Un commerce interne faible comparativement aux autres CERs d’Afrique

9Le graphique n°1.a retrace la part du commerce interne des CERs africaines en proportion de leur commerce total. Il ressort que la CEEAC se classe en dernière position par rapport à toutes les autres CERs. La Cedeao, la SADC et la Communauté d’Afrique de l’Est (CAE) enregistrent les meilleures performances en matière d’intégration sous-régionale par le marché en Afrique, alors que l’Union du Maghreb arabe (UMA) reste proche des performances de la CEEAC tout en se situant légèrement au-dessus.

10En moyenne, les exportations internes de l’Uma, de la Cedeao, de la SADC et de la CAE représentent respectivement environ 2, 7, 11, et 14 fois celles de la CEEAC sur la période 1995-2014. Relativement aux importations, ces ratios, un peu plus faibles, sont à 1,1, 3,4, 3,8 et 6,4 pour l’Uma, la CAE, la Cedeao et la SADC, respectivement, impliquant que les pays membres de la CEEAC achètent plus qu’ils ne vendent dans la sous-région par rapport au monde. En d’autres termes, les pays de la CEEAC ont tendance à exporter davantage vers le reste du monde qu’ils n’en importent. Toutefois, cette tendance ne modifie en rien la dépendance commerciale de la sous-région vis-à-vis du reste du monde.

Graphique 1

Part du commerce interne des CER africaines et des pays de la CEEAC (moyenne 1995-2014)

Part du commerce interne des CER africaines et des pays de la CEEAC (moyenne 1995-2014)

Note : AGO = Angola ; BDI = Burundi ; CMR = Cameroun ; CAF = Centrafrique ; TCD = Tchad ; COG = Congo ; COD = RD Congo ; GNQ = Guinée équatoriale ; GAB = Gabon ; STP = Sao Tomé-et-Principe.

11Cette analyse globale pourrait toutefois masquer les spécificités propres aux pays. En effet, le graphique n°1.b montre que les pays sont intégrés à des degrés différents relativement à leur commerce interne. Sur la période 1995-2014, la plupart des pays enregistrent un déficit commercial vis-à-vis de la communauté. Ce déficit est plus marqué au Tchad. Parmi les pays excédentaires, seul le Cameroun présente une position significative. Enfin, trois pays (Burundi, Centrafrique et Sao Tomé-et-Principe) contribuent marginalement au commerce intra-régional.

Un commerce bilatéral faiblement diversifié

12Le faible niveau d’intégration commerciale dans la CEEAC peut également être perçu par le nombre de produits échangés entre les pays-membres. En effet, lorsque l’on considère les exportations, les flux sont faibles et parfois nuls sur la période 1995-2014. Seuls deux pays sur dix, à savoir le Cameroun et le Gabon, ont au moins un produit exporté en moyenne vers tous les autres pays membres de la CEEAC (tableau n°1).

Tableau 1

Matrice du nombre de produits commercés entre les pays de la CEEAC (moyenne 1995-2014)

Pays d’origine ou de destination Flux Pays partenaire AGO BDI CMRCAF TCD COG COD GNQ GAB STP AGO Exportations 1 10 1 NA 16 NA NA 22 7 Importations 2 4 2 NA 6 NA NA 24 3 BDI Exportations 2 5 2 1 4 8 1 2 NA Importations 1 2 3 NA 5 13 2 3 NA CMR Exportations 4 2 12 9 6 6 4 17 3 Importations 10 4 41 51 34 10 41 47 9 CAF Exportations 2 4 41 8 10 4 1 4 NA Importations 1 2 12 7 10 8 1 4 1 TCD Exportations NA 4 47 5 7 NA NA 4 NA Importations NA 2 7 6 6 NA NA 6 1

Pays d’origine ou de destination Flux Pays partenaire AGO BDI CMRCAF TCD COG COD GNQ GAB STP COG Exportations 10 3 34 9 6 26 5 22 NA Importations 21 4 5 10 NA 26 8 17 1 COD Exportations NA 13 11 8 NA 27 NA 5 NA Importations NA 8 6 5 NA 23 NA 7 NA GNQ Exportations NA 2 37 1 NA 7 NA 18 2 Importations NA 1 4 1 NA 5 NA 25 3 GAB Exportations 19 3 42 3 6 16 5 21 12 Importations 16 2 18 5 7 17 3 20 28 STP Exportations 3 NA 11 NA NA 1 NA 3 24 Importations 8 NA 3 NA NA 1 NA 2 19

Matrice du nombre de produits commercés entre les pays de la CEEAC (moyenne 1995-2014)

Note : AGO = Angola ; BDI = Burundi ; CMR = Cameroun ; CAF = Centrafrique ; TCD = Tchad ; COG = Congo ; COD = RD Congo ; GNQ = Guinée équatoriale ; GAB = Gabon ; STP = Sao Tomé-et-Principe.

13En outre, sur le petit nombre de produits échangés, les pays sont en concurrence. En effet, la matrice des corrélations bilatérales du commerce dans la CEEAC montre que la plupart des coefficients sont positifs, ce qui suggère que les pays sont en concurrence sur le marché mondial puisque exportateurs nets des mêmes produits.

Un commerce bilatéral peu complémentaire

14Les pays de la CEEAC affichent une faible complémentarité de leurs profils commerciaux. Les indices des deux dates extrêmes (1995 et 2013) sont plus proches de 0 que de 1 (graphique n°2), traduisant le fait que peu de biens importés par les uns sont des biens exportés par les autres.

15Par ailleurs, seule la moitié des pays voient leurs indices augmenter, les sauts les plus significatifs étant relevés au Burundi et au Cameroun. Pour ces pays, les profils des exportations (importations) semblent correspondre dans le temps avec les profils des importations (exportations) des partenaires de la CEEAC en moyenne. En revanche, les indices des pays tels que l’Angola, le Tchad et la Guinée équatoriale notamment, qui diminuent dans le temps, indiquent un manque de compatibilité entre les profils commerciaux. Cette caractéristique illustre également le manque de besoins croisés, car les pays de la sous-région sont hyper-spécialisés dans le secteur primaire, et plus précisément dans les sous-secteurs du pétrole et du bois.

Graphique 2

Indices de complémentarité [3] bilatéraux des pays avec la CEEAC (1995-2013)

Indices de complémentarité [3] bilatéraux des pays avec la CEEAC (1995-2013)

Note : AGO = Angola ; BDI = Burundi ; CMR = Cameroun ; CAF = Centrafrique ; TCD = Tchad ; COG = Congo ; COD = RD Congo ; GNQ = Guinée équatoriale ; GAB = Gabon ; STP = Sao Tomé-et-Principe.

Spécification du modèle

17La spécification récente du modèle de gravité revient à Head et Mayer [2014] qui identifient trois formulations : générale, structurelle et naïve. La formulation « générale » se présente ainsi :

18

19où X_ni est le commerce bilatéral entre un pays i et ses n partenaires. Le terme S_i exprime les capacités de l’exportateur i vers toutes les destinations. M_n capte toutes les caractéristiques des n marchés destinataires, avec ϕ_ni(0 ≤ ϕ_ni ≤ 1) un coefficient qui mesure l’accessibilité bilatérale du pays i vers ses partenaires n. Il combine les coûts des échanges, auxquels on associe les élasticités mesurant leur impact sur les flux commerciaux. Enfin, G est la constante de gravité. La deuxième formulation du modèle de gravité est « structurelle ». Selon Head et Mayer [2014], le commerce bilatéral entre un pays i et ses n partenaires peut également s’exprimer par :

20

21où Y_i = ∑_nX_n est la production, X_n = ∑_iX_ni est la dépense globale de l’importateur, Ω_i et Φ_n les termes de résistance multilatérale. Cette formulation est meilleure en raison de la bonne approximation des effets fixes par rapport à leurs valeurs théoriques.

22La troisième formulation est celle des équations de gravité « naïves ». Selon Head et Mayer [2014], elles expriment le commerce bilatéral de la manière suivante :

23

24Ayant connu un succès sur le plan empirique, cette formulation est très intéressante sur le plan pédagogique. Elle exprime le commerce bilatéral proportionnellement au produit des tailles (PIB) des pays. C’est une formulation plus restrictive que les formulations dérivées des fondements théoriques. La présence de la restriction a ≠ b est une généralisation imposée lors des estimations depuis Tinbergen [1962]. Toutefois, plusieurs approches théoriques postulent des élasticités unitaires [4]. Dans cet article, nous adoptons la seconde spécification qui donne une importance particulière aux résistances multilatérales. Pour les capturer, nous utilisons les deux proxies proposées par Helliwell [1998], en raison de leur sensibilité à la taille des économies. Le recours aux effets fixes bilatéraux est exclu car cette mesure est issue d’une estimation biaisée. La première expression de Helliwell [1998] est donnée par où Dist_ij est la distance bilatérale entre les pays i et j. Cette mesure donne une importance particulière aux résistances multilatérales dans les petits pays, car elle croît exponentiellement lorsque tend vers zéro. La seconde expression se note . Cette dernière mesure tend à minimiser les résistances multilatérales dans les petits pays. Cependant, ces deux proxies sont peu flexibles et biaisées, car calculées à partir de quantités constantes dans le temps pour tous les pays [5]. L’une des originalités de cet article est de proposer une mesure simple des résistances, jugée plus flexible, variant dans le temps et selon le pays partenaire. Nous la qualifions par commodité de résistance « bilatérale », puisque son calcul utilise des données des deux pays i et j. En effet, étant donné que le modèle intègre une dimension temporelle, que les distances bilatérales sont différentes et que les PIB des pays partenaires varient dans le temps, il est pertinent de tenir compte de ces spécificités pour réduire les biais. Nous proposons donc la mesure suivante :

25

26Une des énigmes du modèle de gravité est la mesure de la distance. De manière générale, la mesure adoptée est celle d’une distance orthodromique entre les deux capitales des pays i et j qui se calcule en fonction de la latitude et de la longitude des villes considérées. Toutefois, cette mesure est critiquée, du fait que le transport des marchandises ne suit pas une trajectoire tel un vol d’oiseau. Ainsi, le commerce international d’un pays est tributaire non seulement de la distance bilatérale entre ce pays et ses différents partenaires, mais également de sa distance intra-nationale. La prise en compte de cette dernière fait l’objet de plusieurs mesures largement débattues dans la littérature (Disdier et Head [2008]). Nous adoptons ici la mesure suggérée par Nitsch [2000] qui définit la distance intra-nationale d’un pays i comme la racine carrée de sa superficie. Sur le plan empirique, la transposition économétrique originelle du modèle de gravité inspirée de Tinbergen [1962] prend généralement la forme suivante :

27

28Com_ij représente le commerce total bilatéral entre les pays i et j, Y_i et Y_j les PIB respectifs des pays, et D_ij la distance qui les sépare. Les β_i sont des paramètres à estimer et ε_ij est une perturbation. Nous adoptons dans cet article la forme log-linéaire augmentée suivante :

29

30Dans cette spécification, X_ijt représente les exportations bilatérales du pays i vers le pays j, Y_i(j) le PIB réel, Pop_i(j) la population et Dist_ij la distance qui sépare les pays i et j. CEEAC_ij est une variable muette prenant la valeur 1 si les pays i et j appartiennent à la communauté et 0 si non. Elle capte l’effet sur le commerce bilatéral, de l’appartenance des pays à la CEEAC. Dist_Intra mesure la distance intra-nationale, approximée comme la racine carrée de la superficie du pays (Nitsch [2000]). Rem¹⁽²⁾_in et Rem_ij donnent une mesure des résistances multilatérales et bilatérales respectivement. VolTCN_ij est une approximation de la volatilité du taux de change nominal bilatéral entre le pays i et le pays j. Cette variable est obtenue en générant l’écart-type sur 5 ans du taux de change nominal bilatéral. Infra_i capture les infrastructures mesurées comme la somme du nombre d’abonnés des réseaux téléphoniques fixes et mobiles. Gouv_i est un indicateur de gouvernance construit comme une moyenne des six indicateurs de gouvernance de la Banque mondiale (Kaufman et al. [2010]) [6]. Ouv_ij est la variable indicatrice de l’ouverture simultanée, prenant la valeur 1 si les pays i et j sont simultanément ouverts à la mer et 0 sinon. LC_ij vaut 1 si i et j partagent la même langue officielle et 0 sinon. CC_ij est une variable prenant la valeur 1 si les pays i et j ont été colonisés par la même métropole et 0 sinon. λ_t est un facteur qui capte l’effet spécifique temporel, μ_ij un terme qui capte les effets bilatéraux et ε_ijt le reste de la perturbation ou le terme d’erreur idiosyncratique. Les statistiques et la description des variables sont données en annexe n°1.

31Selon Baldwin et Taglioni [2007], le biais d’estimation du modèle de gravité peut provenir de trois erreurs, à savoir : i) une erreur liée à l’omission de certains déterminants potentiels du commerce bilatéral (Gold Medal Error) ; ii) une erreur relative à la comptabilisation des exportations bilatérales comme une moyenne des flux réciproques (Silver Medal Error) ; iii) une erreur induite par l’utilisation du PIB réel (Bronze Medal Error). Pour corriger ces erreurs, nous introduisons à la fois des variables muettes invariantes dans le temps et les résistances multilatérales, nous adoptons une spécification en données de panel qui nous évite de calculer la moyenne des flux réciproques, et nous introduisons des variables muettes temporelles (Baldwin et Taglioni [2007]).

La stratégie empirique

32L’un des débats récurrents concernant le modèle de gravité porte sur le problème des valeurs nulles de la variable dépendante, entraînant une perte d’information. Deux approches concurrentes sont généralement utilisées, à savoir les approches log-linéaires et celles dites non linéaires. Les approches log-linéaires conduisent généralement à des résultats biaisés à cause de la transformation logarithmique qui engendre une indétermination des zéros de la variable dépendante. Santos-Silva et Tenreyro [2006] proposent une stratégie permettant de surmonter les insuffisances des approches log-linéaires en présence d’hétéroscédasticité et de flux nuls des échanges commerciaux. Santos-Silva et Tenreyro [2006, 2010, 2011] recommandent l’utilisation de l’estimateur Poisson du pseudo-maximum de vraisemblance (PPMV) qui, selon eux, a la même robustesse que l’estimateur Gamma PML, à cause de la similarité de leurs conditions de premier ordre [7] (Head et Mayer [2014]).

33Plusieurs contributions axées sur la performance relative des différents estimateurs non linéaires ont suivi. La littérature économétrique sur des données de décompte, appliquée à des valeurs entières non négatives, propose différentes alternatives. De Benedictis et Taglioni [2011], par exemple, soulignent que lorsque le taux de prévalence de zéro est élevé dans les flux commerciaux le PPMV n’est plus approprié. Ils proposent d’utiliser le Zero-Inflated Poisson Model ou Zero-Inflated Negative Binominal Model. En revanche, Head et Mayer [2014] déconseillent le recours à la loi binomiale négative (NEGBIN), même en cas d’une assez grande dispersion [8] de la variable dépendante, à cause de la forte sensibilité de cet estimateur à l’unité de mesure de la variable dépendante. Dans cet article, nous retenons le PPMV comme principale technique d’estimation, les autres étant utilisées pour tester la sensibilité des résultats.

Estimation et interprétation des résultats

35L’échantillon considéré dans cette étude couvre deux groupes de pays, les pays reporters (pays de la CEEAC), soit 10 pays, et 86 pays partenaires appartenant aux zones Cedeao, SADC, UMA, CAE, UE, Asean, Mercosur, Alena (voir la liste des pays dans l’annexe n°2). Au total, l’échantillon compte 96 pays. Nous disposons de données annuelles sur 20 ans, couvrant la période 1995-2014, et par conséquent 20 × 95 = 1 900 paires par pays, soit 10 × 20 × 95 = 19 000 observations. Les données utilisées sont simultanément extraites de trois principales bases : la Cnuced, la Banque mondiale et le Cepii. Les résultats obtenus par application de la méthode du PPMV en effets aléatoires [9] sont consignés dans le tableau n°2. Les estimations révèlent que les coefficients associés au PIB ont les signes attendus. En effet, le PIB du pays i est positivement corrélé au commerce bilatéral de ce pays avec ses partenaires j ce qui traduit une forte propension à exporter du pays i, assurant son intégration croissante dans le commerce international. En termes de demande, ce résultat signifie qu’un pays commerce avec ses partenaires proportionnellement à son revenu. Une augmentation de 1 % du PIB du pays i augmente ses exportations bilatérales vers ses partenaires j de 0,10 %. Le signe du PIB du pays j s’inscrit dans la même logique, avec un effet et une significativité plus forts que ceux du PIB du pays i. Ainsi, une augmentation d’un point du PIB du pays j induit une augmentation de 0,21 à 0,23 point des exportations bilatérales du pays i vers ce pays. Les coefficients associés à la population affichent un signe négatif pour le pays i et positif pour le pays j. En effet, pour le pays i, sa population est un déterminant de l’absorption nationale, c’est-à-dire qu’elle exprime une forte demande pour la production locale et limite ses exportations vers les partenaires. Le signe associé à la population du pays j est positif, traduisant logiquement le fait que l’augmentation de la population du pays partenaire augmente les exportations bilatérales du pays i. La distance, appréhendée comme une approximation des coûts de transaction, présente un coefficient significatif et de signe attendu. Intuitivement, plus la distance est grande entre deux pays, plus leur commerce bilatéral diminue. Ces résultats sont globalement conformes à ceux précédemment obtenus par Avom [2005], Gbetnkom et Avom [2005], Avom et Mignamissi [2013], Avom et Gandjon Fankem [2014], dans le contexte africain.

36L’estimation montre également que le fait d’appartenir conjointement à la CEEAC aurait accru le commerce bilatéral des pays-membres. Toute chose étant égale par ailleurs, le commerce bilatéral aurait augmenté de 17,55 % (soit (e^0,1617 *100) − 100%) à 26,41 % (soit (e^0,2344 *100) − 100%) en fonction des spécifications du modèle de gravité. Il faut toutefois nuancer ce résultat en arguant que, basé sur une performance préalablement faible (le commerce intra-CEEAC sur la période n’est que de 1,31 %), cet effet multiplicateur ne serait que marginal.

37Les distances intra-nationales et les résistances multilatérales (et bilatérales) sont des facteurs explicatifs des échanges dans la CEEAC. La distance intra-nationale dans le pays i est positivement corrélée à son commerce bilatéral. L’effet est inverse dans le pays j. Ce résultat semble être cohérent puisque la distance intra augmente avec la superficie du pays. Ainsi, si le pays i est doté d’une grande superficie, il est probable qu’il possède de vastes surfaces arables et un sous-sol riche. En revanche, ce résultat pour le pays j montre qu’il serait moins enclin à importer du pays i. Les résistances multilatérales sont négativement associées au commerce bilatéral, ce qui laisse présager l’existence de facteurs et phénomènes invisibles (accords politiques, caractéristiques structurelles) exerçant un effet déprimant sur les échanges dans la CEEAC. Cet effet est d’autant plus ambigu que les résistances multilatérales, dans leur calcul, concernent tous les pays partenaires. En revanche, en retenant la dimension bilatérale des résistances, les estimations montrent que les pays de la CEEAC gagneraient à privilégier des négociations bilatérales avec les partenaires hors zone, puisque cette stratégie semble leur être bénéfique.

38L’effet des infrastructures de télécommunication sur le commerce des pays de la CEEAC est significativement négatif, ce qui est attendu. Faute de données sur les infrastructures routières, ferroviaires et maritimes qui sont plus corrélées au commerce, nous avons comme proxy retenu les infrastructures de télécommunication. Les estimations montrent que de telles infrastructures n’ont pas encore atteint un seuil critique pour booster les échanges dans la communauté. Cet effet dépressif de la qualité des infrastructures semble être conforté par celle des institutions, approximées dans cet article par les indicateurs de gouvernance de la Banque mondiale (Kaufmann et al. [2010]). Enfin, l’ouverture simultanée des pays de la CEEAC et de leurs partenaires explique positivement leur commerce bilatéral. Cette variable montre sans surprise que moins les pays sont enclavés, plus ils sont enclins à augmenter leur commerce du fait de la diminution considérable des coûts de transaction. L’effet marginal de cette ouverture sur les exportations bilatérales est de 11,29 % (soit (e^0,1070 *100) − 100%) et significatif à 1 %. Le partage d’une langue commune renforce les flux bilatéraux de commerce en jouant à la fois sur la marge intensive et sur la marge extensive du commerce. Par exemple, Anderson et Van Wincoop [2004] assimilent la barrière linguistique à une taxe qu’ils estiment à 7 %. Egger et Lassmann [2012] déduisent des études économiques existantes que le partage d’une langue commune augmente le commerce bilatéral d’environ 44 %. Plus récemment, Head et Mayer [2014] confirment un impact médian de la langue sur les flux bilatéraux de l’ordre de 39 %. De même, Mélitz et Toubal [2014] testent plusieurs variables de proximité linguistique en distinguant entre le partage d’une langue parlée, maternelle et officielle pour compléter et approfondir les analyses existantes. Nos estimations sont très en deçà des résultats précédemment présentés et limitent à 16 % l’effet du partage de la langue commune sur le commerce bilatéral des pays de la CEEAC. De même, il faut penser au rôle que peut jouer le partage d’une frontière terrestre commune. Ainsi, partager une frontière constitue un contrepoids à la distance. Toutefois, il faut que le pays de proximité puisse satisfaire les besoins de son partenaire en matière de commerce, condition nécessaire pour justifier la modélisation de cette variable. Or, les économies de la CEEAC sont très spécialisées et présentent des dotations similaires. Dans ce contexte, la modélisation de la distance seule suffit. Par ailleurs, le commerce de la CEEAC avec les pays hors zone est largement supérieur au commerce intra-zone, impliquant le fait qu’une frontière commune n’est pas une condition nécessaire à l’intensification des échanges. Toutefois, cette variable est pertinente pour les régions spécialisées dans le commerce intra-branche comme l’UE. Les estimations montrent enfin que les pays qui ont été colonisés par une même métropole ont tendance à avoir une forte intensité commerciale, à cause, notamment, des liens qu’ils ont pu développer et des accords politiques et commerciaux qui ont été signés.

39En dernière analyse, et au-delà des explications traditionnelles, le faible niveau des échanges commerciaux entre les pays de la CEEAC s’explique davantage par la mauvaise qualité des infrastructures, amplifiée par celle des institutions.

Tests de robustesse

40Head et Mayer [2014] recommandent, pour valider les résultats de l’estimateur Poisson, de les comparer à deux principaux estimateurs : les moindres carrés ordinaires d’une part et Gamma [10] d’autre part. La similitude des estimateurs MCO et Gamma est liée au fait que leurs conditions de premier ordre sont assez comparables (soit pour l’estimateur MCO et pour l’estimateur Gamma).

41Les estimateurs Poisson et Gamma aboutissent à des résultats robustes, en présence de zéros et d’une forte dispersion de la variable dépendante. Nous utilisons également le Zero-Inflated Negative Binominal Model (ZINBPML) et le Zero-Inflated Poisson Model (ZIPPML) qui sont indiqués en cas de forte dispersion de la variable dépendante et en cas de grande proportion de zéros dans la variable dépendante (De Benedictis et Taglioni [2011]). Enfin, pour tenir compte de la nature de la variable dépendante (qui peut être censurée ou tronquée), nous utilisons le Censored Poisson Regression Model (CPRM) et le Truncated Poisson Regression Model (TPRM) (Cameron et Trivedi [2013]). Les résultats de ces différents estimateurs sont reportés dans le tableau n°3. De manière générale, les principales variables conservent les signes précédemment obtenus. En ce qui concerne plus spécifiquement la variable d’intérêt (à savoir Ceeac_ij), le coefficient reste positif et significatif à 1 %. Les résultats sont assez asymptotiques sous les spécifications ZIP, CPRM et TPRM.

Tableau 3

Robustesse des résultats avec les estimateurs concurrents

Variable dépendante : exportations bilatérales Variables PLS GAMMA NEGBIN ZIP CPRM TPRM Log(PIBi) 1,7991*** 0,0939*** 0,2295*** 0,0948*** 0,1862*** 0,0948*** (28,27) (34,22) (15,21) (30,27) (24,26) (30,26) Log(PIBj) 1,8560*** 0,0494*** 0,2950*** 0,0618*** 0,2055*** 0,0619*** (63,72) (37,80) (57,99) (43,93) (57,06) (43,92) Log(POPi) -0,1898*** -0,0137*** 0,0646*** -0,0127*** 0,0087 -0,0127*** (3,20) (6,83) (3,80) (5,62) (1,41) (5,62) Log(POPj) 0,8648*** 0,0357*** 0,1404*** 0,0481*** 0,1205*** 0,0481*** (16,38) (13,79) (14,56) (17,52) (16,92) (17,51) Log(Distanceij) -3,5908*** -0,1377*** -1,0445*** -0,1707*** -0,7588*** -0,1709*** (14,43) (17,44) (32,06) (19,75) (34,34) (19,76) CEEACij 0,8548*** 0,1631*** 0,0338 0,2177*** 0,2202*** 0,2179*** (4,23) (23,19) (0,99) (26,69) (8,14) (26,69) Log(Dist_Intra_i) 0,7166*** 0,0116*** 0,1974*** 0,0237*** 0,0733*** 0,0237*** (8,65) (2,98) (6,95) (5,21) (6,39) (5,21) Log(Dist_Intra_j) -1,1033*** -0,0413*** -0,1703*** -0,0558*** -0,1326*** -0,0558*** (15,94) (12,73) (13,33) (15,43) (13,65) (15,43) Résistance multi 0,0696*** -0,0017*** -0,0028 -0,0008 -0,0079*** -0,0008 (8,82) (3,22) (0,89) (1,31) (3,32) (1,35) Résistance bil. 0,0048 0,0924*** 0,4272** 0,0553 0,5043*** 0,0564 (0,01) (2,75) (2,22) (1,46) (3,32) (1,48)

Variable dépendante : exportations bilatérales Variables PLS GAMMA NEGBIN ZIP CPRM TPRM Volatilité changeij 0,0000*** 0,0000 0,0000** 0,0000** 0,0000*** 0,0000** (2,71) (0,48) (2,22) (2,09) (4,16) (2,09) Infrastructuresi -0,3963*** -0,0203*** -0,0712*** -0,0209*** -0,0424*** -0,0209*** (12,67) (13,92) (11,22) (13,00) (10,86) (12,99) Gouvernancei 0,0035 -0,0036*** -0,0465*** -0,0056*** -0,0141*** -0,0056*** (0,13) (3,56) (7,87) (6,03) (5,71) (6,03) Constante -76,259*** -0,5694*** -14,8257*** -1,1790*** -8,0310*** -1,1815*** (66,54) (8,78) (47,99) (18,73) (48,48) (18,74) Observations 17 243 10 537 17 243 17 243 17 243 10 537 Paires 1 900 1 900 1 900 1 900 1 900 1 900 R2 0,4375 Pseudo R2 0,0751 Wald chi2 Prob > chi2 6 111,42 [0,0000] 11 416,37 [0,0000] 8 777,50 [0,0000] 11 661,18 [0,0000] 8 741,68 [0,0000]

Robustesse des résultats avec les estimateurs concurrents

Note : les nombres entre parenthèses sont les t de Student ou les z-stat. * p < 0,10 ; ** p < 0,05 ; *** p < 0,01.