Vous consultezDéforestation, croissance économique et population

Une étude sur données de panel

AuteursPhu Nguyen Van du même auteur

Théophile Azomahou[*][*] beta, Université Strasbourg 1, 61 avenue de la Forêt...
suite du même auteur

Introduction

La relation empirique entre la croissance économique et la qualité de l’environnement (qualité de l’air, qualité de l’eau, déforestation, etc.) a été largement débattue ces dernières années. Les résultats concernant cette relation permettent de définir des politiques économiques et environnementales appropriées pour améliorer le bien-être humain.

2 Dans la littérature, ce débat se résume de fait à la discussion de l’existence d’une relation de forme U inversée, appelée « Courbe environnementale de Kuznets ». Cette dernière énonce que, au niveau macroéconomique, la dégradation de l’environnement s’accentue pour des niveaux de revenu faible et qu’ensuite elle diminue à partir d’un certain seuil donné de revenu (point de retournement). L’hypothèse de la courbe environnementale de Kuznets n’implique pas que la croissance économique est une condition suffisante pour améliorer l’environnement (Arrow et al. [1995]). Au contraire, elle souligne le rôle important des politiques économiques et environnementales dans la protection de l’environnement. Pour prendre l’exemple des pays en voie de développement, les programmes économiques doivent s’accompagner de programmes environnementaux pour pouvoir préserver l’environnement.

3 Jusqu’ici, la courbe environnementale de Kuznets a été mise en évidence pour certains indicateurs environnementaux tels que la concentration de dioxyde de soufre (SO₂), les particules en suspension, la demande biologique en oxygène, la demande chimique en oxygène, la présence d’arsenic dans les rivières, les oxydes d’azote (NO _x ), le monoxyde de carbone (CO), la consommation d’énergie primaire commerciale (voir, par exemple, Grossman et Krueger [1993, 1995], Selden et Song [1994], Shafik [1994] et Suri et Chapman [1998]). Pour les émissions de CO₂, les résultats sont plus contrastés. Tandis que Holtz-Eakin et Selden [1995] et Shafik [1994] ont trouvé une courbe de Kuznets hors échantillon (c’est-à-dire que le point de retournement se situe en dehors de l’échantillon) et que Schmalensee et al. [1998] ont trouvé une courbe de Kuznets, Azomahou et NguyenVan [2001] ont montré une relation croissante mais complexe (malgré son aspect monotone). Kaufmann et al. [1998] ont obtenu une courbe de Kuznets entre la concentration de SO₂ et l’intensité spatiale de l’activité économique, puis une relation de type U (contrairement à la courbe de Kuznets) entre la concentration de SO₂ et le pib par tête[1][1] Pour une discussion détaillée de la courbe environnementale...
suite.

4 Les variables démographiques requièrent aussi une attention particulière puisque la population est reconnue comme l’une des causes principales de la dégradation de l’environnement (voir, par exemple, Ehrlich et Ehrlich [1981])[2][2] Voir Panayotou [2000a,b] et Robinson et Srinivasan [1997]...
suite. Selon Malthus [1798], une population croissante présente des besoins alimentaires importants, ce qui crée des pressions sur l’agriculture. La qualité de la terre arable (on peut penser plus généralement à la qualité de l’environnement) est affectée par une exploitation intensive. En conséquence, la productivité marginale du travail diminue et, suite à un manque de nourriture, le taux de croissance de la population baisse. La population se stabilise à un niveau d’équilibre avec un revenu faible et une mauvaise qualité de l’environnement. De plus, selon la Banque mondiale [1992], la croissance démographique induit une augmentation de la demande de biens, de services et des moyens d’existence, ce qui dégrade l’environnement et exerce une pression sur les ressources naturelles. Ainsi, l’accroissement démographique peut constituer une menace directe pour l’environnement local et réduire la capacité d’auto-épuration de celui-ci.

5 Il est important de noter que l’impact de la population sur l’environnement peut être modifié par la croissance économique et l’état de la technologie (Cropper et Griffiths [1994]). Par exemple, l’augmentation du revenu peut orienter les besoins en énergie vers des sources autres que le bois combustible. De même, l’assainissement de l’eau s’en trouve amélioré. L’adoption d’une technologie moderne en agriculture réduit la conversion des forêts en terre arable puisqu’elle rend possible une agriculture intensive.

6 Dans cet article, nous étudions la question de la déforestation. Nous nous concentrons sur des pays en voie de développement, car la déforestation y constitue un problème majeur. Postel [1984] a ainsi remarqué que la pauvreté est une cause principale de la déforestation.

7 La problématique de la déforestation a été jusqu’ici étudiée, entre autres, par Allen et Barnes [1985], la Food and Agriculture Organization (fao) [1993], Cropper et Griffiths [1994], Shafik [1994], Koop et Tole [1999] et Bhattarai et Hammig [2001]. Allen et Barnes [1985] ont souligné que, dans les pays en voie de développement, un taux de croissance démographique élevé est associé à un taux de déforestation important. L’étude de la fao [1993] suggère que le rapport entre la surface forestière et la surface totale est une fonction logistique de la densité de la population. Ceci implique que la variation en pourcentage de la surface forestière (ou taux de déforestation) dépend à la fois de la densité et du taux de croissance de la population. Cropper et Griffiths [1994] ont étudié un échantillon de 64 pays en voie de développement pour la période 1961-1988 et ont mis en évidence l’existence de courbes de Kuznets entre le taux de déforestation et le revenu pour les pays africains et les pays d’Amérique latine (les points de retournement sont respectivement 4 760 $ et 5 420 $). La densité de la population rurale est aussi reconnue par Cropper et Griffiths [1994] comme un facteur déterminant de la déforestation en Afrique.

8 Shafik [1994] et Koop et Tole [1999] ont respectivement utilisé un modèle de panel à effets fixes sur un échantillon de 66 pays entre 1962 et 1986 et un modèle paramétrique à coefficients aléatoires (ces coefficients sont différents entre les pays mais restent les mêmes pour chaque pays dans le temps) sur un échantillon de 76 pays tropicaux en voie de développement pour la période 1961-1992. Ces deux études n’ont pas pu montrer l’existence d’une courbe de Kuznets pour la déforestation (aucun coefficient n’est significatif). De plus, dans Koop et Tole [1999], la population (la densité et le taux de croissance de la population) n’a pas d’effet significatif sur le taux de déforestation.

9 Bhattarai et Hammig [2001] ont utilisé un modèle de données de panel à effets fixes sur un échantillon de 66 pays pour la période 1972-1991. Ces auteurs ont trouvé une relation de Kuznets entre le taux de déforestation et le revenu par tête. Ils ont également montré que la densité de la population rurale et le taux de croissance de la population ont des effets très différents sur la déforestation selon les groupes de pays. Néanmoins, l’effet de la densité de la population rurale est plus important.

10 Ces considérations justifient l’utilisation d’un modèle économétrique dans lequel la déforestation est déterminée par le développement économique et la population. Dans la littérature, la plupart des études empiriques, sauf celles de Schmalensee et al. [1998] et de Azomahou et Nguyen Van [2001], sont fondées sur des spécifications paramétriques dont la robustesse est souvent négligée.

11 L’apport majeur de notre étude est d’utiliser un modèle de données de panel en mettant l’accent sur des interactions spatiales auxquelles sont sujets les indicateurs environnementaux, en particulier la déforestation. À cet effet, Brown [2000] a souligné l’importance de la dimension spatiale (hétérogénéité et externalité spatiales) dans la gestion des ressources renouvelables. Dans le cas de la gestion des ressources forestières, la prise en compte de l’interdépendance spatiale, de l’irréversibilité, de différentes pratiques concernant l’utilisation de la surface forestière et de l’incertitude aboutit à une gestion optimale avec une surface forestière plus grande (Albers [1996]).

12 Cet article s’articule de la façon suivante : la description des données comprenant la définition des variables, les statistiques descriptives, ainsi que les tests d’autocorrélation spatiale dans les observations du taux de déforestation, est présentée dans la section 2. Les spécifications économétriques sont décrites dans la section 3. Les résultats empiriques sont donnés dans la section 4. La section 5 conclut l’étude.

Données et variables

Sources et statistiques descriptives

13 Notre étude utilise un échantillon de données comportant 85 pays en voie de développement sur la période annuelle allant de 1961 à 1994. Cet échantillon est plus grand que celui utilisé par Cropper et Griffiths [1994], Shafik [1994], Koop et Tole [1999] et Bhattarai et Hammig [2001]. Les données concernant la surface forestière (mesurée en milliers d’hectares), la densité de la population (nombre d’habitants/hectare) et la population totale (mesurée en milliers d’habitants) sont extraites du World Resources 1998-1999 Database du World Resources Institute. Les données sur le pib réel par tête (mesuré en milliers de dollars us en 1985 et en parité du pouvoir d’achat) sont extraites du Penn World Table 5.6 (voir Summers et Heston [1991]). Il faut préciser que, dans le Penn World Table 5.6, la série « pib réel par tête » n’est disponible que jusqu’en 1992. Les observations manquantes ont été complétées par les séries de pib réel par tête et de taux de croissance du pib par tête dans les bases Global Development Finance et World Development Indicators.

14 La variable dépendante, le taux de déforestation, est définie par :

15
où F _it désigne la surface forestière du pays i à l’année t. Plus précisément, la surface forestière est mesurée comme la somme de la surface naturelle boisée, de la surface plantée et de la surface déjà déboisée devant être reboisée dans un futur proche. Cette définition a été proposée par la fao et est couramment retenue dans la plupart des études empiriques (Cropper et Griffiths [1994], Shafik [1994], Koop et Tole [1999] et Bhattarai et Hammig [2001]). L’intérêt de cette définition est qu’elle prend en compte une grande variété de mesures de types de forêt (surface boisée, plantations, forêts en jachère, savanes boisées, etc.). La définition de la fao n’est certes pas exclusive, mais elle a le mérite d’être intuitive et de recouvrir la plupart des pays (Allen et Barnes [1985] et Koop et Tole [1999])[3][3] Cette définition soulève des difficultés. En effet,...
suite.
Les variables explicatives sont : le pib par tête, le taux de croissance du pib par tête (Δpib), la densité de la population et le taux de croissance de la population (Δpop.). Par définition, nous obtenons un échantillon total de 2 805 observations (T=33, 1962-1994). Nous avons divisé l’échantillon en trois groupes de pays : Afrique (43 pays), Amérique latine (26 pays) et Asie-Océanie (16 pays). Comme il n’y a que deux pays de l’Océanie (les îles Fidji et la Papouasie-Nouvelle-Guinée), nous les avons regroupés avec les pays asiatiques pour former le groupe Asie-Océanie. Le groupe Amérique latine comprend des pays de l’Amérique du Sud et de l’Amérique centrale, le Mexique inclus. La liste complète des pays figure dans l’Annexe 1.
Les statistiques descriptives sont données dans le tableau 1. Pour l’ensemble des pays, ces statistiques indiquent un taux moyen de déforestation positif (0,098 × 10– 2). Le taux de déforestation maximal du groupe Asie-Océanie (0,1788) est inférieur à celui du groupe Afrique (0,2281) et son écart type (0,0347) est proche de celui du groupe Amérique latine (0,0390). Contrairement au groupe Asie-Océanie, le groupe Amérique latine présente une forte déforestation avec le taux moyen de déforestation le plus élevé de l’échantillon (0,0032). Le groupe Afrique dispose du plus grand nombre de pays et présente un taux moyen de déforestation positif (0,027 × 10– 2) relativement faible par rapport à celui de l’ensemble des pays. Des trois groupes, seul le groupe Asie-Océanie a un taux moyen de déforestation négatif (– 0,064 × 10– 2) avec la densité moyenne de population la plus élevée (1,2022).

Tableau 1 - Statistiques descriptives

16 Le pib par tête est en moyenne le plus élevé dans le groupe Amérique latine et le plus faible dans le groupe Afrique. En revanche, ce sont les pays du groupe Asie-Océanie qui connaissent le taux de croissance moyen du pib par tête le plus fort (égal à 0,0272), environ deux fois plus élevé que celui des pays d’Amérique latine, et plus de trois fois que celui des pays africains. Remarquons également que le taux de croissance de la population des trois groupes Afrique, Asie-Océanie et Amérique latine est relativement proche (respectivement 0,0264, 0,0262 et 0,0213).

Tests d’autocorrélation spatiale

17 L’autocorrélation spatiale peut provenir soit de la déforestation elle-même, soit de facteurs non observables (climat, culture, etc.). Dans cette sous-section, nous utilisons les statistiques de Moran et de Geary (voir Cliff et Ord [1981]) pour tester l’existence d’une corrélation entre le taux de déforestation et la distance géographique entre les pays. Même si, a priori, on peut soupçonner une corrélation spatiale dans le phénomène de déforestation entre pays voisins, la présence du même massif forestier dans plusieurs pays n’implique pas forcément les mêmes pratiques de coupe ou de reboisement, ni les mêmes politiques environnementales. Cette analyse descriptive présente également l’avantage de fournir des indications sur l’approche économétrique que nous allons adopter dans la section suivante.[4][4] Cette analyse nous a été suggérée par un rapporteur...
suite

18 Pour calculer ces statistiques de test, il faut au préalable définir la « matrice de contiguïté spatiale » basée sur la distance entre les pays. En nous basant sur l’approche de Attfield et al. [2000][5][5] La distance géographique a été utilisée par Attfield...
suite, la distance entre pays est mesurée par la longueur de l’arc d’un cercle passant par le noyau de la Terre et les capitales des pays considérés[6][6] Remarquons que nous pouvons également utiliser les villes...
suite.

19 Soient L _i et N _i la latitude et la longitude en degré de la capitale du pays i. La distance entre les pays i et j, i, j=1, …, N, est définie par :

20
où R est le rayon de la Terre, mesuré par rapport à l’équateur (R=6 378 km) et

avec a=π/180.
Chaque élément c_ij de la matrice de contiguïté C est donné par[7][7] Les caractères en gras représentent des matrices. ...
suite

La matrice C est une matrice stochastique de taille N × N dont les éléments diagonaux sont tous nuls. Cette matrice est normalisée car la somme de chaque ligne est égale à l’unité. Une telle normalisation permet de considérer la distance relative au lieu de la distance absolue.
Les statistiques de test sont calculées pour les matrices C (contiguïté d’ordre 1) et pour C 2 (contiguïté d’ordre 2). Notons que si C est une mesure de la dépendance géographique directe entre deux pays, C 2 prend en compte non seulement la dépendance directe mais aussi la dépendance indirecte entre deux pays par l’intermédiaire d’un troisième. Ce type de dépendance indirecte est connu en théorie des graphes sous le terme d’un arc de longueur 2 (Berge [1983]). Les statistiques de Moran et de Geary sont calculées sous deux hypothèses qui définissent l’absence d’autocorrélation spatiale (hypothèse nulle), c’est-à-dire comment a été obtenue la répartition purement aléatoire des observations. Il existe deux hypothèses nulles. La première, notée H1, suppose que les observations ont été obtenues par des tirages aléatoires indépendants d’une loi normale. La deuxième hypothèse, notée H2, suppose que les observations ont été obtenues par des tirages aléatoires indépendants de loi inconnue. Un test d’autocorrélation spatiale est donc un test de l’une des deux hypothèses nulles précédentes contre l’hypothèse alternative (autocorrélation spatiale positive ou négative). Les moments théoriques (espérance et variance) des statistiques de Moran et de Geary sous ces deux hypothèses peuvent être consultés dans Cliff et Ord [1981]. Ces deux statistiques suivent asymptotiquement une loi normale centrée réduite sous l’hypothèse nulle. Une valeur significative et positive (respectivement négative) de la statistique de Moran signifie une autocorrélation spatiale positive (resp. négative). Au contraire, une valeur significative et positive (resp. négative) de la statistique de Geary indique une autocorrélation spatiale négative (resp. positive).
Les résultats des tests pour l’ensemble des pays ainsi que pour les groupes de pays (Afrique, Asie-Océanie, Amérique latine) sont reportés dans le tableau 2. Pour simplifier la présentation, le tableau présente uniquement la moyenne des statistiques calculées sur les années 1961-1994[8][8] Les résultats détaillés des statistiques, année par...
suite. On observe que dans tous les cas, pour la matrice C, les statistiques de Moran et de Geary, en moyenne, ne
permettent pas de rejeter l’hypothèse nulle d’absence d’autocorrélation spatiale au seuil de 5 %[9][9] Cependant, il est important de noter que, par exemple,...
suite. Pour la matrice C 2, les statistiques de Moran et de Geary ne permettent pas de rejeter les hypothèses nulles pour l’ensemble des pays et pour le groupe Afrique.

Tableau 2 - Statistiques de Moran et de Geary sur le taux de déforestation

21 Au regard de la problématique de la déforestation, les tests de Moran et de Geary suggèrent la non-existence d’une autocorrélation spatiale dans les valeurs du taux de déforestation pour le critère de dépendance spatiale retenu, à savoir une matrice de contiguïté spatiale fondée sur les distances géographiques entre les pays. Cela suggère également que, dans le cadre d’un modèle de régression, une spécification économétrique avec erreur spatiale semble plus adaptée que l’intégration directe de la dépendance spatiale observée dans la partie explicative du modèle. Cette conclusion semble moins intuitive lorsque la matrice C 2 est utilisée (pour les groupes Asie-Océanie et Amérique latine).

Modèles économétriques

22 La dépendance spatiale consiste non seulement en une dépendance géographique (proximité géographique) mais aussi en des formes diverses et complexes de proximité (culturelle, économique, etc.). Les caractéristiques des pays sont généralement interdépendantes. Les déterminants affectant la déforestation tels que le climat, les mesures législatives environnementales, les pratiques historiques, les cultures, etc., sont eux-mêmes spatialement corrélés.

23 Certaines de ces variables ne sont pas observables. D’autres, même observables, ne sont pas mesurables. Tout ceci peut induire une dépendance spatiale qu’il est souhaitable de prendre en compte dans l’étude empirique du phénomène de déforestation. En nous basant sur les tests de Moran et de Geary, nous considérons deux familles de modèles économétriques : l’une où la dépendance géographique est exprimée par la matrice de contiguïté comme décrite dans la section précédente, et l’autre avec une dépendance spatiale de forme non spécifiée.

Modèle avec dépendance géographique

24 La spécification économétrique retenue est un modèle de données de panel à effets spécifiques où les termes d’erreur sont spatialement autocorrélés. La structure du modèle est :

25
avec

y_it est le taux de déforestation du pays i (i=1, …, N) à l’année t (t=1, …, T). β est le vecteur de taille K × 1 des paramètres à estimer. x est le vecteur de taille 1 × K des variables explicatives (la constante de la régression, le pib par tête, le taux de croissance du pib par tête, la densité de la population et le taux de croissance de la population). On suppose que les ν _it sont mutuellement indépendants et identiquement distribués, ν _it N(0, σ2 _ν), et indépendants de x _it . Sous forme matricielle, la relation (2) s’écrit :

avec ε _t ≡ [ε_1t , …, ε_Nt ]′ et ν _t ≡ [ν_1t , …, ν_Nt ]′. λ est le coefficient de corrélation spatiale. La restriction |λ| ≤ 1 est garantie par la normalisation de C. Cette restriction assure la stabilité du modèle, c’est-à-dire la stationnarité du processus spatial (voir, par exemple, Griffith [1988], p. 17-19). μ _i désigne l’effet individuel spécifique au pays i. Nous distinguons deux cas : (i) μ _i représente un effet fixe, (ii) μ _i est aléatoire, avec μ _i N(0, σ2 _μ).
Pour estimer les coefficients du modèle (1) avec la structure du terme d’erreur (2), nous utilisons la méthode du maximum de vraisemblance[10][10] Les problèmes liés à l’estimation des modèles spatiaux...
suite. Dans le cas du modèle à effets fixes, la log-vraisemblance à maximiser s’écrit :

où W=I _T ⊗ C et u=Y – Xβ – Zμ avec Y ≡ [y ₁₁, …, y _N1, …, y _NT]′, X ≡ [x′₁₁, …, x′_N1, …, x′_NT]′, Z=ι _T ⊗ I _N et μ ≡ [μ₁, …, μ_N]′. Pour calculer le déterminant de I _NT – λW, nous adaptons la procédure proposée par Ord [1975]. Comme la matrice W est une matrice bloc, le déterminant dans (4) se réduit à :

où les p_i désignent les valeurs propres de C. L’utilisation de la relation (5) permet de réduire considérablement les calculs numériques lors de l’estimation. En effet, la matrice C étant exogène, ses valeurs propres peuvent être déterminées avant les procédures numériques.
Dans le cas du modèle à effets aléatoires, la log-vraisemblance s’écrit :

avec e=y – Xβ et Ψ=ι _Tι′_T ⊗ (σ2 _μ/σ2 _ν)I _N + I _T ⊗ [(I _N – λC)′(I _N – λC)]– 1. Anselin [1988], p. 150-154, donne une expression plus détaillée de (6).

Modèle avec dépendance spatiale non spécifiée

26 Dans la sous-section précédente, la prise en compte de la dépendance spatiale se limitait aux informations géographiques. Comme nous l’avions souligné, la dépendance spatiale peut prendre des formes diverses et complexes telles que des liens culturels, historiques, etc. Dans cette sous-section, nous utilisons le modèle (1) tenant compte d’une dépendance spatiale éventuelle de forme non spécifiée. C’est-à-dire que nous n’imposons plus de restriction paramétrique a priori sur la dépendance entre les observations comme dans l’équation (2). Ainsi, la structure non spécifiée de ε _it tient compte de l’hétéroscédasticité et de la dépendance spatiale, et/ou de la dépendance temporelle de forme non spécifiée. La dépendance temporelle peut être présente dans des séries longues. Remarquons que la présence d’hétéroscédasticité peut être prise en compte dans un modèle à coefficients aléatoires comme celui utilisé par Koop et Tole [1999][11][11] Plus précisement, Koop et Tole [1999] ont utilisé le...
suite. L’estimation du modèle avec dépendance spatiale non spécifiée est effectuée par la méthode de Driscoll et Kraay [1998]. Nous présentons maintenant l’intuition et l’implémentation de cette méthode.

27 Considérons un modèle de données de panel identifié par un vecteur de taille R × 1 de conditions d’orthogonalité, E[h _it (β)]=0,[12][12] Dans notre modèle, les conditions d’orthogonalité sont...
suite avec K ≤ R, où K est la dimension de β. En considérant N fixe, la méthode des moments généralisés (MMG) basée sur l’optique des séries temporelles procède à l’empilement des R conditions d’orthogonalité pour chacune des N observations pour former un vecteur NR × 1 de conditions de moments notées E[h _t (β)]=0, avec h _t (β) ≡ [h _1t (β)′, …, h _Nt (β)′]′. L’estimateur MMG associé à la matrice de poids S _TST est défini par :

28
où , une matrice positive semi-définie, qui peut être estimée par :

Plusieurs estimateurs de S _T ont été proposés dans la littérature dont ceux de Newey et West [1987] et Andrews [1991]. Hansen [1982] a montré qu’un estimateur convergent de S _T est numériquement équivalent à 2π fois l’estimateur de la densité spectrale de h _t (β) pour une fréquence nulle. Cependant, la mise en œuvre de ces estimateurs se heurte à deux difficultés majeures.
La première est un problème de dimension des paramètres à estimer. En effet, lorsque N devient grand relativement à T, on n’est pas en mesure d’estimer les NR(NR + 1)/2 termes distincts de S _T à partir des NT observations disponibles de manière à ce que S _T soit non singulière[13][13] La singularité de S T peut être due à des valeurs propres...
suite. Une manière de résoudre cette difficulté consiste à imposer des restrictions a priori sur la forme des corrélations spatiales afin de réduire la dimension des paramètres à estimer. La deuxième difficulté vient des doutes concernant la qualité de l’approximation asymptotique de ces estimateurs[14][14] Comme l’ont remarqué Driscoll et Kraay [1998], la théorie...
suite.
Au vu de ces difficultés, on cherche un estimateur convergent de S _T calculable quand bien même N devient très grand relativement à T. On souhaite également que la justification asymptotique de cet estimateur ne se fonde pas sur l’hypothèse que N est constant. Driscoll et Kraay [1998] ont montré qu’un tel estimateur peut être obtenu en modifiant les conditions d’orthogonalité décrites ci-dessus.
Soit un vecteur de taille R × 1, constitué des moyennes des coupes instantanées. Le modèle peut alors être identifié en utilisant la condition de moment . L’estimateur MMG de β est :

L’asymptotique de l’estimateur de Driscoll et Kraay [1998] est fondée sur T. Un estimateur convergent de la matrice V _T est obtenu en posant :

Le noyau de Bartlett est ensuite utilisé pour lisser la fonction d’autocorrélation de l’échantillon. L’Annexe 2 discute les détails relatifs à l’estimation de à .

Résultats d’estimation

29 Les résultats d’estimation (pour l’ensemble des pays et par groupe de pays) pour le modèle avec dépendance spatiale géographique sont présentés dans le tableau 3 (pour le modèle à effets fixes) et dans le tableau 4 (pour le modèle à effets aléatoires)[15][15] Les programmes d’estimation écrits en gauss sont disponibles...
suite. Ces tableaux résument deux types de résultats : les résultats d’estimation utilisant la matrice C, puis ceux obtenus en utilisant la matrice C 2 à la place de C.

Tableau 3 - Résultats d’estimation du modèle effets fixes avec dépendance spatiale géographique (les valeurs sont exprimées en 10– 2)

Tableau 4 - Résultats d’estimation du modèle à effets aléatoires avec dépendance spatiale géographique (les valeurs sont exprimées en 10– 2, sauf la statistique de Hausman)

30 La statistique de Hausman est utilisée pour tester la spécification à effets aléatoires contre l’alternative à effets fixes[16][16] Voir Baltagi [1995], chap.  4, pour une définition...
suite. Les résultats du test sont reportés dans le tableau 4. Ils indiquent que le modèle à effets aléatoires n’est rejeté que pour le groupe de pays Asie-Océanie quelle que soit la matrice de contiguïté. Pour ce groupe, il semble donc que la spécification à effets fixes soit appropriée, contrairement aux autres groupes pour lesquels il semble que le modèle à effets aléatoires soit préféré.

31 Le coefficient de dépendance spatiale λ n’est pas significatif lorsque la matrice C est utilisée, et ce, quelle que soit la spécification retenue (modèle à effets fixes ou modèle à effets aléatoires) et quel que soit le groupe de pays. Lorsque la matrice C 2 est utilisée, on observe que λ devient fortement significatif pour l’ensemble des pays et les pays du groupe Afrique.

32 Pour le modèle à effets aléatoires, nous remarquons que les coefficients estimés, , sont similaires quelle que soit la matrice de contiguïté. Nous calculons maintenant la statistique du rapport de vraisemblance pour comparer le modèle contraint (sans dépendance spatiale, λ=0) et les modèles non contraints (λ≠ 0 avec C ou avec C 2). La statistique du test est LR=2(log L₁ – log L₀) χ2(1) où log L₀ et log L₁ sont respectivement la valeur de la log-vraisemblance du modèle contraint et celle du modèle non contraint.
Les résultats du test (tableau 5) montrent que le modèle contraint est rejeté contre le modèle non contraint avec C2 pour l’ensemble des pays (la statistique LR=16,6, supérieure à la valeur tabulée du χ2(1) au seuil de 5 %, 3,84) et pour le groupe Afrique (LR=5,5). En revanche, le modèle à effets aléatoires avec C n’apporte pas d’amélioration significative en termes de vraisemblances par rapport au modèle contraint pour tous les groupes de pays. La comparaison des vraisemblances montre que le modèle avec C 2 fournit des vraisemblances plus élevées presque pour tous les groupes de pays, à l’exception du groupe Asie-Océanie pour lequel les vraisemblances sont quasi identiques. Ces résultats mettent en évidence l’existence d’une corrélation géographique d’ordre élevé dans les résidus.

Tableau 5 - Tests du rapport de vraisemblance

33 Comme le test de Hausman ne rejette le modèle à effets aléatoires que pour le groupe Asie-Océanie, nous proposons un modèle à effets fixes robuste à des structures non spécifiées de dépendance spatiale et temporelle, et d’hétéroscédasticité pour ce groupe. À titre de comparaison, nous présentons également la même estimation pour les autres groupes. Les résultats sont présentés dans le tableau 6. La spécification P1 correspond à un modèle où les écarts-types sont estimés de manière standard[17][17] Le modèle P1 est le modèle à effets fixes sans dépendance...
suite. La spécification P2 correspond à un modèle où les écarts-types estimés sont robustes à l’hétéroscédasticité et à la dépendance spatiale. La dernière spécification (P3) est un modèle où les écarts-types estimés sont robustes à l’hétéroscédasticité et à la dépendance spatiale et temporelle. Remarquons que les coefficients estimés dans les tableaux 4 et 6 ne diffèrent que de l’ordre de moins de 6 %. Nos interprétations des effets des différentes variables explicatives sur la déforestation se baseront essentiellement sur le tableau 6 (modèle P3) pour le groupe Asie-Océanie, et sur le tableau 4 (modèle avec ) pour les autres groupes.

34 On observe que le revenu par tête a un effet significatif sur la déforestation pour les groupes Afrique et Asie-Océanie. Le message principal concernant la relation entre le taux de déforestation et le revenu par tête est qu’il n’apparaît pas de courbe environnementale de Kuznets dans notre échantillon, rejoignant ainsi la conclusion de Koop et Tole [1999]. Cependant, comme le montre la figure 1 – et contrairement à une courbe de Kuznets – la relation entre le taux de déforestation et le revenu par tête est de forme U pour tous les groupes de pays[18][18] Nous avons également effectué une régression simple...
suite.

Figure 1 - Relation entre la déforestation et la croissance économique

Tableau 6 - Résultats d’estimation pour les modèles à effets fixes avec dépendance spatiale non spécifiée (les valeurs sont exprimées en 10– 2)

35 Il ressort des résultats que le taux de croissance du revenu par tête n’a pas d’effet significatif sur la déforestation pour tous les groupes. Remarquons cependant que le signe correspondant à Δpib est négatif quelle que soit la spécification retenue. L’effet négatif de Δpib déplace la courbe déforestation/pib par tête vers le bas.

36 Enfin, la densité de la population n’a d’effet significatif sur la déforestation que pour le groupe Asie-Océanie (au seuil de 10 %) et est positif. Quant à l’effet du taux de croissance de la population, il est significatif et positif pour les pays d’Amérique latine. Ainsi, la densité et le taux de croissance de la population accéléreraient le processus de déforestation pour ces deux groupes.

Discussion et conclusion

37 Les conséquences de la déforestation sont bien connues. Comme l’a souligné Preston [1996], il en résulte une érosion du sol, un changement climatique et une menace de disparition des espèces végétales et animales. L’équilibre de l’écosystème, ainsi que les ressources génétiques utiles à l’homme, sont menacés. Or, les causes principales de la déforestation sont identifiées : la conversion des forêts en terre arable pour l’agriculture, les besoins en bois combustible et les exploitations commerciales. Les deux premières causes sont directement liées à la population. Cependant, comme nous l’avons remarqué, l’impact de la démographie sur la déforestation peut être modifié par l’état de la technologie et par la croissance économique. De plus, les politiques démographiques, généralement à long terme, risquent d’être très coûteuses. Bien que les effets du contrôle démographique sur la déforestation soient reconnus, ceux-ci peuvent s’avérer insuffisants.

38 Comme l’indiquent nos résultats d’estimation, la relation déforestation/pib par tête est de forme U pour tous les groupes de pays. Il semble donc que, pour l’échantillon considéré, la croissance économique s’accompagne d’une augmentation du processus de déforestation dans les pays en voie de développement. De plus, le taux de croissance du pib par tête a un effet négatif (bien que celui-ci ne soit pas significatif) sur la déforestation. Ceci signifie que les pays ayant un fort taux de croissance du pib par tête verront leur taux de déforestation s’atténuer. Comme nous l’avons indiqué dans la description des données (section 2), avec le taux de croissance moyen du pib par tête le plus élevé (0,0272), les pays du groupe Asie-Océanie ont le taux moyen de déforestation le plus faible représentant même une reforestation (– 0,064 × 10– 2). En même temps, les pays des groupes Amérique latine et Afrique ont un taux de croissance moyen du revenu par tête plus faible (resp. 0,0140 et 0,0076) et un taux moyen de déforestation plus fort (resp. 0,032 et 0,027 × 10– 2). Ainsi, il serait souhaitable que les programmes de développement économique soient soutenus par une politique environnementale de reforestation pour limiter les impacts des activités économiques sur la déforestation.

39 Il faut aussi s’employer à chercher d’autres déterminants de la déforestation. Dans les pays en voie de développement, les forêts sont un bien public et donc sujettes à une surexploitation. Un problème d’institutions et de défaillance de marché se pose également (non-existence des droits de propriétés, sous-évaluation des ressources forestières), soulignant le rôle que peuvent jouer les institutions nationales et internationales[19][19] Un exemple de sous-évaluation des forêts est celui du...
suite.

40 En résumé, dans cet article, nous avons étudié la relation entre la déforestation, la croissance économique et la population sur un échantillon de pays en voie de développement. Les principaux résultats sont : (i) aucune courbe environnementale de Kuznets décrivant la relation entre le taux de déforestation et le revenu par tête n’a pu être mise en évidence. À l’inverse, nous obtenons une relation en U pour tous les groupes de pays ; (ii) le taux de croissance du revenu par tête a un effet négatif (non significatif) sur le taux de déforestation ; (iii) l’effet positif de la démographie sur la déforestation semble confirmé pour certains groupes de pays (densité de la population pour les pays d’Asie-Océanie, taux de croissance de la population pour les pays d’Amérique latine).

41 On peut imaginer que la méthode d’estimation permettant de tenir compte de la dépendance spatiale et/ou de la dépendance temporelle pourrait s’appliquer à d’autres indicateurs environnementaux tels que la qualité de l’air, la qualité de l’eau, etc. Du fait de leur nature, ces indicateurs peuvent également être considérés dans le cadre des processus de diffusion spatiale.

Annexe

ANNEXE 1

Liste des pays

42 Afrique (43 pays) : Afrique du Sud, Algérie, Angola, Bénin, Botswana, Burkina Faso, Burundi, Cameroun, Cap-Vert, Centrafrique, Comores, Congo (Rép. Dém., ex. Zaïre), Congo, Côte d’Ivoire, Éthiopie, Gabon, Gambie, Ghana, Guinée, Guinée-Bissau, Kenya, Madagascar, Malawi, Mali, Maroc, Mauritanie, Île Maurice, Mozambique, Niger, Nigeria, Ouganda, Rwanda, Sénégal, Seychelles, Sierra Léone, Soudan, Swaziland, Tanzanie, Tchad, Togo, Tunisie, Zambie, Zimbabwe.

43 Asie-Océanie (16 pays) : Arabie Saoudite, Bangladesh, Chine, Îles Fidji, Inde, Indonésie, Iran, Jordanie, Malaisie, Népal, Pakistan, Papouasie-Nouvelle-Guinée, Philippines, Sri Lanka, Syrie, Thaïlande.

44 Amérique latine (Amérique du Sud et Amérique centrale, 26 pays) : Argentine, Barbade, Bélize, Bermudes, Bolivie, Brésil, Chili, Colombie, Costa Rica, El Salvador, Équateur, Guatemala, Guyane, Haïti, Honduras, Jamaïque, Mexique, Nicaragua, Panama, Paraguay, Pérou, Rép. dominicaine, Surinam, Trinité-et-Tobago, Uruguay, Venezuela.

Annexe

ANNEXE 2

Estimation de la matrice

45 En utilisant l’estimateur dans la relation (10), les deux problèmes évoqués concernant S _T se trouvent de fait résolus. D’une part, comme V _T est une matrice R × R ayant R(R + 1)/2 termes distincts, la dimension des coupes instantanées ne présente plus de difficulté pour la mise en œuvre de l’estimateur. D’autre part, rappelons que est construit à partir de moyennes sur N observations. En conséquence, la preuve de la convergence de se fonde en partie sur le fait que N(T) peut être considéré comme une fonction non décroissante de T.
L’intérêt de cette approche est que, sous certaines conditions de dépendance spatiale et temporelle basées sur les processus mélangeants, l’estimateur de V _T – notée  – sera robuste à l’hétéroscédasticité, à la dépendance spatiale et à la dépendance temporelle lorsque T tend vers l’infini, sans poser de restriction sur le comportement de N. Nous invitons le lecteur à se reporter à l’article de Driscoll et Kraay [1998] pour plus de détails. Ces auteurs ont montré que si h _it (β) est un processus mélangeant dans la double dimension individuelle et temporelle de coefficient r/(r – 1), r> 1, alors est aussi un processus mélangeant. De même, si E[|h _it|δ] < κ pour δ et κ finis, on a également . Sous ces conditions, un estimateur convergent de V _T est donné par :

où ω(j, m(T))=1 – j/[m(T) + 1] est le noyau de Bartlett,

N(T) est une fonction non décroissante de T. est le résidu within estimé. Sans perte de généralité, nous pouvons poser N(T)=N. Asymptotiquement, est borné en probabilité et m(T)=O(T1/4). Dans les estimations et selon Driscoll et Kraay [1998], nous avons utilisé m(T)=0 et m(T)=2, respectivement, pour les modèles P2 et P3.
Remarquons d’abord que l’estimateur (11) est identique à celui de Newey et West [1987] sauf qu’ici il est appliqué à des moyennes de coupes instantanées. Ensuite, les hypothèses de dépendance faites ici englobent une classe générale de dépendance spatiale et temporelle. L’estimateur (11) ne requiert donc pas une spécification particulière de dépendance spatiale comme par exemple, dans Attfield et al. [2000]. Enfin, pour les modèles à effets fixes, ces effets doivent être éliminés, par exemple par la transformation within, avant l’utilisation de la méthode de Driscoll et Kraay [1998].

Bibliographie

RÉFÉRENCES BIBLIOGRAPHIQUES

Albers H.J. [1996], « Modeling Ecological Constraints on Tropical Forest Management: Spatial Interdependence, Irreversibility, and Uncertainty », Journal of Environment Economics and Management, 30, p. 73-94.

Allen J.C. et Barnes D.F. [1985], « The Causes of Deforestation in Developing Countries », Annals of the Association of American Geographers, 75, p. 163-184.

Andrews D.W.K. [1991], « Heteroskedasticity and Autocorrelation Consistent Covariance Matrix Estimation », Econometrica, 59, p. 817-858.

Anselin L. [1988], Spatial Econometrics: Methods and Models, Dordrecht, Kluwer Academic.

Anselin L. et Bera A. [1998], « Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics », dans Truchmuche A. (ed.), Handbook of Applied Economic Statistics, chap. 7.

Arrow K., Bolin B., Costanza R., Dasgupta P., Folke C., Holling C., Jansson B.O., Levin S., Maler K.G., Perrings C. et Pimentel D. [1995], « Economic Growth, Carrying Capacity, and the Environment », Science, 268, p. 520-521.

Attfield C.L.F., Cannon E.S., Demery D. et Duck N.W. [2000], « Economic Growth and Geographic Proximity », Economics Letters, 68, p. 109-112.

Azomahou T. [2000], Spatial Dependence and Panel Data Structure: Application to Estimating the Residential Demand for Water, Thèse de doctorat, Université Strasbourg 1.

Azomahou T. et Nguyen Van P. [2001], « Economic Growth and CO₂ Emissions: A Nonparametric Approach », core Discussion Paper n° 2001/12, Université catholique de Louvain, Louvain-la-Neuve, beta Working Paper n° 2001-01, Université Strasbourg 1.

Baltagi B.H. [1995], Econometric Analysis of Panel Data, Chichester, JohnWiley & Sons.

Banque mondiale [1992], World Development Report, New York, Oxford University Press.

Berge C. [1983], Graphes, Paris, Gauthier-Villars.

Bhattarai M. et Hammig M. [2001], « Institutions and the Environmental Kuznets Curve for Deforestation: A Cross-country Analysis for Latin America, Africa and Asia », World Development, 29, p. 995-1010.

Bontems P. et Rotillon G. [1998], Économie de l’environnement, Paris, La Découverte.

Brown G.M. [2000], « Renewable Natural Resource Management and Use without Markets », Journal of Economic Literature, 38, p. 875-914.

Cliff A.D. et Ord J.K. [1981], Spatial Processes Models and Applications, Londres, Pion.

Cropper M. et Griffiths C. [1994], « The Interaction of Population Growth and Environmental Quality », American Economic Review, 82, p. 250-254.

Driscoll J.C. et Kraay A.C. [1998], « Consistent Covariance Matrix Estimation with Spatially Dependent Panel Data », Review of Economics and Statistics, 80, p. 549-560.

Ehrlich P.R. et Ehrlich A.H. [1981], Extinction: the Causes and Consequences of the Disappearance of Species, New York, Random House.

FAO [1993], « Forest Ressources Assessment 1990: Tropical Countries », Forestry Paper n° 112, Food and Agriculture Organization, Rome.

Griffith D.A. [1988], Advanced Spatial Statistics, Dordrecht, Kluwer Academic Publishers.

Grossman G.M. et Krueger A.B. [1993], « Environmental Impacts of a North American Free Trade Agreement », dans Garber P. (ed.), The u.s.-Mexico Free Trade Agreement, Cambridge mit Press (Mass.), p. 165-177.

Grossman G.M. et Krueger A.B. [1995], « Economic Growth and the Environment », Quarterly Journal of Economics, 60, p. 353-377.

Hansen L.P. [1982], « Large Sample Properties of Generalized Method of Moments Estimators », Econometrica, 50, p. 1029-1054.

Holtz-Eakin D. et Selden T.M. [1995], « Stoking the Fires? CO₂ Emissions and Economic Growth », Journal of Public Economics, 57, p. 85-101.

Kaufmann R.K., Davidsdottir B., Garnham S. et Pauly P. [1998], « The Determinants of Atmospheric SO₂ Concentrations: Reconsidering the Environmental Kuznets Curve », Ecological Economics, 25, p. 209-220.

Koop G. et Tole L. [1999], « Is There an Environmental Kuznets Curve for Deforestation? », Journal of Development Economics, 58, p. 231-244.

Malthus T.R. [1798], An Essay on the Principles of Population, Macmillan, St. Martin’s Press (Reprint 1966).

Newey W.K. et West K.D. [1987], « A Simple, Positive Semi-definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix », Econometrica, 55, p. 703-708.

Ord J.K. [1975], « Estimation Methods for Models of Spatial Interaction », Journal of American Statistical Association, 70, p. 120-126.

Panayotou T. [2000a], « Economic Growth and the Environment », cid Working Paper n° 56, Harvard University.

Panayotou T. [2000b], « Population and Environment », cid Working Paper n° 54, Harvard University.

Postel S. [1984], « Protecting Forests », dans Brown L.R. (ed.), State of the World, New York, W.W. Norton & Co.

Preston S.H. [1996], « The Effect of Population Growth on Environmental Quality », Population Research and Policy Review, 15, p. 95-108.

Robinson J.A. et Srinivasan T.N. [1997], « Long-Term Consequences of Population Growth : Technological Change, Natural Resources, and the Environment », dans Rosenzweig M.R. et Stark O. (eds), Handbook of Population and Family Economics, Amsterdam, North-Holland, chap. 21.

Schmalensee R., Stoker T.M. et Judson R.A. [1998], « World Carbon Dioxide Emissions: 1950-2050 », Review of Economics and Statistics, 80, p. 15-27.

Selden T.M. et Song D. [1994], « Environmental Quality and Development: Is There a Kuznets Curve for Air Pollution Emissions? », Journal of Environmental Economics and Management, 27, p. 147-162.

Shafik N. [1994], « Economic Development and Environmental Quality: An Econometric Analysis », Oxford Economic Papers, 46, p. 757-773.

Stern D.I. [1998], « Progress on the Environmental Kuznets Curve? », Environmental and Development Economics, 3, p. 173-196.

Summers R. et Heston A. [1991], « The Penn World Table (Mark V) : An Expanded Set of International Comparisons, 1950-1988 », Quarterly Journal of Economics, 106, p. 327-369.

Suri V. et Chapman D. [1998], « Economic Growth, Trade and Energy: Implication for the Environmental Kuznets Curve », Ecological Economics, 25, p. 195-208.

Notes

[ * ] beta, Université Strasbourg 1, 61 avenue de la Forêt Noire, 67085 Strasbourg Cedex, France – E-mail : nvphu@ cournot. u-strasbg. fr, azomahou@ cournot. u-strasbg. fr.

[1] Pour une discussion détaillée de la courbe environnementale de Kuznets, voir les numéros spéciaux des revues Environment and Development Economics, 1997, et Ecological Economics, 1998. Voir aussi Panayotou [2000a] et Stern [1998] pour une revue de littérature.

[2] Voir Panayotou [2000a,b] et Robinson et Srinivasan [1997] pour une synthèse de la littérature concernant la croissance de la population, le développement économique et l’environnement.

[3] Cette définition soulève des difficultés. En effet, il existe un problème de mesure lié à la subjectivité des données fournies par les gouvernements, à l’exactitude des estimations lorsque les données officielles ou semi-officielles ne sont pas disponibles, etc. (voir, par exemple, Allen et Barnes [1985] et Koop et Tole [1999]).

[4] Cette analyse nous a été suggérée par un rapporteur anonyme.

[5] La distance géographique a été utilisée par Attfield et al. [2000] pour étudier la dépendance spatiale entre les taux de croissance de 90 régions européennes, de 48 États des États-Unis et de 92 pays.

[6] Remarquons que nous pouvons également utiliser les villes situées au centre des pays à la place des capitales. Cependant, comme la plupart des capitales sont des centres importants d’activités économiques, culturelles, etc., la distance entre ces capitales nous permet de capter au moins partiellement la corrélation des activités entre pays. Il existe d’autres alternatives au calcul de la distance à partir des capitales. Par exemple, l’utilisation de l’agglomération la plus importante pour chaque pays donné. Un autre critère de dépendance spatiale consiste en une relation binaire de contiguïté (valant 1 si deux pays sont voisins, 0 sinon). Or, les pays utilisés dans notre échantillon ne sont pas tous contigus, ce dernier critère n’est donc pas pertinent.

[7] Les caractères en gras représentent des matrices.

[8] Les résultats détaillés des statistiques, année par année, sont disponibles auprès des auteurs.

[9] Cependant, il est important de noter que, par exemple, pour l’ensemble des pays et pour les statistiques calculées année par année à partir de la matrice C, on obtient 6 rejets de l’hypothèse nulle H1 et 9 rejets de l’hypothèse nulle H2 pour la statistique de Moran, contre 20 rejets de l’hypothèse nulle H1 et 1 rejet de l’hypothèse nulle H2 pour la statistique de Geary. Dans la littérature, le test de Moran, qui a été montré plus robuste et puissant que le test de Geary, est de loin le plus utilisé (voir Cliff et Ord [1981]).

[10] Les problèmes liés à l’estimation des modèles spatiaux paramétriques sont amplement discutés dans Anselin et Bera [1998] et Azomahou [2000] par exemple.

[11] Plus précisement, Koop et Tole [1999] ont utilisé le modèle y_it =x _it β _i + μ _i + ε _it , avec β _i =β + ν _i pour une distribution donnée du vecteur ν _i .

[12] Dans notre modèle, les conditions d’orthogonalité sont E(x _it ε _it )=0.

[13] La singularité de S _T peut être due à des valeurs propres nulles.

[14] Comme l’ont remarqué Driscoll et Kraay [1998], la théorie asymptotique énonce que le rapport N/T tend vers zéro pour T suffisamment grand, alors qu’en fait, à échantillon fini, N est supérieur à T.

[15] Les programmes d’estimation écrits en gauss sont disponibles auprès des auteurs. La procédure optmum est utilisée pour la maximisation de la fonction de vraisemblance. Les ordinateurs de la constante de la régression ne sont pas présentés.

[16] Voir Baltagi [1995], chap. 4, pour une définition de la statistique de Hausman.

[17] Le modèle P1 est le modèle à effets fixes sans dépendance spatiale (λ=0). Ici, il est estimé par la méthode des moindres carrés, donnant les mêmes estimateurs que la méthode du maximum de vraisemblance.

[18] Nous avons également effectué une régression simple (modèles de données de panel à effets fixes et à effets aléatoires) du taux de déforestation sur le terme linéaire et le terme quadratique du pib par tête. Nous constatons que la courbe de Kuznets n’existe pas pour l’ensemble des pays et pour chaque groupe de pays. En effet, le terme linéaire du pib par tête a un coefficient négatif et le terme quadratique a un coefficient positif. Ces résultats sont disponibles auprès des auteurs.

[19] Un exemple de sous-évaluation des forêts est celui du Honduras : avec peu de ressources forestières, ce pays exporte du bois vers les États-Unis qui possèdent de grandes forêts (Bontems et Rotillon [1998]).

Résumé

Cet article étudie la relation empirique entre la déforestation, la croissance économique et la population à partir d’un échantillon de 85 pays en voie de développement. L’étude ne met pas de courbe environnementale de Kuznets (courbe de forme U inversée) en évidence entre le taux de déforestation et le revenu par tête. À l’inverse, nous obtenons une relation de forme U pour tous les groupes de pays. Le taux de croissance du revenu par tête a un effet négatif mais non significatif sur le taux de déforestation. Finalement, nous montrons que la pression démographique semble amplifier le processus de déforestation pour les pays d’Asie-Océanie et pour ceux d’Amérique latine.

PLAN DE L'ARTICLE

• Introduction
• Données et variables
  • Sources et statistiques descriptives
  • Tests d’autocorrélation spatiale
• Modèles économétriques
  • Modèle avec dépendance géographique
  • Modèle avec dépendance spatiale non spécifiée
• Résultats d’estimation
• Discussion et conclusion
• Liste des pays
• Estimation de la matrice
• Annexe

POUR CITER CET ARTICLE

Phu Nguyen Van et Théophile Azomahou « Déforestation, croissance économique et population », Revue économique 4/2003 (Vol. 54), p. 835-855.
URL : www.cairn.info/revue-economique-2003-4-page-835.htm.
DOI : 10.3917/reco.544.0835.