ZoneRecherche

ACDS-RECHERCHE SCIENTIFIQUE (Pages en cours de préparation.)
.........................................................................................................................
L'un des champs d'activités importants de l'ACDS est la recherche scientifique. Nos travaux de recherche sur le terrain en RDC seront regroupés dans les domaines suivants:

1) La sécurité Humaine et le développement socio-économique/Zone-recherche 01/

2) La santé et l'alimentation/ Zone-recherche 02/

3) L'éducation et le développement Humain /Zone-recherche 03/

4) La science, la technologie et l'artisanat/ Zone-recherche 04/

5) L'environnement/ Zone-recherche 05/


L'ACDS veut mettre à la disposition des Chercheurs Congolais et internationaux qui oeuvrent dans l'un ou l'autre secteur de nos activités de recherche la possibilité de faire connaître les résultats de leurs travaux de recherche afin de contribuer au développement et à la reconstruction nationale en RDC.
............................................................................................................................

ACDS-ZONE-RECHERCHE-01/2004: La sécurité humaine et le développement socio-économique en RDC.

Secteur minier : La population des zones minières en RDC dénonce le caractère anti-social de la cession des concessions.

Dans les deux Kasaï et au Katanga, des mineurs se sont levés pour condamner ce qu’ils considèrent comme des contrats anti-sociaux qui ne tiennent pas compte de leur situation. Ils estiment que les nouveaux acquéreurs des zones minières se préoccupent peu de leur avenir. Un peu plus de 400 mineurs sont aujourd’hui menacés de perdre leur travail. Cette situation est plus grave si l’on dénombre des personnes dépendant directement ou indirectement de ces mineurs.

Devant défendre leur cause, ces mineurs congolais sont montés au créneau pour dénoncer les négociations entre le gouvernement et les partenaires extérieurs dans les zones minières. Selon eux, ces négociations sont anti-sociales.

En effet, nul n’ignore qu’à la belle époque de la Gécamines, ces familles ont non seulement eu du travail, mais elles ont su également s’établir dans les environs des sites miniers. Avec la disparition du vieux poumon de l’économie congolaise, ces familles s’attendaient au moins à la sauvegarde de leur cadre de vie tel que prescrit dans le nouveau code minier. Malheureusement, avancent ces familles de mineurs, les nouveaux acquéreurs semblent mettre en danger leur cadre di vie. Ils exploitent leur carrière minière sans tenir compte des exploitations vivrières de ces familles.

Ces nouveaux acquéreurs emportent toutes les terres, apprend-t-on, sans tenir compte de la survie des autochtones.

Pour cette population, le pacte social repris dans le cahier de charge n’est pas respecté. Ainsi, elle craint qu’elle ne soit interdite demain de travailler dans la zone minière. D’où l’appel de ces populations aux autorités, sollicitant la prise en compte de leur desiderata dans lors de la signature de tous les contrats de cession des zones minières. Au besoin, les associer lors des négociations qui précèdent la signature des contrats afin qu’elles sachent effectivement ses droits. Ce, d’autant plus qu’on ne défend ses droits que si on les connaît.

Selon ces autochtones des zones minières, un contrat entre les investisseurs et le gouvernement ne doit pas laisser de côté les préoccupations de ceux qui devront cohabiter avec l’exploitation. La lutte contre la pauvreté en dépend.

Pour les autochtones, il n’y a que dans ces conditions là qu’il y aura leur implication effective dans les objectifs des investisseurs et du gouvernement. A en croire leur haro, l’Etat qui aliène de plus en plus son patrimoine risquera à terme de sacrifier toute la population vivant dans les périmètres miniers. Si telle situation se généralisait, il ne sera pas étonnant d’assister demain à des crises sociales plus compliquées. C’est une question de survie.

Par Dan Didier M.

............................................................................................................................
ACDS-ZONE-RECHERCHE-03/2004: L'éducation et le développement Humain en RDC

80% DES ENFANTS CONGOLAIS SONT PRIVÉS D'INSTRUCTION !
Date: Wed, 21 Apr 2004 02:13:16 +0200 (CEST)

Le président de l’Anapeco est fort mécontent : 80% des enfants congolais sont privés d’instruction! Le président de l’Association nationale des parents d’élèves et étudiants du Congo (Anapeco), M. Onokoko a dernièrement traduit le mécontentement des parents du fait que selon les données de l’Unesco, 80% des enfants du Congo sont privés d’instruction.

Encore plus de deux générations congolaises sacrifiées

Pour l’Anapeco, cette situation est due notamment et principalement aux frais de motivation des enseignants, imposés aux parents et qui éloignent beaucoup d’enfants du milieu scolaire, leurs parents étant incapables de payer lesdits frais. D’où la demande de l’Anapeco au gouvernement de supprimer purement et simplement ces frais qui en réalité tuent l’enseignement ! Kinshasa , 20.04.2004 | Society L’association nationale des parents d’élèves et étudiants en RDC (Anapeco) ne décolère toujours pas pour le maintien, même par le gouvernement actuel, des frais de la honte nationale, à savoir la prise en charge des enseignants du secteur
public par les parents d’élèves et étudiants.

C’est si évident que le président de l’Anapeco, M. Onokoko Okene s’adressait samedi 17 avril 2004 aux membres du comité municipal de kasa-Vubu réuni à l’ISPL, a décrit les données actuelles de l’Unesco sur la Rdc comme la conséquence la plus normale des frais de motivation des enseignants et de la guerre. Il s’est agi notamment du taux scandaleux de 80% d’enfants congolais en âge scolaire non admis à l’instruction publique.
De ce point de vue, M. Onokoko, s’est attardé sur la nécessité de la suppression des frais de motivation. Il notera également, au passage, la baisse du niveau de connaissances de l’école primaire à l’université en passant par le cycle secondaire, Autant, dire que même les 20% actuellement admis dans le système éducatif, un nombre insignifiant d’élèves dispose d’un niveau scolaire digne puisque les écoles sont devenues des régies financières.

Appel aux parents d’élèves: il faut vite agire ensemble !

S’adressant aux parents d’élèves de la RDC, par le biais de ceux de Kasa-Vubu, le représentant légal de l’Anapeco leur a demandé d’être solidaires et de faire bloc face à ce mal viscéral qu’est la motivation des enseignants par les parents. Il leur a aussi demandé d’être solidaires avec les enseignants dans leurs revendications. Il les a enfin invités à participer activement aux assemblées générales, non pas pour maintenir les frais de prise en charge, mais également pour sensibiliser les enseignants sur le bien-fondé d’un salaire de l’Etat que sur la confusion d’une motivation.

En ce qui concerne les enseignants, M. Onokoko a martelé le fait que mieux vaut être payé que d’être motive. Car, la motivation ne rassure ni la carrière de l’enseignant ni la retraite. D’où la nécessite d’une prise de conscience par les éducateurs afin de préserver leur métier et d’attribuer des cotes, non pas aux enfants issus des familles nanties, mais à ceux ayant assimilé les matières enseignées.

Enfin, le président Onokoko exigera du gouvernement de la république la responsabilité et l’imagination. A ses yeux. un gouvernement dans un pays, ne se limite pas aux lamentations et aux mauvaises nouvelles, mais plutôt de preuve de capacité à gouverner et à répondre aux attentes. Rien que pour la paie des enseignants de l’EFSP et de l’ESU, a-t-il dit, il n’est pas sain que des parents paysans et autres gagnes petits ne puissent plus scolariser leurs enfants parce que l’Etat n’a pas d’argent. Manifestement le ton monte à l’Anapeco et les discours des ministres N’Dom de l’EPSP et Ngoy de l’ESU le 30 avril prochain redonneront de l’espoir.

ACDS-Direction générale.
......................................................................................................................

NOTE DE RECHERCHE, MAI 2004
MODELE DE DETERMINANTS DE L’ESPERANCE DE VIE A LA NAISSANCE
EN AFRIQUE (1980-2001)
par:
KWETE SHAMANTSHIEY
(Dieudonné)

Université d’Auvergne – Clermont1
CENTRE D’ETUDES ET DE RECHERCHES SUR LE DEVELOPPEMENT INTERNATIONAL (CERDI)
Clermont-Ferrand/France


INTRODUCTION

Les études empiriques menées aussi dans les pays développés que dans les pays en voie de développement en 1995 et en 1999(1a, 1b), établissent que la relation entre l’espérance de vie à la naissance et le revenu indique l’existence de rendements marginaux décroissants des intrants économiques investis dans la production de santé.
Pour ces études, par rapport à un revenu initial de 450 dollars par habitant en 1995, le doublement du revenu par tête fait gagner 15 ans d’espérance de vie. Le doublement par rapport à 4 000 dollars entraîne un gain de 7 années, il y a à comprendre qu’il existe un seuil du niveau de revenu au-delà duquel la relation espérance de vie/ revenu ne s’accompagne plus avec de gains d’année en terme d’espérance à la naissance, bien que certaines études aient démontré le contraire.
Dans son analyse Cécile Charasse, explique que certaines études suggèrent toutefois que le revenu par tête n’a qu’un rôle secondaire dans l’explication des différentiels internationaux de l’espérance de vie et de mortalité infantile.
Dans cette perspective, elle cite Anand et Ravillon (1993) et rapporte que la relation positive statistiquement significative entre l’espérance de vie et le revenu disparaît totalement dans une régression qui intègre la pauvreté, les dépenses publiques de santé et le revenu moyen.

Ainsi, nous déduisons que le revenu par tête seul ne suffit pas pour expliquer le progrès réalisé dans l’amélioration des indicateurs de santé au cours des années, il y a donc nécessité d’élargir la conception du modèle pour comprendre comment aujourd’hui des pays pauvres comme la chine, l’Inde et le Cuba etc. ont un de meilleurs indicateurs de santé par rapport à des pays riches, ce qui implique que la croissance économique ou la richesse ne pas une garantie pour avoir de meilleurs résultats en santé tout dépend de la façon dont cette croissance est répartie entre différentes couches de la population.

La littérature en santé publique indique que l’espérance de vie à la naissance est l’indicateur le plus global de l’état de santé d’une population. Il intègre synthétiquement tous les facteurs qui contribuent à la longévité. C’est pourquoi pour capter l’influence de ces facteurs sur l’état de santé, nous allons appréhender l’espérance de vie sous l’angle permettant d’identifier l’impact du système de production et de distribution des soins dans un environnement général qui tient compte de l’apport d’autres secteur (éducation, l’hygiène, le mode de vie, le logement etc…) à l’amélioration de l’état de santé de la population.
D’ailleurs à ce niveau, Levy Emile (2) écrit ce qui suit : « les services médicaux ne sont qu’un input de l’état de santé, à côté de bien d’autres : nutrition, le logement, l’hygiène, les conditions de travail etc… on reconnaît même généralement que les autres inputs sont plus déterminants encore que les soins médicaux et qu’on peut probablement améliorer la situation sanitaire mieux encore en agissant sur eux, que sur l’appareil de production et de distribution de soins. Mais pour ce dernier, il est nécessaire d’en organiser le devenir en le réconciliant avec la finalité officielle qui est d’améliorer l’état de santé et d’atténuer la souffrance ».

À ce niveau, il en découle une question fondamentale, celle de savoir quel facteur peut servir d’aide à la décision, dans les pays africain, lorsque l’on veut atteindre un meilleur niveau d’espérance de vie des populations, càd par exemple un modèle de simulation qui permette de prédire les conséquences sur l’état de santé de la population, d’une décision ou d’un ensemble de mesures prises sur l’une ou l’autres facteurs.
Le choix de l’Afrique est dicté par le fait qu’aujourd’hui l’Afrique est le continent où les effort pour réaliser les meilleurs indicateurs de santé sont loin des attentes de la communauté internationale, par exemple, en ce qui concerne les objectifs de développement du millénaire : l’Afrique est loin de l’échéance de 2015, le nombre de pauvres de 315 millions en 1999 passera à 404 millions en 2015 ; 121 enfants sur 1000 naissances meurent avant l’âge de cinq ans ; 1000 décès pour 100000 accouchements ;

(1a) Cécile Charasse, Santé et discrimination le cas de la RSA, thèse de doctorat, CERDI, p.26, 1999
(1b) Michael Marmot et al, Social Determinants of Health, Oxford University Press, p.10, 1999
(2) Emile Levy et les autres, Indicateurs de santé et analyse de système français, Mini Plan, p.4
les populations et plus particulièrement les pauvres sont exclus des meilleurs établissements scolaires et de soins de santé de base, la proportion du PIB consacrée au secteur de la santé et de l’éducation (respectivement de 6 % et 3,4%) est très faible et est souvent détournée en faveur des classes les plus aisées ; Rapport 2003 de la Banque Mondiale, chapitre introductif.
Ces indicateurs illustrent la détérioration de la qualité de la vie en Afrique et a des conséquences sur l’espérance de vie des populations, cette situation devrait interpeller les dirigeants africains qui doivent nécessairement faire quelque chose, passer à l’action.
Ainsi toute chose étant égale par ailleurs, nous allons à travers les données empiriques retenues pour ce travail, voir sur quelles variables les décisions de politique économique peuvent être orientées afin d’agir sur l’amélioration de l’état de santé de populations africaines.

Au-delà de ce bilan globalement négatif pour l’ensemble du continent africain, nous essayerons à travers des critères pertinents voir s’il y a de caractéristiques spécifiques propres à chaque groupe de pays qui le différencient d’un autre groupe de pays en terme du niveau d’espérance de vie à la naissance ou si ces caractéristiques n’existent pas, ce qui nous conduirait à dire que le modèle global de notre analyse s’applique indistinctement à tous les pays.
C’est pourquoi, nous allons utiliser l’approche transversale pour l’analyse des déterminants de l’espérance de vie à la naissance en Afrique pour la période allant de 1980 à 2001, cette dernière étant choisit sur la base de disponibilité des données obtenues sur The World Bank Indicators, 2002.

Ainsi ce travail sera subdivisé en trois sections, dans la première section nous parlerons du cadre conceptuel de notre modèle, dans la deuxième section portera sur la méthodologie utiliser dans le choix de variables explicatives ainsi que l’écriture du modèle économétrique, enfin dans la troisième section nous allons faire une analyse empirique du modèle choisit en essayant de vérifier la qualité et la robustesse et la solidité de la relation décrite dans la spécification théorique ; ce qui nous permettra de tirer une conclusion sur la base des résultats des estimations et formuler de recommandations visant à améliorer le niveau d’espérance à la naissance des populations africaines.


1. CADRE CONCEPTUEL

Partant des travaux de Cécile Charasse en 1999 et de Michael Marmot et al, nous avons essayé de comprendre à travers le graphique qui suit, si pour l’Afrique, il existe une relation entre l’espérance de vie à la naissance et le revenu par habitant.
De l’observation de ce graphique et de différentes questions que l’on s’est posées, nous avons intégré d’autres variables dans la relation ; ceci en partant du fait qu’en observant le graphique certains pays se trouvant dans le quantile de revenu le plus pauvre ont un niveau d’espérance de vie à la naissance le plus élevé par rapport à celle des pays, qui eux sont classés dans le quantile de revenu le plus élevé.
Ce qui confirme le point de vue rependu dans la littérature moderne que la croissance ou l’accumulation de richesse n’implique pas nécessairement la réalisation des meilleurs résultats en santé, l’exemple de la Chine, l’Inde et du Cuba est suffisamment éloquent.

Relation Espérance de vie à la naissance (EVN) – Pnb/h en $ (PPP) dans les pays de la région africaine (1980 – 2001)


Source : Résultat de nos analyses (données initiales World Bank Indicators, 2002).

L’observation de ce graphique nous indique que 23% de la variance de l’espérance de vie à la naissance est expliquée par la variation du revenu, ce niveau est relativement très faible.
Ce qui nous permet de confirmer que le revenu par tête n’a qu’un rôle secondaire dans l’explication des différentiels internationaux de l’espérance de vie et de mortalité infantile. Ces analyses sont d’ailleurs enrichies par l’histoire récente du développement où des pays comme la Chine, le Cuba et l’Inde ; pays en développement ont aujourd’hui des meilleurs indicateurs de santé dépassant même certains pays riches.
Ce graphique nous indique la majorité des pays africains sont situés dans le quintile de revenu inférieur à 2000 en $ et ont une espérance de vie moyenne de cinquante ans, mais bien qu’étant dans ce quintile certains autres pays ont une espérance de vie à la naissance qui avoisine soixante-huit ans se situant à un niveau supérieure à celle de l’Afrique du Sud, classé dans le quintile de revenu le plus élevé (supérieur à 8000 en $, dernière observation sur le graphique.
Ces différences sont illustrées dans le tableau ci-après (1) :

Groupe 1
Pays EVN Pnb/h en $ (PPP)
Botswana 51 4304
Madagascar 53 693

Groupe 2
Pays EVN Pnb/h en $ (PPP)
Afrique du Sud 56 8971
Egypte 63 2743
Namibie 54 5593

Groupe 3
Pays EVN Pnb/h en $ (PPP)
Gabon 51 4474
Maroc 64 2549

Groupe4
Pays EVN Pnb/h en $ (PPP)
Afrique du Sud 56 8971
Iles Maurice 69 5586
Namibie 54 5593


Source : Résultat de notre analyse (données initiales World Bank Indicators, 2002)

En prenant le pays comme le Botswana où le Pnb/h en PPP ( 1980 – 2001 ) est six fois supérieur à celui du Madagascar, on s’attendrait à une espérance de vie à la naissance supérieure à celle du Madagascar or il n’en est pas le cas, ils ont une différence de deux années en faveur du Madagascar ; par contre en prenant l’Afrique du Sud, l’Egypte et la Namibie, le Pnb/h de l’Afrique du Sud est quatre fois supérieur à celui de l’Egypte, celui de la Namibie deux fois supérieur à celui de l’Egypte mais c’est l’Egypte qui a une espérance de vie à la naissance supérieure à ces deux pays ; etc.
Il y a là à comprendre que ces différences s’expliquent non pas par le niveau de revenu mais par de différences dans bien d’autres déterminants, tes que :

- la cohésion sociale et les facteurs culturels ;
- l’organisation des systèmes de santé ;
- les facteurs psychosociaux ;
- le niveau d’éducation de la population;
- l’environnement physique, la qualité de l’air ;
- les inégalités sociales ;
- l’épidémiologie de chaque pays etc.
C’est dans ce contexte que notre modèle a été construit, nous avons de ce fait intégrer en plus du revenu/tête, d’autres déterminants afin d’étudier l’impact qu’ils exercent sur l’espérance de vie à la naissance. Ainsi dans la section suivante, nous allons présenter ces déterminants et justifier notre choix.


(1) Ce tableau a été conçu à partir de notre base de données en annexe de ce Mémoire.

2. METHODOLOGIE

Pour mener à bien notre travail et dans le but de vérifier si le modèle global choisit s’applique à tous les pays africains ou s’il y a un groupe de pays qui un niveau d’espérance de vie à la naissance atypique, nous allons utiliser l’approche transversale.
Pour cela, nous nous servirons du critère de taux de mortalité infantile pour répartir notre échantillon en deux sous échantillons.
Le choix du taux de mortalité est dû au fait que l’espérance de vie à la naissance est fortement influencée par la mortalité infantile, cette dernière étant très liée à l’infrastructure sanitaire et à l’état de santé de la population.
Nous avons de ce fait choisit le seuil de 139 décès pour mille naissances comme critère pour répartir notre échantillon. Ce seuil a été choisit de façon intuitive et ne pas loin de celui indiqué par la Banque Mondiale (Rapport 2003) de 121 décès pour mille naissances.
Ce critère va nous permettre de savoir si les pays ayant un taux de mortalité supérieur à ce seuil ont de caractéristiques spécifiques qui les différencient de ceux ayant un taux qui situé en deçà de 139 décès pour mille naissances.

Les données de base pour l’analyse économétrique de déterminants de l’espérance de vie à la naissance en Afrique, ont été obtenues sur la base de données de WORLD BANK INDICATORS, 2002 ; pour la période de 1980 – 2001.
Comme en analyse transversale, c’est la dimension spatiale qui prime sur la dimension temporelle, nous avons donc considérée nos variables à leur moyenne sur la période, il faudra retenir que ces moyennes sont représentatives de valeur observée chaque année pour chacune de variable confer base de données, WORLD BANK INDICATORS, 2002 ; pour la période de 1980 – 2001.

2.1 Choix et mesure de variable

2.1.1 Espérance de vie à la naissance

Nous l’avons choisit comme notre variable dépendante ou expliquée.
Elle représente le nombre moyen d’années durant lesquelles un nouveau –né pourrait espérer vivre si les taux de mortalité par tranche d’âge, tels qu’ils ont été calculés à l’année de sa naissance s’appliquaient de son vivant càd restent constant pendant sa durée de vie.
Or en réalité le taux de mortalité ne reste pas constant, il varie en fonction de l’épidémiologie du pays, de progrès réalisés en santé publique, de l’encadrement médical de la population, du niveau de revenu et du niveau de l’éducation de la population, etc.

Elle représente également le reflet de nombreuses influences sociales, économiques et environnementales. Elle peut être reliée, par exemple, à la mortalité infantile et à la qualité de l’eau et de l’air Plan Bleu, Population et Société, P. 11.

Partant du cadre conceptuel, nous avons pu comprendre que le revenu par tête n’est pas le seul facteur explicatif de progrès réalisé à travers le monde en matière de santé, ceci dans le sens où nous avons constaté sur notre graphique en page 5, que de pays avec un niveau de revenu très bas arrive à réaliser de meilleurs indicateurs d’état de santé que les pays riches.
Ainsi pour approfondir cette question, nous associons d’autres variables à cette relation, il s’agit du taux de mortalité infantile, du montant de l’aide extérieure par habitant, du taux de scolarisation des filles âgées de 15-24 ans (niveau primaire), de polluants atmosphériques (composés de : CO, c’est un gaz mortel provenant d’un combustion incomplète, CO2 c’est un polluant qui détériore l’écosystème).

2.1.2 Le taux de mortalité infantile

Il exprime le nombre de décès pour mille naissance de moins d’un an et dépend de la structure par âge : il est d’autant plus élevé que la population est âgée, ou inversement ; il est aussi fortement influencé par l’infrastructure sanitaire, également par l’épidémiologie du pays.
Nous attendons de ce fait que celui-ci exerce un effet négatif sur l’espérance de vie à la naissance càd qu’il réduit le nombre moyen d’année de vie qu’un nouveau-né peut espérer vivre.

2.1.3 Aide extérieure par habitant

A ce niveau, il faut d’abord retenir que l’aide extérieure représente le montant officiel de l’assistance accordée pour le développement y compris l’aide officielle nette càd le transfert international fait par les bailleurs de fonds évaluée en biens et services au coût de donateurs moins les paiements du principal effectué au courant de la même période, les garanties officielles des agences de développement sont également incluses comme des prêts, ainsi que l’assistance technique.
Le montant total de l’aide est divisé par le chiffre de la population estimée au milieu de l’année, ce qui donne le ratio aide per capita définition de la Banque Mondiale, voir WORLD BANK INDICATORS, 2002.

Dans la mesure où l’aide extérieure est accordée pour suppléer à l’insuffisance des ressources nationales et afin de permettre au pays bénéficiaire de réaliser ses objectifs de développement économique et social notamment l’amélioration des conditions de vie de la population par un meilleur accès aux services sociaux de base, nous attendons donc que l’aide extérieure par habitant(aid per capita en Anglais, évalué en dollars courant) exerce un effet positif sur l’espérance de vie à la naissance et améliore l’état de santé de la population.

2.1.4 Taux de scolarisation de filles âgées de 15 – 24 ans, niveau primaire

Cette variable a été choisit en fonction du fait qu’à cet âge la majorité de filles en Afrique deviennent responsables et assument les charges de mère de famille.
Et donc à cet âge, l’enseignement primaire permet aux filles d’acquérir de connaissances de base : savoir lire, écrire, de connaissances en mathématiques, sciences naturelles, sciences sociales, musique et art, d’hygiène et assainissement de lieux d’habitation etc.
A cet effet, nous estimons que ces filles sont mieux informées des conséquences sur la santé d’un comportement à risque et savent se prévenir de toute exposition au risque de la maladie, et savent aussi que quand on est malade il faut se faire consulter par un médecin et se faire soigner.
Ainsi nous prédisons que la variable taux de scolarisation de filles âgées de 15 – 24 ans, influence positivement l’espérance de vie à la naissance.

A ce niveau d’ailleurs, Michael Marmot et al, a fait une comparaison entre pays ayant un même niveau de GNP et a cherché à voir le niveau d’indicateur de santé de ces pays : « …it compares countries with equivalent level of GNP and shows that adult mortality is inversely related to level of adult literacy. The suggestion here is not necessary that adults who are literate will have better health than those who are not, althougth that is pausible. Rather, one should view adult literacy as an indicator of investment in human capital. Even poor countries who invest in human capital will have better health than those who do not”1.

2.1.6 Produit national brut par habitant (Pnb/h), en Parité du Pouvoir d’Achat (PPP)

Le revenu national brut représente la somme de la production nationale réalisée par les résidents plus les taxes moins les subsides non inclus dans la valeur de la production plus les transferts nets de revenu des facteurs réalisés à l’étranger.
La parité de pouvoir d’achat permet de convertir le revenu national en dollars international, qui de ce fait a le même pouvoir d’achat dans n’importe quel pays comme le dollars américain a aux U.S.A.

Ainsi pour purger les différences liées au fait que chaque pays évalue son produit national dans sa propre monnaie, nous allons au niveau de l’équation de régression prendre la variable Pnb/h en logarithme.
En ce qui concerne l’effet de cette variable sur l’espérance de vie à la naissance, nous nous attendons à un effet positif.
Bien que le graphique sur le cadre conceptuel (première section de ce travail) ai démontré que le revenu par tête exerce une faible influence sur l’espérance de vie à la naissance.

2.1.7 Polluants atmosphériques (CO2)

Le réchauffement climatique dû aux polluants atmosphériques a pour conséquence le dérèglement climatique qui entraîne des conséquences négatives sur l’écologie, la qualité de l’air, bref une modification de l’environnement physique dans lequel l’homme vit.
Ces conséquences sont notamment la consommation par l’homme du rayon ultra violet du soleil au-delà du seuil normal, l’expose de ce fait au risque de cancer, au trouble du cycle de reproduction et au désordre psychomoteur.
La pollution atmosphérique selon une étude menée dans les agglomérations de l’Europe de l’ouest, extrait du Bulletin épidémiologique hebdomadaire2 peut affecter : « l'appareil respiratoire et l'appareil cardio-vasculaire ».
Ces effets sur la santé peuvent être représentés par une pyramide, constituée à la base par divers effets modérés et courants et dans le haut, par des événements plus sévères et plus rares.
On voit bien que plus la gravité des effets diminue, plus le nombre de gens touchés augmente.
Le graphique illustratif de ces effets se présente comme suit :

Source : Bulletin Epidémiologique Hebdomadaire, op. cit.

Paramètres de santé associés à une augmentation des niveaux de polluants atmosphériques
Mortalité : Toutes les causes de mortalité non liées à des accidents.
Hospitalisations : Admissions à l'hôpital pour des problèmes cardio-vasculaires et respiratoires.
Visites à la salle d'urgence : Consultation à un service des urgences.
Jours de manifestation de l'athsme : Exacerbation des symptômes de l'asthme chez les cas diagnostiqués d'asthme.
Jours de limitation de l'activité : Journées passées au lit, jours d'absence du travail et jours de restriction partielle des activités à cause de la maladie.
Symptômes respiratoires aigus : Symptômes de l'appareil respiratoire, tels gêne thoracique, toux et respiration sifflante.

Au regard de ces effets négatifs sur la santé, nous attendons de ce fait que la variable CO2 exerce un effet négatif sur l’espérance de vie à la naissance, considérée comme indicateur global de l’état de santé de la population.
Ceci étant, nous allons dans la section suivante spécifier le modèle mathématique de notre équation de régression.

2.2 Ecriture du modèle économétrique

Comme nous venons de justifier le choix des variables du modèle, nous allons maintenant présenter la forme mathématique de l’équation de régression, qui a comme variable expliquée l’espérance de vie à la naissance à laquelle nous cherchons à relier les cinq variables explicatives retenues dans le cadre de ce travail.
Ainsi l’équation mathématique du modèle se présente comme suit :

Y= α +β1X1 + β2X2 + β3X3 + β4LnX4 + β5X5 + εi

L’impact, l’effet marginal ou la pente de chacune de variable par rapport à la variable expliquée s’obtient à travers les dérivées partielles de l’équation de régression et se présente comme suit :

Y/ Xi = α +β1X1 + β2X2 + β3X3 + β4 LnX4 + β5X5 + εi / Xi ; avec i = 1, 2, …,5.

Où Xi = Peut-être la dérivée partielle de X1 toutes les autres variables restant
constant, il en sera de même pour X2, X3, X4, X5.
α > 0, l’ordonnée à l’origine en l’absence de l’influence des variables du modèle est
positif càd on ne peut trouver une espérance de vie négative ;
β1 < 0, représente l’effet attendu (effet négatif) de la variable taux de mortalité
infantile(X1) sur l’espérance de vie à la naissance ;
β2 > 0, représente l’effet attendu (effet positif) de la variable aide extérieure par
habitant(X2) sur l’espérance de vie à la naissance ;
β3 > 0, représente l’effet attendu (effet positif) de la variable taux de scolarisation de
filles âgées de 15 – 24 ans, niveau primaire (X3) sur l’espérance de vie à la
naissance ;
β4 > 0, représente l’effet attendu (effet positif) de la variable produit national brut par
habitant(X4) sur l’espérance de vie à la naissance.
A noter que la mesure du Produit National Brut est exprimée en parité de pouvoir
d’achat (PPA), cette mesure est pertinente en analyse transversale, puisqu’elle
permet de purger des biais de mesure dus à des systèmes de prix différents
entre pays1
β5 < 0, représente l’effet attendu (effet négatif) de la variable polluants
atmosphériques(X5) sur l’espérance de vie à la naissance ;
εi = terme d’erreurs aléatoires, il capte les erreurs de mesure et d’autres variables qui
n’ont pas été prises en compte dans la spécification de ce modèle.
Ainsi toute chose étant égale par ailleurs, nous allons voir dans l’estimation de ce modèle l’impact ou l’influence des variables retenues sur l’espérance de vie à la naissance et vérifier à travers les hypothèses de Gauss Markov la solidité de la relation décrite dans l’équation de régression.


3. ANALYSE EMPIRIQUE DU MODELE

Avec le logiciel STATA, nous allons dans cette partie estimer les paramètres du modèle et tester la solidité de la relation qui lie l’espérance de vie à la naissance aux variables retenues dans ce modèle, ce qui implique de voir si ce modèle remplis les hypothèses de Gauss MARKOV et enfin nous examinerons la significativité individuelle de chaque variable pour tirer des conclusions sur le choix de variable qui peuvent servir d’instruments de politique économique si l’on veut à long terme améliorer le niveau d’espérance de vie de populations africaines.
Rappelons que notre échantillon est constitué de 52 pays africains et les données portent sur la période de 1980 – 2001, [source : World Bank Indicators, 2002}.

3.1 Estimation des paramètres du modèle

La régression de la variable expliquée (l’espérance de vie à la naissance) sur les variables explicatives (taux de mortalité infantile, aide extérieure par habitant, taux de scolarisation de filles âgées de 15 – 24 ans, niveau primaire ; produit national brut par habitant et polluants atmosphérique), nous a donné le premier résultat suivant :

Y = 49,5896 – 0.1404X1 – 0,0057X2 + 0,0124X3 + 2,0791LnX4 – 1,2315X5
(10,5922) (0,0273) (0,0145) (0,0254) (1,2312) (2,2673)

Avec un R2 =70%, une P – Value de 0% et F (5, 40) = 18,58

Coefficients Intervalle de confiance à 95%
α = 49,5896 28.1820 ; 70.9972
β1= – 0.1404 - 0.1956 ; -0.0852
β2= – 0,0057 -0.0349 ; 0.0236
β3= 0,0124 -0.390 ; 0.0637
β 4= 2,0791 -0.4092 ; 4.5674
β 5= – 1,2315 -5.8140 ; 3.3510

A ce stade, nous pouvons dire que 70% de la variance de l’espérance de vie à la naissance est expliquée globalement par les variables retenues dans ce modèle, toute chose étant égale par ailleurs.
Le test de significativité conjointe se présente comme suit :
Ho : α = β1= β2= β3= β 4= β 5= 0, tous les coefficients sont égaux à zéro.
H1 : α = β1= β2= β3= β 4= β 5 ¹0, au moins un de coefficient est différent de zéro.

Au seuil de significativité de 10%, notre régression nous donne une P –Value de 0% et donc nous avons 0% de chance de se tromper en rejetant l’hypothèse nulle (Ho).
Conclusion, nous rejetons Ho et donc tous les coefficients sont conjointement différents de zéro autrement cela veut dire qu’il existe globalement une relation entre notre variable expliquée et les variables explicatives, toute chose étant égale par ailleurs.
Il reste maintenant à vérifier la solidité de cette relation à travers les hypothèses de Gauss MARKOV, où toutes les imperfections du modèle constatées dans l’examen de chaque hypothèse seront corrigées pour éviter tout biais possible dans les écarts – type, les t- de student et les intervalles de confiance de différents coefficients.
Et enfin, nous pourrons alors nous prononcer sur la significativité individuelle de chaque variable explicative dans cette relation.

3 .2 Test de normalité

Ce test permet de voir si les écarts aléatoires (є) suivent une loi normale de moyenne 0 et de variance (б²), pour cela il faudra vérifier les hypothèses suivantes :
Ho : les écarts aléatoires suivent la loi normale : є~N (0, б²).
H1 : les écarts aléatoires ne suivent pas une loi normale.
La statistique de test suivante va nous permettre de nous prononcer sur ces hypothèses :

Statistique de test = n/6 S² + ¼ (K – 3)² ~ X²α, v
Où n= taille de l’échantillon, K= Kurtosis, S= Skewness et X²= khi2
Pour ce modèle nous avons obtenu les résultats suivants (voir annexe)
n= 46
S=0,2829
K=2,8610
X²c= 0,0848
X²lu au seuil de 5% = 12,592
Conclusion, on ne peut rejeter Ho et donc les écarts aléatoires de notre modèle suivent une loi normale, autrement dit є ~ N (0, б²). La probabilité de non rejet de H0 est de 66%, ce qui confirme que Skewness et Kurtosis tendent effectivement vers leurs valeurs théoriques sous l’hypothèse nulle soit respectivement 0 et 3.
Et dans ce cas la statistique de test tend vers 0.

3.3 VERIFICATION DES HYPOTHESES DE GAUSS MARKOV

3.3.1 Test d’hétéroscédasticité

Pour ce test nous allons utiliser la statistique de Breusch – Pagan dont la procédure est la suivante :
1. On estime l’équation de départ par le MCO : Y= α + βiXi + є, "i=1, 2, …, n.
2. On tire les résidus є ;
3. On génère le résidus au carré є2 ;
4. On régresse є2 sur les variables explicatives de l’équation de départ.
Pour ce test nous posons les hypothèses suivantes :

Ho : il y a homoscédasticité des résidus càd V (є) = б², les résidus ne peuvent être
systématiquement grands ou petits pour certaines observations ;
H1 : il y a hétéroscédasticité des résidus càd certains résidus sont systématiquement grands ou
petits pour certaines observations.
En vue de se prononcer sur le rejet ou non de l’hypothèse nulle, nous allons utiliser la statistique de Breusch-Pagan :

BPK= (n- K / K – 1) * R²/1- R² ~ F (K- 1, n- K)

Où n= taille de l’échantillon ;
K=nombre de variables explicatives ;
K- 1=nombre de variables explicatives moins la constante
F (K-1, n-K), Flu sur la table de Fischer à K-1 et n-K degré de liberté.


L’application de cette formule aux résultats de nos estimations donne :
n= 46; K=5; R²= 0,2697
BPK= (46-5 / 5-1) * 0,2697 / 1-0,2697
= 3,7853
Au seuil de significativité de 5% Flu (5, 40) = 4,46
Conclusion on ne peut rejeter l’hypothèse nulle et donc certains résidus ne sont pas systématiquement grands ou petits pour certaines observations, notre modèle est donc homoscédastique.

3.3.2 Test d’exogénéité des variables explicatives

Ce test permet de vérifier si les variables explicatives sont endogènes auquel cas alors il faudra corriger cette endogénité.
L’exogénité suppose que la Cov (Xi, єi) = 0

Origine de l’endogénité :
- elle est due au fait que soit une variable explicative pertinente a été omise et celle-ci est
corrélée avec les variables explicatives du modèle, via le terme d’erreurs aléatoire ; on parle
ici du problème de la troisième variable ;
- elle est due soit au biais de simultanéité (double relation causale) ;
- elle est aussi due à aux erreurs de mesure.

Dans ce test, on soupçon une variable explicative d’endogénité, alors il faut chercher un instrument qui sera fortement corrélé avec la variable soupçonnée et pas avec la variable expliquée et enfin il faudra faire le test de NAKAMURA-NAKAMURA dont la procédure est la suivante sur STATA :
1. Régresser la variable soupçonnée d’endogénéité sur les autres variables explicatives et sur le(s) instrument(s) choisi(s) ;
2. Examiner la qualité de l’équation instrumentale à travers R2 , si cette équation n’est pas bonne , rechercher de meilleur(s) instrument(s), sinon on poursuit ;
3. Récupérer le résidu de chaque équation et le réintroduire dans l’équation initiale ;
4. Tester la significativité du coefficient associé au résidu, si celui-ci apparaît significativement différent de zéro, ce que la variable à laquelle il se rapporte est effectivement endogène, dans ce cas procéder alors à une estimation en double moindre carrés ordinaires (DMCO)1.
Pour ce modèle, nous avons soupçonné le taux de mortalité infantile d’endogène, nous avons de ce fait utilisé le taux de fécondité (nombre d’enfant par femme) comme instrument pour contrôler la mortalité infantile.
Nous avons à cet effet obtenu l’équation instrumentale suivante :
I = 76, 7318 +16,0748X1 – 0,3140X2 – 6, 2987LnX3 – 0,0759X4 – 0, 0541 X5
(86,0170) (5,5836) (0,1246) (8,2789) (12,3955) (0,0786)

Où X1= variable taux de fécondité, notre instrument
X2= variable taux de scolarisation; X3= variable PNBh ; X4= variable polluant
Atmosphérique ; X5= variable aide extérieure par habitant.
Avec un R2 = 63%
Notre équation instrumentale est donc très bonne et nous pouvons passer à l’étape suivante du test d’endogénéité.
A ce niveau nous avons extrait le résidu de cette équation instrumentale et nous l’avons réintroduit dans notre équation initiale, le résultat de la régression de cette dernière est le suivant :

Y= 71,3088 – 0,2120X1 – 0,0056X2 – 0,01339X3 + 0,3473LnX4 – 1,9868X5 + 0,08647X6

Où X6, représente la « variable résidu ».
Il faudra alors tester la significativité de son coefficient sous les hypothèses ci-après :

Ho : b6 ¹0
Hypothèse associée, X1 est endogène

Comme la p-value associée au coefficient de la « variable résidu » est égale à 23% et est supérieure au seuil de significativité de 10%, on ne peut rejeter l’hypothèse nulle (HO); en conclusion la variable taux de mortalité infantile est exogène càd elle est déterminée en dehors du modèle.
Et donc la régression par le moindre carré ordinaire nous permet d’avoir de meilleurs estimateurs sans biais.

3.4. Test de spécification du modèle

Ce test permet de vérifier la bonne spécification de l’équation de régression, la forme fonctionnelle, il permet également de savoir si une variable pertinente a été omise.
La procédure de ce test est la suivante :
1. Faire la régression sur l’équation de départ ;
2. Extraire la Predict ŷ ;
3. Générer la Predict à la puissance 2, 3, 4 càd ŷ2, ŷ3, ŷ4 ;
4. Introduire ŷ2, ŷ3, ŷ4 dans l’équation de départ,
soit Y = α + βiXi + λ0 ŷ2 + λ1 ŷ3 + λ2 ŷ4, avec i = 1, 2, ….n.
5. Faire le F- test sur les coefficients associés à ŷ2, ŷ3, ŷ4.
Test de Ramsey – Reset, avec comme hypothèses :
Ho : λ0= λ1= λ2= 0, non omission des variables.
H1 : λ0= λ1= λ2≠ 0, au moins une variable a été omise.
La procédure de ce test est la suivante sur STATA :
- on récupère la somme des carrés des résidus de la régression initiale (SCRO)
- on lance la deuxième régression, dont on récupère à nouveau la somme des carrés des résidus (SCR1)
Dans ce alors l’on peut calculer la statistique de test suivante :

C = (SCR0 - SCR1) / SCR1 * (N – K) / n ~ F (n, N – K)
Où N = nombre d’observation ;
K = nombre de variables explicatives et n = nombre de restrictions.
La lecture de la table de Fischer au seuil de 5% où v1 = n et v2 = N – K permettra alors d’obtenir le Flu.
Dans ce cas, on rejettera Ho si le FC est supérieur au Flu et dans le cas contraire on ne peut rejeter Ho.

Il faudra retenir que le LOGICIEL STATA permet de faire ce test directement en utilisant la commande « Ovtest : Omitted variables test », mais avant d’utiliser cette commande faire d’abord la régression traditionnelle de Y sur Xi.
Pour ce modèle nous avons obtenu le résultat suivant :
F (3, 37) = 1,09
Prob > F = 0,3669
Nous avons dans ce cas, une P – Value de 36% supérieure au seuil de significativité de 10% et donc on ne peut rejeter l’hypothèse nulle càd aucune variable n’a été omise dans la spécification de notre équation de régression.

En outre, comme nous sommes en analyse transversale, la dimension spatiale prime sur la dimension temporelle, dans ce cas le problème d’auto corrélation ne se pose pas ; d’ailleurs il faudra savoir que l’auto corrélation est souvent le fait qu’une variable pertinente a été omise dans la spécification du modèle et celle-ci est corrélée avec les variables explicatives via le terme d’erreurs aléatoire.
Pour ce modèle aucune variable n’a été omise et donc il ne sera pas question de faire le test d’auto corrélation.

3 .5 Test d’homogénéité des coefficients

Ce test va nous permettre de savoir si le modèle global qui lie l’espérance de vie à la naissance aux variables retenues pour ce travail s’applique à tous les pays africains, ou s’il existe un groupe de pays qui a un niveau d’espérance de vie à la naissance atypique qui les différencient d’un autre groupe de pays.
Pour y arriver, nous chercherons à l’aide des critères pertinents à répartir notre échantillon en deux sous échantillons.
Les critères pour subdiviser l’échantillon peuvent être soit l’appartenance à un sou – région, à une zone économique ou commerciale, la richesse, le poids démographique, ou encore certains indicateurs de développement humain.

Ainsi pour le choix de ce critère permettant de subdiviser notre échantillon, nous nous somme inspirés de la littérature en Santé Publique, qui atteste que l’espérance de vie à la naissance est fortement influencée par le taux de mortalité infantile.
Nous allons de ce fait, utiliser cet indicateur (taux de mortalité infantile) comme critère pour voir si les pays ayant un taux de mortalité supérieur à 139 décès pour mille naissances ont un niveau d’espérance de vie à la naissance qui les différencient de ceux ayant un taux de mortalité infantile inférieur à ce seuil.
Ce seuil a été choisit en fonction du fait qu’il nous a permis d’avoir une estimation significative globalement pour le groupe de pays ayant un taux de mortalité infantile inférieur à 139 décès pour mille naissances et ce taux ne pas du tout loin de celui indiqué dans le rapport de la Banque Mondiale 2003 comme taux de mortalité infantile pour les pays en développement soit 121 décès pour mille naissance, celui de l’Afrique devant se situer au dessus de ce dernier.

Ce seuil de taux de mortalité infantile de 139 décès pour mille naissance, nous a permis de générer une variable muette qui différencient les pays à un taux de mortalité supérieur ou égal à 139 de ceux au taux de mortalité strictement inférieur à ce seuil.


Cette variable muette est spécifier comme suit :
· vm1= 1 si taux de mortalité ≥ 139
· vm1= 0 sinon
Ce critère nous a ainsi permis d’avoir deux sous-échantillons de N1= 7 observations et N2= 39 observations, dans ce cas nous allons réaliser la version légère du test de Chow (Chow forecast test) car un de deux sous-échantillons a moins de 30 observations.
Les hypothèses de ce test sont :

Ho : les coefficients du modèle sont homogènes càd le modèle global s’applique
à tous les pays.
H1 : les coefficients du modèle ne sont pas homogènes pour tous les pays.
La statistique de test permettant de nous prononcer sur ces hypothèses est la suivante :

C= SCRtotal – SCR2 / SCR2 * N2 – K / N - N2 ~ F (N - N2, N2 – K)

Où SCRtotal= la somme de carrés de résidus total de la régression du modèle initial ;
SCR2= la somme de carrés de résidus du modèle restreint ;
N = nombre d’observation de la régression du modèle initial ;
K= nombre de variables explicatives y compris la constante et N2= nombre
d’observation du deuxième sous-échantillon.
On décidera de rejeter Ho si Fc > Flu au seuil de significativité de 5% dans le cas contraire, on ne peut rejeter Ho.
Notre modèle a donné les résultats ci-après :
SCRtotal= 762,5000 ; SCR2= 669,0931 ; N= 46 ; N2= 39 et K= 6
Fc= 0,6581 et Flu (7,33) est situé entre Flu (7,30) =3,38 et Flu (7,40) = 3,34 notre statistique lue devra normalement être inférieure à 3,38.
Notre Fc< Flu dans ce cas, donc ne peut rejeter Ho, cela veut dire que le modèle global s’applique à tout les pays africains.
Ainsi selon les données de ce modèle, les pays ayant un taux de mortalité infantile supérieur à 139 décès pour mille naissances n’ont pas un niveau d’espérance de vie à la naissance qui les différencie des autres.

3.6 Test économique et interprétation du modèle

Ce test va nous permettre d’évaluer la significativité individuelle de chaque variable explicative dans le modèle global, ce qui va faire intervenir la notion d’impact marginal de chacune de variable explicative sur la variable expliquée.
Nous ferons aussi une confrontation entre les signes (positif ou négatif) de l’impact prédit dans le modèle théorique pour chacune de variable explicative avec ceux observés dans le modèle empirique.

3.6.1 Interprétation du modèle

Y = 49,5896 – 0.1404X1 – 0,0057X2 + 0,0124X3 + 2,0791LnX4 – 1,2315X5
(10,5922) (0,0273) (0,0145) (0,0254) (1,2312) (2,2673)

Avec un R2 =70%, une P – Value de 0% et F (5, 40) = 18,58

Coefficients P>|t|
α = 49,5896 0,000
β1= – 0.1404 0,000
β2= – 0,0057 0,698
β3= 0,0124 0,630
β 4= 2,0791 0,099
β 5= – 1,2315 0,590

Au seuil de significativité de 10%, le résultat des estimations fait ressortir que seuls le coefficient associé à la variable produit national brut par habitant et de la variable taux de mortalité infantile sont significativement différents de zéro.
La P – value associée à chacun de ce coefficient est respectivement de 0.09% et 0%, se situant de ce fait en deçà du seuil de 10% ; seuil en deçà duquel on a moins de chance de se tromper en rejetant l’hypothèse de la non – significativité de chaque coefficient, on conclu alors à la significativité de ces deux coefficients.
L’impact marginal de ces deux variables sur l’espérance de vie à la naissance est de 2,0791 pour la variable produit national brut par habitant et de – 0.1404 pour la variable taux de mortalité infantile. Les signes (positif ou négatif) de l’impact observé pour ces deux variables sur l’espérance de vie à la naissance confirment nos prédictions faites sur le modèle théorique.

Ainsi par exemple, pour la variable PNB/h, toute chose étant égale par ailleurs, pour un revenu de 2 mille dollars ceci fait gagner16 années d’espérance de vie et pour un taux de mortalité de 120 décès pour mille naissances cela fait perdre 0,01685 années d’espérance de vie à la naissance ; selon les données de ce modèle.
Par contre, le coefficient associé à la variable taux de scolarisation primaire des filles et celui de la variable polluants atmosphériques ne sont pas significatifs bien que les signes (positif ou négatif) de leur impact sur l’espérance de vie à la naissance confirment nos prédictions.
Il n’y a que le signe (négatif) de l’impact de la variable aide extérieure par habitant sur l’espérance de vie à la naissance qui apparaît contre intuitif, son coefficient est également
non – significatif.

La non – significativité de ces trois variables (taux de scolarisation primaire des filles, les polluants atmosphériques, l’aide extérieure par habitant) pourrait résulter d’un biais de sélection, des erreurs de calcul inhérent à la procédure de collecte de données.
Une autre explication, plus plausible, qui explique non – significativité de ces variables est celle que propose G. E. Cumper1 : « An alternative, and more plausible, approach is to regard the regression coefficients as measuring the ‘marginal’ contribution of each input to health – that is, the rate of change of the health variable with respect to a given rate of change of the input variable.
This permits us to call on the economic theory of the production function for our analysis.
In this theory, the marginal product of an input depends not only on the underlying technological relationship, but also on the level of the input and of the other inputs wchich are combined with it in the production process. Furthermore, in the case where there is a constraint on the aggregate expenditure on all inputs, the observed ‘marginal’ product depends also on the relative prices of the inputs”.

En faisant doubler le niveau initial de la variable aide extérieure par habitant et la variable polluants atmosphériques, toute chose étant égale ailleurs, nous avons obtenu un résultat qui confirme l’analyse faite par G. E. Cumper.
Ce résultat est le suivant :
Y = 49,5812 – 0.1371X1 – 0,0914X2 - 0,0097X3 + 2,2937LnX4 +14,1001X5 + 0,0004
– 14,6418

Avec un R2 =75%, une P – Value de 0% et F (5, 38) = 17,11

Coefficients P>|t|
α = 49,5812 0,000
β1= – 0.1371 0,000
β2= – 0,0914 0,698
β3= - 0,0097 0,630
β 4= 2,2937 0,099
β 5= 14,1001 0,590
β22= 0,0004 0,023
β 52= –14,6418 0,023

Nous constatons à ce niveau que les coefficients associés à la variable aide extérieure par habitant et la variable polluants atmosphériques apparaissent significatifs au seuil de 10% bien que le signe (positif ou négatif) de l’impact de chacune de ces variables sur l’espérance de vie apparaît contre intuitif, le premier étant négatif alors que nous avions prédit un signe positif et le second est positif alors que nous attendions un signe négatif.
Ce qui veut dire que le niveau initial de ces deux variables ne pas suffisants pour que l’impact marginal de ces variables puisse confirmé les prédictions faites dans la spécification du modèle théorique.
Il en est de même de la variable taux de scolarisation primaire de filles, qui reste non – significatif.

Se situant dans la logique d’une fonction de production, un doublement du niveau initial de la variable aide extérieure par habitant et la variable polluants atmosphériques, rend les coefficients associés à ces variables significatifs et le signe(positif ou négatif) du coefficient de ces variables confirme les hypothèses émises dans la spécification théorique de ce modèle.
A ce niveau d’analyse et à titre illustratif, l’impact de la variable polluants atmosphériques sur l’espérance de vie à la naissance, toute chose étant égale par ailleurs, sera égale à :

Y/ X5= 14,1001 – 2 (14,6418X5)

Par exemple, selon les données ce modèle, pour une quantité de CO2 polluants atmosphériques de l’ordre de 20 tonnes métriques, celle-ci réduirait le gain en terme d’espérance de vie de 16 années.

3.6.2 Proposition de mesures à prendre

En terme de politique économique, le produit national par habitant et le taux de mortalité infantile, demeurent pour ce modèle de déterminants majeurs de l’espérance de vie à la naissance en Afrique ; l’un influençant positivement l’espérance de vie à la naissance et l’autre négativement.
Il faudra de ce fait, améliorer le niveau du produit national par habitant dans la majorité de pays africains pour espérer de gains substantiels d’espérance de vie à la naissance, au même moment aussi améliorer la qualité de l’offre de soins, l’encadrement médical, la qualité de l’eau, l’accessibilité aux services de santé de base, l’hygiène et l’assainissement du milieu ; pour ainsi réduire la mortalité infantile, qui elle réduit les gains en espérance de vie à la naissance.

Pour ce modèle, nous avons constaté que le doublement du niveau initial de l’aide extérieure par habitant et du niveau de la pollution atmosphérique (niveau de la période de 1980 – 2001), a des effets significatifs sur l’espérance de vie à la naissance. L’un faisant de gains en terme d’espérance de vie à la naissance et l’autre par contre fait de perte d’espérance de vie à la naissance.
Nous avons aussi constaté que le niveau initial de l’aide extérieure par habitant en Afrique est loin de pouvoir améliorer ou d’apporter de gains substantiels en terme d’espérance de vie à la naissance et un doublement de celui – ci sera dans ce cas plus bénéfique.
Concernant la variable polluants atmosphériques, de mesures devront être prises en Afrique au niveau des organisations sous – régionales, au niveau de gouvernement et même au niveau des instances du NEPAD pour réduire voire ne pas dépasser le niveau actuel de la pollution atmosphérique étant donné qu’un doublement de ce dernier aura de conséquences négatives en terme d’espérance de vie à la naissance.

CONCLUSION

Ce travail nous a permis de confirmer à partir des données empiriques que le produit national brut par habitant bien qu’étant un déterminant de l’espérance de vie à la naissance, lui seul ne suffit pas pour expliquer les contrastes constatées pour certains pays africains situés dans le quintile de revenu le plus pauvre mais qui ont un niveau d’espérance de vie à la naissance supérieur à celui de certains autres pays, qui eux sont classés dans le quintile de revenu le plus riche.
Ce contraste, Michael Marmot et al , l’explique en citant Wilkinson (1996): « Above a GNP per capita of about 5.000 $, the relationship between GNP and life expectancy is weak, for these richer countries, there is a strong relation between income inequality of a country and life expectancy ». Ceci illustre bien la situation de l’Afrique du Sud où avec un PNB/h de 8.971$ son espérance de vie à la naissance est de 56 ans, alors que le Maroc avec un PNB/h de 2.549$ le dépasse de 8 années d’espérance de vie à la naissance.

C’est pourquoi, nous avons essayé d’élargir notre modèle en intégrant dans la relation les variables suivantes : le taux de mortalité infantile, l’aide extérieure par habitant, le taux de scolarisation primaire de filles, les polluants atmosphériques.
A cet effet, nous avons constaté que la variable PNB/h et la variable taux de mortalité infantile avaient un impact significatif sur l’espérance de vie à la naissance, confirmant de ce fait les hypothèses théoriques émises dans la spécification de ce modèle càd la variable PNB/h influence positivement l’espérance de vie à la naissance et la variable taux de mortalité infantile elle par contre l’influence négativement.
Quant à la variable taux de scolarisation primaire de filles, celle-ci nous a donné un résultat non – significatif, nous ne pouvons pas dire que la scolarisation primaire de filles n’a pas d’effet sur l’espérance de vie à la naissance, la non – significativité de cette variable pourrait s’expliquer par un biais de mesure ; mais en faisant intervenir la théorie de la fonction de production, nous trouvons là une explication plus plausible càd l’impact marginal d’un input dépend de son niveau et du niveau d’autres inputs avec lesquels le processus de production est réalisé, il dépend aussi du prix relatif de cet input.
La variable taux de scolarisation primaire de filles serait selon les données de ce modèle d’un niveau très faible, ce qui aurait conduit au non – significativité de son coefficient.
Concernant la variable aide extérieure par habitant et la variable polluants atmosphériques, le signe négatif de l’impact de la variable aide extérieure par habitant sur l’espérance de vie à la naissance ne confirme pas les prédictions faites au niveau du modèle théorique alors que celui de la variable polluants atmosphériques confirme ces prédictions, mais ces deux variables non – significatives.
En faisant intervenir la logique de combinaison d’inputs comme dans la fonction de production, un doublement du niveau initial de ces deux variables (aide extérieure par habitant, polluants atmosphériques), toute chose étant égale par ailleurs, nous avons obtenu de résultats significatifs. La variable aide extérieure par habitant au carrée influençant positivement l’espérance de vie à la naissance et la variable polluants atmosphériques au carrée l’influençant négativement.
Ce constat, nous permet de dire que selon les données de ce modèle, le niveau initial de l’aide extérieure par habitant est loin d’amélioré des gains en terme d’espérance de vie à la naissance, il en est de même pour les polluants atmosphériques pour lesquels le niveau initial n’a pas d’effet en terme de perte de gains d’espérance de vie à la naissance.
Pour la variable polluants atmosphériques, nous avons recommandé que de mesures soient prises pour réduire voire même ne pas dépasser son niveau initial car un doublement de celui-ci entraînerait de perte de gains en terme d’espérance de vie à la naissance.

Au regard de ce qui précède, nous pouvons dire que ce modèle constitue un cadre d’analyse et de discussion pour éclairer les décideurs africains sur le choix de variables sur lesquelles les décisions de politique économique devrons porter pour améliorer à long terme le niveau de l’espérance de vie à la naissance des populations africaines.

Mémoire d’économétrie, Mai 2004
............................................................................................................................