Le mûrissement progressif du marché, ça promet

Mon éditorial

Je suis en train de découvrir les limites de l’exploration quantitative de ma base de données. C’est une expérience intéressante. J’essaie d’utiliser ma base de données pour étudier une autre composante de mon idée fixe : le Wasun. « Wasun » est un nom colloquial que j’avais donné à une monnaie virtuelle (donc un peu comme Bitcoin ou Ethereum), purement hypothétique pour le moment, qui serait attachée fonctionnellement au marché d’énergies renouvelables. J’ai essayé d’utiliser ma base de données pour simuler le développement de communautés locales basées à 100% sur les énergies renouvelables et pour découvrir en même temps le rôle des systèmes monétaires dans ce développement.

Mon éditorialBon, maintenant une petite gymnastique intellectuelle. Comment puis-je représenter le développement d’une communauté locale avec l’aide des variables macroéconomiques que j’ai dans ma base de données ? L’idée de base est que toute communauté locale est faite d’êtres humains sur un territoire. Pas vraiment une percée, vous direz, et encore… Dans ma petite base de données j’ai une variable qui reflète cette idée de base : c’est la densité de population. La formation d’une communauté équivaut à la croissance de la densité de population. Plus il y a de personnes sur un territoire donné, plus il est possible de les appeler, tous ensemble, une communauté. Le développement d’une communauté locale basée à 100% sur les énergies renouvelables c’est la croissance de la densité de population corrélée avec une augmentation soit dans le pourcentage d’énergies renouvelables dans la consommation finale d’énergie soit dans le volume absolu d’énergies renouvelables consommées.

J’imagine donc un point de départ, moment T0 pour les amis. Une communauté locale au moment T0 est fait de gens qui se foutent éperdument de l’énergie verte. Néanmoins, l’idée commence à germer : une personne après l’autre devient accro à la vision de n’utiliser que les énergies renouvelables. Maintenant je fais un soubresaut intellectuel : la communauté locale entière est comme un territoire désert et comme certains de ses membres se convertissent à l’idée d’énergie verte, c’est comme si des colons arrivaient dans ce territoire désert. Un colon, deux colons, trois colons et ainsi de suite jusqu’à ce que, à un moment ultérieur Tn, quelqu’un s’écrie « Faudrait bien élire un maire ! Je peux me sacrifier pour le bien de la communauté, puisque vous insistez tellement ». Quand on y pense, c’est bien comme ça que la plupart des marchés nouveaux voient le jour : dans une population générale qui, initialement, s’en fiche par ailleurs, une personne après l’autre devient intéressée par le produit ou service donné. La densité de population de ces accros du marché nouveau augmente progressivement et ils commencent à former une communauté.

Si je désigne donc la densité de population comme « DP », je peux poser une condition formelle de formation d’une communauté locale : DP(Tn) > DP(T0) ou   n > 0.

Bon, voilà du terrain défriché. Maintenant, je fais un modèle, largement basé sur cette exploration empirique que vous avez pu suivre à travers “C’est compliqué, mais gardons notre calme”  suivi par “Those new SUVs are visibly purchased with some capital rent” ainsi que “Côté pouvoir explicatif du modèle”  ou encore “If I want to remain bluntly quantitative” . Je pose donc une hypothèse complexe que le pourcentage « %Ren » d’énergies renouvelables dans la consommation finale d’énergie dépend d’une façon significative de la quantité « CK/Pop » de capital fixe par tête d’habitant, ainsi que de la part « labsh » des salaires dans le revenu brut de la population et du PIB par tête d’habitant (« GDP/Pop »). J’ajoute la proportion entre la masse monétaire agrégée et le PIB ou, en d’autres mots, ladite masse monétaire exprimée comme un pourcentage « M/GDP » du PIB. Ça vaut la peine de noter que comme le côté gauche de mon équation est un ratio (le pourcentage d’énergies renouvelables dans un total de consommation), je compose le côté droit avec des variables de nature similaire, donc des coefficients de proportion. Après avoir réduit tout ça à des valeurs logarithmiques pour éliminer un peu de bruit statistique, je pose donc formellement :

ln(%Ren) = a1*ln(CK/Pop) + a2*ln(labsh) + a3*ln(GDP/Pop) + a4*ln(M/GDP) + valeur résiduelle     

Je teste ce modèle dans ma base des données habituelle – Penn Tables 9.0 (Feenstra et al. 2015[1]) enrichie avec les données de la Banque Mondiale – et je corse le plat en ajoutant la densité de population comme variable de contrôle. Je demande poliment à mon logiciel d’analyse statistique, le Wizard pour MacOS, de définir des classes de densité de population. Pour une raison que j’ignore, ce Wizard définit habituellement des sextiles, c’est-à-dire il divise la base entière en des sous-ensembles de 1577 – 1578 observations « pays – année » chacun. J’ai donc six classes de densité de population et je teste mon modèle à l’intérieur de chaque classe séparément. Ici, j’entre sur du terrain incertain. Ma condition de base était : DP(Tn) > DP(T0) ou   n > 0, donc je parlais de changement de densité de population dans le temps. Dans ma base de données j’ai des observations « pays – année » : je combine changement dans le temps avec du mouvement à travers l’espace. Néanmoins, comme j’utilise des logarithmes naturels et non des valeurs directes des variables en question, les différences d’échelle entre pays se nivellent significativement. En remplaçant donc la densité de population à un moment donné – DP(Tn) – par k-ième observation dans la base de données, je simplifie ma condition et j’en fais DPk > DPk-i.

Alors, je teste. L’enfance du marché local d’énergie renouvelable c’est le premier sextil de densité de population, entre 0,632 et 11,713 personnes par kilomètre carré. Ici, j’ai n = 210 observations valides, qui me donnent un coefficient de détermination de R2 = 0,370. Densité basse, détermination basse, comme qui dirait. Dans ce stade infantile du marché, l’offre de la masse monétaire est un facteur positif ; plus il y en a, plus grand est le pourcentage de renouvelables dans l’assiette totale d’énergie consommée.

Table 1

Variable coefficient Erreur standard Statistique t p-valeur
ln(labsh) 1,061 0,409 2,598 0,010
ln(M/GDP) 0,821 0,238 3,446 0,001
ln(CK/Pop) -1,443 0,2 -7,228 0,000
ln(GDP/Pop) 0,331 0,278 1,193 0,234
valeur résiduelle 11,585 1,256 9,226 0,000

Bon, avançons. Je passe au deuxième sextil de densité de population, entre 11,713 et 29,352 personnes par kilomètre carré. Là, j’ai n = 304 observations et un coefficient de détermination égal à R2 = 0,521. Pas mal, ça monte, ma détermination. Les coefficients, présentés ci-dessous en Table 2, montrent un virage progressif. L’influence de capital par tête d’habitant tourne d’une valeur négative à une valeur quasi-nulle, donc quasi neutre, pendant que l’intensité-travail du PIB local acquiert une importance primordiale. Le développement d’un marché de l’emploi local à un rôle à jouer dans le passage aux renouvelables. La masse monétaire en circulation garde son calme, quoi qu’elle cède un peu de terrain.

Table 2

Variable coefficient Erreur standard Statistique t p-valeur
ln(labsh) 5,096 0,831 6,13 0,000
ln(M/GDP) 0,363 0,138 2,622 0,009
ln(CK/Pop) 0,002 0,104 0,024 0,981
ln(GDP/Pop) -0,739 0,162 -4,561 0,000
valeur résiduelle 12,53 1,282 9,776 0,000

Le troisième sextil de densité de population correspond à l’intervalle entre 29,352 et 56,922 personnes par kilomètre carré. J’ai n = 362 observation et un coefficient de détermination des plus respectables, R2 = 0,713. Pas mal, étant donné que dans mon exploration précédente, avec le modèle général, non-contrôlé avec la densité de population ; j’arrivais à peine aux alentours de R2 = 0,5. Ça commence à être logique : plus grande est la densité de population, donc plus mon marché mûrit, plus de cohérence puis-je atteindre dans l’explication de la façon dont ce marché fonctionne. Ce fonctionnement semble changer. Regardez les coefficients, dans Table 3. A ce stade de densité, la masse monétaire semble un peu dysfonctionnelle, tout comme le stock de capital par tête d’habitant.

Table 3

Variable coefficient Erreur standard Statistique t p-valeur
ln(labsh) 2,297 0,203 11,32 0,000
ln(M/GDP) -0,704 0,096 -7,352 0,000
ln(CK/Pop) -0,211 0,077 -2,75 0,006
ln(GDP/Pop) -0,404 0,109 -3,69 0,000
valeur résiduelle 12,853 0,316 40,652 0,000

Le quatrième sextil correspond à une densité comprise entre 56,922 et 97,881 personnes par kilomètre carré. Ici, mon pouvoir explicatif diminue. Avec n = 306 observations valides, j’atteins à peine R2 = 0,382. Néanmoins, la logique du marché, dans cette part que je peux expliquer avec mon modèle, reste similaire au sextil précédent (voir Table 4, ci-dessous). Vous pourrez remarquer, au passage, qu’avec la diminution de R2, la robustesse des corrélations a chuté un peu, aussi.

Table 4

Variable coefficient Erreur standard Statistique t p-valeur
ln(labsh) 1,18 0,347 3,398 0,001
ln(M/GDP) -0,12 0,097 -1,241 0,215
ln(CK/Pop) -0,379 0,172 -2,199 0,029
ln(GDP/Pop) -0,185 0,204 -0,91 0,363
valeur résiduelle 9,32 0,587 15,879 0,000

L’avant-dernière classe de densité de population c’est le sextile entre 97,881 et 202,36 personnes par kilomètre carré. Encore une fois, c’est comme un paysage embrumé. Avec n = 410 observations valides, j’obtiens à peine R2 = 0,391, tout comme si ces classes de densité de population correspondaient à une transformation de mon marché, genre entre deux paradigmes différents. Le facteur prédominant jusqu’alors, la part des salaires dans le PIB local, perd complétement le nord : son coefficient devient négatif et tombe un ordre de valeur plus bas, pendant que sa corrélation avec la variable expliquée devient plutôt une coïncidence (avec une p-valeur égale à 0,476, la probabilité de l’hypothèse nulle est presque 50%). En même temps, la masse monétaire regagne du terrain comme facteur de formation du marché.

Table 5

Variable coefficient Erreur standard Statistique t p-valeur
ln(labsh) -0,192 0,269 -0,713 0,476
ln(M/GDP) 0,471 0,068 6,93 0,000
ln(CK/Pop) 0,005 0,172 0,029 0,977
ln(GDP/Pop) -0,633 0,208 -3,04 0,003
valeur résiduelle 6,464 0,383 16,875 0,000

Le stade final dans le développement du marché c’est le dernier sextil de densité de population, entre 202,36 et 21 595,35 personnes par kilomètre carré. Ici, j’ai en tout n = 274 observations valides dans ce sous-ensemble et elles rendent un coefficient de détermination égal à R2 = 0,730. Table 6, ci-dessous, donne les coefficients de régression linéaire de mon modèle dans ce sextil. Il y a deux trucs intéressants à noter. Ceux qui ont suivi mes tortures intellectuelles jusqu’alors se souviennent peut-être que dans le modèle général, présenté dans mes mises à jours précédentes, le coefficient de capital par tête d’habitant avait un signe négatif, opposé à celui de la rémunération de main d’œuvre comme % du PIB. Ici, ces deux variables ont des signes positifs. Je peux en déduire, prudemment, qu’à un état mûr du marché, quand la densité de population est la plus élevée, il est important d’accumuler les deux facteurs de production : capital et travail. L’offre de masse monétaire « M/GDP » agit de façon similaire : plus de pognon en circulation, plus il est probable de voir mon pourcentage des renouvelables croître sur le côté gauche de l’équation.

Table 6

Variable coefficient Erreur standard Statistique t p-valeur
ln(labsh) 1,885 0,308 6,112 0,000
ln(M/GDP) 0,46 0,14 3,287 0,001
ln(CK/Pop) 1,873 0,332 5,65 0,000
ln(GDP/Pop) -3,431 0,367 -9,34 0,000
valeur résiduelle 13,947 0,431 32,354 0,000

Bon, je conclue. Ce chemin de développement d’un marché simulé comme passage entre classes de densité de population, ça promet. Il y a une logique qui émerge. Plus dense est la population, plus cohérent devient le paradigme de fonctionnement du marché. En même temps, le mûrissement progressif du marché correspond à une importance croissante des mécanismes économiques de base : accumulation des facteurs de production et le développement des systèmes monétaires.

[1] Feenstra, Robert C., Robert Inklaar and Marcel P. Timmer (2015), “The Next Generation of the Penn World Table” American Economic Review, 105(10), 3150-3182, available for download at http://www.ggdc.net/pwt

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s