du niveau de formation des

employés, l’investissement dans l’achat de machines plus

performantes, l’utilisation d’inputs de meilleure qualité, la

réorganisation de l’entreprise, des décisions de licenciements, etc.

Les phénomènes de réallocation, quant à eux, peuvent être la

conséquence de changements inter-sectoriels (certains secteurs

se développent, alors que d’autres stagnent ou se réduisent) ou

de changements intra-sectoriels, c’est à dire qu’à l’intérieur de

chaque secteur, se produisent des changements de parts de

marché, ainsi que des entrées et sorties d’entreprises. Pendant

longtemps, parce que l’on ne disposait essentiellement que de

données sectorielles (soit d’origine nationale, soit d’origine

internationale par l’UNIDO), l’analyse de la réallocation s’est

concentrée sur les changements entre secteur, d’autant que

l’hypothèse de firme homogène supposée, à la fois, par les théories

traditionnelles du commerce international et par la théorie du New

Trade (Krugman,1979, Helpman et Krugman, 1987) ne permettait

pas d’expliquer sur le plan théorique la possibilité de réallocation

à l’intérieur des industries. Le développement récent de la théorie

du “New New Trade”, initiée notamment par Melitz (2003), et

caractérisée par la prise en compte de l’hétérogénéité des

entreprises à l’intérieur des secteurs, a justifié sur le plan théorique,

que l’on focalise l’analyse sur les changements au niveau des

firmes. L’accès à des bases de données individuelles d’entreprises

a permis que se développent les analyses empiriques dans le

prolongement de ces avancées théoriques.

Ainsi, les principales leçons à tirer des développements théoriques

et empiriques récents dans la littérature sont qu’à l’intérieur d’une

même industrie, il existe des entreprises qui peuvent être très

différentes, du fait de leur taille, de leur degré d’intégration dans

l’économie internationale, de leur niveau de productivité, etc. et

que, dans ce contexte, tout changement (réforme commerciale,

climat des affaires, changement de la demande internationale,

accroissement de la concurrence, etc.) va se répercuter de façon

différenciée sur ces entreprises et générer forcément des

réallocations à l’intérieur des secteurs. L’idée qui domine dans la

littérature est que ces réallocations à l’intérieur de chaque industrie

seraient d’une ampleur beaucoup plus importante que celles qui

se produisent entre secteurs. Dans ce cadre théorique, Melitz

(2003, déjà cité) a montré, par exemple, que l’ouverture aux

échanges internationaux conduit à une augmentation des parts

de marché des entreprises initialement les plus productives, au

détriment des entreprises les moins productives, qui disparaissent

ou qui voient leur part de marché se réduire. Pour ces auteurs de

la “New New Trade”, les variations de la productivité agrégée d’une

économie s’expliquent essentiellement par ces phénomènes de

réallocation à l’intérieur des industries, en particulier lorsqu’il s’agit

d’économies qui s’ouvrent aux échanges internationaux.

Dans la littérature, les trois principales méthodes utilisées sont celles

de Foster, Haltiwanger et Krizan (FHK, 1998 et 2001), Griliches et

Regev (GR, 1995) et, celle plus récente de Pavcnik (2002). Bien que

la méthode FHK soit la plus complète, elle nécessite, comme d’ailleurs

aussi la méthode GR, de connaître les entrées et sorties des

entreprises. Les données de firmes tunisiennes ne permettant pas

l’identification des “vraies” sorties et entrées, la seule méthode

applicable dans notre cas de figure est celle de Pavcnik.

Cette méthode de décomposition a été appliquée (i) sur l’ensemble

de l’échantillon, (ii) par secteur, (iii) par taille et (iv) selon la structure


50


du capital des entreprises. Dans tous les cas de figure, les résultats

sont indiqués en terme de variation par rapport à l’année de départ,

c’est à dire 1997. Dans les quatre tableaux qui suivent La deuxième

colonne indique les changements de la productivité agrégée par

rapport à l’année 1997. Les deux colonnes qui suivent correspondent

respectivement aux variations du premier et du second terme de la

décomposition. Comme l’impose l’équation de la décomposition, la

somme, en ligne, des colonnes (3) et (4) correspond à la colonne (2).

2.4.2.2. Résultats du traitement de l’enquête entreprise.

1. Le tableau 14 montre les résultats pour l’ensemble de l’échantillon.

La colonne (2), qui indique les changements de la productivité du

travail agrégée pour l’ensemble des entreprises, correspond à la

dernière colonne du tableau 12 que l‘on a déjà présenté plus haut.

On constate que la grande partie des gains de productivité

proviennent de l’effet réallocatif. En 2006, les 25% de taux de

croissance de la productivité du travail agrégée sont dus, pour

8% à l’augmentation de la productivité à l’intérieur des entreprises

et pour 17% à la réallocation des ressources des entreprises les

moins efficientes vers les plus efficientes. Autrement dit, 67% de

la variation de la productivité agrégée sur les 10 années (97-2006)

sont dus à l’augmentation du terme de covariance. En 2007, cette

même part s’élève à 72%. Même si ce terme de covariance n’a pas

cru de façon régulière au cours de la période considérée, ce terme

est toujours positif (à l’exception seulement des deux premières

années), ce qui montre bien que la réallocation joue dans le bons

sens, autrement dit que les entreprises les plus productives se

développent et/ou les moins productives ont des parts de marché

en baisse.

Années Croissance de la Productivité agrégéeVariation de la Productivité non pondérée(Premier terme)

Variation de la Covariance (Secondterme)

1997 0,000 0,000 0,000

1998 0,023 0,055 -0,031

1999 0,071 0,072 -0,001

2000 0,153 -0,038 0,191

2001 0,183 0,043 0,140

2002 0,235 0,124 0,112

2003 0,183 -0,126 0,057

2004 0,172 -0,109 0,062

2005 0,164 -0,079 0,085

2006 0,249 0,081 0,168

2007 0,486 0,138 0,348

Tableau 2.25 : Décomposition de la croissance de la productivité agrégée pour l’ensemble de l’échantillon

2. Si pour l’ensemble de l’échantillon, la réallocation a fortement

contribué à l’accroissement de la productivité agrégée, ce

constat est loin d’être vérifié au niveau des secteurs. C’est en

effet dans seulement 2 industries (chaussures et cuir et

matériaux métalliques) que les variations du terme de covariance

sont toujours positives tout au long de la période et supérieures

à celles de la productivité des entreprises. En revanche, dans 6

secteurs, textile, chimie et pharmacie, caoutchouc et produits

plastiques, matériaux non métalliques, équipements électriques

et meubles, la productivité des entreprises a augmenté, alors que

51

le terme de covariance a eu un impact négatif sur la variation de

la productivité agrégée. Dans le secteur bois, papier et édition,

l’effet dominant est l’accroissement de la productivité du travail

à l’intérieur des entreprises. Dans le secteur agro-alimentaire,

l’augmentation de la productivité est également due, sur l’essentiel

de la période, à l’augmentation de la productivité des entreprises,

sauf pour les 2 dernières années (2006 et 2007) au cours

desquelles la contribution du terme de covariance a été

particulièrement importante. Enfin, dans 2 secteurs, celui de

l’habillement et celui de l’automobile, ce sont les deux termes

(productivité des firmes et covariance) qui ont joué un rôle négatif

sur la variation de la productivité du travail agrégée.

3. L’effet de la réallocation a fortement contribué à la croissance

de la productivité agrégée du travail pour la catégorie des

“moyennes” et des “grandes” entreprises. A l’exception de l’année

1998, la variation du terme de covariance est, en effet, toujours

positive pour ces 2 groupes de firmes. Pour la catégorie des “petites”,

ce même terme varie positivement seulement pour 4 années (2000,

2001, 2005 et 2007). La forte progression de ce terme de covariance

en 2007 doit être considérée avec précaution compte tenu, comme

on l’a déjà souligné plus haut, de l’important renouvellement de

l’échantillon qui a concerné particulièrement les “petites” entreprises.

Ces résultats montrent aussi que ce sont les entreprises de taille

“moyenne” qui ont le plus augmenté leur productivité du travail non

pondérée. Il serait intéressant de comprendre quels sont les facteurs

qui les ont incité à améliorer leur efficience et par quels moyens elles

y sont parvenues.

4. Les résultats de la décomposition de la productivité agrégée du

travail selon la structure du capital des entreprises montrent, dans

l’échantillon, l’effet de la réallocation à contribuer à l’accroissement

de la productivité agrégée seulement pour les entreprises

entièrement domestiques. Pour les firmes dont une partie du capital

est détenue par des investisseurs étrangers, la variation du terme

de covariance est positive uniquement 4 années (2000, 2001, 2002

et 2007). Concernant plus spécifiquement les entreprises

entièrement domestiques, les 40% d’augmentation de la

productivité du travail agrégée en 2006 sont dus pour 7% à

l’accroissement de la productivité du travail à l’intérieur des

entreprises et, pour 33% à l’effet de réallocation. En 2007, les 68%

d’augmentation de la productivité agrégée sont le fait de

l’augmentation de la productivité à l’intérieur des entreprises pour

14% et de l’effet réallocatif pour 54%.

2.4.2.3. Conclusion

Dans le cadre du projet, la productivité du travail des entreprises

tunisiennes du secteur industriel, a été analysée entre 1997 et

2007, à partir d’un échantillon de firmes individuelles issu des

Enquêtes Annuelles. Les principaux résultats qui ressortent de

cette analyse, sont les suivants.

Premièrement, la productivité du travail agrégée des entreprises

tunisiennes a fortement augmenté. Elle s’est accrue de 25% entre

1997 et 2006 (et de 49% entre 1997 et 2007, bien qu’il faille

considérer avec beaucoup de précaution cette dernière année

dans la mesure où 30% de l’échantillon a été renouvelé).

Deuxièmement, au niveau sectoriel, la productivité du travail

agrégée a augmenté dans 7 industries (agro-alimentaire, cuir et

chaussures, bois, papier et imprimerie, matériaux non métalliques,

matériaux métalliques, équipements électriques et meubles). En

revanche, si l’on ne tient pas compte de l’année 2007, la

productivité agrégée a baissé dans 5 secteurs (textile, habillement,

chimie et pharmacie, caoutchouc et plastique et automobile).

Troisièmement, alors que la productivité moyenne non pondérée sur

l’ensemble de la période est plus élevée pour les “grandes” entreprises

que pour les “moyennes”, la productivité agrégée s’est accrue plus

vite pour les entreprises de taille “moyenne” que pour les “grandes”

firmes. A partir de 2003 et jusqu’en 2006, la productivité du travail

agrégée des “moyennes” dépasse celle des “grandes”.

Quatrièmement, la productivité du travail agrégée des entreprises

domestiques a augmenté plus fortement que celles des entreprises

ayant une partie au moins de leur capital détenue par des investisseurs

étrangers.


52


Enfin, les résultats de la décomposition ont mis en évidence le rôle

joué par la réallocation des ressources des entreprises les moins

efficientes vers les plus efficientes dans l’accroissement de la productivité

du travail agrégée sur l’ensemble de l’échantillon. Les 25% de taux

de croissance de la productivité entre 1997 et 2006 sont dus pour 8%

à l’augmentation de la productivité du travail à l’intérieur des entreprises

et pour 17% à l’effet de réallocation. Ce constat se vérifie en particulier

pour les entreprises domestiques, ainsi que pour les entreprises de

taille “moyenne” et “grande”. En revanche, au niveau sectoriel, ce

résultat ne se vérifie que dans 2 industries (chaussures et cuir, matériaux

métalliques). L’augmentation de la productivité du travail à l’intérieur

des entreprises a concerné un plus grand nombre de secteurs (agro-

alimentaire, textile, bois, papier et édition, chimie et pharmacie,

caoutchouc et produits plastiques, matériaux non métalliques,

équipements électriques, meubles).

Bibliographie

Disney, R., J. Haskel and Y. Heden (2003), Restructuring and

productivity growth in UK manufacturing, Economic Journal, Vol.

113, No. 489, pp. 666 – 694.

Foster, L., J.C. Haltiwanger and C.J. Krizan (1998), Aggregate

productivity growth: Lessons from microeconomic evidence, Working

Paper 6803 NBER.


productivity growth: Lessons from microeconomic evidence, in

Edward Dean, Michael Harper, and Charles Hulten (eds.), New

Developments in Productivity Analysis, Chicago: University of Chicago

Press.

Griliches, Z. and H. Regev (1995), Firm productivity in Israeli industry

1979-1988, Journal of Econometrics, 65, pp. 175-203.

Hall, B. H. and J. Mairesse (1995), Exploring the relationship between

R&D and productivity in French manufacturing firms, Journal of

Econometrics, Elsevier, 65(1), pp. 263-293.

Helpman E. and P.R. Krugman (1987), Market Structure and Foreign

Trade: Increasing Returns, Imperfect Competition, and the

International Economy, MIT Press Books, The MIT Press.

Krugman, P. R. (1979), Increasing returns, monopolistic competition,

and international trade, Journal of International Economics, 9(4),

pp. 469-479.

Melitz, M. (2003), The Impact of Trade on Intra-Industry Reallocations

and Aggregate Industry Productivity, Econometrica, 71, pp. 1695–

1725.

Pavcnik, N. (2002), Trade Liberalization, Exit, and Productivity

Improvements: Evidence From Chilean Plants, Review of Economic

Studies, 69, pp.245-276.

53

3. La formation

La formation des cadres de l’ITCEQ était une composante essentielle

du projet. Deux sessions de formations, la première au mois de

novembre 2010, la deuxième au cours du mois d’avril et du mois mai

2011, ont permis aux experts de l’ITCEQ et du DEFI de développer

des collaborations constructives. Ces sessions de formations à Aix en

Provence et à Tunis ont permis d’une part, de favoriser le transfert des

connaissances dans les méthodes quantitatives, et d’autre part, de

traiter des sujets d’intérêt de l’ITCEQ. Les experts de l’ITCEQ disposent

des supports de cours, des programmations sur STATA, et de l’accès

aux bases de données du DEFI. Les comptes rendus non exhaustifs

des sessions de formation reproduits ci après donnent un aperçu des

thèmes et des méthodes traités.

3.1 Un exemple de session de formationéconométrie et modélisation macroéconomique

29 novembre : Estimations à l’aide du logiciel Eviews

Matin et après-midi :

Experts DEFI : Marcel Aloy, Eric Heyer

Cette journée a été consacrée à la mise en application des techniques

économétriques sur séries temporelles présentées au cours des

journées précédentes.

Plan de la journée

1. Rappels des principaux tests économétriques sur séries

temporelles

2. Initiation au logiciel Eviews

3. Estimations des différentes équations de comportement sur

données françaises

a. MCE en 2 étapes

b. MCE en 1 étape

Mardi 30 novembre : Présentation des différents modèles

nationaux



Au cours de cette journée nous sommes revenus sur la structure et

les propriétés des modèles nationaux qui existent en France, en

comparant tout particulièrement le modèle de l’OFCE (emod.fr) et

celui du Ministère de l’économie (Mésange).

Plan de la journée

1. Cadre comptable

2. Le schéma des causalités

3. Transparent des causalités

4. Taille du modèle

5. Les principaux comportements

a. Consommation

b. Investissement

c. Emploi

d. Boucle prix-salaire

e. Commerce extérieur

6. Le multiplicateur

a. Mécanisme

b. Décomposition selon les grands agrégats

c. Le multiplicateur dans le temps

d. Pourquoi ça varie ?

e. Le multiplicateur au cours de la crise


54


7. Les instruments de la modélisation

a. Le modèle à correction d’erreur

b. L’écriture usuelle

c. Le long terme et la cointégration

d. La dynamique

Mercredi 1 décembre : Les propriétés structurelles de la

modélisation & estimations sur données tunisiennes

Matin :


Au cours de cette matinée, nous sommes revenus sur les

propriétés structurelles de la modélisation en mettant l’accent tout

particulièrement sur les notions de croissance potentielle et de

chômage structurel.

Plan de la matinée

1. La production potentielle

a. Evaluation structurelle

b. Evaluation par filtre

2. Le Chômage structurel

a. Evaluation structurelle

b. Evaluation par filtre

3. Retour sur les différentes évaluations et leurs conséquences en

matière de politique économique

Après-midi :


Au cours de cet après-midi, nous avons estimé, sur des données

tunisiennes, des équations d’emploi et de prix de la valeur ajoutée

pour les différents secteurs.

3.2. Un exemple de formation au traitement desdonnées d’entreprises

Mardi 23 novembre


Expert DEFI : Gilbert Cette

Présentation des analyses de la production potentielle et des

méthodes de calcul de la productivité du travail (cf. Diapositives des

séances de travail en Annexe).

Mercredi 24 novembre

Expert DEFI : Marion Dovis

1. Présentation des méthodes de nettoyage des bases de données

(cf. Diapositives en annexe)

2. Présentation et explication des principales commandes de la

gestion des bases de données sur Stata (cf. Diapositives en

Annexe)

3. Travail sur les données de l’Enquête : Contrairement à ce que

nous avions prévu, l’ITCEQ ne dispose pas de base globale

regroupant l’ensemble des variables disponibles issus des

données d’Enquête. Les données existent, en effet, uniquement

sur des fichiers Excel séparés par année et par type de variables.

Or le nettoyage soit s’effectuer sur une base unique. Ce constat

imposé d’ajouter au programme initialement prévu13, la

réalisation de ce fichier complet des variables.

4. Réalisation d’une base unique regroupant l’ensemble des

données disponibles issues des Enquêtes : Ces données étant

sur des fichiers Excel séparés par année et par catégorie de

variables (état résultat, emploi, passif, actif, immobilisations,

identification, autres valeurs comptable et autre valeurs

13 Le programme de travail initialement prévu supposait que nous ayons ces données prêtes sur une base STATA.

55

comptables et suite), le passage de ces fichiers Excel à une base

omplète sur Stata, nécessitait :

- d’harmoniser chacun des fichiers Excel pour les rendre

comparables.

- de créer des correspondances entre des questionnaires différents

(changement de questionnaire à partir de 98).

- d’ajouter les indices de prix.

- de faire la fusion de l'ensemble de ces fichiers pour avoir un

fichier complet sur STATA.

Ce travail aurait normalement nécessité, au minimum, 3 ou 4 jours

de travail. Pour pouvoir effectuer, dans le même temps, la partie

Training prévue, et, d’une façon générale, remplir les objectifs prévus

dans le cadre de cette mission, ce travail a été fait en grande partie,

le soir et durant le week end par les experts du DEFI (essentiellement

M. Dovis). Pour éviter des pertes de temps, M. Dovis a mis à

disposition des cadres de l’ITCEQ, dès vendredi après-midi, une

première version de la base sur Stata (pour qu'ils puissent faire le

travail préparatoire du nettoyage, s'entraîner sur Stata pour la mise

en application de la séance portant sur les principales commandes

utilisées, etc.).

Jeudi 25 novembre

Matin :

Expert DEFI : Patricia Augier

Présentation et explication des différentes mesures de décomposition

de la productivité utilisées dans la littérature scientifique.

Après-midi :

DEFI Experts DEFI : Patricia Augier, Marion Dovis

Harmonisation des différentes bases de données initiales :

(i) Discussion sur la correspondance entre le questionnaire de 1997

et celui utilisé à partir de 1998.

(i) Préparation du fichier de programmation de la fusion des

différentes bases de données.

Vendredi 26 novembre



1. Suite de la préparation du fichier de programmation de la fusion

des différentes bases de données.

2. Elaboration d’une version préliminaire de la base de données à

l’attention des cadres de l’ITCEQ pour que ces derniers puissent

commencer les premières analyses descriptives pour préparer

les programmes de nettoyage.

3. Labellisation des variables disponibles dans la base.

Lundi 29 novembre

Matin :


Finalisation et vérification de la fusion des bases de données avec

l’ensemble des variables.

Après-midi :

Expert DEFI : Patricia Augier, Marion Dovis

1. Vérification des correspondances entre le questionnaire de

l’enquête de 1997 et celui utilisé à partir de 1998, en particulier

pour le compte de résultat et pour l’emploi. Un fichier précisant

le passage entre ces deux questionnaires a été préparé. Pour

les cas qui ont fait l’objet de discussions, une vérification a été

effectuée par le calcul des coefficients de corrélation. Le résultat

de ces tests de corrélation est précisé sur le fichier concernant

ce passage (cf. Annexe).

Mardi 30 novembre


Experts DEFI : Patricia Augier, Marion Dovis


56


1. Elaboration du programme de nettoyage.

2. Analyse des données du Répertoire pour évaluer les possibilités

de son utilisation.

3. Discussion sur le choix de la méthode de décomposition de la

productivité la plus adaptée. Il a été convenu que le choix devait

porter sur une méthode intuitive qui réponde à ce qui est souhaité

mettre en évidence. De plus, il a été soulevé que le problème

de la non identification des entrées et des sorties de firmes sur

le marché devait être pris en compte dans le choix de la méthode

de décomposition.

Mercredi 1 décembre



1. Vérification du programme de nettoyage et Explication détaillée

des différentes étapes.

2. Discussion sur les changements qui sont possibles d’introduire

à partir du programme de base proposé et effectué par les

experts DEFI.

3. Discussion sur les méthodologies de décomposition.

Jeudi 2 novembre



1. Discussion sur les méthodologies de décomposition.

(i) Choix de la méthode qui sera utilisée

(ii) Choix du logiciel qui sera utilisée pour la programmation.

2. Analyse des accomplissements de la mission au regard des

objectifs attendus et Programmation de la suite du projet (cf.

détails de ces points dans le paragraphe qui suit).

57

4. Conclusions

i) Le programme d’assistance technique ITCEQ/DEFI, dont la

durée initiale prévue était de 4 mois, s’est en réalité déroulé sur

huit mois en raison notamment des évènements du mois de

janvier 2011 en Tunisie. Le champ couvert par le projet était très

vaste et certains aspects n’ont pu être que partiellement traités.

Toutefois, dans ces cas peu nombreux, les éléments théoriques

et méthodologiques ont été couverts, ce qui ouvre la voie à des

validations empiriques ultérieures.

ii) Le volet formation a atteint les objectifs fixés d’un commun

accord avec les experts de l’ITCEQ lors de la mission de

démarrage.

• Les experts de l’ITCEQ ont reçu une formation en économétrie

et modélisation macroéconomique. En techniques quantitatives

plusieurs sessions ont été consacrées aux logiciels de traitement

en particulier à Stata, les experts de l’ITCEQ étant davantage

familiers d’Eviews.

• Les experts de l’ITCEQ ont reçu une formation théorique à la

modélisation macroéconomique. A cette occasion, ils ont pu

prendre connaissance de modèles macroéconomiques utilisés

dans les grandes institutions de prévisions européennes.

• Les experts de l’ITCEQ ont enfin reçu une formation dans les

composantes 2.2 et 3.

- Les cadres de l’ITCEQ ont reçu une formation sur les méthodes

de nettoyage des données microéconomiques utilisées dans la

littérature.

- Les cadres de l’ITCEQ ont reçu une formation sur la gestion des

bases de données sur le logiciel Stata.

- Les cadres de l’ITCEQ ont à disposition une base de données

fusionnée, donc complète avec l’ensemble des variables.

- Les cadres de l’ITCEQ ont à disposition le programme de

nettoyage sur Stata, ainsi que la base de données nettoyée avec

l’ensemble des variables immédiatement utilisables et/ou

modifiables. Ce programme a été élaboré de manière à ce que

les cadres de l’ITCEQ puissent, par la suite, le modifier à leur

convenance.


de décomposition utilisées dans la littérature.

- L’implémentation des méthodes de décomposition, peut être

effectuée à l’aide de différents logiciels comme Excel, Stata ou

Gauss. Les experts du DEFI et les cadres de l’ITCEQ ont convenu

qu’il était plus adapté de choisir un logiciel permettant la

programmation comme Stata ou Gauss.

iii) Sur le fond, les résultats obtenus par les experts du DEFI et de

l’ITCEQ sont dignes d’intérêt et ouvrent de nombreuses

perspectives pour développer la modélisation de l’économie

tunisienne et apporter des réponses aux défis de l’économie

tunisienne.

La modélisation des secteurs manufacturiers micro fondée sur les

approches des modèles d’équilibre général calculables a débouché

sur des estimations des paramètres qui conduisent aux conclusions

suivantes :

- La substitution entre le capital et le travail est forte (élasticité

proche de l’unité, Cobb-Douglas) dans le secteur des Industries

Agro-alimentaires ainsi que dans celui des industries Mécaniques

et Électriques (secteurs 2 et 4), tous les deux fortement

exportateurs. La substitution entre les deux facteurs est plus

faible (élasticité voisine de 0,7, CES) dans les secteurs des MCCV

et de la Chimie. Dans les autres secteurs, il y a complémentarité

entre les facteurs de production.



58




de coûts réels, il faut généralement trois à quatre années pour

observer un ajustement significatif des quantités de travail et

de capital.

- Le taux de croissance de la productivité globale des facteurs

est hétérogène. Il est relativement faible dans les IAA et le textile

et élevé dans les IME et l’industrie chimique.

- Dans tous les secteurs étudiés, il ressort une forte élasticité de

substitution entre l’emploi qualifié et non qualifié14 allant de 3,3






supérieure de 3% à 6% à celle des non-qualifiés


fondements théoriques et les méthodologies économétriques mises



extérieur – qui restent à faire – doivent pouvoir être effectués sans

difficultés majeures

iv) Les résultats des estimations des fonctions d’exportation par

secteur réalisées sur des séries chronologiques sont riches

d’enseignements. Ils font apparaître de fortes disparités entre

les secteurs, autant en ce qui concerne les élasticités-prix de

long terme des différents secteurs (et donc leur niveau de

substituabilité sur le marché européen), qu’en ce qui concerne

le comportement dynamique des exportations à la suite de chocs

de prix relatifs et de chocs de demande (cf. rapport final de la

composante). Dès lors, l’estimation d’une équation d’exportation

agrégée, même si elle satisfait les critères de qualité

économétriques, ne peut pas servir de support aux prévisions

et à l’élaboration d'une politique de développement industriel

cohérente.

Les estimations en données de panel ont permis de compléter

utilement les estimations réalisées pour chaque secteur pris

isolément.





utilisées pour la mesure des prix relatifs :

- L’élasticité des exportations tunisiennes vers l’Europe par rapport



mais elle semble relativement faible à court terme en moyenne,

et même non-significative dans les estimations en taux de

croissance. Il en résulte que l’effet instantané d’une variation de

la demande adressée peut être considéré comme négligeable,

l’ajustement des exportations nécessitant probablement un délai

sensiblement supérieur à une année.

- L’élasticité-prix des exportations tunisiennes vers l’Europe est

de l’ordre de -0,6 à -0,73 à court terme comme à long terme.

- Enfin, les graphiques des résidus des différents modèles estimés




sectorielle. En effet, nous avons pu constater sur les séries

14 Notons que la distinction travailleur qualifié / non qualifié est ici appréhendée sous l’angle du diplôme et non sur celui de la nature du métier : dans nos estimations, les qualifiésont été définis comme titulaires d’un diplôme d’enseignement supérieur, tandis que les non-qualifiés regroupent les autres individus. Les termes utilisés dans notre présentation(« qualifiés » et « non-qualifiés ») ont donc un caractère volontairement simplificateur et très schématique.

59

chronologiques que le secteur des Hydrocarbures se caractérise

par une élasticité-prix beaucoup plus importante que les autres

secteurs, tandis que le secteur des IAA présente des élasticités

de la demande de court-terme relativement élevée par rapport

aux autres secteurs d’exportation.

v) Le projet a permis aux experts de l’ITCEQ d’affiner leur

connaissance sur la spécialisation de la Tunisie dans les échanges

internationaux. L’analyse des pays concurrents de la Tunisie

grâce à l’accès aux bases de données internationales et à

l’application des résultats de la théorie du commerce international

incorporés dans le logiciel « Trade Swift » a été renforcée. Le

positionnement dynamique de la Tunisie par rapport à la demande

mondiale et l’identification des pays concurrents sont maintenant

disponibles au niveau HS6 de la nomenclature des produits.

vi) Dans le cadre du projet, la productivité du travail des entreprises

tunisiennes du secteur industriel a été analysée entre 1997 et

2007, à partir d’un échantillon de firmes individuelles issu des

Enquêtes Annuelles. Les principaux résultats qui ressortent de

cette analyse, sont les suivants.




considérer avec beaucoup de précaution cette dernière année dans

la mesure où 30% de l’échantillon a été renouvelé).

Deuxièmement, au niveau sectoriel, la productivité du travail agrégée

a augmenté dans 7 industries (agro-alimentaire, cuir et chaussures,

bois, papier et imprimerie, matériaux non métalliques, matériaux

métalliques, équipements électriques et meubles). En revanche, si

l’on ne tient pas compte de l’année 2007, la productivité agrégée

a baissé dans 5 secteurs (textile, habillement, chimie et pharmacie,

caoutchouc et plastique et automobile).

Troisièmement, alors que la productivité moyenne non pondérée sur

l’ensemble de la période est plus élevée pour les “grandes”

entreprises que pour les “moyennes”, la productivité agrégée s’est

accrue plus vite pour les entreprises de taille “moyenne” que pour

les “grandes” firmes. A partir de 2003 et jusqu’en 2006, la productivité

du travail agrégée des “moyennes” dépasse celle des “grandes”.



ayant une partie au moins de leur capital détenue par des

investisseurs étrangers.

Enfin, les résultats de la décomposition ont mis en évidence le rôle

joué par la réallocation des ressources des entreprises les moins

efficientes vers les plus efficientes dans l’accroissement de la

productivité du travail agrégée sur l’ensemble de l’échantillon. Les

25% de taux de croissance de la productivité entre 1997 et 2006

sont dus pour 8% à l’augmentation de la productivité du travail à

l’intérieur des entreprises et pour 17% à l’effet de réallocation. Ce

constat se vérifie en particulier pour les entreprises domestiques,

ainsi que pour les entreprises de taille “moyenne” et “grande”. En

revanche, au niveau sectoriel, ce résultat ne se vérifie que dans 2

industries (chaussures et cuir, matériaux métalliques). L’augmentation

de la productivité du travail à l’intérieur des entreprises a concerné

un plus grand nombre de secteurs (agro-alimentaire, textile, bois,

papier et édition, chimie et pharmacie, caoutchouc et produits

plastiques, matériaux non métalliques, équipements électriques,

meubles).


Chapitre I

Modélisation sectorielle des industries manufacturières

en Tunisie

61


Table des matières

62 Introduction

64 1. Les fondements théoriques

64 1.1 Le prix unitaire de la valeur ajoutée : définition

65 1.2 La demande de facteurs

66 1.3 Demande de travail qualifié et non qualifié

66 1.4 Détermination du prix de la valeur ajoutée

67 1.5 Partage de l’offre entre exportations et offre de biens sur le marché domestique

68 1.6 Le partage de la demande entre importations et bien domestique

68 1.7 Détermination du prix et des qualités échangées sur le marché domestique

69 1.8 Détermination du prix et du volume d’exportations

69 1.9 Équations de définition

71 2. Les équations du modèle

71 2.1 Liste des variables et des paramètres du modèle

72 2.2 Les équations log-linéaires ( relations de long terme )

73 2.3 Les équations en niveau

75 3. Les estimations économétriques75 3.1 Les équations estimées

75 3.1.1 Emploi, capital et prix de la valeur ajoutée77 3.1.2 Emploi, qualifié et non qualifié

78 3.2 Les données

78 3.3 La méthode d’estimation

78 3.4 Les principaux résultats

80 3.4.1 Réponse de l’emploi à un choc de demande et de coût82 3.4.2 Réponse du capital à un choc de demande et de coût

84 Conclusion

84 Bibliographie

62


Introduction

Nous considérons dans ce document la modélisation d’un

secteur i produisant un bien composite i. Ce bien composite

peut être soit vendu sur le marché domestique soit exporté. De la

même manière les utilisateurs finaux peuvent se procurer ce bien

sur le marché domestique auprès du secteur i ou bien à l’importation.

La structure théorique du modèle s’appuie sur les principes largement

utilisés dans les modèles d’équilibre général calculables (cf Lofgren

et alt., 2002) :

Le secteur i est soumis à la contrainte d’une fonction de production

à deux facteurs (travail L et capital K) de type CES, dont les coût

unitaires (respectivement W et Ck) sont donnés au niveau sectoriel.

La production (QX = Y/iva , où iva représente la valeur ajoutée en

volume par unité produite) du secteur i est répartie entre la vente

sur le marché domestique (QD) au prix Pd et la vente à l’exportation

(QE) au prix Pe. La répartition optimale de la production (QX) dépend

du prix relatif (Pd/Pe).

Le modèle proposé permet bien naturellement de considérer comme

cas particulier les secteurs dont la production est uniquement

destinée aux exportations, ou alternativement, les secteurs dont la

production est entièrement destinée au marché domestique.

Les consommations intermédiaires sont une fraction constante (ci)

de la quantité produite.

Du côté des utilisateurs finaux, l’absorption domestique adressée

aux biens du type produits par le secteur i (QQ) se répartit entre la

production du secteur domestique (QD) et les importations de

produits similaires (QM). La répartition de l’absorption entre ces deux

composantes dépend du prix relatif des produits domestiques (Pd)

par rapport au prix des produits importés (Pm).

Par rapports aux spécifications usuelles des modèles d’équilibre

général calculables (MEGC), les particularités de ce modèle sont les

suivantes :

- En premier lieu, nous considérons que le secteur est soumis à

une contrainte de demande sur le marché des biens, de telle

sorte que la demande optimale de facteurs de production (K et

L) se réalise sous la contrainte d’une demande (Y/iva) donnée,

qui est déterminée par ailleurs, notamment par le niveau de

l’absorption domestique (QQ). De ce fait, il s’agit donc

essentiellement d’un modèle de demande et non d’un modèle

d’offre.

- En second lieu, nous introduisons une distinction, au sein du

facteur travail (L), entre le travail qualifié (Lq) et le travail non

qualifié (Lnq). Chacun de ces deux types de travail est caractérisé

par un indice de productivité spécifique, ainsi que par un taux

de salaire propre (respectivement Wq et Wnq), supposé exogène

au niveau du secteur.

- En troisième lieu, nous introduisons une demande étrangère

d’exportation, ce qui permet de déterminer le prix d’équilibre

des exportations (Pe), alors que celui-ci est généralement

supposé exogène dans les MEGC.

Nous présentons dans la section I les équations de long terme

linéarisées, dont les fondements théoriques sont explicités dans la

section II.

En effet, les MEGC présentent l’intérêt d’offrir une forte cohérence

interne et ils impliquent donc des solutions de long terme que l’on peut

considérer comme satisfaisantes sur le plan théorique. En contrepartie,

ces modèles n’offrent généralement pas de description des processus

d’ajustement dynamique vers les solutions de long terme.

63

De ce point de vue, nous suggérons dans la section III de réaliser

l’estimation des équations du modèle dans le cadre dynamique plus

général d’équations à correction d’erreur.

A titre d’illustration, considérons l’équation de détermination du prix

de la valeur ajoutée pyit (en logarithmes) :

pyit = π0 (ckit ― gki.t) + (1― π0) (wit ― qli.t) + py015 (23’)

où :

gki;: taux de croissance de la productivité autonome du capital;

qli: taux de croissance de la productivité autonome du travail

L’estimation économétrique pourra être réalisée en deux étapes :

1. Estimation de la relation de long terme :

pyit = π0 (ckit ― gki.t) + (1― π0) (wit ― qli.t) + py0 + Zt

2. Estimation du modèle à correction d’erreurs :

∆pyit = a0 + a1∆pyit-1 +a2∆ckit +a3∆wit ― bZt-1 + εt

Où : ∆xt: variation de xt (ce dernier étant exprimé en logarithme).

Naturellement, l’ordre de retard des variables explicatives sera

déterminé en fonction des critères économétriques usuels.

Ce type de spécification permet de faire apparaître des élasticités

de court terme (a2 , a3) éventuellement différentes des élasticités de

long terme (π0 et 1― π0 dans notre exemple).

Elle permet aussi de mesurer la vitesse d’ajustement vers l’équilibre

de long terme (qui est liée au paramètre b), celle-ci étant conditionnée

par les diverses rigidités qui affectent le fonctionnement des marchés.

L’intérêt du modèle à correction d’erreur est donc qu’il permet de

garantir la convergence vers l’équilibre de long terme (pour autant

que les résultats empiriques confirment la validité de l’équation

23 dans notre exemple) et – symétriquement - le théorème de

représentation de Granger énonce qu’une relation de long terme

(au sens de la théorie de la cointégration) admet nécessairement

une représentation sous forme de modèle ECM.

Suivant cette méthodologie, privilégiée notamment dans le modèle

macroéconomique de la Banque d’Angleterre16 , il sera donc possible

de proposer et d’estimer une modélisation sectorielle à la fois cohérente

sur le plan théorique et conforme aux processus dynamiques observables.


15 Les lettres minuscules désignent les variables en logarithme.16 Voir en particulier Harrison et alt. (2005), chapitre 4, p. 61 et sq.

64


1. Les fondements théoriques

On suppose que chaque secteur i produit un bien composite i.

Le modèle s’attache à déterminer les quantités et prix

d’équilibre de long terme en se basant sur les principes utilisés dans

les modèles d’équilibre général calculable. Dans le modèle théorique,

les indice de secteur (i) seront omis afin d’alléger les notations.

1.1 Le ‘prix unitaire de la valeur ajoutée’ : définition

La valeur ajoutée en valeur se décompose selon :

Pyt Yt = Wt Lt + Ckt Kt (1)

où :

Py : prix de la valeur ajoutée du secteur

Y : valeur ajoutée en volume du secteur

W : taux de salaire moyen du secteur

L : emploi du secteur

Ck : coût du capital du secteur

K : stock de capital du secteur

et la décomposition de la production sectorielle en valeur s’écrit :

Pxt QXt = Pyt Yt + Pcit CIt + TAXt ― SUBVt (2)

où :

QX : production en volume du secteur i

Px : prix de la production du secteur

Pci : prix unitaire des consommations intermédiaires du secteur

CI : quantité de consommations intermédiaires

TAX : impôts versés

SUBV : subventions reçues

On pose :

CIt = ci.QXt

où ci est le coefficient des consommations intermédiaires

SUBVt = sv.QXt (3)

où sv est le montant des subventions reçues par unité produite

TAXt = tva.pyt.Yt (4)

où tva est le taux d’imposition sur la valeur ajoutée

Yt = iva.QXt

où iva est la valeur ajoutée en volume par unité produite

Nous définirons dans ce qui suit le ‘prix de la valeur ajoutée’ du

secteur (Py) par l’expression:

Pyt = [Pxt ― Pcit ci + sv] / [iva (1+tva)] 5)

Le prix de la valeur ajoutée (Py) étant déterminé par la suite en

fonction des coûts marginaux, cette expression nous permet de

définir le prix de la production unitaire du secteur :

Pxt = Pyt iva (1+tva) + ci Pcit ― sv (6)

65

Les consommations intermédiaires du secteur (i) peuvent être

désagrégées selon leur secteur de provenance (j), ce qui implique :

CIt = QXt SOMME(ci[j]) (7)

et par conséquent :

ci = SOMME(ci[j]) (8)

Pcit = SOMME(Pqt [j] ci[j]) / ci (9)

1.2 La demande des facteurs

La contrainte technique de production est une fonction de production

CES normalisée (cf. notamment Klump et al., 2008) :

(10)

où :

Y0 , L0 , K0 : valeur ajoutée en volume, emploi et stock de capital à

la date de référence t=0

Alt , Akt : indices de productivité du travail et du capital

π0 = Ck0 K0 / Py0 Y0: part de la rémunération du capital dans la valeur

ajoutée à la date de référence

Py0 Y0 = Ck0 K0 + W0 Y0: valeur ajoutée à la date de référence

Les conditions de premier ordre de l’optimum conduisent à la relation

suivante:

Kt / Lt =( Akt /Alt ) σ − 1 (Ckt / Wt) − σ (K0 / L0) 1 − σ [π0/(1- π0)] σ

Le stock de capital et l’investissement

Si les entreprises sont soumises à une contrainte de demande (Y

donné), le stock de capital qui se déduit de la fonction de production

et de la condition de l’optimum sera :

(11’)

Cette équation peut être approximée log-linéairement sous la forme

suivante :

kt = yt ― σ (ckt ― wt) + (σ― 1) gk.t + k0 (11’)

où Ckt est le coût d’utilisation du capital au sens de Hall-

Jorgenson :

Ckt = Pkt (it+1 ― pk’t+1 + δ) (12)

avec :

Pk: prix de l’investissement, ,

i: taux d’intérêt nominal,

δ: taux de dépréciation du capital,

pk’: taux de variation du prix du capital.

Compte tenu de l’équation d’évolution du stock de capital :

Kt = It + (1―δ).Kt-1 (13)

L’investissement optimal sera :

It = Kt ― (1―δ)Kt-1 (14)

On supposera que la productivité autonome du capital suit une

tendance déterministe :

Akt = (1+gk)t (15)

La demande de travail

La demande de travail sous contraintes de débouchés s’écrit:

(16)


66


ce qui s’exprime en logarithmes :

lt = yt ― σ (wt ― pyt) + (σ ― 1)gl.t + l0 (16’)

On supposera que la productivité autonome du travail suit une

tendance déterministe :

Alt =(1+gl)t (17)

1.3 Demande de travail qualifié et non qualifié

L’emploi total est supposé être une combinaison CES normalisée

de travail qualifié (Lq) et non qualifié (Lnq) :

(18)

où :

Alqt, Alnqt: indice de productivité du travail qualifié et non qualifié

γ0 = Wnq0 Lnq0 / W0 L0: part de la rémunération du travail non qualifié

dans la rémunération totale à la date de référence

W0 L0 = Wnq0 Lnq0 + Wq0 Lq0 : masse salariale à la date de

référence

A l’optimum les demandes de travail qualifié et non qualifié s’écrivent

respectivement :

Lnqt = Lt (Alnqt / Alt)κ−1 (Wnqt /Wt ) −κ (Wnq0 /W0 ) κ−1 γ0 (19)

Lqt = Lt (Alqt/ Alt) κ−1 (Wqt/Wt)−κ(Wq0/W0) κ−1 (1-γ0) (20)

où :

Wnq: taux de salaire de l’emploi non qualifié

Wq: taux de salaire de l’emploi qualifié

On suppose que la productivité autonome du travail de chaque

qualité suit une tendance déterministe :

Alnqt =(1+glnq)t (21)

Alqt =(1+glq)t (21a)

Les équations log-linéaires des demandes de travail non qualifié et

qualifié s’écrivent ainsi respectivement :

lnqt = lt ― κ (wnqt ― wt ) + (κ ―1)( glnq ― gl).t + lnq0 (19’)

où glnq.t est un terme de tendance mesurant la productivité

autonome du travail non qualifié.

lqt = lt ― κ (wqt ― wt ) + (κ ― 1)( glq ― gl).t + lq0 (20’)

où glq.t est un terme de tendance mesurant la productivité autonome

du travail non qualifié

Le taux de salaire moyen du secteur sera une combinaison des taux

de salaire de l’emploi qualifié et non qualifié :

(22)

On en déduit l’équation log-linéaire suivante :

wt = (1―π0)(wqt ― glq.t) + π0 (wnqt ― glnq.t) + gl.t + w0 (22’)

1.4 Détermination du prix de la valeur ajoutée

Compte tenu de la relation comptable (équation 1):

Pyt Yt = Wt Lt + Ckt Kt

où Y est la production du secteur, W le taux de salaire moyen du

secteur, L le niveau d’emploi total du secteur (équation 16), Ck le

coût d’utilisation du capital (donné dans l’équation 12) et K le stock

de capital (équation 11).

On déduit de la demande optimale de facteurs le prix de la valeur

ajoutée:

67

(23)

ce qui conduit à l’approximation log-linéaire suivante:

pyt = π0 (ckt ― qk.t) +(1― π0) (wt ― ql.t) + py0 (23’)

1.5 Partage de l’offre entre exportations et offrede biens sur le marché domestique

La production domestique en valeur du secteur i se décompose en

exportations en valeur et production domestique en valeur :

Px t (Y t / iva) = Pet QEt + Pdt QDt (24)

Où :

Px: prix de la production totale du secteur i

Y / iva: production totale du secteur i

Pe: prix des exportations du secteur i

QE: offre d’exportations du secteur i

Pd: prix du bien du secteur i sur le marché domestique

QD: offre de biens sur le marché domestique du secteur i

Si la production domestique :

- N’est pas vendue sur le marché domestique : Y/iva = QE

- N’est pas vendue à l’exportation : Y/iva = QD

La fonction de transformation de la production domestique entre

ses deux destinations s’écrit (cf Annabi et al., 2003):

(25)

où :

Y0 / iva,QD0 , QE0 : production totale du secteur i, offre de biens sur

le marché domestique du secteur i et offre d’exportations du secteur

i à la date de référence t=0

μ0 = Pe0 QE0 / (Py0 Y0 / iva): part des exportations en valeur dans

la production du secteur i à la date de référence

Px0 Y0 / iva = Pd0 QD0 + Pe0 QE0: production en valeur à la date de

référence

-∞ < ∑ < 0: élasticité de transformation

A l’optimum, la maximisation des recettes (24) sous la contrainte de

la fonction de transformation (25) permet de déterminer l’offre

d’exportations et l’offre de biens sur le marché domestique :

QEt = (Yt / iva) (Pet / Pxt) ―∑ (Pe0 / Px0) ∑ ― 1 μ0 (26)

QDt = (Yt / iva) (Pdt / Pxt) ―∑ (Pd0 / Px0) ∑ ― 1 (1-μ0) (27)

soit :

qet = yt + ∑ (pxt ― pet) + qe0 (26’)

qdt = yt + ∑ (pxt ― pdt) + qd0 (27’)

avec ∑ < 0

Et l’on déduit du partage optimal de l’offre le prix de la production:

Dans la mesure où le prix de la production (Px) est déterminé en

fonction du prix de la valeur ajoutée (équation 6) et que le prix des

exportations est déterminé à l’équilibre de l’offre et de la demande

d’exportation (équation 37), on peut déduire de cette équation

l’expression du prix du bien i sur le marché domestique :

ce qui conduit à l’approximation logarithmique suivante :

pdt = [ 1/ (1― μ0)]pxt ― [μ0/ (1― μ0)] pet + pd0 (28’)


QDt

QD0

QEt

QE0ytiνa

y0iνa0

= [(1 - μ0) ( ) + μ0 ( ) ]τ - 1τ

τ - 1τ

τ

τ- 1

68


1.6 Le partage de la demande entre importationset bien domestique

Domestic absorption in value for good i is decomposed in imports

in value and domestic production in value:

Pqt (1―tq) QQt = Pmt QMt + Pdt QDt (29)

où QQ est l’absorption domestique (somme des consommations

publiques et privées, des investissements, des consommations

intermédiaires), tq le taux de taxes, Pm le prix des importations

en biens du secteur i et QM le volume d’importations en biens du

secteur i.

La fonction d’agrégation d’Armington de l’absorption entre ses

deux composantes s’écrit (cf Annabi et al., 2003):

where:

QQ0, QD0 , QM0 : absorption totale en biens i, demande de biens i

sur le marché domestique et demande d’importations en biens i à

la date de référence t=0

λ0 = Pm00 QM0 / [Pq0 (1―tq0) QQ0]: part des importations en valeur

dans l’absorption à la date de référence

Pq0 (1―tq0) QQ0 = Pd0 QD0 + Pm0 QM0: absorption en valeur à la

date de référence

∞ > α > 0: paramètre de substitution

Si le bien i :

- N’est pas produit sur le marché domestique : QQ = QM

- N’est pas importé : QQ = QD

La minimisation du coût total (30) sous la contrainte de la fonction

d’Armington implique qu’à l’optimum la demande d’importations et

de biens i sur le marché domestique seront respectivement :

QMt = QQt (Pmt / Pqt (1―tq)] ―α [Pm0 / Pq0 (1―tq0)]α ―1 𝜆0 (31)

QDt = QQt [Pdt / Pqt (1―tq)] ―α [Pd0 / Pq0 (1―tq0)]α ―1 (1― 𝜆0) (32)

ou bien, sous forme logarithmique:

qmt = qqt ― α (pmt ― pqt + tq) +qm0 (31’)

qdt = qqt ― α (pdt ― pqt + tq) + qd1 (32’)

Et l’on déduit du partage optimal de l’absorption le prix de

l’absorption:

(33’)

ce qui implique l’équation log-linéarisée suivante:

pqt = tq + λ0 (pmt ― pdt) + pdt + pq0 (33’)

1.7 Détermination du prix et des quantitéséchangées sur le marché domestique

A partir des équations 27 et 32, on déduit le prix et les quantités

échangées sur le marché domestique.

Les quantités échangées de bien i sur le marché domestique, qui

résultent de l’égalisation de l’offre à la demande, sont données dans

l’équation suivante :

QDt = (Yt /iva) α /(α ― τ ) QQt― τ /(α ― τ ) (Pxt / Pqt (1-tq)] α τ /(α ― τ )C1 (34)

where: C1 = [(1― λ0) ― τ /(α― τ ) (1―μ0) α /(α― τ )Px0 α ( τ ― 1) /(α ― τ ) [Pq0

(1―tq0)] ( 1― α)[ ― τ /(α― τ )] ] / Pd0

ce qui donne l’équation log-linéaire :

qdt = [α /(α ― τ)] yt ― [τ /(α ― τ)]qqt + [α τ /(α ― τ)] (pxt ―

pqt + tq) + d0 (34’)

Le prix d’équilibre du bien i sur le marché domestique qui résulte

de l’égalisation de l’offre à la demande est le suivant :

69


Pdt = (iva QQt / Yt ) 1/(α ― τ) [Pqt (1-tq)]α /(α ― τ) Pxt ― τ /(α ―τ) C0

où :

C0 = Pd0 Px0 (τ ―1) /(α ― τ) [Pq0 (1―tq0)]( 1― α)/(α ― τ) [(1― μ0)] [1/(α ― τ)

Puisque la définition du prix domestique est donnée dans l’équation

(28), on peut déterminer le volume de la valeur ajoutée (Y) permettant

de satisfaire l’équilibre du bien i sur le marché domestique:

(35)

où : C2 = [(1―λ0)/(1―μ0)] [Pq0(1―tq0)]1―α Px0 τ ―1

soit, en linéarisant :

yt = qqt + α(pqt - tq) ― τ pxt + (τ ― α)pdt + y0 (35’)

1.8 Détermination du prix et du volume d’exportations

On suppose que la demande étrangère (QE) de biens du secteur i

est de la forme :

QEt = cx Y*t [(1― te) EXR P*t / Pet] χ (36)

où Y*t est le revenu étranger et P*t l’indice des prix étrangers (exprimé

en unités de monnaie étrangère, FCU).

Le rapport Pe / [(1 ― te)EXR] permet de convertir le prix des

exportations en unités de monnaie étrangère, et il tient compte des

taxes à l’importation pratiquées sur les marchés d’exportation (te).

ce qui peut s’écrire en logarithmes :

qet = cx0 + y*t + ∑ (p*t + exrt ― te ― pet) (36’)

On déduit des équations 26 et 36 le prix des exportations qui permet

d’équilibrer l’offre à la demande d’exportations, ainsi que le volume

d’exportations d’équilibre:

Pet = Pxtτ /(τ ―χ) [P*t EXR (1― te)] ― χ /(τ ― χ) [(μ0 Yt) / (cx iva Y*t)]1/(τ ―χ)

(Pe0/Px0) (τ ― 1) / (τ ―χ) (37)

QEt = [Pxt / (P*t (1-te) EXR )] ― τ χ /(τ ― χ) (cx Y*t) τ /(τ ― χ) (μ0 Yt / iva ) ― χ / (τ ―χ)

(Pe0/Px0) χ (1 ― τ) / (τ ― χ) (38)

soit, en logarithmes :

pet = [ τ /(τ ― χ)]pxt ― [ χ /(τ ― χ)] (p*t + exrt ― te) + [1/

(τ ― χ)] (yt ― y*t) + pe0 (37’)

qet = ― [τ χ /(τ ― χ)] [pxt ―(p*t + exrt ― te)] +[ τ /(τ ―χ)]

y*t ― [ χ /(τ ―χ)] yt + qe0 (38’)

1.9 Équations de définition

Prix des importations

Pmt = Pwmt (1+tm).EXRt (39)

Pm : prix des imports de bien i LCUPwm: import price of good i FCU

Pwm : prix des imports de bien i FCU

tm : taux de taxes à l’importation du bien i

EXR : taux de change LCU par FCU

soit, en logarithmes :

pmt = pwmt + tm + exrt (39’)

Prix des exportations en monnaie étrangère (FCU)

Pwet = Pet / (1―te).EXRt (40)

Pe : prix des exports du bien i en monnaie locale (LCU)

Pwe : prix des exports f.o.b du bien i en monnaie étrangère (FCU)

te : taxes à l’exportation du bien i (perçues par les pays importateurs)

EXR : taux de change LCU par FCU

70


soit, en logarithmes, l’expression du prix des exportations en monnaie

locale :

pet = pwet ― te + exrt (40’)

Demande domestique du bien composite i :

QQti = Ct

i + SOMME(Ijti) + GOVti (41)

Où :

C i: consommations finale en biens i

Ij i: investissement des secteurs j en biens i

GOV i: dépenses publiques en bien i

71

2. Les équations du modèle


2.1 Liste des variables et des paramètres du modèle

Les paramètres structurels sont en caractères grecs ou en lettres

minuscules non indicées sur le temps, de même que les

paramètres de politique économique.

Variables endogènes

Py : prix de la valeur ajoutée du secteur

Y : valeur ajoutée en volume du secteur

W : taux de salaire moyen du secteur

L : emploi total du secteur

Lnq : emploi non qualifié du secteur

Lq : emploi qualifié du secteur

K : stock de capital du secteur

QX : production en volume du secteur

Px : prix de la production du secteur

CI : quantité de consommations intermédiaires utilisées dans

le secteur

TAX : impôts versés dans le secteur

SUBV : subventions reçues par le secteur

Px : prix de la production totale du secteur

Pe : prix des exportations de biens i

QE : exportations en volume du secteur

Pd : prix du bien du secteur i sur le marché domestique

QD : ventes en volume de biens sur le marché domestique du secteur

Pm : prix des imports de bien i en monnaie locale (LCU)

Pe : prix des exports du bien i en monnaie locale (LCU)

Pwe : prix des exports f.o.b du bien i en monnaie étrangère (FCU)

QM : importations en volume de biens i

Variables exogènes (au niveau du secteur)

Wnq : taux de salaire de l’emploi non qualifié

Wq : taux de salaire de l’emploi qualifié

Pci : prix unitaire des consommations intermédiaires du secteur i

QQ : absorption domestique en volume (somme des consommations

publiques et privées, des investissements, des consommations

intermédiaires) en biens i

Y*t : revenu étranger

P*t : indice des prix étrangers (en monnaie étrangère).

Pwm : prix des imports de bien i en monnaie étrangère (FCU)

EXR : taux de change (monnaie locale LCU par monnaie étrangères

FCU)

te : taux de taxes sur les exportations du bien i (perçues par les

pays importateurs)

Alt , Akt : indice de productivité du travail et du capital

Alqt , Alnqt : indice de productivité du travail qualifié et non qualifié

Ckt : coût du capital du secteur, qui se décompose en :

Pkt : prix de l’investissement,

it : taux d’intérêt nominal,

pkt’ : taux de variation du prix du capital.

Paramètres de politique économique

tq: taux de taxes à la production du bien i

tm: taux de taxes à l’importation du bien i

sv: subventions reçues par unité produite

tva: taux d’imposition sur la valeur ajoutée

72




∞ > σ >0: élasticité de substitution entre le capital et le travail

(fonction de production)

∞ > κ >0: élasticité de substitution entre l’emploi non qualifié et

l’emploi qualifié (fonction d’agrégation)

-∞ < 𝜆 < 0: élasticité de transformation (fonction de transformation)

∞ > α > 0: paramètre de substitution (fonction d’Armington)

-∞ < -𝜆 < 0: élasticité-prix de la demande étrangèrey

ci: coefficient de consommations intermédiaires

iva: valeur ajoutée en volume par unité produite

2.2 Les équations log-linéaires (relations de long terme)

Les variables en niveau sont représentées en caractères majuscules

et les variables en logarithmes en caractères minuscules.

Les lettres latines indicées par un 0 (par exemple x0) représentent

les termes constants des équations de régression de long terme,

les lettres grecques représentent les paramètres structurels du

modèle théorique.

Les numérotations des équations renvoient à celles du modèle

théorique exposé dans le chapitre II.

Le stock de capital du secteur :

kit = yit ― σ (ckit ― pyit) + (σ−1) gki.t + k0 (11’)

où Ckit est le coût d’utilisation du capital au sens de Hall-

Jorgenson :

Ckit = Pkit (it+1 ― pk’t+1 + δ) (12)

avec :

Pk: prix de l’investissement,

i: taux d’intérêt nominal,


pk’: taux de variation du prix du capital.

et gki mesure le taux de variation de la productivité autonome du capital.

L’emploi total du secteur :

lit = yit + σ (wit ― pyit) + (σ ― 1)gli.t + l0 (16’)

où gli mesure le taux de variation de la productivité autonome du

travail.

L’emploi non qualifié du secteur :

lnqit = lit ― κ (wnqit ― wit ) + (κ ―1)( glnqi ― gli).t + lnq0 (19’)

où :

glnq mesure le taux de variation de la productivité autonome du

travail non qualifié.

wnq est le taux de salaire des non-qualifiés

L’emploi qualifié du secteur :

lqit = lit ― κ (wqit ― wit ) + (κ ― 1)( glqi ― gli).t + lq0 (20’)

où :

glqmesure le taux de variation de la productivité autonome du travail qualifié.

wq est le taux de salaire des qualifiés

Le taux de salaire moyen du secteur :

wit = (1―γ0)(wqit ― glqi.t) + γ0(wnqit ― glnqi.t) + gli.t + w0 (22’)

Le prix de la valeur ajoutée du secteur :

pyit = π0 (ckit ― gki.t) + (1― π0) (wit ― gli.t) + py0 (23’)

Le prix du bien vendu sur le marché domestique :

pdit = [ 1/ (1― μ0)]pxit ― [μ0 / (1― μ0)] peit + pd0 (28’)

73

Le prix de l’absorption en bien i :

pqit = tqi + λ0(pmit ― pdit) + pdit + pq0 (33’)

Les importations en volume en biens i :

qmit = qqit ― α (pmi

t ― pqit + tqi) + qm0 (31’)

où qq est l’absorption domestique en biens i

Les ventes en volume du secteur i sur le marché domestique :

qdit = [α /(α ― τ)] yit ― [τ /(α ― τ)]qqit + [α τ /(α ― τ)] (pxit ―

pqit + tqi) + d0 (34’)

La valeur ajoutée du secteur :

yit = qqit + α(pqit - tqi) ― τ px it + (τ― α)pd it + y0 (35’)

Le prix des ventes du secteur i à l’exportation :

peit = [ τ /(τ ― χ)] pxit ― [ χ /(τ ― χ)](p*t + exrt ― te)+ [1/(τ ―χ)]

(yit ― y*t) + pe0 (37’)

où :

p* : indice des prix étrangers

y* : indice du revenu réel étranger

Les exportations en volume du secteur i :

qeit = ― [τ χ /(τ ― ∑)] (pxit ― p*t ― exrt + te) + [ τ / (τ ― χ)] y*t ―

[ χ / (τ ― χ)] yit + qe0 (38’)

Equations de définition

Les prix à l’importation des biens i :

pmit = pwmi

t + tmi + exrt (39’)

Les prix à l’exportation des biens du secteur i en monnaie

étrangère (LCU)

pweit = peit + tei - exrt (40’)

2.3 Les équations en niveau

Consommations intermédiaires du secteur i :

CIit = cii QXit

où ci est le coefficient des consommations intermédiaires

Subventions reçues par le secteur i :

SUBVit = svi QXit (3)

où sv est le montant des subventions reçues par unité produite

Taxes versées par le secteur i :

TAXit = tvai pyit Yit (4)

où tvai est le taux d’imposition sur la valeur ajoutée

Production totale en volume du secteur i :

QXit = Yit / ivai

où iva est la valeur ajoutée en volume par unité produite

Prix de la production du secteur i :

Pxit = Pyit ivai (1+tvai) + cii Pciit ― svi (6)

Consommations intermédiaires du secteur (i) désagrégées selon

leur secteur de provenance (j) :

CIit = QXit SOMME(cii [j]) (7)


74


Et par conséquent :

cii = SOMME(cii [j]) (8)

Pciit = SOMME(Pqit [j] cii [j]) / cii (9)

Investissement du secteur i:

Iit = Kit ― (1―δ)Ki

t-1 (14)

Demande domestique du bien composite i :

QQti = SOMME(CIjit) + Ct

i + SOMME(Ijti) + GOVti (41)

où :

CIji: consommations intermédiaires des secteurs j en biens i

Ci: consommations finale en biens i

Iji: investissement des secteurs j en biens i

GOVi: dépenses publiques en bien i

75

3. Les estimations économétriques


Stock de capital du secteur i:

kit = yit ― σ (ckit―pyit) + (σ―1) gki.t + k0 (11’)

Emploi total dans le secteur secteur i:

lit = yit +σ (wit―pyit) + (σ―1)gli.t + l0 (16’)

Prix de la valeur ajoutée du secteur i:

pyit = π0 (ckit―gkI.t) + (1―π0) (wit―gli.t) + py0 (23’)

où :

kit stock de capital du secteur i en volume (logarithme)yit valeur ajoutée du secteur i en volume (logarithme)(ckit - pyit) coût d’usage du capital du secteur i en termes réels (logarithme)gki taux de croissance annuel de la productivité du capital du secteur i lit nombre d’heures travaillées dans le secteur i (logarithme)(wi

t - pyit) taux de salaire réel dans le secteur i (logarithme)gli taux de croissance annuel de la productivité du travail dans le secteur ipyit indice du prix de la valeur ajoutée du secteur i (logarithme)

Tableau 3.1 : Les équations de demande de facteurs estimées (long terme

Ainsi que cela est mentionné dans le Tableau 3.1, l’estimation

économétrique se réalise sur le logarithme des différentes variables du

modèle (capital, emploi, salaire, coût du capital, prix de la valeur ajoutée).

En ce qui concerne le calcul du coût d’utilisation du capital (Ckit),

nous avons testé deux mesures :

- la première consiste à calculer le coût d’utilisation du capital au

sens de Hall-Jorgenson (c’est-à-dire en calculant la somme du

taux d’intérêt réel et du taux de dépréciation du capital);

- la seconde utilise le coût d’utilisation unitaire du capital, déduit

de la répartition comptable de la valeur ajoutée.

Sur la base des équations dérivées du modèle théorique, nous

présentons dans cette section l’estimation du bloc de

production de l’industrie manufacturière tunisienne décomposée

en 6 secteurs. Les équations estimées seront d’une part celles

de l’emploi total, du stock de capital, du prix de la valeur ajoutée,

et d’autre part celles de l’emploi décomposé en travailleurs qualifiés

et travailleurs non-qualifiés.

3.1 Les équations estimées

3.1.1. Emploi, capital et prix de la valeur ajoutée

Nous avons procédé à l’estimation des fonctions de demande de facteurs

issues de la fonction de production CES (équation 10). Cela revient à

estimer les équations de demande de capital (équation 11’), de travail

(équation 16’) et du prix de la valeur ajoutée (équation 23’) (Tableau 3.1).

76


Parmi ces deux spécifications possibles, la seconde s’est avérée

beaucoup plus pertinente et elle a donc été retenue pour réaliser

les estimations.

En second lieu, notons que l’emploi (lit) peut être mesuré de deux

façons :

- Soit en termes de stock, c’est-à-dire en retenant le nombre de

personnes employées ;

- Soit en termes de flux, en retenant le nombre total d’heures

travaillées (heures par personne multipliées par le nombre de

personnes employées).

Afin de mesurer au mieux les conséquences d’une variation du

salaire, nous avons retenu la seconde des deux mesures : en effet,

à la suite d’une modification du coût relatif du travail, les entreprises

peuvent être conduites à modifier soit le nombre de personnes

employées, soit le nombre moyen d’heures travaillées.

Dernier point à noter, chaque facteur de production est supposé

affecté d’un taux de croissance propre de sa productivité (gki mesure

le taux de variation de la productivité autonome du capital et gli

mesure le taux de variation de la productivité autonome du travail

dans chaque secteur i). Conformément à la pratique usuelle, nous

avons supposé ce taux de croissance constant dans le temps, ce

qui revient à dire que le ‘progrès technique’ incorporé aux facteurs

suit à long terme une tendance déterministe.

En ce qui concerne l’estimation de ces taux de croissance du progrès

technique (respectivement notés gl et gk), trois formes ont été testées :

la première est celle d’un progrès technique neutre au sens de

Harrod, c’est-à-dire qu’il n’augmente que l’efficacité du travail (gl > 0

et gk = 0). La deuxième est celle d’un progrès technique

n’augmentant que l’efficacité du capital (neutralité au sens de Solow,

gl = 0 et gk > 0). Une dernière forme induit une augmentation

commune aux deux facteurs (neutralité au sens de Hicks, gl = gk > 0).

Telles qu’elles figurent dans le le Tableau III.1, les équations estimées

représentent des relations de long terme, à condition que les conditions

usuelles de cointégration soient satisfaites (les variables du modèles doivent

être intégrées à l’ordre 1 et les résidus des équations intégrés à l’ordre 0).

De ce point de vue, l’un des objectifs de l’estimation consiste à évaluer

la sensibilité à long terme de l’évolution du stock de capital et du niveau

d’emploi à une variation des coûts réels des facteurs (salaire et coût

du capital), par le biais de l’estimation des élasticités de substitution

(σ) entre le capital et le travail, au niveau de chaque secteur étudié.

Ainsi, une forte élasticité de substitution conduira par exemple à une

importante augmentation du rapport capital/travail à la suite d’une

augmentation du prix relatif des facteurs (salaire/coût du capital).

Afin de prendre en compte la dynamique du modèle à plus court

terme, c’est-à-dire en dehors de l’équilibre de long terme, nous

estimons les paramètres supplémentaires du modèle dans le cadre

d’un modèle à correction d’erreurs MCE (Tableau 3.2).

Stock de capital du secteur i :Notation: Δxt = xt ― xt-1

Capital stock of sector i :Δkit = a0 + a1Δ yit + a2Δ yit-1 + a3Δ(ckit ― pyit) + a4Δ(ckit-1 ― pyit-1) + a5Δ kit-1

― γk [ kit ― yit + σ (ckit ― pyit) ― (σ ― 1) gki.t ― k0] + εkt

Emploi total dans le secteur secteur i :Δli

t = b0 + b1Δ yit + b2Δ yit

-1 + b3Δ(wit ― pyit) + b4Δ(wi

t-1 ― pyit-1) + b5Δ lit-1― γl [ lit ― yit ― σ (wi

t ― pyit) ― (σ ―1) gli.t ― l0] + εlt

Prix de la valeur ajoutée du secteur i :Δpyit = c0 + c1Δ ckit + c2Δ ckit-1 + c3Δwi

t + c4Δwit-1 + c5Δpylit-1

― γp [pyit ― π0 (ckit ― gki.t) ― (1― π0) (wit ― gli.t) ― py0] + εpt

Tableau 3.2 : Les équations de demande de facteurs estimées (MCE)

Notation : Δxt = xt ― xt-1

77

d’améliorer la spécification, les paramètres non significativement

différents de zéro n’ont pas été conservés dans le modèle final, et

certaines variables muettes ont été introduites.

Dans sa la forme MCE, le modèle présente un enrichissement notable

de la dynamique : les élasticités de court-terme (coefficients a1, a2,

…. , a5 ; b1, b2, …. , b5 ; c1, c2, …. , c5) peuvent être introduites, et

différer des élasticités de long terme (σ, π0 ,…).

De la même manière, le modèle à correction d’erreurs permet de

mesurer les forces de rappel (γk ,γl ,γp) vers l’équilibre de long terme,

c’est-à-dire la proportion d’une déviation au long terme susceptible

d’être résorbée en une période : la période élémentaire étant ici une

année, l’on s’attend à ce que ces coefficients soient voisins de l’unité

si la variable dépendante n’est pas caractérisée par une forte viscosité.

3.1.2. Emploi qualifié et non qualifié

In aNous avons également procédé à l’estimation de la demande de

travail qualifié/non qualifié (équations 19 et 20 du modèle théorique).

L’objectif consiste ici à évaluer l’effet, à court et à long terme, d’une

variation du salaire relatif sur la structure de l’emploi (qualifiés/non

qualifiés).

Sur un plan théorique, les entreprises gagnent à utiliser relativement

plus de travailleurs qualifiés - en dépit d’un salaire plus élevé – à

conditions que ces derniers présentent des caractéristiques

productives distinctives par rapport aux non qualifiés (ou, en d’autres

termes, que les qualifiés et non qualifiés ne soient pas de proches

substituts). Dans le cas inverse, les entreprises auront intérêt à utiliser

la main-d’œuvre la moins coûteuse.

Il en résulte que le paramètre-clef permettant de mesurer l’effet d’une

variation du salaire relatif sur la structure de l’emploi sera l’élasticité

de substitution entre les deux catégories de salariés.

Le Tableau 3.3 présente les deux équations de demande d’emploi de

long terme (seule l’une d’entre elle est estimée pour cause de redondance),

et ceci pour chacun des 6 secteurs manufacturiers : l’élasticité de

substitution entre travailleurs qualifiés et non qualifiés y est notée κ.


Emploi non qualifié dans le secteur i :lnqit = lit ― κ (wnqit ― wi

t ) + (κ ―1)( glnqi ― gli).t + lnq0 (19’)

Emploi qualifié dans le secteur :lqit = lit ― κ (wqit ― wi

t ) + (κ ― 1)( glqi ― gli).t + lq0 (20’)

où :

glnq taux de variation de la productivité autonome du travail non qualifié.wnq taux de salaire des non-qualifiés glq taux de variation de la productivité autonome du travail qualifiéwq taux de salaire des qualifiése

Tableau 3.3 : Les équations de demande d’emploi par qualification (long terme)

Notons que la distinction travailleur qualifié / non qualifié est ici

appréhendée sous l’angle du diplôme et non sur celui de la nature

du métier : dans nos estimations, les qualifiés ont été définis comme

titulaires d’un diplôme d’enseignement supérieur, tandis que les non-

qualifiés regroupent les autres individus. Les termes utilisés dans

notre présentation (« qualifiés » et « non-qualifiés » ) ont donc un

caractère volontairement simplificateur et très schématique.

Afin de compléter l’estimation, nous avons replacé les équations de

long terme dans le cadre plus général de modèles à correction

d’erreur. La forme générique des équations dynamiques estimées

est donnée dans le Tableau 3 .4. Comme précédemment, les

coefficients de court terme non significatifs ont été supprimés des

équations finales.

78


3.2 Les données

La période d’estimation s’étend de 1983 à 2009. Les données

proviennent des comptes nationaux annuels pour l’économie

tunisienne. Six secteurs manufacturiers sont analysés.


Secteur 3 : Industries Matériaux de Construction Céramiques et

Verre (MCCV)



Secteur 6 : Industries Textile Habillement et Cuirs (THC)

Secteur 7 : Industries Diverses (DIVERSES)

Avant de procéder à l’estimation économétrique, nous avons

testé l’ordre d’intégration des séries utilisées à l’aide du test de

Dickey-Fuller Augmenté (ADF).

Les résultats indiquent que l’ensemble des séries testées sont

toutes intégrées d’ordre 1.

3.3 La méthode d’estimation

Le faible nombre d’observations disponibles (au maximum 27)

ainsi que la présence de paramètres communs à estimer dans

les différentes équations de long terme (élasticités de substitution,

taux de croissance du progrès technique) nous ont incités à

estimer ces équations simultanément.

Nous avons par conséquent procédé en deux étapes:

3. Dans la première étape, nous avons estimé les relations de long

terme, en niveau, des équations 11’, 16’, 20’ et 23’ grâce à un

système d’équations simultanées par la méthode SUR (Seemingly

Unrelated Regression).

4. Dans la deuxième étape, nous avons estimé quatre MCE (Modèle

à Correction d’erreurs) en imposant dans ces derniers les

relations estimées dans la première étape comme solution de

long terme.

3.4 Les principaux résultats

Avant de commenter les résultats, notons que l’ensemble des

MCE ont des propriétés statistiques satisfaisantes. Les tests LM



du test de White et du test ARCH. La forme fonctionnelle de l'équation

est validée par le test Reset. Enfin, selon le test de Bera Jarque, les

résidus de toutes les équations suivent une loi normale.

Les principaux résultats sont résumés dans le Tableau 3.5 :

• Il existerait une substituabilité relativement forte entre le capital

et le travail dans les 4 secteurs suivants : l’élasticité de substitution

est proche de l’unité dans le secteur des Industries Agro-

Notation : Δxt = xt ― xt-1

Emploi non qualifié dans le secteur i :Δlnqit = d0 + d1Δ lit + d2Δ lit-1 + d3Δ(wnqit ― wi

t) + d4Δ(wnqit-1 ― wit-1) + d5Δ lnqit-1

― γnq [ lnqit ― lit + κ (wnqit ― wit ) ― (κ ― 1)( glnqi ― gli).t ― lnq0 ] + εnqt

Emploi qualifié dans le secteur i :Δlqit = g0 + g1Δ lit + g2Δ lit-1 + g3Δ(wqit ― wi

t) + g4Δ(wqit-1 ― wit-1) + g5Δ lqit-1

― γq [lqit ― lit + κ (wqit ― wit ) ― (κ ― 1)( glqi ― gli).t ― lq0] + εqt

Tableau 3.4 : Les équations de demande d’emploi par qualification (MCE)

79

alimentaires ainsi que dans celui des industries Mécaniques et

Électriques (secteurs 2 et 4). L’élasticité de substitution est voisine

de 0,7 dans le secteur des Matériaux de Construction,

Céramiques et Verre et dans la Chimie (secteurs 3 et 5). Notons

toutefois que la valeur de ces élasticités est sans doute

surestimée par la prise en compte de la durée du travail dans le

facteur travail. Autrement dit, ce n’est pas une élasticité entre le

stock de capital et le stock de travail qui est estimée ici mais

entre le stock de capital et le volume horaire.

• En revanche, il semble y avoir une forte complémentarité entre

le capital et le travail dans les deux derniers secteurs étudiés,

à savoir celui du Textile, Habillement et Cuirs et les industries

diverses (secteurs 6 et 7). Ceci implique que dans ces secteurs,

et contrairement aux secteurs précédents, une variation du coût

relatif du travail par rapport au capital aura peu d’impact à

long terme sur l’intensité capitalistique (stock de capital par

travailleur).

• D’après nos estimations, il apparaît que la formulation d’un

progrès technique neutre au sens de Hicks soit la seule à être

acceptée dans les 6 secteurs étudiés. Dans les secteurs 2, 6

et 7, le taux de croissance estimé du progrès technique

(paramètres gk et gl, qui sont identiques dans la neutralité au

sens de Hicks) est compris entre 1 et 2 % par an. Il est voisin

de 2,7 % dans le secteur 4 et supérieur à 5 % dans les secteurs

3 et 5.

• Dans tous les secteurs étudiés, il ressort une forte élasticité de

substitution entre l’emploi qualifié et non qualifié allant de 3,3






supérieure de 3% à 6% à celle des non-qualifiés. En d’autres

termes, un resserrement de l’écart des salaires entres qualifiés

et non-qualifiés constituerait, selon cette estimation, un moyen

efficace d’améliorer « l’employabilité » des diplômés. Une

interprétation possible de ce résultat est que, en moyenne, les

diplômés ne disposeraient peut-être pas de suffisamment de

savoir-faire spécifique, propre à les distinguer des non-qualifiés,

les deux catégories étant alors par conséquent perçues par les

entreprises comme des substituts plutôt que comme des

compléments dans le processus de production.

• Pour conclure, il convient de rappeler que les élasticités de long

terme par rapport aux quantités ont été fixées à l’unité, pour

d’évidentes questions de cohérence théorique : ainsi, lorsque

la quantité totale de travail augmente de 1%, la quantité d’heures

des travailleurs qualifiés et des travailleurs non qualifiés augmente

identiquement de 1% (toutes choses égales par ailleurs). De la

même manière, lorsque la demande de biens (mesurée par la

valeur ajoutée en volume) augmente de 1%, la quantité de capital

et de travail augmente identiquement de 1%.


Tableau 3.5 : Principaux résultats des estimations sectorielles

Secteur 2 3 4 5 6 7


Elasticité de substitution K/L 0,99 0,74 0,98 0,67 0,06 0,14

Elasticité de substitution Qualifié/Non qualifié 5,40 4,10 6,01 3,29 4,67 5,55

Progrès technique neutre…

… au sens de Hicks (%) 1,97 5,11 2,68 5,28 1,06 1,67

Paramètres du MCE

Force de rappel de l’emploi 0,40 0,21 0,32 0,12 0,21 0,31

Force de rappel du capital 0,05 0,13 0,07 0,06 0,14 0.04


80


Afin d’illustrer le processus dynamique des différentes variables

et leur sensibilité à leur déterminants économiques, nous avons

procédé à la mesure des réponses sectorielles à certains chocs

économiques.

3.4.1. Réponse de l’emploi à un choc de demande et decoût

Deux chocs ont été simulés ici :

1. Le premier consiste en une augmentation de 1% de la valeur ajoutée

2. Le second choc réside dans une hausse de 1% du salaire réel



Tableau 3.6 : Réponse dynamique d’un choc de 1% de la VA et du salaire réel (WR) sur l’emploi

T 1 an 2 ans 3 ans 4 ans Long terme

IAA

VA 0.31 0.46 0.62 0.71 0.79 1

RW -1.16 -0.63 -0.97 -0.84 -0.94 -0.98

MCCV

VA 0.85 0.88 0.38 0.52 0.62 1

RW 0 -0.77 -0.76 -0.75 0.74 -0.73

IME

VA 0.44 0.62 0.74 0.82 0.88 1

RW -0.21 -0.46 -0.62 -0.73 -0.81 -0.97

CHIMIE

VA 0.19 0.30 0.28 0.31 0.32 1

RW -0.22 -0.06 -0.01 -0.20 -0.28 -0.67

THC

VA 0.37 0.50 0.61 0.69 0.76 1

RW -0.47 -0.38 -0.31 -0.26 -0.21 -0.05

DIVERSES

VA 0.53 0.68 0.78 0.85 0.90 1

RW 0 -0.04 -0.07 -0.09 -0.11 -0.13


81


Variation de l’emploi (en %) à la suite d’une augmentation de 1% de la valeur ajoutée

Variation de l’emploi (en %) à la suite d’une augmentation de 1% du salaire réel

82


Tableau 3.7 : Réponse dynamique d’un choc de 1% de la VA et du coût réel (CKR) sur le stock de capital

T 1 ans 2 ans 3 ans 4 ans Long terme

IAA

VA 0,318 0,51 0,71 0,83 0,91 1

CKR -0,10 -0,27 -0,40 -0,50 -0,64 -0,98

MCCV

VA 0,17 0,36 0,58 0,78 0,93 1

CKR -0,14 -0,29 -0,45 -0,61 -0,73 -0,73

IME

VA 0 0,18 0,42 0,65 0,83 1

CKR 0 -0,07 -0,21 -0,39 -0,56 -0,97

CHIMIE

VA 0 0,15 0,25 0,39 0,52 1

CKR -0,03 -0,15 -0,24 -0,34 -0,43 -0,67

THC

VA 0,27 0,50 0,67 0,79 0,87 1

CKR -0,008 -0,028 -0,036 -0,042 -0,047 -0,05

DIVERSES

VA 0 0,04 0,10 0,17 0,24 1

CKR -0,04 -0,07 -0,08 -0,09 -0,10 -0,13

Sources : Comptabilité nationale, calculs ITCEQ/DEFI.

3.4.2. Réponse du capital à un choc de demande et decoût

Deux chocs ont également été simulés pour le capital :

3. Une augmentation de 1% de la valeur ajoutée

4. Une hausse de 1% du coût réel du capital



83



40


42

!

84

Cette étude pose les premiers jalons d’une modélisation macro-

sectorielle de l’économie tunisienne. Elle s’est limitée à la spécification

théorique des industries manufacturières et à l’estimation

économétrique du bloc de production (demande de facteurs et prix

de la valeur ajoutée).

Sur le plan théorique, les différentes équations s’appuient sur les

principes mis en œuvre dans les modèles d’équilibre général

calculables (MEGC), tandis que sur le plan économétrique, les

estimations exploitent les propriétés des modèles à correction

d’erreur (MCE).

A ce titre, la modélisation proposée satisfait aux conditions de

cohérence interne des solutions de long-terme et de cohérence

externe par rapport aux données observables.

Les estimations effectuées présentent un certain nombre de résultats

dignes d’intérêt :

- Pour la plupart des secteurs industriels, les élasticités de

substitution sont voisines de l’unité, ce qui coïncide avec

l’hypothèse traditionnelle de fonctions de production de type

Cobb-Douglas. Pour certains secteurs au contraire (Textiles,

Habillement, Cuirs et Industries Diverses), c’est plutôt l’hypothèse

d’une fonction de production à facteurs complémentaires qui

paraît adéquate.

- Globalement, le travail qualifié et non qualifié se révèlent de

proches substituts, ce qui rend très sensible la proportion utilisée

de ces deux types d’inputs à une modification de leur coût relatif.




de coûts réels, il faut généralement trois à quatre années pour

observer un ajustement significatif des quantités de travail et

de capital.


présupposés théoriques et les méthodologies économétriques mises



extérieur – qui restent à faire – doivent pouvoir être finalisées à

relativement brève échéance.


Conclusion

85


Bibliographie


et Paramétrisation dans les MCEG, CREFA, Université de

Laval.

Harrison R., Nikolov K., Quinn M., Ramsay G., Scott A. and

Thomas R. (2005), The Bank of England Quarterly Model,

www.bankofengland.co.uk/publications/beqm/

Klump R., McAdam P., Willman A. (2008), Unwrapping some euro

area growth puzzles: Factor substitution, productivity and

unemployment. Journal of Macroeconomics 30, 645–666

Lofgren H., Harris R.L., Robinson S. (2002), A standard computable

general equilibrium model in GAMS. Microcomputer in Policy

Research 5, International Food Policy Research Institute.

Chapitre II

Modélisation sectorielle des exportationstunisiennes

87


Table des matières

88 Introduction

90 1. Présentation des équations d’exportations sectorielles vers l’Europe90 1.1 La demande européenne d’importations tunisiennes : le cadre géréral90 1.1.a Le demande européenne d’importations en produit (i)90 1.1.b Le partage des importations européennes en produit (i)91 1.1.c L’équation d’exportations tunisiennes de produit (i) vers l’Europe91 1.2 L’estimation de l’équation d’exportations sectorielles tunisiennes : le modèle à correction d’erreurs91 1.2.a Le modèle à correction d’erreurs93 1.2.b Estimations de modèles dynamiques en Panel

94 2. Estimations économiques des équations d’exportations sectorielles tunisiennes95 2.1 Les données95 2.2 La méthode d’estimation95 2.3 Principaux résultats95 2.3.1 L’agriculture98 2.3.2 Le secteur des IAA101 2.3.3 Le secteur des matériaux de construction céramiques et verre (MCCV)103 2.3.4 Le secteur des Industries mécaniques et électriques105 2.3.5 Le secteur de la chimie108 2.3.6 Le secteur textile habillement et cuirs110 2.3.7 Le secteur «divers»112 2.3.8 Le secteur des hydrocarbures et produits raffinés114 2.3.9 Le total des Biens116 2.3.10 Synthèse

118 3. Les estimations économiques des équations d’exportations sectorielles tunisiennes en panel dynamique118 3.1 Les données121 3.2 La méthode d’estimation121 3.3 Les principaux résultats121 3.3.1 Le modèle ADL en niveau dans le cas de prix des pays de l’UE (LPUE)122 3.3.2 Le modèle ADL en niveau dans le prix des concurrents (LPCON)124 3.3.3 Le modèle ADL en différences premières dans le cas de prix des pays de l’UE (DLPUE)125 3.3.4 Le modèle ADL en premières différences dans le cas de prix des pays concurrents (DLPCON)127 3.3.5 Le modèle à correction d’erreur (MCE) dans le cas de prix des pays de l’UE (LPUE)128 3.3.6 Le modèle MCE dans le cas de prix des pays concurrents (LPCON)

131 4. Les prolongements possibles de l’analyse économétrique131 4.1 Une maquette des échanges extérieurs ( en volume et en prix )131 4.1.1 La fonction d’importation en volume131 4.1.2 La fonction de prix des exportations132 4.1.3 La fonction de prix des importations132 4.2. Modélisation VAR à partir de l’équation de cointégration132 4.3. Non-linéarités132 4.3.1. Variation dans le temps de l’élasticité-revenu133 4.3.2. Variation dans le temps de l’élasticité-prix134 4.4. Rationnement quantitatif par l’offre ou par la demande

136 Conclusion

137 Bibliographie

88


Introduction

Cette étude s’attache à analyser les déterminants des

exportations tunisiennes, décomposées en 8 secteurs. Par ce

biais, elle permet d’évaluer quantitativement la dynamique sectorielle

des exportations à la suite de variations de la demande adressée

et des prix relatifs.

Cette application se limitera à l’étude des exportations tunisiennes

en direction de l’Europe, qui représente l’essentiel des exportations

tunisiennes, sur la base de données annuelles de la période 1988-

2008.

Dans une première section, nous suggérons une modélisation de

la demande d’importations européennes en produits tunisiens qui,

suivant les modélisations usuelles des fonctions d’importation17,

conduit à introduire trois variables explicatives potentielles :



- l’indice des prix européen;


européen.

Cette modélisation théorique constitue ainsi une extension des

modèles d’exportations conventionnels18.

Nous suggérons ensuite une méthodologie d’estimation économétrique

de cette modélisation basée sur les modèles à correction d’erreur.

Cette technique permet d’établir une distinction entre les élasticités

de court terme et les élasticités de long terme des importations

sectorielles européennes.

Dans une seconde section, nous présentons les résultats obtenus

par l’application de cette méthodologie économétrique sur les

exportations tunisiennes de biens, décomposées en 8 secteurs (plus

les exportations totales de biens). En contraignant l’élasticité de long

terme de la demande à une valeur unitaire, notre application vise à

rendre compte de l’évolution des parts de marché des exportations

tunisiennes vers les pays européens.

Nous présentons ensuite dans une troisième section quelques

estimations utilisant la méthode des panels dynamiques.

Enfin, dans une quatrième section, nous suggérons quelques

extensions intéressantes sur le plan de la modélisation, qui pourront

être entreprises dans le prolongement du travail déjà réalisé :

- En premier lieu, nous proposons de compléter les équations

estimées par une maquette sectorielle de modélisation des

prix et des quantités (importations et exportations), ce qui peut

permettre de déterminer les flux nominaux et les soldes

commerciaux par secteur.

- En second lieu, nous suggérons quelques pistes de modélisation

et d’estimation introduisant des non-linéarités. Celles-ci ont pour

objectif de prendre en compte l’éventualité d’élasticité variant

17 Voir par exemple Annabi N., Cockburn J., Decaluwé B. (2003) pour une présentation des fondements microéconomiques des fonctions de demande.18 Voir par exemple Wong (2008) pour une application récente au cas de la Malaisie.

89

dans le temps. Ainsi par exemple, les élasticités-prix peuvent se

révéler plus faibles lorsque les différentiels de prix sont peu

importants et beaucoup plus significatives lorsque les différentiels

de prix augmentent, du fait de l’existence de coûts de

transactions.

- Enfin, nous proposons d’intégrer au modèle l’existence de

contraintes d’offre. En effet, la modélisation précédente se limite

à la spécification et à l’estimation de fonctions de demande

européenne sectorielle de produits tunisiens. Cependant, et

notamment en présence de rigidités des prix, les quantités

exportées peuvent être limitées par l’offre disponible et, de ce

fait, les exportations effectives sont susceptibles de ne pas

correspondre en permanence à la demande européenne qui leur

est adressée. A cet égard, nous proposons une méthode

permettant l’estimation d’un modèle de rationnement quantitatif.


90

1. Présentation des équations d’exportations

sectorielles vers l’Europe

1.1 La demande européenne d’importationstunisiennes : le cadre général

1.1.a. La demande européenne d’importations en produit(i)

La fonction de demande européenne pour l’importation d’un produit

(ou secteur) i est de la forme :

(1) MiE = θΕ Yσ1 (Pi

E / Py)σ2

Où :

MiE : importations européennes en produit (i), en volume),

Y : revenu européen global, en volume

PiE : indice des prix des importations européennes en produit (i)

Py : indice des prix de la production européenne globale

θΕ : est un paramètre d'échelle

Les élasticités vérifient à priori les conditions suivantes:

Elasticité-revenu : σ1 >0

Elasticité-prix des importations européennes : σ2 <0

Sur un plan théorique, on peut souligner les points suivants :

- dans la maximisation d’une fonction d’utilité basée sur une

fonction CES, l’élasticité-revenu (σ1) est nécessairement égale

à 1 (cf. Annabi et al., 2003).

- l’élasticité-prix de la demande d’importations (σ2) est liée à

l’élasticité de substitution entre les importations européennes et

la production domestique. Si les importations vers l’Europe sont

de parfaits substituts à la production locale, l’élasticité-prix tendra

vers moins l’infini, tandis que si elles sont complémentaires,

l’élasticité-prix tendra vers zéro.

Remarques complémentaires :

- Cette équation peut permettre d’analyser les importations d’un

pays européen pris isolément plutôt que pour l’ensemble de la

zone. Dans ce cas, Y et Py représenteront respectivement le

revenu et l’indice de prix intérieur du pays européen considéré.

- On peut considérer d’autres indicateurs de la demande, tels la

consommation ou l’investissement plutôt que le PIB global

(Y), si l’on considère que certains produits exportés vers

l’Europe ne satisfont que la demande de consommation (ou

alternativement la demande d’investissement). Il faut alors retenir

comme indice de prix global l’indice des prix de la consommation

- ou de l’investissement – selon l’indicateur de demande

approprié.

1.1.b. Le partage des importations européennes en produit (i)

Le partage des importations européennes peut s’écrire sous la forme

suivante :

(2) MiT = θΤ Mi

Eσ3 (PiT / Pi

E)σ4

Dans notre cas, MiT représente les importations européennes en

produit (i) et en volume en provenance de la Tunisie (ou bien les

exportations tunisiennes vers l’Europe).

De la même manière, PiT représente l’indice des prix des importations

européennes en produit (i) en provenance de la Tunisie.


91


Les élasticités vérifient les conditions suivantes:

- Elasticité des importations en provenance de Tunisie par rapport

aux importations totales : σ3>0

- Elasticité-prix des importations en provenance de Tunisie par

rapport aux importations européennes totales, pour le produit

(i): σ4<0

Sur un plan théorique, l’élasticité-prix des importations en provenance

de Tunisie (σ4) traduit l’élasticité de substitution entre les importations

en provenance de Tunisie et les importations en provenance des

autres pays. Si les importations en provenance de Tunisie sont de

parfaits substituts aux importations en provenance des autres pays,

cette élasticité-prix tendra vers moins l’infini, tandis que si elles sont

complémentaires, l’élasticité-prix tendra vers zéro.

1.1.c. L’équation d’exportations tunisiennes de produit(i) vers l’Europe

Il résulte des deux équations précédentes l’expression de la demande

européenne en produits Tunisiens du secteur (i) :

(3) MiT = θΤ θΕ

σ3 Y σ3σ1 (PiE / Py ) σ3σ2 (Pi

T / PiE)σ4

Cette expression permet de faire apparaître :

- L’élasticité-revenu des importations de produit (i) en provenance

de Tunisie vers l’Europe (σ3σ1>0)

- L’élasticité-prix des importations de produit (i) en provenance

de Tunisie vers l’Europe (σ4<0)

L’estimation de l’équation d’importations de produits (i) en provenance

de Tunisie vers l’Europe se réalise en prenant le logarithme de l’équation

précédente afin d’obtenir un modèle linéaire :

(4) miT = χ0 y + β1 (piE - py) + β2 ( piT - piE ) + c

où :

miT = log(Mi

T) ; y = log(Y) ; py = log(Py) ; piE = log(PiE) ; piT = log(Pi

T)

χ0 = σ3σ1 ; β1 = σ3σ2 ; β2 = σ4 ; c= log(θΤ θΕσ3)

1.2 L’estimation de l’équation d’exportationssectorielles tunisiennes : le modèle à correctiond’erreurs

1.2.a. Le modèle à correction d’erreurs

L’équation économétrique à estimer sera ainsi de la forme :

(5) miT(t) = χ0 y(t) + β1 (piE(t) - py(t)) + β2 (piT(t) - piE(t)) + c + e(t)

où e(t) est le résidu.

Les paramètres estimés de cette équation nous donneront ainsi les

élasticités totales de long terme, par rapport au revenu européen

(χ0 > 0) et par rapport aux prix tunisiens (a2<0).

Ainsi :

- une augmentation du revenu européen de 1% se concrétisera,

à long terme, par une augmentation de χ0% des exportations

tunisienne de produit (i) vers l’Europe (ceteris paribus).

- une augmentation des prix européens de 1% se concrétisera,

à long terme, par une augmentation de - β1% des exportations


- une augmentation des prix tunisiens de 1% se concrétisera, à

long terme, par une diminution de - β2% des exportations


- une augmentation du prix total des importations européennes

de 1% se concrétisera, à long terme, par une variation de

(β1 - β2)% des exportations tunisienne de produit (i) vers l’Europe

(ceteris paribus).

La stratégie d’estimation du modèle dépend des propriétés

statistiques des séries modélisées.

92

Si l’on considère par exemple – ce qui semble une hypothèse de

départ raisonnable, à confirmer par les tests économétriques

adéquats19 – que les variables du modèles sont I(1) selon la

terminologie de Engle et Granger (1987)20 , c’est-à-dire si :

miT(t) ~ I(1)

y(t) ~ I(1)

[piE(t) - py(t)] ~ I(1)

[piT(t) - piE(t)] ~ I(1)

on peut procéder à l’estimation du modèle en deux étapes afin

de calculer les élasticités de long terme (par le biais de l’estimation

de la relation de cointégration 5) et les élasticités de court terme

(par le biais de l’estimation du modèle à correction d’erreurs

présenté ci-dessous).

L’estimation en deux étapes se réalise de la façon suivante :

1. Après avoir vérifié que les variables d’intérêt sont bien I(1), on

estime la relation de cointégration (ou relation de long terme)

suivante :

miT(t) = χ0 y(t) + β1 (piE(t) - py(t) ) + β2 ( piT(t) - piE(t) ) + c + ê(t)

2. On teste alors si les résidus estimés ê(t) sont I(0) au moyen des

tests de cointégration de Engle et Granger (1981) par exemple.

3. Si l’étape précédente valide l’existence d’une relation de

cointégration, on estime enfin le modèle à correction d’erreurs

sous la forme suivante :

ΔmiT(t) = b1Δmi

T(t-1) + b2Δy(t) + b3 Δ[piE(t) - py(t)] + b4 Δ[piT(t) - piE(t)]

+ c0 + γ ê(t-1) + ε(t)

Cette expression permet de faire apparaître la valeur de court

terme des élasticités-revenus (b2) et des élasticités-prix (b3

,b4), en plus des élasticités de long terme précédemment

estimées.

L’intuition de cette représentation est la suivante : l’équation (5)

décrit la valeur « d’équilibre » des importations tunisiennes,

conditionnellement à un revenu et des prix relatifs donnés.

Cependant, à la suite d’un choc affectant le revenu ou les prix

relatifs, les importations tunisiennes ne s’ajusteront pas

instantanément mais convergeront plus ou moins rapidement vers

leur nouvel équilibre. La vitesse d’ajustement vers le nouvel équilibre

est liée à la valeur du paramètre γ (étant donné que γ<0): si γ est

voisin de -1, l’ajustement des importations vers le nouvel équilibre

sera long (ce qui traduit une forte inertie des importations par rapport

à la demande européenne), tandis qu’il sera rapide si γ est

voisin de 0.

L’effet instantané du choc affectant le revenu ou les prix

relatif est mesuré respectivement par les paramètres b2 , b3

et b4.

Cette représentation peut permettre de simuler les trajectoires

attendues des exportations tunisiennes sous différents scénarios

d’évolution des prix relatifs et du revenu.

Notons pour terminer que si l’approche en deux étapes permet

de présenter de façon intuitive la distinction entre élasticités de court

terme et élasticités de long terme, l’estimation en une étape suggérée

par Pesaran et al. (2001), complétée par les valeurs-critiques

tabulées pour de petits échantillons par Narayan (2004) apparaît

économétriquement plus satisfaisante et plus générale que

l’approche en deux étapes présentée ici.


19 Il s’agit ici de mettre en œuvre les tests usuels de racine-unitaire, par exemple le test de Dickey et Fuller (1981).20 Intuitivement, une série temporelle x(t) est intégrée à l’ordre un (et notée I(1)) si elle contient une racine-unitaire, c’est-à-dire si elle suit un processus de la forme : x(t) = a.x(t-1)+ b(L).Δx(t-1) + u(t) , où b(L) est un polynôme de retard, avec a=1. La série x(t) sera I(0) si a<1.

93

1.2.b. Estimations de modèles dynamiques en Panel

L’objectif affiché étant une estimation secteur par secteur des élasticités-

prix aux exportations tunisiennes, l’estimation en panel n’apparaît pas

pertinente. Toutefois, si les estimations sectorielles s’avéraient décevantes

(peu robustes ou éloignées des a priori théoriques), l’estimation en

Panel dynamique pourrait être envisagée : soit de façon globale, soit

par un regroupement de secteurs à caractéristiques proches.


94


2. Estimations économétriques des équations d’exportations

sectorielles tunisiennes

La modélisation proposée dans la section précédente suggère trois

variables explicatives potentielles des exportations tunisiennes:



- l’indice des prix européens;


européen.

Cependant, les estimations préliminaires des fonctions d’exportations

par secteur ont révélés des problèmes de colinéarité entre les

différents indices de prix qui rendaient difficilement interprétables

les coefficients estimés. Nous avons donc été conduits à retenir la

spécification dynamique suivante, qui se restreint à la prise en compte

d’un seul prix relatif (noté p), qui comme cela est précisé ci-dessous,

pourra prendre deux spécifications différentes:

(6) Δx(t) = ρΔx(t-1) + α0Δd(t) + α1Δd(t-1) + α2 Δd(t-2) + φ0Δp(t)

+ φ1Δp(t-1) + φ2Δp(t-2) + γ [ x(t-1) - βp(t-1) – d(t-1) + μ.t]

+ εt

Où :

x : logarithme des exportations tunisiennes vers l'Union Européenne

(UE) en milliers d’euros constants base 100= 2005 (compilées à

partir de comext).

d : logarithme de la demande adressée à la Tunisie par l'UE à prix

constants (compilée à partir de comext). La demande adressée sera

exprimée de deux façons alternatives :

- La première prend en considération la demande adressée sur

l’ensemble des produits du secteur considéré (Agriculture, IAA,…);

- La seconde limite la demande adressée aux principaux produits

exportés par la Tunisie dans un secteur donné (Agriculture, IAA,…).

En effet, il existe une forte hétérogénéité dans la composition en

produits de chaque secteur, et, sous cette forme, la demande

adressée peut s’avérer plus représentative pour modéliser les


p : logarithme du prix relatif des exportations tunisiennes. Ce prix

relatif sera exprimé de deux façons alternatives :

- La première retient un indice de prix relatifs sectoriel des

exportations de la Tunisie par rapport aux importations de l'UE

du même secteur;

- La deuxième utilise un indice de prix relatifs des exportations de

la Tunisie par rapport à celles des principaux concurrents sur

le marché Européen.

Ainsi, pour chaque secteur, quatre formulations ont été estimées selon

que la demande adressée soit calculée sur l’ensemble des produits ou

restreinte aux principaux produits, et selon que le prix relatif soit calculé

en fonction des prix des concurrents ou de celui des pays de l’Union

Européenne.

Rappelons que dans ce modèle à correction d’erreurs (MCE), le terme

entre crochets [ x(t-1) - βp(t-1) – d(t-1)] représente l’écart par rapport à

l’équilibre de long terme, dans lequel les élasticités de long terme sont

égales à 1 par rapport à la demande adressée (on modélise en fait

l’évolution des parts de marché de la Tunisie sur le marché européen)

et à β par rapport au prix relatif.

Le terme μ.t représente la tendance déterministe éventuelle des

parts de marché, qui s’accroissent annuellement au taux μ.

95

Enfin, notons que les variables notées Δx représentent la variation

de x, et que des variables muettes ont parfois été incluses dans le

modèle de régression.

2.1 Les données

La période d’estimation s’étend de 1988 à 2008 en données

annuelles. La base de données a été construite au sein de l’équipe

de l’ITCEQ et elle comporte les 8 secteurs suivants :

Secteur 1 : Agriculture (Agr)


Secteur 3 : Matériaux de Construction Céramiques et Verre (MCCV)



Secteur 6 : Industries Textile, Habillement et Cuirs (THC)

Secteur 7 : Industries Diverses (DIVERS)

Secteur 8 : Hydrocarbures (Hyd)


La méthode d’estimation retenue ici est celle d’un Modèle à

Correction d’Erreurs (MCE) estimé en une étape, selon l’approche

suggérée par Pesaran et al. (2001). Il s’agit ici d’estimer une forme

non contrainte de l’équation (6) :

Δx(t) = ρΔx(t-1) + α0Δd(t) + α1Δd(t-1) + α2 Δd(t-2) + φ0Δp(t) +

φ1Δp(t-1) + φ2Δp(t-2) + a.x(t-1) + b.p(t-1) + c.d(t-1) + εt

et de tester la significativité du paramètre (a) : si celui-ci est

significativement différent de zéro, on en conclut qu’il existe bien un

mécanisme à correction d’erreurs, et l’on peut déterminer aisément les

coefficients de long terme à partir des paramètres estimés a, b et c.

Avant de procéder à l’estimation économétrique, nous avons testé

l’ordre d’intégration des séries utilisées à l’aide du test ADF. Les

résultats indiquent que l’ensemble des séries testées sont toutes

intégrées d’ordre 1.

2.3 Principaux résultats

2.3.1. L’agriculture

Les principaux résultats, pour les quatre spécifications testées pour

ce secteur, sont résumés dans le tableau 1 :

• La valeur de l’élasticité de long terme de la demande adressée

aux exportations a été imposée à l’unité. Notons que, dans les

tests préliminaires, cette restriction est acceptée plus facilement

en utilisant la demande adressée calculée sur la base des

principaux produits.

• Lorsque l’on utilise la demande adressée « Total produits », un

trend positif ressort significativement dans nos estimations,

représentatif d’un gain tendanciel de part de marché dans ce

secteur.

• Les élasticités-prix de long terme ont le signe attendu dans 3




cette élasticité apparaît faible, de l’ordre de -0,2 dans le cas des

prix des concurrents et de -0,3 dans celui des pays de l’UE, ce

qui impliquerait que les produits tunisiens du secteur ont peu

de substituts sur le marché d’importation de l’Union Européenne.

• Les MCE utilisant la demande adressée « Total Produits » ont






Bera-Jarque, les résidus de toutes les équations suivent une loi




96


A l’issue de ces estimations, il semble que la meilleure équation est

celle utilisant la demande adressée « Total produits » et prenant


Le graphique 1.1 illustre l’ajustement statique sur le passé de ce MCE.


Élasticités à LT


Force de rappel (-3,70) (-1,45) (-2,21) (-3,28) γ

Prix relatifs…



Trend 0,007 (2,12) 0,02 (1,81) 2,0 2,0 μ

Élasticités à CT

Δlog(demande adressée) 1.49 (3.57) α0

Dummy

d98 0,16** (1,91) 0,16* (2,03) η0

d06 0,23 (2,32) η1

d02 -0,14 (-1,72) η2

Tests

LM (2) 0,82 0,21 0,03 0,10

Arch(1) 0,72 0,33 0,72 0,33

Normalité 0,71 0,56 0,92 0,38

Reset (2) 0,97 0,29 0,08 0,05

R-squared 0,63 0,50 0,44 0,39


Classement 1 4 3 2

Source : Calculs ITCEQ/DEFINote : entre parenthèses figure la statistique du t de studen ne : le coefficient n’as pas été estimé mais imposé.

Tableau 1 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 1(Période d’estimation 1988-2008)

97


Source : Calculs ITCEQ/DEFI

Graphique 1 : Taux de croissance annuel des exportations tunisiennes dans le secteur 1 observé et ajusté

Le graphique 1 représente la réponse des exportations du secteur

Agriculture à la suite de deux chocs simulés, en retenant la meilleure

spécification du Tableau 1 (colonne 1) :

- Une augmentation de 1% de la demande adressée ;

- Une augmentation de 1% du prix relatif des exportations

tunisiennes.

Ce graphique permet de constater que le délai médian d’ajustement21

est légèrement supérieur à une année dans le cas d’un choc de

prix, tandis que dans le cas d’un choc de demande, on assiste à

un phénomène de « surajustement » à court terme par rapport à

l’équilibre de long terme (l’élasticité de la demande à court terme

est de 1,49 tandis qu’elle est de 1 à long terme.

Ces résultats impliquent qu’à la suite d’une baisse de la demande

d’importations dans l’UE, les produits agricoles tunisiens risquent d’être

fortement affectés (baisse, en écart par rapport à la tendance, de 1,5%

environ dans l’année des exportations tunisiennes en cas de baisse de

1% de la demande européenne), ce qui en ferait l’un des secteurs les

plus affectés par le ralentissement de la conjoncture européenne. De

surcroît, la faible élasticité-prix a pour conséquence qu’une baisse des

prix tunisiens ne serait pas en mesure de contrebalancer significativement

la diminution des exportations en cas de récession en Europe.

98


21 C’est-à-dire le nombre d’années nécessaires pour que la moitié de l’ajustement total soit réalisé.

2.3.2. Le secteur des IAA

Les principaux résultats pour ce secteur sont résumés dans le tableau 2 :



dans tous les cas de figure.

• Les élasticités prix de long terme ont le signe attendu dans 3



signe positif, contraire à l’intuition économique. La valeur de cette

élasticité est de -0,7 dans le cas des prix des concurrents et de

-0,5 dans celui des pays de l’UE.








Selon ces estimations, la meilleure équation est celle utilisant la

demande adressée « Total produits » et prenant comme prix étranger

ceux des pays de l’UE.

Le graphique 2 illustre l’ajustement statique sur le passé de ce MCE.

Graphique 2 : Réponses aux chocs


99



Elasticités à LT


Force de rappel -1,13 (-6,10) -1,19 (-5,82)) -1,19 (-9,94) -1,33 (-5,99) γ

Prix relatifs…



Trend μ

Elasticités à CT

Δ(Prix relatifs) -0,89 (-2,61) -0,93 (-2,54) -0,75* (-2,06) α0

Dummy

d02 -0,93 (-3,52) -0,87 (-3,25) -0,98 (-3,97) -1,12 (-4,11) η0

d02(-1) -0,96 (-3,10) -0,90 (-2,74) -0,93 (-3,13) -1,15 (-3,32) η1

d96 -0,14 (-1,72) -0,79 (-3,32) η2

d94 0,48* (2,09) 0,62 (3,74) η3

Tests

LM (2) 0,55 0,32 0,37 0,87

Arch (1) 0,85 0,70 0,33 0,93

Normalité 0,80 0,86 0,83 0,74

Reset (2) 0,10 0,52 0,12 0,76

R-squared 0,87 0,81 0,86 0,82


Classement 1 3 4 2



Le graphique 3 représente la réponse des exportations du secteur

des IAA à la suite de chocs de 1% sur la demande et sur le prix

relatif, en retenant la meilleure spécification du Tableau 2 (colonne

1).

100




Le délai médian d’ajustement est très bref, inférieur à une année, dans le

cas d’un choc de demande, tandis que dans le cas d’un choc de prix, on

observe un surajustement à court terme par rapport à l’équilibre de long

terme (l’élasticité-prix à court terme est de -0.89 tandis qu’elle est de -0.54

à long terme). Il en résulte qu’une récession en Europe aurait des effets

négatifs très rapides et assez marqués sur les exportations tunisiennes du

secteur des IAA. Cependant, une diminution des prix à l’exportation

serait en mesure de contrebalancer, au moins partiellement, cet effet.


,,,,,,,,,,

,

,

,

,

,

,

,


101


2.3.3. Le secteur des Matériaux de Construction Céramiques

et Verre (MCCV)

Les principaux résultats pour ce secteur sont résumés dans le

tableau 3 :



économétriquement dans le cas « Total produits ». L’élasticité

dans le cas « Principaux produits » est proche de 0,6 lorsque

l’on laisse le coefficient libre.

• Les élasticités-prix de long terme ont le signe attendu dans tous

les cas de figure. La valeur de cette élasticité est proche de -0,5.

• Les MCE utilisant la demande adressée « Total Produits » ont

des propriétés statistiques satisfaisantes. Les tests LM conduisent

au rejet de l’hypothèse d’auto-corrélation des résidus de ces

équations. Ces résidus sont homoscédastiques au regard du

test de White et du test ARCH. La forme fonctionnelle de


Bera- Jarque, les résidus de toutes les équations suivent une loi




Elasticités à LT


Force de rappel -0,88 (-6,66) -0,87 (-6,63) -0,74 (-4,70) -0,73 (-4,92) γ

Prix relatifs…



Trend μ

Elasticités à CT

Dummy

d9293 -0,52 (-2,86) -0,51 (-2,84) -0,68 (-2,78) -0,63 (-2,76) η0

Tests

LM (2) 0,52 0,70 0,49 0,61

Arch(1) 0,35 0,41 0,58 0,75

Normalité 0,63 0,68 0,26 0,23

Reset (2) 0,37 0,23 0,01 0,01

R-squared 0,85 0,86 0,76 0,79


Classement 1bis 1 3bis 3

Tableau 3 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 3 (Période d’estimation 1988-2008)



produits » (1ère colonne). La distinction sur les prix ne semble pas

discriminante dans ce secteur.


102




Dans le graphique des réponses aux chocs (Graphique 6, basé

sur le Tableau 3, colonne 1), le délai médian apparaît bref, de

l’ordre d’une année, pour les deux types de chocs : une baisse

de la demande européenne de 1%, devrait entraîner une diminution

d’environ 0,5% des exportations du secteur des IMCCV sur un

horizon annuel.



103


2.3.4. Le secteur des Industries Mécaniques et Electriques


tableau 4 :



supérieure à l’unité, s’établissant aux alentours de 1,3 dans les

deux cas de figure.

• Dans l’ensemble des MCE, un trend positif sort significativement

dans nos estimations signifiant un gain tendanciel de part de

marché dans ce secteur. Cela est cohérent avec l’élasticité de

la demande adressée supérieure à l’unité.

• Les élasticités prix de long terme n’ont pas le signe attendu

lorsque l’on retient les prix des concurrents dans le prix relatif.

Dans l’autre cas, l’élasticité estimée est relativement forte,

comprise entre -1 et -1,5.







Élasticités à LT


Force de rappel -0,22 (-2,31) -0,13 (-2,27) -0,66 (-8,86) -0,73 (-2,71) γ

Prix relatifs…

… des concurrents 0,09 0,27 β

… de l’ensemble de l’UE -1,10 -1,56

Trend 0,09 0,08 0,10 0,06 μ

ST Élasticitiés

Δlog(demande adressée) 0,42 (4,36) 0.35 (2.92) 0.72 (8.91) α0

Δ(Prix relatifs) -0,32 (-2,77) -0.14 (-1.24) -0.53 (-6.24) α0

Δ(Prix relatifs) -1 0.39 (4.12) α1

Δlog(Exportations)-2 -0.28 (-4.91) ρ0

Dummy

d89 0,14 (3,60) 0,12 (2,48) η0

d06 0,16 (3,28) 0,17 (2,70) 0,10 (7,65) η1

d96 -0,18 (-3,68) η2

Tests

LM (2) 0,34 0,54 0,36 0,51

Arch(1) 0,72 0,86 0,16 0,32

Normalité 0,67 0,34 0,72 0,35

Reset (2) 0,64 0,40 0,83 0,35

R-squared 0,83 0,75 0,98 0,63


Classement 1bis 3 1 3bis



104



La meilleure équation est celle utilisant les prix calculé sur l’ensemble

des pays de l’UE dans l’indicateur de compétitivité, et pour les

principaux produits seulement.





La réponse aux chocs simulés est représentée dans le graphique

4.2, en retenant la meilleure spécification du Tableau 1 (colonne 3).

Pour le choc de demande, le délai médian est instantané (puisque

l’élasticité à court-terme est supérieure à 0,5 pour une élasticité de

long terme égale à 1), et il est inférieur à une année pour le choc de

prix relatifs. Les effets d’une récession européenne ont ici des effets

similaires à ceux du secteur des IMCCV : une baisse de la demande

européenne de 1%, devrait entraîner rapidement une diminution

d’environ 0,5% (en écart à la tendance) des exportations du secteur

des IME. Cependant, la sensibilité de ces exportations par rapport

aux prix relatifs implique qu’une réduction des prix serait en mesure

de contrebalancer partiellement ce mouvement.

105




2.3.5. Le secteur de la Chimie


tableau 5 :



supérieure à l’unité, s’établissant aux alentours de 1,5 dans tous

les cas de figure à l’exception du cas 4 (demande adressée «

Principaux produits », prix des concurrents ») dans lequel l

’élasticité est de 0,8.

• Dans l’ensemble des MCE, un trend négatif sort significativement

dans nos estimations signifiant une perte tendancielle de part

de marché dans ce secteur. Cela est cohérent avec l’élasticité

de la demande adressée inférieure à l’unité.


retenue mais leur valeur varie fortement : elle se situe aux

alentours de -0,7/-0,9 dans le cas d’une demande adressée «

Total produits ». Elle ressort à des valeurs beaucoup plus fortes

(respectivement -1,89 et -4.67) lorsque l’on retient la demande

adressée « Principaux produits ». Ceci dénote une forte

substituabilité des exportations de produis de l’industrie chimique

tunisienne par rapport aux produits concurrents.





ARCH. Enfin, selon le test de Bera- Jarque, les résidus de toutes

les équations suivent une loi normale. Seule la forme fonctionnelle

de l'équation n’est pas validée par le test Reset.

106



LT Elasticities


Force de rappel -0.75 (-2.70) -0.67 (-2.36) -0.23 (-1.99) -0.39 (-3.55) γ

Prix relatifs…

… des concurrents -0.88 (-2.35) -4.67 (-3.91) β

… de l’ensemble de l’UE -0.70 (-2.69) -1.89 (-2.09)

Trend -0.06 (-3.40) -0.06 (-3.19) -0.11 (-2.63) -0.13 (-4.47) μ

Elasticités à CT

Δlog(demande adressée) 0.87 * (2.01) 0.72 ** (1.65) α0

Δlog(demande adressée)-1 -0.32 (-2.77) -0.14 (-1.24) -0.15 ** (-1.79) α0

Δ(Prix relatifs)-1 1.52 (2.90) φ1

Δ(Prix relatifs)-2 1.39 (3.00) φ2

Dummy

d9394 -0.18* (-2.26) -0.19 * (-2.28) -0.24 (-2.69) -0.28 (-4.08) η0

Tests

LM (2) 0.75 0.42 0.73 0.19

Arch(1) 0.49 0.91 0.37 0.30

Normalité 0.63 0.68 0.61 0.42

Reset (2) 0.07 0.10 0.07 0.02

R-squared 0.74 0.73 0.65 0.86

Adjusted R-squared 0.62 0.60 0.53 0.74

Classement 2 3 4 1

Tableau 5 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 5Période d’estimation 1988-2008




Le graphique 9 illustre l’ajustement statique sur le passé de ce

MCE.

107


Les délais médian d’ajustement des exportations de l’industrie

chimique apparaissent élevés (Graphique 10): de l’ordre de 2 ans

pour le choc de demande et de 4 ans pour le choc de prix relatifs.

Dans le scénario d’une récession européenne, ces exportations ne

devraient donc pas connaître une trop forte diminution (en écart à

la tendance) sur un horizon d’une année, tandis que la forte élasticité-

prix permet d’envisager des ajustements de prix relatifs propres à

contrebalancer cette réduction.





108



Elasticités à LT


Force de rappel -0,14 (-2,12) -0,15 (-3,31) -0,10 (-2,21) -0,15 (-3,56) γ

Prix relatifs…

… des concurrents 2,88 (-9,01) -4,21 (-8,27) β


Trend μ

Elasticités à CT

Δ(Prix relatifs) -0,26 (-2,33) -0,34 (-3,10) -0,43 (-3,63) -0,46 (-3,94) φ0

Dummy

d01 0,16 (2,41) 0,15 (2,25) 0,19 (2,73) η0

Tests

LM (2) 0,84 0,48 0,62 0,46

Arch(1) 0,36 0,69 0,62 0,88

Normalité 0,69 0,98 0,64 0,58

Reset (2) 0,16 0,89 0,77 0,77

R-squared 0,65 0,84 0,80 0,86


Classement 4 2 3 1

Tableau 6 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 6Période d’estimation 1988-2008


2.3.6. Le secteur Textile Habillement et Cuirs


tableau 6 :



inférieure à l’unité, s’établissant aux alentours de 0,6 dans tous

les cas de figure.


retenue et leur valeur est élevée s’établissant entre -3 et -4 lorsque

l’on retient les prix des concurrents et entre -5 et -8 dans le

second cas. Comme dans le cas des industries Chimiques, on

aurait donc ici un phénomène de forte substituabilité de ces

produits sur le marché européen.








109


A l’issue de ce premier travail, il semblerait que la meilleure équation

est celle utilisant les prix calculé sur les prix des concurrents dans

l’indicateur de compétitivité et en prenant la demande adressée «

Principaux produits ».


MCE.

Les délais médians d’ajustement estimés des exportations de l’industrie

Textile, Habillement et Cuirs sont les plus élevés parmi les secteurs

étudiés (Graphique 12): ils sont voisins de 5 ans pour le choc de

demande et supérieurs à 3 ans pour le choc de prix relatifs. À court

terme, une récession européenne ne devrait pas avoir beaucoup d’effet

sur ces exportations. Comme dans le cas de l’industrie chimique,

l’importante élasticité-prix permet d’envisager des ajustements de prix

relatifs propres à contrebalancer une éventuelle baisse des exportations.





110



Elasticités à LT


Force de rappel -0,12 (-2,59) -0,31 (-2,96) -0,38 (-4,62) -0,12 (-2,18) γ

Prix relatifs…

… des concurrents 0,07 (0,30) 0,41 (0,69) β

… de l’ensemble de l’UE 2,52 (2,71) -1,43 (-3,74)

Trend 0,08 (2,57) 0,02 (3,74) 0,07 (1,46) μ

Elasticités à CT

Δlog(demande adressée) 0,16 (3,00) 0,09 ** (1,49) α0

Dummy

d98 0,18 (2,42) 0,18 (2,14) η0

d02 0,19 * (2,00) 0,19 (2,22) 0,20 (2,66) η1

Tests

LM (2) 0,37 0,60 0,74 0,36

Arch(1) 0,74 0,75 0,78 0,82

Normalité 0,90 0,08 0,63 0,03

Reset (2) 0,65 0,96 0,64 0,95

R-squared 0,43 0,60 0,71 0,66


Classement 4 3 1 2

Tableau 7 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 7Période d’estimation1988-2008


2.3.7. Le secteur « Divers »


tableau 7 :




base des principaux produits (élasticité estimée de 1,05) que

dans le cas « Total produits » (élasticité estimée supérieure à 1,7).

• Les élasticités prix n’ont jamais le signe attendu à l’exception du

cas 3 (demande adressée « Principaux produits » et prix des

pays de l’UE. Dans ce dernier cas, la valeur estimée est de -1,43’.





ARCH. La forme fonctionnelle de l'équation est validée par le test

Reset. Enfin, selon le test de Bera Jarque, les résidus de toutes

les équations suivent une loi normale.

111


La meilleure équation est celle utilisant les prix relatifs calculés par

rapport aux prix de l’UE dans l’indicateur de compétitivité et en

prenant la demande adressée « Principaux produits ».






Les réponses aux chocs estimées pour ce secteur (Graphique 14)

montrent des délais médians d’ajustement assez bref (environ 1 an)

à la suite d’un choc de demande, et de l’ordre de 2 ans à la suite d’un

choc de prix. Une baisse de la demande européenne de 1%

s’accompagnerait ainsi d’une baisse de 0,5% des exportations

sectorielles sur un horizon annuel (en écart à la tendance).

112



Elasticités à LT


Force de rappel -0,83 (-6,31) -0,41 (-2,31) -0,66 (-3,75) -0,38 (-2,02)γ

Prix relatifs…

… des concurrents -5,65 (-1,69) -4,47 (-1,29)β

… de l’ensemble de l’UE -7,93-7,93 (-3,81)

Trend μ

Elasticités à CT

Dummy

d9394 -0,53 (-4,52) -0,68 (-3,60) -0,65 (-5,09) -0,71 (-3,74)η0

Tests

LM (2) 0,11 0,26 0,65 0,30

Arch(1) 0,83 0,84 0,12 0,84

Normalité 0,89 0,27 0,73 0,21

Reset (2) 0,80 0,68 0,30 0,62

R-squared 0,89 0,69 0,86 0,67


Classement 1 3 2 4

Tableau 8 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le secteur 8Période d’estimation1988-2008


2.3.8. Le secteur des hydrocarbures et produits raffinés

Les principaux résultats pour ce secteur sont résumés dans le tableau 8 :


a été imposée à l’unité. Notons que cette restriction est

acceptée plus facilement en utilisant la demande adressée

calculée sur la base « Total produits » (élasticité estimée de

1,03) que dans le cas « Principaux produits » (élasticité estimée

supérieure à 0,8).

• Les élasticités prix ont toujours le signe attendu. La valeur est

comprise entre -8 dans le cas des prix des pays de l’UE et aux

alentours de -5 dans le cas des prix des concurrent. Ce secteur

est donc celui qui se caractérise par les élasticités-prix les plus

fortes parmi les secteurs étudiés. Compte tenu de la nature des

produits du secteur, cela n’est pas surprenant : les hydrocarbures

sont des produits standardisés, et les produits tunisiens sont

donc de proches substituts par rapport aux produits

commercialisés sur le marché européen.








113


Comme on pouvait s’y attendre, les délais médians d’ajustement

sont très brefs : inférieurs à une année à la suite de chocs de

demande ou de chocs de prix. Le fait notable est ici constitué par

la forte élasticité-prix et le faible délai d’ajustement qui rendent

conjointement les exportations de ce secteur très sensibles à

court terme aux fluctuations de prix relatifs.

A l’issue de ce premier travail, il semblerait que la meilleure équation

est celle utilisant la demande adressée « Total produits » et prenant




0,2

0,0

-0,4

-0,2

0,4

1,5

1,0

0,5

0,0

-0,5

-1,0



,

,

,

,

,


114

2.3.9. Le total des biens

Les principaux résultats pour sont résumés dans le tableau 9 :


a été imposée à l’unité. Notons que cette contrainte est acceptée


base « Total produits » (élasticité estimée de 1,01) que dans le

cas « Principaux produits » (élasticité estimée supérieure à 0,9).

• Les élasticités prix ont toujours le signe attendu à l’exception de

la formulation 3 (prix de l’ensemble des pays de l’UE et demande

adressée « Principaux produits »). Dans les autres cas de figure,

la valeur est comprise entre -0,3 et -0,5.










Élasticités à LT


Force de rappel -0,53 (-5,14) -0,49 (-4,28) -0,53 (-3,93) -0.,57 (-5,59) γ

Prix relatifs…



Élasticités à CT

Δlog(demande adressée)-1 -0,44 (-2,65) α1

Δ(Prix relatifs)-1 -0,35 (-1,95) φ1

Dummy

d9394 -0,14 (-4,89) -0,11 (-5,07) -0,13 (-4,75) -0,12 (-4,94) η0

Tests

LM (2) 0,59 0,36 0,78 0,87

Arch(1) 0,55 0,86 0,51 0,43

Normalité 0,73 0,96 0,20 0,42

Reset (2) 0,08 0,17 0,14 0,87

R-squared 0,78 0,83 0,75 0,82


Classement 3 2 4 1

Tableau 9 : Résumé des principaux résultats d’estimations de l’équation d’exportations pour le Total des BiensPériode d’estimation 1988-2008


115


La meilleure équation est celle utilisant la demande adressée « principaux



MCE.

Le graphique 18 permet de synthétiser les effets dynamiques que

l’on pourrait attendre d’une baisse de la demande européenne de

1% sur les volumes d’exportations de biens tunisiennes. Celles-

ci étant essentiellement réalisées dans le secteur Textiles,

Habillement et Cuirs (environ 40% des exportations totales de

biens en 2008, dans la couverture sectorielle de la base utilisée)

et Industries Mécaniques et Electriques (environ 30% des

exportations totales de biens en 2008, mêmes sources), les

réponses aux chocs seront fortement liées au comportement

dynamique de ces deux secteurs.

En ce qui concerne le choc de demande, le délai médian

d’ajustement est de l’ordre d’une année : une baisse de la demande

européenne de 1% se concrétiserait donc par une diminution du

volume de biens exportés d’environ 0,5% sur un horizon annuel.

L’élasticité-prix de long terme est relativement faible (-0,31) et le

délai médian d’ajustement à un choc de prix est sensiblement

supérieur à une année : globalement, une variation limitée des prix

relatifs devrait avoir peu d’impact sur les quantités exportées sur

un horizon annuel.


,

,

,

,

,

,

,

,

,

,

Graphique 17 : Taux de croissance annuel des exportations tunisiennes pour le total des biens observé et ajusté

116


Prix relatifs… Total produits Principaux produits

Secteur 1… des concurrents 4 2

… de l’ensemble de l’UE 1 3




… de l’ensemble de l’UE 1 bis 3 bis


… de l’ensemble de l’UE 1 bis 1









Total Biens… des concurrents 2 1


Tableau 10 : Synthèse des meilleures spécifications sectorielles



,

,

,

,

,

,

,

,

,

,

,

,

,

,


2.3.10. Synthèse

Le tableau 10 résume le classement des formulations par secteur.

Il semblerait que la formulation 1 (demande adressée « Total

produits » et prix de l’ensemble des pays de l’UE comme prix

des étrangers) apparaisse comme la plus acceptable si une

formulation commune à l’ensemble des secteurs devait être

retenue.

117


En conclusion, les résultats des estimations réalisées sont riches

d’enseignements. Ils font apparaître de fortes disparités entre les

secteurs, autant en ce qui concerne les élasticités-prix de long terme

des différents secteurs (et donc leur niveau de substituabilité sur le

marché européen), qu’en ce qui concerne le comportement

dynamique des exportations à la suite de chocs de prix relatifs et

de chocs de demande.

Il convient de souligner que les réponses aux chocs ont été

commentées en prenant pour exemple une récession européenne

(et une diminution de la demande d’importation de l’UE).

Cependant, il ne s’agit en aucun cas ici d’un exercice de prévision

conjoncturelle : en effet, si les importations européennes ont

connu une très forte baisse (de l’ordre de 40% en valeur, en

données mensuelles) du pic de juillet 2008 au creux de septembre

2009, elles ont, depuis cette date, enregistrées une très forte

progression et sont quasiment revenues à leur niveau d’avant la

crise depuis le mois de janvier 2011.

118


3. Les estimations économétriques des équations d’exportations

sectorielles tunisiennes en panel dynamique

Nous avons procédé à l’estimation des fonctions d’exportations

en Panel dynamique.

3.1 Les données

La période d’estimation s’étend de 1988 à 2008. La base de données

a été construite au sein de l’équipe de l’ITCEQ et comporte huit

secteurs présentés dans la section précédente :

Secteur 1 : Industries textile habillement et cuirs (THC)

Secteur 2 : Industries mécaniques et électriques (IME)

Secteur 3 : Industrie agro-alimentaires (IAA)

Secteur 4 : Industries matériaux de construction céramiques et

verre (IMCCV)

Secteur 5 : Industries divers (DIVERS)

Secteur 6 : Industries chimiques (CHIMIE)

Secteur 7 : Agriculture (AGRICULTURE)

Secteur 8 : Hydrocarbures (HYDRPDSRAFFINES)

Les variables de panel sont les suivantes:

X : Exportations tunisiennes, le logarithme sera noté LX et la variation

du logarithme sera notée DLX;

D : Demande adressée européenne, le logarithme sera noté LD

et la variation du logarithme sera notée DLD;

PCON : Prix relatif des exportations tunisiennes par rapport aux

prix des concurrents, le logarithme sera noté LPCON et la variation

du logarithme sera notée DLPCON

PUE : Prix relatif des exportations tunisiennes par rapport aux

prix des pays de l’Union Européenne, le logarithme sera noté

LPUE et la variation du logarithme sera notée DLPUE

Tableau 1 : Résultats des tests de racine unitaire en panel

Panel unit root test: Summary Sample: 1988 2008

Exogenous variables: Individual effects, individual linear trends

Automatic selection of maximum lags based on SIC: 0 to 3

Newey-West automatic bandwidth selection and Bartlett kernel

Les exportations tunisiennes (LX)

Methode Statistic Prob.** Cross-sections Obs

Null: Unit root (assumes common unit root process)

Levin, Lin & Chu t* -1,58336 0,0567 8 156

Breitung t-stat 3,92219 1,0000 8 148

Null: Unit root (assumes individual unit root process)

Im, Pesaran and Shin W-stat -1,94229 0,0261 8 156

ADF - Fisher Chi-square 31,8442 0,0105 8 156

PP - Fisher Chi-square 42,1884 0,0004 8 160

119

Les résultats des tests de racine-unitaire divergent les uns des autres et

indiquent que les séries peuvent être stationnaires ou intégrées d’ordre 1.

Dans le cas les séries sont supposées intégrées d’ordre 1.

Les tests de cointégration de Pedroni (Tableau 2) donnent aussi des

résultats contradictoires (l’hypothèse nulle de noncointégration peut

être rejetée ou non rejetée selon le test appliqué).


La demande adressée (LD)



Levin, Lin & Chu t* -1,46385 0,0716 8 152

Breitung t-stat -0,29669 0,3834 8 144





Les prix relatif calculé en fonction des prix des concurrents (LPCON)



Levin, Lin & Chu t* -2,09402 0,0181 8 155

Breitung t-stat 0,84405 0,8007 8 147





Les prix relatif calculé en fonction des prix des pays de l’Union européenne (LPUE)



Levin, Lin & Chu t* -3,55244 0,0002 8 151

Breitung t-stat 1,31856 0,9063 8 143





** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.

120


Tableau 2 : Résultats des tests de cointegration en panel

Series: LX - LD - LPUE Sample: 1988 2008 Included observations: 168 Cross-sections included: 8

Null Hypothesis: No cointegration

Automatic lag length selection based on SIC with a max lag of 3

Newey-West automatic bandwidth selection and Bartlett kernel

Pedroni’s Test (Residual Cointegration Test) Trend assumption: Deterministic intercept and trend

Alternative hypothesis: common AR coefs. (within-dimension)

Statistic Prob. Weighted Statistic Prob.

Panel v-Statistic 0,714735 0,2374 0,116556 0,4536

Panel rho-Statistic -0,417653 0,3381 0,240157 0,5949

Panel PP-Statistic -3,395447 0,0003 -2,978726 0,0014

Panel ADF-Statistic -3,452005 0,0003 -3,052121 0,0011


Statistic Prob

Group rho-Statistic 0,851300 0,8027

Group PP-Statistic -2,709311 0,0034

Group ADF-Statistic -2,610142 0,0045

Kao’s Test (Residual Cointegration Test) Trend assumption: No deterministic trend


Statistic Prob.

ADF -1,627718 0,0518

Residual variance 0,061223

HAC variance 0,031124

Johansen Test (Fisher Panel Cointegration Test) Trend assumption: Linear deterministic trend

Lags interval (in first differences): 1 1

Unrestricted Cointegration Rank Test (Trace and Maximum Eigenvalue)

HypothesizedNo. of CE(s)

Fisher Stat.*(from trace test) Prob.

Fisher Stat.*(from max-eigen test) Prob.

None 51,44 0,0000 38,41 0,0013

At most 1 27,00 0,0415 24,72 0,0750

At most 2 21,45 0,1618 21,45 0,1618

* Probabilities are computed using asymptotic Chi-square distribution.

121


Nous estimerons dans ce qui suit les spécifications suivantes :

- Dans un premier temps, nous estimerons un modèle autorégressif

à retards distribués (ADL) en niveau (en prenant pour hypothèse

la stationnarité des séries), en retenant deux spécifications

alternatives pour les prix relatifs : celle basée sur les prix de l’UE

et celle basée sur les prix des concurrents sur le marché européen.

- Dans un deuxième temps, nous estimerons un modèle autorégressif

à retards distribués (ADL) en différences premières (en prenant

pour hypothèse la non-stationnarité des séries), en retenant les

deux spécifications alternatives pour les prix relatifs.

- Nous estimerons enfin un modèle à correction d’erreurs (MCE)

estimé en une étape, qui permet d’englober le cas intégré et le

cas non-cointégré, toujours sous les deux spécifications

alternatives des prix relatifs.

3.3 Les principaux résultats

3.3.1. Le modèle ADL en niveau dans le cas de prix despays de l’UE (LPUE)

Les principaux résultats de l’estimation en panel sont résumés

dans le tableau 8 :

• La valeur estimée de l’élasticité de la demande adressée aux

exportations est de 0,82 à le long terme et de 0,27 à court

terme.

• Un trend positif ressort significativement dans nos estimations,

ce qui représente un gain tendanciel de parts de marché.

• Les élasticités prix ont le signe attendu : la valeur de cette élasticité

est de -0,71 à court terme et à long terme.

• Le modèle ADL dispose de propriétés statistiques

satisfaisantes.


Tableau 3 : Estimation des exportations en niveau dans le cas de prix des pays de l’UE

Dependent Variable: LX

Method: Panel Least Squares

Sample (adjusted): 1989-2008

Periods included: 20

Cross-sections included: 8

Total panel (balanced) observations: 160

Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected)

Variable Coefficient Std. Error t-Statistic Prob.Constant 3,679917 0,729487 5,044528 0,0000

LX(-1) 0,677151 0,071589 9,458823 0,0000

LD 0,265131 0,096423 2,749664 0,0067

LPUE -0,705671 0,079139 -8,916812 0,0000

LPUE(-1) 0,475012 0,087979 5,399130 0,0000

Trend 0,037081 0,008620 4,301492 0,0000

Effects SpecificationCross-section fixed (dummy variables)

R-squared 0,976254 Mean dependent var 12,44637

Adjusted R-squared 0,974316 S.D. dependent var 1,413753

S.E. of regression 0,226571 Akaike info criterion -0,053759

Sum squared resid 7,546150 Schwarz criterion 0,196099

Log likelihood 17,30074 Hannan-Quinn criter. 0,047699

F-statistic 503,6370 Durbin-Watson stat 2,302661

Prob(F-statistic) 0,000000


122


Le graphique 1 ci-après illustre l’ajustement statique sur le passé de ce modèle ADL.

3.3.2. Le modèle ADL en niveau dans le cas de prix desconcurrents (LPCON)

Les principaux résultats pour ce modèle sont résumés dans le

tableau 4 :


exportations est 0,83 dans le long terme et 0,26 dans le court

terme.

• Un trend positif ressort significativement de nos estimations

signifiant un gain tendanciel de part de marché dans ce

secteur.

• Les élasticités-prix estimées sont de -0,65 à court terme et -

0,71 à long terme.

• Les propriétés statistiques des résidus de cette équation sont

satisfaisantes.

On constate ainsi qu’il y a très peu de différences entre les deux

spécifications, celle qui retient dans le prix relatif les prix de l’UE

et celle qui utilise le prix de concurrents sur le marché européen.


,

,

,

,

,

Graphique 1 : Exportations tunisiennes observées et ajustées (en log)

123

Le graphique 2 illustre l’ajustement statique sur le passé de ce modèle ADL.


Tableau 4 : Estimation des exportations en niveau dans le cas de prix des concurrents

Dependent Variable: LX


Sample (adjusted): 1989-2008





Variable Coefficient Std. Error t-Statistic Prob.Constant 3,532320 0,689397 5,123782 0,0000LX(-1) 0,688561 0,073388 9,382525 0,0000LD 0,258474 0,099060 2,609279 0,0100LPUE -0,645157 0,079857 -8,078912 0,0000LPUE(-1) 0,423191 0,084779 4,991701 0,0000Trend 0,025265 0,008747 2,888411 0,0045

Effects SpecificationCross-section fixed (dummy variables)R-squared 0,974836 Mean dependent var 12,44637Adjusted R-squared 0,972782 S.D. dependent var 1,413753S.E. of regression 0,233240 Akaike info criterion 0,004265Sum squared resid 7,996959 Schwarz criterion 0,254122Log likelihood 12,65883 Hannan-Quinn criter. 0,105723F-statistic 474,5551 Durbin-Watson stat 2,356153Prob(F-statistic) 0,000000



,

,

,

,

,

Graphique 2 : Exportations tunisiennes observées et ajustées (en log)

124


Tableau 5 : Estimations de l’équation d’exportations en taux de croissance dans le cas de prix des pays de l’UE

Dependent Variable: DLX


Sample (adjusted): 1990- 2008





Variable Coefficient Std. Error t-Statistic Prob.Constant 0,064636 0,022456 2,878397 0,0046

LX(-1) -0,310827 0,125930 -2,468259 0,0148

DLD 0,311570 0,210593 1,479487 0,1413

DLPUE -0,674955 0,084278 -8,008625 0,0000

DLPUE(-1) -0,237546 0,107686 -2,205923 0,0290




S.E. of regression 0,238345 Akaike info criterion 0,045462






3.3.3. Le modèle ADL en différences premières dans lecas de prix des pays de l’UE (DLPUE)

Les principaux résultats pour ce modèle sont résumés dans le tableau 5 :

• La variable de la demande adressée aux exportations n’est

pas statistiquement significative.

• Les élasticités prix ont le signe attendu, et la valeur de cette

élasticité est de -0,67 à court terme et -0,70 à long terme.

• Ce modèle présente des propriétés statistiques satisfaisantes.

Cependant, cette spécification semble moins pertinente du

fait de la valeur non-significative du paramètre de la demande

adressée.

Ainsi, bien que ce modèle soit à priori moins pertinent que les

précédents, nous pouvons noter que la valeur des élasticités-prix

reste dans un ordre de grandeur comparable, autant pour le long

terme qu’à court terme.

125




,

,

,

,

,

,

Graphique 3 : Taux de croissance annuel des exportations tunisiennes observées et ajustées

3.3.4. Le modèle ADL en premières différences dans le cas de

prix des pays concurrents (DLPCON)

Les principaux résultats pour ce modèle sont résumés dans le

tableau 6 :


pas statistiquement significative.

• Les élasticités prix ont le signe attendu. La valeur de cette

élasticité est de -0,58 dans le court terme et -0,62 dans le

long terme.

• Le modèle estimé présente des propriétés statistiques

satisfaisantes mais, comme précédemment, cette spécification

apparaît moins pertinente que les estimations en niveau du

fait de la non-significativité du paramètre de la demande

adressée.

126


Tableau 6 : Estimations des exportations en taux de croissance dans le cas de prix des concurrents



,

,

,

,

,

,









Variable Coefficient Std. Error t-Statistic Prob.Constant 0,071608 0,022456 2,878397 0,0053LX(-1) -0,321674 0,125930 -2,468259 0,0136DLD 0,104188 0,210593 1,479487 0,6341DLPCON -0,581546 0,084278 -8,008625 0,0000DLPCON(-1)) -0,238305 0,107686 -2,205923 0,0212Effects SpecificationCross-section fixed (dummy variables)R-squared 0,426061 Mean dependent var 0,052422Adjusted R-squared 0,380966 S.D. dependent var 0,313173S.E. of regression 0,246401 Akaike info criterion 0,111940Sum squared resid 8,499850 Schwarz criterion 0,350667Log likelihood 3,492579 Hannan-Quinn criter. 0,208919F-statistic 9,448029 Durbin-Watson stat 2,141201Prob(F-statistic) 0,000000


127


3.3.5. Le modèle à correction d’erreur (MCE) dans le casde prix des pays de l’UE (LPUE)



pas statistiquement significative dans le court terme. La valeur

de l’élasticité de la demande adressée aux exportations est

0,98 dans le long terme, et elle n’est pas significativement

différente de la valeur unitaire.



long terme.

• Le MCE a des propriétés statistiques satisfaisantes.








Variable Coefficient Std. Error t-Statistic Prob.

Constant 2,280052 0,556009 4,100751 0,0001

DLPUE -0,729278 0,086822 -8,399715 0,0000

DLD 0,360015 0,215213 1,672830 0,0965

LX(-1)-LD(-1)-LPUE(-1) -0,219796 0,066134 -3,323475 0,0011

LD(-1) 0,020319 0,054852 0,370431 0,7116

LPUE(-1) -0,385218 0,118384 -3,253987 0,0014










Tableau 6 : Estimation de l’équation d’exportations (MCE) dans le cas de prix des pays de l’UE

128



,

,

,

,

,


graphique 5 illustre l’ajustement statique sur le passé de ce modèle MCE.

3.3.6. Le modèle MCE dans le cas de prix des paysconcurrents (LPCON)



pas statistiquement significative dans le court terme. La valeur

de l’élasticité de la demande adressée aux exportations est

0,99 dans le long terme et elle n’est pas significativement

différente de l’unité.



long terme.

• Le MCE a des propriétés statistiques satisfaisantes.

129









Variable Coefficient Std. Error t-Statistic Prob.

Constant 2,982117 0,652054 4,573424 0,0000

DLPCON -0,673427 0,080996 -8,314298 0,0000

DLD 0,136647 0,214470 0,637140 0,5250

LX(-1)-LD(-1)-LPUE(-1) -0,260304 0,068674 -3,790439 0,0002

LD(-1) 0,014654 0,058726 0,249525 0,8033

LPCON(-1) -0,511016 0,122944 -4,156494 0,0001









Source : Calculs ITCEQ/DEFI.

Tableau 7 : Estimation de l’équation d’exportations (MCE) dans le cas de prix des concurrents

130


En conclusion, les estimations en données de panel nous permettent

de compléter utilement les estimations réalisées pour chaque secteur

pris isolément.





utilisées pour la mesure des prix relatifs:

- l’élasticité des exportations tunisiennes vers l’Europe par rapport



mais elle semble relativement faible à court terme, et même non-

significative dans les estimations en taux de croissance. Il en

résulte que l’effet instantané d’une variation de la demande

adressée peut être considéré comme négligeable, l’ajustement

des exportations nécessitant probablement un délai sensiblement

supérieur à une année.

- l’élasticité-prix des exportations tunisiennes vers l’Europe est de

l’ordre de -0,6 à -0,73 à court terme comme à long terme.

- enfin, les graphiques des résidus des différents modèles estimés




sectorielle développée dans la section antérieure. En effet, nous

avons pu constater dans cette section que le secteur des

Hydrocarbures se caractérise par une élasticité-prix beaucoup

plus importante que les autres secteurs, tandis que le secteur

des IAA présente des élasticités de la demande de court-

terme relativement élevée par rapport aux autres secteurs

d’exportation.


,

,

,

,

,


Le graphique 6 illustre l’ajustement statique sur le passé de ce modèle MCE.

131

4. Les prolongements possibles de l’analyse économétrique

4.1 Une maquette des échanges extérieurs (envolume et en prix)

Pour chaque secteur i, une équation d’importation ainsi que de

prix des exportations et des importations pourraient compléter

la modélisation des échanges extérieurs de la Tunisie.

4.1.1. La fonction d’importation en volume

Les déterminants standards du volume des importations sont la

demande intérieure, un terme de compétitivité, construit comme le

prix relatif de production nationale par rapport aux prix des

importations (généralement calculés hors énergie) et un terme

d’utilisation du capital productif. Habituellement, ces tensions

conjoncturelles sur les capacités de production sont décrites par

l’intégration dans cette équation des taux d’utilisation (TU) des

capacités de production nationales rapportés à ceux des principaux

partenaires. Ce ratio permet de capter une éventuelle contrainte

d’offre à laquelle est soumise l’économie nationale. Le signe attendu

de son élasticité par rapport aux importations est positif : lorsque

les TU sont plus élevés en Tunisie que chez ses principaux

partenaires, le surcroît de demande interne s’oriente vers les

producteurs étrangers et accroît ainsi le volume des importations.

Si ce ratio sort significativement dans cette relation, sa prise en

compte peu susciter toutefois certains problèmes variantiels. Enfin,

certains modèles enrichissent l’analyse en intégrant une compétitivité

hors-prix comme l’effort en recherche et développement (par

l’intégration par exemple de l’âge du capital).

La fonction d’importation s’écrit de la manière suivante :

Γi : part des produits nationaux dans la demande intérieure

(consommation des ménages + investissement des entreprises) est

fonction du rapport entre les prix étrangers et nationaux (effet de

compétitivité).

4.1.2. La fonction de prix des exportations

Les producteurs tunisiens sont supposés avoir, dans la fixation de leur

prix (PX), un comportement de marge sur les marchés extérieurs, de

même qu’ils en ont un sur le marché intérieur. Néanmoins, face à la

concurrence étrangère, ils tiennent également compte des prix

étrangers (P*X) dans la formation des prix à l’exportation. Il y a donc

un arbitrage entre un comportement de marge (répercuter intégralement

sur les prix à l’exportation les mouvements de coûts unitaires22 (CU),

pour conserver un taux de marge constant), et un comportement de

compétitivité (répercuter intégralement sur les prix à l’exportation les

mouvements des prix étrangers, pour conserver la compétitivité). Cet

arbitrage se traduit par une cible de long terme exprimée comme une

moyenne pondérée des prix étrangers et des coûts nationaux.

22 Une approximation des coûts unitaires peut être faite en intégrant les prix de la production nationale.


132


La fonction de prix d’importation s’écrit de la manière suivante :

Une valeur de ε1 forte signifie que le comportement de compétitivité

l’emporte sur celui de marge.

4.1.3. La fonction de prix des importations

Les importateurs font un arbitrage analogue à celui des exportateurs :

afin de conserver leurs marges, ils indexent leur prix de vente sur le

sol tunisien à leurs coûts de production, approximés par les prix

étrangers à l’importation (P*M). Toutefois, de manière à conserver leur

compétitivité par rapport aux produits français, ils tiennent également

compte des prix de la production nationale (PVA). A l’inverse des prix

étrangers à l’exportation, le prix étranger à l’importation est constitué

avec une pondération simple, dans la mesure où la concurrence ne

se fait que sur le territoire tunisien et n’implique donc pas de prendre

en compte les marchés tiers.

La fonction de prix d’importation s’écrit de la manière suivante :

4.2 Modélisation VAR à partir de l’équation decointégration.

Sur la base de l’équation de cointégration présentée dans la section I :

miT(t) = a0 y(t) + a1 [piE(t) - py(t) ] + a2 [piT(t) - piE(t) ] + c + ê(t)

il est possible de procéder à l’estimation d’un modèle VAR, afin de

réaliser des exercices de prévision. Dans ce cas, la structure du

modèle VAR pourrait être de la forme suivante (l’ordre des retards

pouvant être plus élevé) :

ΔmiT(t) =

b11ΔmiT(t-1) + b21Δy(t-1) + b31Δ [piE(t-1) - py(t-1)] + b41Δ [piT(t-1) -

piE(t-1)] + c01 – β1ê(t-1) + ε1(t)

Δy(t) =

b12ΔmiT(t-1) + b22Δy(t-1) + b32Δ [piE(t-1) - py(t-1)] + b42 Δ [piT(t-1) -

piE(t-1)] + c02 – β2ê(t-1) + ε2(t)

Δ [piE(t) - py(t)]

= b13ΔmiT(t-1) + b23Δy(t-1) + b33Δ [piE(t-1) - py(t-1)] + b43Δ [piT(t-1) -

piE(t-1)] + c03 – β3ê(t-1) + ε3(t)

Δ [piT(t) - piE(t)]

= b14ΔmiT(t-1) + b24Δy(t-1) + b34Δ [piE(t-1) - py(t-1)] + b44Δ [piT(t-1) -

piE(t-1)] + c04 – β4ê(t-1) + ε4(t)

Notons cependant que l’estimation d’un tel modèle pour chaque

secteur est une tâche lourde, et qu’elle n’est sans doute envisageable

qu’après une sélection des secteurs les plus importants pour l’analyse

(ou bien en considérant seulement l’ensemble des exportations

tunisiennes vers l’Europe).

4.3 Non-linéarités

L’équation structurelle de long terme des importations :

miT(t) = a0 y(t) + a1 [piE(t) - py(t) ] + a2 [piT(t) - piE(t) ] + c + ê(t)

repose sur l’hypothèse d’élasticités constantes. Or, différentes forme

de non-linéarités ou de changements structurels peuvent être

considérés.

4.3.1. Variation dans le temps de l’élasticité-revenu

A titre d’exemple, on peut considérer que l’élasticité-revenu dépend de

la conjoncture européenne : dans les phases hautes du cycle économique

(par exemple lorsque le taux de chômage u est inférieur au taux naturel

û), l’élasticité-revenu peut être plus forte que dans les phases basses

du cycle (lorsque le taux de chômage est supérieur au taux naturel).

Afin de modéliser ce processus, il est possible de suggérer une

formalisation basée sur les modèles non-linéaires à transition souple

(Smooth Transition).

133

Soit la fonction de transition suivante, bornée entre 0 et 1, dans

laquelle u(t) représente le taux de chômage européen, û le taux de

chômage naturel et g>0 un paramètre qui détermine la vitesse de

transition entre les régimes:

G(u(t) , g , û) =

On vérifie que si le taux de chômage est beaucoup plus élevé que

le taux naturel (à la limite lorsque g.[u(t)-û] tend vers l’infini, ce qui

n’est bien sûr qu’une hypothèse mathématique), la fonction G tend

vers 0, tandis que lorsque le taux de chômage est beaucoup plus

faible que le taux naturel (à la limite lorsque g.[u(t)-û] tend vers moins

l’infini, ce qui ne reste encore qu’une hypothèse mathématique), la

fonction G tend vers 1.

La fonction de transition proposée permet de modéliser un changement

de l’élasticité-revenu en fonction du cycle d’activité européen.

En effet, l’équation d’importations peut alors être écrite sous la forme

suivante:

miT(t) = d0 y(t) + G.d1.yt + a1 [piE(t) - py(t)] + a2 [piT(t) - piE(t) ] + c + ê(t)

avec: G =

Puisque la valeur de G dépend du taux de chômage européen,


d’élasticité-revenu nécessairement comprises entre d1+d0 (vers laquelle

on tend lorsque le taux de chômage est faible) et d0 (vers laquelle on

tend lorsque le taux de chômage est élevé)23.

La figure suivante représente une simulation hypothétique de

l’élasticité-revenu engendrée par cette modélisation dans laquelle

on considère différentes valeur du taux de chômage u(t) entre 1%

et 13% et pour des valeurs des paramètres fixées à : g=50, û=6%,

d0=0,1, d1 = 1,5.

Sur le plan économétrique, l’estimation du modèle précédent peut

être réalisée par la méthode des moindres-carrés non linéaires ou

du maximum de vraisemblance, afin de déterminer la valeur des

paramètres inconnus d0, d1, a1, a2, c, g et û.

4.3.2. Variation dans le temps de l’élasticité-prix

L’élasticité-prix du commerce extérieur peut dépendre de l’écart

absolu entre les prix des exportations tunisiennes et les prix des

exportations concurrentes piT(t) - piE(t).

En effet, lorsque le différentiel de prix est faible, c’est-à-dire lorsque

[piT(t-1) - pi

E(t-1)]² est proche de zéro (ou d’un seuil k donné),

l’élasticité-prix des exportations tunisienne peut être supposée

relativement faible, tandis que lorsque le différentiel de prix est

important, c’est-à-dire lorsque [piT(t-1) - piE(t-1)]² s’éloigne fortement

de zéro (ou d’un seuil k), les exportations tunisiennes seront fortement

dépendantes des fluctuations des prix relatifs.

Afin de modéliser ce phénomène, on peut suggérer la formalisation

suivante :

23 Dans la mesure où le taux de chômage est nécessairement compris entre 0 et 1, une alternative consisterait à remplacer simplement la fonction G par le taux de chômageobservé. Néanmoins, la fonction de transition proposée présente l’avantage de prendre en considération des variables de transition plus générales que le taux de chômage,et qui ne sont pas bornées entre 0 et 1.


134


Soit la fonction de transition G(.), bornée entre 0 et 1, dans laquelle

[piT(t-1) - piE(t-1)] représente le différentiel de prix, k le seuil au-delà

duquel il est avantageux pour les consommateurs de modifier la

composition de leur panier de consommation et h>0 un paramètre

qui détermine la vitesse de transition entre les régimes:

G([piT(t-1) - piE(t-1)] , h , k) =

On vérifie que lorsque le différentiel de prix est très élevé (positivement

ou négativement) par rapport au seuil k (à la limite lorsque –h{[piT(t-1)

- piE(t-1)]² - k} tend vers l’infini), la fonction G tend vers 1, tandis que

lorsque le différentiel de prix reste faible (au sens ou la distance entre

les prix reste au voisinage du seuil k), la fonction G tend vers 0.

La fonction de transition proposée permet ainsi de modéliser un

changement de l’élasticité-prix en fonction de l’écart absolu des prix

relatifs.

Ainsi, l’équation d’importations peut alors être écrite sous la forme suivante:

miT(t) = a0 y(t) + a1 [piE(t) - py(t) ] + f0 [piT(t) - piE(t) ] + G. f1 [piT(t) - piE(t)

]+ c + ê(t)

avec : G =

Puisque la valeur de G dépend de l’écart absolu des prix relatifs,


d’élasticité-prix comprises entre f1+f0 (vers laquelle on tend lorsque

le différentiel de prix est élevé) et f0 (vers laquelle on tend lorsque

l’écart entre les prix est faible).

La figure suivante représente une simulation de l’élasticité-prix

engendrée par cette modélisation dans laquelle on considère

différentes valeur du différentiel de prix entre -35% et 35% et pour

des valeurs des paramètres fixées à : h=15, k=0, f0=-0,1, f1 = -1,5.

Comme dans le cas précédent, l’estimation du modèle peut être

réalisée par la méthode des moindres-carrés non linéaires ou du

maximum de vraisemblance, afin de déterminer la valeur des

paramètres inconnus f0, f1, a0, a1, c, h et k.

4.4 Rationnement quantitatif par l’offre ou par lademande

Nous avons indiqué dans ce qui précède que l’équation d’exportations

sectorielles tunisiennes :

miT(t) = a0 y(t) + a1 [piE(t) - py(t) ] + a2 [piT(t) - piE(t) ] + c

décrit en fait une équation de demande émanant de l’Europe. De

ce point de vue, il pourrait être pertinent de définir cette équation

comme une équation de demande en l’écrivant :

(4) DmiT(t) = a0 y(t) + a1 [piE(t) - py(t) ] + a2 [piT(t) - piE(t) ] + c

Parallèlement, l’offre d’exportation du secteur (i) est usuellement

modélisée sous la forme24:

24 cf. Annabi et al., 2003.

135

SMiT(t) = γS YiT(t) [PiTX(t) / PiTX(t)]σT

Où :

SMiT(t) : offre d’exportations tunisiennes en produit (i) en volume

YiT : production tunisienne totale de produit (i) en volume

PiTD : indice du prix du produit (i) sur le marché intérieur tunisien (en

monnaie locale)

PiTX: indice du prix à l’exportation tunisien du produit (i), en monnaie

locale.

γS: paramètre d’échelle

σT: élasticité de transformation vérifiant σT>0

Soit, en logarithmes :

(5) SmiT(t) = yiT + σT [piTX(t) - piTD(t)] + c1

Dans le cas de parfaite flexibilité des prix, l’équilibre entre l’offre (7)

et la demande (6) devra se réaliser par un ajustement adéquat du

prix des exportations25. Mais si l’on suppose une certaine rigidité

des prix à l’exportation, la quantité exportée se situera au minimum

entre l’offre (6) et la demande (7).

Une estimation réalisable d’un modèle à rationnement quantitatif de ce

type peut être conduite par le biais d’une fonction CES de la forme :

(6)

dans laquelle les fonctions d’offre et de demande sont définies par

les équations 6 et 7. En effet, pour de grandes valeurs du paramètre

ρ, la fonction CES fonctionne comme un opérateur Min.

Le graphique suivant illustre le comportement de la fonction CES

par rapport à deux variables S et D variant dans le temps, avec

ρ=100. On peut constater que la fonction CES passe bien par le

minimum de S et D.

Bien que l’estimation d’une fonction CES ne soit pas sans poser de

problèmes, il peut être envisageable d’estimer économétriquement

l’équation 8, conjointement avec les équations de définition

6 et 7.


!

25 Notons cependant que PiTX diffère de PiT car il ne prend pas en compte la conversion en devise étrangère, ni les droits de douane ou autres coûts supportés par les importateurseuropéens du produit i.

136


Cette étude s’est attachée à poser les jalons d’une modélisation

des exportations sectorielles tunisiennes en direction du marché

européen.

A moyen terme, le travail effectué devra permettre de réaliser des

prévisions à moyen terme (conditionnellement à des scénarios

d’environnement international) et il pourra permettre de donner aux

décideurs certaines clés permettant d’orienter les politiques

économiques et industrielles en vue d’un renforcement de la

dynamique des exportations tunisiennes.

En effet, sur le plan quantitatif, cette analyse a permis d’identifier

les secteurs les plus sensibles à des modifications de prix relatifs.

De ce point de vue, l’orientation de la spécialisation vers des biens

moins standardisés, plus spécifiques sur le plan qualitatif, doit

permettre de réduire la sensibilité de certaines exportations par

rapport aux prix relatifs (c’est le cas notamment du secteur Textile,

Habillement et Cuirs et du secteur des Industries Chimiques).

A plus court terme, ces secteurs se révèleraient les plus sensibles à

une détérioration de la compétitivité-prix, ce qui doit orienter la

réflexion sur les politiques propres à améliorer la compétitivité de ces

secteurs. Ajoutons que le secteur des hydrocarbures, qui se révèle

comme le plus sensible aux variations de prix relatifs, reste un cas

très spécifique du fait de la nature standardisée de ses produits.

En ce qui concerne les élasticités de la demande de court terme,

nous avons pu mettre en évidence que le secteur le plus sensible

est celui de l’Agriculture. Il en résulte que ce dernier est sans doute

le plus exposé aux cycles de la conjoncture internationale, mais

aussi qu’il serait stratégiquement fructueux de développer les

exportations de ce secteur en direction des marchés domestiques

internationaux les plus dynamiques.

Enfin, nous avons suggéré quelques pistes de modélisation comme

prolongements possibles de l’analyse économétrique effectuée. En

l’état actuel, les tentatives d’estimation de ces modèles se sont

révélées problématiques. Selon les tests RESET appliqués sur les

différents secteurs, les hypothèses de non-linéarités ont été rejetées,

tandis que les estimations de modèles VAR et de modèles à

rationnement quantitatif ne se sont pas révélés probants. Ces pistes

méritent néanmoins d’être explorées dans des travaux ultérieurs.

Conclusion

137


Bibliographie


et Paramétrisation dans les MCEG, CREFA, Université de

Laval.

De Boeff, S. (2000), Modeling Equilibrium Relationships: Error

Correction Models with Strongly Autoregressive Data, Political

Analysis, Vol 9, 14-48.

Dickey, D.A., and Fuller, W.A. (1981), Likelihood Ratio Statistics

for Autoregressive Time Series with a Unit Root, Econometrica,

Vol 49, pp 1057-72.

Engle, R.F., and Granger, C.W.J. (1987), 'Cointegration and error

correction: representation, estimation and testing, Econometrica,

Vol 55, pp 251-276.

Hurlin, C. (2001), L’Econométrie des Données de Panel, Ecole

Doctorale Edocif, Séminaire Méthodologique.

Narayan P.K. (2004), Reformulating Critical Values for the Bounds

F-statistics Approach to Cointegration: An Application to the

Tourism Demand Model for Fiji. Discussion Papers No. 02/04

Monash University.

Pesaran, M.H., Shin, Y., and Smith, R.J. (2001), Bounds testing

approaches to the analysis of level relationships. Journal of Applied

Econometrics, Vol 16, pp 289-326.

Wong, K. N. (2008), Disaggregated export demand of Malaysia:

evidence from the electronics industry. Economics Bulletin, Vol.

6, No. 6 pp. 1-14.

Chapitre III

Analyse des potentialités d’exportationtunisiennes

139

Table des matières

140 Introduction

141 1ère partie : Identification des produits dynamiques

141 1. Évolution des exportations et de l’avantage comparatif144 2. Évolution des parts de marché externe

145 2ème partie : Positionnement compétitif des exportations tunisiennes

148 3ème partie : Orientation des exportations et identification des marchés potentiels

148 1. Principaux marchés d’exportation 148 2. Évolution de la demande mondiale 149 3. Identification des marchés potentiels

151 Conclusion

152 Références bibliographiques


140


Introduction

L’intégration à l’économie mondiale constitue un choix

irréversible pour la Tunisie eu égard à l’ouverture croissante

des économies, à la multiplication des accords aussi bien

régionaux que multilatéraux, à la montée en puissance des

technologies de l’information et de la communication et à

l’émergence de l’économie du savoir. En effet, la Tunisie a franchi

au cours des dernières décennies des étapes importantes en

matière de libéralisation de son économie et de son intégration à

l’économie mondiale. Cette libéralisation est perceptible eu égard

au démantèlement des droits de douane dans le cadre de la mise

en place de la zone de libre échange avec l’UE et à la signature

d’autres accords régionaux et bilatéraux. Cette orientation n’a

fait que consolider la politique de promotion des exportations déjà

engagée et soutenue à travers la mise en place de plusieurs

structures d’appui (CEPEX, FAMEX, COTUNACE, etc.) pour aider

les entreprises à surmonter les problèmes auxquels elles se

heurtent et à mieux se positionner sur les marchés extérieurs.

D’autres politiques d’accompagnement ont été, également,

préconisées afin d’améliorer le climat des affaires et ce à travers

la facilitation des procédures du commerce extérieur, la réduction

des délais de dédouanement et des coûts de contrôle technique

et la mise en place d’un réseau d’administration électronique des

procédures commerciales (TTN). De telles actions ont, certes,

contribué à l’amélioration des performances commerciales de

l’économie tunisienne. Toutefois, ces performances sont

vulnérables dans la mesure où les exportations tunisiennes

demeurent concentrées sur deux secteurs à savoir le textile,

habillement et cuir et les industries mécaniques et électriques et

orientées principalement vers le marché de l’UE. Ce constat laisse

déduire la présence d’opportunités non exploitées par la Tunisie

aussi bien au niveau des marchés qu’au niveau des secteurs. Ceci

est d’autant plus réalisable que la Tunisie a connu une révolution

devant mener à un plus grand relâchement de toutes les

contraintes permettant aux entreprises de fournir plus d’efforts

pour améliorer leurs performances et garantir leur pérennité. Ce

chapitre a pour objet d’analyser la performance des exportations

tunisiennes sur la période 2003-2008 afin d’identifier les marges

de progression aussi bien au niveau des produits qu’au niveau

des marchés. L’analyse se focalisera, dans une première partie,

sur l’offre d’exportation tunisienne à travers l’identification des

produits dynamiques présentant des potentialités de croissance

et d’avantage comparatif même s’ils n’occupent, jusqu’à présent,

qu’une part très modeste dans les exportations totales de biens.

La deuxième partie consiste à apprécier le positionnement des

exportations tunisiennes de ces produits par rapport aux

concurrents. Enfin, la troisième partie se propose d’apprécier la

demande d’importation en ces produits et d’identifier les marchés

d’exportation non encore exploités.

1 Au niveau désagrégé (6 chiffres de la nomenclature du système harmonisé) à partir de la base de données Comtrade

141


1ère partie : Identification des produits dynamiques

1) Evolution des exportations et de l’avantage comparatif

Trente produits sont identifiés présentant des potentialités de

croissance en matière d’exportation et d’avantage comparatif

Cette partie a pour objectif d’identifier, à partir de l’analyse de l’offre

des exportations tunisiennes sur la période 2003-2008, les produits1

qui sont potentiellement dynamiques. Cette identification a été effectuée

selon une approche multicritère liée principalement aux exportations et

à leurs avantages comparatifs révélés en termes de niveaux et de taux

de croissance. Cette approche a permis de dégager trente produits

représentant environ 23% des exportations totales de biens en 2008

contre seulement 7.2% en 2003. Ces produits font essentiellement

partie des secteurs des IME (9.1% contre 2.2%), de la chimie (8.6%

contre 3.3%), de l’agriculture, la pêche et des IAA (4.1% contre 1.3%),

du THC (1.1% contre 0.3%) et de l’industrie diverse (0.3% contre 0.1%).

Code Nom du ProduitCroissance des

exportations (en %)Part dans le total des exportations

(en %)2003-2008 2003 2008

Agriculture, pêche et IAA dont: 1,3 4,1030239 Thons du genre thunnus, frais ou réfrigérés… 28,27 0,06 0,30040630 Fromages fondus 46,75 0,04 0,15150910 Huile d’olive vierge et ses fractions... 56,74 1,11 2,97150990 Huile d’olive et ses fractions, traitées mais non chimiquement modifiées... 107,55 0,00 0,24151000 Huiles et leurs fractions obtenues exclusivement à partir d’olives.. 203,17 0,00 0,14151710 Margarine (à l’exc. De la margarine liquide) 54,07 0,07 0,20230690 Tourteaux et autres résidus solides... 75,91 0,01 0,05

CHIMIE dont: 3,35 8,56251010 Phosphates de calcium et phosphate aluminocaciques... 28,89 0,32 0,76280920 Acide phosphorique, acides polyphosphoriques 29,88 1,53 3,75283525 Hydrogénorthophosphate de calcium 24,04 0,12 0,33283526 Phosphates de calcium 50,85 0,00 0,47310310 Superphosphates 36,53 1,38 3,24

THC dont: 0,32 1,06520839 Tissus de coton, teints... 116,31 0,00 0,06611249 Maillots, culottes de bain pour femmes ou fillettes 24,29 0,11 0,18621010 Vêtements en feutres ou non-tissés 68,72 0,20 0,82

IME dont: 2,24 9,06721030 Produits laminés plats, en fer ou en aciers non alliés… 104,17 0,00 0,12721049 Produits laminés plats, en fer ou en aciers non alliés, zingués… 105,32 0,02 0,60721491 Barres en fer ou en aciers non alliés... 91,80 0,00 0,08740620 Poudres de cuivre à structure lamellaire… 42,16 0,03 0,11847190 Lecteurs magnétiques ou optiques… 143,82 0,00 0,42851750 Emetteurs-récepteurs pour la télécommunication... 338,66 0,00 0,84852812 Appareils récepteurs pour la télévision en couleurs... 122,78 0,01 0,88853180 Appareils électriques de signalisation acoustique ou visuelle 129,03 0,00 0,35853690 Appareillage pour le blanchement... 45,15 1,68 3,00854430 Jeux de fils pour bougies d’allumage... 64,99 0,17 0,89854459 Conducteurs électriques... 56,69 0,25 1,24854890 Parties électriques de machines ou d’appareils... 71,38 0,05 0,46902830 Compteurs d’électricité 81,99 0,01 0,19

DIVERS dont: 0,08 0,25

961210 Rubans encreurs pour machines à écrire 23,23 0,07 0,13961390 Parties de briquets et allumeurs 101,17 0,01 0,12

Total 7,27 22,99

Tableau 1 : Croissance des exportations

142


Graphique 1 : Evolution des exportations tunisiennes sur la période 2003-2008

0

500 000

1 000 000

1 500 000

2 000 000

2 500 000

3 000 000

3 500 000

2003 2004 2005 2006 2007 2008

2003 2004 2005 2006 2007 2008

2003 2004 2005 2006 2007 2008

0

100 000

200 000

300 000

400 000

500 000

600 000

700 000

0

100 000

200 000

300 000

400 000

500 000

600 000

611249

283525

854430

621010

854459

251010

150910

310310

280920

853690

902830

230690

852812

721049

740620

040630

854890

030239

151710

961212

721030

283526

853180

150990

151000

520839

851750

721491

847190

961390

143


Il est à rappeler que ces produits disposent également d’une

croissance élevée de leur avantage comparatif révélé comme

l’indique le tableau suivant.

Tableau 2 : Evolution de l’avantage comparatif

Code produits

Produits 2003 2008

030239 Thons du genre thunnus, frais ou réfrigérés… 7,88 54,69

040630 Fromages fondus 1,94 9,37

150910 Huile d’olive vierge et ses fractions... 30,84 90,21

150990 Huile d’olive et ses fractions, traitées mais non chimiquement modifiées... 0,04 26,03

151000 Huiles et leurs fractions obtenues exclusivement à partir d’olives... 0,38 61,48

151710 Margarine (à l’exc. De la margarine liquide) 5,12 14,71

230690 Tourteaux et autres résidus solides... 7,91 29,10

251010 Phosphates de calcium et phosphate aluminocaciques... 28,33 29,52

280920 Acide phosphorique, acides polyphosphoriques 66,82 69,39

283525 Hydrogénorthophosphate de calcium 41,00 82,48

283526 Phosphates de calcium 0,00 59,02

310310 Superphosphates 205,38 144,00

520839 Tissus de coton, teints... 0,14 7,32

611249 Maillots, culottes de bain pour femmes ou fillettes 44,85 142,47

621010 Vêtements en feutres ou non-tissés 16,65 64,06

721030 Produits laminés plats, en fer ou en aciers non alliés… 0,00 3,13

721049 Produits laminés plats, en fer ou en aciers non alliés, zingués… 0,18 3,83

721491 Barres en fer ou en aciers non alliés... 0,36 4,60

740620 Poudres de cuivre à structure lamellaire… 26,72 66,14

847190 Lecteurs magnétiques ou optiques… 0,08 8,71

851750 Emetteurs-récepteurs pour la télécommunication... 0,01 8,95

852812 Appareils récepteurs pour la télévision en couleurs... 0,03 1,57

853180 Appareils électriques de signalisation acoustique ou visuelle 0,01 26,20

853690 Appareillage pour le blanchement... 7,15 14,40

854430 Jeux de fils pour bougies d’allumage... 0,85 5,69

854459 Conducteurs électriques... 3,04 7,18

854890 Parties électriques de machines ou d’appareils... 0,91 14,71

902830 Compteurs d’électricité 0,58 16,37

144


2) Evolution des parts de marché externe

La majorité des produits de l’échantillon ont vu leur part de

marché s’améliorer

L’examen de l’évolution des parts de marché à l’exportation des

produits sus-mentionnés sur le monde montre qu’elles ont connu

dans leur majorité une nette amélioration sur la période 2003-2008

dont on cite principalement les émetteurs-récepteurs pour la


exclusivement à partir d’olives, les lecteurs magnétiques ou

optiques, les appareils électriques de signalisation acoustique ou

visuelle et le phosphate de calcium. En effet, les parts de marché

de la Tunisie en ces produits qui étaient presque nulles en 2003sont

passées d’environ 0% en 2003 à 1.2%, 8.4%, 1.2%, 3.6% et 8%

respectivement en 2008.

Tableau 3 : Evolution des parts de marché de la Tunisie sur le monde (en %)

Produits 2003 2008

Thons du genre thunnus, frais ou réfrigérés… 0,94 7,44

Fromages fondus 0,23 1,28

Huile d’olive vierge et ses fractions... 3,69 12,28

Huile d’olive et ses fractions, traitées mais non chimiquement modifiées... 0,01 3,54

Huiles et leurs fractions obtenues exclusivement à partir d’olives... 0,05 8,37

Margarine (à l’exc. De la margarine liquide) 0,61 2,00

Tourteaux et autres résidus solides... 0,95 3,96

Phosphates de calcium et phosphate aluminocaciques... 3,39 4,02

Acide phosphorique, acides polyphosphoriques 7,99 9,44

Hydrogénorthophosphate de calcium 4,90 11,23

Phosphates de calcium 0,00 8,03

Superphosphates 24,56 19,60

Tissus de coton, teints... 0,02 1,00

Maillots, culottes de bain pour femmes ou fillettes 5,36 19,39

Vêtements en feutres ou non-tissés 1,99 8,72

Produits laminés plats, en fer ou en aciers non alliés… 0,00 0,43

Produits laminés plats, en fer ou en aciers non alliés, zingués… 0,02 0,52

Barres en fer ou en aciers non alliés... 0,04 0,63

Poudres de cuivre à structure lamellaire… 3,20 9,00

Lecteurs magnétiques ou optiques… 0,01 1,19

Emetteurs-récepteurs pour la télécommunication... 0,00 1,22

Appareils récepteurs pour la télévision en couleurs... 0,00 0,21

Appareils électriques de signalisation acoustique ou visuelle 0,00 3,57

Appareillage pour le blanchement... 0,86 1,96

Jeux de fils pour bougies d’allumage... 0,10 0,77

Conducteurs électriques... 0,36 0,98

Parties électriques de machines ou d’appareils... 0,11 2,00

Compteurs d’électricité 0,07 2,23

145


2ème partie : Positionnement compétitif desexportations tunisiennes uxième étape

Les exportateurs tunisiens ont nettement amélioré leur position

par rapport aux concurrents pour certains produits de

l’échantillon

Les exportations des produits retenus dans l’échantillon ont connu

au cours des années 2003 et 2008 une évolution différenciée par

rapport aux concurrents. Ce qui nous a permis de les grouper en

3 groupes à savoir :

- Un premier groupe pour lequel la Tunisie ne figure pas parmi les

premiers fournisseurs du monde. Il s’agit des produits laminés

plats en fer ou en aciers non alliés, des barres en fer ou en aciers

non laminés, des appareils récepteurs pour télévisions en couleur,

des jeux de fils pour bougies d’allumage et autres jeux de fils

pour moyens de transport et des conducteurs électriques.

Toutefois, ces produits pourraient présenter des marges de

progression pour les exportations tunisiennes étant donné

l’amélioration de leur avantage comparatif et de la croissance

de leurs exportations leur permettant d’occuper environ 4% en

2008 contre 0.5% en 2003 du total des exportations de biens

et 17% contre 6% du total de l’échantillon.

854459Conducteurs électriques

854430Jeux de fils pour bougiesd’allumage

854459Appareils récepteurs pour la télévision en couleur

721491Barres en fer ou en aciersnon alliés

721049Produits laminés plats, en ferou en aciers non alliés, zingués

2003 2008 2003 2008 2003 2008 2003 2008 2003 2008

Allemagne Allemagne Mexique Mexique Mexique Mexique Italie Italie Belgique Belgique

États-Unis Chine AllemagneChine Chine

Chine TchéquieRoyaume-Uni

Allemagne Chine

Italie États-Unis États-Unis Roumanie Corée Slovaquie Suède Espagne Japon Japon

France Italie Pologne Pologne Turquie Pologne Luxembourg France Pays-Bas AllemagneRoyaume-Uni

Pologne Portugal Allemagne Malaisie HongrieRoyaume-Uni

Bulgarie Taïwan Corée

Mexique Turquie Roumanie Tchéquie Espagne Tchéquie France Tchéquie France Inde

Chine France Slovaquie Slovaquie Japon Espagne canada Luxembourg Corée Italie

Pologne Japon Philippines Philippines Thaïlande Turquie Espagne Danemark Italie Taïwan

canada Mexique Chine Hongrie Pologne Pays-Bas Japon Suède Autriche Autriche

Taïwan Espagne Tchéquie États-Unis France Allemagne Belgique États-Unis Kazakhstan France

Belgique Tchéquie Autriche Vietnam Belgique Malaisie Allemagne Allemagne canada Pays-Bas

Pays-Bas Autriche France Corée Allemagne Corée États-Unis Taïwan États-Unis États-Unis

Suisse Corée Hongrie Ukraine Hongrie Taïwan Brésil Japon Russie Slovaquie

Suède Hongrie Thaïlande IndonésieRoyaume-Uni

France Taïwan Belgique Finlande Kazakhstan

Espagne Norvège Espagne Thaïlande Singapour Belgique Pologne canada Brésil canada

Japon Belgique Corée Turquie Pays-Bas Thaïlande Suisse Suisse Inde Finlande

TchéquieRoyaume-Uni

Lituanie Maroc États-Unis Suède Bulgarie Pologne Espagne

Union Douanièred'AfriqueAustrale

CoréeSuède Japon Portugal Tchéquie

Royaume-Uni

Inde Brésil


Espagne

Turquie Pays-Bas Vietnam France Danemark Japon Pays-Bas Chine Slovaquie Estonie

Tabeau 4 : Premiers exportateurs sur le monde

146


- Un deuxième groupe pour lequel la Tunisie ne figure pas parmi

les premiers exportateurs mondiaux en 2003 alors qu’elle y

est en 2008 reflétant l’effort déployé par les exportateurs

tunisiens pour améliorer leur position compétitive. Ceci est

d’autant plus significatif que la Tunisie se trouve en 2008,

pour certains produits de ce groupe en 4ème position pour

l’huile d’olive2 et ses fractions, pour l’huile d’olive et ses

fractions obtenues exclusivement à partir d’olives et par des

procédés autres que mécanique ou physique et pour les

parties de briquets et allumeurs et en 5ème position pour le

thon du genre thunnus frais ou réfrigéré et pour le phosphate

de calcium.

961390Parties de briquets et allumeurs

283526Phosphates de calcium

151000Huiles et leurs fractions obtenues exclusivement àpartir d’olives

150990Huile d’olive et ses fractions,traitées mais non chimique-ment modifiées

030239Thons du genre thunnus,frais ou réfrigérés

2003 2008 2003 2008 2003 2008 2003 2008 2003 2008

Japon Chine États-Unis États-Unis Italie Espagne Italie Espagne Espagne Espagne

Chine France


FinlandeEspagne Italie Espagne Italie Mexique Turquie

France Italie Pays-Bas Russie Grèce Grèce Turquie Portugal Australie Malte

Italie Tunisie Finlande Chine Indonésie Tunisie Portugal Tunisie Croatie Indonésie

Pays-Bas Pays-Bas Chine Tunisie Portugal Portugal Syrie Turquie Indonésie Tunisie

Belgique Japon Allemagne Lituanie Turquie Turquie Grèce Grèce Taïwan Taïwan

États-Unis Thaïlande Russie Allemagne États-Unis MarocRoyaume-Uni

France Turquie Croatie

Espagne Espagne France Suède SyrieRoyaume-Uni

Argentine Vietnam Vietnam Italie

Mexique Philippines Taïwan


Belgique Belgique France Syrie Japon Australie

Allemagne Brésil Suède France Maroc Allemagne Liban Liban États-Unis ChypreSlovénie

États-UnisRoyaume-Uni

ItalieRoyaume-Uni

Australie États-Unis Maroc Italie Maroc

Brésil Allemagne Colombie Hongrie Liban États-Unis Allemagne États-Unis Maroc Mexique

Corée Singapour Israël Espagne France Bulgarie Maroc Argentine France Oman

PhilippinesRoyaume-Uni

Italie Mexique Malaisie Tchéquie IndonésieRoyaume-Uni

Canada Vietnam

Indonésie Inde Mexique Colombie Inde Pays-Bas Croatie Allemagne Costa Rica Japon

Inde Suisse Turquie Brésil Argentine France Pays-Bas Australie Tunisie Grèce

Royaume-Uni

Corée Lituanie Turquie Jordanie Japon


BelgiquePapouasieNouvelle-Guinée

Malaisie

Singapour Slovénie Danemark Kazakhstan Suède Canada Australie Taïwan Brésil Canada

Taïwan Russie Japon Israël Allemagne Lituanie Singapour Singapour Maldives États-Unis


2 Traitées mais non chimiquement modifiées, obtenues, à partir des fruits de l’olivier, uniquement par des procédés mécaniques ou physiques, dans des conditions n’altérantpas l’huile

147


- Un troisième groupe pour lequel la Tunisie a nettement

consolidé sa position en 2008 par rapport à 2003 dont on cite

les vêtements en feutre ou non tissés (même imprégnés,

enduits, recouverts) (3ème rang contre 11ème) et les tourteaux

et autres résidus solides de l’extraction de graisse ou huiles

végétales (6ème contre 14ème).

621010Vêtements en feutres ou non-tissés

230690Tourteaux et autres résidus solides

2003 2008 2003 2008

Chine Chine États-Unis Inde

Mexique Italie Inde Chine

Italie Tunisie Espagne Espagne

Luxembourg Luxembourg Belgique Kazakhstan

États-Unis KHM Chine États-Unis

Royaume-Uni États-Unis Pays-Bas Tunisie

Allemagne Mexique Syrie Belgique

Pays-Bas Philippines Népal Argentine

Brunei Allemagne France Danemark

Indonésie Pays-Bas Grèce France

Tunisie Royaume-Uni Canada Thaïlande

France Indonésie Royaume-Uni Indonésie

Slovaquie Vietnam Singapour Géorgie

Portugal Belgique Tunisie Canada

Thaïlande Thaïlande Thaïlande Syrie

Belgique Slovaquie Indonésie Italie

Bulgarie France Danemark Singapour

Pologne Roumanie Allemagne Grèce

Singapour Espagne Mexique Kenya


148


3ème partie : Orientation des exportations etidentification des marchés potentiels

1) Principaux marchés d’exportation

Si les exportations de la majorité des produits de l’échantillon

sont principalement orientées vers le marché de l’UE et, à un

degré moindre, vers des pays arabes proches, il n’en demeure

pas moins qu’elles sont orientées pour certains produits vers

des marchés non traditionnels.

Les investigations effectuées sur l’identification des principaux

marchés d’exportation de la Tunisie pour l’échantillon de produits

durant la période 2003-2008 font ressortir les résultats

suivants:

- Une faible diversification des marchés dans la mesure où les

exportations sont, pour la majorité de ces produits, orientées

vers des pays de l’UE dont principalement la France, l’Italie

et l’Espagne;

- l’accès des exportations au marché arabe est restreint

principalement à la Libye et à un degré moindre à l’Egypte et

au Maroc dans la mesure où ces trois pays constituent les

principaux clients de la Tunisie pour certains produits de

l’échantillon. Toutefois et suite à l’instabilité liée à la révolution

qu’a vécue les deux premiers pays, la Tunisie pourrait rencontrer

au cours des prochains mois de 2011 certains problèmes

d’accès à ces marchés. D’autres pays arabes figurent aussi

comme clients pour la Tunisie mais d’une façon très timide. Il

s’agit de la Syrie et du Liban pour le phosphate dicalcique, de

l’Arabie Saoudite pour ce même produit et pour l’huile d’olive

vierge, du Qatar pour ce dernier et de la Jordanie pour la

margarine;

- la diversification des marchés est remarquable pour certains

produits de l’échantillon étant donné que leurs exportations

sont orientées vers un nombre relativement élevé de marchés.

Il s’agit des conducteurs électriques (pour tension entre 80 et

1000 V sans pièces de connexion), des relais (pour une tension

entre 60 et 1000 V), des superphosphates, de l’Acide

phosphorique, du phosphate dicalcique, des Phosphates de

calcium et phosphates aluminocalciques naturels et craies

phosphatées non moulus et de l’huile d’olive vierge;

- Le Japon constitue le premier client de la Tunisie pour le thon

du genre thunnus frais ou réfrigéré suivi par la France, l’Italie,

l’Espagne et l’Allemagne.

2) Évolution de la demande mondiale

L’examen de l’évolution des importations mondiales pour

l’échantillon de produits retenus montre que celles-ci ont connu,

à l’exception des émetteurs-récepteurs pour la télécommunication,

une croissance moyenne relativement élevée sur la période 2003-

2008 reflétant l’effort déployé par les exportateurs tunisiens pour

s’adapter à la demande mondiale.

149


L’analyse gagnerait en pertinence en mettant l’accent sur la

demande d’importation par pays pour cerner les principaux

importateurs de ces produits et voir dans quelle mesure la Tunisie

est orientée vers ces pays ; ce qui permettrait d’identifier, pour

chaque produit, les marchés d’exportation potentiels.

3) Identification des marchés potentiels

Les exportations tunisiennes pour les produits de l’échantillon

ne sont pas généralement orientées vers les pays les plus

demandeurs

L’examen des principaux pays importateurs pour les années 2003

et 2008 montre la présence de potentialités d’exportation que la

Tunisie pourrait exploiter dans la mesure où les exportations

tunisiennes par produit ne sont pas généralement orientées vers les

pays les plus demandeurs3. Dans ce cadre, les investigations

empiriques ont permis d’identifier les marchés potentiels notamment

pour les quatre premiers produits dynamiques du côté des

exportations tunisiennes (les émetteurs-récepteurs pour la


exclusivement à partir d’olives, les lecteurs magnétiques ou optiques

et les appareils électriques de signalisation acoustique ou visuelle )

et du côté des importations mondiales ( les superphosphates, les

tourteaux et autres résidus solides, même broyés ou agglomérés

de l’extraction de graisses ou huiles végétales, l’acide phosphorique

et les conducteurs électriques pour tension entre 80 et 1000 V sans

pièces de connexion).

-5%

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

3103

10

2306

90

2809

20

8544

59

2510

10

2835

26

7214

91

7210

49

1510

00

7406

20

8528

12

2835

25

1517

10

6210

10

1509

10

7210

30

1509

90

8536

90

9028

30

5208

39

0406

30

8544

30

8531

80

0302

39

8548

90

8471

90

6112

49

8517

50

Graphique 2 : Croissance des importations mondiales sur la période 2003-2008

3 Ce sont les dix premiers importateurs en 2003 et 2008

150


Table 7 : Marchés potentiels pour les quatre premiers produits dynamiques du côté des exportations tunisiennes

851750Emetteurs-récepteurs pour la télécommunication

151000Huiles et leurs fractions obtenuesexclusivement à partir d’olives

847190Lecteurs magnétiques ou optiques

853180Appareils électriques de signalisationacoustique ou visuelle

Allemagne Bulgarie Belgique Australie

Espagne Espagne Chine Canada

Royaume-Uni France Espagne Espagne

Hong Kong Pays-Bas Hong Kong Royaume-Uni

Inde Pologne Israël Hong Kong

Japon Portugal Italie Japon

Pays-Bas Roumanie Japon Corée

Pologne États-Unis Malaisie Mexique

États-Unis Singapour Pays-Bas

Suède Thaïlande

Thaïlande Turquie

États-Unis États-Unis

Table 8 : Marchés potentiels pour les quatre premiers produits dynamiques du côté des importations mondiales

310310Superphosphates

230690Tourteaux et autres résidus solides

280920Acide phosphorique, acides poly-phosphoriques

854459Conducteurs électriques

Argentine Bahamas Canada Autriche

Australie Indonésie Allemagne Canada

Belgique Inde Royaume-Uni Chine

Chili Japon Corée Tchéquie

Indonésie Corée Thaïlande Allemagne

Japon Mexique Espagne

Sri Lanka Malaisie Royaume-Uni

Pays-Bas Thaïlande Hong Kong

Paraguay Taïwan Hongrie

Vietnam Italie

Japon

Mexique

Pays-Bas

Thaïlande

États-Unis

151


Conclusion

L’analyse des exportations montre que la Tunisie dispose des

potentialités de croissance aussi bien par produit que par marché

qu’il importe d’exploiter. Elle révèle :

- la présence des marges de progression en matière d’exportation

et d’avantage comparatif au niveau d’un échantillon de 30

produits,

- l’amélioration des parts de marché externe pour la majorité de

ces produits,

- la consolidation du positionnement compétitif des exportateurs

tunisiens par rapport aux concurrents pour certains produits,

- la concentration des exportations de la majorité des produits de

l’échantillon sur des pays de l’UE et, à un degré moindre, sur

des pays arabes proches,

- l’orientation des exportations de certains produits vers des

marchés arabes non traditionnels et

- le manque d’orientation des exportations tunisiennes de

l’échantillon de produits vers les marchés les plus demandeurs.

Méthodologie :

Cette typologie a été arrêtée avec l’expert Michael Gasiorek. Elle

comporte deux étapes dont la première consiste à classer les

exportations tunisiennes par produit au niveau six chiffres de la

nomenclature du système harmonisé (NSH6) selon leur part dans

le total de biens afin d’identifier ensuite les principaux produits dont

les exportations et l’avantage comparatif sur l’UE et sur le monde

ont crû d’une façon remarquable sur la période 2003-2008.

Une analyse multicritères a été effectuée par l’expert pour arrêter

un échantillon de 30 produits considérés potentiels pour les


La deuxième étape de la méthodologie consiste à déterminer,

pour chacun des principaux produits identifiés dans la première

étape :

1. les premiers exportateurs sur le monde afin d’apprécier le

positionnement de la Tunisie par rapport à ses concurrents ;

2. les principaux marchés d’exportation de la Tunisie ;

3. les premiers importateurs du monde ;

4. les marchés potentiels de la Tunisie (ceux qui figurent parmi

les principaux importateurs et ne sont pas des clients de la

Tunisie).

Source de données :

Les données utilisées pour cette étude ont pour source la base de

données comtrade sur le commerce extérieur gérée par la Division

des Statistiques de l’Organisation des Nations Unies. Ces statistiques

sont fournies selon la nomenclature internationale du Système

Harmonisé de codification de marchandises. Elles sont exprimées

en dollar courant des Etats-Unis et en quantité.

Indicateurs :

Les indicateurs ont été calculés, dans leur majorité, à l’aide d’un

logiciel « Tradesift » installé par l’expert et concernent principalement :

- la part du produit i dans le total des exportations tunisiennes :

c’est le rapport entre la valeur des exportations du produit i et

la valeur du total des exportations de biens,

- la part de marché de la Tunisie du produit i sur le monde : c’est

la valeur des exportations tunisiennes du produit i par rapport à

celle des importations mondiales et,

152


- l’avantage comparatif révélé du produit i ou l’indice de

spécialisation: c’est la part de marché de la Tunisie en produit i

rapporté à la part de marché de la Tunisie pour le total de biens

(tous produits confondus). Si l’avantage est supérieur à 1, on dit

que la Tunisie dispose d’un avantage comparatif pour ce produit.

Références bibliographiques :

Lafay G.(1988) « Les indicateurs de spécialisation internationale »

Document de travail du CEPII n° 88.01

Travernier Jean-Luc. Echanges extérieurs et avantages comparatifs :

la spécialisation de la France confrontée à celle de ses concurrents.

In : Economie et prévisions n°94-95.

« L’avantage comparatif, notion fondamentale et controversée »,

CEPII, l’économie mondiale 2002 p90-104.

Chapitre IV

Assistance à l’analyse du systèmeproductif tunisien

154


Table des matières

155 1. Synthèse du travail réalisé

155 1.1 Exploitation des bases de données individuelles

156 1.2 Détermination d’un cadre méthodologique pour analyser l’évolution de la productivité de l’industrie tunisienne

157 2. Analyse des résultats

157 2.1 Analyse descriptive de la base de données d’entreprises de l’industrie tunisienne

169 2.2 L’analyse de la décomposition de la productivité

170 2.2.1 Le principe des méthodes de décomposition

171 2.2.2 Résultats

176 2. conclusion

177 Bibliographie

155


1. Synthèse du travail réalisé

Ala suite de la première mission en septembre, les besoins de

l’ITCEQ qui ont émergé, étaient ciblés prioritairement sur deux

points : (i) l’exploitation des bases de données individuelles, et (ii) la

détermination d’un cadre d’analyse pour étudier l’évolution de la

productivité du travail des entreprises tunisiennes.

1.1 Exploitation des bases de donnéesindividuelles

Une des principales préoccupations de l’équipe de l’ITCEQ

concernant l’utilisation des données individuelles est le problème

du nettoyage. Cette partie du travail est primordiale puisqu’elle

conditionne la qualité des résultats et de l’analyse qui sera effectuée

à partir de ces données. De plus, il est important de suivre une

procédure rigoureuse et de contrôler les changements successifs

de la base qui sont consécutifs aux différentes étapes du nettoyage.

Cette procédure, qui se programme sur Stata, demande du temps

et une maîtrise correcte du logiciel.

La procédure comprend deux grandes étapes. La première consiste

à préparer la base sur Stata (constitution d’une base unique à partir

de différents fichiers de données, harmonisation des questionnaires,

interpolations, etc.). La seconde étape consiste à “nettoyer à

proprement parler”, c'est-à-dire à supprimer les valeurs aberrantes,

ainsi que des observations lorsque les principales variables ne sont

pas renseignées.

L’assistance technique apportée par l’équipe du DEFI a consisté,

- premièrement, à présenter les méthodes de nettoyage des bases

de données d’entreprises utilisées le plus couramment dans la

littérature (cf. diapositives en Annexe) ;

- deuxièmement, à présenter et à expliquer les principales

commandes de la gestion des bases de données sur Stata (cf.

diapositives en Annexe) ;

- troisièmement, à créer, sous Stata, une base unique regroupant

l’ensemble des données disponibles issues des Enquêtes,

lesquelles étaient initialement sur des fichiers Excel séparés par

année et par catégorie de variables (état résultat, emploi, passif,

actif, immobilisations, identification, autres valeurs comptable et

autre valeurs comptables et suite).

Le passage de ces fichiers Excel à une base complète sur Stata,

nécessitait :

- d’harmoniser chacun des fichiers Excel pour les rendre

comparables,

- de créer des correspondances entre des questionnaires différents

(changement de questionnaire à partir de 98, cf. en Annexe le

tableau de correspondance que nous avons réalisé, avec

l’information sur les coefficients de corrélation),

- d’ajouter les indices de prix,

- de faire la fusion de l'ensemble de ces fichiers pour avoir une

base complète sur STATA.

- quatrièmement, à élaborer, avec l’équipe de l’ITCEQ, le

programme de la procédure de nettoyage, dans lequel nous

avons introduit de nombreux commentaires, de façon à ce que

l’ITCEQ puisse non seulement l’utiliser, mais surtout le modifier

à leur convenance.

Principaux résultats de cette première partie (I.1)


de nettoyage des données microéconomiques et sur la gestion

156

des bases de données sur le logiciel Stata.

- En termes d’ouput, l’ITCEQ dispose (i) d'une base de données

complète sous Stata avec l’ensemble des variables disponibles

issues de l’Enquête, sur une période de 11 ans (1997-2007) et

(ii) d’un programme de nettoyage sous Stata que nous avons

validé ensemble au cours de la dernière mission en Avril.

1.2 Détermination d’un cadre méthodologiquepour analyser l’évolution de la productivité del’industrie tunisienne

Les discussions au cours de la première mission à Tunis ont

débouché sur la décision d’appliquer la méthode de décomposition

de la productivité. Cette méthode consiste à identifier dans quelle

mesure les progrès de productivité sont attribuables à des

augmentions de productivité à l’intérieur des entreprises ou au

phénomène de réallocation.

L’assistance technique apportée par l’équipe du DEFI a consisté,

- premièrement, à présenter et à expliquer les différentes méthodes

de décomposition de la productivité utilisées dans la littérature

sur données individuelles (cf. diapositives en Annexe) ;

- deuxièmement, à élaborer le programme de décomposition

choisie sur Stata et à expliquer le contenu et les différentes

étapes de ce programme à l’équipe de l’ITCEQ dans le but

que ses cadres puissent l’utiliser sans dépendre de l’équipe

du DEFI.

Principaux résultats de cette deuxième partie (1.2)


de décomposition utilisées dans la littérature.

- En termes d’ouput, l’ITCEQ dispose d’un programme de

décomposition de la productivité sous Stata.


157


2. Analyse des résultats

Nous procédons, dans une première section, à une analyse

descriptive de la base de données des entreprises tunisiennes

issues de l’échantillon des Enquêtes sur une période allant de 1997

à 2007. Dans la section suivante, nous analysons les résultats de

la décomposition de la productivité.

2.1 Analyse descriptive de la base de donnéesd’entreprises de l’industrie tunisienne

L’ensemble des données de la base sont issues des Enquêtes

Annuelles conduites par l’Institut National de la Statistique tunisien et

qui sont mises à disposition de l’ITCEQ. La base concerne les secteurs

de l’industrie tunisienne de 1997 à 2007. Elle contient des informations

sur la production, les consommations intermédiaires, l’emploi

permanent, l’emploi saisonnier, le secteur d’activité, la région et la

structure du capital. Le passage à prix constant a été effectué en

utilisant les indices de prix à la production, à la valeur ajoutée et les

indices de prix des consommations intermédiaires à 5 digits. L’indicateur

de performance des entreprises qui est utilisé est la productivité du

travail, obtenu, au niveau de chaque entreprise, par le ratio de la valeur

ajoutée à prix constant sur l’effectif total, cet effectif total comprenant

à la fois l’effectif permanent et les emplois saisonniers.

En ne retenant que le secteur industriel, la base “brute” initiale compte

16 442 observations, ce qui représentent 4 464 entreprises. Une

fois nettoyée (la procédure de nettoyage est détaillée dans l’encadré

1), la base non cylindrée comprend 15 202 observations et 4 206

entreprises. Le tableau 1 donne le nombre d’entreprises par année.

Il est le plus faible en 2007, avec 1 180 et, au plus haut, en 2000,

avec 1 613 entreprises.

Tableau 1 : Nombre de firmes par année

Années Nombre de firmes

1997 1380

1998 1471

1999 1385

2000 1613

2001 1586

2002 1333

2003 1253

2004 1247

2005 1318

2006 1436

2007 1180

Nombre d’observations 15 202

158

Le tableau 2 indique le nombre d’entreprises selon le nombre d’années

de présence dans la base. Précisons que ce nombre d’années de

présence peut ne pas être consécutif. On constate que, seules, 89

firmes sont présentes pour toutes les années, c'est-à-dire pendant 11

ans. On observe aussi qu’un très grand nombre d’entreprises (1 469,

soit environ 35% des firmes) n’apparaissent qu’une seule année.


Tableau 2 : Nombre d’entreprises selon le nombre d’années de présence dans la base

Nombre d’années de présence dans la base Nombre d'entreprises En pourcentage

1 1469 35%

2 561 13%

3 469 11%

4 327 8%

5 322 8%

6 318 8%

7 205 5%

8 178 4%

9 140 3%

10 128 3%

11 89 2%

Total 4206 100%

Tableau 3 : Nombre de firmes par secteur

Secteur Nombre de firmes En pourcentage

1 Agro-alimentaire et Tabac 561 13%

2 Textile 262 6%

3 Habillement 1236 29%

4 Chaussures et Cuir 250 6%

5 Bois, Papier et Edition 283 7%

6 Chimie et Pharmacie 179 4%

7 Caoutchouc et Produits plastiques 159 4%

8 Matériaux non métalliques 314 7%

9 Matériaux métalliques 320 8%

10 Equipements, Machines et Appareils électriques 329 8%

11 Industrie automobile et autres équipements de transport 102 2%

12 Meubles 211 5%

Le tableau qui suit (tableau 3) montre la répartition des firmes de

l’échantillon par secteur. Les plus représentés sont l’habillement (29%)

et l’agro-alimentaire (13%). A eux seuls ils représentent 42% des

entreprises de l’échantillon. Le secteur de l’automobile ne représente,

en revanche, que 2% du nombre d’entreprises, suivi par les secteurs

chimie & pharmacie et, caoutchouc & produits plastiques (4% chacun).

159


La répartition par taille des 4 206 entreprises a été réalisée sur la base

du critère de l’emploi total moyen de chaque entreprise, en utilisant la

méthode des quantiles. La répartition obtenue classe dans le groupe

de “petites”, les entreprises qui un nombre d’employés total inférieur

ou égal à 23. Autrement dit, le premier tiers des entreprises de

l’échantillon ont, en moyenne, un nombre d’employés inférieur ou égal

à 23. Dans le groupe de “moyennes” (qui correspond au second tiers

des entreprises), les firmes ont un nombre d’employés strictement

supérieur à 23 et inférieur ou égal à 77. Les “grandes” (le dernier tiers

des entreprises de l’échantillon) ont plus de 77 employés.

Encadré 1. Cleaning Procedure

La procédure que nous avons élaborée est largement inspirée de Hall and Mairesse (1995).On supprime les firmes qui n'ont jamais renseigné leur VA ou leur emploi. On supprime également les observations avec des variables nulles, non renseignées ou négatives, ainsi que celles ayant des taux de croissance annuels des ratios VA/Emploi total,Consommations intermédiaires/Emploi total, Revenu/Emploi total ou Capital/Emploi total, supérieurs à 500% ou inférieurs à -500%.

Tableau 4 : Nombre d’entreprises par taille selon le nombre d’années de présence dans la base


Nombre Pourcentage


1 1469 732 455 282 50% 31% 19%

2 561 195 205 161 35% 37% 29%

3 469 144 172 153 31% 37% 33%

4 327 84 104 139 26% 32% 43%

5 322 114 106 102 35% 33% 32%

6 318 68 109 141 21% 34% 44%

7 205 27 78 100 13% 38% 49%

8 178 17 67 94 10% 38% 53%

9 140 10 46 84 7% 33% 60%

10 128 3 24 101 2% 19% 79%

11 89 1 15 73 1% 17% 82%

Le tableau 4 montre la répartition des entreprises par taille selon

le nombre d’années de présence dans la base. En considérant

la première ligne du tableau, on voit, par exemple, que parmi les

1469 firmes présentes une seule année, la moitié (c’est à dire

732) sont dans la catégorie des “petites”, un tiers environ (soit

455) appartiennent à la catégorie “des moyennes” et 19% (soit

282 entreprises) sont considérées comme “grandes”. Les entrées

et sorties de l’échantillon (qui ne sont pas forcément, rappelons-

le, des nouvelles entreprises ou des cessations d’activité)

concernent, par conséquent, davantage les firmes de petite taille.

La répartition par taille des entreprises présentes pendant 5

années correspond globalement à la répartition par quantile des

4 206 entreprises de l’échantillon. Environ 80% des entreprises

présentes dans la base durant 11 ou 10 années appartiennent

à la catégorie des “grandes” entreprises. Les entreprises ayant

plus de 77 employés en moyenne sont donc présentes dans

l’échantillon durant un nombre d’années plus élevé que les

“moyennes” et surtout “les petites”.

160

Dans le tableau 5, on s’intéresse à la répartition des entreprises de

la base par taille à l’intérieur des secteurs. Par exemple, on peut

voir, dans la deuxième partie du tableau, que la répartition dans le

secteur 10 (équipement électrique) est le plus proche de la répartition

des firmes de l’ensemble de la base. 30% des entreprises sont en

effet de petite taille, 36% appartiennent à la catégorie des moyennes

et 35% sont grandes. Les chiffres en gras ou surlignés en gris mettent

en évidence, en revanche, les cas où les pourcentages sont éloignés

de ceux qui correspondent à l’ensemble des secteurs. Les

pourcentages les plus élevés sont en gras et les pourcentages les

plus faibles sont surlignés en gris. On constate que les entreprises

dans la catégorie des “petites” sont relativement plus présentes

dans le secteur du bois, papier & édition (58%), dans l’agro-

alimentaire (57%), dans la fabrication de meubles (51%) et dans les

matériaux métalliques (45%). En revanche, elles sont moins présentes

dans deux secteurs : l’habillement (10%) et les chaussures et cuir

(23%). C’est dans ce seul secteur du cuir et chaussures, que les

entreprises “moyennes” sont relativement les plus présentes, avec

une part de 40%. C’est aussi dans un seul secteur (l’agro-alimentaire)

que ces entreprises “moyennes” sont relativement moins présentes

(21%). Enfin, les entreprises considérées comme “grandes” sont

plus fortement présentes dans l’habillement (57%), mais relativement

moins présentes dans le bois, papier & édition (13%), les matériaux

métalliques (17%) et l’agro-alimentaire (22%).


Tableau 5 : Répartition des entreprises par secteur et par taille

SecteursNombre Pourcentage


1. Agro-alimentaire & taire 561 317 119 125 57% 21% 22%

2. Textile 262 96 103 63 37% 39% 24%

3. Habillement 1236 124 406 706 10% 33% 57%

4. Chaussures & Cuir 250 57 101 92 23% 40% 37%

5. Bois, Papier & Edition 283 163 82 38 58% 29% 13%

6. Chimie et Pharmacie 179 68 62 49 38% 35% 27%

7. Caoutchouc 159 61 62 36 38% 39% 23%

8. Matériaux non métalliques 314 124 109 81 39% 35% 26%

9. Matériaux métalliques 320 145 121 54 45% 38% 17%

10. Equipements 329 98 117 114 30% 36% 35%

11. Industrie automobile 102 35 28 39 34% 27% 38%

12. Meubles 211 107 71 33 51% 34% 16%

Dans la mesure où, comme on l’a déjà mis en évidence, les “grandes”

entreprises demeurent plus longtemps dans la base que la catégorie

des “moyennes” et surtout des “petites”, la répartition des entreprises

par année et par taille, décrite dans le tableau 6, montre en premier

lieu la prédominance des grandes entreprises dans le total des

observations. Ces dernières représentent en effet 46% des 15 202

observations de l’ensemble de l’échantillon (soit 6 996 observations

qui concernent la catégorie des “grandes” entreprises), les moyennes

représentent 32% (soit 4 882 observations), tandis que les petites

ne représentent que 22% du total des observations (soit 3 324

observations). On constate qu’en 2002, 2004 et 2005, les “petites”

entreprises sont relativement peu représentées (avec des parts,

respectivement de 16%, 14% et 15%), au profit essentiellement des

“grandes” entreprises, en particulier en 2004 et 2005, puisque cette

catégorie des “grandes” entreprises représentent, pour ces deux

années, respectivement 56% et 55% des observations annuelles.

Le tableau suivant (tableau 7) indique la répartition des entreprises

selon la structure du capital et la taille. Parmi les 4 206 entreprises

de l’échantillon, 126 (soit 3%) ont une partie de leur capital détenue

par l’Etat et 1 243 (soit 30%) ont une partie de leur capital détenue

par des investisseurs étrangers. Les firmes concernées sont

essentiellement dans la catégorie des “grandes” (58% pour la

détention de capital étatique et 65% pour la détention de capital

étranger).

161


Dans le tableau 8, est indiqué le nombre d’entreprises par grande

région. On constate que la très grande majorité des entreprises de

l’échantillon sont localisées dans le district de Tunis, dans le Nord

Est et le Centre Est. Seulement, 6% des 4 206 firmes se trouvent

dans le Nord Ouest, 3% sont dans le Sud (Est et Ouest) et 2% de

l’échantillon sont dans le Centre Ouest.

Le tableau 9 présente les moyennes et les écarts-types de la valeur

ajoutée, des consommations intermédiaires, de la production, du

nombre d’employés permanents, du nombre d’employés total, du

stock de capital, de l’investissement et de la productivité du travail,

à la fois pour l’ensemble des entreprises de l’échantillon et en les

distinguant par taille. Le cas des entreprises tunisiennes confirme

bien ce que l’on le constate habituellement dans la littérature, à

savoir une productivité qui croît avec la taille des entreprises. Les

“grandes” entreprises ont en effet une productivité du travail, en

moyenne non pondérée, plus élevée (8,78), comparativement aux

“moyennes” (8,71) et aux “petites” (8,48).

Tableau 6 : Nombre de firmes par année et par taille


Nombre Pourcentage par année


1997 1380 386 457 537 28% 33% 39%

1998 1471 417 478 576 28% 32% 39%

1999 1385 348 467 570 25% 34% 41%

2000 1613 368 586 659 23% 36% 41%

2001 1586 323 568 695 20% 36% 44%

2002 1333 219 449 665 16% 34% 50%

2003 1253 251 361 641 20% 29% 51%

2004 1247 174 380 693 14% 30% 56%

2005 1318 204 387 727 15% 29% 55%

2006 1436 336 417 683 23% 29% 48%

2007 1180 298 332 550 25% 28% 47%

Total (nombre d’observations)

15202 3324 4882 6996

Total (en % du nbre d’obs.)

100% 22% 32% 46%

Tableau 7 : Nombre de firmes par structure du capital et par taille

Structure du capital des entre-prises

Nombre Pourcentage par type de firmes


Entreprises ayant au moins unepartie de son capital détenue parl’État

126(soit 3% des 4206entreprises)

24 29 73 19% 23% 58%

Entreprises ayant au moins unepartie de son capital détenue pardes investisseurs privés étrangers

1243(soit 30% des4206 entreprises)

107 334 802 9% 27% 65%

162

La catégorie des entreprises “moyennes” ont une valeur ajoutée,

des consommations intermédiaires, une production et un stock de

capital, 4 fois plus élevés que les “petites”. En revanche, elles

investissent 5 fois plus et emploient seulement 3,5 fois plus que la

catégorie des “petites”. Les “grandes” entreprises ont une valeur

ajoutée 24 fois plus élevée que les petites. Elles investissement 28

fois plus, ont un stock de capital 31 fois plus élevé et un emploi total

17 fois plus élevé que la catégorie des “petites”. Elles sont, par

conséquent, caractérisées par une plus forte intensité capitalistique

(presque 2 fois plus élevée que les petites et un peu plus de 1,5 fois

plus élevée que les moyennes). Ce constat peut laisser penser qu’en

utilisant la productivité globale des facteurs à la place de la

productivité du travail, la catégorie des “grandes” entreprises

pourraient ne pas avoir le meilleur niveau moyen d’efficience.


Tableau 8 : Nombre d’entreprises par grande région

Régions Nombre d'entreprises En pourcentage

1 Grand Tunis et Nord Est 1829 45%

2 Nord Ouest 246 6%

3 Centre Est 1731 43%

4 Centre Ouest 95 2%

5 Sud Est et Ouest 122 3%

6 Total 4023* 100%

* 183 entreprises n’ont pas renseigné leur localisation, ce qui explique que l’on ne retrouve pas le nombre total de firmes dans la base, qui est de 4206.

163


* Il s’agit de la moyenne non pondérée, sur l’ensemble des 11 années, exprimée en log.

Tableau 9. Principales statistiques des entreprises pour l’ensemble de l’échantillon et par taille

Par taille Variables Moyenne Ecart-type

Petite

Valeur ajoutée (prix constant) 101 583 303 478

Consommations intermédiaires (prix constant) 329 622 1 438 669

Production (prix constant) 428 824 1 681 111

Nombre d’employés permanents 13 6

Nombre d’employés total (permanents et saisonniers) 13 6

Stock de capital (prix constant) 165 439 282 812

Investissement (prix constant) 23 277 72 482

Productivité du travail* 8,48 0,90

Moyenne

Valeur ajoutée (prix constant) 427 958 880 480

Consommations intermédiaires (prix constant) 1 246 976 2 953 823

Production (prix constant) 1 670 705 3 670 848



Stock de capital (prix constant) 662 209 1 067 453

Investissement (prix constant) 116 032 328 370


Grande

Valeur ajoutée (prix constant) 2 496 077 8 067 454





Stock de capital (prix constant) 5 129 195 22 700 000

Investissement (prix constant) 659 287 2 149 993


Ensemble

Valeur ajoutée (prix constant) 1 308 348 5 606 703





Stock de capital (prix constant) 2 609 306 15 600 000

Investissement (prix constant) 345 758 1 499 262


Le tableau 10 donne la productivité moyenne non pondérée par

secteur sur les 11 années contenues dans l’échantillon. Sur

l’ensemble de la période considérée, 9 secteurs ont une

productivité moyenne au dessus de celle de l’ensemble des

entreprises. Parmi ces secteurs, les plus productifs sont la chimie

et pharmacie (avec une moyenne non pondérée de 9,49), suivi

des équipements électriques (9,11) et du caoutchouc et produits

plastiques (9,06). Trois secteurs seulement ont une productivité

moyenne qui se situe en dessous la productivité de l’ensemble

des entreprises de l’échantillon. Il s’agit de l’habillement (avec une

productivité moyenne de 8,25), les chaussures et cuir (8,45) et les

meubles (8,60).

164


Le tableau 11 indique la productivité moyenne non pondérée selon

la structure du capital des entreprises. On constate que les firmes

dont le capital est détenu en totalité ou en partie par l’Etat ou par

des investisseurs étrangers, ont, sur l’ensemble de la période, une

productivité moyenne supérieure à celle de l’ensemble des

entreprises. On ne peut, toutefois, en déduire aucun lien de

causalité, d’autant que, comme on l’a montré plus haut, ces firmes

appartiennent majoritairement à la catégorie des “grandes”

entreprises. Il n’est donc pas étonnant d’observer une productivité

moyenne plus élevée pour ces deux catégories d’entreprises.

Tableau 10 : Moyenne non pondérée de la productivité du travail par secteur

Secteur Productivité du travail moyenne non pondérée

1 Agro-alimentaire et Tabac 8,88

2 Textile 8,72

3 Habillement 8,25

4 Chaussures et Cuir 8,45

5 Bois, Papier et Edition 8,89

6 Chimie et Pharmacie 9,49*

7 Caoutchouc et Produits plastiques 9,06

8 Matériaux non métalliques 8,94

9 Matériaux métalliques 8,77

10 Equipements, Machines et Appareils électriques 9,11

11 Industrie automobile et autres équipements de transport 8,85

12 Meubles 8,60*

Tableau 11 : Moyenne de la productivité du travail selon la structure du capital

Structure du capital des entreprises Productivité du travail moyenne non pondérée

Entreprises ayant au moins une partie de son capital détenue par l’Etat 9,22

Entreprises ayant au moins une partie de son capital détenue par des investisseursprivés étrangers

8,71

On passe, dans ce qui suit, à l’analyse descriptive de l’évolution de la

productivité du travail. Le tableau 12 donne la productivité moyenne

pondérée par année (exprimée en log), qui est également représentée

sous forme graphique (graphique 1). Au cours de ces 11 années, la

productivité du travail des entreprises tunisiennes de notre échantillon

a fortement augmenté. On est passé d’une productivité du travail (en

moyenne pondérée) de 9,42 en 1997 à 9,67 en 2006 (ce qui représente

25% d’augmentation) et à 9,91 en 2007 (soit 49% d’augmentation,

toujours par rapport à 1997). En taux de croissance annuels, la

productivité a baissé uniquement entre 2002 et 2003 (de 5%), entre

2003 et 2004 (de 1%) et entre 2004 et 2005 (de 1%). La forte

augmentation de la productivité entre 2006 et 2007 (+24%) est assez

étonnante et doit être considérée avec prudence. L’année 2007 est

en effet caractérisée par un renouvellement important des entreprises

dans l’échantillon : comme le montre le tableau 13, 30% des firmes

en 2007 n’ont jamais été présentes auparavant dans la base. Il semble

donc que ces entrées et sorties d’entreprises ont très fortement

contribuées à cette augmentation de la productivité entre 2006 et 2007.

Bien que l’INS utilise un certain nombre de procédures pour garantir

la représentativité des échantillons enquêtés, on doit faire preuve de

prudence dans l’interprétation des résultats lorsque l’on travaille sur

des bases de données qui ne sont pas issues de recensements. Aussi,

pour ne pas fausser les interprétations, certains graphiques seront

présentés à la fois (i) sur toute la période (c’est à dire de 1997 à 2007)

et, (ii) en ne tenant pas compte de la dernière année (c’est dire de

1997 à 2006).

165


Tableau 12 : L’évolution de la productivité du travail de l’ensemble des entreprises de l’échantillon

Graphique 1. L’évolution de la moyenne pondérée de la productivité du travail entre 1997 et 2007 (en log)

AnnéesProductivité moyenne pondérée(en log)

Taux de croissance annuel de la productivité moyenne pondérée

Taux de croissance de la productivitépar rapport à 97

1997 9,42

1998 9,45 3% 3%

1999 9,49 4% 7%

2000 9,58 9% 16%

2001 9,61 3% 19%

2002 9,66 5% 24%

2003 9,61 -5% 19%

2004 9,60 -1% 18%

2005 9,59 -1% 17%

2006 9,67 8% 25%

2007 9,91 24% 49%

Tableau 13 : Nombre d’années de présence des entreprises dans la base par année

Nbre annéesde présence

1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007Répartitionen 2007

1 131 111 46 74 47 93 127 96 156 235 253 30%

2 83 116 52 113 121 95 90 94 95 166 97 8%

3 134 129 131 140 130 95 84 126 164 159 115 10%

4 122 133 151 172 125 91 93 113 114 113 81 7%

5 183 195 210 226 231 103 107 97 95 99 64 5%

6 185 194 195 231 251 211 139 136 130 143 93 8%

7 115 132 135 157 176 159 144 116 114 115 72 6%

8 107 129 131 162 168 153 137 138 116 109 74 6%

9 115 121 118 131 128 123 122 121 120 87 74 6%

10 116 122 127 118 120 121 121 121 125 121 68 6%

11 89 89 89 89 89 89 89 89 89 89 89 8%

Total 1380 1471 1385 1613 1586 1333 1253 1247 1318 1436 1180 100%

166


Les graphiques 2 montrent la productivité du travail moyenne

pondérée par secteur, d’abord entre 1997 et 2007, puis entre 1997

et 2006. Si l’on ne tient pas compte de 2007, on constate que la

productivité du travail a baissé dans 5 secteurs : le textile (secteur

2), l’habillement (secteur 3), la chimie et pharmacie (secteur 6), le

caoutchouc et plastique (secteur 7) et l’automobile (secteur 11).

Pour les 3 premiers secteurs (textile (2), habillement (3) et chimie et

pharmacie (6)), la forte augmentation de la productivité entre 2006

et 2007 permet de compasser les baisses qui précèdent et, de se

retrouver, en 2007, avec des niveaux de productivité supérieurs à

leur niveau en début de période (c’est à dire 1997). Dans le secteur

7 (caoutchouc et plastique), la productivité du travail augmente aussi

fortement entre 2006 et 2007, mais pas suffisamment pour dépasser

le niveau de productivité de 1997. Aussi, si l’on regarde les

graphiques sur la période 1997-2007, un seul secteur, celui de

l’automobile (secteur 11) voit sa productivité du travail baisser

nettement. En revanche, la productivité du travail a augmenté dans

7 secteurs : l’agro-alimentaire (secteur 1), le cuir et chaussures

(secteur 4), le bois, papier et imprimerie (secteur 5), les matériaux

non métalliques (secteur 8), les matériaux métalliques (secteur 9),

les équipements électriques (secteur 10) et les meubles (secteur

12). Parmi ces secteurs, l’augmentation de la productivité du travail

est particulièrement marquée dans le secteur de l’agro-alimentaire

(1), le bois, papier et imprimerie (5), les matériaux non métalliques

(8), les matériaux métalliques (9) et les équipements électriques (10).

Les graphiques 3 présentent l’évolution de la productivité du travail

par taille, d’abord entre 1997 et 2007, puis entre 1997 et 2006. Ce

que l’on a qualifié, dans les graphiques “product-small”, “product-

medium” et “product-large” correspond à la moyenne pondérée de la

productivité du travail, respectivement des “petites”, “moyennes” et

“grandes” entreprises de l’échantillon. Bien qu’en moyenne non

pondérée sur l’ensemble de la période, on a vu dans le tableau 9, que

la productivité du travail des “grandes” entreprises dépassait celle des

“moyennes”, on constate que la productivité moyenne pondérée de

ces “moyennes” (en trait plein rouge) a augmenté plus vite que celles

des “grandes” (en pointillé large, vert). La productivité du travail des

“moyennes” était de 9,36 en 1997 et est passé à 9,91 en 2006,

puis à 9,51 en 2007. Pour la catégorie des “grandes” entreprises,

la moyenne pondérée de la productivité du travail était de 9,42 en

1997. Elle est passée à 9,65 en 2006, puis à 9,91 en 2007. La

productivité du travail des “moyennes” dépasse celle des “grandes”

à partir de 2001, jusqu’en 2006. En 2007, la productivité des

“grandes” redevient supérieure à celle des “moyennes”. L’évolution

irrégulière de la productivité moyenne de la catégorie des “petites”

(en petit pointillé bleu), s’explique très probablement par les

importantes entrées et sorties de l’échantillon qui concernent

davantage ce groupe d’entreprises. D’ailleurs, la forte augmentation

de la productivité entre 2006 et 2007 a été enregistrée essentiellement

par les “petites” et, dans une moindre mesure par la catégorie

des “grandes”.

Le graphique 4 montre l’évolution de la productivité du travail

selon la structure de capital des entreprises entre 1997 et 2007,

avec en trait plein, la catégorie des entreprises entièrement

domestiques et, en pointillé, la catégorie des firmes ayant une

partie au moins de leur capital détenue par des investisseurs

étrangers. Il apparaît clairement que la productivité des entreprises

domestiques a augmenté plus fortement que celle des entreprises

ayant du capital étranger. En 1997, la productivité des entreprises

domestiques est de 9,32. Elle passe à 9,72 en 2006 et quasiment

à 10 en 2007. Pour les entreprises ayant du capital étranger, on

passe de 9,58 en 1997, à 9,68 en 2006 et 9,82 en 2007. Entre

1997 et 2003, la productivité des entreprises ayant du capital

étranger est supérieure à celle des entreprises domestiques. A

partir de 2003, c’est l’inverse : la productivité du travail des

entreprises domestiques devient supérieure à celle des firmes

ayant du capital étranger. Ce résultat contre-intuitif est intéressant

et demanderait une analyse spécifique plus fouillée. On s’attend,

en effet, généralement à ce que la dynamique d’évolution de la

productivité soit plus importante pour les entreprises possédées

en partie par des investisseurs étrangers.

167


Graphiques 2 : L’évolution de la moyenne pondérée de la productivité du travail par secteurEntre 1997 et 2007 (en log)


année

année

168


Graphiques 3 : L’évolution de la moyenne pondérée de la productivité du travail par taille entre 1997 et 2007 (en log)




Graphique 4 : L’évolution de la moyenne pondérée de la productivité du travail selon la structure du capital des entreprises (en log)

product domestiqueproduct étrangère

169

2.2 L’analyse de la décomposition de la productivité

L’objectif de cette section est d’identifier l’origine de l’évolution de

la productivité. Il s’agit, plus précisément de savoir si les gains de

productivité résultent de l’accroissement de la productivité au niveau

des entreprises de l’échantillon ou s’ils sont la conséquence de la

réallocation.

L’augmentation de la productivité du travail au niveau des

entreprises elles-mêmes peut être liée,

- soit à des variations conjoncturelles de la demande non anticipées

par les entreprises, lesquelles, généralement expliquent plus

fréquemment des baisses “accidentelles” de la productivité

du travail ;

- soit à des rigidités sur le marché du travail qui peuvent ralentir

l’adaptation du nombre d’employés (à la hausse, comme à la

baisse) aux variations de la production ;

- soit à un ensemble de décisions propres aux entreprises qui

peuvent conduire à une amélioration de la productivité. On peut

citer pour exemple, l’amélioration du niveau de formation des

employés, l’investissement dans l’achat de machines plus

performantes, l’utilisation d’inputs de meilleure qualité, la

réorganisation de l’entreprise, des décisions de licenciements, etc.

Les phénomènes de réallocation, quant à eux, peuvent être la

conséquence de changements inter-sectoriels (certains secteurs se

développent, alors que d’autres stagnent ou se réduisent) ou de

changements intra-sectoriels, c’est à dire qu’à l’intérieur de chaque

secteur, se produisent des changements de parts de marché, ainsi

que des entrées et sorties d’entreprises. Pendant longtemps, parce

que l’on ne disposait essentiellement que de données sectorielles

(soit d’origine nationale, soit d’origine internationale par l’UNIDO),

l’analyse de la réallocation s’est concentrée sur les changements

entre secteur, d’autant que l’hypothèse de firme homogène

supposée, à la fois, par les théories traditionnelles du commerce

international et par la théorie du New Trade (Krugman,1979, Helpman

et Krugman, 1987) ne permettait pas d’expliquer sur le plan théorique

la possibilité de réallocation à l’intérieur des industries. Le

développement récent de la théorie du “New New Trade”, initiée

notamment par Melitz (2003), et caractérisée par la prise en compte

de l’hétérogénéité des entreprises à l’intérieur des secteurs, a justifié

sur le plan théorique, que l’on focalise l’analyse sur les changements

au niveau des firmes. L’accès à des bases de données individuelles

d’entreprises a permis que se développent les analyses empiriques

dans le prolongement de ces avancées théoriques.

Ainsi, les principales leçons à tirer des développements théoriques et

empiriques récents dans la littérature est qu’à l’intérieur d’une même

industrie, il existe des entreprises qui peuvent être très différentes, du

fait de leur taille, de leur degré d’intégration dans l’économie

internationale, de leur niveau de productivité, etc. et que, dans ce

contexte, tout changement (réforme commerciale, climat des affaires,

changement de la demande internationale, accroissement de la

concurrence, etc.) va se répercuter de façon différenciée sur ces

entreprises et générer forcément des réallocations à l’intérieur des

secteurs. L’idée qui domine dans la littérature est que ces réallocations

à l’intérieur de chaque industrie seraient d’une ampleur beaucoup plus

importante que celles qui se produisent entre secteurs. Dans ce cadre

théorique, Melitz (2003, déjà cité) a montré, par exemple, que l’ouverture

aux échanges internationaux conduit à une augmentation des parts

de marché des entreprises initialement les plus productives, au

détriment des entreprises les moins productives, qui disparaissent ou

qui voient leur part de marché se réduire. Pour ces auteurs de la “New

New Trade”, les variations de la productivité agrégée d’une économie

s’expliquent essentiellement par ces phénomènes de réallocation à

l’intérieur des industries, en particulier lorsqu’il s’agit d’économies qui

s’ouvrent aux échanges internationaux.

Avec son adhésion à l’OMC en mars 1995 et l’entrée en vigueur

d’un certain nombre d’accords commerciaux, aussi bien dans le

cadre multilatéral (GAFTA, entré en application en janvier 1998, le

Processus d’Agadir, l’UMA) que dans le cadre bilatéral (l’Accord

d’Association Euro-Méditerranéen, appliqué à partir de janvier 1996,

les séries d’Accords avec l’Egypte, le Maroc et la Jordanie, tous les

trois appliqués en 1999), la Tunisie s’est engagée dans la voie d’un

démantèlement de ces droits de douane. Entre 1995 et 2004, la

moyenne simple des tarifs a diminué de 22%. On peut, par


170


conséquent, se demander si, comme le laisseraient penser les

récents développements théoriques, cette ouverture aux échanges

internationaux s’est traduite par la concomitance d’importants gains

de productivité issus du phénomène de réallocation.

2.2.1 Le principe des méthodes de décomposition

Dans la littérature, les trois principales méthodes utilisées sont celles

de Foster, Haltiwanger et Krizan (FHK, 1998 et 2001), Griliches et

Regev (GR, 1995) et, celle plus récente de Pavcnik (2002). Bien que

la méthode FHK soit la plus complète, elle nécessite, comme

d’ailleurs aussi la méthode GR, de connaître les entrées et sorties

des entreprises. Les données de firmes tunisiennes ne permettant

pas l’identification des “vraies” sorties et entrées, la seule méthode

applicable dans notre cas de figure est celle de Pavcnik.

Cette méthode consiste à décomposer la productivité agrégée de

la façon suivante :

(1)

avec , la moyenne pondérée de la productivité (exprimée en log)

à l’année t,

(2)

, la moyenne non pondérée de la productivité à l’année t,

la part de marché de l’entreprise i dans l’échantillon, , la part de

marché moyenne des entreprises dans l’échantillon et , la

productivité de l’entreprise i, exprimée en log. Pour obtenir la part

de marché, on peut utiliser soir le critère de l’emploi, soit le critère de

la production. On a choisi, dans ce travail, d’utiliser la production26

. On peut effectuer cette décomposition, soit à partir de la productivité

du travail, soit à partir de la productivité globale des facteurs. Nous

utilisons, ici, uniquement la productivité du travail.

Cette décomposition montre que la productivité moyenne pondérée

peut être décomposée en deux termes :

- Le premier (c’est à dire ) est la moyenne non pondérée de la

productivité de l’ensemble des entreprises dans l’échantillon.

Ce premier correspond à ce que l’on appelle, dans la littérature,

un effet “within”. Il mesure la contribution de l’augmentation de

la productivité des entreprises.

- Le second terme (c’est à dire ), qui

est appelé, le terme de covariance, prend en compte l’écart de

la part de marché de l’entreprise par rapport à la part moyenne

des firmes dans l’échantillon et l’écart de productivité de la firme

par rapport à la productivité moyenne non pondérée de l’échantillon.

Ce dernier terme détermine donc la contribution à l’accroissement

de la productivité de l’échantillon provenant de la réallocation des

parts de marché entre les firmes de différents niveaux de

productivité. La contribution de cet effet réallocatif est d’autant

plus importante que les entreprises ayant une productivité

relativement élevée (/faible), c’est à dire supérieure (/inférieure) à

la moyenne non pondérée de l’échantillon, ont des parts de marché

relativement grandes (/petites) (c’est à dire supérieures (/inférieures)

à la part de marché moyenne des entreprises de l’échantillon).

Si le premier terme est positif, cela signifie qu’en moyenne, les

entreprises ont augmenté leur productivité. Si le second terme

est positif, cela indique qu’une proportion plus importante de

biens est produite par des entreprises plus efficientes. Bien que

236 En appliquant cette méthode sur les données du RU, Disney et al. (2003) montre que l’utilisation de la production, alternativement à l’emploi, ne modifie que très marginalementles résultats obtenus.

171

les données de firmes utilisées dans ce travail soient issues d’un

échantillon, on peut s’attendre selon les prédictions de la littérature

théorique, que dans un contexte de libéralisation, ce second terme

soit positif et qu’il augmente au cours du temps, sur la période

considérée.

2.2.2 Résultats

Cette méthode de décomposition a été appliquée (i) sur l’ensemble

de l’échantillon, (ii) par secteur, (iii) par taille et (iv) selon la structure

du capital des entreprises. Dans tous les cas de figure, les résultats

sont indiqués en terme de variation par rapport à l’année de départ,

c’est à dire 1997. Dans les quatre tableaux qui suivent La deuxième

colonne indique les changements de la productivité agrégée par

rapport à l’année 1997. Les deux colonnes qui suivent correspondent

respectivement aux variations du premier et du second terme de la

décomposition. Comme l’impose l’équation de la décomposition, la

somme, en ligne, des colonnes (3) et (4) correspond à la colonne (2).

Le tableau 14 montre les résultats pour l’ensemble de l’échantillon.

La colonne (2), qui indique les changements de la productivité du

travail agrégée pour l’ensemble des entreprises, correspond à la

dernière colonne du tableau 12 que l‘on a déjà présenté plus haut.

On constate que la grande partie des gains de productivité proviennent

de l’effet réallocatif. En 2006, les 25% de taux de croissance de la

productivité du travail agrégée sont dus, pour 8% à l’augmentation

de la productivité à l’intérieur des entreprises et pour 17% à la

réallocation des ressources des entreprises les moins efficientes vers

les plus efficientes. Autrement dit, 67% de la variation de la productivité

agrégée sur les 10 années (97-2006) sont dus à l’augmentation du

terme de covariance. En 2007, cette même part s’élève à 72%. Même

si ce terme de covariance n’a pas cru de façon régulière au cours de

la période considérée, ce terme est toujours positif (à l’exception

seulement des deux premières années), ce qui montre bien que la

réallocation joue dans le bons sens, autrement dit que les entreprises

les plus productives se développent et/ou les moins productives ont

des parts de marché en baisse.


Tableau 14 : Décomposition de la croissance de la productivité agrégée pour l’ensemble de l’échantillon

Années Croissance de la Productivité agrégéeVariation de la Productivité non pondérée(Premier terme)

Variation de la Covariance(Second terme)

1997 0,000 0,000 0,000

1998 0,023 0,055 -0,031

1999 0,071 0,072 -0,001

2000 0,153 -0,038 0,191

2001 0,183 0,043 0,140

2002 0,235 0,124 0,112

2003 0,183 0,126 0,057

2004 0,172 0,109 0,062

2005 0,164 0,079 0,085

2006 0,249 0,081 0,168

2007 0,486 0,138 0,348

172


Tableau 15 : Décomposition de la croissance de la productivité agrégée par secteur

Secteurs Années Pdt agr.Pdt nonpond.

Cov. Secteurs Années Pdt agr.Pdt nonpond.

Cov.

1 1997 0,000 0,000 0,000 7 1997 0,000 0,000 0,000

Agro-alimentaire& Tabac

1998 0,043 0,063 -0,020

Caoutchouc etproduits plastiques

1998 0,155 0,197 -0,043

1999 0,044 0,007 0,037 1999 0,226 0,183 -0,032

2000 0,100 0,036 0,063 2000 0,226 0,134 0,092

2001 0,224 0,147 0,077 2001 0,127 -0,017 0,144

2002 0,366 0,318 0,048 2002 0,300 0,419 -0,119

2003 0,456 0,306 0,150 2003 -0,186 0,180 -0,366

2004 0,387 0,396 -0,010 2004 -0,118 0,149 -0,267

2005 0,261 0,219 0,041 2005 -0,311 0,014 -0,326

2006 0,304 0,077 0,227 2006 -0,301 0,076 -0,376

2007 0,303 0,066 0,237 2007 -0,120 0,120 -0,240

2 1997 0,000 0,000 0,000 8 1997 0,000 0,000 0,000

Textile

1998 -0,172 -0,094 -0,078

Non-metalMaterialsMatériauxnon métalliques

1998 0,037 0,151 -0,114

1999 -0,150 0,033 -0,183 1999 -0,085 0,089 -0,175

2000 0,172 0,101 0,072 2000 0,254 0,130 0,125

2001 0,266 0,187 0,080 2001 0,397 0,354 0,043

2002 0,281 0,424 -0,143 2002 0,552 0,400 0,152

2003 0,168 0,277 -0,109 2003 0,527 0,556 -0,029

2004 0,099 0,275 -0,176 2004 0,509 0,653 -0,144

2005 -0,008 0,205 -0,213 2005 0,407 0,562 -0,155

2006 -0,116 0,100 -0,216 2006 0,565 0,585 -0,019

2007 0,164 0,100 0,044 2007 0,700 0,608 0,092

3 1997 0,000 0,000 0,000 9 1997 0,000 0,000 0,000

Habillement

1998 0,052 0,091 -0,039

Matériauxmétalliques

1998 0,068 -0,053 0,121

1999 0,240 0,093 0,146 1999 0,281 0,057 0,224

2000 0,244 -0,077 0,321 2000 0,236 -0,124 0,360

2001 0,294 0,056 0,237 2001 0,220 -0,215 0,435

2002 0,251 0,100 0,150 2002 -0,028 -0,164 0,136

2003 -0,061 0,111 -0,172 2003 0,067 -0,168 0,235

2004 -0,159 0,022 -0,181 2004 0,198 -0,055 0,253

2005 -0,247 -0,033 -0,213 2005 0,527 -0,166 0,693

2006 -0,076 -0,004 -0,072 2006 0.,742 -0,311 1,052

2007 0,654 -0,006 0,661 2007 1,236 -0,257 1,493

173


4 1997 0,000 0,000 0,000 10 1997 0.,000 0,000 0,000

Chaussures etCuir

1998 0,220 0,034 0,186

Équipements,machineset appareilsélectriques

1998 -0,094 0,016 -0,110

1999 0,250 0,101 0,148 1999 0,117 0,156 -0,039

2000 0,211 0,006 0,206 2000 0,269 0,165 0,104

2001 0,209 0,028 0,180 2001 0,267 0,232 0,035

2002 0,023 -0,120 0,144 2002 0,287 0,249 0,038

2003 0,379 0,036 0,43 2003 0,163 0,374 -0,211

2004 0,226 0,016 0,210 2004 0,345 0,359 -0,015

2005 0,071 -0,027 0,098 2005 0,356 0,425 -0,069

2006 0,302 0,004 0,298 2006 0,469 0,364 0,105

2007 0,333 0,157 0,176 2007 0,504 0,636 -0,132

5 1997 0,000 0,000 0,000 11 1997 0,000 0,000 0,000

Bois, Papier etEdition

1998 0,031 0,042 -0,012

Industrie automobileet autres équipements de transport

1998 -0,131 -0,060 -0,071

1999 0,081 0,057 0,024 1999 -0,370 -0,091 -0,279

2000 -0,014 0,012 -0,026 2000 -0,082 0,028 -0,110

2001 0,012 0,156 -0,143 2001 -0,090 0,048 -0,138

2002 0,045 0,113 -0,068 2002 -0,216 0,074 -0,290

2003 0,177 0,086 0,091 2003 -0,297 -0,300 0,003

2004 0,164 0,172 -0,008 2004 -0,289 0,087 -0,376

2005 0,278 0,102 0,176 2005 -0,332 0,041 -0,372

2006 0,209 0,148 0,062 2006 -0,454 -0,233 -0,221

2007 0,398 0,251 0,147 2007 -0,190 -0,069 -0,121

6 1997 0,000 0,000 0,000 12 1997 0,000 0,000 0,000

Chimie etPharmacie

1998 -0,051 -0,079 0,028

Meubles

1998 0,064 0,135 -0,071

1999 -0,020 -0,019 -0,001 1999 0,069 0,108 -0,040

2000 -0,326 0,100 -0,426 2000 0,230 0,118 0,112

2001 -0,005 0,237 -0,241 2001 0,273 0,194 0,079

2002 -0,382 0,264 -0,645 2002 0,322 0,348 -0,027

2003 -0,847 0,271 -1.,118 2003 0,008 0,018 -0,010

2004 -0,094 0,414 -0,509 2004 -0,007 0,064 -0,071

2005 -0,358 0,272 -0,630 2005 0,208 0,263 -0,055

2006 -0,685 0,153 -0,838 2006 0,217 0,335 -0,118

2007 0,173 0,224 -0,051 2007 0,521 0,513 0,007

Le tableau 15 contient les résultats de la décomposition de la pro-

ductivité du travail par secteur. Si pour l’ensemble de l’échantillon,

la réallocation a fortement contribué à l’accroissement de la productivité

agrégée, ce constat est loin d’être vérifié au niveau des secteurs.

174


C’est en effet dans seulement 2 industries (chaussures et cuir

(secteur 4) et matériaux métalliques (secteur 9)) que les variations

du terme de covariance sont toujours positives tout au long de la

période et supérieures à celles de la productivité des entreprises. En

revanche, dans les 6 secteurs qui suivent, textile (secteur 2), chimie

et pharmacie (secteur 6), caoutchouc et produits plastiques (secteur

7), matériaux non métalliques (secteur 8), équipements électriques

(secteur 10) et meubles (secteur 12), la productivité des entreprises

a augmenté, alors que le terme de covariance a eu un impact négatif

sur la variation de la productivité agrégée. Dans le secteur bois, pa-

pier et édition (secteur 5), l’effet dominant est l’accroissement de la

productivité du travail à l’intérieur des entreprises. Dans le secteur

agro-alimentaire (secteur 1), l’augmentation de la productivité est

également due, sur l’essentiel de la période, à l’augmentation de la

productivité des entreprises, sauf pour les 2 dernières années (2006

et 2007) au cours desquelles la contribution du terme de covariance

a été particulièrement importante. Enfin, dans 2 secteurs, celui de

l’habillement (secteur 3) et celui de l’automobile (secteur 11), ce sont

les deux termes (productivité des firmes et covariance) qui ont joué

un rôle négatif sur la variation de la productivité du travail agrégée.

Les résultats de la décomposition par taille sont présentés dans le

tableau 16. L’effet de la réallocation a fortement contribué à la

croissance de la productivité agrégée du travail pour la catégorie

des “moyennes” et des “grandes” entreprises. A l’exception de

l’année 1998, la variation du terme de covariance est, en effet,

toujours positive pour ces 2 groupes de firmes. Pour la catégorie

des “petites”, ce même terme varie positivement seulement pour 4

années (2000, 2001, 2005 et 2007). La forte progression de ce

terme de covariance en 2007 doit être considérée avec précaution

compte tenu, comme on l’a déjà souligné plus haut, de l’important

renouvellement de l’échantillon qui a concerné particulièrement les

“petites” entreprises. Ces résultats montrent aussi que ce sont les

entreprises de taille “moyenne” qui ont le plus augmenté leur

productivité du travail non pondérée. Il serait intéressant de

comprendre quels sont les facteurs qui les ont incité à améliorer

leur efficience et par quels moyens elles y sont parvenues.

Dans le tableau 17, sont présentés les résultats de la décomposi-

tion de la productivité agrégée du travail selon la structure du capital

des entreprises. Il est intéressant d’observer que, dans notre échan-

tillon, l’effet de la réallocation à contribuer à l’accroissement de la

productivité agrégée seulement pour les entreprises entièrement

domestiques. Pour les firmes dont une partie du capital est détenue

par des investisseurs étrangers, la variation du terme de covariance

est positive uniquement 4 années (2000, 2001, 2002 et 2007).

Concernant plus spécifiquement les entreprises entièrement do-

mestiques, les 40% d’augmentation de la productivité du travail

agrégée en 2006 sont dus pour 7% à l’accroissement de la pro-

ductivité du travail à l’intérieur des entreprises et, pour 33% à l’effet

de réallocation. En 2007, les 68% d’augmentation de la productivité

agrégée sont le fait de l’augmentation de la productivité à l’intérieur

des entreprises pour 14% et de l’effet réallocatif pour 54%.

Tableau 16 : Décomposition de la croissance de la productivité agrégée par taille

Taille AnnéesVariation de la Productivité agrégée

Variation de la Productivité nonpondérée (Premier terme)

Variation Covariance(Second terme)

Petite

1997 0,000 0,000 0,000

1998 -0,081 0,032 -0,113

1999 -0,679 0,057 -0,735

2000 0,091 -0,013 0,104

2001 0,343 0,065 0,278

2002 -0,615 0,031 -0,646

2003 -0,483 -0,039 -0,444

2004 -0,295 -0,059 -0,236

2005 0,248 0,052 0,196

2006 -0,554 0,018 -0,572

2007 1,581 0,154 1,427

175


Moyenne

1997 0,000 0,000 0,000

1998 0,064 0,081 -0,018

1999 0,125 0,077 0,049

2000 0,204 -0,049 0,253

2001 0,218 0,046 0,173

2002 0,377 0,200 0,177

2003 0,410 0,251 0,159

2004 0,378 0,205 0,174

2005 0,278 0,170 0,108

2006 0,560 0,161 0,399

2007 0,147 0,143 0,004

Grande

1997 0,000 0,000 0,000

1998 0,022 0,048 -0,026

1999 0,088 0,060 0,028

2000 0,151 -0,063 0,214

2001 0,176 -0,007 0,183

2002 0,232 0,040 0,192

2003 0,171 0,064 0,106

2004 0,157 0,023 0,134

2005 0,152 -0,036 0,188

2006 0,225 0,024 0,201

2007 0,488 0,095 0,393

Tableau 17 : Décomposition de la productivité agrégée selon la structure du capital des firmes

Structure ducapital

AnnéesVariation de la Productivitéagrégée

Variation de la Productivité non pondérée (Premier terme)

Variation Covariance(Second terme)

Firmesdomestiques

1997 0,000 0,000 0,000

1998 0,095 0,054 0,041

1999 0,102 0,063 0,038

2000 0,150 -0,032 0,183

2001 0,241 0,049 0,192

2002 0,285 0,136 0,150

2003 0,287 0,116 0,171

2004 0,325 0,122 0,203

2005 0,388 0,094 0,294

2006 0,399 0,073 0,326

2007 0,681 0,144 0,537

Firmes ayantdu capitalétrangers

1997 0,000 0,000 0,0001998 -0,086 0,055 -0,1411999 0,016 0,096 -0,0802000 0,127 -0,050 0,1772001 0,079 0,031 0,0482002 0,137 0,101 0,0372003 0,024 0,141 -0,1172004 -0,044 0,087 -0,1312005 -0,132 0,053 -0,1862006 0,040 0,095 -0,0552007 0,236 0,126 0,110

3. Conclusion

176


Nous avons, dans ce travail, analysé la productivité du travail

des entreprises tunisiennes du secteur industriel, entre 1997

et 2007, à partir d’un échantillon de firmes individuelles issu des

Enquêtes Annuelles. Les principaux résultats qui ressortent de cette

analyse, sont les suivants.




considérer avec beaucoup de précaution cette dernière année

dans la mesure où 30% de l’échantillon a été renouvelé).

Deuxièmement, au niveau sectoriel, la productivité du travail

agrégée a augmenté dans 7 industries (agro-alimentaire, cuir

et chaussures, bois, papier et imprimerie, matériaux non

métalliques, matériaux métalliques, équipements électriques et

meubles). En revanche, si l’on ne tient pas compte de l’année

2007, la productivité agrégée a baissé dans 5 secteurs (textile,

habillement, chimie et pharmacie, caoutchouc et plastique et

automobile).

Troisièmement, alors que la productivité moyenne non pondérée

sur l’ensemble de la période est plus élevée pour les “grandes”

entreprises que pour les “moyennes”, la productivité agrégée s’est

accrue plus vite pour les entreprises de taille “moyenne” que pour

les “grandes” firmes. A partir de 2003 et jusqu’en 2006, la

productivité du travail agrégée des “moyennes” dépasse celle

des “grandes”.



ayant une partie au moins de leur capital détenue par des

investisseurs étrangers.

Enfin, les résultats de la décomposition ont mis en évidence le

rôle joué par la réallocation des ressources des entreprises les

moins efficientes vers les plus efficientes dans l’accroissement de

la productivité du travail agrégée sur l’ensemble de l’échantillon.

Les 25% de taux de croissance de la productivité entre 1997 et

2006 sont dus pour 8% à l’augmentation de la productivité du

travail à l’intérieur des entreprises et pour 17% à l’effet de

réallocation. Ce constat se vérifie en particulier pour les entreprises

domestiques, ainsi que pour les entreprises de taille “moyenne”

et “grande”. En revanche, au niveau sectoriel, ce résultat ne se

vérifie que dans 2 industries (chaussures et cuir, matériaux

métalliques). L’augmentation de la productivité du travail à l’intérieur

des entreprises a concerné un plus grand nombre de secteurs

(agro-alimentaire, textile, bois, papier et édition, chimie et

pharmacie, caoutchouc et produits plastiques, matériaux non

métalliques, équipements électriques, meubles).

177

I T C E Q - I N S T I T U T T U N I S I E N D E L A C O M P É T I T I V I T É E T D E S M É T H O D E S Q U A N T I T A T I V E S

Disney, R., J. Haskel and Y. Heden (2003), Restructuring and

productivity growth in UK manufacturing, Economic Journal, Vol.

113, No. 489, pp. 666 – 694.


productivity growth: Lessons from microeconomic evidence, Working

Paper 6803 NBER.


productivity growth: Lessons from microeconomic evidence, in

Edward Dean, Michael Harper, and Charles Hulten (eds.), New

Developments in Productivity Analysis, Chicago: University of

Chicago Press.

Griliches, Z. and H. Regev (1995), Firm productivity in Israeli industry

1979-1988, Journal of Econometrics, 65, pp. 175-203.

Hall, B. H. and J. Mairesse (1995), Exploring the relationship between

R&D and productivity in French manufacturing firms, Journal of

Econometrics, Elsevier, 65(1), pp. 263-293.

Helpman E. and P.R. Krugman (1987), Market Structure and Foreign

Trade: Increasing Returns, Imperfect Competition, and the

International Economy, MIT Press Books, The MIT Press.

Krugman, P. R. (1979), Increasing returns, monopolistic competition,

and international trade, Journal of International Economics, 9(4),

pp. 469-479.

Melitz, M. (2003), The Impact of Trade on Intra-Industry

Reallocations and Aggregate Industry Productivity, Econometrica,

71, pp. 1695–1725.

Pavcnik, N. (2002), Trade Liberalization, Exit, and Productivity

Improvements: Evidence From Chilean Plants, Review of Economic

Studies, 69, pp.245-276.

Bibliographie

178


179


180


banque africaine institut tunisien de la centre de recherche

Documents