The Moorish Wanderer

De Combien Dépend Réellement l’Economie Agricole de la Pluviométrie? 1/3

Posted in Dismal Economics, Moroccan Politics & Economics, Morocco, Read & Heard by Zouhair ABH on April 19, 2013

Je souhaitais faire un post sur le Plan Maroc Vert, lequel est supposé engager cette année une réforme fiscale. Il serait probablement intéressant au préalable de proposer une description quantitative des caractéristiques du PIB agricole et ses interactions avec le reste de l’économie. Voici une proposition que je souhaite soumettre au jugement du lecteur: peut-on, en modernisant l’agriculture marocaine, concilier une productivité élevée, avec une augmentation du nombre de salariés agricoles?

L’agriculture doit être érigée au rang de principal levier de croissance, et ce à travers :
– Le renforcement de la part de l’agriculture dans le produit intérieur brut (PIB) de 70 à 100 Mds MAD, sachant que le PIB agricole actuel s’élève à 74 Mds MAD.
– La création de 1,5 Millions d’emplois supplémentaires.

Pour illustrer mon propos, je considère une décomposition à la Cobb-Douglas du PIB, lequel combine les activités non-agricole et agricole pour obtenir la production finale de biens et services. L’avantage de cette approche est qu’elle permet d’établir précisément la substitution entre les deux secteurs agrégés, et donc le coût d’opportunité à introduire un certain type de réformes (par exemple le PMV) pour dynamiser la production et/ou la productivité du secteur agricole. Formellement, pour y_t = \alpha.g_t + (1-\alpha).a_t + z_t où y dénote le PIB, et g, a respectivement le PIB non agricole et agricole.

Une simple estimation permet d’obtenir une valeur de \mathbb{E}(\alpha) = .8328744 c’est à dire une contribution du PIB non-agricole de 83.3%; le reste – à peu près 16.5% – est assuré par la production agricole, légèrement au dessus de la moyenne du pourcentage du secteur primaire dans le PIB. Le terme z est ce qu’on peut appeler de l’innovation, un résidu de croissance qui ne peut être imputé aux deux secteurs. Ce dernier joue un rôle très important dans ce qui suit, et donne aussi des indications quant aux multiples difficultés auxquelles le PMV fera face, et échouera probablement à dépasser.

Evolution du PIB, des Secteurs Agricole & Non Agricole, et le Résidu de Croissance

Evolution du PIB, des Secteurs Agricole & Non Agricole (échelle de gauche) et le Résidu de Croissance (échelle de droite)

L’argument ici est une histoire assez simple à narrer: malgré le mythe tenace de dépendance de la croissance agrégée à la production agricole, notre économie est non seulement plus liée à la croissance de la production non-agricole, mais la source des fluctuations de l’économie domestique provient de l’étranger en grande partie:

 Source PIB
Déficit Budget 0,15%
Taxe travail 0%
Taxe Consommation 0,02%
Taxe Capital 0%
‘Subvention’ FBCF 2,99%
Choc Importé 92,54%
Choc Domestique 4,30%

Cependant, cela ne résous toujours pas le problème que pose le secteur agricole, qui enregistre une grande volatilité dans sa croissance (comme on peut vérifier sur le graphe) et il semblerait que le terme résiduel de croissance joue un rôle très important, et c’est là que se trouve la conclusion de mon scepticisme quant à la réussite d’un plan qui ne propose pas de réformes structurelles, autre qu’une hypothétique réforme fiscale ‘adaptée en tenant compte des spécificités régionales et économiques du secteur agricole à l’horizon 2013’.

En étudiant les interactions entre les deux secteurs et le résidu, on observe ce qui suit:

– l’économie non-agricole est parfaitement insolée de la production agricole, et pourvoit à elle-même

– le résidu est réellement exogène aux deux secteurs

– l’influence du résidu est largement supérieure à l’effet de l’économie non-agricole sur le PIB agricole.

En réalité, nous avons ici la preuve du découplage entre les économies agricole et non-agricole dans son aspect le plus négatif: la productivité agricole bénéficie certes d’un effet de transfert du reste de l’économie, mais cet effet est largement dépassé par le résidu mesurant l’effet d’évènements exogènes, par exemple la pluviométrie. Ce qui est autrement plus particulier est l’absence de persistance dans l’évolution de la production, une caractéristique qui explique la dépendance à la pluviométrie, ainsi que la faiblesse d’accumulation de la production agricole en valeur.

Une politique de développement agricole s’attacherait donc à agir sur les trois coefficients: réduire la dépendance aux effets de pluviométrie, augmenter le transfert de l’innovation du secteur non-agricole à l’économie agricole, et enfin augmenter la persistance de l’évolution du PIB agricole, en augmentant à des niveaux significatifs les effets cumulatifs de celui ci. La fonction à a_t = 3.5 z_{t-1} + .76 g_{t-1} + \tilde{\rho} a_{t-1} + \epsilon_a

Résultats:

Régression Simple du PIB sur les deux secteurs
. reg output nonagri_output agri_output
      Source |       SS       df       MS              Number of obs =      57
-------------+------------------------------           F(  2,    54) =       .
       Model |  107.931131     2  53.9655654           Prob > F      =  0.0000
    Residual |  .000428247    54  7.9305e-06           R-squared     =  1.0000
-------------+------------------------------           Adj R-squared =  1.0000
       Total |  107.931559    56  1.92734927           Root MSE      =  .00282
--------------------------------------------------------------------------------
        output |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
---------------+----------------------------------------------------------------
nonagri_output |   .8328744   .0029664   280.77   0.000      .826927    .8388218
   agri_output |   .1649917   .0034373    48.00   0.000     .1581004     .171883
         _cons |   .5020317   .0086387    58.11   0.000     .4847121    .5193513
--------------------------------------------------------------------------------

Régression en Série Chronologique: Résultats Consistants.
ARIMA regression

Sample:  1955 - 2011                            Number of obs      =        57
                                                Wald chi2(3)       =  8.56e+06
Log likelihood =  258.8722                      Prob > chi2        =    0.0000
--------------------------------------------------------------------------------
               |                 OPG
        output |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
---------------+----------------------------------------------------------------
output         |
nonagri_output |   .8316632    .002707   307.23   0.000     .8263575    .8369688
   agri_output |   .1663679   .0033841    49.16   0.000     .1597351    .1730007
         _cons |   .5003827   .0132128    37.87   0.000     .4744861    .5262793
---------------+----------------------------------------------------------------
ARMA           |
            ar |
           L1. |   .3624839   .1559695     2.32   0.020     .0567893    .6681786
---------------+----------------------------------------------------------------
        /sigma |   .0025753   .0002482    10.38   0.000     .0020889    .0030617
--------------------------------------------------------------------------------

Estimation de Transmission de Chocs entre Résidu et Secteurs de PIB
. var solow_aggregate nonagri_output agri_output, lags(1) nocons
Vector autoregression
Sample:  1956 - 2011                               No. of obs      =        56
Log likelihood =   368.804                         AIC             = -12.85014
FPE            =  5.27e-10                         HQIC            = -12.72395
Det(Sigma_ml)  =  3.82e-10                         SBIC            = -12.52464
Equation           Parms      RMSE     R-sq      chi2     P>chi2
----------------------------------------------------------------
solow_aggregate       3     .003139   1.0000    1512778   0.0000
nonagri_output        3     .060969   1.0000    8784887   0.0000
agri_output           3     .121789   1.0000    1920630   0.0000
----------------------------------------------------------------
---------------------------------------------------------------------------------
                |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
----------------+----------------------------------------------------------------
solow_aggregate |
solow_aggregate |
            L1. |   .9831911   .0185276    53.07   0.000     .9468776    1.019505
                |
 nonagri_output |
            L1. |   .0001541   .0032332     0.05   0.962    -.0061828     .006491
                |
    agri_output |
            L1. |   .0002207    .003737     0.06   0.953    -.0071038    .0075452
----------------+----------------------------------------------------------------
nonagri_output  |
solow_aggregate |
            L1. |   .4945288   .3598443     1.37   0.169    -.2107531    1.199811
                |
 nonagri_output |
            L1. |   .9527831   .0627946    15.17   0.000     .8297079    1.075858
                |
    agri_output |
            L1. |    .042843    .072581     0.59   0.555    -.0994132    .1850992
----------------+----------------------------------------------------------------
agri_output     |
solow_aggregate |
            L1. |    3.59454    .718813     5.00   0.000     2.185693    5.003388
                |
 nonagri_output |
            L1. |   .7670275   .1254364     6.11   0.000     .5211766    1.012878
                |
    agri_output |
            L1. |   .0997766   .1449854     0.69   0.491    -.1843897    .3839428
---------------------------------------------------------------------------------

Vérification des Coefficients pour le PIB Agricole 
ARIMA regression

Sample:  1955 - 2011                            Number of obs      =        57
                                                Wald chi2(3)       =  2.13e+06
Log likelihood =  45.59769                      Prob > chi2        =    0.0000

---------------------------------------------------------------------------------
                |                 OPG
    agri_output |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
----------------+----------------------------------------------------------------
agri_output     |
solow_aggregate |   3.466203   .8724959     3.97   0.000     1.756143    5.176264
 nonagri_output |   .8600607   .0182451    47.14   0.000     .8243009    .8958205
----------------+----------------------------------------------------------------
ARMA            |
             ar |
            L1. |   .0612444   .1556124     0.39   0.694    -.2437503    .3662392
----------------+----------------------------------------------------------------
         /sigma |   .1087249   .0082462    13.18   0.000     .0925627    .1248871
---------------------------------------------------------------------------------

2 Responses

Subscribe to comments with RSS.

  1. Youssef said, on April 21, 2013 at 13:28

    Analyse interessante. Quelques questions d’ordre technique :

    – votre strategie de modelisaion me parait assez surprenante. Je n’ai jamais vu la notion de residu de solow utilisée de cette maniere.
    – Dans votre VAR, Avez-vous utilisé les varibles de PIB et PIB agricole en niveau ou en differrence premiere ? Il me semble que c’est en niveau, Or le VAR n’est valable que pour des series stationnaires…Dans ce cas, il aurait plutot fallu utiliser un VECM, en verifiant auparavant les relations des cointegration
    – Pourquoi ne pas avoir choisi une strategie de modelisation beaucoup plus simple : une simple regression en ols du taux de croissance. Une estimation recursive permettrait em outre de verifier la stabilite des coefficiemts et donc l’evolition de l’impact du pib agicole sur le pib global ou non agricole (ainsi que l’effet de la pluviometrie sur le pib agricole). cela prrmettrait en plus de reperer des ruptures structurelles.
    – un exercice interessant serait tout simplememt de decomposer de maniere comptable la variance du PIB pour estimer la contribution de la l’agriculture : http://hompi.sogang.ac.kr/hchun/chun_el_2010.pdf

    Bottom line : il faut privilegier les techniques econometriques simples et controlables et eviter les boites noires

    – Je suis un peu dubitatif concernant le resultat selon lequel les chocs agricoles n’impactent pas le PIB non agricole. L’impact est comptable : la valeur ajoutee de la branche ” commerce ” est calculee par le HCP comme un pourcentage de l’offre de biens, dont l’offre de produits agricoles. Donc si l’impact ne sort pas dams vos regressions, c’est du soit a un probleme de variable manquante (il manque des variables de controle), soit au fait que la volatilite de la’agriculture a baisse..mais pas son coefficiemt)

    – derniere remarque : votre echantillon est long, tres long…il faut donc systematiquememt regarder les ruptures structurelles..l’analyse macro sur donnees marocaine se faite generalement sur un echantillon plus court :1980-

    J’espere que ces commentaires sont utiles et Bravo pour vos efforts d’analyse !

    • Zouhair Baghough said, on April 21, 2013 at 14:13

      Bonjour,

      merci pour ce commentaire assez rare est très pertinent!🙂 je réponds point par point:

      1/ Je dois avouer que ce résidu de Solow est un abus de langage/concept de ma part. J’ai procédé de deux manières pour estimer les contributions respectives des secteurs agri et non-agri, la première en OLS standard, la seconde en AR, les résultats sont concordants, les contributions sont à peu près constantes. Le résidu serait donc l’effet de chocs exogènes, lesquels j’impute à la dépendance du secteur agricole (un choix qui reste à discuter, j’en conviens) il y a un aspect paradoxal à ce résidu, car d’un côté il est plutôt stationnaire, d’un autre, son effet sur le PIB agricole ne l’est pas. J’imagine que l’effet de la pluviométrie est aléatoire sans pour autant converger vers un état particulier.
      2/ J’ai utilisé les logs d’agrégats, donc la différence est stationnaire pour le résidu, je n’ai pas prêté trop d’attention au résultat (je dois probablement faire un test de Granger sur deux alternatives de modèle) je me suis dit que l’influence non-stationnaire des chocs agricoles était un bon résultat, il me reste encore à mener des tests supplémentaires sur ce point.
      3/ Exactement le choix initial, comme rapporté dans les tableaux en fin de post.
      4/ Toujours sur les tableaux (notamment celui des VAR) on peut observer que les chocs agricoles ont certainement un impact sur le PIB non agricole, il se trouve juste que cette dépendance est statistiquement peu significative, d’où la conclusion d’une indépendance de l’éco non-agricole.
      5/ C’est à vrai dire une question de disponibilité de données autant que la volonté de décrire des tendances lourdes: un échantillon au départ des années 1980 serait trop court pour obtenir des résultats cohérents (je travaille sur des données annuelles)

      Je pense que votre autre adresse mail a des soucis, j’ai essayé d’envoyer un email il y a quelque temps.


Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: