PRÉLIMINAIRES

I. Objectifs Pédagogiques et Compétences Visées

Ce manuel vise à doter l’étudiant d’une maîtrise opérationnelle des outils quantitatifs pour l’évaluation rigoureuse des politiques publiques. Au terme de cette UE, l’apprenant concevra des critères d’évaluation d’impact robustes, planifiera des projets de développement en se basant sur des prévisions économétriques fiables, et estimera avec précision l’incidence socio-économique des réformes structurelles de l’État congolais. L’accent est mis sur la transformation de la théorie en capacité d’aide à la décision stratégique.

II. Positionnement de l’UE dans le Cursus LMD

Positionnée au second semestre du Master 1, cette Unité d’Enseignement constitue le pivot entre l’acquisition des fondamentaux économiques et leur application professionnelle au plus haut niveau. Elle prépare directement aux métiers de la planification et de l’évaluation, en fournissant les techniques économétriques et de modélisation indispensables pour analyser les programmes de développement nationaux, les stratégies sectorielles (mines, agriculture, énergie) et les réformes macroéconomiques envisagées en République Démocratique du Congo.

III. Méthodologie d’Évaluation de l’Étudiant

L’évaluation combine la validation des connaissances théoriques et la démonstration des compétences pratiques. Elle se structure autour d’un examen final écrit portant sur la maîtrise conceptuelle des modèles (50%) et d’un projet de modélisation appliqué à une problématique de développement congolaise (50%). Ce projet, mené en groupe, exigera la collecte de données réelles (BCC, INS, Ministères), la spécification d’un modèle pertinent, son estimation et l’interprétation des résultats en vue de formuler des recommandations politiques.

PARTIE 1 : FONDEMENTS ÉCONOMÉTRIQUES DE L’ÉVALUATION D’IMPACT

Chapitre I. Fondements et Causalité en Évaluation

I.1 Le Problème de l’Inférence Causale

Face à la complexité de l’action publique, isoler l’effet propre d’une politique constitue un défi majeur. Ce point expose le concept fondamental du contrefactuel – ce qui se serait passé en l’absence d’intervention. Nous établissons la distinction critique entre corrélation et causalité, un prérequis indispensable pour éviter les conclusions erronées lors de l’évaluation de programmes de développement en RDC, qu’il s’agisse de subventions agricoles ou de campagnes de santé publique.

I.2 Approches Expérimentales et Quasi-Expérimentales

Une distinction fondamentale s’opère entre les méthodes d’évaluation. Les approches expérimentales (Randomized Controlled Trials) sont présentées comme l’étalon-or, tandis que les méthodes quasi-expérimentales (différence de différences, régression sur discontinuité) sont analysées comme des alternatives robustes lorsque la randomisation est impossible. L’analyse se concentre sur le choix de la méthode la plus pertinente selon le contexte institutionnel et les données disponibles en RDC.

I.3 Typologies des Données et Stratégies d’Identification

La robustesse de toute évaluation repose sur la qualité et la nature des données mobilisées. Ce sous-chapitre classifie les données (coupes transversales, séries temporelles, panel) et explique comment leur structure permet de mettre en œuvre différentes stratégies d’identification de l’impact. Une attention particulière est portée aux sources de données nationales (INS, BCC, enquêtes 1-2-3) et à leur potentiel pour construire des évaluations d’impact rigoureuses des politiques congolaises.

I.4 Biais de Sélection et Variables de Confusion

Au-delà de la rigueur technique, l’intégrité de l’évaluation est menacée par les biais de sélection et les variables de confusion. Cette section dissèque les mécanismes par lesquels des facteurs non observés peuvent fausser l’estimation de l’impact d’un programme. Des techniques de contrôle statistique sont présentées pour atténuer ces biais, garantissant ainsi que l’effet mesuré soit bien attribuable à la politique évaluée et non à des caractéristiques préexistantes des bénéficiaires.

Chapitre II. Modélisation des Séries Temporelles Univariées (ARIMA)

II.1 Stationnarité et Transformations des Séries

Concept central en analyse temporelle, la stationnarité garantit la stabilité des propriétés statistiques d’une série dans le temps, condition nécessaire à une modélisation fiable. Ce point détaille les tests de racine unitaire (Dickey-Fuller, Phillips-Perron) pour diagnostiquer la non-stationnarité et présente les techniques de différenciation pour la corriger. L’application directe concerne l’analyse de séries macroéconomiques congolaises comme le PIB, l’inflation ou le taux de change.

II.2 Identification du Modèle via la Méthodologie de Box-Jenkins

L’identification précise d’un modèle ARIMA (p,d,q) est une étape cruciale qui conditionne la pertinence des prévisions. Cette section expose de manière pragmatique l’utilisation des fonctions d’autocorrélation (ACF) et d’autocorrélation partielle (PACF) pour déterminer les ordres optimaux du processus. L’objectif est de permettre à l’étudiant de “lire” la structure de dépendance temporelle d’une série économique et de spécifier le modèle le plus parcimonieux et efficace.

II.3 Estimation des Paramètres et Validation du Modèle

Une fois le modèle identifié, ses paramètres sont estimés, typiquement par la méthode du maximum de vraisemblance. Ce sous-chapitre se concentre sur la phase de validation diagnostique : analyse des résidus (bruit blanc, normalité, homoscédasticité) pour confirmer l’adéquation du modèle aux données. Cette validation rigoureuse est la garantie que le modèle capture bien la dynamique de la série et n’omet aucune information systématique, le rendant apte à la prévision.

II.4 Prévision et Intervalles de Confiance

La finalité pragmatique de la modélisation ARIMA est la prévision. Cette section détaille la construction de prévisions “out-of-sample” et le calcul des intervalles de confiance qui leur sont associés. L’étudiant apprendra à quantifier l’incertitude inhérente à toute projection future, une compétence essentielle pour éclairer les décisions de la Banque Centrale du Congo (BCC) sur la politique monétaire ou du gouvernement sur les prévisions budgétaires.

Chapitre III. Analyse de la Volatilité et Modèles ARCH/GARCH

III.1 Hétéroscédasticité Conditionnelle et Effet de “Clustering”

L’observation des séries financières congolaises, notamment le taux de change ou les prix des matières premières, révèle des périodes de forte turbulence alternant avec des périodes de calme. Ce phénomène de “clustering” de la volatilité viole l’hypothèse d’homoscédasticité. Ce point introduit le concept d’hétéroscédasticité conditionnelle et démontre pourquoi les modèles standards sont inadaptés pour capturer et prévoir le risque de marché.

III.2 Le Modèle ARCH (Autoregressive Conditional Heteroskedasticity)

Développé par Engle, le modèle ARCH formalise l’idée que la variance des erreurs à un instant t dépend des erreurs passées. Cette section détaille la structure du modèle ARCH(q), son estimation et son interprétation. Il permet de modéliser la dynamique de la volatilité, offrant un outil quantitatif pour mesurer le risque associé aux actifs financiers ou aux revenus d’exportation de la RDC (cuivre, cobalt), information cruciale pour les gestionnaires de portefeuille et les planificateurs.

III.3 La Généralisation GARCH (Generalized ARCH)

Généralisation puissante du modèle ARCH, le modèle GARCH(p,q) de Bollerslev offre une représentation plus parcimonieuse et plus stable de la volatilité conditionnelle en incluant des termes de la variance passée. Ce sous-chapitre explique sa supériorité pratique et guide l’étudiant dans sa spécification et son estimation. L’application portera sur la modélisation du risque des prix agricoles sur les marchés de Kinshasa, Lubumbashi et Goma.

III.4 Modèles Asymétriques (EGARCH, T-GARCH)

Une analyse fine de la volatilité révèle souvent un “effet de levier” : les mauvaises nouvelles ont un impact plus fort sur la volatilité que les bonnes nouvelles de même ampleur. Les modèles asymétriques comme EGARCH et T-GARCH capturent cette dynamique. Leur maîtrise permet d’affiner l’évaluation du risque, notamment pour analyser l’impact de l’instabilité politique ou des chocs externes négatifs sur les marchés financiers et l’économie réelle de la RDC.

Chapitre IV. Modèles à Vecteurs Autocorrectifs (VAR) et Causalité

IV.1 Des Modèles Univariés aux Systèmes Multivariés

Pour saisir les interdépendances systémiques de l’économie, une approche univariée est insuffisante. Ce point justifie le passage aux modèles VAR (Vector Autoregressive) qui permettent d’analyser simultanément la dynamique de plusieurs variables. L’objectif est de comprendre comment des variables clés de l’économie congolaise, comme la production minière, les dépenses publiques et l’inflation, interagissent et s’influencent mutuellement au fil du temps.

IV.2 Spécification et Estimation d’un Modèle VAR

Structurellement, un modèle VAR est un système d’équations où chaque variable est expliquée par ses propres valeurs passées et les valeurs passées de toutes les autres variables du système. Cette section couvre les étapes techniques de la spécification (choix du nombre de retards via les critères d’information) et de l’estimation par les Moindres Carrés Ordinaires (MCO), équation par équation. La simplicité d’estimation est un atout majeur de cette approche.

IV.3 Fonctions de Réponse Impulsionnelle et Décomposition de la Variance

L’outil analytique majeur des modèles VAR est la fonction de réponse impulsionnelle (IRF), qui trace l’effet d’un choc sur une variable sur l’évolution future de toutes les autres variables du système. Complétée par la décomposition de la variance, elle permet de quantifier l’importance relative de chaque choc. L’étudiant apprendra à simuler l’impact d’un choc de politique monétaire de la BCC sur l’investissement privé et la croissance.

IV.4 Causalité au Sens de Granger

Sous l’angle de la prédictibilité, la causalité au sens de Granger teste si les valeurs passées d’une variable X aident à prévoir les valeurs futures d’une variable Y. Bien que ne constituant pas une preuve de causalité économique, ce test est un outil puissant pour cartographier les relations de précédence temporelle dans le système économique. Son application permettrait de tester, par exemple, si les revenus d’exportation “Granger-causent” les dépenses d’infrastructure en RDC.

Chapitre V. Cointegration et Modèles à Correction d’Erreur (VECM)

V.1 Séries Non-Stationnaires et Relations de Long Terme

La régression de deux séries non-stationnaires (intégrées) mène souvent à des résultats fallacieux (“spurious regression”). Cependant, si ces séries partagent une tendance commune, elles sont dites cointégrées, révélant une relation d’équilibre de long terme. Ce concept est fondamental pour analyser les grandes relations macroéconomiques, comme le lien entre la consommation et le revenu ou entre la masse monétaire et les prix en RDC.

V.2 Tests de Cointégration de Johansen

La démarche de Johansen constitue le standard pour tester la présence et le nombre de relations de cointégration au sein d’un système de variables. Ce sous-chapitre présente la méthodologie du test de la trace et du test de la valeur propre maximale de manière appliquée. L’étudiant sera capable de déterminer s’il existe une relation stable de long terme entre, par exemple, les investissements directs étrangers, le capital humain et la croissance du PIB en RDC.

V.3 Le Modèle à Correction d’Erreur Vectoriel (VECM)

Lorsqu’une relation de long terme est confirmée, le modèle VECM est la spécification appropriée. Il combine la dynamique de court terme (ajustements) avec la relation d’équilibre de long terme. Le “terme de correction d’erreur” mesure la vitesse à laquelle les variables retournent vers l’équilibre après un choc. Ce modèle offre une vision riche et complète des dynamiques économiques, distinguant les fluctuations conjoncturelles des tendances structurelles.

V.4 Interprétation pour la Politique Économique

L’interprétation d’un VECM offre une double lecture indispensable au décideur politique. Elle permet d’évaluer la vitesse de convergence vers une cible de long terme (ex: un ratio dette/PIB soutenable) tout en analysant les impacts de court terme des politiques. Cette section montre comment utiliser les résultats d’un VECM pour formuler des recommandations qui tiennent compte à la fois des objectifs structurels et des contraintes conjoncturelles de l’économie congolaise.

Chapitre VI. Évaluation d’Impact par les Méthodes de Contrôle Synthétique

VI.1 Le Défi de l’Évaluation d’un Cas Unique

Face à une politique affectant une entité agrégée unique (un pays, une province), les méthodes traditionnelles d’évaluation échouent par manque de groupe de contrôle direct. La méthode du contrôle synthétique résout ce problème en construisant un “clone” statistique de l’entité traitée à partir d’une combinaison pondérée d’entités non traitées. Ceci est idéal pour évaluer l’impact d’une réforme minière au Katanga, par exemple.

VI.2 Construction du Contrefactuel Synthétique

La méthode consiste à construire un contrefactuel pondéré (“Congo synthétique”) qui réplique au mieux les caractéristiques de l’entité traitée avant l’intervention. Ce sous-chapitre détaille l’algorithme d’optimisation qui détermine les poids à assigner à chaque unité du “pool de donateurs”. La qualité de cette réplication pré-traitement est la clé de la crédibilité de l’inférence causale qui en découlera.

VI.3 Implémentation Pratique et Tests d’Inférence

L’application pratique requiert une sélection rigoureuse des variables prédictives et du pool de donateurs. L’impact est ensuite mesuré par la différence entre la trajectoire observée de l’unité traitée et celle de son jumeau synthétique après l’intervention. L’inférence statistique est réalisée via des tests de permutation (placebo tests) pour s’assurer que l’effet mesuré n’est pas le fruit du hasard, conférant une grande robustesse aux conclusions.

VI.4 Étude de Cas : Impact d’une Politique de Développement en RDC

Une application concrète de cette méthode permet d’en saisir toute la puissance. Ce point guide l’étudiant dans une étude de cas simulée : l’évaluation de l’impact de la mise en place d’une Zone Économique Spéciale (ZES) sur la croissance de l’emploi dans une province congolaise. L’exercice couvre toutes les étapes, de la collecte des données à la construction du contrôle synthétique et à l’interprétation des résultats pour le ministère du Plan.

PARTIE 2 : MODÉLISATION ÉCONOMÉTRIQUE AVANCÉE POUR L’ANALYSE D’IMPACT

Chapitre V. Analyse des Séries Temporelles : Fondamentaux et Modèles Univariés

V.1 Stationnarité, Bruit Blanc et Autocorrélation

Intrinsèquement liée à l’analyse macroéconomique, la notion de stationnarité conditionne la validité des inférences statistiques sur des données temporelles. Ce point établit les protocoles de tests formels (visuels, corrélogrammes) pour diagnostiquer la structure d’une série. L’étudiant apprendra à identifier et caractériser les processus stochastiques sous-jacents aux indicateurs clés de la RDC, comme l’inflation ou la croissance du PIB, étape préalable indispensable à toute modélisation robuste et prédictive pour l’aide à la décision publique.

V.2 Modèles Autoregressifs à Moyennes Mobiles (ARMA)

Face à la complexité des dépendances temporelles, les modèles ARMA offrent un cadre parcimonieux pour capturer la dynamique interne d’une variable. Cette section détaille la méthodologie de Box-Jenkins (identification, estimation, validation) pour construire un modèle prédictif performant. L’application directe concernera la prévision à court terme des recettes fiscales de la RDC, permettant aux planificateurs du Ministère du Budget d’anticiper les flux de trésorerie et d’ajuster les dépenses publiques de manière proactive.

V.3 Tests de Racine Unitaire et Chocs Permanents

Sous l’angle de la persistance des chocs, la présence d’une racine unitaire modifie radicalement l’interprétation économique d’un modèle. Ce sous-chapitre présente les tests de Dickey-Fuller (ADF) et Phillips-Perron (PP) pour discriminer un processus stationnaire d’un processus de marche aléatoire. Maîtriser ces tests est crucial pour éviter les régressions fallacieuses lors de l’étude des prix des matières premières congolaises (cuivre, cobalt), et pour comprendre si un choc de prix est temporaire ou permanent.

V.4 Gestion de la Saisonnalité et des Ruptures Structurelles

Une maîtrise des cycles et tendances inhérents aux données économiques est fondamentale pour une évaluation juste. Cette partie expose les techniques de désaisonnalisation (X-13-ARIMA-SEATS) et les tests de rupture structurelle (Chow, Zivot-Andrews). L’étudiant sera capable de purifier un signal économique, comme la production agricole dans le Kwilu, de ses variations saisonnières, ou d’identifier l’impact d’une réforme majeure sur la trajectoire de croissance, isolant ainsi l’effet réel de la politique menée.

Chapitre VI. Modèles Vectoriels Autoregressifs (VAR) et Analyse des Chocs

VI.1 Spécification et Estimation des Modèles VAR

Dépassant le cadre univarié, le modèle VAR analyse les interdépendances dynamiques entre plusieurs variables sans imposer de contraintes théoriques a priori. Cette section couvre la sélection du nombre optimal de retards, l’estimation et les tests de stabilité du système. L’application pratique portera sur la modélisation des liens entre l’investissement minier, l’emploi formel et le taux de change en RDC, offrant une vision systémique des canaux de transmission macroéconomique pour le Ministère du Plan.

VI.2 Fonctions de Réponse Impulsionnelle (IRF)

La propagation d’un choc exogène à travers le système économique est quantifiée par les fonctions de réponse impulsionnelle. Ce point technique détaille leur calcul et leur interprétation graphique pour tracer la réaction dynamique de chaque variable à un choc sur une autre. L’étudiant apprendra à simuler et visualiser comment l’économie congolaise réagit, par exemple, à une augmentation soudaine de 10% des prix mondiaux du cuivre, mesurant l’amplitude et la durée de l’impact sur le PIB et l’inflation.

VI.3 Décomposition de la Variance de l’Erreur de Prévision (FEVD)

Pour décomposer la variance de l’erreur de prévision, la FEVD détermine la contribution relative de chaque variable à la volatilité des autres. Cet outil permet de hiérarchiser les sources de fluctuations économiques. L’analyste pourra ainsi déterminer si la volatilité du PIB congolais est principalement due à des chocs sur les recettes d’exportation, des chocs de politique monétaire ou des chocs de dépenses publiques, orientant ainsi les efforts de stabilisation macroéconomique.

VI.4 Identification Structurelle et Chocs de Politique (SVAR)

Isoler l’impact d’une politique monétaire spécifique requiert de passer d’un VAR réduit à un VAR structurel (SVAR) en imposant des restrictions basées sur la théorie économique. Cette section enseigne comment identifier les chocs structurels (offre, demande, politique). L’étudiant sera en mesure d’évaluer l’efficacité réelle des interventions de la Banque Centrale du Congo sur le marché des changes, en distinguant leur impact de celui des autres chocs macroéconomiques simultanés.

Chapitre VII. Cointégration et Modèles à Correction d’Erreur (VECM)

VII.1 Le Concept de Cointégration et les Relations de Long Terme

Au-delà des fluctuations de court terme, des variables économiques non-stationnaires peuvent partager une tendance commune de long terme, définissant une relation d’équilibre. Ce sous-chapitre formalise le concept de cointégration comme un pilier de l’analyse macroéconomique moderne. La maîtrise de ce concept permet à l’évaluateur de politiques publiques d’établir, par exemple, un lien structurel stable entre les investissements en infrastructures routières et la croissance du commerce interprovincial en RDC.

VII.2 Tests de Cointégration de Johansen

L’identification rigoureuse des relations de long terme repose sur des tests statistiques robustes, notamment l’approche de Johansen. Cette section détaille la procédure du test de la trace et du test de la valeur propre maximale pour déterminer le nombre de relations de cointégration (le rang). L’étudiant appliquera cette méthode pour valider empiriquement l’existence d’un équilibre de long terme entre l’aide publique au développement, l’investissement public et la dette extérieure de la RDC.

VII.3 Spécification et Interprétation du Modèle VECM

Une fois la cointégration établie, le Modèle Vectoriel à Correction d’Erreur (VECM) permet de modéliser simultanément la dynamique de court terme et la vitesse de retour vers l’équilibre de long terme. Ce point explique l’interprétation du coefficient de correction d’erreur comme une force de rappel. L’analyste pourra quantifier la vitesse à laquelle le prix du ciment à Lubumbashi retourne à son équilibre par rapport aux coûts de production et de transport après un choc d’offre.

VII.4 Application à l’Analyse de la Politique de Change en RDC

Face à la dollarisation de l’économie, comprendre les liens entre les variables monétaires est crucial. Ce sous-chapitre applique la méthodologie VECM pour analyser la dynamique de long terme entre le taux de change Franc Congolais/Dollar, la masse monétaire et le niveau général des prix. L’étudiant produira une analyse quantitative de la transmission de la politique monétaire, fournissant des éléments probants pour les décisions de la Banque Centrale du Congo visant la stabilité des prix.

Chapitre VIII. Introduction à la Modélisation en Équilibre Général Calculable (MEGC)

VIII.1 Fondements Théoriques et Structure d’un MEGC

Fondée sur la théorie microéconomique walrassienne, la modélisation en équilibre général calculable (MEGC) offre une représentation holistique de l’économie. Ce point expose l’architecture d’un modèle MEGC : agents (ménages, entreprises, État), marchés et leurs interactions. Comprendre cette structure est essentiel pour simuler les effets d’une politique sur l’ensemble de l’économie congolaise, en capturant les effets directs, indirects et induits qui échappent aux analyses partielles.

VIII.2 La Matrice de Comptabilité Sociale (MCS)

Véritable cartographie comptable de l’économie à un instant T, la Matrice de Comptabilité Sociale (MCS) constitue la base de données indispensable à tout MEGC. Cette section détaille sa structure en comptes et la signification de chaque flux (production, revenus, consommation). L’étudiant apprendra la méthodologie pour construire ou mettre à jour une MCS pour une province de la RDC, comme le Nord-Kivu, en intégrant les flux du secteur informel pour une analyse plus réaliste.

VIII.3 Calibration des Paramètres et des Élasticités

Pour rendre le modèle opérationnel, il est nécessaire de calibrer ses paramètres comportementaux, notamment les élasticités de substitution et de transformation. Ce sous-chapitre présente les techniques de calibration à partir des données de la MCS et de la littérature économique. L’étudiant s’exercera à estimer les élasticités clés pour l’économie congolaise, par exemple l’élasticité de la demande de travail, en utilisant les données des enquêtes nationales (telles que l’enquête 1-2-3).

VIII.4 Modélisation de la Production et de la Demande

La structure de production des entreprises et les décisions de consommation des ménages sont formalisées par des fonctions mathématiques (ex: Cobb-Douglas, CES, LES). Cette partie explique comment ces fonctions sont intégrées dans le MEGC pour modéliser les choix des agents en réponse aux variations de prix. L’application portera sur la modélisation de la substitution entre capital et travail dans le secteur manufacturier de Kinshasa suite à une modification du coût du travail.

Chapitre IX. Simulation de Politiques Économiques et Analyse d’Incidence

IX.1 Définition des Scénarios et Simulation des Chocs

Comment traduire une réforme (fiscale, commerciale) en une expérience numérique contrôlée ? Ce point enseigne à formaliser un choc de politique en modifiant les paramètres ou variables exogènes du modèle. L’étudiant apprendra à simuler des scénarios pertinents pour la RDC, comme une baisse de 20% des droits de douane sur les biens d’équipement importés, ou l’introduction d’une taxe carbone sur les industries extractives, pour en évaluer l’impact macroéconomique.

IX.2 Les Règles de Bouclage Macroéconomique

Sous l’angle des mécanismes d’ajustement, les règles de bouclage (closure rules) déterminent comment l’équilibre macroéconomique est restauré après un choc. Cette section explore différentes hypothèses (néoclassique, keynésienne, etc.) concernant l’ajustement du marché du travail, de l’épargne-investissement et de la balance des paiements. L’analyste pourra ainsi comparer les résultats d’une politique sous différentes hypothèses de fonctionnement de l’économie congolaise.

IX.3 Interprétation des Résultats : Effets sur les Prix et les Quantités

L’interprétation des résultats d’un MEGC exige une analyse rigoureuse des variations des prix relatifs et des quantités (production, emploi, commerce). Ce sous-chapitre fournit une grille de lecture pour décomposer les résultats et identifier les mécanismes de transmission. L’étudiant sera capable d’évaluer les gagnants et les perdants d’une politique, comme la suppression des subventions aux carburants, en analysant son impact sur les coûts de production par secteur et le revenu réel des ménages.

IX.4 Analyse d’Incidence Distributive sur les Ménages

L’analyse d’incidence distributive est au cœur de l’évaluation des politiques publiques. Ce point technique montre comment un MEGC, grâce à la désagrégation des ménages (par décile de revenu, par zone rurale/urbaine), permet de mesurer l’impact d’une politique sur la pauvreté et les inégalités. L’application consistera à mesurer l’impact d’une nouvelle taxe sur les services de télécommunication sur le pouvoir d’achat des ménages les plus pauvres du Kasaï.

Chapitre X. Applications Avancées et Modélisation Dynamique

X.1 Modèles MEGC Dynamiques : Récursifs et Intertemporels

Dépassant l’analyse statique comparative, les MEGC dynamiques intègrent l’accumulation du capital et les décisions d’investissement au fil du temps. Cette section distingue les modèles dynamiques récursifs des modèles intertemporels à agents prévoyants. L’étudiant apprendra à utiliser ces outils pour projeter les trajectoires de croissance du PIB et d’accumulation du capital sur 20 ans suite à l’adhésion de la RDC à la Communauté d’Afrique de l’Est (EAC).

X.2 Intégration des Modules Environnementaux (MEGC-E)

Face aux défis du changement climatique, l’intégration de modules environnementaux permet d’analyser les interactions entre économie et écosystèmes. Ce sous-chapitre explique comment lier les activités économiques aux émissions de polluants ou à l’utilisation des ressources naturelles. L’analyste pourra ainsi évaluer le coût économique d’une politique de réduction des émissions de CO2 issues de la déforestation (REDD+) en RDC, tout en mesurant ses co-bénéfices.

X.3 Désagrégation Sectorielle et Analyse des Chaînes de Valeur

Pour une analyse fine des impacts, la désagrégation des secteurs est une étape cruciale. Cette partie montre comment scinder un secteur agrégé (ex: “Agriculture”) en sous-secteurs pertinents pour la RDC (café, cacao, huile de palme, manioc). Cette granularité permet d’évaluer l’impact d’un choc de prix spécifique à un produit ou d’analyser les goulots d’étranglement au sein d’une chaîne de valeur locale, comme celle du bois de la province de la Tshopo.

X.4 Évaluation de Projets d’Investissement Structurants

Une connaissance approfondie des MEGC permet d’évaluer ex-ante l’impact macroéconomique de grands projets d’infrastructure. Ce sous-chapitre final applique l’ensemble des compétences acquises pour modéliser l’impact de la construction d’un port en eaux profondes à Banana. L’étudiant réalisera une simulation complète, estimant les effets sur l’emploi, le commerce extérieur, la croissance sectorielle et le bien-être des ménages, fournissant une analyse coût-bénéfice robuste pour l’État congolais.

ANNEXES

A. Guide Pratique des Logiciels d’Évaluation (R, Stata, GAMS)

Sous l’angle de l’opérationnalité, la maîtrise des outils logiciels est non négociable pour l’évaluateur moderne. Cet appendice technique fournit les syntaxes de commande essentielles, les procédures d’importation de données et les guides d’interprétation des résultats pour les logiciels R, Stata et GAMS. Il s’agit d’un manuel de terrain pour transformer les données brutes de l’Institut National de la Statistique (INS-RDC) en analyses économétriques robustes et en modèles d’équilibre général, directement exploitables pour les rapports ministériels.

B. Étude de Cas Intégrale : Évaluation d’Impact d’un Programme de Développement Agricole au Kivu

Face à l’impératif de sécurité alimentaire, l’évaluation rigoureuse des interventions agricoles est cruciale. Cette étude de cas retrace, étape par étape, l’évaluation d’un projet de distribution d’intrants au Kivu, depuis la définition du contrefactuel jusqu’à l’estimation de l’impact sur le revenu des ménages via un modèle à différence de différences. Elle constitue un prototype méthodologique complet pour les analystes des ministères du Plan et de l’Agriculture, démontrant l’application concrète des techniques enseignées.

C. Répertoire des Sources de Données Macroéconomiques et Sectorielles pour la RDC

Une analyse quantitative crédible repose sur la qualité et l’accessibilité des données primaires et secondaires. Ce répertoire compile et qualifie les principales bases de données nationales (INS, Banque Centrale du Congo) et internationales (Banque Mondiale, FMI, BAD) pertinentes pour la RDC. Pour chaque source, il spécifie la périodicité, la couverture sectorielle et les procédures d’accès, offrant un gain de temps stratégique pour le planificateur ou l’analyste en charge de modéliser l’économie congolaise.

D. Glossaire Technique et Opérationnel des Modèles Quantitatifs

La précision terminologique est le fondement de la rigueur scientifique en économétrie et en modélisation. Ce glossaire ne se contente pas de définir des concepts comme la stationnarité, la cointégration ou la matrice de comptabilité sociale (MCS). Il les contextualise avec des exemples concrets tirés de l’économie congolaise (ex: choc sur les prix du cobalt) et clarifie leur rôle opérationnel dans la construction et l’interprétation des modèles d’évaluation. C’est un outil de décryptage indispensable.

Lire aussi :

Cours de Transcription de texte, annee-inconnue, TRT1361

Cours de Environnement financier et bancaire, annee-inconnue, EFB2121

Cours de Management des organisations 2, nonspécifié, MNO1242,

Cours de Initiation médicale, licence-1, IME1111,

Cours de Introduction à l'accueil, licence-1, IAP1111,

Cours de Consommation et recyclage, annee-inconnue, COC2121