Embed Size (px)
Citation preview
© Zohra Jellali, 2019
Commerce agricole et agroalimentaire des pays Nord-Africain : déterminants et potentiel
Mémoire
Zohra Jellali
Maîtrise en agroéconomie - avec mémoire
Maître ès sciences (M. Sc.)
Québec, Canada
ii
Résumé
L’objectif cette étude est d’analyser les déterminants du commerce des biens agricoles et
agroalimentaires ainsi que le niveau d’efficacité et le potentiel des pays Nord Africains
avec leurs partenaires de l’Europe du Moyen Orient ainsi qu’entre eux. Pour ce faire un
modèle de gravité à frontière stochastique à effet fixes inspiré de l’économie de
production a été employé.
Nos résultats montrent que l’effet des variables explicatives sur les flux commerciaux suit
celui trouvé dans la littérature tant pour les variables économiques que pour variables qui
caractérisent les relations bilatérales.
L’hypothèse d’existence d’inefficacité commerciale était confirmée. Une estimation des
scores d’efficacité par pays variant dans le temps était effectuée. Les résultats montrent
que la Mauritanie est le pays plus inefficace suivi par l’Algérie, ceci pour l’ensemble des
pays pris en considération. Le Maroc et la Tunisie sont les plus intégrés dans le marché
Nord-Africain avec les scores d’efficacité les plus élevés. Tenant compte de l’ensemble
des pays de destination, la Tunisie, le Maroc et l’Egypte sont les plus intégrés mais avec
des variabilités importantes des scores selon les pays de destination. Ces pays possèdent
encore des potentiels importants avec l’ensemble pays. Les estimations soulignent
l’importance de l’amélioration des politiques commerciales pour une meilleure
intégration dans le marché.
Mots clés : Commerce, produits agricoles et agroalimentaires, modèle de gravité,
efficacité, potentiel
iii
Abstract
This study aims to analyze the determinants of trade in agricultural and agri-food goods
as well as the level of efficiency and potential of North African countries with their
partners in Middle Eastern Europe as well as between them. This is based on the fixed-
effect stochastic border gravity model inspired by the economy of production.
Our estimations have shown that the effect of the explanatory variables on trade flows
follows the one found in the literature for both the economic variables and the variables
that characterize the bilateral relations between the partners.
The hypothesis of commercial inefficiency was confirmed. An estimate of efficiency
scores by country varying over time was carried out. The results show that Mauritania is
the most inefficient country followed by Algeria, for all the countries taken into
consideration. Morocco and Tunisia are the most integrated in the North African market
with the highest efficiency scores. Taking into account all countries of destination,
Tunisia, Morocco and Egypt are the most integrated but with significant variability of the
scores according to the countries of destination. these countries have significant potential
remains to exploit. These estimates highlight the importance of improving trade policies
for better integration into the market.
Key words: Trade, agricultural and agri-food products, gravity model, efficiency, potential
iv
Table de matière
Résumé ...................................................................................................................................................................... ii
Abstract .................................................................................................................................................................... iii
Table de matière .................................................................................................................................................. iv
Liste des tableaux .................................................................................................................................................. v
Dédicace ................................................................................................................................................................... vi
Remerciement ...................................................................................................................................................... vii
Introduction ............................................................................................................................................................ 1
Chapitre 1 : Problématique de recherche ................................................................................................... 2
1.1 Commerce international et développement....................................................................................... 2
1.2 Implication des pays Nord-Africain dans le commerce international ..................................... 2
1.3 Le commerce des PNA et la part du commerce agricole et agroalimentaire ........................ 4
1.4 Importance du commerce agricole dans les PNA et dans l’ensemble de la région ............ 6
1.4.1 Secteur agricole dans les PNA ............................................................................................... 6
1.4.2 Les échanges agricoles et agroalimentaires des PNA avec ses partenaires ....... 8
1.5 Les objectifs de recherche ....................................................................................................................... 12
Chapitre 2 : Revue de littérature .................................................................................................................. 13
2.1 Revue de la littérature empirique........................................................................................................ 13
2.1.1 Modèle d’équilibre général calculable ............................................................................. 13
2.1.2 Modèle d’équilibre partiel ..................................................................................................... 15
2.1.3 Modèle de gravité ..................................................................................................................... 16
2.1.4 Le choix d’une approche et sa justification .................................................................... 19
2.2 Approches de détermination du potentiel commercial .............................................................. 21
2.2.1 La simulation à partir des résultats estimés par le modèle de gravité ............... 21
2.2.2 La méthode de frontière stochastique : modèle gravité à frontière
stochastique ................................................................................................................................................... 22
Chapitre 3 : Méthodologie ............................................................................................................................... 25
3.1 Spécification du modèle .................................................................................................................................. 25 . Méthode d’estimation ...................................................................................................................................... 28
3.3. La base de données .......................................................................................................................................... 28
Chapitre 4 : Résultats et discussion............................................................................................................. 29
Conclusion ............................................................................................................................................................. 40
Références bibliographiques ......................................................................................................................... 41
ANNEXES ................................................................................................................................................................ 44
v
Liste des tableaux
Tableau 1: Les accords bilatéraux et régionaux dans lesquels les PNA sont impliqués ............................................................................................................................ 3
Tableau 2: Commerce des marchandises des PNA en 2015 (en %) .................................... 5
Tableau 3: Contribution économique (%PIB) du secteur agricole ...................................... 6
Tableau 4: contribution des différents secteurs dans l’emploi ...................................... 7
Tableau 5: Part des exportations agricoles et leur part en termes de PIB en 2010 .............. 7
Tableau 6: Part de l’UE dans le commerce des marchandises des PNA (%) .............. 9
Tableau 7 : Sources des données ....................................................................................... 28
Tableau 8: Analyse de corrélation entre les variables du modèle ............................... 29
Tableau 9: Statistiques sommaires .................................................................................... 30
Tableau 10 : Résultats de la régression à frontière stochastique ................................ 32
Tableau 11 : Résultats de la régression à frontière stochastique ................................ 37
vi
Dédicace
Je dédie ce travail à
Toute ma famille et spécialement pour ma mère qui n’a jamais cessé de me
supporter et de croire en moi tout au long de mon cursus académique.
Merci pour tous les sacrifices que t’as fait pour qu’on réussisse et l’effort que t’a fourni
pour que moi et mes frères avance dans notre vie !
À tous mes ami(e)s pour leur soutien moral, Merci pour l’attention que vous m’avez
accordée
Merci à tous et toutes
vii
Remerciement
Je remercie tout particulièrement le professeur Lota D. TAMINI, mon Directeur de
mémoire d’avoir accepté de m’encadrer. Merci pour votre direction et vos conseils.
Que de réussite dans vos projets futurs et que de meilleures opportunités.
Je remercie aussi mes amis qui étaient toujours disponibles pour répondre à mes
questions et d’essayer de me conseiller. Particulièrement je remercie Ousmane Traore et
Jean-Baptiste W Zongo pour leur disponibilité
Je remercie la mission universitaire tunisienne pour le support financier fourni.
Merci pour tous ceux qui ont contribué de près ou de loin dans ce travail
1
Introduction
Le commerce international et considéré comme un moteur de croissance pour les
économies avec sa contribution dans les produits intérieurs bruts des pays et aussi en tant
que source de devises et qui permet l’évolution des systèmes de production vers des
systèmes plus efficaces (Rainelli, 2003 et Atif et al., 2016). Pour le secteur agricole, la
contribution du commerce peut être plus importante pour les pays spécialisés en
agriculture. Ce secteur contribue tant au niveau de création de richesse tant au niveau du
développement rural et territorial et de l’emploi. Ainsi le commerce pourrait contribuer
énormément dans le développement de ces pays dont le souci majeur est de tirer plus de
croissance économique.
Vu le rôle économique du commerce et la vague de globalisation des échanges
commerciaux, qui touche tout le monde depuis quelques décennies, les flux commerciaux
ont été extensivement étudiés, tant au niveau académique qu’au niveau de l’établissement
des politiques, pour mieux savoir leurs déterminants et les analyser afin d’établir des
politiques commerciales.
Ce travail s’intéresse aux pays nord africains soit la Mauritanie, l’Algérie, le Maroc, la
Tunisie et l’Égypte où le secteur agricole est un secteur pivot dans l’économie et les
études sur leur commerce agricole et agro-alimentaire sont limitées. L’objectif est
d’étudier les flux d’exportation agricole et agro-alimentaire vers leurs partenaires
majeurs, anciens et communs soit les pays autour de la méditerranée appartenant à
l’Europe et au moyen orient.
Ce travail contient 4 parties : contexte et problématique, revue de littérature,
méthodologie et enfin résultats et discussion.
2
Chapitre 1 : Problématique de recherche
1.1 Commerce international et développement
La mondialisation a entraîné une intégration mutuelle des marchés et des économies à
travers le monde (Atif et al., 2016). Cette intégration a permis une croissance importante
des échanges internationaux des biens et des services dont la valeur a passé de 2,077
billions de dollars américains en 1980 à environ 19,1 billions de dollars en 2014 (Atif et
al., 2016). Le commerce international est considéré comme « variable décisive dans
l’expansion des nations » et il continue d’être un vecteur essentiel du développement de
certaines nations (Rainelli, 2003 ; Won et al., 2005). Grâce à ses apports en termes de
gains quantitatifs et en tant que source de devises, les économistes classiques et
néoclassiques le considèrent comme moteur de croissance économique (Atif et al., 2016).
En termes de production, il est essentiel pour le renouvellement du tissu productif en
encourageant la transformation structurelle vers une production efficace pour laquelle un
pays dispose un avantage comparatif (Rainelli, 2003 et Atif et al., 2016). Selon Atif et al.
(2016), les économies en développement peuvent accroître leur croissance économique
via le développement de leurs exportations en introduisant les technologies de pointe et
l’investissement étranger (Changquan, 2000).
1.2 Implication des pays Nord-Africain dans le commerce international
Les pays Nord-Africain à savoir la Tunisie, le Maroc, l’Algérie, La Mauritanie, l’Egypte
et la Libye (PNA)1, en tant que pays en développement, peuvent tirer profit du commerce
international. Ces pays comptent 20% de la population africaine et génèrent 35 % du PIB
du continent (NEPAD2, 2013). Ils ont opté pour l’ouverture de leur économie afin de
s'intégrer dans l'économie mondiale et d'attirer les investisseurs étrangers (Bouoiyour,
2001). Cette région est considérée comme un marché commercial régional important
(Tamini et al., 2016) et ils sont tous engagés dans des processus commerciaux
multilatéraux et régionaux et aussi signataires d’accords préférentiels bilatéraux et
1 Dans la suite du texte, on désigne par PNA (Pays Nord-Africain) les pays suivants : Tunisie, Algérie, Egypte, Maroc et la
Mauritanie 2
NEPAD: Nouveau Partenariat Pour le Développement de l’Afrique
3
régionaux3. Ils sont tous membres de l’Organisation Mondiale du Commerce (OMC) à
l’exception de l’Algérie et de la Libye. Le tableau (1) résume les différents accords avec
les dates de mise en vigueur.
Tableau 1: Les accords bilatéraux et régionaux dans lesquels les PNA sont impliqués
Accord Pays (PNA) concernés Date de mise en vigueur
Accord bilatéral avec l’AELE4 Egypte Maroc Tunisie
01-08-2007 01-12-1999 01-06-2005
Accord bilatéral avec l’UE Algérie Egypte Tunisie Maroc
01-09-2005 01-06-2004 01-03-1998 01-03-2000
Accord bilatéral avec la Turquie Egypte Maroc Tunisie
01-03-2007 01-01-2006 01-07-2005
Accord bilatéral avec les Etats-Unis
Maroc 01-01-2006
Accord d’Agadir (Afrique ; Moyen Orient (Jordanie))
Egypte, Tunisie, Maroc 27-03-2007
Marché commun pour l'Afrique orientale et australe (COMESA)5 - Adhésion d'Egypte
Egypte, Libye 17-02-1999
Système mondial de préférences commerciales dans les pays en développement (GSTP)6
Algérie, Maroc, Libye, Tunisie
19-04-1989
GAFTA (PAFTA)7 (Afrique et le Moyen Orient)
Maroc, Libye, Tunisie, Egypte
01-01-1998
Source : Compilation des données de l’OMC
3
http://www.blog.saeeed.com/2009/12/dynamique-des-echanges-commerciaux-en-afrique-du-nord/ consulté le 26/06/2017 4
European Free Trade Association (EFTA): Islande, Liechtenstein, Norvège et la suisse 5
Common Market for Eastern and Southern Africa (COMESA) 6
Global System of Trade Preferences among Developing Countries (GSTP) 7
Pan-Arab Free Trade Area (PAFTA)
4
Les accords sont variés (bilatéraux et régionaux) et en partenariat avec plusieurs
partenaires dispersés géographiquement. Ils existent des partenaires communs ainsi que
des partenaires non communs tels que les États-Unis (partenaire unique pour le Maroc)
Par ailleurs les PNA à l’exception faite de l’Egypte sont fondateurs de l’Union du
Maghreb Arabe (UMA) depuis 1989 suite au traité du Marrakech8. Les PNA font partie
de l’Union pour la Méditerranée (UpM). L’UpM regroupe les 28 pays de l’UE et 15 pays
du Sud et de l’Est de la méditerranée. Cette union,encore appelé la coopération
EUROMED, visant l’intensification des échanges dans la méditerranée (Darbot-
Trupiano, 2007), a été lancée par le processus de Barcelone (1995-2004) afin de créer une
zone de libre-échange entre l’UE et chacun des pays méditerranéens prévue pour 2010
(García‐ Alvarez‐ Coque, 2002 ; Corrons et al., 2004; Emlinger et al., 2006). Les
accords bilatéraux avec l’UE énumérés dans le tableau (1) sont les résultats de l’UpM. La
Mauritanie était le dernier pays qui a rejoint cette coopération en 2007 (DREVET J. F,
2016)9. Le Maroc et la Tunisie bénéficient d’un “statut avancé” offert par l’UE depuis
respectivement 2008 et 2012 (DREVET J. F, 2016). Actuellement l’UE et la Tunisie
négocient l’ALECA (Accord de Libre Échange Complet et Approfondi). Cet accord vise
la concrétisation du partenariat privilégié obtenu en 201210.
1.3 Le commerce des PNA et la part du commerce agricole et agroalimentaire
Ces pays commercialisent plusieurs biens et services (marchandises et services
commerciaux). Les marchandises échangées sont essentiellement : les carburants et les
produits miniers, les produits manufacturés et les produits agricoles. Les services sont
essentiellement ; le transport et les voyages et autres services non spécifiés à côté des
biens liés aux services avec une proportion faible ou même nulle selon le pays. Le
commerce des marchandises pour l’année 2014 représente une valeur de 87.35%,
63.39%, 84.18%, 56.76%, et 32.38% du PIB respectivement de la Tunisie, le Maroc, la
Mauritanie, l’Algérie et l’Egypte (OMC, 2017). Ces valeurs témoignent l’importance du
commerce des marchandises pour ces pays.
Le tableau (2) résume le profil commercial (des marchandises) de ces pays pour l’année
8
http://www.maghrebarabe.org/fr/uma.cfm consulté le (10/06/2017) 9
DREVET J. F, (2016). Le Maghreb et l’Union européenne (UE) Revue de la géopolitique. Disponible sur : http://www.diploweb.com/Le-Maghreb-et-l-Union-europeenne.html consulté le (14/06/2017) 10
http://www.aleca.tn/decouvrir-l-aleca/presentation-de-l-aleca/ consulté le (14/06/2017)
5
2015.
Tableau 2: Commerce des marchandises des PNA en 2015 (en %)
Marchandises Egypte Libye Tunisie Algérie Maroc Mauritanie
Carburants et produits miniers
X 25,2 48,8 8,7 88,5 10,3 44,6
M 21 2,7 17,7 6,1 22,5 15
Produits manufacturés
X 48,9 2,5 76,5 2,9 68,7 -
M 55,8 84,1 69,1 73 64,2 56,8
Les produits agricoles
X 26 0 14,9 0,7 21 41,2
M 23,2 13 13,1 20,9 13 20,2
Autres X - 48,7 - 7,9 - 14,2
M - 0,2 - - - 8
Source : compilation des données de l’OMC, 2017
X : exportation ; M : importation
Le profil commercial diffère d’un pays à l’autre. Le secteur agricole occupe soit le
deuxième ou le troisième rang. Pour la Libye et l’Algérie la part de ce secteur est très
faible surtout du côté des exportations. Ces deux pays commercialisent essentiellement
les carburants et les produits miniers et ils sont typiquement importateurs de produits
agricoles. Pour les autres pays (Maroc, Tunisie, Mauritanie et Egypte), le secteur agricole
est le deuxième secteur d’exportation avec des parts différentes dont la plus importantes
est celle de la Mauritanie avec 41.2% du total des marchandises exportées. Du côté
importation des produits agricoles, l’Egypte enregistre le score le plus élevé avec 23.2%.
Le secteur agricole dans ces pays occupe une place importante de point de vue
économique et surtout sociale (emploi et sécurité alimentaire). En méditerranée,
l’importance du secteur dans l’économie est liée à la fois au rôle important du secteur
agroalimentaire dans les pays situés sur le pourtour de la méditerranée et à son poids dans
l’échange entre les deux rives de la méditerranée (Crescimanno et al., 2013).
6
1.4 Importance du commerce agricole dans les PNA et dans l’ensemble de la région
1.4.1 Secteur agricole dans les PNA
En 2014, le secteur agricole a contribué au PIB national à raison de 11% pour l'Egypte et
l’Algérie, 13% pour le Maroc et 9,68% pour la Tunisie. Cette contribution est plus
importante pour le cas de la Mauritanie avec 20,77% du PIB national (BM, 2017). Le
tableau 3 présente la contribution du secteur de 2013 à 2015. Ce secteur revêt une
importance économique ainsi qu’au niveau de la sécurité alimentaire, d’emplois et de
revenus (CEA-AN, 2012).
Tableau 3: Contribution économique (%PIB) du secteur agricole
Pays PIB agricole (% du PIB total)
2013 2014 2015
Algérie 10,64 11,07 12,67
Egypte 10,99 11,08 11,18
Mauritanie 19,71 20,77 --
Maroc 14,69 13 14,47
Tunisie 9,43 9,68 9,68
Source : Compilation des données de la Banque Mondiale, 2017
De point de vue emploi : l’agriculture occupe 30% de la population active totale de ces
pays et il représente la source de revenu de 75% à 80% de la population rurale11. Par
pays, ce secteur occupe respectivement 37.2 %, 27.55%, 8.78% de la population active
du Maroc, l’Egypte et de l’Algérie pour l’année 2014 (BM, 2017). Ce secteur est la
principale source de revenu en milieu rural si n’est pas la seule dans ces pays (Corrons et
al., 2004). Il représente un axe important pour le développement territorial et la lutte
contre la pauvreté en milieu rural (CEA-AN, 2012). Le tableau (4) contient plus de
détails sur la contribution du secteur dans l’emploi pour les années 2013, 2014 et 2015.
11
la population rurale dans ces pays est respectivement de 40%, 40 % , 57% , 33% et 29% de la population totale en 2015 (BM, 2017) pour la Mauritanie, le maroc, l’Egypte, la tunisie et l’algérie (CEA-AN, 2012)
7
Tableau 4: contribution des différents secteurs dans l’emploi
Pays Algérie Egypte Maroc Tunisie
Secteur / année
AGR SRV IND AGR SRV IND AGR
SRV IND
AGR
SEV IND
2013 10,85 44,49
29,64 27,96 47,93 24,11 38 44,3 17,5 15,3
51 33,26
2014 8,78 25,51
30,43 27,55 48,04 24,41 37,2 44,9 17,7 -- -- --
2015 -- -- -- 25,84 49,07 25,09 -- -- -- -- -- --
Source : Compilation des données de la Banque Mondiale, 2017
Légende : AGR : agriculture ; SRV : services ; IND : industrie
Ce secteur est le deuxième secteur d’emploi pour le Maroc et l’Egypte après le secteur
des services. Pour la Tunisie et l’Algérie, il vient en troisième rang.
Du côté commerce, la part des exportations de la production nationale agricole diffère
d’un pays à l’autre. Pour Tunisie, les exportations agricoles représentent en moyenne
30% de la production totale pour la période 2005-2010. Au Maroc, elles représentent en
moyenne 20% durant la même période. Par contre cette part est négligeable pour
l’Algérie et marginale pour le cas de la Mauritanie (CEA-AN, 2012). Le tableau 5
contient la part des productions agricoles exportées et les revenus tirés en pourcentage de
PIB en 2010.
Tableau 5: Part des exportations agricoles et leur part en termes de PIB en 2010
Pays Exportations agricoles (% de la production totale)
Revenus tirés des exportations agricoles (% PIB)
Tunisie 22. 5 3
Maroc 19.3 3.4
Algérie 2.3 0.19
Mauritanie Marginale --
Source : CEA-AN, 2012
8
Bien que ces pays soient dotés de grandes ressemblances des conditions climatiques et
des pratiques culturales et qu’ils font face aux mêmes problèmes de rareté de certaines
ressources essentiellement hydrauliques (Belhaj hassine, 2006), le secteur agricole dans
ces pays contribue différemment aux exportations et dans le PIB national. Les ressources
en terres arables est un facteur déterminant de production qui affecte le potentiel de
commerce des pays. Les PNA possèdent 2,57% des terres arables totale au monde par
contre sa part dans le PIB mondial est de 0,68% en 201612 (BM (2019). Ces ressources en
terre et les conditions climatiques favorables représentent un avantage comparatif
important pour le commerce agricole et agroalimentaire.
1.4.2 Les échanges agricoles et agroalimentaires des PNA avec ses partenaires
1.4.2.1 Les échanges régionaux entre les PNA (intrarégionaux)
Malgré les efforts fournis par ces pays pour renforcer l’intégration régionale, les
échanges entre ces pays restent limités et n’atteignent pas le niveau attendu et visé.
Plusieurs études ont prouvé ce constat. L’étude d’Achy (2007) a montré que la région est
caractérisée par une extrême faiblesse du commerce intrazone et d’un déficit
d’intégration (Achy, 2007). Le commerce intrazone est l’un des plus faibles dans le
continent (CEA-BAF, 2013) et il est dix fois plus faible par rapport à son potentiel. Ceci
prouve l’existence d’un potentiel largement inexploité (Achy, 2007).
En 2016, une étude empirique (Tamini et al., 2016) a démontré que le potentiel
commercial de ces pays n’est pas pleinement exploité prouvant ainsi le même constat ci-
haut. À une échelle désagrégée, les scores d’efficacité commerciale sont variables d’un
pays à l’autre. La Mauritanie semble la moins efficace et la Tunisie suivie du Maroc a les
scores d’efficience les plus élevés. Pour les produits agricoles, l’efficacité commerciale
est relativement faible et montre une inefficacité au-delà et à l’intérieur des frontières
(Tamini et al., 2016). Bien que cette région soit considérée comme un grand marché du
commerce régional, le commerce intra régional est parmi les plus faibles dans le monde.
Quoique l’intégration régionale représente plusieurs avantages à savoir constituer un
poids et un pouvoir de négociation plus important devant leurs partenaires communs13. Il
semble que ces pays accordent plus d’importance à leurs partenaires européens, profitants
12 https://donnees.banquemondiale.org consulté le 17/10/2019 13
http://www.blog.saeeed.com/2009/12/dynamique-des-echanges-commerciaux-en-afrique-du-nord/ consulté le 25/06/2017
9
d’accords commerciaux plus avantageux et de relations historiques particulières14 et leur
intérêt vers cette région laisse peu de place pour un échange interrégional.
1.4.2.2 L’Union européenne : Partenaire dominant
L’activité commerciale des pays de l’Afrique du Nord est fortement concentrée sur
l’Europe. Cette concentration montre une dépendance par rapport à l’UE. Elle est
confirmée par les importations et les exportations de ces pays, faisant clairement
apparaitre l’UE comme un principal partenaire. Ce constat est confirmé par les chiffres
du tableau 6 montrant l’importance de ces pays comme pays de destination et d’origine
pour le commerce des PNA.
Tableau 6: Part de l’UE dans le commerce des marchandises des PNA (%)
Pays UE pays de destination (X) UE pays d’origine (M)
Algérie (en 2015) 66,3 49,3
Tunisie (en 2015) 74,6 55,8
Maroc (en 2015) 63,5 52,7
Égypte (en 2014) 29,4 31,5
Mauritanie (en 2015) 22,3 31,3
Libye (en 2010) 82 31,5
Source : Compilation des données de l’OMC, 2017
Tous produits confondus, l’UE est un partenaire important pour les PNA. La moitié des
importations ou plus de la Tunisie, le Maroc et l’Algérie ont comme origine l’UE et pour
les trois autres pays, cette part est le tiers des importations. Comme pays de destination,
l’UE reçoit une grande partie des exportations de la Tunisie, de l’Algérie et le Maroc
respectivement cette part est de 74,6 %, 66,3 % et 63,5. Par contre cette part est moindre
pour la Mauritanie et l’Égypte, respectivement de 22,3 % et 29,4 %, mais l’UE reste un
partenaire important ; la deuxième destination pour la Mauritanie après la Chine et pour
l’Égypte ce partenaire est au premier rang (OMC, 2017). Ces chiffres montrent
l’importance du marché européen pour l’ensemble de ces pays.
14
http://www.blog.saeeed.com/2009/12/dynamique-des-echanges-commerciaux-en-afrique-du-nord/ consulté le 25/06/2017
10
Des initiatives ont été entreprises pour renforcer le lien entre les partenaires des deux
rivages méditerranéens (Malorgio, 2010). L’UpM visant le renforcement de la cohésion
régionale et l’amélioration des conditions de croissance et d’intégration en méditerranée a
permis de créer plusieurs projets afin d’atteindre ces objectifs. Toutefois, et malgré
l’importance du secteur agricole surtout dans la rive sud, les propositions de projets n’ont
pas mentionné des actions visant le développement technologique, organisationnel et
productif du secteur agroalimentaire et le résultat n’était pas satisfaisant (Malorgio,
2010).
Selon Malorgio (2010), le secteur agricole est un secteur stratégique pour le
développement économique intégré du bassin méditerranéen. L’importance du secteur
dans l’économie est liée à la fois au rôle important du secteur agroalimentaire dans les
pays situés sur le pourtour de la méditerranée et à son poids dans l’échange entre les deux
rives de la méditerranée. Ceci pourrait justifier la solidité des structures de protection
encore mises en place (Crescimanno et al., 2013). Pour les pays du Sud, il représente un
facteur crucial pour le développement socioéconomique qui répond à leurs ressources et
également important pour la sécurité alimentaire de la population et les aide également à
atteindre un taux de production et d’efficacité commerciale plus élevé. Alors que pour les
pays de la rive nord, c’est plutôt un facteur de complémentarité à la fois pour leur
production et leur activité commerciale (Malorgio, 2010). Les intérêts des pays des deux
rives sont aussi divergents. De leur part les pays de la rive sud demandent la libéralisation
pour les produits dont ils ont des avantages comparatifs (fruits, légumes, les produits de
la mer, l’huile d’olive …) et refusent de libéraliser les marchés agricoles où ils ne sont
pas compétitifs (viandes, produits laitiers et les céréales) (Corrons et al., 2004).
Les PNA sont parmi les plus gros importateurs de céréales (pour consommation animale
et humaine à la fois). Selon Le Mouël et al. (2017) la région du MENA15 est le plus gros
importateur net de céréales, les importations nettes ayant été multipliées par 15 entre
1961 et 2011. Selon ces auteurs, cette augmentation est liée à l’augmentation de la
population et au changement du régime alimentaire. Tout produit agricole compris, les
besoins de ces pays sont couverts par les importations à raison de 40% alors qu’au début
des années soixante elles sont de 10% (Le Mouël et al., 2017). Ces besoins peuvent
augmenter encore plus avec le changement climatique et elles pèseront plus lourd sur le
15
MENA (Middle East and North Africa): les pays du Moyen-Orient et de l’Afrique du Nord
11
budget des États et la dépendance aux importations de la région pourrait s’accentuer et
devenir extrême au Maghreb, au Moyen-Orient et au Proche-Orient (Le Mouël et al.,
2017).
Du côté des exportations, le Tableau 5 montre l’importance du marché européen. Par
ailleurs, les productions agricoles de ces pays présentent un avantage comparatif lié aux
conditions climatiques favorables, à la compétitivité des couts de production et leur
proximité de marché européen. Ils ont ainsi un potentiel important dans le commerce
agricole avec l’Union européenne (belhaj hassine, 2006). Bien qu’il y ait un avantage
comparatif commun, les exportations agricoles vers ces pays diffèrent d’un produit à
l’autre et d’un marché à l’autre.
91,5% des exportations des produits agroalimentaires frais du Maroc sont destinées au
marché européen y compris la Russie dont 38.9 % sont absorbées par le marché français
sur la période (2007-2013)16. À une échelle désagrégée, la structure des exportations
diffère d’un marché à l’autre. L’exportation des tomates fraiches représente 53% des
exportations sur le marché français (en 2012, 79 % des exportations totales de tomates
fraiches) tandis qu’elle représente 9% des exportations sur le marché russe. Cette
situation est inversée pour les agrumes, les exportations étant de 46% sur le marché russe
et uniquement 10% sur le marché français. Pour le cas de la Tunisie, les exportations en
agrumes sont destinées essentiellement au marché français (GIFRUIT, 2015). De cet
exemple on peut affirmer que les exportations agricoles dépendent du produit et du
marché et diffèrent d’un pays à l’autre des PNA. Notant que les exportations peuvent
contribuer à alléger la balance commerciale, il serait intéressant de développer et
accroitre les exportations agricoles et agroalimentaires.
16
Ministère de l’Économie et des Finances : Royaume du Maroc (2014). Performances et compétitivité des exportations marocaines des filières phares du secteur agroalimentaire marocain. https://www.finances.gov.ma/depf/SitePages/publications/en_catalogue/etudes/2014/agroalimentaire.pdf
12
1.5 Les objectifs de recherche
Le secteur agricole dans le pays nord-africain est un secteur économique important
surtout de point de vue d’emploi et développement en milieu rural. L’exportation agricole
et agroalimentaire constitue un apport économique important pour ces pays. Une étude
récente à l'échelle régionale était faite par contre elle porte sur plusieurs secteurs (n’est
pas spécifique au secteur agricole et agroalimentaire) (Tamini et al., 2016) d’autres, plus
anciennes (Achy et al., 2007) et d’autres qui portent sur des filières bien déterminées. Il
parait intéressant ainsi d’étudier les échanges de ces pays avec leurs partenaires de part et
d’autre de la méditerranée : les pays de l’Europe, les pays du Moyen-Orient ainsi
qu’entre eux.
Ce présent travail porte sur les déterminants (économique, historique, géographique …)
de leurs exportations à une échelle agrégée. Les objectifs de recherche sont :
1. Chercher les déterminants des exportations agricoles et agroalimentaires des pays
nord-africains vers leurs partenaires européens. Il s’agit de savoir les facteurs les
plus influents pour chaque produit et pour chaque pays.
2. Analyser l'efficacité commerciale de ces pays, il s’agit d’examiner la possibilité
de l’existence d’un potentiel non exploité dans l’exportation.
À cet effet, la revue de littérature fera l’objet de la recherche des déterminants énumérés
comme influant sur les exportations agricoles et agroalimentaires ainsi que l'examen de la
littérature relative aux approches de détermination du potentiel commercial
13
Chapitre 2 : Revue de littérature
Dans l’analyse du commerce international, une diversité de méthodes est employée. Les
modèles d’équilibre général, les modèles d’équilibre partiel ainsi que les modèles
mathématiques plus simples, tels que le modèle de gravité, sont les principaux modèles
utilisés dans ce type de travaux. Tongeren et al. (2000) notent qu’il n'y a pas de modèle
qui puisse servir toutes les fins. Le choix du cadre théorique, l'étendue de la
désagrégation régionale et sectorielle et le choix des données et des méthodes
d'estimation déterminent le domaine d'applicabilité du modèle. D’autre part, les
utilisateurs potentiels des modèles doivent être conscients des forces et des faiblesses des
approches alternatives (Tongeren et al., 2000).
Ces modèles sont utilisés pour plusieurs fins en commerce international agricole à savoir
: simuler des changements de politiques agricoles et/ou commerciales, analyser les
éléments qui influencent les flux bilatéraux du commerce, évaluer l’impact des crises
sanitaires sur le commerce, évaluer l’effet des accords commerciaux sur le commerce
intra régional et international …
Cette partie est constituée de deux sous-parties : la première partie (Revue de la littérature
empirique) porte sur les différents modèles adoptés pour analyser les flux de commerce
agricole et les variables qui sont prises en compte par chaque modèle et la deuxième
partie (les approches de détermination du potentiel commercial) porte sur la littérature
liée aux approches permettant de déterminer le potentiel commercial d’un pays avec ses
différents partenaires.
2.1 Revue de la littérature empirique
2.1.1 Modèle d’équilibre général calculable
Les modèles d’équilibre général sont des modèles multisectoriels et multirégionaux qui
représentent l’ensemble des transactions dans une économie de marché. Ils représentent
l’ensemble des transactions qui coexistent dans le système économique en incluant les
différents acteurs soit : les producteurs, les consommateurs et les investisseurs ...
Les modèles d'équilibre général calculable (EGC) sont couramment utilisés pour
l'évaluation des réformes de la politique commerciale. Ils sont généralement employés
pour quantifier l'impact d'une modification de la politique commerciale sur le bienêtre
14
des pays et la répartition des revenus entre les pays ou les régions (Ivus et Strong, 2007).
Cette quantification des changements de bienêtre joue un rôle crucial dans la prise de
décision politique. En effet, la modélisation de l'équilibre général prend explicitement en
compte l’interaction entre les différents secteurs de l'économie (Ivus et Strong, 2007). La
modélisation EGC adopte une approche ex ante, pour analyser l'impact des différentes
questions de politique commerciale sur les flux commerciaux bilatéraux entre différentes
entités géographiques, qui consiste à quantifier les effets futurs d'une nouvelle politique
(Jayasinghe et Sarker, 2004 ; Ivus et Strong, 2007). D'un autre côté, les modèles EGC
sont généralement utilisés pour quantifier l'impact d'une modification de la politique
commerciale sur les niveaux de bienêtre des pays et la répartition des revenus entre les
régions (plusieurs pays) (Ivus et Strong, 2007).
L'une des principales motivations sous-jacentes à l'utilisation des modèles EGC est de
pouvoir envisager des changements de politique à grande échelle en utilisant l'économie
actuelle comme référence. La politique commerciale est intrinsèquement un problème à
grande échelle. Même un changement d'échelle dans une seule industrie peut entrainer
des conséquences drastiques et inattendues étant donné les liens en amont et en aval de
l'économie. Les MEGC prennent en considération ces interdépendances afin d'analyser
l'impact total des changements de politique (Ivus et Strong, 2007 ; Tongeren et Meijl,
1999 ; Hess et Cramon-Taubadel, 2006). Ils contiennent généralement des détails
complets sur les entrées-sorties, mais ils contiennent en plus des équations qui décrivent
la réponse comportementale des producteurs, des consommateurs, des importateurs et des
exportateurs et éventuellement d'autres agents de l'économie. Les modèles EGC sont
spécifiquement concernés par les problèmes d'allocation des ressources, c'est-à-dire
lorsque l'allocation des facteurs de production sur des utilisations alternatives est affectée
par certaines politiques ou des développements exogènes (Tongeren et Meijl, 1999).
Ces modèles couvrant l'ensemble de l'économie saisissent les implications du commerce
international pour l'économie dans son ensemble, à travers le flux circulaire des revenus
et des dépenses et en prenant soin des relations interindustrielles (Tongeren et al., 2001).
L'agrégation sectorielle, que les MEGC adoptent, ne permet pas l'analyse de marché
spécifique (Jayasinghe et Sarker, 2004) d’une manière isolée de l’économie. Les modèles
CGE comme GTAP peuvent être désagrégés pour étudier plus en détail un secteur en
particulier tout en maintenant des liens avec des secteurs plus agrégés.
15
Une grande partie de ces modèles sont encore opérationnels et sont actuellement utilisés
pour l'analyse des politiques et des perspectives. Du coup, ils sont dans un état continu de
flux d'évolution à travers des mises à jour et des changements successifs (Tongeren et
Meijl, 1999). La modélisation GTAP (Global Trade Analysis Project) est l’une des
modélisations les plus récentes dont les principes directeurs du cadre de cette
modélisation GTAP sont la flexibilité, la facilité d'utilisation, la transparence et le
traitement symétrique des principes de base de la production et de l'utilité dans toutes les
régions (Hertel, 2012). Le GTAP est apparu pour la première fois au milieu des années
1980 et il a connu un grand succès par la suite en tant que base de données. Le GTAP
fournit une base de données économiques mondiales qui s'efforce d'enregistrer les flux
annuels de biens et de services pour l'ensemble de l'économie mondiale au cours de
l'année de référence (Hertel, 1997). Des versions successives de cette base de données ont
été créées et continuent d’évoluer. Quant au secteur agricole, le modèle GTAP-AGR
représente une version spéciale du modèle GTAP, conçue pour capturer certaines
caractéristiques structurelles des marchés agricoles mondiaux qui ne sont pas bien
reflétées dans le modèle GTAP standard. Ces caractéristiques sont requises afin de
fournir une représentation plus réaliste du système agricole et alimentaire (Keeney et
Hertel, 2005).
Bach et al. (2000) analysent l'effet de l'élargissement de l'UE en se concentrant sur les
secteurs et les politiques agricoles, tels que la Politique agricole commune (PAC) et la
proposition de l'Agenda 2000 de la Commission européenne. Brown (1993) et François et
Shiells (1994) ont analysé les effets de l'ALENA à travers un modèle EGC. Ils ont
constaté que la création d'échanges dominait le détournement des échanges.
2.1.2 Modèle d’équilibre partiel Les modèles d’équilibre partiel sont des modèles plus restreints que les MEG dont
l'accent est mis sur un secteur de l'économie. Les effets intersectoriels ne sont pas pris en
compte dans ce type de modèles (Ivus et Strong, 2007). Ces modèles peuvent être mono
ou multiproduits. Les modèles multi produits sont capables de saisir les interrelations
entre l'offre et la demande parmi les produits agricoles. La plupart des modèles partiels
représentent les relations d'offre et de demande qui existent dans les marchés étudiés. Ils
intègrent également des variables exogènes telles que le changement technique et le
revenu des ménages (Tongeren et Meijl, 1999 ; Tongeren et al., 2001).
16
Les modèles partiels traitent les marchés internationaux pour un ensemble sélectionné de
biens échangés, par ex. produits agricoles. Ils considèrent le système agricole comme un
système fermé sans liens avec le reste de l'économie (Tongeren et al., 2001). En
commerce international agricole, les modèles partiels sont généralement axés sur le
commerce des produits de base. C'est-à-dire qu'ils saisissent l'offre, la demande et le
commerce de produits agricoles non transformés ou de première transformation sans tenir
compte du commerce des produits alimentaires transformés bien que ces derniers
représentent une part croissante du commerce mondial (Tongeren et Meijl, 1999 ;
Tongeren et al., 2001).
Le principal domaine d'application des modèles d'équilibre partiel est l'analyse détaillée
de la politique commerciale de produits spécifiques, qui ne représentent qu'une petite
partie des activités de l'économie en question. Cette condition (de petit secteur) implique
que les changements induits par les politiques sur le reste de l'économie (en dehors du
secteur agricole) sont si faibles qu'ils peuvent être ignorés en toute sécurité (Tongeren et
Meijl, 1999 ; Badri et al., 2009).
Abbassi et al. (2016) ont utilisé un modèle d’équilibre partiel pour le secteur laitier
tunisien. L’objectif était de chercher l’impact de la suppression de la politique du prix
minimum sur le marché, à la suite de la libéralisation du secteur envisagé par la
négociation de la zone de libre-échange profonde et complète UE-Tunisie. Pour le même
secteur, Abbassi et al. (2008) ont utilisé un modèle d’équilibre spatial pour simuler les
impacts de divers scénarios de libéralisation des échanges dans l'industrie laitière
canadienne.
L’application de ce type de modèle intègre des variables des paramètres de la politique
commerciale intérieure ainsi que des paramètres de la politique commerciale
internationale. Comme les modèles d’équilibre général, les modèles d’équilibre partiel
nécessitent le calibrage pour avoir de meilleurs résultats.
2.1.3 Modèle de gravité
L’approche gravitationnelle est utilisée principalement dans l'analyse des flux de
commerce. Tinbergen (1962) et Pöyhönen (1963) ont été les premiers économistes à
utiliser une équation de type gravitaire (Nguyen, 2010 ; Sevela, 2002 ; Ivus et Strong,
2007). Depuis, il est devenu l’un des modèles utilisés dans l’analyse du commerce
international et il a connu un grand succès dans ce type d’analyse. Il était également
17
utilisé pour d’autres objectifs soient : les flux d’investissement direct étranger,
l’immigration, le tourisme ...
Une approche par modèle de gravité, même avec sa formulation assez simple, est
particulièrement efficace dans l'analyse du commerce international (Anderson, 2011 ;
Crescimanno et al., 2013). Le modèle gravitaire a été largement utilisé au cours des 50
dernières années dans l'analyse du commerce bilatéral entre pays d'origine et pays
partenaires pour expliquer les déterminants, le potentiel et l'orientation des flux
bilatéraux, expliquer et prédire les effets des accords de libre-échange sur les flux
commerciaux dans divers secteurs y compris le secteur agricole et agroalimentaire
(Crescimanno et al., 2013). Auparavant, une approche ex post était l’approche adoptée
par le modèle de gravité pour l'analyse des politiques commerciales. Cette approche
mesure l'effet d'une politique commerciale passée sur les flux commerciaux en expliquant
la structure du commerce bilatéral, mais elle ne fournit pas des estimations directes des
couts sociaux comparativement aux MEGC (Ivus et Strong, 2007). Par contre les modèles
gravitaires structurels, développés depuis quelques années, permettent de réaliser des
expériences contrefactuelles (Yotov et al., 2016). Head et Mayer (2014) ont noté que
suite à ces modélisations récentes le modèle de gravité a eu un autre usage permettant
d’avoir les effets d’une politique donnée sur le bienêtre (calculer les changements de
bienêtre implicite). Ceci est possible en utilisant les estimations de la gravité en
combinaison avec des expériences de politique commerciale. Du coup, ils considèrent
qu’un modèle gravitaire est suffisant pour calculer les gains de bienêtres issus du
commerce notamment les salaires (Head et Mayer, 2014).
Cette approche, inspirée de la loi de gravité de Newton, était le sujet de plusieurs essais
pour fournir une base théorique solide (Anderson, 1979 ; Bergstrand, 1989 ; Deardorff,
1998 ; Anderson et Wincoop, 2003). À la base ce modèle explique les volumes de
marchandises échangés par deux variables soit : le poids économique des partenaires et la
distance qui les sépare (Ivus et Strong, 2007). Plusieurs tentatives d’amélioration ont pris
lieu pour intégrer d’autres variables explicatives qui sont susceptibles d’influencer les
flux de commerce entre les partenaires. Il est devenu courant ainsi d'augmenter l'équation
de base avec un certain nombre de variables supplémentaires (Ivus et Strong, 2007) telles
que la population, les liens historiques, les frontières communes, la langue commune, les
superficies agricoles, l’union monétaire, l’union douanière, les accords préférentiels
18
d’échanges … Une discussion plus élaborée du modèle de gravité et de différentes
variables sont mises en annexe (annexe 1).
Pour les produits agricoles et agroalimentaires, cette approche empirique a été largement
utilisée pour analyser l'impact des différentes questions de politique commerciale sur les
flux commerciaux bilatéraux entre différentes entités géographiques. Les objectifs des
études sont aussi diversifiés dont : Évaluer les principaux déterminants des exportations
agricoles et l’analyse du potentiel d’exportation (Atif et al., 2016 ; Crescimanno et al.,
2013), analyser les effets de la création et du détournement d'échanges d’un accord de
libre-échange (Jayasinghe et Sarker, 2004 ; Rakhal et Jayasinghe, 2007).
La spécification du modèle, la nature et le nombre des variables introduites dans le
modèle varient d’une étude à l’autre, tout dépend des objectifs recherchés. Des modèles
simples et augmentés (ou étendus) ont été employés selon le besoin des chercheurs. Ces
modèles sont souples permettant d’inclure plusieurs variables de différentes natures.
Dans le même contexte géographique de la présente étude (l’Afrique du Nord), Achy al.
(2007) ont utilisé cette approche pour étudier le commerce intrarégional pour l’ensemble
des secteurs y compris le secteur agricole et agroalimentaire. Ceci en utilisant le PIB, PIB
par tête, la distance, la superficie, l’existence d’une frontière maritime, frontière et langue
commune, les liens coloniaux, l’existence d’un accord préférentiel d’échanges comme
variables explicatives dans le modèle de gravité. Une étude plus récente réalisée par
Tamini et al. (2016) étudiant aussi le commerce intrarégional en Afrique du Nord des
différentes catégories des produits. Dans leur modèle, ils ont utilisé les indices de
résistance multilatérale, la production totale du pays d’origine et les dépenses totales du
pays partenaire ainsi que le cout du commerce englobant plusieurs variables explicatives
sous-jacentes qui sont : la distance, les frontières communes, le temps ainsi que d’autres
variables spécifiques au contexte géographique spécifiant les relations bilatérales entre
les pays partenaires ou la relation avec l’Union européenne. Ces dernières sont
employées pour rechercher l’effet des conflits géopolitiques entre l’Algérie et le Maroc,
le statut avancé obtenu par le Maroc de la part de l’UE et le changement politique dans la
région qui a eu lieu en 2011-2012, à la suite du soulèvement populaire en Tunisie et en
Égypte, ainsi que la crise alimentaire et économique ayant lieu en 2007-2008-2009. De
cette étude il en résulte que la distance, les tensions politiques, les conflits géopolitiques
entre le Maroc et l’Algérie, la crise sociopolitique de 2011 ainsi que la contigüité entre
l'Algérie et les autres pays (sauf l'Égypte) ont des impacts négatifs sur les flux du
19
commerce. Cependant les effets du statut avancé obtenu par le Maroc de la part de l’UE
et des crises alimentaires et économiques mondiales ne sont pas significatifs.
Plusieurs autres études analysant les flux de commerce des produits agricoles et
agroalimentaires ont été réalisées dans d’autres contextes géographiques (Sevela, 2002 ;
Atif et al., 2016, Crescimanno et al., 2013 ; Erdal et al.,2012 ; Nguyen, 2010 ; Olper et
Raimondi,2008 ; Erdem et Nazlioglu, 2008) en employant l’approche gravitationnelle.
Atif et al. (2016) ont employé cette approche pour les déterminants et le potentiel
commercial des exportations agricoles du Pakistan. Les variables explicatives utilisées
sont : le PIB des deux pays d’origine (Pakistan) et de destination comme variables
reflétant le poids économique des pays correspondants et des variables explicatives liées
aux couts du commerce qui sont : la distance entre les capitales, les tarifs, le taux de
change, frontière et langue commune, les liens historiques et l’existence d’accord
préférentiel d’échange avec les partenaires. La même approche a été utilisée par
Crescimanno et al. (2013) pour analyser les exportations italiennes des produits agricoles
et agroalimentaires vers les pays partenaires méditerranéens non membres de l'UE. Ils ont
fait recours au PIB, la distance, la superficie agricole, les liens coloniaux et l’existence
d’un accord d’association entre l'Italie et le pays partenaire comme variables explicatives
dans le modèle de gravité.
2.1.4 Le choix d’une approche et sa justification
Prenant en compte l’objectif de ce travail de recherche, le modèle de gravité est plus
adéquat pour les atteindre. Les modèles d’EGC et d’EP sont des modèles qui englobent
des analyses plus larges que celles recherchées par le présent travail surtout en termes
d’effet d’équilibre général et de bienêtre. Ces modèles sont exigeants en termes de
variables et de données tels que les élasticités (de production, de consommation, de
demande, d’offre ...) qui doivent être déjà disponibles ou déjà trouvées dans d’autres
travaux. Ce genre de données n’est pas facile à se procurer surtout lorsqu’il s’agit des
pays en développement. Le besoin de calibration de ces modèles pourrait aussi poser un
problème.
Le modèle de gravité est celui adopté alors pour accomplir les objectifs. En fait ce
modèle s’est imposé comme un outil empirique efficace pour l’analyse de flux
commerciaux bilatéraux : explorer les flux commerciaux entre les partenaires, étudier les
20
principaux déterminants des flux commerciaux entre les pays ainsi que l’analyse du
potentiel commercial.
Limites du modèle de gravité
Les auteurs intègrent généralement plus de variables explicatives dans le modèle de
gravité pour éviter la sous-spécification du modèle (Sévèla, 2002). Mais le désavantage
principal de cette approche est très souvent l'augmentation de la multicolinéarité, qui
détruit aussi les estimations (Sévèla, 2002). Du coup il est essentiel de vérifier, lors de
l’estimation des paramètres, s’il existe de la multicolinéarité entre les variables, en faisant
recours à des tests statistiques appropriés.
Dans l'analyse des flux commerciaux bilatéraux, trouver des observations nulles ou
manquantes est assez commun et ceci constitue un problème lors de l'estimation des
équations de gravité log-linéaires (Meilke et al., 2012, Frankel, 1997). Les valeurs nulles
sont en raison des niveaux d'échange trop faibles pour être enregistrés et il n'est pas
toujours possible de déterminer si leur commerce est littéralement nul, ou est très petit et
a été arrondi à zéro (Frankel, 1997 ; Silva et Tenreyro, 2006). Selon Frankel (1997), la
petite taille des pays ou leurs éloignements sont les principales raisons derrière la
faiblesse des échanges. Ce qui pose problème ici c’est que la procédure standard consiste
à prendre les logarithmes de l'équation de la gravité multiplicative originale afin de
pouvoir l'estimer sous forme linéaire alors que ce n’est pas possible de prendre le log de
zéro puisqu’ils ont un logarithme indéfini (Frankel, 1997 ; Silva et Tenreyro, 2006). D’où
la nécessité de traiter ces flux de commerce nul.
Pour résoudre le problème, les chercheurs ont fait recours à différentes techniques.
Frankel (1997) énumère 3 approches qui ont été soulevées dans la littérature. La première
s’agit simplement d’omettre les paires nulles de l'ensemble de données, mais ceci pourrait
biaiser les résultats. La deuxième consiste en une substitution des petits nombres
arbitraires à la place des zéros. Bien que cette dernière stratégie permette à l'ordinateur
d'exécuter la régression linéaire des moindres carrés ordinaires (MCO), elle a un
inconvénient évident est que c'est ad hoc et un autre inconvénient moins évident est que
le log d'un petit nombre positif, bien que non infini négatif, est toujours un nombre
négatif qui est très grand (en valeur absolue). La régression des MCO en effet donne plus
de poids aux valeurs extrêmes, qu'elles soient grandes ou petites. Du coup, les paires
nulles pourraient alors recevoir un poids trop important dans les estimations. La troisième
stratégie s’agit d’utiliser un Tobit pour faire l’estimation. Un Tobit est une technique qui
21
estime des paramètres séparés pour déterminer si une observation est non nulle, puis pour
déterminer quels sont les coefficients conditionnels à ce que l'observation soit différente
de zéro (Frankel, 1997).
Meilke et al. (2012) ont fait recours le modèle de sélection de Heckman pour traiter ce
problème. Le modèle de sélection des échantillons est un outil novateur dans la littérature
sur le commerce bilatéral bien qu’il ait été largement utilisé dans d'autres domaines de
l'économie appliquée. Selon Meilke et al. (2012), ce modèle offre une solution
théoriquement saine et économiquement élégante pour inclure les flux commerciaux nuls
dans le modèle de gravité du commerce bilatéral. Ces chercheurs ont conclu que le fait
d'ignorer le biais de sélection affecte rarement les signes de variables, mais influence
souvent l'ampleur, la signification statistique et l'interprétation économique des effets
marginaux. Du coup ils suggèrent que lorsque des flux commerciaux nuls sont
prédominants, dans un ensemble de données commerciales, le biais de sélection doit être
pris en compte dans l'estimation du modèle de gravité (Meilke et al., 2012).
Silva et Tenreyro (2006) suggèrent la méthode PPML (Poisson pseudo-maximum-
likelihood) pour résoudre les différents problèmes d’estimation du fait que c’est un
modèle robuste à différents modèles d’hétéroscédasticité et fournit un moyen naturel pour
traiter les zéros.
2.2 Approches de détermination du potentiel commercial
La littérature sur les potentiels commerciaux définit généralement les potentiels
d'exportation bilatéraux comme étant la différence entre les exportations réelles
(observées) et le niveau des exportations attendu compte tenu des caractéristiques de la
paire de pays (Ruiz et Vilarrubia, 2007). Ce paragraphe porte sur les méthodes de calcul
du potentiel de commerce repérées dans la littérature.
2.2.1 La simulation à partir des résultats estimés par le modèle de gravité
Parmi l’ensemble des utilisations possibles du modèle de gravité : le calcul des potentiels
d’échange. Le potentiel est défini comme étant le ratio entre les échanges simulés (à
partir d’une équation de gravité estimée sur un échantillon de référence) et les échanges
observés (Fontagné et al., 2002). Il s’agit d’estimer une équation de commerce bilatéral
fondée sur le modèle de gravitation des échanges pour un échantillon de pays de
référence et à utiliser dans un deuxième temps cette équation en simulation, pour des
22
pays de l’échantillon ou pour des pays hors échantillon échangeant avec les pays de
l’échantillon (Fontagné et al., 2002).
Plusieurs études utilisent les estimations du modèle de gravité pour calculer le potentiel
commercial (Achy et al., 2007 ; Fontagné et al., 2001 ; Söderling, 2005 ; Ruiz et
Vilarrubia, 2007 ; Fontagné et al., 2002). Cette méthodologie a été critiquée par Egger
(2002). Il considère que cette mesure est inutile puisque les résidus devraient être dus
bruit blanc, du coup tout écart systématique du commerce réel par rapport au commerce
prévu devrait être interprété comme découlant des variables omises lors de la
spécification du modèle. Ceci pourrait introduire un biais dans les résultats de l'estimation
si ces variables omises sont corrélées avec les autres variables explicatives. Ainsi Egger
(2002) suggère d'utiliser des estimations hors échantillon des potentiels commerciaux.
Une autre possibilité consiste à utiliser des données de panel et à introduire des effets
spécifiques à la paire de pays, prenant ainsi explicitement en compte les effets non
observables omis (Egger, 2002 ; Fontagné et al., 2002). D’une manière plus détaillée,
même si la méthode est la même, le calcul (ou la formule) mathématique employé peut
changer d’une étude à l’autre, mais ils se basent tous sur les estimations du modèle de
gravité (Ruiz et Vilarrubia, 2007 ; Achy et al., 2007 ; Fontagné et al., 2001 ; Söderling,
2005).
Achy (2007) a utilisé cette méthodologie afin de prédire le potentiel de commerce dans la
région de l’Afrique du Nord pour l’ensemble des secteurs économiques. Nugent (2002) a
aussi opté pour la même méthode pour examiner le potentiel commercial des pays du
Moyen-Orient et de l’Afrique du Nord (MENA) tant intrarégional qu'extrarégional.
2.2.2 La méthode de frontière stochastique : modèle gravité à frontière stochastique
La frontière stochastique est une méthodologie récemment introduite dans l’analyse du
commerce international. L’estimation du potentiel commercial et l’évaluation de
l’efficacité commerciale des pays sont inspirées de la technique développée par Aigner et
al. (1977) en économie de la production. Cette dernière a été utilisée dans l’évaluation de
la performance des entreprises. Un modèle à frontière stochastique postule des frontières
de possibilités de production représentant le niveau optimal de production obtenu à partir
d'intrants disponibles fixes. Une entreprise efficace opère sur la frontière de possibilité de
production alors qu’une entreprise inefficace opère à l'intérieur du niveau frontière.
23
Cette dernière subit une perte de production égale à la différence entre la production
réelle et la production potentielle. Cette perte est due à l’inefficacité technique (Atif et al.,
2016).
Kalirajan (2007) a introduit la frontière stochastique dans le modèle de gravité pour
déterminer l'impact de la résistance spécifique aux flux commerciaux bilatéraux entre
deux pays. Ainsi une frontière commerciale stochastique représentant le niveau
maximum de commerce bilatéral pourrait être interprétée en utilisant un modèle de
gravité (Tamini et al., 2016). Selon Atif et al. (2016) et (Ravishankar et Stack, 2014), ces
frontières commerciales bilatérales sont influencées par un terme d'erreur positif ou
négatif généré dans le modèle permettant à la frontière commerciale générée de fluctuer
aléatoirement en fonction de la partie déterministe du modèle de gravité. Ainsi des
estimations d'efficacité commerciale spécifiques au pays et variant dans le temps peuvent
être obtenues (Ravishankar et Stack, 2014, Tamini et al., 2016). L'efficacité commerciale
est conditionnée par les variables des pays de destination et d'origine ainsi que par
certaines variables caractérisant la relation bilatérale (Tamini et al., 2016). Si deux pays
atteignent des niveaux élevés d'intégration, ils vont opérer sur la frontière commerciale et
réaliser leur potentiel commercial maximal (Tamini et al., 2016). L'ampleur observée du
commerce peut être comparée aux valeurs frontières prévues pour chacun des partenaires
commerciaux pour analyser et évaluer les possibilités d’expansion du commerce
(Ravishankar et Stack, 2014, Atif et al., 2016).
Cette méthode s’agit de spécifier le terme d’erreur du modèle de gravité. Ainsi le terme
sera subdivisé en deux composantes : la première composante représente l'efficacité
technique et peut être utilisée pour déterminer dans quelle mesure le niveau réel du
commerce s'écarte du commerce maximal possible (Atif et al., 2016), c'est-à-dire le
pourcentage avec lequel un pays n’atteint pas sa pleine efficacité commerciale. Selon
Anderson et Wincoop (2003), ces écarts sont dus à des résistances commerciales
multilatérales. Ces dernières peuvent conduire à un niveau inefficace de performance
commerciale (Ravishankar et Stack, 2014). Quant à la deuxième composante, elle
explique le bruit statistique provoqué par l'erreur d'estimation (Atif et al., 2016).
La méthode par frontière stochastique est plus intéressante que la précédente. Elle permet
d’estimer le potentiel commercial et elle offre aussi l’avantage d’avoir un aspect
dynamique de l’évolution de l’efficacité et de la performance commerciale (évolution du
score d’efficacité commerciale).
24
Cette méthodologie a été employée par Atif et al. (2016) pour expliquer la variation du
commerce agricole entre les partenaires pour le cas du Pakistan. Dans le même contexte
géographique (Pays nord-africains), Tamini et al. (2016) ont utilisé un modèle de gravité
à frontière stochastique pour analyser le potentiel commercial par rapport au commerce
réel réalisé par les partenaires commerciaux nord-africains. Cette étude suggère que les
efficiences commerciales ont augmenté au fil du temps en particulier pour le Maroc et la
Tunisie. Ces deux pays semblent les plus intégrés d'Afrique du Nord. Quant à l'Algérie,
elle est loin de réaliser son potentiel commercial et n'effectue pas de commerce notable
avec ses premiers pays voisins. La Mauritanie a les relations commerciales les moins
efficaces parmi les pays nord-africains confirmant que les partenaires commerciaux de la
Mauritanie ne sont pas les pays d'Afrique du Nord.
25
Chapitre 3 : Méthodologie
3.1 Spécification du modèle
La forme originale du modèle de gravité est multiplicative, mais pour faire l’estimation
les chercheurs adoptent toujours la forme log-linéaire. Le modèle de gravité à estimer
dans le cadre de ce travail prend donc cette dernière. Suivant la littérature, un modèle de
gravité basé sur des préférences CES (Constant Elasticity of Substitution) inspiré des
travaux de Tamini et al. (2016) et Atif et al. (2016) est spécifié. La spécification est la
suivante :
Ln Xijt = β0 + β1 Ln PIBit + β2 Ln PIBjt +β3 Ln Dij + β4 colji+ β5 comlangij + β6 AA ijt +
β7 contigij+ β8 contig_dzaij+ β9mar_eujt+β10 landlockj +β11 EU04t +β12 EU13t+ EFj +
EFi + EFt +εijt
(1)
Définition des variables et les effets attendus
X ijt : Indique les exportations d’un type de produits donné du pays i (nord-africain) à
destination du pays j (appartenant à l’Union européenne) au cours de l’année t
PIB it : représente le PIB du pays i (pays d'origine des exportations) de l’année t
PIB jt : représente le PIB du pays j (de destination) de l’année t
Dij : C’est la distance géographique entre les capitales des deux pays i et j ou entre leurs
centres économiques respectifs.
Colji : C’est une variable binaire spécifique aux partenaires i et j. Elle prend la valeur de
1 s’il y a un lien historique de colonisation et/ ou culturel entre i et j sinon elle prend la
valeur 0
Comlangij : est une variable binaire spécifique aux partenaires i et j qui prend la valeur
de 1 si les deux pays partagent la même langue officielle.
Contigij : Cette variable est aussi une variable binaire qui capte si les deux pays
partenaires ont des frontières communes, dans ce cas elle prend la valeur de 1 sinon elle
prend 0.
Contig_dzaij : variable similaire à la précédente, mais spécifique au pays d’origine
l’Algérie. Ainsi elle prend la valeur de 1 si le pays de destination ou d’origine a une
frontière avec l’Algérie.
26
Mar_eujt : variable binaire qui prend la valeur de 1 si le pays d’origine est le Maroc et le
pays de destination appartient à l’Union européenne ceci après l'année 2007. Cette
variable est destinée pour capter l’effet de l’accord préférentiel entre le Maroc et l’UE sur
les échanges commerciaux
Landlockj : variable binaire prenant 1 si le pays de destination est un pays enclavé (n’a
pas des frontières marines) sinon elle prend 0.
EU04t et EU13t : variables binaires captant l’effet de l'élargissement de l’UE
respectivement en 2004 (l’intégration de dix pays : la Pologne, la République tchèque, la
Hongrie, la Slovaquie, la Slovénie, la Lettonie, la Lituanie, l’Estonie, Malte, Chypre) et
en 2013 (Inclusion de la Croatie) et 2013 (l’intégration de la Bulgarie et la Roumanie)
prenant la valeur de 1 respectivement après l’année 2004 et 2013 et 0 ailleurs, captant
l’effet de l'élargissement de l’UE. AA ij : C’est une variable binaire spécifique aux partenaires i et j. Elle prend la valeur de
1 s’il y a un accord d’échange entre eux sinon elle prend la valeur 0
EFj, EFi, EFt17: ces variables sont des effets fixes spécifiques respectivement aux pays
d’origine, de destination et à l’année. Ceux-ci permettent de capter les aspects
inobservables, liés aux pays et à l’année. Ces aspects peuvent influencer le commerce
comme la pluviométrie, les dotations en terre qui peuvent influencer le potentiel de
production agricole et par la suite le commerce.
εijt: représente le terme d’erreur d’estimation associé au modèle.
0, 1, …. et 12 sont les paramètres à estimer. Suivant la littérature sur le modèle de
gravité, ceux associés aux PIB, Taux de change, lien historique, accord d’échange auront
ainsi des signes positifs alors que ceux associés à la distance géographique et aux tarifs
auront un signe négatif. Ces paramètres seront interprétés comme des élasticités c’est-à-
dire l’effet de la variation de la variable correspondante au niveau des exportations.
Modèle à frontière stochastique
Suivant Tamini et al. (2016) et Atif et al. (2016), la méthode frontière stochastique est
choisie pour estimer le potentiel commercial et évaluer l’efficacité commerciale.
Ainsi le terme d’erreur associé au modèle dans l’équation (1) est spécifié comme suit :
εijt = νijt − uijt
17
Les effets fixes spécifiques à l’année et aux pays (de destination ou d’origine) (EFjt, EFit EFijt ) n’étaient pas employés étant donné l’objectif de l’étude qui cherche l’effet des variables de même dimension telles que PIBjt et PIBit ).
27
Le modèle prend la forme suivante :
Ln Xijt = β0 + β1 Ln PIBit + β2 Ln PIBjt +β3 Ln Dij + β4 colji+ β5 comlangij + β6 AA ijt +
β7 contigij+ β8 contig_dzaij+ β9mar_eujt+β10 landlockj +β11 EU04t +β12 EU13t+ EFj +
EFi + EFt +νijt−uijt
(2)
Dont ;
νijt: Le terme d’erreur expliquant le bruit statistique dû à l’erreur d’estimation. Ce terme
est supposé suivre la loi normale N (0 ∼ σ2v), suivant la spécification de gravité
conventionnelle (Ravishankar et Stack, 2014)
uijt : Ce terme représente l'efficacité technique et peut être utilisé pour déterminer dans
quelle mesure le niveau d'échange réel s'écarte du commerce maximum / potentiel
maximum. Ce terme est supposé suivre la loi normale N (µ∼ σ2u). Ce terme est toujours
positif.
Suivant Battese et Coelli (1988), Ravishankar et Stack (2014) et Atif et al. (2016),
l’efficacité technique peut être calculée comme suit :
� [��� (��� + ���)] = [ − ɸ [��+��� + ��� ]− ɸ��� + ��� ] ∗ �� [ (��� + ���) + ��2]
Avec ɸ : la fonction de densité des variables aléatoires
Si la valeur de γ est égale à 0, cela signifie qu'il n'y a pas d'écart dû à l'inefficacité.
Considérant que si γ = 1, cela indique qu'il n'y a pas d'écart dans la variance due à
l'exportation dans υ. L'efficacité technique peut être estimée pour chaque paire de pays
allant de 0 à 1. Une valeur égale à 1 indique que le commerce potentiel et réel coïncide
alors qu'une valeur proche de 0 implique que le commerce réel est inférieur au commerce
potentiel (Atif et al.,2016).
Suivant Ravishankar et Stack (2014) et Atif et al. (2016), les paramètres seront estimés
avec la méthode de Maximum de Vraisemblance (MV). Dans cette méthodologie, le
modèle à frontière stochastique (MFS) est la méthodologie appropriée si l'inefficacité est
prouvée comme significative. De plus, nous testerons l'existence de l'efficacité technique
par un test de ratio de vraisemblance unilatéral. Par exemple, H0 : �2=0 est une
28
hypothèse nulle par rapport à l'alternative H1 : �2 > 0. L'acceptation de l'hypothèse nulle
indique que le MFS est réduit aux estimations ordinaires des moindres carrés (MCO)
3.2 Méthode d’estimation
Le modèle sera estimé sur deux étapes. La première étape consiste à estimer le modèle
avec le modèle Probit afin de générer le ratio inverse de Mills qui permet de prendre en
compte les flux nuls existant dans la base. Ce ratio s’interprète comme étant la probabilité
prédite d’observer la variable exogène (le flux de commerce dans ce cadre) pour un pays
i et son partenaire j pour une année t donnée (Gbagbeu, 2013).
La deuxième consiste à faire la régression avec le modèle à frontière stochastique en
intégrant le ratio de Mills comme une variable indépendante additionnelle.
La régression frontière permettra de détecter l’existence d'inefficience commerciale et si
c’est le cas les scores d’efficacité commerciale ainsi le potentiel commercial seront
calculés.
Pour le traitement des données, le logiciel STATA est approprié pour faire la régression.
Ce logiciel permettra de faire les tests statistiques nécessaires : soit les tests de
multicolinéarité, d'hétéroscédasticité et d’autocorrélation ...
3.3. La base de données
Les données ont été collectées sur la période de 1995 à 2016 (Période récente pour faire
l’analyse des flux bilatéraux du commerce agricole et agroalimentaire). Les flux portent
sur 5 pays d’origine et 51 pays de destination appartenant l’Afrique de Nord, le moyen
orient et l’Europe. Les pays pris en considération sont présentés dans l’annexe 2.
Tableau 7 : Sources des données
Données Source
PIB Banque mondiale ($ US)
Distance géographique CPII (en km)
Information sur les liens historiques CEPII
Les volumes exportés / valeur monétaire
WITS ($ US) / UN COMTRADE ($ US)
29
Chapitre 4 : Résultats et discussion
4.1. Analyse descriptive des données La base de données utilisée contient 5500 observations portant sur 5 pays d’origine et 51
pays de destination. La base contient 13 variables ainsi que les effets fixes pays et années
pour capter respectivement les aspects inobservables liés aux pays de destination et
d’origine ainsi que la résistance multilatérale au commerce qui peuvent affecter le
commerce entre eux.
Comme le montre le tableau 8, les variables indépendantes ne sont pas autocorrélées
entre-elles ni avec la variable dépendante. Du coup il n’y a pas de biais dans les résultats
liés à l’autocorrélation.
Tableau 8: Analyse de corrélation entre les variables du modèle
Source : nos résultats
30
Les statistiques descriptives permettent de caractériser quelques aspects de l’échantillon
des pays pris en considération. Ceux-ci sont présentés dans le tableau 9 ci-dessous.
Tableau 9: Statistiques sommaires
Variable Obs Mean Std. Dev. Min Max
Flux de commerce
5500 1,43E+11 7,53E+12 0 4,41E+14
pib_o 5500 7,62E+10 7,61E+10 1,26E+09 3,33E+11
pib_d 5500 3,4026E+11 3,8636E+11 1,29E+09 3,89061E+12
pib_capita_d 5500 22129,95 21229,87 277,977 119225,4
pib_capita_o 5500 2301,939 1290,58 460,9542 5565,134
dist 5500 3016,223 1536,558 400,9532 7695,793
colony 5500 0,028 0,164 0 1
comlang_off 5500 0,348 0,476 0 1
contig 5500 0,028 0,164 0 1
RTA 5500 0,473 0,499 0 1
Contig_DZA 5500 0,012 0,108 0 1
landlocked 5500 0,1 0,3 0 1
MAR_UE 5500 0,409 0,491 0 1
EU04 5500 0,545 0,497 0 1
EU13 5500 0,136 0,343 0 1
Source : Nos calculs Le tableau révèle quelques résultats intéressants. Une déviation standard élevée associée
aux flux de commerce (« Trade » dans le tableau) ce qui montre une dispersion élevée de
ceux-ci autour de leur moyenne. Du côté des pays exportateurs auxquels on s’intéresse :
la déviation standard du PIB est trop élevée ce qui montre une grande différence en
termes de revenu entre ces cinq pays. De même pour le PIB par tête ce qui révèle une
différence importante aussi en termes de pouvoir d’achat. Ce constat est valide aussi pour
les pays importateurs. De même de point de vue revenu global des pays importateurs, il
31
existe une variabilité importante. On peut signaler une certaine diversité dans les profils
économiques essentiellement des pays importateurs (ou de destination). Cette
diversification pourrait être intéressante pour caractériser les flux d’échange des pays
d’origine vers leurs partenaires.
4.2. Résultats des estimations du modèle frontière : déterminants des flux commerciaux
Les résultats de la régression du modèle frontière sont présentés dans le tableau 10.
Rappelons que le modèle frontière permet de tester l’existence d’inefficience
commerciale. Les hypothèses testées sont :
- H0 : il n’y pas d’inefficience commerciale (confirmé si la variance du terme
d’erreur lié à l’inefficience est différente de zéro) et une hypothèse alternative
- H1 confirmée dans le cas contraire.
Nos résultats rejettent l’hypothèse nulle et confirment l’existence d’inefficience
commerciale. Ce test favorise donc une estimation à frontière stochastique. L’aspect
inefficience commerciale sera traité plus tard dans le paragraphe « Efficacité technique et
potentiel d’exportation » après avoir analysé les déterminants des flux commerciaux.
32
Tableau 10 : Résultats de la régression à frontière stochastique
Variable Coefficient Erreur standard
PIB_O 1,237*** 0,177
PIB_D 1,168*** 0,129
Distance -1,216*** 0,073
Colonisateur 1,208*** 0,221
Comlang_off 1,143*** 0,214
Contiguité 1,023*** 0,263
contig_DZA -1,688*** 0,486
Enclavement -5,922*** 0,372
MAR_UE 0,225 0,190
UE04 -0,309 0,191
UE13 -0,120 0,160
RTA 0,020 0,090
MILLS 0,597*** 0,131
Constante -40,402*** 5,368
Λ 1,809 0,076
Log likelihood -7322.132
Les effets fixes employés
EFi Oui
EFj Oui
EFt Oui
Source : Nos calculs Notes : *** significatif à 1%, ** significatif à 5%, * significatif à 10%
33
Le paramètre γ (qui est égal rapport de la variance du terme d’erreur dû à l'inefficience et
la variance totale) prend la valeur de 0.755 ce qui signifie que les variables explicatives
prises en compte dans le modèle expliquent 75,5 % de la variance de la variable
indépendante. Ce taux est jugé important.
Lamda (le rapport des écarts-types (sigma u/sigma v)) est égal à 1.8 indiquant que le
niveau d'inefficacité est 1,8 fois celui de l'erreur aléatoire. Ce qui justifie l’utilisation du
modèle à frontière stochastique.
Le ratio inverse de Mills, inclus comme variable explicative pour traiter le problème de
flux nuls, est significatif à 1% (P Value=0.00). Ceci témoigne que la correction du biais
de sélection était nécessaire.
Les estimations fournissent des résultats intéressants dont la plupart des coefficients des
variables explicatives présentent le signe attendu.
Les estimations montrent que les flux d’exportation sont positivement influencés par la
capacité d’offre des pays exportateurs (PIB_exportateur) ainsi que par la capacité de
demande des pays importateurs (PIB_importateur). Le coefficient associé au
PIB_exportateur est de 1.23 (significatif à 1%) impliquant une augmentation de 10% du
PIB induit une augmentation de 1.23% au niveau des exportations par contre
l’augmentation induite le PIB du pays partenaire est de 1.16% (significatif à 1%). Cet
effet positif convient à la littérature (Atif et al., (2016), Crescimanno et al., (2013), Erdem
et Nazlioglu, 2008). En effet un pays a tendance à commercer davantage avec un
partenaire de taille économique plus importante, tout autre facteur étant constant
(Nguyen, 2010).
Le coefficient associé à la distance qui prend la valeur de -1.215 significatif à 1%. Celui-
là montre qu’une augmentation de la distance de 1% réduit le volume d’échange de
1.23%. Cet effet est conforme à l’effet attendu trouvé dans la littérature. Cette variable
est considérée comme obstacle pour le commerce international permettant d’approcher
les couts de transport générés par le commerce (Achy, 2007). En effet plus les pays
partenaires sont distants plus les couts de transport augmentent. Notant que cet effet peut
diminuer avec le temps en raison du développement technologique permettant de
diminuer le cout moyen de transport par kilomètre, mais il reste toujours négatif (Sarker
et Jayasinghe, 2007).
Ces deux premières prédictions sont théoriquement consistantes avec les hypothèses de
base du modèle de gravité qui prédit une relation positive entre le volume d’échange et la
34
masse économique des pays partenaires et une implication inverse liée à la distance qui
les sépare (Tinbergen, 1962 ; Nguyen, 2010 ; Sevela, 2002 ; Ivus et Strong, 2007 ; Olper
et Raimondi, 2008).
Concernant la variable binaire “Accord préférentiel de commerce (AA)”, le coefficient
est positif non significatif. Ceci montre que généralement les accords commerciaux
établis entre les partenaires n’ont pas d’effet sur les volumes échangés. Pourtant de tels
accords sont destinés pour promouvoir le commerce entre les parties prenantes donc on
s’attend que les volumes de marchandises échangés soient plus importants (Bergstrand,
1985 ; Sarker et Jayasinghe, 2007 ; Atif et al., 2016). L’effet de cette variable explicative
est variable dans la littérature. Mais les études cherchant l’effet de ces accords sur les flux
et les volumes échangés, entre deux partenaires ayant signé un accord entre eux, ont
trouvé que ces accords n’ont pas nécessairement un impact positif sur le commerce
international d’un pays avec l’ensemble de ses partenaires (Jayasinghe et Sarker, 2004 ;
Sarker et Jayasinghe, 2007). Cet effet peut être positif ou négatif tout dépend des pays
étudiés et des accords pris en compte. Crescimanno et al., (2013) ont trouvé un résultat
similaire. Les volumes échangés ne vont pas différer entre les différents partenaires
dépendamment s’il existe un accord entre eux ou pas. Ceci implique que la signature
d'accords d'association avec différents pays partenaires n’avait pas d'impact significatif
sur le commerce bilatéral et n'a pas permis d’atteindre l'objectif d'intégration régionale et
de promouvoir le commerce mutuel ou régional.
Le coefficient associé à la variable MAR_EU, destinée pour détecter l’effet de l’accord
préférentiel du Maroc avec l’Union européenne, est non significatif. Ceci montre que le
Maroc n’a pas bénéficié de cet accord d’échange. Il n’y a pas un effet de création de
commerce entre ces deux partenaires. Ceci rejoint l’effet des accords commerciaux
discuté ci-haut.
Des variables binaires liées à l’aspect géographique ont été introduites dans le modèle.
Un coefficient positif significatif à raison de 1% était associé à la contigüité. Ceci
implique qu’avoir une frontière commune avec le pays importateur booste le revenu
généré par l’échange agricole et agroalimentaire de 1.022 %. Cet effet est jugé faible
toutefois il est significatif à 1%. Ce résultat est en cohérence avec la littérature (Tamini et
al., 2016 ; Atif et al., 2016). Cette variable est considérée comme une variable
complémentaire à la distance. Dans le cas de contigüité : la distance est moindre et ainsi
les couts de transport seront moindres. Selon Atif et al. (2016) un pays doit échanger plus
35
de marchandises avec un pays avec lequel il a des frontières qu’avec un pays non
frontalier.
Un effet contraire était détecté pour la même variable (contig_DZA), mais si l’Algérie
l’un des pays partenaire dans le flux considéré (soit de destination ou d’origine des
marchandises). Le volume échangé diminue de 1.68 % si l’Algérie est l’un des
partenaires. Dans la littérature, Tamini et al. (2016) ont testé l’effet de la même variable
sur les échanges commerciaux au niveau régional et ils ont eu le même résultat. Ils
expliquent ceci par le fait que l’Algérie ne profite pas de sa proximité des pays voisins
(frontaliers) et n’effectue pas de commerce notable avec eux (Tamini et al., 2016).
Un autre aspect géographique était testé dans le modèle : l’enclavement du pays
partenaire (étant donné que les pays d’origine sont tous des pays non enclavés). Un
coefficient négatif significatif à raison de 1% était associé à la variable enclavement. Ce
coefficient est de (-5,922) ce qui signifie que le pays exportateur fait 99.7 % (exp (-5.922)
-1= -99.7%) moins de commerce avec un pays enclavé par rapport à un pays non enclavé.
Ce résultat est cohérent avec la littérature (Achy et al.,2007 ; Ravishankar et Stack,
2014)). L’enclavement affecte négativement les volumes échangés puisque le commerce
avec un pays n’ayant pas de frontière maritime s’accompagne par une augmentation des
couts du transport. Cette augmentation est due à la combinaison de modalité de transport
aura lieu dans ce cas (maritime et terrestre) alors le transport maritime domine dont 95 %
du commerce international passent par la voie maritime18.
À côté des facteurs géographiques et économiques, une variable binaire était ajoutée dans
le modèle (“colony”) pour capturer l’effet du lien colonial qui peut exister entre les deux
partenaires. Le coefficient associé est positif significatif à raison de 1%. Un pays échange
1.2 % plus avec son ancien pays colonisateur qu’avec un autre pays. Ce résultat est
cohérent avec la littérature (Achy, 2007 ; Crescimanno et al., 2013 ; Atif et al., 2016).
Ceci montrant que les liens historiques de colonisation entre les pays jouent un rôle
important dans les flux commerciaux et, par conséquent, dans le renforcement des liens
économiques entre les pays, toute chose étant égale par ailleurs, un pays tend à échanger
1.2 fois plus avec son ancien colonisateur qu’avec les autres pays.
Étant que les pays étudiés ne sont pas isolés du reste du monde, tout évènement qui se
produit ailleurs pourrait avoir un impact sur ceux-ci au niveau de leurs échanges avec
leurs différents partenaires, on peut citer par exemple de nouveaux accords d’échange
18
https://www.limeblogue.ca/affaires/au-coeur-du-commerce-international-le-transport-maritime/
36
bilatéral que leurs partenaires ont établi avec d’autres pays, des unions douanières, des
accords d’intégration régionale … Dans cette étude on s’est intéressé à l'élargissement de
l’Union européenne, puisque ce partenaire est l’un plus importants pour les pays Nord-
Africains.
Pour ce faire deux variables binaires étaient incluses parmi les variables explicatives
nommées EU04 et EU13 représentant respectivement l’élargissement de l’UE en 2004
(inclusion de 10 pays soit : la Pologne, la République tchèque, la Hongrie, la Slovaquie,
la Slovénie, la Lettonie, la Lituanie, l’Estonie, Malte, Chypre) et en 2013 (Inclusion de la
Croatie). L’élargissement qui avait lieu en 2007 (Inclusion de la Bulgarie et la Roumanie)
n’était pas pris en compte à cause de la multicolinéarité. Les coefficients associés
l’élargissement ayant lieu en 2004 et en 2013 sont non significatifs. Ceci montre que
l’élargissement de l’Union européenne en 2004 n’avait pas un impact sur les flux
d’exportation des PNA vers l’UE. Le même effet est détecté pour l’élargissement de
2013.
Pour tester la robustesse de nos résultats, deux autres régressions ont été effectuées, MCO
et Heckman. Les résultats de ces deux régressions sont présentés dans le tableau (11) ci-
dessous.
37
Tableau 11 : Résultats de la régression à frontière stochastique
Estimation frontière Estimation MCO Estimation d'Heckman
Variable Coefficient Erreur
standard Coefficient Erreur
standard Coefficient Erreur
standard
PIB_O 1.237*** 0,177 1, 084*** 0,190 1.110*** 0.189
PIB_D 1,168*** 0,129 1,315*** 0,139 1,270*** 0,138
Distance -1,216*** 0,073 -1,270*** 0,077 -1,235*** 0,076
Colonisateur 1,208*** 0,221 1,327*** 0,236 1,359*** 0,238
Comlang_off 1,143*** 0,214 1,209*** 0,231 1,170*** 0,229
contigüité 1,023*** 0,263 1,065*** 0,279 0,801*** 0,270
contig_DZA -1,668*** 0,486 -2,193*** 0,525 -1,971*** 0,518
Enclavement -5,922*** 0,372 -6,211*** 0,388 -5,926*** 1,379
MAR_UE 0,255 0,190 0,249 0,204 0,163 0,201
UE04 -0,309 0,191 -0,334 0,208 -0,318 0,207
UE13 0.120 0,160 0,083 0,172 0,081 0,170
RTA -0,020 0,090 0,118 0,097 0,139 0,111
MILLS 0,598*** 0,131 0,594*** 0,139
Constante -40,402*** 5,368 -41,533*** 5,814 -41,222*** 5,762
Log likelihood
-7322,132
0,85(R)
-10247,09
Les effets fixes employés
EFi oui oui oui
EFj oui oui oui
EFt oui oui oui
Source : Nos calculs Notes : *** significatif à 1%, ** significatif à 5%, * significatif à 10% Les résultats fournis par les méthodes d’estimation MCO et Heckman sont très proches
en termes de signe et de significativité des coefficients. En termes de valeur, ils
fournissent des résultats proches pour la majorité des variables explicatives.
38
4.3 Efficacité technique et potentiel d’exportation
4.3.1 Performance commerciale
Le modèle à frontière stochastique utilisé dans ce travail permet de faire ressortir les
scores d'efficacité annuelle par partenaire. Le niveau d’efficacité est calculé sur la base du
terme d’erreur lié à l’inefficacité et il varie entre 0 et 1. Une valeur qui tend vers 1
renseigne sur un niveau d’intégration élevé et si elle tend vers 0 ceci renseigne sur un
niveau d’intégration faible.
Des scores d’efficacité sont ainsi calculés pour l’ensemble des pays exportateurs (PNAs)
et ils sont présentés par pays d’origine dans l’annexe 4 (Tableau 4A, Tableau 4B, Tableau
4C, Tableau 4D et Tableau 4E). Pour mieux voir l'évolution de la performance
commerciale, ces scores sont présentés aussi sous forme de figures dans l’annexe 5.
Les PNA montrent des profils de performance commerciale variés. Plusieurs tendances se
présentent selon la paire de pays en considération. La Mauritanie est le pays le plus
inefficace parmi les pays d’origine. Ce pays ne fait pas d’échange régulièrement avec
l’ensemble des pays partenaires considérés. Ceci est en cohérence avec le résultat obtenu
par Tamini et al. (2016) sur le marché régional. On en conclut que ce pays est le moins
intégré dans le marché. Tamini et al. (2016) ont conclu de leur résultat que les pays nord-
africains ne sont pas les partenaires « naturel » de la Mauritanie ceci pourrait être valide
aussi dans l’étude présente.
Sur le plan régional (commerce entre les pays nord-africains), La Tunisie et le Maroc
sont les plus intégrés dans le marché avec des scores qui connaissent une légère
amélioration pendant les quatre dernières années. La Tunisie exploite plus que 50% de
son potentiel avec le Maroc (depuis 2007), l’Algérie (depuis 2003) et la Mauritanie
(depuis 2010) avec des fluctuations légères pour l’Algérie et la Mauritanie et une
performance plus élevée avec le Maroc.
Pour le reste des pays, l’Algérie ne commercialise pas régulièrement avec la plupart des
pays. Les scores d’efficacité fluctuent et tendent vers la baisse sauf pour le royaume uni,
l’Union des Émirats arabes, l’Allemagne, le Liban, l’Arabie saoudite et la Syrie dont les
scores tendent à la hausse.
Quant au Maroc, l’Algérie et l’Égypte ils font du commerce régulièrement avec presque
tous les pays importateurs considérés. Par contre les niveaux de performance sont
différents d’une paire de partenaires à l’autre.
39
La Tunisie enregistre les taux de performance les élevés et les plus stables avec l’Italie, la
France, l’Allemagne, Danemark et la Belgique et qui dépasse souvent la valeur de 0,4.
Pour le Maroc, les profils de performance ont une variabilité similaire à ceux de la
Tunisie avec ses partenaires. Avec la France, l’Allemagne, les Pays-Bas, le Royaume
unis, Syrie, la Suède et le Portugal, le Maroc enregistre les scores de performance les plus
élevés et les plus stables. Les scores les plus élevés sont autour de 0.4 pareillement à la
Tunisie.
Pour l’Égypte, les niveaux de performance sont aussi variés, mais la stabilité est notée
pour plus de partenaires par rapport au Maroc et la Tunisie. Des scores de performance
plus élevés sont notés aussi ; autour et dépasse parfois 5.5 (Irlande, Slovénie,)
Le Maroc, l’Égypte et la Tunisie sont les plus intégrés dans le marché avec une variabilité
de performance selon les partenaires.
4.3.2. Potentiel d’exportation
Les potentiels commerciaux sont estimés et présentés par pays exportateurs dans l’annexe
6 (tableau 6A, tableau 6B, tableau 6C, tableau 6D, tableau 6E). L'écart d'exportation a été
calculé en soustrayant les exportations potentielles des exportations effectives. Pour
faciliter la présentation des résultats et leur analyse, la moyenne des écarts était calculée
sur quatre périodes soit 1995-2000, 2001-2005, 2006-2010 et 2011-2016.
Il existe un potentiel considérable pour les exportations de produits agricoles de ces pays
avec tous les partenaires. La Mauritanie possède des potentiels non exploités élevés avec
l’ensemble des partenaires, mais les plus élevés sont notés pour la France, l’Italie,
l’Espagne, l’Arabie Saoudite, le Maroc et les Unions des Émirats arabes.
Quant à l’Algérie, les écarts les plus élevés sont ceux associés à la France, le Maroc,
l’Italie et l’Espagne. Pour l’Égypte, les écarts moyens par rapport au commerce prédit
sont croissants d’une période à l’autre pour l’ensemble des pays. Les valeurs les plus
élevées sont associées à l’Italie, la Jordanie, le Liban, l’Espagne suivis par la Syrie et la
Turquie.
La Tunisie, à côté du Maroc, enregistre des écarts moyens moins élevés par rapport au
reste des pays. Les écarts moyens les plus élevés sont notés pour la France, l’Italie,
l’Espagne. Concernant le Maroc les écarts moyens les plus élevés sont notés pour
l’Espagne, la France suivit par l’Italie.
40
Conclusion
Le modèle de gravité a connu un grand succès pendant les cinquante dernières années
dans l’analyse de commerce international. Dans la littérature ce modèle est pleinement
utilisé pour évaluer les politiques commerciales, l’effet des accords commerciaux ainsi
que les potentiels commerciaux. Dans la présente étude, ce modèle était employé pour
chercher les déterminants des flux commerciaux agricoles et agroalimentaires des pays
nord-africains vers leurs partenaires et analyser le niveau de leur efficacité et du potentiel
commercial.
Nos résultats ont montré que l’effet des variables explicatives sur les flux commerciaux
suit celui trouvé dans la littérature tant pour les variables économiques que pour les
variables qui caractérisent les relations bilatérales entre les partenaires.
L’hypothèse d’existence d’inefficacité commerciale était confirmée. L’écart existant par
rapport au potentiel commercial n’est pas dû uniquement au bruit blanc, mais également à
l'inefficacité. Une estimation des scores d’efficacité par pays variant dans le temps était
effectuée. Les résultats montrent que la Mauritanie est le pays plus inefficace suivi par
l’Algérie pour l’ensemble des pays partenaires pris en considération. Le Maroc et la
Tunisie sont les plus intégrés dans le marché nord-africain avec les scores d’efficacité les
plus élevés. Tenant compte de l’ensemble des pays de destination, la Tunisie, le Maroc et
l’Égypte sont les plus intégrés, mais avec des variabilités importantes des scores selon les
pays de destination. L’ensemble des pays possèdent encore des potentiels importants avec
l’ensemble pays. Ces estimations soulignent l’importance de l’amélioration des politiques
commerciales pour une meilleure intégration dans le marché.
Enfin il convient de dire que les objectifs de départ de cette étude ont été atteints. Cette
étude a permis de contribuer dans l’analyse du commerce des PNA. Néanmoins il faut
signaler qu’une analyse à une échelle désagrégée pourrait amener des résultats
intéressants. Une étude recherchant les déterminants de l’efficacité permettra de mieux
comprendre les facteurs qui expliquent les inefficiences commerciales existantes.
41
Références bibliographiques
1. Achy L. (2007). Le commerce intrarégional: l’Afrique du Nord est-elle une exception? L’Année du Maghreb (III), pp. 501-520.
2. Anderson, J. E. (1979). A theoretical foundation for the gravity equation. The American Economic Review, 69(1), pp. 106-116.
3. Anderson, 2011. The gravity model. Annu. Rev. Econ. 3, pp.133–160 4. Anderson, J. E., et Van Wincoop, E. (2003). Gravity with gravitas: a solution to
the border puzzle. the american economic review, 93(1), pp. 170-192. 5. Atif, R. M., Haiyun, L., et Mahmood, H. (2016). Pakistan's agricultural exports,
determinants and its potential: an application of stochastic frontier gravity model. The Journal of International Trade et Economic Development, 26(3), pp. 257-276.
6. Baier, S. L., & Bergstrand, J. H. (2009). Bonus vetus OLS: A simple method for approximating international trade-cost effects using the gravity equation. Journal of international Economics, 77(1), pp. 77-85.
7. Banque Mondiale (2014) http://donnees.banquemondiale.org/indicateur/NY.GDP.MKTP.CD
8. Bergstrand, J. H. (1985). The gravity equation in international trade: some microeconomic foundations and empirical evidence. The review of economics and statistics, pp. 474-481.
9. Bergstrand, J. H. (1989). The generalized gravity equation, monopolistic competition, and the factor-proportions theory in international trade. The review of economics and statistics, pp. 143-153.
10. Bouoiyour, J. (2001). Productivity and openness in North Africa: an empirical study. https://core.ac.uk/download/pdf/18425262.pdf
11. Cheng I.H. et Wall H.J. (2005). Controlling for Heterogeneity in Gravity Models of Trade and Integration. Federal Reserve Bank of St. Louis Review, 87(1), pp. 49-63.
12. Corrons, A. L., Frances, G. E., Borda, D. R., et Casado, R. M. (2004). Les enjeux des échanges agricoles Euro méditerranéens. the European Union and the Mediterranean, The Mediterranean’s European Challenge, 5, pp. 657-687.
13. Crescimanno, M., Galati, A., et Yahiaoui, D. (2013). Determinants of Italian agrifood exports in non-EU Mediterranean Partner Countries: an empirical investigation through a gravity model approach. A Mediterranean Journal of Economics. Agriculture and Environment, 12(4), pp. 46-54.
14. Darbot-Trupiano, S. (2007). Le Partenariat euro-méditerranéen : une tentative d’intégration maladroite. L’Espace politique. Revue en ligne de géographie politique et de géopolitique (2).
15. Deardorff, A. V. (1998). Determinants of bilateral trade: does gravity work in a neoclassical world?. In Comparative Advantage, Growth, And The Gains From Trade And Globalization: A Festschrift in Honor of Alan V Deardorff, pp. 267-293
16. Drevet J. F. (2016). Le Maghreb et l’Union européenne (UE) Revue de la géopolitique. Disponible sur : http://www.diploweb.com/Le-Maghreb-et-l-Union-europeenne.html
17. Emlinger, C., Jacquet, F., et Petit, M. (2006). Les enjeux de la libéralisation agricole dans la zone méditerranéenne. Région et développement, 23,pp. 41-72.
18. Erdem, E., & Nazlioglu, S. (2008). Gravity Model of Turkish agricultural exports to the European Union. In International Trade and Finance Association Conference Papers(p. 21). bepress.
19. Hertel T. (1997). Regional trading blocs in the world economic system. Peterson Institute
42
20. García‐Alvarez‐Coque, J. M. (2002). Agricultural trade and the Barcelona Process: is full liberalisation possible?. European Review of Agricultural Economics, 29(3), pp. 399-422.
21. Gbagbeu, V. S. M. (2013). Analyse des facteurs explicatifs du commerce international de biens environnementaux: utilisation de modèles de gravité.
22. Hassine, N. B. (2006). Compétitivité, avantages comparatifs et qualité : une application sur l’agriculture méditerranéenne.
23. Head, K., & Mayer, T. (2014). Gravity equations: Workhorse, toolkit, and cookbook. In Handbook of international economics (Vol. 4, pp. 131-195). Elsevier.
24. Hervieu, B. (2006). L’agriculture est un secteur stratégique en Méditerranée. Les Notes d’Analyse du CIHEAM, 18(8).
25. Ivus, O., et A. Strong. 2007. Modeling approaches to the analysis of trade policy: computable general equilibrium and gravity models. Handbook on International Trade Policy, W.A. Kerr and J.D. Gaisford. Cheltenham, UK: Edward Elgar.
26. Jayasinghe, S.,et Sarker, R. (2008). Effects of regional trade agreements on trade in agrifood products: Evidence from gravity modeling using disaggregated data. Review of agricultural economics, pp. 61-81.
27. Keeney R. et Hertel T. (2005).GTAP-AGR : A Framework for Assessing the Implications of Multilateral Changes in Agricultural Policies. GTAP Technical Papers. Papier 25. Disponible sur http://docs.lib.purdue.edu/gtaptp/25
28. Le Mouël C., Forslund A., Marty P., Manceron S., Marajo-Petitzon E.,Caillaud M.A., Schmitt B. (2017). La dépendance alimentaire de l’Afrique du Nord et du Moyen-Orient à l’horizon de 2050, éditions Quae , Versailles, 144 p.
29. Malorgio, G.(2010). Political and economic convergence in the Euro-Mediterranean process.
30. Martinez-Zarzoso, I. (2003). Gravity model: An application to trade between regional blocs. Atlantic Economic Journal, 31(2), pp. 174-187.
31. Martínez-Zarzoso, I., et Nowak-Lehmann, F. (2003). AUGMENTED GRAVITY MODEL: AN EMPIRICAL APPLICATION TO MERCOSUR-EUROPEAN UNION TRADE FLOWS. Journal of applied economics, 6(2).
32. Meilke K. et al. (2012). Selection bias in a gravity model of agrifood trade. European Review of Agricultural Economics Vol 40 (2) (2013), pp. 331–360
33. Nguyen, B. X. (2010). The determinants of Vietnamese export flows: static and dynamic panel gravity approaches. International Journal of Economics and Finance, 2(4), p. 122.
34. Olper, A., et Raimondi, V. (2008). Explaining national border effects in the QUAD food trade. Journal of Agricultural Economics, 59(3), pp. 436-462.
35. Rainelli, M. (2003). L'Organisation mondiale du commerce. La Découverte, 9ème édition, Paris.
36. Sarker, R., & Jayasinghe, S. (2007). Regional trade agreements and trade in agri‐food products: evidence for the European Union from gravity modeling using disaggregated data. Agricultural Economics, 37(1), pp. 93-104.
37. Sarker, R., et Jayasinghe, S. (2004). Effects of Regional Trade Agreements on Trade in Agrifood Products: Evidence from Gravity Modeling Using Disaggregated Data.
38. Sevela, M. (2002). Gravity-type model of Czech agricultural export. ZEMEDELSKA EKONOMIKA-PRAHA-, 48(10), pp. 463-466.
39. Shangquan G.(2000). Economic globalization: trends, risks and risk prevention. Economic & Social Affairs, CDP Background Paper, 1.
43
40. Tamini, L. D., Chebbi, H. E., et Abbassi, A. (2016). Trade performance and potential of North African countries: An application of a stochastic frontier gravity model. Cahier de recherche/Working Paper, 4.
41. Tongeren, F., Meijl, H., et Surry, Y. (2001). Global models applied to agricultural and trade policies: a review and assessment. Agricultural economics, 26(2), pp. 149-172.
42. Yotov, Y. V., Piermartini, R., Monteiro, J. A., & Larch, M. (2016). An advanced guide to trade policy analysis: The structural gravity model. Geneva: World Trade Organization.
44
ANNEXES
Annexe 1 : Discussion du modèle de gravité et des différentes variables introduites L’approche gravitationnelle était utilisée pour une large gamme d’objectifs soit, les flux d’investissement direct étranger, l’immigration, le tourisme .... Pour l’analyse les flux commerciaux internationaux Tinbergen (1962) et Pöyhönen (1963) ont été les premiers économistes à utiliser une équation de type gravitaire (Nguyen, 2010 ; Sevela, 2002 ; Ivus et Strong, 2007). Ce modèle a été critiqué sur ses fondements théoriques. Ainsi plusieurs essais ont été développés pour fournir une base théorique à ce modèle afin de combler ce fossé (Anderson, 1979 ; Bergstrand, 1989 ; Deardorff, 1998 ; Anderson et Wincoop, 2003), tout en utilisant des méthodologies différentes partant de différents autres modèles : modèle théorique de Hecksher-Ohlin (H-O), modèle d'équilibre partiel... Ce modèle est inspiré de la loi de gravité de Newton, qui égalise l'attraction gravitationnelle entre deux objets au produit de leurs masses divisé par la distance (facteur de résistance) qui les sépare. Comparativement à cette équation de gravité, l'étendue d'un flux commercial entre deux pays est égale au produit de leurs tailles économiques divisé par un facteur de résistance ou de distance (Ivus et Strong, 2007). L'équation de gravité est considérée comme une représentation des forces de la demande et de l'offre (Ivus et Strong, 2007), dont le revenu global de l'importateur correspond au niveau de la demande dans la région de destination et le revenu global de l'exportateur correspond au niveau de son offre. La distance est utilisée comme indicateur des couts de transport. Ainsi la forme la plus simple de ce modèle prend compte de ces deux dernières variables et elle est exprimée comme suit (Nguyen, 2010) : Xij = φ (Yi*Yj/Dij) Dont ; Xij indique les exportations du pays i vers le pays j Yi et Yj sont le produit intérieur brut (PIB) des pays i et j Dij mesure la distance entre le pays i et le pays j Φ est une constante de proportionnalité Cette formulation suppose qu'il existe une relation positive entre le commerce bilatéral et la taille économique du partenaire commercial. ❖ Les variables introduites
Le PIB du pays exportateur équivaut à la capacité d'offre / d'exportation d'un pays tandis que le PIB des importateurs se réfère à la demande du marché étranger et celui de l'importateur se réfère au revenu du pays importateur qui représente la demande pour les exportations agricoles (Atif et al., 2016). Un pays a tendance à commercer davantage avec un partenaire de taille plus importante, tous les autres facteurs restants constants (Nguyen, 2010). Le produit des PIB des pays partenaires est ainsi un indicateur qui révèle la taille potentielle du marché et la taille économique des partenaires (Achy, 2007 ; Atif et al., 2016). La formulation de cette variable exprimant le revenu, il existe deux formulations différentes dans la littérature. La première c’est le PIB total et provoquant un effet de dimension alors que la deuxième c’est le PIB par habitant provoquant un effet de revenu (Crescimanno et al., 2013). Le PIB par tête d’habitant prend en considération l’effet du pouvoir d’achat des consommateurs des deux pays partenaires. Selon (Achy, 2007), une
45
hausse du PIB par tête devrait avoir un effet positif sur la demande et par conséquent accroitre le volume des échanges bilatéraux. Dans le pays importateur, un niveau de revenu plus élevé devrait impliquer une augmentation des importations. Dans le pays exportateur, un niveau de revenu plus élevé donnera lieu à un niveau plus élevé de production globale, ce qui, à son tour, augmentera la disponibilité des biens pour l'exportation (Ivus et Strong, 2007). Bien que le PIB total eût toujours impact positif sur les flux du commerce, affirmé dans différentes études (Atif et al., 2016 ; Crescimanno et al., 2013 ; Erdem et Nazlioglu, 2008 ...), l’effet du PIB par tête a varié entre positif et négatif (Crescimanno et al., 2013). L’effet diffère selon la différence au niveau PIB/tête qui existe entre les deux partenaires ainsi que la similarité des préférences. Il aura un coefficient négatif selon les pays, avec des niveaux de revenu par habitant différents, ayant des préférences similaires (qui diffèrent toutefois selon la typologie du produit), alors qu'il aura un coefficient positif, selon l'hypothèse HO, en fonction de quels pays, avec différents niveaux de revenu par habitant, traitent des pays ayant des niveaux de revenu par habitant similaires (Crescimanno et al., 2013). Selon Sarker et Jayasinghe, 2007, le PIB/tête permet de capter l’effet de la richesse sur les flux de commerce. Il faut noter que ce dernier est utilisé lorsque l’analyse porte sur une échelle désagrégée alors que le PIB total est utilisé pour une échelle agrégée (Atif et al., 2016 ; Crescimanno et al., 2013). Cette variable de dimension économique a été présentée de différentes manières. Certains chercheurs prennent en considération le PIB des deux partenaires (Atif et al., 2016 ; Nguyen, 2010 ; Bergstrand, 1985) en effet la plupart des chercheurs suggèrent que le produit du PIB des exportateurs et des importateurs est un indicateur de la taille du marché pour séparer les effets de l'offre et de la demande (Atif et al., 2016). D’autres prennent les PIB et le PIB/ tête des deux pays (Sarker et Jayasinghe, 2007). D’autres prennent en considération uniquement le PIB du pays importateur (Erdem et Nazlioglu, 2008) comme déterminant de la taille du marché. D’autres prennent en compte la population en plus que le PIB (Martinez-Zarzoso et Nowak-Lehmann, 2003 ; Martinez-Zarzoso, 2003) ; Erdem et Nazlioglu, 2008), la population est un indicateur qui détermine la taille du marché importateur (Erdem et Nazlioglu, 2008). L’effet de la population sur les de commerce peut être négatif ou positif (Erdem et Nazlioglu, 2008 ; Martinez-Zarzoso, 2003). Selon Martinez-Zarzoso (2003), cet effet sera positif ou négatif selon que le pays exporte moins lorsqu'il est important (effet d'absorption) ou qu'un grand pays exporte plus qu'un petit pays (économies d'échelle), ce raisonnement est le même pour l’effet de la population importatrice. Les modèles de gravité qui prennent en compte la population comme une variable explicative des flux de commerce s’appellent des modèles de gravité augmentés (Cheng et Wall, 2005). Les deux variables : population et PIB/tête captent le même effet (Cheng et Wall, 2005). Erden et Nazlioglu (2008) prennent en compte la population du pays importateur ainsi que la population originaire de la Turquie, vivante dans le pays partenaire. Cette dernière est incluse dans le modèle en tant que variable binaire qui prend une valeur de 1 si la population originaire de la Turquie dépasse 100 000 habitants sinon elle prend la valeur 0. Cette variable avait un impact positif et significatif sur le flux de commerce (Erden et Nazlioglu, 2008), ceci revient aux gouts similaires et les préférences du peuple turc. Quant à la deuxième variable, toujours employée, la distance : elle représente la distance géographique entre les deux capitales des partenaires ou leurs centres économiques parfois s’il y a une grande ville qui semble être le centre économique du pays (Frankel, 1997 ; Sarker et Jayasinghe, 2007). Cette variable explicative est considérée comme
46
obstacles pour le commerce international, elle permet d’approcher les couts de transport généré par le commerce (Achy, 2007). La distance avait toujours un impact négatif sur les flux du commerce puisqu’elle est positivement corrélée avec les couts de transport, du coup de plus grandes distances tendent à augmenter les couts de transport et d'information (Sarker et Jayasinghe, 2007). L’effet de cette variable diminue avec le temps en raison du développement technologique, permettant de diminuer le cout moyen de transport par kilomètre, mais il reste toujours négatif (Sarker et Jayasinghe, 2007). La prise de mesure de la distance géographique varie aussi, il ya ceux qui la mesure par voie aérienne et d’autres qui la mesure par voie maritime (Sarker et Jayasinghe, 2007). Cette variable, censée refléter les couts de transaction générés par le commerce bilatéral, Achy (2007) la considère qu’elle n’est qu’une mesure imparfaite des couts de transactions commerciales pour au moins trois raisons. Premièrement, les couts de transport, même pour une distance donnée, varient substantiellement, en fonction de la qualité des infrastructures, de la nature des produits échangés, du mode de transport utilisé (vrac maritime, container, transport routier, fret aérien), des économies d’échelle, du niveau d’équilibre des échanges (cout des retours non remplis), et enfin du degré d’efficacité des services de transport. Deuxièmement, il considère que la variable distance, telle que mesurée dans le modèle, suppose des dessertes directes entre les pays partenaires, alors que le commerce bilatéral peut transiter par d’autres ports avant d’arriver à sa destination finale. Ce qui en résulte ainsi est que la distance effective entre les pays est supérieure à la distance physique mesurée dans le cadre du modèle de gravité. Et finalement, la distance ou son corolaire le cout de transport, n’est que l’aspect le plus observable des couts de transaction, il y a aussi des barrières administratives techniques et informationnelles qui peuvent également contraindre sévèrement les flux commerciaux entre pays (Achy, 2007). Les tentatives d’amélioration du modèle de gravité de base ont permis de montrer que ce modèle de base ne prend pas en considération certaines variables explicatives importantes qui peuvent influencer les flux de commerce. La population et le PIB/ tête sont parmi les variables qui ont été ajoutées dans ce cadre d’amélioration comme mesure additionnelle de la taille des pays (Ivus et Strong, 2007). Il est devenu courant d'augmenter l'équation de base de la gravité avec un certain nombre de variables supplémentaires qui affectent le commerce (Ivus et Strong, 2007). Parmi ces variables : les tarifs, le taux de change, les réserves de change, les prix ainsi que d’autres variables binaires ; soit la langue commune, frontières communes, lien historique (colonisation ...), l’existence d’un accord d’échange, l’utilisation de la même monnaie, la superficie arable, la standardisation des produits, climat (dans l’étude du commerce agricole) ... Taux de change Quant au taux de change, introduit dans le modèle pour la première fois par Bergstrand (1985, 1989). Le taux de change réel, dans la littérature économique, est un indicateur des prix du commerce international (Atif et al., 2016). Il y a deux raisons à cette inclusion : la première est que le lien entre les exportations et le taux de change est bien reconnu en économie et soutenu par d'abondantes preuves empiriques. La deuxième raison est que le taux de change est considéré comme une variable explicative importante dans un certain nombre d'articles gravitationnels (Nguyen, 2010). Dans son étude des déterminants des flux de commerce du Vietnam, Nguyen (2010) a trouvé que le taux de change affecte positivement le volume des échanges. Une augmentation du taux de change, ou une dépréciation du dong vietnamien rendent les produits vietnamiens moins chers et plus compétitifs, ce qui entraine une expansion des exportations vietnamiennes. Concernant les produits agricoles, Erdal et al. (2012) ainsi que (Atif et al., 2016) ont trouvé les mêmes résultats que Nguyen (2010). Atif et al. (2016) a montré qu'une augmentation de
47
la variable du taux de change bilatéral (dépréciation de la roupie pakistanaise) augmente les recettes des exportations agricoles de 0,67%, du coup la dépréciation a un impact prometteur sur les recettes des exportations agricoles. Ainsi l’inclusion du taux de change dans le modèle de gravité s'est révélée utile pour expliquer les variations commerciales entre les partenaires commerciaux (Nguyen, 2010). Les tarifs Les tarifs à leurs tours sont considérés une autre forme des couts des exportations, tels que le cout de transport estimé à travers la distance, en effet un taux de droit plus élevé imposé par le pays importateur tend à décourager les exportations (Atif et al., 2016). Selon Ivus et Strong (2007), le modèle de gravité conventionnel suppose des prix identiques dans tous les pays. Par conséquent, le prix n'est pas inclus dans l'équation de gravité en tant que variable qui affecte les flux commerciaux bilatéraux ce qui en résulte une mauvaise spécification du modèle de gravité. Il est important de tenir compte des différences de prix dues aux barrières commerciales entre les pays. Pour ce faire, différentes méthodes et indicateurs qui ont été adoptés dans la littérature dont : les effets prix, les indices de prix, les effets frontaliers, l’approche à effet fixes … (Ivus et Strong, 2007) Dans la littérature plus récente, Anderson et van Wincoop (2003) soulignent l'importance d'introduire des termes de « résistance multilatérale » non pris en compte auparavant, mesurés par les barrières commerciales moyennes auxquelles sont confrontés un importateur et un exportateur des pays exportateurs et importateurs, dans l'équation de gravité. Ils considèrent que la distance entre les partenaires n’est pas la seule barrière bilatérale pour le commerce. Olper et Raimondi (2008), en examinant l'ampleur des effets frontaliers sur le commerce bilatéral des produits alimentaires entre les pays du QUAD pour la période 1996-2001, ils observent que les restrictions commerciales (les barrières tarifaires et non tarifaires) sont les principaux facteurs qui déterminent l'ampleur de l'effet frontière et ils illustrent également que les préférences des consommateurs et les couts liés à l'information sont importants pour expliquer l'ampleur des effets frontaliers. Ainsi le taux tarifaire contribue de manière significative à la détermination des exportations d'un pays (Olper et Raimondi, 2008). Bergstrand (1985) note qu’une variable indiquant l'existence ou pas d’un accord préférentiel de commerce peut être utilisée à la place des tarifs dans l’équation de gravité, comme c’est le cas pour les couts de transport qui sont approximés à travers la distance. En effet, les pays s'engagent souvent dans des accords commerciaux bilatéraux et multilatéraux pour promouvoir le commerce mutuel ou régional. Ces accords sont destinés pour favoriser le commerce entre partenaires commerciaux en permettant l'accès au marché en abaissant mutuellement les barrières tarifaires et non tarifaires, tout en maintenant les politiques tarifaires originales avec le reste du monde (Atif et al., 2016). Mais les études cherchant l’effet des accords de commerce sur les flux et les volumes échangés entre deux partenaires ayant signé un accord entre eux ont trouvé que ces accords n’ont pas nécessairement un impact positif sur le commerce international d’un pays avec l’ensemble de ses partenaires (Jayasinghe et Sarker, 2004 ; Sarker et Jayasinghe, 2007). L’approximation des tarifs, à travers une variable binaire, est pleinement utilisée dans les travaux d’analyse des flux commerciaux des produits agricoles et agroalimentaires. Crescimanno et al (2013), ont trouvé que les accords d’association dans le commerce ont un effet négatif et non significatif, résultats différents de l’hypothèse de départ qui s’attend à un impact positif des accords d’échange sur les exportations agroalimentaires italiennes. Ils notent que la signature de l'accord d'association entre l'Union européenne et
48
les pays partenaires a eu un faible impact sur le commerce bilatéral et n'a pas atteint l'objectif d'intégration des économies méditerranéennes dans marché euro-méditerranéen. D’autres travaux, cherchant l’effet des accords préférentiels de commerce entre différents blocs économiques et régions (Nguyen, 2010 ; Martinez-zarzoso, 2003 ; Martinez-zarzoso et Lowak-Lehmann, 2003), utilisent des variables binaires pour capter l’effet de l’appartenance ou non du pays partenaire à un bloc économique bien déterminé sur le commerce. Erdem et Nazlioglu (2008), dans leur analyse des déterminants des exportations agricoles de la Turquie vers l’Union européenne, ont cherché l’effet de l’accord d’union douanière sur les exportations agricoles. Du point de vue méthodologique, ils ont fait recours à une variable binaire indiquant si le pays partenaire de l'UE est membre de l'accord d'union douanière UE - Turquie ou non. Le résultat était une corrélation positive entre le niveau des exportations et l'adhésion à l'accord de l’union douanière UE-Turquie. Baier et Bergstrand (2009) prend en compte à la fois les tarifs et l’existence d’un accord commercial. Cette même approche était adoptée par Atif et al. (2016) pour évaluer les répercussions de l'effet frontière et des accords commerciaux préférentiels sur les exportations agricoles. Ceci en appliquant les taux de droits bilatéraux pondérés moyens imposés par le pays importateur aux exportations agricoles pakistanaises ainsi qu’une variable indicative d'accord commercial préférentiel afin de connaitre l'impact des accords commerciaux préférentiels sur les résultats à l'exportation du Pakistan. Les résultats étaient une corrélation négative entre les exportations et le niveau des tarifs dont l'augmentation de 1% du taux tarifaire par le pays importateur réduira les exportations agricoles de 0,959% et vice versa. Quant aux accords commerciaux préférentiels, ils contribuent à stimuler les exportations agricoles avec les partenaires commerciaux, même effet repéré dans d’autres études (Achy, 2007). D’autres recherches introduisent dans le modèle de gravité des variables non traditionnelles telles que : les terres arables, l’environnement, les frontières communes, la superficie, le cloisonnement du pays partenaire, la langue commune, les liens historiques entre les partenaires ... Ces variables sont introduites dans la mesure qu’elles peuvent expliquer en partie les flux de commerce. Terres arables et caractéristiques climatiques Erdem et Nazlioglu (2008), pour analyser les principaux moteurs des exportations de produits agricoles turcs vers les pays de l'Union européenne pour la période 1996-2004, renforcent le modèle gravitaire en incorporant des variables non traditionnelles : l'environnement et les terres arables. Quant à l’environnement, cette variable est ajoutée au modèle pour voir les effets de différents environnements climatiques sur les exportations agricoles turques vers l'UE. Ils ont fait recours à une variable binaire indiquant si le pays partenaire est un pays méditerranéen ou non. Au départ, ils s’attendent à un effet positif de cette variable sur les flux de commerce agricole étant donné que les différentes caractéristiques climatiques entrainent davantage d'importations de produits agricoles et donc elles affectent positivement les exportations turques vers l'UE. Le résultat confirme l’hypothèse de départ, en conséquence, les exportations agricoles turques vers les pays non méditerranéens de l'UE sont supérieures de 18,97% à celles des autres pays. Quant aux terres arables, Erdem et Nazlioglu (2008) considèrent qu’un pays importateur disposant de plus de terres arables pourrait produire davantage de produits agricoles. Ils notent aussi que le PIB et la superficie totale des terres arables captent la taille de l'économie du pays partenaire. La superficie totale des terres arables du pays de l'UE partenaire en hectares avait un effet négatif sur les exportations agricoles affirmant l’hypothèse de départ.
49
Crescimanno et al. (2013) ont inséré une variable similaire pour vérifier la relation des terres arables avec les flux d'exportation. Cette variable est le pourcentage de la superficie agricole du territoire total. Ils la considèrent comme une variable reflétant la spécialisation agricole du pays partenaire. Leur hypothèse est que les pays dans lesquels l'agriculture n'a qu'un poids modeste utilisent les importations pour satisfaire la demande intérieure. Du coup ils envisagent un impact négatif généré par cette variable sur les flux de commerce agricole, ce qui est affirmé par les résultats. Frontières et langue communes Ces deux variables sont introduites pour tenir compte des effets de la proximité géographique et linguistique sur le commerce bilatéral (Achy, 2007). Ces deux variables explicatives sont pleinement utilisées dans la littérature (Atif et al., 2016 ; Achy, 2007 ; Ruiz et al., 2007 ; Cheng et Wall, 2005 ; Martinez-Zarzoso, 2003 ; Martinez-Zarzoso et Nowak-Lehmann, 2003). Plusieurs chercheurs les considèrent comme des variables explicatives complémentaires à la distance dans la mesure qu’elle permet de réduire les couts de transport ainsi que d’information. Pour estimer l'effet de frontière et de la langue commune, les chercheurs ajoutent généralement des variables muettes. Ces variables prennent la valeur de '1' pour le partenaire commercial avec la frontière commune et '0' sinon, respectivement pour la langue commune. Les chercheurs envisagent souvent un effet positif sur les flux de commerce. Les pays ayant une frontière commune sont susceptibles de faire plus d'affaires entre eux que les pays non frontaliers (Atif et al., 2016). Achy (2007), Ruiz et al. (2007) et Atif et al. (2016) ont trouvé un impact positif de cette variable par contre Martinez-Zarzoso (2003) a trouvé que le partage d’une frontière commune n’est pas un effet significatif sur les volumes de marchandises échangés dans la zone Euromed (pays du sud et de l'est de la Méditerranée). En effet, Atif et al. (2016) notent que la frontière commune a un impact positif sur le commerce agricole, mais par contre l'infrastructure physique est également nécessaire pour augmenter les exportations avec les pays voisins et faciliter la circulation des marchandises des deux côtés de la frontière. Achy (2007) met le point aussi l’ouverture du commerce et l’application réelle des accords préférentiels. Quant à la langue commune, un impact positif est souvent envisagé. Si les nations commerçantes parlent une langue commune (et avec des traditions et une culture commune), elles devraient échanger plus que celles qui n'ont pas les mêmes caractéristiques. De plus, un langage commun facilite les négociations commerciales entre les pays commerçants (Atif et al., 2016). Achy (2007) note que la langue commune affecte positivement le commerce agricole. Martinez-Zarzoso (2003) à son tour indique que deux pays partageant une langue commune commercent 242% de plus en 1999, que les pays parlant une langue différente. Mais par contre Atif et al. (2016) ont trouvé que les exportations agricoles pakistanaises ne sont pas affectées positivement par la langue commune. Ces deux variables ne sont pas intéressantes dans le présent travail puisqu’on traite des pays qui ne partagent ni la langue ni des frontières. Lien historique : À côté des facteurs géographiques et économiques, plusieurs travaux récents insistent sur l’importance des facteurs historiques dans la détermination des échanges commerciaux (Achy, 2007 ; Crescimanno et al., 2013 ; Atif et al., 2016). Théoriquement, l’existence d’un passé colonial commun aux deux pays devrait agir positivement sur le volume de leur commerce bilatéral (Achy, 2007). Crescimanno et al. (2013) intègre cette variable dans son modèle pour vérifier si les liens culturels et historiques peuvent encore influencer la structure d'échange. Pour ce faire, Crescimanno et al. (2013) font appel à
50
une variable binaire qu’ils la trouvent positivement liée à la valeur des exportations italiennes dans la zone, montrant que les liens historiques entre les pays jouent encore un rôle important dans les flux commerciaux et, par conséquent, dans le renforcement des liens économiques entre les pays. Achy (2007) incorpore cette dimension historique par deux variables Colonisateur et Colonial qui permettent de caractériser le « passé colonial des pays partenaires ». La variable Colonisateur prend la valeur 1 lorsque les deux pays ont eu un même colonisateur et 0 sinon. Quant à la variable Colonial, elle prend la valeur 1 si le pays i avait colonisé le pays j ou vice versa et 0 sinon (Achy, 2007). Cette étude affirme que le poids de l’histoire joue un rôle significatif dans la détermination de la direction des flux commerciaux. En effet, toute chose étant égale par ailleurs, un pays tend à échanger 3,4 fois plus avec son colonisateur qu’avec les autres pays et dans le même ordre d’idée, les pays qui ont eu un même colonisateur échangent en moyenne 1,84 fois plus par rapport aux autres (Achy, 2007). Cette variable explicative est intéressante dans le cas en étude puisque les pays nord-africains ont des liens historiques avec certains partenaires européens (la France, l’Italie, l'Angleterre) La superficie Achy (2007) utilise la superficie en tant qu’une variable explicative à côté de la distance géographique pour approcher les couts de transport que génère le commerce entre les deux pays partenaires. Ensemble il les considère comme des facteurs de résistance, affectant négativement le volume du commerce bilatéral. L’impact anticipé était confirmé par les résultats. Enclavement du pays partenaire (sans façade maritime) Certains chercheurs intègrent l’enclavement des pays partenaires comme variable explicative. Achy (2007) prend en compte l’effet de cette variable sur le volume des échanges commerciaux en utilisant une variable binaire permettant de repérer si le pays partenaire a des frontières maritimes. La raison derrière la prise en compte de cette variable est que le transport maritime domine dans le transport international des volumes échangés entre les pays, soit plus de 80 % sont acheminés par bateau, en vrac ou dans des containers (Achy, 2007). Les résultats ont prouvé un effet négatif de l’enclavement du pays partenaire. Cet effet inhibiteur a été repéré par Ravishankar et Stack (2014) en étudiant le commerce bilatéral des pays de l’Europe de l’Est avec le reste des pays européens. En résumant, les variables explicatives prises en compte sont de différentes natures : économique, politique, géographique, historique ... Celles qui sont intégrées dans le modèle de gravité diffèrent d’une étude à l’autre selon les objectifs de recherche et les éléments qui intéressent le chercheur ainsi que le contexte de l’étude. Parmi ces variables, il y a celles qui évoluent en fonction des pays partenaires, mais qui sont constantes dans le temps telle que la distance, des variables explicatives au temps t pour les deux partenaires, des variables explicatives qualitatives ou binaires qui varient dans le temps et en fonction des pays partenaires, des variables explicatives qualitatives ou binaires spécifiques aux pays partenaires constants dans le temps (Achy, 2007). L’impact de ces variables varie entre négatif et positif.
51
Annexe 2 : Les pays d’origine et de destination des exportations concernés par l’étude Pays de destination (importateurs)
Albania Lebanon
Austria Lithuania
Bahrain Luxembourg
Belgium Malta
Bosnia herzegovina Mauritania
Bulgaria Morocco
Croatia Netherlands
Cyprus Norway
Czech Republic Oman
Denmark Poland
Egypt, Arab Rep. Portugal
Estonia Quatar
Finland Saudi Arabia
France Slovak Republic
Germany Slovenia
Greece Spain
Hungary Sweden
Iceland Switzerland
Iran, Islamic Rep. Syrian Arab Republic
Iraq Tunisia
Ireland Turkey
Israel United Arab Emirates
Italy United Kingdom
Jordan Yemen, Rep.
Kuwait Algeria
52
Latvia
Pays d’origine (exportateurs)
Algeria
Morocco
Mauritania
Tunisia
Egypt, Arab Rep.
Annexe 3
Figure : Représentation de la Frontière stochastique de commerce
Source : Tamini et al., 2016
53
ANNEXE 4 : Le tableau de résultat de l’estimation du modèle de gravité à frontière stochastique issu du logiciel STATA
Source : nos calculs à partir de la base de données
54
Annexe 5 : Les scores d'efficacité des pays nord-africains avec leurs partenaires Tableau 5A : Scores d’efficacité commerciale de la Tunisie avec ses partenaires
- 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Algeria 0,62 0,54 0,46 0,31 0,41 0,35 0,35 0,4
9 0,51 0,57 0,62 0,60
Austria 0,34 0,39 0,43 0,44 0,47 0,24 0,36 0,3
4 0,36 0,45 0,42 0,42
Bahrain 0,59 0,61 0,64 0,63 0,66 0,67 0,59 0,6
0 0,38 0,41 0,37 0,35
Cyprus 0,42 0,43 0,61 0,45 0,46 0,54 0,33 0,4
4 0,16 0,40 0,44 0,57
Czech Republic
0,46 0,43 0,38 0,33 0,21 0,30 0,48 0,4
6 0,44 0,51 0,49 0,37
Denmark 0,32 0,35 0,29 0,27 0,26 0,27 0,09 0,1
9 0,20 0,31 0,33 0,38
Egypt, Arab Rep.
0,12 0,22 0,27 0,24 0,29 0,35 0,35 0,1
2 0,14 0,38 0,47 0,44
France 0,31 0,29 0,35 0,33 0,35 0,35 0,36 0,3
6 0,37 0,38 0,40 0,40
Germany 0,34 0,40 0,39 0,41 0,45 0,44 0,45 0,4
0 0,45 0,45 0,47 0,43
Greece 0,18 0,28 0,39 0,35 0,27 0,37 0,28 0,3
6 0,37 0,37 0,43 0,38
Hungary 0,15 0,31 0,40 0,41 0,46 0,44 0,51 0,4
2 0,45 0,43 0,35 0,42
Italy 0,46 0,42 0,47 0,47 0,51 0,52 0,48 0,3
9 0,44 0,56 0,53 0,55
Jordan 0,26 0,28 0,59 0,55 0,38 0,27 0,11 0,2
3 0,20 0,31 0,41 0,24
Kuwait 0,35 0,55 0,48 0,50 0,52 0,53 0,47 0,4
2 0,24 0,16 0,18 0,16
Lebanon 0,36 0,30 0,38 0,36 0,41 0,40 0,33 0,2
8 0,21 0,12 0,24 0,26
Malta 0,21 0,12 0,44 0,20 0,14 0,30 0,09 0,1
9 0,28 0,20 0,09 0,35
Mauritania 0,19 0,06 0,17 0,12 0,22 0,28 0,35 0,3
8 0,46 0,52 0,45 0,41
Morocco 0,34 0,33 0,32 0,34 0,39 0,45 0,52 0,5
2 0,50 0,51 0,55 0,53
Netherlands
0,18 0,23 0,18 0,14 0,12 0,16 0,23 0,3
2 0,36 0,26 0,31 0,31
Norway 0,43 0,06 0,20 0,47 0,54 0,51 0,49 0,2
0 0,17 0,28 0,28 0,23
55
Oman 0,50 0,53 0,55 0,57 0,58 0,56 0,59 0,5
9 0,26 0,36 0,20 0,10
Poland 0,52 0,18 0,11 0,27 0,20 0,22 0,24 0,2
8 0,33 0,46 0,25 0,33
Portugal 0,25 0,31 0,36 0,35 0,38 0,46 0,41 0,4
9 0,38 0,40 0,31 0,45
Quatar 0,57 0,62 0,57 0,55 0,58 0,57 0,52 0,5
1 0,38 0,45 0,51 0,53
Saudi Arabia
0,37 0,42 0,42 0,44 0,45 0,45 0,46 0,4
4 0,35 0,27 0,29 0,30
Spain 0,48 0,39 0,47 0,45 0,58 0,49 0,42 0,4
0 0,44 0,53 0,48 0,53
Sweden 0,29 0,21 0,22 0,28 0,27 0,34 0,27 0,2
3 0,21 0,14 0,39 0,30
Switzerland 0,53 0,52 0,60 0,60 0,57 0,58 0,57 0,5
7 0,59 0,60 0,59 0,58
Turkey 0,26 0,29 0,21 0,15 0,19 0,39 0,18 0,2
0 0,16 0,24 0,31 0,20
United Arab Emirates
0,48 0,51 0,53 0,52 0,54 0,54 0,48 0,4
5 0,36 0,33 0,30 0,30
United Kingdom
0,37 0,44 0,60 0,46 0,37 0,34 0,36 0,3
5 0,40 0,40 0,39 0,31
Yemen, Rep.
0,27 0,27 0,40 0,20 0,28 0,43 0,40 0,3
7 0,10 0,21 0,31 0,42
Slovenia - - 0,03 0,21 0,33 0,36 - 0,2
6 0,21 0,26 0,39 0,51
Belgium - - - - 0,34 0,28 0,35 0,2
7 0,35 0,38 0,38 0,37
Albania - - 0,45 - - - - - - - 0,01 -
Bosnia herzegovina
- - - - 0,36 - - - 0,26 0,37 0,56 0,42
Bulgaria - - - - 0,18 - 0,54 0,2
3 0,15 0,06 0,09 -
Croatia - - - - - 0,00 - - 0,04 0,44 0,09 0,29
Latvia - - - - - - - 0,3
2 0,36 0,23 0,10 -
Lithuania - - - - - - - 0,2
1 0,31 0,19 0,08 0,18
Luxembourg
- - - - 0,43 - - - 0,22 0,35 0,26 0,17
Slovak Republic
- - - - - 0,10 - 0,2
6 - - 0,19 0,38
56
Syrian Arab Republic
- - - - - 0,00 - 0,1
0 0,03 0,01 0,01 0,04
Estonia - - - - - - - - - - - 0,56
Finland - - 0,06 - - - - - - - - 0,10
Iceland 0,67 0,68 - - - - 0,25 - - - - -
Iran, Islamic Rep.
- - - - - 0,00 - - - - - 0,02
Iraq 0,00 0,00 0,39 0,12 0,24 0,00 0,29 0,3
5 - - 0,33 0,08
Ireland - 0,20 - - - 0,11 0,26 0,3
4 0,31 0,01 0,38 0,40
Israel - - - - - - - - - - - -
Tableau 5B : Scores d’efficacité commerciale de l’Algérie avec ses partenaires
1995 1996 1997 1998 1999 2000 2001 200
2 2003 2004 2005 2006
Albania - - - - - - - - - - - -
Austria - - 0,26 - - - 0,34 - - - - -
Bahrain - - - 0,27 - 0,00 - - 0,35 - 0,0
3 0,18
Belgium - - - - 0,40 0,53 0,42 0,5
0 0,50
0,3
8
0,3
0 0,29
Bosnia herzegovina
- - - - - - - - - - - -
Bulgaria - - - 0,77 - - - - - - - -
Croatia - - - - - - - 0,0
3 0,43
0,0
2
0,4
2 0,52
Cyprus - - - - - - - - - - - -
Czech Republic
- 0,32 0,23 0,37 - - - - - - - -
Denmark - 0,32 - 0,15 0,26 0,46 0,22 0,3
6 0,23
0,2
2
0,4
0 0,21
Egypt, Arab Rep.
- - 0,19 0,05 - 0,00 - - 0,14 0,4
3 - 0,20
Estonia - - - - - - - - - - - -
57
Finland - - - - - - - - - - - -
France 0,48 0,52 0,46 0,49 0,51 0,55 0,49 0,4
7 0,48
0,4
7
0,4
9 0,45
Germany 0,30 0,36 0,17 0,12 0,06 0,05 0,06 0,0
7 0,09
0,0
5
0,0
1 0,12
Greece 0,27 - - - - - - - - 0,2
2 - 0,05
Hungary - - - - - - - - - - 0,0
0 -
Iceland - - - - - - 0,61 0,4
7 - - - -
Iran, Islamic Rep.
- - - - - - - - - - - -
Iraq - - - - 0,73 0,73 - 0,3
6 - - - -
Ireland - - - - - - 0,44 - - - - 0,15
Israel - - - - - - - - - - - -
Italy 0,13 0,13 0,20 0,34 0,16 0,21 0,25 0,2
0 0,19
0,1
7
0,1
7 0,39
Jordan 0,66 0,65 - - - 0,14 0,14 0,0
7 0,35
0,2
6 - 0,18
Kuwait - 0,15 - 0,33 - 0,33 0,16 0,3
3 0,48
0,6
3
0,3
3 0,62
Latvia - - - - - - - - - - - -
Lebanon 0,08 0,10 0,22 0,06 - - 0,01 0,0
9 -
0,0
6
0,0
4 0,26
Lithuania - - - - - - - - 0,01 - - -
Luxembourg
- - - - - - - - - - 0,2
9 -
Malta - - - - - 0,51 0,56 0,2
4 0,42
0,1
8 - 0,28
Mauritania 0,28 0,29 0,35 - - - 0,21 0,0
4 0,60
0,5
0
0,2
6 0,46
Morocco 0,47 0,53 0,47 0,20 0,22 0,29 0,20 0,3
1 0,21
0,1
7
0,2
0 0,21
Netherlands
- 0,22 0,07 0,04 0,12 0,20 0,23 0,4
5 0,54
0,5
1
0,5
0 0,52
Norway 0,17 - - - - - - - - - - -
Oman - - - - - - - - - - - -
58
Poland 0,43 - - - - - - 0,2
1 - -
0,3
6 -
Portugal - 0,01 0,35 0,02 0,33 - - - 0,47 0,4
1
0,3
2 0,06
Quatar - 0,16 0,08 0,51 - - - - 0,35 0,2
9
0,0
9 0,39
Saudi Arabia
0,19 - - 0,11 - 0,15 0,03 0,0
8 0,21
0,1
1
0,0
0 0,05
Slovak Republic
- - - - - - - - - - - -
Slovenia - - - - - - - - - - - -
Spain 0,31 0,26 0,25 0,19 0,30 0,38 0,32 0,3
8 0,39
0,3
6
0,3
9 0,37
Sweden 0,41 0,43 0,37 0,17 0,28 0,32 0,44 0,4
1 0,50
0,3
2
0,4
4 0,44
Switzerland 0,32 0,49 0,43 0,45 0,34 0,48 0,39 0,4
7 0,39
0,4
6
0,3
8 0,32
Syrian Arab Republic
0,05 - - - - 0,13 - - 0,09 0,0
8
0,1
3 0,21
Tunisia 0,45 0,25 0,15 0,24 0,19 0,25 0,31 0,4
5 0,44
0,4
7
0,5
2 0,51
Turkey - 0,48 - 0,64 - 0,09 - 0,4
0 0,46
0,3
2
0,3
6 0,15
United Arab Emirates
0,27 0,31 0,36 0,21 0,16 0,10 0,36 0,3
3 0,43
0,3
3
0,1
4 0,54
United Kingdom
0,29 0,35 0,27 0,31 0,21 0,07 0,15 0,1
0 0,12
0,3
8
0,3
4 0,48
Yemen, Rep.
- - - - - - - - - - - -
2007 2008 2009 2010 2011 2012 2013 201
4 2015 2016
Albania - - - 0,59 - 0,68 0,74 0,7
1 0,69
0,7
0
Austria - - - 0,13 - - - 0,0
1 -
0,0
0
Bahrain - 0,29 0,25 0,39 0,38 0,22 0,27 0,1
5 0,04
0,1
9
Belgium 0,29 0,17 0,14 0,23 0,44 0,39 0,44 0,3
7 0,23
0,3
0
Bosnia herzegovina
- - - - - - - - - -
59
Bulgaria 0,20 - - - 0,79 - 0,18 0,3
4 0,21
0,6
0
Croatia - 0,44 0,59 0,59 0,05 0,64 0,72 0,4
4 0,53
0,5
1
Cyprus - - - 0,41 0,59 0,48 0,51 0,5
6 0,61
0,6
3
Czech Republic
- - - - 0,38 - 0,04 0,4
2 -
0,0
1
Denmark - - - - - 0,30 - 0,0
6 -
0,0
0
Egypt, Arab Rep.
0,13 0,13 - 0,56 0,36 0,19 0,04 0,0
3 0,09
0,7
0
Estonia - - - - - - - - - 0,0
3
Finland - - - - - - - - - -
France 0,44 0,38 0,29 0,31 0,30 0,26 0,27 0,3
0 0,30
0,3
4
Germany 0,03 0,06 0,27 0,25 0,23 0,26 0,33 0,4
4 0,39
0,3
9
Greece 0,15 0,36 0,15 0,15 0,42 0,59 0,63 0,5
1 0,52
0,5
5
Hungary - 0,11 - - - - - - - -
Iceland - - - - 0,64 - 0,37 - - -
Iran, Islamic Rep.
- - - - - - - - 0,05 -
Iraq - - - 0,56 0,71 0,73 0,70 0,6
7 0,47
0,2
3
Ireland - - - - - 0,38 0,37 0,3
1 - -
Israel - - - - - - - - - -
Italy 0,19 0,21 0,19 0,16 0,42 0,37 0,45 0,3
4 0,21
0,3
6
Jordan 0,09 - 0,23 0,68 0,39 0,53 0,59 0,5
4 0,47
0,6
3
Kuwait 0,60 0,41 0,62 0,20 0,31 0,52 0,61 0,0
5 0,42
0,2
1
Latvia - - - - 0,33 - - - - -
Lebanon 0,01 0,03 0,13 0,68 0,67 0,63 0,68 0,6
8 0,64
0,6
4
Lithuania - - - 0,27 - - 0,53 - 0,08 -
60
Luxembourg
- - - - - - 0,22 - - -
Malta - 0,26 0,22 0,08 - - 0,27 0,4
3 0,52
0,6
1
Mauritania 0,59 0,49 0,42 0,12 0,10 0,33 0,38 0,6
4 0,46
0,6
9
Morocco 0,24 0,21 0,11 0,05 0,05 0,10 0,11 0,1
5 0,11
0,1
2
Netherlands
0,48 0,45 0,41 0,37 0,57 0,46 0,53 0,4
0 0,27
0,4
2
Norway - 0,24 0,21 0,09 0,04 - - - - 0,0
8
Oman - - - 0,35 - 0,06 - - - 0,0
2
Poland 0,09 - 0,02 - 0,72 0,26 0,46 - - -
Portugal 0,03 - - 0,35 0,50 - 0,24 0,4
8 -
0,1
6
Quatar 0,47 0,40 0,57 0,38 0,45 0,51 0,58 0,2
9 0,45
0,5
0
Saudi Arabia
0,14 0,02 0,29 0,48 0,45 0,49 0,49 0,3
9 0,42
0,4
7
Slovak Republic
- - - - - - - - 0,00 -
Slovenia - - - - - - 0,01 - 0,01 -
Spain 0,35 0,28 0,26 0,16 0,28 0,24 0,28 0,2
3 0,23
0,2
5
Sweden 0,39 0,29 0,16 0,15 0,13 0,09 0,19 0,0
8 0,11
0,1
7
Switzerland 0,03 0,22 0,09 0,15 0,09 0,14 0,18 0,0
5 0,04
0,0
6
Syrian Arab Republic
0,06 0,37 0,55 0,74 0,70 0,70 0,72 0,6
9 0,63
0,5
8
Tunisia 0,53 0,52 0,36 0,53 0,58 0,32 0,41 0,5
9 0,51
0,3
8
Turkey 0,31 0,54 0,41 0,50 0,46 0,24 0,56 0,6
9 0,74
0,7
2
United Arab Emirates
0,30 0,28 0,47 0,59 0,48 0,50 0,44 0,4
7 0,45
0,5
9
United Kingdom
0,50 0,42 0,43 0,50 0,43 0,50 0,39 0,3
8 0,35
0,3
9
Yemen, Rep.
- - 0,11 0,09 - 0,06 - - - -
61
Tableau 5C : Scores d’efficacité commerciale de l’Égypte avec ses partenaires
1995 1996 1997 1998 1999 2000 2001 2002 2003 200
4
200
5 2006
Albania 0,55 0,63 0,17 0,63 0,01 0,49 0,47 0,46 0,50 0,51 0,47 0,50
Algeria 0,33 0,20 0,27 0,10 0,21 0,19 0,27 0,28 0,40 0,42 0,38 0,21
Austria 0,46 0,50 0,42 0,44 0,32 0,43 0,39 0,39 0,44 0,34 0,39 0,48
Bahrain 0,45 0,41 0,37 0,44 0,41 0,42 0,33 0,37 0,37 0,36 0,29 0,28
Belgium - - - - 0,41 0,43 0,51 0,46 0,49 0,47 0,49 0,50
Bosnia herzegovina
0,51 0,00 0,26 - 0,44 - 0,20 0,08 0,14 0,11 0,39 0,40
Bulgaria 0,53 0,72 0,63 0,66 0,66 0,12 0,62 0,53 0,22 0,56 0,56 0,54
Croatia 0,32 0,60 0,38 0,40 0,33 0,43 0,52 0,23 0,33 0,47 0,50 0,56
Cyprus 0,37 0,25 0,25 0,31 0,37 0,35 0,28 0,28 0,31 0,26 0,27 0,23
Czech Republic
0,62 0,49 0,20 0,19 0,20 0,15 0,28 0,31 0,46 0,40 0,42 0,14
Denmark 0,13 0,39 0,41 0,26 0,52 0,24 0,14 0,28 0,30 0,25 0,29 0,22
Estonia - - - 0,40 - - 0,00 - 0,39 0,11 0,16 0,32
Finland 0,13 0,17 0,24 0,14 0,37 0,00 0,08 0,05 0,12 0,23 0,51 0,48
France 0,46 0,42 0,24 0,33 0,28 0,28 0,25 0,25 0,28 0,30 0,26 0,28
Germany 0,52 0,31 0,49 0,48 0,53 0,51 0,47 0,43 0,47 0,35 0,48 0,44
Greece 0,44 0,43 0,35 0,39 0,18 0,33 0,27 0,36 0,32 0,38 0,34 0,27
Hungary 0,53 0,51 0,50 0,29 0,22 0,28 0,49 0,13 0,31 0,45 0,46 0,50
Iceland - - - - - - - - 0,00 - - -
Iran, Islamic Rep. - - - 0,19 - 0,48 0,59 0,00 0,00 0,32 0,23 0,11
Iraq 0,00 0,01 0,47 0,38 0,61 0,63 0,51 0,54 0,52 0,55 0,47 0,42
Ireland 0,44 0,35 0,32 0,49 0,34 0,52 0,09 0,44 0,45 0,36 0,58 0,54
Israel 0,43 0,52 0,51 0,45 0,28 0,41 0,19 0,39 0,35 0,41 0,38 0,33
Italy 0,23 0,23 0,10 0,16 0,12 0,29 0,25 0,24 0,29 0,29 0,17 0,28
Jordan 0,25 0,11 0,24 0,32 0,34 0,24 0,23 0,22 0,36 0,32 0,35 0,34
Kuwait 0,50 0,51 0,50 0,54 0,47 0,50 0,46 0,45 0,42 0,35 0,28 0,34
62
Latvia - - - 0,00 0,00 0,00 0,21 0,35 0,47 0,50 0,47 0,36
Lebanon 0,43 0,38 0,36 0,34 0,34 0,36 0,31 0,30 0,34 0,34 0,34 0,27
Lithuania 0,11 0,00 0,23 0,00 0,00 0,00 0,14 0,13 0,08 0,18 0,38 0,20
Luxembourg
- - - - 0,00 - 0,37 - - 0,02 0,54 0,43
Malta 0,18 0,52 0,15 0,40 0,45 0,30 0,24 0,36 0,42 0,40 0,45 0,45
Mauritania - - - - - - 0,44 - 0,03 0,11 0,53 0,28
Morocco 0,42 0,24 0,42 0,40 0,42 0,54 0,43 0,47 0,23 0,23 0,47 0,43
Netherlands
0,41 0,41 0,36 0,39 0,44 0,48 0,44 0,34 0,35 0,43 0,45 0,42
Norway 0,06 0,06 0,11 0,00 0,18 0,00 - 0,47 0,07 0,21 0,41 0,37
Oman 0,20 0,20 0,13 0,48 0,18 0,49 0,21 0,44 0,42 0,33 0,29 0,38
Poland 0,28 0,35 0,25 0,21 0,00 0,33 0,35 0,42 0,48 0,45 0,32 0,37
Portugal 0,13 0,35 0,36 0,19 0,21 0,20 0,18 0,14 0,36 0,40 0,40 0,35
Quatar 0,44 0,51 0,49 0,51 0,45 0,45 0,36 0,40 0,40 0,30 0,29 0,25
Saudi Arabia
0,50 0,51 0,50 0,56 0,47 0,45 0,50 0,47 0,42 0,44 0,40 0,34
Slovak Republic
0,47 0,18 - 0,00 0,00
0,21 0,04 0,13 0,51 0,24 0,08
Slovenia 0,58 0,58 0,54 0,59 0,62 0,00 0,61 0,53 0,56 0,56 0,64 0,53
Spain 0,26 0,26 0,19 0,19 0,12 0,11 0,14 0,20 0,15 0,18 0,21 0,17
Sweden 0,35 0,26 0,30 0,16 0,17 0,24 0,25 0,28 0,27 0,23 0,15 0,16
Switzerland 0,14 0,51 0,24 0,35 0,13 0,29 0,28 0,19 0,24 0,33 0,34 0,28
Syrian Arab Republic
0,47 0,41 0,36 0,36 0,41 0,43 0,38 0,34 0,42 0,44 0,44 0,41
Tunisia 0,25 0,32 0,22 0,26 0,40 0,33 0,25 0,23 0,27 0,40 0,44 0,32
Turkey 0,38 0,47 0,50 0,52 0,49 0,47 0,47 0,42 0,47 0,41 0,41 0,37
United Arab Emirates
0,43 0,43 0,44 0,50 0,46 0,48 0,44 0,39 0,41 0,34 0,36 0,32
United Kingdom
0,51 0,48 0,41 0,42 0,42 0,39 0,35 0,32 0,36 0,18 0,40 0,34
Yemen, Rep.
0,15 0,12 0,22 0,32 0,34 0,28 0,26 0,35 0,26 0,26 0,27 0,21
63
2007 2008 2009 2010 2011 2012 2013 2014 2015 201
6
Albania 0,50 0,45 0,40 0,35 0,16 0,34 0,33 0,27 0,11 0,07
Algeria 0,35 0,44 0,50 0,41 0,47 0,44 0,47 0,42 0,52 0,50
Austria 0,33 0,31 0,32 0,30 0,32 0,34 0,27 0,45 0,42 0,39
Bahrain 0,35 0,47 0,49 0,47 0,46 0,42 0,41 0,40 0,38 0,31
Belgium 0,56 0,51 0,58 0,45 0,54 0,52 0,49 0,43 0,49 0,51
Bosnia herzegovina
0,30 0,42 0,41 0,37 0,37 0,39 0,38 0,40 0,35 0,31
Bulgaria 0,49 0,51 0,58 0,38 0,39 0,32 0,37 0,43 0,40 0,33
Croatia 0,43 0,49 0,54 0,42 0,41 0,24 0,30 0,31 0,42 0,37
Cyprus 0,20 0,22 0,19 0,18 0,19 0,18 0,15 0,16 0,17 0,10
Czech Republic
0,17 0,25 0,26 0,22 0,12 0,11 0,28 0,28 0,36 0,39
Denmark 0,15 0,28 0,32 0,28 0,20 0,30 0,17 0,13 0,22 0,23
Estonia 0,46 0,33 0,43 0,34 0,16 0,33 0,31 0,28 0,24 0,29
Finland 0,43 0,45 0,47 0,45 0,47 0,46 0,45 0,45 0,11 0,42
France 0,28 0,31 0,30 0,31 0,35 0,32 0,32 0,27 0,27 0,28
Germany 0,46 0,46 0,48 0,43 0,38 0,43 0,39 0,43 0,42 0,38
Greece 0,28 0,28 0,25 0,27 0,24 0,19 0,21 0,15 0,07 0,24
Hungary 0,43 0,48 0,42 0,40 0,43 0,33 0,39 0,39 0,24 0,39
Iceland - - 0,25 - 0,18 - 0,01 0,01 - 0,00
Iran 0,65 0,73 0,73 0,72 0,69 0,68 0,65 - 0,02 0,12
Iraq 0,35 0,52 0,41 0,43 0,44 0,24 0,44 0,40 0,38 0,33
Ireland 0,64 0,52 0,58 0,62 0,48 0,59 0,56 0,59 0,50 0,52
Israel 0,29 0,39 0,38 0,41 0,37 0,35 0,29 0,32 0,32 0,27
Italy 0,30 0,21 0,20 0,29 0,27 0,27 0,28 0,24 0,23 0,23
Jordan 0,31 0,35 0,33 0,23 0,28 0,26 0,25 0,22 0,19 0,23
Kuwait 0,34 0,41 0,49 0,44 0,39 0,35 0,36 0,38 0,50 0,50
Latvia 0,39 0,47 0,49 0,39 0,45 0,43 0,29 0,40 0,37 0,32
64
Lebanon 0,37 0,39 0,33 0,28 0,29 0,26 0,32 0,27 0,23 0,25
Lithuania 0,36 0,44 0,53 0,04 0,46 0,48 0,49 0,44 0,40 0,15
Luxembourg
0,36 0,59 0,67 0,32 0,55 0,61 0,70 0,61 0,54 0,38
Malta 0,42 0,36 0,36 0,27 0,27 0,26 0,18 0,20 0,09 0,18
Mauritania 0,20 0,32 0,29 0,55 0,25 0,30 0,31 0,35 0,30 0,26
Morocco 0,46 0,47 0,48 0,45 0,42 0,43 0,44 0,48 0,34 0,42
Netherlands
0,43 0,44 0,48 0,47 0,43 0,45 0,45 0,44 0,44 0,44
Norway 0,37 0,31 0,07 0,29 0,25 0,23 0,19 0,22 0,21 0,26
Oman 0,42 0,52 0,59 0,53 0,51 0,45 0,47 0,45 0,50 0,50
Poland 0,40 0,41 0,33 0,34 0,41 0,36 0,33 0,38 0,43 0,42
Portugal 0,32 0,41 0,26 0,31 0,26 0,15 0,33 0,38 0,28 0,11
Quatar 0,20 0,29 0,36 0,31 0,22 0,16 0,28 0,26 0,32 0,34
Saudi Arabia
0,34 0,42 0,52 0,46 0,42 0,91 0,40 0,37 0,42 0,43
Slovak Republic
0,20 - - - - - - - - -
Slovenia 0,57 0,50 0,52 0,52 0,48 0,57 0,51 0,52 0,52 0,55
Spain 0,13 0,14 0,11 0,10 0,12 0,12 0,15 0,09 0,10 0,13
Sweden 0,27 0,33 0,38 0,30 0,30 0,27 0,20 0,27 0,29 0,33
Switzerland 0,45 0,36 0,32 0,31 0,36 0,28 0,37 0,28 0,14 0,25
Syrian Arab Republic
0,38 0,36 0,42 0,39 0,40 0,24 0,33 0,28 0,23 0,16
Tunisia 0,34 0,46 0,50 0,46 0,49 0,44 0,39 0,40 0,38 0,34
Turkey 0,38 0,25 0,32 0,25 0,17 0,26 0,20 0,20 0,21 0,20
United Arab Emirates
0,36 0,40 0,46 0,44 0,39 0,38 0,39 0,38 0,41 0,40
United Kingdom
0,38 0,44 0,49 0,45 0,44 0,42 0,36 0,26 0,26 0,39
Yemen, Rep.
0,32 0,47 0,51 0,92 0,46 0,42 0,35 0,35 0,41 0,47
65
Tableau 5D : Scores d’efficacité commerciale du Maroc avec ses partenaires
1995 1996 1997 1998 1999 2000 2001 2002 2003 200
4
200
5 2006
Albania 0,00 - - - - - - - - 0,07 0,26 0,26
Algeria 0,20 0,09 0,04 0,04 0,03 0,04 0,10 0,18 0,25 0,34 0,22 0,29
Austria 0,43 0,47 0,47 0,43 0,48 0,46 0,42 0,42 0,51 0,50 0,48 0,34
Bahrain 0,21 - 0,16 0,35 0,35 0,24 0,16 0,11 0,24 0,19 0,29 0,27
Belgium - - - - 0,39 0,43 0,39 0,40 0,44 0,43 0,47 0,40
Bosnia herzegovina
- - - - - - - 0,38 0,26 0,24 0,46 0,31
Bulgaria 0,05 0,23 0,07 0,23 0,32 0,15 0,15 0,13 - 0,10 0,38 0,23
Croatia 0,41 0,29 0,13 0,24 0,30 - 0,47 0,31 0,24 0,38 0,39 0,37
Cyprus 0,53 0,52 0,54 0,51 0,29 0,37 0,33 0,17 0,16 0,15 0,18 0,18
Czech Republic
0,55 0,57 0,52 0,45 0,50 0,47 0,42 0,55 0,50 0,49 0,33 0,43
Denmark 0,26 0,17 0,19 0,21 0,22 0,17 0,42 0,45 0,38 0,28 0,34 0,30
Egypt, Arab Rep.
0,31 0,31 0,47 0,44 0,46 0,49 0,55 0,46 0,50 0,56 0,55 0,56
Estonia - - 0,52 0,52 - 0,11 0,25 - - - 0,06 0,35
Finland 0,60 0,59 0,61 0,62 0,63 0,59 0,58 0,59 0,58 0,55 0,62 0,46
France 0,32 0,34 0,35 0,36 0,42 0,40 0,35 0,36 0,38 0,36 0,36 0,35
Germany 0,45 0,46 0,46 0,45 0,48 0,49 0,42 0,42 0,43 0,41 0,45 0,42
Greece 0,36 0,38 0,40 0,42 0,48 0,46 0,43 0,48 0,43 - 0,39 0,39
Hungary 0,31 0,31 0,44 0,43 0,33 0,47 0,44 0,43 0,46 0,43 0,43 0,20
Iceland - - 0,22 - 0,15 - - - 0,12 - 0,47 0,41
Iran, Islamic Rep.
- 0,36 - - - - 0,09 0,60 0,64 0,25 0,17 0,10
Iraq 0,37 0,16 0,04 0,35 0,48 - 0,02 - - - 0,07 0,45
Ireland 0,45 0,40 0,40 0,38 0,16 0,33 0,36 0,31 0,45 0,31 0,22 0,17
Israel - - - - - - - - - - - -
Italy 0,30 0,30 0,32 0,30 0,35 0,44 0,32 0,35 0,36 0,32 0,36 0,35
Jordan 0,32 0,35 0,40 0,35 0,38 0,44 0,47 0,42 0,53 0,50 0,49 0,49
Kuwait 0,33 0,26 0,20 0,24 0,24 0,34 0,26 0,21 0,28 0,23 0,26 0,29
Latvia - - - - - - - - 0,59 0,53 0,45 0,53
66
Lebanon 0,36 0,32 0,33 0,31 0,30 0,31 0,33 0,39 0,46 0,44 0,46 0,52
Lithuania 0,43 0,58 0,59 0,68 0,65 0,66 0,66 0,66 0,66 0,66 0,64 0,60
Luxembourg
- - - - - - - - - - - -
Malta 0,43 0,40 0,42 0,45 0,50 0,48 0,37 0,38 0,39 0,34 0,38 0,35
Mauritania 0,09 0,12 0,16 0,20 0,21 0,26 0,25 0,34 0,40 0,33 0,35 0,30
Netherlands
0,33 0,35 0,35 0,41 0,47 0,47 0,40 0,42 0,46 0,41 0,45 0,43
Norway 0,61 0,63 0,65 0,60 0,60 0,58 0,61 0,58 0,65 0,65 0,63 0,59
Oman 0,04 0,11 0,43 0,54 0,52 0,42 0,29 0,45 0,29 0,31 0,48 0,53
Poland 0,59 0,61 0,61 0,61 0,65 0,56 0,28 0,44 0,51 0,51 0,46 0,30
Portugal 0,29 0,27 0,27 0,24 0,33 0,33 0,31 0,30 0,34 0,32 0,35 0,33
Quatar 0,34 0,15 0,08 0,09 0,06 0,13 0,11 0,14 0,32 0,30 0,32 0,35
Saudi Arabia
0,38 0,43 0,42 0,42 0,48 0,39 0,40 0,41 0,44 0,42 0,40 0,33
Slovak Republic
- - 0,53 0,56 0,60 0,59 0,54 0,56 0,60 0,54 0,59 0,57
Slovenia 0,26 0,05 0,29 0,12 0,17 0,13 0,39 0,46 0,53 0,47 0,13 0,45
Spain 0,22 0,23 0,28 0,27 0,32 0,38 0,32 0,32 0,32 0,30 0,32 0,31
Sweden 0,55 0,54 0,56 0,54 0,57 0,51 0,48 0,42 0,49 0,43 0,48 0,38
Switzerland 0,31 0,30 0,34 0,39 0,46 0,39 0,39 0,41 0,42 0,43 0,40 0,41
Syrian Arab Republic
0,43 0,33 0,39 0,43 0,44 0,43 0,45 0,47 0,51 0,46 0,45 0,46
Tunisia 0,44 0,46 0,29 0,32 0,39 0,38 0,38 0,39 0,40 0,36 0,34 0,37
Turkey 0,03 0,04 0,11 0,10 0,06 0,08 0,34 0,10 0,18 0,21 0,30 0,42
United Arab Emirates
0,18 0,25 0,21 0,25 0,25 0,20 0,18 0,17 0,22 0,21 0,21 0,27
United Kingdom
0,45 0,46 0,44 0,44 0,47 0,46 0,42 0,43 0,49 0,46 0,48 0,44
Yemen, Rep.
- - 0,02 - - 0,20 0,32 0,41 0,45 0,41 0,43 0,44
2007 2008 2009 2010 2011 2012 2013 2014 2015 201
6
Albania 0,21 0,21 0,14 0,13 0,16 0,27 0,30 0,23 0,34 0,39
Algeria 0,25 0,20 0,30 0,27 0,24 0,25 0,29 0,33 0,38 0,43
Austria 0,36 0,31 0,26 0,20 0,38 0,36 0,33 0,30 0,23 0,26
67
Bahrain 0,30 0,30 0,31 0,28 0,25 0,25 0,27 0,26 0,31 0,37
Belgium 0,41 0,36 0,34 0,29 0,30 0,32 0,35 0,34 0,32 0,33
Bosnia herzegovina
0,18 0,04 0,03 0,27 0,39 0,33 0,33 0,46 0,49 0,52
Bulgaria 0,24 0,19 0,12 0,22 0,23 0,21 0,19 0,15 0,25 0,28
Croatia 0,38 0,26 0,21 0,23 0,24 0,21 0,21 0,27 0,32 0,24
Cyprus 0,16 0,26 0,18 0,11 0,12 0,10 0,17 0,21 0,17 0,26
Czech Republic
0,42 0,40 0,31 0,34 0,31 0,26 0,34 0,44 0,50 0,54
Denmark 0,19 0,33 0,44 0,49 0,51 0,58 0,42 0,40 0,48 0,42
Egypt, Arab Rep.
0,54 0,49 0,42 0,36 0,28 0,32 0,27 0,31 0,35 0,42
Estonia 0,40 0,14 0,22 0,29 0,33 0,52 0,51 0,37 0,01 0,03
Finland 0,36 0,37 0,34 0,32 0,46 0,12 0,19 0,12 0,08 0,10
France 0,35 0,32 0,30 0,28 0,30 0,30 0,30 0,32 0,33 0,36
Germany 0,41 0,39 0,37 0,39 0,37 0,40 0,39 0,42 0,41 0,42
Greece 0,08 0,29 0,26 0,19 0,17 0,18 0,28 0,26 0,33 0,38
Hungary 0,45 0,38 0,34 0,23 0,28 0,42 0,16 0,20 0,21 0,30
Iceland - 0,56 0,34 0,51 0,60 0,33 0,49 0,52 0,51 0,39
Iran, Islamic Rep.
0,15 0,22 0,00 0,10 0,17 - - - - 0,07
Iraq 0,39 0,18 0,17 0,23 0,14 0,15 0,20 0,15 0,23 0,31
Ireland 0,18 0,29 0,35 0,39 0,50 0,32 0,32 0,38 0,28 0,23
Israel - - - - - - - - - -
Italy 0,32 0,30 0,28 0,23 0,26 0,26 0,28 0,28 0,31 0,34
Jordan 0,53 0,48 0,44 0,39 0,29 0,29 0,31 0,30 0,28 0,31
Kuwait 0,29 0,23 0,26 0,18 0,09 0,13 0,13 0,15 0,23 0,19
Latvia 0,48 0,58 0,60 0,57 0,59 0,58 0,64 0,59 0,51 0,37
Lebanon 0,51 0,48 0,42 0,38 0,42 0,43 0,43 0,44 0,43 0,45
Lithuania 0,51 0,55 0,44 0,45 0,49 0,36 0,35 0,21 0,23 0,32
Luxembourg
- - 0,27 0,29 0,26 0,28 0,27 0,17 0,19 0,14
Malta 0,49 0,47 0,47 0,47 0,35 0,42 0,47 0,39 0,47 0,49
68
Mauritania 0,34 0,30 0,26 0,33 0,36 0,40 0,41 0,43 0,44 0,45
Netherlands
0,45 0,43 0,44 0,45 0,48 0,47 0,49 0,50 0,52 0,51
Norway 0,60 0,60 0,57 0,48 0,39 0,24 0,36 0,51 0,54 0,55
Oman 0,46 0,20 0,13 0,12 0,04 0,04 0,09 0,10 0,11 0,30
Poland 0,23 0,37 0,37 0,27 0,29 0,20 0,24 0,23 0,62 0,22
Portugal 0,31 0,30 0,29 0,26 0,29 0,30 0,36 0,35 0,41 0,40
Quatar 0,34 0,26 0,24 0,15 0,14 0,13 0,15 0,15 0,22 0,27
Saudi Arabia
0,29 0,22 0,21 0,19 0,14 0,13 0,16 0,18 0,24 0,25
Slovak Republic
0,58 0,57 0,54 0,36 0,24 0,24 0,23 0,22 0,33 0,37
Slovenia 0,16 0,24 0,23 0,24 0,15 0,17 0,15 0,22 0,26 0,36
Spain 0,30 0,27 0,23 0,20 0,23 0,23 0,25 0,27 0,31 0,33
Sweden 0,36 0,40 0,45 0,44 0,42 0,51 0,54 0,61 0,61 0,52
Switzerland 0,40 0,41 0,31 0,29 0,30 0,25 0,30 0,28 0,23 0,22
Syrian Arab Republic
0,42 0,40 0,42 0,38 0,34 0,41 0,41 0,45 0,43 0,43
Tunisia 0,36 0,30 0,31 0,28 0,33 0,33 0,33 0,33 0,35 0,34
Turkey 0,41 0,35 0,29 0,40 0,26 0,36 0,43 0,53 0,59 0,61
United Arab Emirates
0,27 0,24 0,22 0,22 0,14 0,12 0,18 0,18 0,25 0,27
United Kingdom
0,44 0,43 0,41 0,40 0,45 0,41 0,43 0,43 0,40 0,44
Yemen, Rep.
0,30 0,14 0,30 0,24 0,15 0,33 0,37 0,31 0,27 0,38
Tableau 5E : Scores d’efficacité commerciale de la Mauritanie avec ses partenaires
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Albania - - - - - - - - - - - -
Algeria - - - - - 0,64 0,42 0,2
5 0,30 0,34 - -
Austria - - - - - - - - - - - -
Bahrain - - - - - - - - - - - -
Belgium - - - - - 0,15 - - - - - -
69
Bosnia
herzegovina - - - - - - - - - - - -
Bulgaria - - - - - 0,66 - - - - - -
Croatia - - - - - - - - - - - -
Cyprus - - - - - - - 0,5
6 - - - -
Czech
Republic - - - - - - -
0,6
8 - - - -
Denmark - - - - - - 0,22 - - 0,67 - -
Egypt, Arab
Rep. - - - - - 0,64 0,25
0,2
8 0,57 - 0,37 -
Estonia - - - - - - - - - - - -
Finland - - - - - 0,19 - - - - - -
France - - - - - 0,60 0,57 0,5
4 0,50 0,49 0,49 -
Germany - - - - - 0,13 0,16 0,0
4 - - 0,11 -
Greece - - - - - 0,65 0,45 0,5
6 0,51 0,61 0,46 -
Hungary - - - - - - - - - - - -
Iceland - - - - - 0,17 - - - - - -
Iran, Islamic
Rep. - - - - - - - - - - - -
Iraq - - - - - - - - - - - -
Ireland - - - - - - - - - - - -
Israel - - - - - - - - - 0,28 - -
Italy - - - - - 0,68 0,69 0,6
9 0,68 0,54 0,51 -
Jordan - - - - - - - - - - - -
Kuwait - - - - - - - - - - - -
Latvia - - - - - - - - - - - -
Lebanon - - - - - 0,48 0,39 0,3
7 0,42 0,54 0,54 -
Lithuania - - - - - - - - - - - -
Luxembourg - - - - - - - - - - - -
Malta - - - - - - - 0,6
4 - - - -
70
Morocco - - - - - 0,57 0,14 - 0,02 0,15 0,28 -
Netherlands - - - - - - 0,08 - - 0,06 0,03 -
Norway - - - - - - - - - - - -
Oman - - - - - - - - - - - -
Poland - - - - - - - - 0,58 0,20 - -
Portugal - - - - - 0,58 0,51 0,4
4 0,41 0,34 0,42 -
Quatar - - - - - - - - - - - -
Saudi Arabia - - - - - - - - 0,04 0,01 - -
Slovak
Republic - - - - - - - - - - - -
Slovenia - - - - - - - - - - - -
Spain - - - - - 0,72 0,71 0,6
8 0,67 0,65 0,63 -
Sweden - - - - - - - - - 0,26 - -
Switzerland - - - - - - - 0,2
3 0,21 - - -
Syrian Arab
Republic - - - - - - -
0,1
3 0,35 0,29 0,38 -
Tunisia - - - - - 0,27 0,34 0,2
9 0,27 0,49 0,15 -
Turkey - - - - - - 0,17 0,0
9 0,41 0,47 0,33 -
United Arab
Emirates - - - - - - - - 0,21 - - -
United
Kingdom - - - - - - -
0,0
5 0,04 0,03 0,03 -
Yemen, Rep. - - - - - - - - 0,25 - - -
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Albania - - - 0,06 - - - - - -
Algeria - - - 0,02 - 0,02 0,01 0,0
4 - 0,00
Austria - - - - - - - - - -
Bahrain - - - - - - - - - -
Belgium - - - - 0,01 0,25 0,12 - - 0,03
Bosnia - - - 0,43 - - - - - -
71
herzegovina
Bulgaria - - - 0,17 - - - 0,2
0 - 0,06
Croatia - - - - - - 0,11 - - -
Cyprus - - - 0,22 - - 0,17 0,3
3 - 0,31
Czech
Republic - - - - - - - - - -
Denmark - - 0,56 0,17 0,57 0,65 0,73 0,7
0 - 0,70
Egypt, Arab
Rep. - - 0,19 0,44 0,44 0,41 0,22
0,4
0 - 0,28
Estonia - - - 0,27 0,31 0,27 0,62 - - 0,18
Finland - - - - - - - - - -
France - 0,43 0,23 0,26 0,29 0,25 0,31 0,2
7 - 0,33
Germany - - 0,01 - 0,10 0,33 0,37 0,4
9 - 0,46
Greece 0,63 - 0,50 0,46 0,51 0,45 0,49 - - 0,45
Hungary - - - - - - - - - -
Iceland - - - - - - - - - -
Iran, Islamic
Rep. - - - - - - - - - -
Iraq - - - - - - - - - -
Ireland - - - - - - - - - -
Israel - - - - - - - - - -
Italy - 0,40 0,48 0,37 0,36 0,42 0,37 0,4
2 - 0,37
Jordan - - - - - - - - - 0,01
Kuwait - - - - - - - - - -
Latvia - - - - - 0,04 0,29 - - 0,47
Lebanon - - 0,08 0,23 0,31 0,28 0,24 0,2
4 - 0,18
Lithuania - - - 0,43 0,61 0,55 0,57 0,4
0 - 0,36
Luxembourg - - - - - - - - - -
Malta - - - 0,14 - - - - - 0,47
72
Morocco 0,11 - 0,05 0,12 0,11 0,06 0,02 0,0
7 - 0,03
Netherlands - - - 0,05 0,02 0,34 0,01 0,4
6 - 0,35
Norway - - - - - - - 0,5
4 - 0,45
Oman - - - - - - - - - -
Poland - - - - 0,06 0,12 0,09 - - -
Portugal 0,02 - 0,55 0,57 0,65 0,66 0,62 0,6
6 - 0,64
Quatar - - - - - - - 0,0
3 - -
Saudi Arabia - - - 0,01 - 0,11 0,04 0,1
5 - 0,20
Slovak
Republic - - - - - - - - - -
Slovenia - - - - - - - - - -
Spain - 0,56 0,54 0,53 0,55 0,54 0,46 0,5
2 - 0,52
Sweden - - - 0,26 - 0,01 - - - -
Switzerland - - - 0,08 0,45 - 0,23 0,3
0 - -
Syrian Arab
Republic - - - - 0,06 0,01 - - - -
Tunisia - 0,08 0,14 0,26 0,24 0,20 0,27 0,3
4 - 0,43
Turkey - - 0,24 0,19 0,24 0,16 0,40 0,6
0 - 0,63
United Arab
Emirates - - - - - - 0,03 - - 0,06
United
Kingdom - 0,02 - - 0,28 0,12 0,03
0,3
9 - 0,12
Yemen, Rep. - - - - - - - - - -
73
Annexe 6 : représentation graphique de l’évolution des scores d’efficacité par pays Figure 6A : Evolution de l’efficacité commerciale de la Tunisie
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Austria
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Algeria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bahrain
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Cyprus
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Czech Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Denmark
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Egypt, Arab Rep.
1 4 7 10 13 16 19 22
0
0,5
1
France 1
99
5
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Germany
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Greece
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Hungary
19
95
19
99
20
03
20
07
20
11
20
15
0
0,2
0,4
0,6
Italy
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Jordan
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Lebanon
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Malta
74
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Mauritania
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Morocco
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Netherlands
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Norway
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Oman
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Poland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Portugal
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Quatar
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Saudi Arabia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Sweden
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Switzerland
1 4 7 10 13 16 19 22
0
0,5
1
Turkey
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Yemen, Rep.
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
United Arab Emirates
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Slovenia
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Albania
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Belgium
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
United Kingdom
75
Figure 6B : Evolution de l’efficacité commerciale de l’Algérie
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bosnia herzegovina
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Bulgaria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Latvia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Luxembourg
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Lithuania
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Latvia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
0
0,5
1
Slovak Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Syrian Arab Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Luxembourg
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Estonia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Finland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Iceland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Iran, Islamic Rep.
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Ireland
1 3 5 7 9 11 13 15 17 19 21
0
1
Iraq
76
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Albania
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
1
Bahrain
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Belgium
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bulgaria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Croatia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Cyprus
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Czech Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Denmark
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Egypt, Arab Rep.
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
1
France
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Germany
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Greece
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Iceland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Iraq
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Ireland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Italy
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Jordan
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Kuwait
77
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Lebanon
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Lithuania
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Malta
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Mauritania
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Morocco
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Netherlands
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Norway
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Poland
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Portugal
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Quatar
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Saudi Arabia
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Spain
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Sweden
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Switzerland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
United Arab Emirates
78
Figure 6C : Evolution de l’efficacité commerciale de l’Égypte
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Syrian Arab Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Tunisia
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Turkey
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
United Kingdom
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Yemen, Rep.
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Albania
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Algeria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Austria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bahrain
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Belgium
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bosnia herzegovina
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bulgaria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Croatia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Cyprus
79
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Czech Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Denmark
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Estonia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Finland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
France
19
95
19
98
20
01
20
04
20
07
20
10
20
13
0
0,5
1
Germany
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
Greece
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Hungary
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Iran, Islamic Rep.
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Iraq
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Ireland 1
99
5
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Israel
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Italy
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Jordan
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Kuwait
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Latvia
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Lebanon
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Lithuania
80
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Luxembourg
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Malta
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Mauritania
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Morocco
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Netherlands
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Norway
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Oman
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Poland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Portugal
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Quatar
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Saudi Arabia 1
99
5
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Slovak Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Slovenia
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Spain
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Sweden
81
Figure 6D : Evolution de l’efficacité commerciale du Maroc
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Switzerland
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Syrian Arab Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Tunisia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Turkey
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
United Arab Emirates
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0 0,2 0,4 0,6 0,8
1
United Kingdom
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Yemen, Rep.
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Albania
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Algeria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Austria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bahrain
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Belgium
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bosnia herzegovina
82
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Bulgaria
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Croatia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Cyprus
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Czech Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Denmark
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Egypt, Arab Rep.
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Estonia
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Finland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
France
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Germany
19
95
19
99
20
03
20
07
20
11
20
15
0
0,2
0,4
0,6
Greece
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Hungary
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Iceland
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Iran, Islamic Rep.
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Iraq
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Ireland
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Italy
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Jordan
83
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Kuwait
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
0,8
Latvia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Lebanon
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Lithuania
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Luxembourg
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Malta
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Mauritania
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Netherlands
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Norway
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Oman
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Poland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Portugal
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Quatar
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Saudi Arabia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Slovak Republic
84
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Slovenia
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Spain
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Sweden
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Switzerland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Syrian Arab Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Tunisia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Turkey
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
United Arab Emirates
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
United Kingdom
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Yemen, Rep.
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Tunisia
85
Figure 6E : Evolution de l’efficacité commerciale de la Mauritanie
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
1
Algeria
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Cyprus
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Denmark 1
99
5
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Egypt, Arab Rep.
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Estonia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
France
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Germany
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Greece
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Italy
19
95
19
99
20
03
20
07
20
11
20
15
0
0,5
1
Latvia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Lebanon
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Lithuania
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Morocco
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Netherlands
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Poland
86
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Portugal
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Saudi Arabia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Spain
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Switzerland
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
Syrian Arab Republic
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
Tunisia
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,5
1
Turkey
19
95
19
98
20
01
20
04
20
07
20
10
20
13
20
16
0
0,2
0,4
0,6
United Kingdom
87
Annexe 7 : potentiel commercial
Tableau 7A : Moyenne du potentiel commercial de l’Algérie avec ses partenaires sur période
1995-2000 2001-2005 2006-2010 2011-2016
Albania 192,63 261,46 494,85 -8272,64
Austria 83,33 120,60 362,25 535,52
Bahrain 38,84 60,26 212,05 460,92
Belgium 3112,63 1866,70 9036,59 10261,93
Bosnia herzegovina 56,05 31,36 109,65 163,69
Bulgaria -392,45 79,96 331,70 -4458,79
Croatia 142,99 126,02 66,57 -1357,11
Cyprus 142,99 126,02 66,57 -1357,11
Czech Republic 74,38 100,96 385,06 480,20
Denmark 149,64 141,65 506,61 752,59
Egypt, Arab Rep. 279,57 254,34 513,05 -1618,16
Estonia 63,03 26,53 109,34 170,21
Finland 208,28 194,19 556,98 751,57
France 4855,82 10518,40 62132,34 117265,82
Germany 2658,11 2853,47 7056,47 9315,12
Greece 1186,90 1421,50 4079,77 -1693,00
Hungary 232,35 125,06 401,82 583,42
Iceland 103,59 23,53 146,92 79,75
Iran, Islamic Rep. 62,88 25,05 99,69 188,35
Iraq -925,94 331,46 1049,74 -27540,17
Ireland 101,19 44,99 159,71 205,42
Israel 329,01 133,24 337,81 652,04
Italy 14269,56 17748,70 46174,62 53727,48
Jordan -199,15 408,12 -1532,38 -1732,94
Kuwait 216,48 51,26 -480,48 920,28
88
Latvia 232,99 103,42 449,99 593,71
Lebanon 351,00 436,42 -1350,24 -11390,70
Lithuania 219,90 100,43 397,86 525,49
Luxembourg 45,59 18,25 62,09 104,80
Malta 109,12 56,71 294,99 305,77
Mauritania 507,32 273,34 1310,36 -5086,70
Morocco 4010,60 8935,53 31065,72 62881,14
Netherlands 2436,52 849,24 4401,39 4435,38
Norway 193,97 92,93 292,74 569,55
Oman 363,26 116,65 436,24 1058,10
Poland 322,19 143,33 502,37 -1158,63
Portugal 619,99 423,61 1450,35 1717,23
Quatar 282,72 74,69 162,86 612,82
Saudi Arabia 1858,01 932,13 3168,59 4085,16
Slovak Republic 287,93 80,71 299,35 447,82
Slovenia 309,04 99,57 323,25 469,32
Spain 18074,36 24642,54 94529,41 139456,41
Sweden 415,80 110,34 367,78 982,35
Switzerland 575,66 534,63 2517,93 5511,32
Syrian Arab Republic -860,96 652,56 1011,35 -26599,11
Tunisia 2374,04 2084,06 2525,74 1404,16
Turkey -6356,16 169,14 429,40 -6249,44
United Arab Emirates 424,10 545,58 484,62 1376,45
United Kingdom 1256,39 1712,06 1890,01 4712,42
Yemen, Rep. 979,22 350,79 1218,06 2706,75
Tableau 7B : Moyenne du potentiel commercial de la Tunisie avec ses partenaires sur période
1995-2000 2001-2005 2006-2010 2011-2016
89
Albania 1367,60 1728,15 4122,23 4473,97
Algérie 748,07 -2727,34 -8440,35 -7356,45
Austria 684,69 561,34 1288,70 1154,80
Bahrain -708,31 27,96 885,04 1251,63
Belgium 22479,00 14496,79 28460,45 35463,54
Bosnia herzegovina 158,14 130,93 237,83 125,31
Bulgaria 526,74 457,01 1879,60 2146,16
Croatia 1228,46 1064,66 2210,55 2183,35
Cyprus 78,86 463,26 127,92 563,02
Czech Republic 395,46 208,31 1494,90 1796,91
Denmark 1218,48 1187,85 1101,21 1148,81
Egypt, Arab Rep. 2857,89 2184,70 4175,96 10042,31
Estonia 134,83 142,08 -2716,79 288,56
Finland 1180,67 893,15 1600,41 1525,02
France 199135,11 166904,31 336120,94 393641,75
Germany 18968,49 11678,65 22230,01 28213,63
Greece 12855,40 12318,29 32647,10 25489,34
Hungary 596,87 547,45 1687,62 1632,83
Iceland -277,06 215,42 341,81 334,11
Iran, Islamic Rep. 155,79 127,19 -58,41 371,25
Iraq 2613,63 1794,38 7887,49 14847,07
Ireland 209,04 227,38 466,05 559,63
Israel 936,41 608,61 1062,60 1230,83
Italy 115745,62 57699,63 185169,86 290421,81
Jordan 1149,37 3230,29 6424,57 15750,51
Kuwait 404,87 2241,40 8463,26 10710,68
Latvia 561,62 502,62 1552,23 1431,95
Lebanon 3305,18 4296,89 7204,29 10850,21
90
Lithuania 558,02 610,49 1786,24 2116,67
Luxembourg 100,80 78,83 147,35 113,90
Malta 2009,44 2483,74 4812,32 1138,28
Mauritania 2326,54 882,76 2580,33 1702,40
Morocco 12434,97 722,37 -30097,88 -21347,35
Netherlands 21281,99 19391,49 42751,44 41174,51
Norway 338,00 480,92 1376,26 1604,90
Oman -180,11 125,10 2135,33 2612,56
Poland 882,21 928,91 2789,94 2847,43
Portugal 2062,67 1822,62 3644,98 -926,32
Quatar -296,69 244,30 2646,57 7910,69
Saudi Arabia 4878,52 7277,74 23439,35 40533,34
Slovak Republic 515,07 452,70 951,86 552,35
Slovenia 789,81 637,79 1362,42 1453,52
Spain 35817,90 54720,71 202548,31 174207,23
Sweden 1623,51 1473,11 -5179,31 2843,54
Switzerland -4228,75 -6257,60 782,10 19733,90
Syrian Arab Republic 5024,30 6253,60 12385,38 13155,70
Turkey 7440,36 9597,92 29723,02 36721,67
United Arab Emirates 208,21 4000,59 11734,74 10069,79
United Kingdom 4292,00 10120,99 19997,15 17582,84
Yemen, Rep. 1392,85 1920,11 5411,21 7592,46
Tableau 7C : Moyenne du Potentiel commercial du Maroc avec ses partenaires sur les différentes périodes
1995-2000 2001-2005 2006-2010 2011-2016
Albania 3003,31 3862,05 11025,24 12374,02
91
Algeria 24493,63 32947,64 105586,64 166269,97
Austria 1456,88 1076,37 6142,23 7523,08
Bahrain 1261,91 2175,42 6446,42 11134,33
Belgium 100587,84 60373,37 197437,23 268162,39
Bosnia herzegovina 359,40 423,22 1588,84 1073,52
Bulgaria 1223,67 1564,58 6135,29 8401,01
Croatia 2686,28 2654,04 9090,54 10426,35
Cyprus 429,90 2531,19 7048,68 7961,64
Czech Republic 21,00 1023,79 6342,69 6144,26
Denmark 6393,21 5257,20 10685,65 5498,66
Egypt, Arab Rep. 6461,73 -448,18 17091,09 68991,52
Estonia 329,64 613,85 1679,14 1634,06
Finland -5297,14 -3176,42 6365,79 8888,16
France 1029275,11 1120813,88 2812147,14 3497370,48
Germany 61601,86 75297,38 193886,55 244522,21
Greece 24064,28 34201,65 115407,24 98513,21
Hungary 1641,24 1860,41 6729,18 8725,51
Iceland 1346,15 1133,08 1135,63 444,38
Iran, Islamic Rep. 497,86 -8,94 1685,44 2336,92
Iraq 8292,04 8775,05 36599,07 94887,79
Ireland 840,25 1569,37 3830,76 4414,23
Israel 2659,11 1845,34 3955,34 5632,07
Italy 422908,09 470465,85 1128402,41 1304541,33
Jordan 9161,70 4742,77 26458,80 97154,12
Kuwait 7596,94 12981,87 48525,04 84631,32
Latvia 1994,34 694,68 -4122,41 -7139,15
Lebanon 13977,06 11920,13 25927,37 53574,41
Lithuania -3853,87 -9385,19 744,99 9817,42
92
Luxembourg 374,99 357,61 857,22 1111,84
Malta 1176,14 2202,10 3034,81 6015,55
Mauritania 22321,17 17078,75 69383,50 89010,88
Netherlands 78260,17 79675,53 172853,20 97592,65
Norway -4554,68 -7283,25 -5047,00 6249,94
Oman 1788,90 2635,74 11625,21 25933,81
Poland -5515,84 2251,87 13819,61 12912,80
Portugal 62641,27 73053,02 179690,02 177619,03
Quatar 1793,74 4085,96 28133,31 71137,76
Saudi Arabia 22739,96 33780,69 158420,48 332228,86
Slovak Republic 199,55 -715,23 -452,69 4276,97
Slovenia 2048,81 1156,16 5153,44 6228,63
Spain 1399959,39 1834878,65 5170010,98 5589282,84
Sweden -1757,49 4218,61 13176,32 -10241,84
Switzerland 25431,08 21877,40 62624,11 122085,51
Syrian Arab Republic 11052,04 10893,64 42439,63 52174,08
Tunisia 19216,96 25070,18 69088,97 88984,17
Turkey 7968,48 10285,89 28660,52 4355,01
United Arab Emirates 19208,57 31977,34 100208,11 184057,69
United Kingdom 38157,46 46296,97 117238,43 148582,53
Yemen, Rep. 7151,26 7119,62 32728,72 52903,18
Tableau 7D : Moyenne du potentiel commercial de l’Égypte avec ses partenaires sur les différentes périodes
1995-2000 2001-2005 2006-2010 2011-2016
Albania -595491,7 940859,08 7478730,93 23551367,84
Algeria 3710245 6755425,1 24934072,88 42528942,1
93
Austria 527664,64 1086592,1 4225143,85 7372480,116
Bahrain 950596,57 3365529,5 9022983,731 33203606,98
Belgium 6156375,4 3224436,9 -50565,19217 14526313,33
Bosnia herzegovina 114340,12 301536,24 1044526,915 2135695,424
Bulgaria -2160607 -432078,7 1088934,937 13811786,37
Croatia 410744,22 903453,31 2037889,884 10076723,65
Cyprus 4740773,5 10933892 46683024,4 77576133,89
Czech Republic 230566,85 837369,46 5527784,122 9425031,195
Denmark 1323372,3 2859992,3 9490004,024 18600909,21
Estonia 150571,84 297277,87 1014260,433 2819800,032
Finland 1310597,4 1492005,9 2940546,205 7007475,382
France 14791192 30683153 97239363,59 175400154,8
Germany 9143686,8 22615817 64337774,48 171507707
Greece 26903916 61035145 255027537,8 337353519,8
Hungary 427894,04 1264331,8 3895073,648 9725165,83
Iceland 270775,81 373031,6 1005132,184 2058463,761
Iran, Islamic Rep. 363220,34 376792,07 -34086224,34 -15084657,8
Iraq 1621923,3 1897239,6 70302365,68 356872933,3
Ireland 103320,7 114613,05 -1522754,869 -696688,232
Israel 4000734,5 9894443,8 33259824,17 105928355,8
Italy 139667812 240568521 750527798,8 1263202234
Jordan 45756758 87880275 453245146,7 1475124030
Kuwait 2043370,8 21733115 89483687,71 225924302,1
Latvia 676242,89 604699,57 3456891,772 8704616,296
Lebanon 41959035 84931323 317763804,4 954755919,3
Lithuania 733435,87 1592215,7 5252185,26 10227462,64
Luxembourg 27188,075 23304,977 -133230,6333 -452612,1905
Malta 609921,78 1206930,1 4864381,163 14260575,87
94
Mauritania 2564574,5 2286864,8 9422554,007 43930420,05
Morroco 7862528,2 15824864 42279616,01 122640777,8
Netherlands 14448901 26885443 68168056,13 139523867,9
Norway 753625,44 1176956,5 5241915,483 11742518,64
Oman 1859198,3 4130762,2 -2182396,929 26869641,49
Poland 1382348,7 1993553,6 10935067,4 20497018,4
Portugal 2021494,5 3361693,4 11752968,45 20759923,54
Quatar 722146 6585916,9 66311293,51 240552858,3
Saudi Arabia 10286220 59925305 236928549,1 -5,70936E+13
Slovak Republic 398230,83 531343,67 3008742,582 6001104,049
Slovenia -343419 -1052306 32227,33609 -236957,964
Spain 79557659 175466175 675652054,5 1081944652
Sweden 2551202,6 4482464,6 13052962,07 29899506,15
Switzerland 1599709,1 2927685,2 9216719,317 24760594,95
Syrian Arab Republic 33845277 79619682 325347824,4 786097799,7
Tunisia 5459535,9 9285655,3 20113897,14 52104372,54
Turkey 8842773,6 37248461 275658583,5 732614471,8
United Arab Emirates 9133570,1 37306136 146617956,5 439751539,2
United Kingdom 23652090 72663939 132136640,2 360115963,5
Yemen, Rep. 5839033,5 15661220 -8,82529E+13 137963899,9
Tableau 7E : Moyenne du potentiel commercial de la Mauritanie avec ses partenaires sur les différentes périodes
1995-2000 2001-2005 2006-2010 2011-2016
Albania 76058,53 187146,56 1248501,59 2922653,89
Algeria 52979,97 220032,15 1967351,50 6429773,67
Austria 51679,84 82988,19 467892,61 1122824,70
95
Bahrain 24533,10 70072,95 591433,87 1952684,60
Belgium 500791,01 826570,57 4675206,22 10960050,21
Bosnia herzegovina 9438,57 26378,99 162049,20 412287,59
Bulgaria 12644,13 59809,07 455863,50 1126751,58
Croatia 54593,72 104882,93 668996,56 1338198,91
Cyprus 36070,33 61304,72 484160,10 985476,61
Czech Republic 32399,00 8012,25 492382,10 1135844,95
Denmark 68705,05 -31487,52 413252,40 -8068845,81
Egypt, Arab Rep. 58384,68 135450,01 1380913,90 6087354,16
Estonia 14136,47 33199,02 226602,87 353926,95
Finland 113032,47 191629,86 1058308,91 2404115,99
France 1359914,07 480812,82 18499441,89 49617100,93
Germany 808821,57 1374971,00 7437344,42 13326180,41
Greece 226542,64 -190391,17 1185435,44 5510802,30
Hungary 47666,58 109071,03 622853,45 1363008,52
Iceland 40908,64 81287,69 408152,03 989680,57
Iran, Islamic Rep. 18330,21 36601,45 313484,89 814288,42
Iraq 236813,59 379653,98 4077478,13 16918747,39
Ireland 20420,64 52652,16 303979,00 766242,09
Israel 99013,21 150870,30 941158,33 3004009,07
Italy 650549,33 -11754802,63 18775706,16 49710839,15
Jordan 188940,28 396219,32 3344713,90 13588370,63
Kuwait 131987,22 366619,80 3194253,79 10379030,33
Latvia 54890,23 120053,83 900674,80 1769929,25
Lebanon 127942,88 75817,72 1947296,38 7345416,71
Lithuania 47021,64 110534,81 681503,13 472368,66
Luxembourg 3187,50 5903,38 38492,31 104463,57
96
Malta 31852,26 29196,22 358597,04 939929,50
Morroco 826436,34 2081197,95 14653073,16 45369785,75
Netherlands 772224,42 1574531,83 9072935,24 18090658,93
Norway 48390,07 97625,82 629381,46 1161904,91
Oman 80462,26 168798,10 1421004,15 5238369,14
Poland 66129,71 94139,63 905271,41 2291650,33
Portugal 150366,85 227857,29 495108,54 -9141878,90
Quatar 30141,07 122270,49 2119374,59 10155140,33
Saudi Arabia 482770,81 1153441,72 8907299,87 33165745,03
Slovak Republic 36144,00 74471,14 496415,22 1165292,91
Slovenia 41155,02 73418,23 449986,76 978665,80
Spain -2587554,46 -32906973,63 5697933,25 33168045,71
Sweden 88346,84 153943,77 842322,81 2482235,84
Switzerland 76024,10 128221,92 771801,89 2191403,83
Syrian Arab Republic 290875,01 562732,19 4483576,98 10446920,33
Tunisia 125374,52 209853,50 1650870,43 4041437,46
Turkey 72614,37 124329,21 1324973,08 -93973,11
United Arab Emirates 230974,95 689241,94 6583835,72 23243426,18
United Kingdom 465475,46 1016289,82 4894796,23 12128575,07
Yemen, Rep. 199810,73 531909,66 4223510,04 13170244,76
