Innovation, ouverture économique et croissance de productivité : une analyse empirique pour le cas de la Tunisie Ahmed Bellakhdhar Chapitre du live Overture, productivité et croissance économique au Maroc , Édité par Chatri Abdellatif, Publié par Laboratoire d’Economie Appliquée (Mohammed V Univ.) & Policy Center for the New South, ISBN (WEB) : 978-9920-37-593-1 Citer ce document : Bellakhdhar, A. (2019). Innovation, ouverture économique et croissance de productivité : une analyse empirique pour le cas de la Tunisie. In A. Chatri (éd). Ouverture, productivité et croissance économique au Maroc. Laboratoire d’Économie Appliquée & Policy Center for the New South. Rabat Lien vers l'article : http://www.labeamse.com/2019/04/OPCM3.html Copyright © 2019 Laboratoire d’Économie Appliquée, Policy Center for the New South & CNRST. Tous les droits sont réservés. CHAPITRE 3 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ : UNE ANALYSE EMPIRIQUE POUR LE CAS DE LA TUNISIE Ahmed Bellakhdhar Institut Supérieur de Gestion de Tunis E-mail correspondence : bellakhadar@yahoo.fr Résumé : L’objet de cet article est de développer et d’estimer un modèle endogène d’accumu- lation de technologie pour le cas de l’économie tunisienne sur la période 1976-2010. Ce modèle incorpore comme déterminants cruciaux, les efforts domestiques d’innovation, l’investissement en éducation, l’écart technologique par rapport au leader et l’effet de la transmission de la tech- nologie étrangère via l’IDE et l’importation des produits intensifs en technologie. Les résultats de l’estimation montrent que l’impact de l’intensité de R&D domestique sur l’accumulation de tech- nologie est négatif, mais non significatif dans toutes les régressions alternatives. Le coefficient associé aux IDE est significativement négatif. Par contre, l’impact des importations des produits intensifs en technologie est positif. Il est d’autant plus intense que l’écart technologique est élevé. Les estimations montrent aussi un effet direct positif, mais pas très significatif du capital humain sur le développement technologique en Tunisie. Son rôle est plutôt plus significatif dans l’assimi- lation et l’absorption de la technologie étrangère. Mots clés : Productivité totale de facteurs, Effet de prolifération, Capital humain, intensité de R&D, Transfert de technologie, IDE, Capacité d’absorption. Abstract : The purpose of this article is to develop and estimate an endogenous model of techno- logy accumulation in the tunisian economy context over the period 1976-2010. This model incor- porates as principal determinants, domestic innovation efforts, investment in education, technolo- gical gap with the leader and the effect of the transmission of foreign technology through foreign direct investment and the importation of technology-intensive products. The results of the esti- mation show that the impact of the domestic R&D intensity on the accumulation of technology Ouverture, productivité et croissance économique au Maroc, Éd. Chatri Abdellatif. 39 Copyright c 2019 Laboratoire d’Économie Appliquée & Policy Center for the New South. 40 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ is negative but not significant in all alternative regressions. The coefficient associated to foreign direct investment is significantly negative. On the other hand, the impact of imports of intensive products in technology is positive. It is more intense for a high technological gap. Our estimates also show a positive but not very significant direct effect of human capital on technological deve- lopment in Tunisia. Its role is rather more significant in the assimilation and absorption of foreign technology. Key words : Total factor productivity, Proliferation effect, Human capital, R & D intensity, Tech- nology transfer, FDI, Absorptive capacity 3.1 Introduction En réaction aux limites de la théorie de la croissance exogène, les modèles de la crois- sance endogène montrent que « l’accumulation de capital physique et l’accroissement du travail ne pouvaient expliquer qu’une faible part de la croissance. » (G URGAND, 2005). Ils font l’hypothèse que l’investissement en capital humain et le développement techno- logique sont à l’origine d’une croissance économique soutenue et auto-entretenue. Les premiers modèles de croissance endogène (AGHION & H OWITT, 1992 ; G ROSSMAN & H ELPMAN, 1991 ; ROMER, 1986, 1990) mettent au centre une fonction de production des connaissances basée sur l’hypothèse de l’effet d’échelle. Une des limites principales de ces modèles est que cette dernière hypothèse n’a pas été supportée par les données empiriques. Pour surmonter ce manque de consensus empirique, deux nouvelles théories de croissance endogène ont été développées. La première est la théorie " semi-endogène (J ONES, 1995 ; KORTUM, 1997 ; S EGERSTROM, 1998), et la deuxième porte sur les modèles de la crois- sance entièrement endogène avec effet de prolifération, AGHION et H OWITT (1998), D I - NOPOULOS et T HOMPSON (1998), H OWITT (1999, 2000), P ERETTO (1998). À la lumière de ces modèles mentionnés, H OWITT (2000) justifie que seuls les pays qui innovent auront une croissance technologique leur permettant de se développer à long terme. Toutefois, les évidences empiriques montrent que les pays qui n’innovent pas peuvent s’appuyer sur le rattrapage technologique pour accroître leur productivité totale des facteurs. Malgré les efforts de formulation théorique fournis à ce niveau, les évidences em- piriques semblent divergentes. Elles se heurtent à des sérieuses difficultés méthodolo- giques et conceptuelles, quant à la spécification de modèle d’accumulation de technolo- gie. Comme une tentative pour surmonter ces insuffisances, on a essayé de développer un modèle théorique endogène d’accumulation de technologie, avec effet de prolifération, qui incorpore comme déterminants cruciaux, les efforts domestiques d’innovation, l’in- vestissement en éducation, l’écart technologique par rapport au leader et les effets de la transmission de la technologie étrangère via l’IDE et l’importation des produits intensifs en technologie. Appliqué à l’économie tunisienne sur la période 1976-2010, ce modèle vise à déterminer, d’une part, l’importance des efforts domestiques en matière de R&D et d’investissement en éducation sur la croissance de la productivité et, d’autre part, les effets de la transmission de la technologie étrangère via les investissements directs étrangers et les importations des produits intensifs en technologie sur la croissance de productivité. A cet effet, plusieurs régressions alternatives sont estimées, en vue de prendre en consi- dération les impacts interactifs des variables retenues et de capter, par voie de conséquence, l’importance de la capacité nationale d’absorption de la technologie étrangère.  MODÈLE D’ACCUMULATION DE TECHNOLOGIE 41 Le reste du papier est organisé comme suit. La deuxième section présente le modèle théorique d’accumulation de technologie et le modèle empirique à estimer. L’estimation économétrique et l’interprétation des résultats sont présentées dans une troisième section. La dernière section conclut. 3.2 Modèle d’accumulation de technologie Le composant central de n’importe quel modèle de croissance basé sur les recherches et développement est la fonction d’accumulation de technologies. Selon cette fonction, le flux de nouvelles connaissances dépend des inputs utilisés dans le secteur de R&D et d’autres facteurs ayant des effets indirects sur l’accumulation de savoir. Il est proposé dans ce qui suit, un modèle d’accumulation de technologie endogène avec effet de prolifération qui tient compte à la fois de l’innovation pure (Effort domestique), le transfert de la techno- logie étrangère (Spillover), l’écart technologique par rapport à la frontière et la capacité d’absorption des connaissances. La littérature économique montre que la spécification théorique la plus supportée de la fonction d’accumulation de technologie par les données empiriques prend la forme géné- rale suivante : Ȧ = f (X, A) × (S f )k (1) Où, Ȧ est le flux des connaissances cumulées. La fonction f (X, A) indique l’effort domestique en matière de R&D, S f décrit l’effet de la transmission de la technologie étrangère. A est le niveau de la technologie disponible et X est l’ensemble des ressources mobilisées pour les R&D, que ce soit humaines ou/et financières. Pour la spécification de f , divers modèles endogènes ont été développés. La forme σ générale de tous ces modèles est représentée par f (X, A) = λ(X/Q) Aκ , tel que, λ est un paramètre de productivité dans le secteur de recherche et développement. Le paramètre σ décrit le phénomène de duplication. Il est supposé positif et inférieur à l’unité. κ mesure le niveau des externalités intertemporelles de connaissances qui détermine les rendements de la R&D. La variable Q indique le nombre de variétés de produit. À l’état stationnaire, elle est modélisée par (Q ∝ Lβ o Q ∝ Y β u) où β est le coefficient associé au phénomène de prolifération des produits. L est le nombre total des employés dans l’économie ou la taille de la population et Y est le niveau de PIB. La correction des ressources X par Q vise à tenir compte de l’effet de prolifération. Dans la littérature économique, divers indicateurs ont été utilisés pour mesurer l’intensité de R&D, principalement les ratios, (R/Y ) et/ou (LR /L), tel que R désigne le niveau des dépenses contemporaines dans les recherches et développement et LR est le nombre des chercheurs actifs dans le domaine de R&D. En réalité, ces indicateurs d’intensité utilisés sont des simples fractions globales qui peuvent être une source de biais. Par exemple, l’indicateur d’intensité (LR /L) est un ratio qui ne tient pas compte des différences aux niveaux de compétences humaines. Comme une tentative pour corriger cette insuffisance, on a intégré le capital humain h. Le nouveau indicateur sera noté par (LH /L), où, HR = hLR . Pour modéliser S f , notre démarche s’appuie en grande partie sur les travaux de C OE et H ELPMAN (1995), I SLAM (2010), L ICHTENBERG et D E L A P OTTERIE (1998), M ADSEN et M C A LEER (2000), S AVVIDES et Z ACHARIADIS (2005). Ces auteurs ont essayé de mo- déliser l’externalité technologique en explorant le lien entre le transfert de la technologique 42 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ étrangère et l’ouverture sur l’extérieur, via l’importation des biens intensifs en technologie pour les premiers, et les investissements directs étrangers pour les seconds. Le stock étranger de R&D transféré à travers l’importation des biens intensifs en tech- nologie est noté par Stmf et défini analytiquement par la relation suivante : n   X mij Simf = Asup (2) Yj j6=i Où i et j sont des indices associés aux pays intervenants ; i désigne le pays importateur (l’exemple de la Tunisie) et n est le nombre des pays partenaires (exemple l’EU-15 pour le cas de la Tunisie). Yj est le niveau du PIB du pays j et mij est le volume des biens intensifs en technologie importés par le pays i de ce pays partenaire. On indique par YLeader le PIB de pays partenaire leader. Ce pays est supposé à la frontière technologique et avoir le niveau technologique le plus élevé noté par Asup . À une période donnée, il est possible d’exprimer les PIB des autres pays partenaires en fonction de YLeader suivant la fonction ; Yj = ij YLeader , où ij est une constante. Ceci permet de réécrire la fonction Simf sous la forme générale suivante : Pn mij !   mf j6=i n Mij Sit = (n/i) Asup = (n/i) A (3) YLeader YLeader sup Où, (Mij /YLeader ) est le ratio de la valeur moyenne des importations de i en prove- nance des pays partenaires au PIB de pays leader. Dans la fonction d’accumulation des connaissances Ȧt présentée ci-dessus, le stock de technologie étrangère est intégré sous une forme multiplicative. Le transfert technologique, via l’investissement direct étranger, sera modélisé de la même manière que celui associé aux importations. Le volume de la technologie étrangère transmise via l’IDE est modélisé comme suit : n     X ideij IDE ij IDE ij Siidef = Asup ≈ A ≈ (n/i) A (4) Kj KLeader sup YLeader sup j6=i Où, Yj ∝ Kj (∝ indique la notion de proportionnalité entre ces deux variables). IDE ij est le flux total moyen des investissements directs étrangers attirés par le paysi. Il est sup- posé que le pays i possède le niveau technologique Ai . Les autres variables sont défi- nies comme précédemment. Le retard technologique par rapport au pays leader, défini par (Asup − Ai ), représente l’écart technologique par rapport au leader en termes du nombre de variétés. Le pays i cherche à rattraper cette différence technologique. Dans le même cadre d’analyse, (A NG & M ADSEN, 2012 ; C ECCHINI & L AI -T ONG, 2008 ; H AMMAMI, M ENEGALDO & L AFARGE, 2001) ont donné une fonction intégrée de type Cobb-Douglas plus générale pour spécifier le transfert de la technologie étrangère, via l’importation des produits technologiquement avancés et les investissements directs étrangers. Cette fonction est définie par la forme suivante :  a  b S f = Simf × Siidef (5) Où, a est l’élasticité de l’externalité technologique globale par rapport au transfert via l’importation et b est celle de l’externalité technologique globale par rapport au transfert  MODÈLE D’ACCUMULATION DE TECHNOLOGIE 43 via les IDE. En adoptant cette spécification pour le cas de notre modèle et en remplaçant les variables S mf i et Siidef par leurs expressions présentées précédemment, on obtient :  a  b  ab f ab Mij IDE ij Asup − A S ≡ (n/i) × Aab (6) Yi Yi Asup Si on remplace S f et f (X, A) par
leurs expressions, tel que l’intensité en R&D domes- tique est spécifiée par le ratio HLR , on obtient l’équation suivante :  θ  ak  bk  abk abk HR Mij IDE ij Asup − A Ȧ = δ(n/i) Aκ+abk (7) L Yi Yi Asup Si on remplace les paramètres (ak), (bk), (abk) et (κ + abk) par , τ , γ et ∅ respecti- vement, on obtient la forme générale suivante :  θ    τ  γ HR M IDE Asup − A Ȧ = δ 0 A∅ L Y Y Asup |{z} | {z } | {z } | {z } Effet exter. Effort domestique en R&D Tran. tech. de l0 étranger Distance à la frontière (8) 0 Où, δ > 0 représente un paramètre exogène de la productivité de la R&D. Le paramètre θ décrit le phénomène de duplication. Il est supposé 0 ≤ θ < 1 . Le paramètre ∅ indique l’effet inter-temporel de la technologie existante sur la productivité future de création des connaissances. Il est supposé positif et inférieur à l’unité. En appliquant l’approximation log-linéaire de Taylor adoptée par H A et H OWITT (2007) sur la spécification théorique obtenue ci-dessus, on obtient le modèle empirique suivant :     LR Asup − A gA = α0 + α1 log + α2 logh + α3 log L Asup     (9) M IDE + α4log + α5 log +ε Y Y Où, gA est le taux de croissance de la productivité totale des facteurs (PTF). ε est le terme d’erreur. Dans cet article, le choix de la Tunisie revient au fait qu’elle s’agit d’un pays de la rive sud de la Méditerranée, qui a signé les accords de partenariat bilatéraux avec l’UE-15. En effet, pour réussir son intégration dans l’économie mondiale et renforcer sa capacité concurrentielle dans la région, la Tunisie a opté pour une stratégie d’encouragement aux investissements et d’ouverture sur l’extérieur. Pour expliquer la croissance de cette produc- tivité totale des facteurs, plusieurs facteurs déterminants ont été avancés dans la littérature. Dans ce cadre d’analyse, les évidences empiriques montrent que l’investissement en ca- pital humain, les efforts domestiques d’innovation, la position du pays à la frontière tech- nologique et la diffusion de la technologie étrangère via l’investissement direct étranger et l’importation des produits intensifs en technologie sont les principales variables expli- catives de l’accumulation de technologie. Les variables explicatives de notre modèle sont indiquées par uR , humain h , DT F , M Y, IDEY respectivement 44 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ 3.3 Résultats empiriques et interprétations 3.3.1 Variables du modèle et données Dans le modèle d’accumulation de technologie, la variable expliquée est le progrès tech- nique, mesuré par le taux de croissance de la PTF, noté g A . L’application de la technique de la comptabilité de la croissance à notre modèle permet d’écrire :     α k logA = logy − log −logh (10) 1−α y S’agissant des données pour le cas de la Tunisie, le PIB réel par travailleur (y) et le ratio (k/y) sont disponibles dans plusieurs bases de données, tels que Penn World Table (PWT version 6.3), l’Institut d’Études Quantitatives (IEQ), les données de la Banque Mondiale. Le capital humain, noté h, est estimé à partir d’un modèle empirique structuré qui intègre simultanément les aspects quantitatifs et qualitatifs de capital humain et qui tient compte des rendements scolaires décroissants pour la période 1976-2010 (voir Annexe C). Cepen- dant, si on remplace h par sa valeur empirique estimée suivant les données disponibles et le paramètre α par la valeur 0, 3, on obtient une valeur empirique pour la PTF. En appliquant la différence logarithmique sur la variable productivité, on obtient le taux de croissance de la PTF pour la Tunisie sur la période [1976-2010]. L’effort domestique de la Tunisie en matière d’innovation est mesuré par la part des travailleurs qualifiés dans les domaines scientifiques et technologique. Il est paramétré par la variable uR . La part de l’investissement direct étranger dans le PIB est mesurée par le flux des IDE entrants dans le PIB. Elle est indiquée par la variable I DEY dans le modèle empirique. Elle prend une valeur moyenne de 3% sur toute la période d’étude. La part d’importation des produits intensifs en technologie dans le PIB est introduite pour saisir l’effet des spillovers de technologie externe via l’importation des équipements modernes. Elle est indiquée par la variable M Y dans l’équation de régression. Les données sont collectées à partir de la source WDI (2007) et d’autres sources de données comme l’IMF et l’institut quantitatif d’économie (IEQ). L’écart technologique entre un pays témoin et le leader en technologie détermine étroi- tement l’ampleur du processus de transfert technologique. Par ailleurs, pour apprécier la capacité d’absorption et d’apprentissage en Tunisie, nous avons retenu la variable (Asup − A)/Asup comme un indicateur de la distance technologique à la frontière, para- métré par DT F . Du fait du volume considérable des échanges économiques avec l’Union Européenne (plus que 86%), le niveau moyen de la PTF des pays partenaires de l’UE est retenu indicateur de la technologique à la frontière (Asup ). Il est extrait de données de l’Eu- rostat. La distance technologique à la frontière, ou le transfert autonome de la technologie, est mesuré par l’écart relatif de la PTF entre l’UE et la Tunisie. 3.3.2 Effets directs des déterminants de progrès technique Le Tableau 1 (Annexe A) présente les résultats de l’estimation des effets directs des va- riables explicatives sur le progrès technique. Les résultats obtenus montrent que l’intensité de R&D domestique paramétré par la variable LoguR a un impact négatif (-0.069), mais non significatif à un risque d’erreur de 5% sur le taux de croissance de la PTF. Ceci va à l’encontre des enseignements des modèles schumpetériens (AGHION & H OWITT, 2009 ;  RÉSULTATS EMPIRIQUES ET INTERPRÉTATIONS 45 A NG & M ADSEN, 2012 ; I SLAM, 2010 ; VANDENBUSSCHE, AGHION & M EGHIR, 2006). Plusieurs raisons peuvent expliquer ce rendement négatif de l’effort domestique en R&D sur la croissance de productivité en Tunisie. C HELLOUF, O UTTARA et DOU (1999), par exemple, montrent que le système national d’innovation en Tunisie souffre de certaines lacunes. Ils soulignent que les 80% des brevets déposés par les résidents sont à titre indivi- duel. Ceci montre le manque de collaboration entre chercheurs, laboratoires de recherche et entreprises en matière de promotion et de développement de la recherche. L’intégration des chercheurs universitaires et scientifiques dans le milieu industriel reste encore faible en raison de l’orientation des universités vers la recherche fondamentale. Ceci implique que l’environnement institutionnel d’informations scientifiques et économiques en Tunisie est caractérisé par une faible communication entre ses structures. Les travaux empiriques de T LILI (2006) montrent qu’environ 80% des chercheurs sont des enseignants univer- sitaires dont les activités de recherches sont à dominance théorique fondamentale. Les chiffres statistiques en termes d’effectif total des chercheurs deviennent donc trompeurs et le nombre réel de chercheurs est bien inférieur. On trouve également que l’investisse- ment public tunisien dans la recherche reste plutôt éparpillé sur un ensemble très large de domaines scientifiques (H ATEM, 2007). La variation de taux de croissance de la PTF en fonction de l’intensité de R&D do- mestique, illustrée par la figure 1 (Annexe B), montre une relation non significative entre les deux variables. Dans le même cadre d’analyse, plusieurs auteurs comme C ASADELLA et B ENLAHCEN -T LEMCANI (2006), G RIFFITH, R EDDING et R EENEN (2004), H OWITT (2000) ont indiqué que dans les pays les moins développés, les systèmes d’innovation sont encore non fiables en termes d’innovation. Ils servent essentiellement à augmenter les op- portunités et la culture d’apprentissage. Ainsi, les activités de R&D domestiques ne sont pas destinées à produire des innovations nationales. Il n’en reste pas moins qu’elles peuvent être importantes pour la capacité d’absorption du pays. Dans les sections suivantes, on va tester cet effet d’assimilation de la technologie étrangère à travers l’introduction de termes interactifs. Quant à l’impact du capital humain sur le taux de croissance de la productivité, notre estimation économétrique montre que son coefficient est positif, mais faiblement signifi- catif. Ainsi, une augmentation de capital humain de 1% n’augmente la PTF que de l’ordre de 0,04 à 0,059 points de pourcentage. Il semble que ce résultat est expliqué par une inadé- quation entre les formations et les besoins des structures productives (“Éducation, Marché du Travail et Développement : Les Exigences D’une Adéquation”, 1999). Il en résulte à la fois une faible productivité des nouveaux travailleurs et un effet d’apprentissage insuffi- sant pour générer des gains de productivité significatifs lors de l’introduction de nouvelle technologie. Le désengagement de l’état dans le système éducatif, se manifeste aussi par l’absence de programmes d’éducation efficaces répondant aux besoins technologiques pour le développement. Ce résultat incite à s’interroger sur le véritable effet du capital humain comme facteur d’assimilation et d’absorption de la technologie étrangère. Cette hypothèse sera testée dans les sections suivantes. L’exclusion des variables non significatives 1 a permis d’améliorer la significativité sta- tistique des principales variables explicatives de la régréssion (2) sauf pour le capital hu- main. Ceci nous a motivé à remplacer l’intensité de R&D domestique et le capital humain par une nouvelle variable interactive qui tient compte à la fois de la masse disponible de chercheurs et de la qualité de leur formation comme deux aspects fondamentaux de l’in- 1. Elle s’agit de l’intensité de R&D domestique 46 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ novation. La nouvelle variable est indiquée par (LoghuR ). L’estimation obtenue montre un impact positif sur la croissance de productivité (0.031), même il n’est pas significatif. Ceci confirme à certain niveau la théorie Schumpetérienne récente de la croissance endo- gène selon laquelle, le taux de progrès technologique dépend positivement de l’intensité de R&D domestique corrigée par le niveau de compétence. Concernant l’importance de l’écart technologique dans le progrès technique, les coef- ficients associés à cette variable sont positifs et significatifs dans toutes les régressions alternatives. La figure 2 (voir Annexe B) illustre que la relation est positive mais n’est pas strictement linéaire entre l’écart technologique et le taux de croissance de la PTF. Ce dernier prend des valeurs négatives pour un écart inférieur à 73%. Au-delà de cette valeur seuil, l’impact est positif et croissant. La figure montre également que cet impact positif de l’écart technologique commence à décroitre pour un décalage plus élevé. Ceci implique que le rattrapage sera plus difficile, complexe et très coûteux pour une distance technolo- gique élevée. Quant à l’impact de l’importation des produits intensifs en compétence sur la produc- tivité globale, nos estimations confirment le rôle crucial joué par cette variable. Le coeffi- cient associé est positif et statistiquement significatif. En effet, une augmentation de sa part dans le PIB par 1% améliore la PTF par plus de 0,5%. Ce résultat est conforme à la théorie économique selon laquelle, plus un pays est ouvert sur l’extérieur, plus les gains d’ex- ternalités sont significatifs sur la PTF, (BAUMOL, 1993 ; M ANSFIELD & ROMEO, 1980). L’analyse graphique montre que cette relation n’est pas linéaire (voir la figure
3). En effet, la croissance technologique est très faible pour un ratio réduit M Y ≤ 25% . C’est unique- ment au-delà de ce seuil, qu’on commence à avoir un impact positif sur l’accumulation de technologie. S’agissant des investissements directs étrangers, nos estimations montrent, contraire- ment à ce qui est attendu, un impact négatif et statistiquement significatif sur l’accumu- lation de technologie. Ainsi, une augmentation de 1% de la part des IDE dans le PIB fait décroitre la productivité par 0,11% en moyenne. Ce résultat, peut être expliqué par la concentration des IDE sur les activités à faible valeur ajoutée et la faible intégration des firmes multinationales dans le tissu productif local. La littérature économique montre que les pays en développement doivent se focaliser dans leur premier stade de développement beaucoup plus sur l’acquisition et l’assimilation de la technologie étrangère à travers l’imitation et le contact avec les entreprises étrangères, vu le coût important des activités de R&D. Par ailleurs, le transfert technologique n’est pas systématique, (S JÖHOLM, 1999). Il est étroitement lié à la « capacité d’absorption » du pays récepteur de technologies étrangères, (B LOMSTROM, KOKKO & Z EJAN, 2000). Motivé par cette évidence, il convient d’estimer une régression alternative qui tient compte non seulement des effets directs propres aux variables explicatives, mais aussi qui intègre des termes interactifs. 3.3.3 Rattrapage technologique et capacités d’absorption Dans la littérature économique, plusieurs travaux (B ORENSZTEIN, D E G REGORIO & L EE, 1995 ; B OUOIYOUR & YAZIDI, 2000 ; C OE, H ELPMAN & H OFFMAISTER, 1997 ; M ADSEN & M C A LEER, 2000 ; WANG & B LOMSTRÖM, 1992) émettent des réserves sur le caractère automatique des bienfaits des investissements étrangers. À la lumière de la littérature sur les investissements directs étrangers, il semble que la productivité totale des  RÉSULTATS EMPIRIQUES ET INTERPRÉTATIONS 47 facteurs des pays du sud de la Méditerranée y compris la Tunisie devrait bénéficier des IDE, d’autant, voire à condition, que les capacités d’absorption des nouvelles technologies véhiculées sont élevées, en particulier que la force de travail est qualifiée. Ces caractéris- tiques se présentent-elles pour la Tunisie ? Dans cette perspective, nous avons essayé d’estimer certaines régressions alternatives, qui intègrent des variables interactives indiquant l’importance de la capacité d’absorption locale dans le transfert de technologies découlant des IDE. Cette capacité est mesurée par déférentes variables (présentées dans les régressions 1, 2, 3 et 4 du tableau 2. Voir Annexe A) ; l’intensité de R&D domestique, le niveau du capital humain, l’écart technologique par rapport au leader et le degré d’ouverture du pays. Les résultats obtenus dans le Tableau 2 nous permettent de déterminer les conditions selon lesquelles ces transferts peuvent se traduire par un effet positif sur la croissance de productivité en Tunisie. Les estimations apportées par la deuxième colonne montrent que l’effet direct des IDE sur le taux de croissance de la PTF ainsi que son impact interactif avec le capital hu- main ont gardé le signe négatif (-0,138 et -0,148 respectivement). Ce dernier coefficient est statistiquement non significatif. Il implique la faible complémentarité entre les deux facteurs pour générer des gains de productivité. Concernant l’importance de l’intensité de R&D domestique, nos résultats empiriques présentés dans la première colonne montrent une relation négative et significative entre le terme interactif LoguR × LogIDEY et le taux de croissance de la PTF. Nous remarquons également que l’introduction de cette va- riable a intensifié l’effet direct négatif des IDE sur la croissance de productivité. Il attient la valeur -0.198 dans la régression (1). Ceci infirme les conclusions selon lesquelles les ressources domestiques consacrées par le pays hôte pour la R&D sont fondamentales pour l’absorption de la technologie étrangère apportée par les firmes multinationales,(A NG & M ADSEN, 2012 ; I SLAM, 2010). Il semble que ce résultat est expliqué par l’existence à la fois d’une capacité d’apprentissage insuffisante et des IDE concentrés dans des secteurs de technologie basse. L’importance de la distance technologique à la frontière dans le rattrapage de la tech- nologie transmise à travers les IDE est captée par l’introduction de la variable interactive LogDT F × LogIDEY . Les résultats obtenus montrent que le coefficient associé à cette dernière variable est positif (0.967) et significatif. Ceci implique qu’en moyenne, l’IDE opère un transfert technologique plus fort si l’écart entre la technologie ainsi reçue et la technologie domestique est élevé. L’effet direct des IDE devient positif (0.13) mais sta- tistiquement non significatif. Les observations empiriques sur la période 1976-2010, té- moignent de l’existence d’une relation qui n’est pas strictement monotone entre le terme interactif LogDT F × LogIDEY et le taux de croissance de productivité. Ainsi, la fi- gure 4 présentée ci-après montre que pour un décalage technologique inférieur à 74%, la corrélation est positive. Au-delà de cette valeur seuil, la corrélation devient négative. Pour savoir plus sur le degré de complémentarité entre l’importation des produits in- tensifs en technologie et les IDE, on a essayé d’introduire dans notre modèle la variable interactive LogM Y × LogIDEY (régression (4)), pour estimer son impact sur la crois- sance de productivité. Cette variable indique la capacité d’absorption locale mesurée par le degré d’ouverture du pays. Elle peut jouer un rôle important dans le transfert technologique dans la mesure où le pays le plus ouvert a plus de chance d’imiter et d’absorber les tech- nologies diffusées par les firmes multinationales. Sur le plan empirique, cette hypothèse a été confirmée par plusieurs travaux de recherche et en particulier celui de (D E G REGO - RIO , 1992). Une étude similaire réalisée récemment par BALTABAEV (2013), montre que 48 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ le ratio d’importation des produits technologiques au PIB exerce une forte influence sur l’entrée d’IDE. Dans cette étude sur la Tunisie, les estimations montrent que l’introduction de ce terme interactif ; LogM Y × LogIDEY a accentué l’effet négatif de l’IDE (-1.66), mais en per- dant sa significativité statistique. Concernant le coefficient associé à la variable interactive, il est positif et non significatif. Ce résultat explique d’une manière claire le faible potentiel technologique des flux entrants des IDE en Tunisie, chose qui justifie l’absence d’interac- tion entre les deux variables. Dans le Tableau 3 présenté ci-après, notre objectif consiste à estimer deux équations de régression qui tiennent compte non seulement de l’effet direct d’importations des produits intensifs en technologie, mais qui intègrent en plus les termes interactifs, LogM Y × LoguR et LogM Y × LogDT F . Ces variables mettent l’accent sur l’importance de l’investissement domestique dans la R&D et du décalage technologique par rapport au leader dans le transfert technologique via l’importation des biens d’équipe- ment, respectivement. Les résultats obtenus montrent que l’impact de la variable LoguR sur le taux de crois- sance de la PTF est négatif et non significatif que ce soit intégrée d’une manière séparée ou en interaction avec l’importation des biens technologiques. Pour les autres variables du modèle, les estimations sont robustes en termes de signe et de significativité statistique. La régression (1) montre une corrélation positive et significative entre la croissance de produc- tivité et la variable interactive LogM Y × LogDT F . Le coefficient associé à cette dernière variable devient plus significatif après l’élimination de LoguR . Nous remarquons égale- ment qu’avec l’introduction de cette variable interactive l’effet du capital humain devient plus significatif. L’effet marginal total d’importations des biens d’équipement sur la croissance de pro- ductivité en tenant compte de l’écart technologique est donné par le coefficient αM Y dé- fini par αM Y = 0.696 + 0.415 × LogDT F , (régression 2). Il suffit d’insérer la valeur moyenne de LogDT F calculée sur la période d’étude pour obtenir un effet global moyen évalué à 0,57. Cette valeur empirique de αM Y montre que l’importation des produits intensifs en technologie est un vecteur principal de la transmission de connaissances étran- gères en Tunisie dont l’impact est plus important avec le décalage technologique par rap- port au leader. La représentation graphique de la relation entre la croissance de la PTF et la variable interactive LogM Y × LogDT F est illustrée par la figure 5. Ce graphique confirme la présence d’un impact positif de l’importation d’équipements. Cet effet est plus important pour un décalage technologique élevé. Ce résultat infirme les hypothèses théoriques se- lon lesquelles, lorsque l’écart entre les deux pays est trop grand, la capacité d’absorption devient insuffisante pour générer des gains de productivité significatifs lors de l’importa- tion de nouveaux produits intensifs en technologie, A NG et M ADSEN (2012), BALTABAEV (2013), I SLAM (2010). Les régressions relèvent également un coefficient négatif et significatif pour les inves- tissements directs étrangers. Ce résultat, plutôt inattendu pourrait être expliqué principale- ment par un type d’IDE faible en volume et non porteur de transfert technologique. Nos estimations montrent aussi que l’importation des produits intensifs en technologie est un vecteur principal de transmission de connaissances étrangères en Tunisie dont l’impact devient plus important avec le décalage technologique par rapport au leader. Concernant l’importance de cette dernière variable dans le progrès technique, les résultats empiriques montrent que les coefficients associés sont positifs et significatifs. Mais avec les termes  CONCLUSION 49 interactifs, on trouve que les potentialités de retombées positives deviennent limitées pour un écart trop grand. 3.4 Conclusion Dans cet article, nous avons essayé de développer et d’estimer un modèle endogène d’accumulation de technologie avec effet de prolifération. Ce modèle incorpore comme dé- terminants cruciaux, les efforts domestiques d’innovation, l’investissement en éducation, l’écart technologique par rapport au leader et l’effet de la transmission de la technolo- gie étrangère via l’investissement direct étranger et l’importation des produits intensifs en technologie. Comme un exemple d’application, on a pris le cas de l’économie tunisienne sur la période 1976-2010. Les résultats empiriques obtenus montrent que l’impact de l’intensité de R&D domes- tique est négatif mais statistiquement non significatif dans toutes les régressions alterna- tives. Le coefficient associé aux investissements directs étrangers est négatif et significatif. Ce résultat, plutôt inattendu pourrait être expliqué principalement par un type d’IDE faible en volume et non porteur de transfert technologique. Son effet interactif avec le capital humain sur le taux de croissance de la PTF a gardé le signe négatif bien qu’il n’est pas statistiquement significatif. Ceci implique la faible complémentarité entre les deux fac- teurs pour générer des gains de productivité. Quant à l’importation des produits intensifs en technologie, les régressions montrent qu’il s’agit d’un vecteur principal de transmis- sion de connaissances étrangères en Tunisie. Son impact sur l’accumulation de savoir est plus intense pour un décalage technologique élevé. S’agissant de l’écart technologique, son impact est positif et significatif. Nos résultats montrent aussi un effet direct positif, mais qui n’est pas très significatif pour le capital humain sur le développement technologique en Tunisie. Il en résulte à la fois une faible productivité des nouveaux travailleurs et un effet d’apprentissage insuffisant pour générer des gains de productivité significatifs lors de l’introduction de nouvelle tech- nologie. Malgré la grande priorité accordée par la Tunisie à l’éducation et à la formation des jeunes, la capacité d’innovation reste encore réduite. Références AGHION, P. & H OWITT, P. (1992). A Model of Growth Through Creative Destruction. Harvard University Department of Economics. AGHION, P. & H OWITT, P. (1998). Endogenous growth theory. AGHION, P. & H OWITT, P. (2009). The Economics of Growth. The MIT Press. A IYAR, S. S. & F EYRER, J. (2002). A contribution to the empirics of total factor producti- vity. A NG, J. B. & M ADSEN, J. B. (2012). International R&D spillovers and productivity trends in the Asian miracle economies. BALTABAEV, B. (2013). FDI and Total Factor Productivity Growth : New Macro Evidence. Monash University, Department of Economics. BARRO, R. J. & L EE, J.-W. (2010). A New Data Set of Educational Attainment in the World, 1950-2010. NBER Working Paper No. 15902. National Bureau of Economic Research. 50 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ BAUMOL, W. J. (1993). Entrepreneurship, management, and the structure of payoffs. B ILS, M. & K LENOW, P. J. (2000). Does schooling cause growth ? American economic review, 90(5), 1160-1183. B LOMSTROM, M., KOKKO, A. & Z EJAN, M. (2000). Foreign direct investment : Firm and host country strategies. Springer. B ORENSZTEIN, E., D E G REGORIO, J. & L EE, J.-W. (1995). How Does Foreign Direct Investment Affect Economic Growth ? National Bureau of Economic Research, Inc. B OUOIYOUR, J. & YAZIDI, M. (2000). Productivité et ouverture en Afrique du Nord. In article présenté au colloque international Ouverture Economique et Développement, Tunis (T. 23). C ASADELLA, V. & B ENLAHCEN -T LEMCANI, M. (2006). De l’applicabilité du Système National d’Innovation dans les Pays Moins Avancés. Innovations, (2), 59-90. C ECCHINI, L. & L AI -T ONG, C. (2008). The links between openness and productivity in Mediterranean countries. Applied Economics, 40(6), 685-697. C HELLOUF, I., O UTTARA, O. & DOU, H. (1999). La nécessité de la veille technologique en Tunisie. International Journal of Information Sciences Decision Making, (3), 35- 47. C OE, D. T. & H ELPMAN, E. (1995). International r&d spillovers. European economic review, 39(5), 859-887. C OE, D. T., H ELPMAN, E. & H OFFMAISTER, A. W. (1997). North-South R&D Spillovers. Economic Journal, 107(440), 134-149. D E G REGORIO, J. (1992). Economic growth in latin america. Journal of development eco- nomics, 39(1), 59-84. D ESSUS, S. (2000). Capital humain et croissance : le rôle retrouvé du système éducatif. Économie publique/Public economics, (06). D INOPOULOS, E. & T HOMPSON, P. (1998). Schumpeterian growth without scale effects. Journal of Economic Growth, 3(4), 313-335. Éducation, Marché du Travail et Développement : Les Exigences D’une Adéquation. (1999). 9ème Conférence de l’EADI, Springer. G RIFFITH, R., R EDDING, S. & R EENEN, J. V. (2004). Mapping the two faces of R&D : Productivity growth in a panel of OECD industries. Review of economics and statis- tics, 86(4), 883-895. G ROSSMAN, G. M. & H ELPMAN, E. (1991). Quality ladders in the theory of growth. The Review of economic studies, 58(1), 43-61. G URGAND, M. (2005). Economie de l’éducation. La découverte. H A, J. & H OWITT, P. (2007). Accounting for Trends in Productivity and R&D : a schum- peterian critique of semi-endogenous growth theory. Journal of Money, Credit and Banking, 39(4), 733-774. H ALL, R. E. & J ONES, C. I. (1999). Why do some countries produce so much more output per worker than others ? The quarterly journal of economics, 114(1), 83-116. H AMMAMI, L., M ENEGALDO, F. & L AFARGE, C. (2001). Ouverture et externalités inter- nationales de la R&D : une analyse au Sud de la Méditerranée. In papier présenté au Colloque International d’Economie sur le thème Le partenariat euroméditerranéen : six ans après Barcelone, Tunis (T. 9). H ATEM, M. (2007). Le système national de recherche en Tunisie. Projet ESTIME : INCO- COMultilatRTD-SSA-5. H OWITT, P. (1999). Steady endogenous growth with population and R&D inputs growing. Journal of Political Economy, 107(4), 715-730.  RÉFÉRENCES 51 H OWITT, P. (2000). Endogenous growth and cross-country income differences. American Economic Review, 90(4), 829-846. I SLAM, M. R. (2010). Human capital composition, proximity to technology frontier and productivity growth. Department of Economics, discussion paper, 23(10), 1-41. J ONES, C. I. (1995). R&D based models of economic growth. Journal of political Eco- nomy, 103(4), 759-784. K LENOW, P. J. & RODRIGUEZ -C LARE, A. (1997). The neoclassical revival in growth economics : Has it gone too far ? NBER macroeconomics annual, 12, 73-103. KORTUM, S. S. (1997). Research, patenting, and technological change. Econometrica : Journal of the Econometric Society, 1389-1419. L ICHTENBERG, F. R. & D E L A P OTTERIE, B. v. P. (1998). International R&D spillovers : a comment. European Economic Review, 42(8), 1483-1491. M ADSEN, J. B. & M C A LEER, M. (2000). Direct tests of the permanent income hypothe- sis under uncertainty, inflationary expectations and liquidity constraints. Journal of Macroeconomics, 22(2), 229-252. M ANSFIELD, E. & ROMEO, A. (1980). Technology transfer to overseas subsidiaries by US-based firms. The Quarterly Journal of Economics, 95(4), 737-750. M INCER, J. (1974). Schooling, Experience, and Earnings. National Bureau of Economic Research, Inc. P ERETTO, P. F. (1998). Technological change and population growth. Journal of Economic Growth, 3(4), 283-311. P RITCHETT, L. (2001). Where has all the education gone ? The world bank economic re- view, 15(3), 367-391. ROMER, P. M. (1986). Increasing returns and long-run growth. Journal of political eco- nomy, 94(5), 1002-1037. ROMER, P. M. (1990). Endogenous technological change. Journal of political Economy, 98(5, Part 2), S71-S102. S AVVIDES, A. & Z ACHARIADIS, M. (2005). International technology diffusion and the growth of TFP in the manufacturing sector of developing economies. Review of de- velopment economics, 9(4), 482-501. S CHOELLMAN, T. (2011). Education quality and development accounting. The Review of Economic Studies, 79(1), 388-417. S EGERSTROM, P. S. (1998). Endogenous growth without scale effects. American Econo- mic Review, 1290-1310. S JÖHOLM, F. (1999). Technology gap, competition and spillovers from direct foreign in- vestment : evidence from establishment data. The Journal of Development Studies, 36(1), 53-73. S OTO, M. (2006). The Causal Effect of Education on Aggregate Income. T LILI, A. (2006). Retombées de la R&D domestique et étrangère sur la productivité totale des facteurs : un essai d’évaluation pour le cas de la Tunisie (thèse de doct., Thèse de Doctorat, Faculté des Sciences Economiques et de Gestion de Sfax). VANDENBUSSCHE, J., AGHION, P. & M EGHIR, C. (2006). Growth, distance to frontier and composition of human capital. Journal of economic growth, 11(2), 97-127. WANG, J.-Y. & B LOMSTRÖM, M. (1992). Foreign investment and technology transfer : A simple model. European economic review, 36(1), 137-155. 52 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ ANNEXES Annexe A : Liste des tableaux de régression Tableau 1 : Estimation des effets directs des déterminants de progrès Technique Variable dépendante: og(A) (1) (2) (3) -0.069 Logu R (-0.95) 0.059 0.040 Logh (1.82) (1.65) 0.031 Loghu R (1.61) 1.53 ** 1.479** 0.94 ** LogDTF (2.55) (3.56) (2.45) -0.128 ** -0.127 ** -0.09 ** LogIDEY (-4.03) (-6.87) (-5.32) 0.589 ** 0.560** 0.51 ** LogMY (2.14) (3.00) (2.33) - 1.46 -1.296 -1.285 _Cons (-1.47) (-1.82) (-1.6) Fisher 211.69 97.03 74.04 R-squared 0.98 0.98 0.97 Note : Les valeurs entre parenthèses reviennent à la statistique de Student. (**) indiquent que le coefficient est significatif à un risque d’erreur de 5%.  ANNEXES 53 Tableau 2 : Estimation des effets interactifs des IDE sur le taux de croissance de la PTF Variable dépendante: Log(A) (1) (2) (3) (4) 0.045 0.084 0.049 Logh (1.58) (1.90) (1.1) 1.635 ** 1.538 ** 1.12 ** LogDTF (4.92) (2.46) (2.69) -0.198 ** -0.138 ** 0.130 -1.66 LogIDEY (-6.64) (-4.08) (1.1) (-1.37) 0.509 ** 0.563 0.894 ** LogMY (2.31) (1.66) (4.84) -0.070 ** Logu × LogIDEY R (-2.03) -0.148 Logh × LogIDEY (-1.14) 0.967 ** LogDTF × LogIDEY (2.36) 0.48 LogMY × LogIDEY (1.31) - 1.094 -1.281 -2.81** 0.37 ** _Cons (-1.38) (-1.02) (-4.80) (2.87) Fisher 331.92 36.36 143.44 26.60 R-squared 0.98 0.96 0.93 0.95 Note : Les valeurs entre parenthèses reviennent à la statistique de Student. La régression est à erreur standard robuste. (**) indique que le coefficient est significatif à un risque d’erreur de 5%. 54 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ Tableau 3 : Estimation des effets interactifs de l’importation des biens technologiques sur le taux de croissance de la PTF Variable dépendante: Log(A) (1) (2) (3) -0.056 Logu R (-1.08) 0.052 ** 0.040 ** 0.042 Logh (2.47) (3.41) (1.73) -0.123 ** -0.128 ** -0.121 ** LogIDEY (-6.04) (-6.81) (-4.59) 1.644 ** LogDTF (2.71) 0.693 ** 0.696 ** 0.511 LogMY (4.86) (.03) (1.79) 0.492 ** 0.415 ** LogMY ×LogDTF (3.84) (4.55) -0.013 LogMY × Logu R (-0.55) - 1.767 ** - 1.843 ** - 1.143 _Cons (-3.23) (-3.44) (-1.13) Fisher 268.46 37.64 334.85 P-value 0.03 0.00 0.00 R-squared 0.98 0.98 0.97 Note : Les valeurs entre parenthèses reviennent à la statistique de Student. La régression est à erreur standard robuste. (**) indique que le coefficient est significatif à un risque d’erreur de 5%.  ANNEXES 55 Annexe B : Liste des figures Figure 1 : Taux de croissance de la PTF et intensité de R&D domestique 0,20 0,15 Taux de croissance de la PTF 0,10 0,05 0,00 0,25 0,30 0,35 0,40 0,45 0,50 0,55 -0,05 -0,10 Intensité de R&D domestique (LR /L) en % Figure 2 : Variation du taux de croissance de la PTF en fonction de l’écart technologique 0,150 Taux de croissance de la PTF 0,100 0,050 0,000 0,68 0,70 0,72 0,74 0,76 0,78 0,80 -0,050 -0,100 -0,150 DTF gAt Poly. (gAt ) Figure 3 : Variation du taux de croissance de la PTF en fonction du ratio (M/Y) 0,200 Taux de croissance de la PTF 0,150 0,100 0,050 0,000 15 17 19 21 23 25 27 29 31 33 -0,050 -0,100 Ratio d'importation des produits intensifs en technologie au PIB en (%) gAt Poly. (gAt ) 56 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ Figure 4 : Variation du taux de croissance de la PTF en fonction de la variable LogDT F × LogIDEY 0,200 Taux de croissance de la PTF 0,100 0,000 -0,5 -0,4 -0,3 -0,2 -0,1 0,0 0,1 0,2 -0,100 -0,200 LnDTFt-1 × LnIDEY gAt Poly. (gAt ) Figure 5 : Variation du taux de croissance de la PTF en fonction de la variable LogM Y × LogDT F 0,2 Taux de croissance de la PTF 0,1 0,0 -1,3 -1,1 -0,9 -0,7 -0,1 LogMY×LogDTF gAt Linéaire (gAt ) Annexe C : Spécification théorique de capital humain et procédure d’estimation On considère le cas d’un individu représentatif à durée de vie infinie, dont les préfé- rences sont représentées par une fonction d’utilité qui dépend de sa consommation(ct ). Cette fonction d’utilité
est supposée de type-Ramsey à élasticité de substitution intertem- porelle constante σ −1 , avecσ 6= 1. Le taux de préférence pour le présent est paramétré parρ. Ce ménage représentatif détient des actifs indiqués par la variable a. Il choisit le niveau de ses épargnes et consommationc, la part du temps consacrée à l’éducation uh et ses dépenses scolaires privées D à fin de maximiser sa fonction d’utilité, sous la contrainte d’accumulation de son capital humain et de son budget dynamique. Le capital humain est accumulé suivant la fonction suivante : θ 1−θ ḣh = B(uh hh ) Dh (II) Où, h est le niveau du capital humain par travailleur, B et ϑ sont respectivement, les paramètres reflétant l’efficacité de la « reproduction des savoirs » et le poids de la qualité  ANNEXES 57 dans la production des compétences tels que(0 < ϑ < 1). L’effet marginal d’une unité de ressource utilisée dans l’accumulation de capital humain est supposé décroissant avec le niveau scolaire. On suppose également que le temps disponible est normalisé à l’unité. Une fraction uh du temps est consacrée à la formation ; 0 < uh < 1 et le complément (1 − uh ) pour d’autres activités ; une fraction uy pour la production des biens et uR pour les activités d’innovation. Dans la pratique, la valeur empirique de la fraction uh est non observée di- rectement. Elle est modélisée dans plusieurs études par le nombre moyen d’années d’étude dans l’économie S divisé par l’espérance de vie à la naissance Le ; uh ≈ (S/Le ). À chaque période, on suppose que l’actif total du ménage est la somme du salaire réel après impôt, (1 − τw ) w (1 − uh ) h et des encaisses financiers nettes d’impôt obtenues à la fin de période, [(1 − τk ) r] a. Le ménage répartit ses ressources entre consommation privée, dépenses scolaires et épargne. Sa contrainte budgétaire est donnée par l’équation suivante ȧ = (1 − τk ) ra + (1 − τw ) w (1 − uh ) hh − c − (1 − sd ) D (III) Où, r est le taux d’intérêt réel, et w est le salaire réel par unité de capital humain. Dans ce modèle, on suppose que l’état peut intervenir pour subventionner les dépenses scolaires privées à un taux sd et financer ses dépenses publiques en éducation. Ses ressources prin- cipales proviennent de la taxation des salaires de ménages à un taux τw et des revenus de capitaux à un taux τk . Les données empiriques sur la Tunisie montrent que les deux types de dépenses scolaires (privées et publiques) sont proportionnelles en moyenne. On suppose alors une relation linéaire entre les deux variables définie comme suit : Dpriv ≈ `Dpub , où ` est une constante positive. La résolution de l’équation différentielle (II) et du programme de maximisation d’utilité dans la logique d’optimisation nous permet d’obtenir un niveau de capital humain éducatif dans sa forme agrégée présenté par la fonction suivante : D 1−θ pub αh S H = H0 × e Y (IV) Où H est le niveau agrégé de capital humain éducatif, H0 est son niveau initial,  S est le  Dpub nombre moyen d’années d’étude (Indicateur de la quantité d’éducation) et Y est la part des dépenses scolaires publiques dans le PIB (Indicateur macroéconomique de l’effort quantitatif fourni par un pays afin d’améliorer la qualité de son enseignement), D ESSUS (2000). αh est le taux de rendement d’une année d’étude corrigée par l’indice qualité. C’est le paramètre principal à estimer. — Modèle économétrique et procédure d’estimation Pour la construction du modèle empirique, on a adopté les méthodes théoriques et les analyses utilisées par plusieurs auteurs comme A IYAR et F EYRER (2002), B ILS et K LE - NOW (2000), H ALL et J ONES (1999), K LENOW et RODRIGUEZ -C LARE (1997), M INCER (1974), P RITCHETT (2001), S OTO (2006) parmi d’autres. Le modèle empirique obtenu est une équation de régression de type Macro-Mincer qui modélise la relation entre le loga- rithme de PIB par travailleur et le nombre moyen d’années d’étude corrigé par la qualité d’éducation.    1−ϑ y Dpub 2 log = αh S + α2 Experience + α3 (Experience) + ε (V) y0 Y 58 INNOVATION, OUVERTURE ÉCONOMIQUE ET CROISSANCE DE PRODUCTIVITÉ Où, y est le niveau de PIB par travailleur en coût de facteurs à prix constant, y0 est le niveau de production par un travailleur, ε est le terme d’erreur et αh représente le taux de rendement d’une année d’étude corrigée par l’indice qualité. La variableS est extraite de la base de données de (BARRO & L EE, 2010) , « A New Data Set of Education Attainment in the World, 1950-2010 », National Bureau of Economic Reseach, document de travail n◦ 15902 et en ligne à l’adresse : www.barrolee.com. Cette équation de régression est utilisée pour l’estimation de différents paramètres (αh , α2 , α3 ) .  1−ϑ Dpub Pour avoir la valeur empirique de la variable Y , on a besoin de fournir, dans un premier temps une évaluation du poids ϑ suivant les données disponibles. Pour faire ceci, on a adopté une méthode économétrique similaire à celle utilisée par (B ILS & K LE - NOW , 2000 ; S CHOELLMAN , 2011). Le modèle empirique obtenu prend la forme générale suivante :   Dpub S = µ0 + µ1 Le log +ε (VI) Y Il s’agit d’une équation de régression qui relie le niveau scolaire optimal à la variable D ( Ypub ).Dans ce modèle, ε désigne le terme d’erreur, µ0 est un terme constant et µ1 est l’estimateur de (−ϑ), tels que ( θ̂ = −b µ1 ). dans cette équation, la variable explicative est le produit de l’espérance de la vie à la naissance par le log de la qualité d’éducation. Les données sur l’espérance de la vie à la naissance indiquée par Le sont obtenues à partir de la source internationale ; Penn World Table (PWT version 6.3). S’agissant de la part des dépenses scolaires dans le PIB, notée par DY , on a utilisé la base constituée par l’Institut d’Études Quantitatives (IEQ). Une fois les différents éléments du modèle sont obtenus, il sera possible de construire le stock de capital humain par travailleur défini par la relation suivante :  1−ϑ Dpub 2 logh = logh0 + αh S + α2 Experience + α3 (Experience) | {z } Y | {z } Capital Initial | {z } Capital par Expériences P rof essionnelle Capital Educatif (VII) D’où le résultat.