L’Impact des Ressources Naturelles sur la Croissance et le Développement : le Rôle des Institutions

Mémoire de Master 1 Université Paris 1 Panthéon Sorbonne

I) Introduction :
Intuitivement, on s’attend à ce qu’une économie richement dotée en ressources naturelles ait un avantage sur les autres puisqu’elle a accès plus facilement à un input. Elle devrait donc croître à un rythme plus rapide qu’une économie ne disposant pas de ces ressources, toutes choses égales par ailleurs. En ce sens, être un pays riche en ressources naturelles devrait être une « bénédiction ». Or, l’hypothèse de « resource curse » -selon laquelle les pays qui disposent de dotations en ressources naturelles abondantes ont tendance à avoir des taux de croissance plus faibles que les autres pays- semble prouver le contraire. Sachs et Warner mettent en évidence cette relation dans leur article clé en 1995. En prenant un large échantillon de pays en développement, ils trouvent que sur la période 1971-89, ceux dont la part des exportations de matières premières rapportées au PIB est élevée ont des taux de croissance plus faible, toutes choses égales par ailleurs. Une littérature abondante existe sur ce sujet et les explications avancées pour rendre compte de cette découverte empirique sont nombreuses. Il est en effet important de comprendre les mécanismes en jeu afin de mettre en place les politiques de développement efficaces. Certains mettent en avant la « Dutch Disease », d’autres la volatilité des prix ou la guerre civile pour rendre compte de la corrélation négative entre ressources et croissance. Cependant, ces explications ne résistent pas à l’épreuve des faits empiriques et/ou ne rendent pas compte de la complexité des cas de manière satisfaisante. Comme le font remarquer E.H. Bulte, R. Damania et R.T. Deacon, il semble qu’un consensus apparaisse quant à l’explication de l’hypothèse de « resource curse ». Ces théories donnent aux institutions endogènes un rôle prépondérant et révèlent pourquoi dans certains cas la relation ressources-croissance n’est pas vérifiée. Plusieurs études expliquent l’impact indirect des ressources naturelles sur la croissance via leur effet sur les institutions : Les dotations en ressources naturelles stimulent la corruption qui a un impact négatif sur la croissance. Dans ce cas, avoir de solides institutions est d’une importance capitale (Leite et Weidman, 1999). Les dotations en ressources et la structure d’exportation déterminent la qualité des institutions qui sont un des déterminants de la croissance (Isham, Pritchett, Woolcock et Busby, 2004). Les ressources naturelles affectent la croissance via la volatilité des prix et la qualité des institutions, ces dernières étant un des principaux déterminants de la croissance à long terme (Sala-I-Martin et Subramanian, 2003).

-

Cependant, se limiter à l’étude de la relation entre les dotations en ressources et la croissance est restrictif puisqu’on ne considère que la variation d’un niveau et donc on ne tient pas compte ni du niveau en lui-même, ni de la répartition de la richesse au sein de la société. Il convient d’élargir l’étude et d’estimer la relation entre dotations en ressources et développement, mesuré par l’intermédiaire d’un ensemble d’indicateurs de développement et de bien-être. Les ressources influencent à la fois la qualité des institutions et les systèmes politiques qui influencent en retour le développement. (Bulte, Damania, Deacon, 2004).

Ces études utilisent, pour la plupart, le même indicateur pour mesurer les dotations en ressources, à savoir le rapport entre exportations de matières premières et PIB. Or, il ne s’agit que d’une mesure imparfaite des dotations en ressources. Si l’on souhaite réellement tester la relation entre dotations en ressources et croissance (ou développement) et non intensité des exportations de matières premières et croissance, alors il convient de trouver une mesure plus directe des stocks en ressources naturelles. C’est ainsi que Stijns (2001) teste l’hypothèse de « resource curse » en utilisant une mesure physique des ressources naturelles. Dans le cadre de mon mémoire, je souhaite étudier la question suivante : L’impact des dotations en ressources naturelles sur la croissance et le développement.

La première partie sera consacrée à une revue de la littérature. Après une brève description de deux explications courantes de l’hypothèse de « resource curse », je présenterai les différentes théories expliquant la relation entre les dotations en ressources naturelles et la croissance (ou le développement) par les institutions endogènes ; je montrerai en quoi les dotations en ressources naturelles influencent la qualité des institutions et pourquoi ces dernières ont un impact sur la croissance. Puis, je mettrai en évidence l’importance de prendre en compte les indicateurs de développement. Enfin, je décrirai les limites de l’indicateur traditionnellement utilisé pour mesurer les ressources naturelles. Dans une seconde partie, j’introduirai l’indicateur de Stijns dans le modèle de régression de Bulte, Damania et Deacon afin de vérifier si la relation ressources naturelles-développement trouvée par BDD est robuste à ce changement d’indicateur. Hypothèse à tester : L’impact des ressources naturelles sur le développement est-il robuste au changement de mesure des dotations en ressources naturelles i.e , retrouve t-

on les résultats de Bulte-Damania-Deacon, si l’on estime les ressources naturelles en utilisant l’indicateur physique de Stijns ?

II) Revue de la littérature :
1) Impact des ressources naturelles sur la croissance : « Dutch disease » et volatilité des prix : deux explications courantes mais non pertinentes. Les explications pour rendre compte de l’hypothèse de « resource curse » sont nombreuses. La « Dutch disease » et la volatilité des termes de l’échange ont souvent été mises en avant pour l’expliquer . Sachs et Warner (1995) expliquent l’hypothèse de « resource curse » par la « Dutch disease ». Suite à une augmentation soudaine du prix des ressources ou à une découverte de nouvelles ressources, le taux de change réel a tendance à se surévaluer. Les secteurs exposés à la concurrence extérieure, généralement l’industrie, deviennent alors moins compétitifs. Par exemple, on observe que les pays exportateurs de pétrole ont de grandes difficultés à développer un secteur industriel compétitif qui prendrait la relève après le pétrole. Or pour Sachs et Warner, c’est précisément au sein du secteur industriel que se produit un processus de learning-by-doing qui permet des gains de productivité. Ainsi, le secteur des ressources naturelles, en « évinçant » l’industrie, réduit les externalités positives engendrées par l’industrie qui entretiennent la croissance à long terme. Pour les auteurs, l’impact des ressources naturelles sur la croissance est donc de nature purement économique et est monotone i.e plus la dotation en ressources naturelles d’un pays est importante, plus sa croissance est faible. Ceci est facilement contestable empiriquement : comment expliquer le cas de la Norvège par exemple ? Cette explication théorique qui ne permet pas d’expliquer l’hétérogénéité des cas, a été plusieurs fois remise en cause. Pour Leite et Weidmann (1999), comme pour beaucoup, la « Dutch disease » ne constitue pas une explication satisfaisante. Suite à un choc positif dans le secteur des ressources, les autres secteurs deviennent moins compétitifs certes, mais les politiques économiques peuvent atténuer cet effet. De plus, comme le soulignent les auteurs, la relation vaut à court terme seulement car à long terme, les revenus obtenus avec les ressources naturelles encouragent l’investissement et donc la croissance.

Une autre explication couramment avancée est celle de la volatilité des termes de l’échange. Si les fluctuations des prix des matières premières ont toujours existé, elles se sont accélérées ces trente dernières années. Les pays qui dépendent de l’exportation des matières premières font face à des cycles aléatoires de hausse et de baisse des prix des matières premières. Ceci crée un climat d’incertitude défavorable aux investissements et donc à la croissance. Sala-I-Martin et Subramanian (2003) estiment une équation de croissance en incluant notamment comme variables explicatives la surévaluation du taux de change et la volatilité des prix des ressources naturelles. Le coefficient associé à la surévaluation du taux de change n’est pas significatif. La volatilité des prix n’a quant à elle pas systématiquement d’effet significatif sur la croissance. Il faut donc chercher une explication plus pertinente de la relation négative entre la croissance et les dotations en ressources. 2) Le rôle des institutions endogènes : Comme le font remarquer Bulte, Damania et Deacon (2004), un consensus est apparu récemment. Aujourd’hui, beaucoup s’entendent pour expliquer la relation négative entre dotations en ressources naturelles et croissance en accordant un rôle prépondérant aux institutions endogènes : les ressources naturelles sont un déterminant important de la qualité des institutions qui influence les performances économiques d’un pays : les ressources naturelles ont donc un impact indirect et négatif sur la croissance via leur effet sur les institutions. a) L’importance de distinguer différentes catégories de ressources naturelles : Isham, Woodcock, Pritchett et Busby (2004) partent de deux constats. D’une part, celui de l’hétérogénéité des situations : alors que de nombreux pays richement dotés en ressources naturelles ont de mauvaises performances économiques, d’autres, au contraire, font partie des pays les plus riches de la planète. D’autre part, ils analysent les taux de croissance de 90 pays en développement et constatent un effondrement de la croissance pour la majorité de ces pays à partir des années 80, mais ceci dans des proportions très différentes selon le type de ressources naturelles exportées par le pays. Ils distinguent alors deux types de ressources : les ressources « point source » et les ressources « diffuse ». Les premières sont de grande valeur, cultivées ou produites sur des zones géographiques relativement petites et leur revenu est facilement appropriable. Il s’agit notamment des carburants et des minerais. Les ressources « point-source » qui sont facilement contrôlables par des petits groupes dans la société

encouragent donc plus les comportements de rente et les conflits que les secondes. Leur idée est que les pays exportateurs de ressources « point source » ont plus de chance d’être socialement divisés et d’avoir des institutions plus faibles ce qui a en retour un impact négatif sur la croissance. Ils ajoutent une troisième catégorie de ressources : le café et le cacao qui peuvent, selon le contexte, être considérées comme des ressources « point source » ou « diffuse ». D’après eux, elles sont donc potentiellement capables de générer des comportements de rente selon le contexte. Il faut donc les inclure séparément pour bien distinguer leur effet sur les institutions et donc la croissance. b) L’effet des ressources naturelles sur les institutions : Leite et Weidmann (1999) montrent comment d’importantes dotations en ressources naturelles favorisent le développement de la corruption et ont donc un impact négatif sur la qualité des institutions. Ils étudient plus particulièrement les conséquences d’un choc positif augmentation du prix des matières premières ou découverte d’un nouveau gisement- dans le secteur des ressources « point-source » sur la corruption des élites politiques qui prend la forme d’activité de rente. En favorisant la corruption, le choc positif a donc un impact négatif sur la qualité des institutions. Un choc positif multiplie les possibilités de gains personnels et donc favorise les comportements de rente : les élites politiques visent à s’enrichir en captant une partie des richesses produites par les autres acteurs de l’économie. On verra dans la partie suivante comment cela affecte la croissance. Isham, Woodcock, Pritchett et Busby (2004) étendent l’analyse de la corruption, qui n’est qu’un aspect de la gouvernance, à celle des institutions. Ils expliquent l’impact des ressources sur les institutions en reprenant les trois réseaux mis en évidence par Ross en 2001 par lesquels le pétrole, une ressource « point-source », affecte la démocratie. D’une part, le pétrole crée un « effet de rente ». Le gouvernement, dont les revenus sont largement issus de ces rentes, n’a pas vraiment besoin de taxer la population. Il ne met donc pas en place d’importants mécanismes de surveillance. Or, on l’a dit, les mécanismes de surveillance sont très importants pour empêcher la généralisation des comportements de rente. De plus, le gouvernement dispose de revenus importants pour « acheter » ou réprimer l’opposition. L’expression de l’opposition qui est un des déterminants de la démocratie est donc inexistante. D’autre part, les élites qui bénéficient des rentes du secteur des ressources naturelles s’opposent au développement du secteur industriel qui s’accompagnerait de l’émergence de nouveaux groupes sociaux susceptibles de réduire leur pouvoir. Par ailleurs, comme le niveau de leur rente dépend de la production des ressources réalisée par des firmes

étrangères, alors ils ne voient aucun avantage à éduquer la population du pays. Or, l’éducation est nécessaire pour l’émergence de valeurs, d’idées et donc de la protestation et de la revendication. Ross qualifie ce double effet –blocage de l’industrialisation et de l’éducationde « retard de la modernisation ». Enfin, les différents types de ressources naturelles influencent différemment les structures économiques. Par exemple, les petites plantations familiales correspondent à une structure de production, et donc sociale, plutôt égalitaire alors que les grandes exploitations sont associées à des structures plus inégalitaires. Et, plus une société est inégalitaire plus la gouvernance est mauvaise. Ceci est l’effet d’« inégalité enracinée » (« entrenched inequality »). c) L’effet des institutions sur la croissance : Rodrik et Subramanian (2002) comparent les trois explications – le rôle de la géographie, celui de l’intégration dans le commerce international et celui des institutions- avancées dans la littérature pour expliquer les écarts de revenus entre pays riches et pays pauvres. Ils confrontent chacune des explications à l’épreuve des faits empiriques. Ils en arrivent à la conclusion que la qualité des institutions (mesurée par la protection de la propriété privée et l’Etat de droit) a un impact positif et très significatif sur la croissance alors que la géographie et le commerce international n’ont pas d’effet direct significatif. Néanmoins, la géographie (dont les RN sont un aspect) et le commerce affectent indirectement la croissance via leur impact significatif sur les institutions. Comment la qualité des institutions influence t-elle la croissance ? L’effet de rente mis en évidence par Leite et Weidmann, et plus largement la généralisation des comportements de rente, reposent sur les défaillances de marché et de l’Etat. Les auteurs insistent sur l’importance du contexte, et notamment la qualité des institutions politiques et économiques, dans la limitation de la généralisation des comportements de rente. Ainsi, le niveau de corruption est une fonction décroissante des techniques de surveillance, des pénalités et des régulations commerciales et une fonction croissante de la concentration bureaucratique et de l’instabilité politique. Ces comportements appauvrissent le pays en détournant les capacités entrepreneuriales et les facteurs de production des activités productives vers les activités de rente. Ceci entraîne un gaspillage des ressources productives (elles ne sont plus consacrées à la production mais à la captation de richesse) et désincite la prise de risque en créant un climat d’incertitude. MacFarlan, Edison et Spatafora (2003) montrent eux aussi qu’il existe une relation étroite entre la qualité des institutions, « cadre et règles explicites et implicites d’une société », et les

performances économiques d’un pays. Ils prouvent empiriquement que la qualité des institutions influence significativement le niveau de revenu, sa croissance et sa stabilité. Les auteurs mesurent la qualité des institutions par trois critères : l’indice global de gouvernance, la protection des droits de propriété et le contrôle du pouvoir de l’exécutif. Par quels mécanismes les institutions influencent-elles le revenu ? Un pays ayant un bon indice de gouvernance -i.e absence de corruption, respect des contrats, pas d’expropriation, qualité des administrations et de la bureaucratie… - et où le respect de la propriété privée est assuré est un pays où l’environnement économique est favorable. Les institutions facilitent donc l’activité économique, les échanges entre les individus en réduisant notamment l’incertitude qui est défavorable à la prise de risque par les entrepreneurs. Comme il existe des possibilités de gains personnels, les individus sont incités à produire efficacement et les initiatives individuelles sont encouragées : cela stimule l’investissement et le progrès technique qui sont déterminants pour la croissance à long terme. En ce sens, les institutions ont un impact positif sur les comportements des agents privés. Par ailleurs, si le pouvoir des dirigeants politiques est limité et qu’ils doivent faire face à des partis d’opposition, alors l’action des pouvoirs publiques sera elle aussi plus efficace, il y aura une offre de biens et services publics de bonne qualité. Par exemple, au Nigeria il existe un réel problème dans l’offre d’électricité : 78% des entreprises ont un générateur électrique ce qui représente 14% de leurs actifs immobilisés soit 14% de potentiel de production en moins (Collier et Gunning 1999). Les auteurs insistent aussi sur l’importance des infrastructures : ils comparent l’Asie et l’Afrique et montrent que le manque de routes et de réseaux téléphoniques freine de manière importante les échanges en Afrique. Les problèmes de gouvernance, d’allocations des dépenses publiques peuvent avoir des conséquences très néfastes sur l’économie. L’indicateur de Marshall et Jaggers (2003) est une des mesures de la qualité des institutions qui prend en compte les caractéristiques de fonctionnement du système politique. Il attribue une « note » allant de -10 à 10 selon que le régime du pays est plus autocratique ou plus démocratique. Plus démocratique est le système, meilleures sont les institutions. En quoi la démocratie a-t-elle un effet positif sur les performances économiques d’un pays ? Contrairement à MacFarlan, Edison et Spatafora qui expliquent l’impact positif des institutions sur le développement économique par des mécanismes d’incitation économique, Amartya Sen (1999) insiste sur les mécanismes d’incitation politique et donc sur le rôle de la démocratie. La démocratie a une « valeur constructive » d’une part et une « valeur instrumentale » d’autre part. La liberté d’expression, d’opinion, d’information et le débat sont des caractéristiques essentielles de ce système politique : ce qui permet la diffusion des idées

différentes et la réflexion. C’est en ce sens qu’elle est constructive car elle permet aux citoyens de comprendre peu à peu leurs priorités, valeurs et besoins. C’est l’émergence de ces priorités qui va permettre aux citoyens de choisir de manière informée. Dans une démocratie, le pouvoir du gouvernement est limité. Celui-ci est soumis aux critiques des autres partis, de la presse, à la protestations des citoyens et peut être sanctionné par leur vote. La démocratie est donc aussi l’instrument par lequel les citoyens exigent de l’Etat qu’il réponde à leurs besoins. Parce qu’elle donne le moyen à tous de s’exprimer, une société démocratique est généralement une société moins inégalitaire. Et, on peut penser que moins d’inégalités revient à plus de consommation –les plus pauvres étant ceux qui consomment la plus grande part de leur revenu- et donc plus de croissance. d) Résultats de la littérature empirique : Le principal problème des modèles empiriques est la mesure des institutions. Elle pose deux problèmes (Edison, 2003). Premièrement, les institutions sont endogènes. On l’a vu, les institutions influencent la croissance qui influence en retour les institutions. Par exemple, si les droits de propriété ne sont pas protégés dans un pays c’est notamment parce qu’il n’y a pas assez d’individus qui ont intérêt à ce qu’ils le soient. Il faut donc qu’il y ait eu de l’investissement et des possibilités de gains personnels, donc de la croissance, pour que les gens réclament l’instauration de droits de propriété. Il est donc nécessaire de recourir à des variables instrumentales dans les régressions économétriques lorsque la qualité institutionnelle est une des variables explicatives de la croissance pour ne pas introduire de biais. Les instruments doivent être corrélés avec la qualité des institutions (variable explicative endogène) mais non corrélés avec le terme d’erreur. Les trois principaux instruments utilisés considèrent la colonisation européenne entre le 16° au 19° siècle. Une première méthode (Acemoglu, Johnson et Robinson, 2001) consiste à introduire le taux mortalité des colons comme variable instrumentale pour la qualité des institutions des pays ayant été colonisés. L’idée est que si les colons savaient qu’ils allaient vivre longtemps, ils instauraient de bonnes institutions car ils voyaient à long terme. Ils mettaient en place des lois protégeant la propriété privée et instituaient un état de droit. Par contre, quand leur taux de mortalité était élevé, le but était de maximiser leur utilité à court terme ; les comportements de rente se généralisaient et donc, ils ne mettaient pas en place des institutions de qualité. Si le taux de mortalité des colons est bien corrélé positivement avec la qualité des institutions, il ne l’est pas avec le taux de croissance. L’autre méthode (Hall et Jones, 1999) consiste à instrumenter la qualité institutionnelle par la part de la population parlant anglais ou une

langue européenne majeure (anglais, français, allemand, portugais ou espagnol). L’idée est que plus la part des habitants qui parlent une langue européenne dans un pays est élevée aujourd’hui, plus il a été soumis à la colonisation européenne et donc plus l’Europe a exercé d’influence sur ce pays. Elle a laissé un impact est à la fois linguistique, culturel et institutionnel. L’expansion européenne s’est donc traduite notamment par une diffusion de la culture économique et politique de l’Europe d’alors. Ainsi, la part de la population parlant une langue européenne majeure est corrélée positivement avec l’existence d’une loi sur la propriété privé ou avec l’Etat de droit. Hall et Jones instrumentent aussi la qualité institutionnelle par la distance à l’équateur en faisant l’hypothèse qu’elle est, comme la part de la population parlant une langue européenne majeure, corrélée avec l’influence de la colonisation européenne sur le reste du monde et donc avec la qualité institutionnelle. Ces deux derniers indicateurs ne sont pas corrélés avec la croissance. En effet, la colonisation européenne avait pour principal objectif la conquête de territoire riches en ressources naturelles, territoires qui n’avaient pas de taux de croissance particulièrement élevés. Deuxièmement, les indicateurs de qualité institutionnelle sont souvent subjectifs car ils dépendent souvent de l’appréciation des institutions par les citoyens. Il est donc nécessaire de considérer plusieurs indicateurs dans les régressions. Ce manque d’objectivité peut entraîner des erreurs de mesure et donc un problème d’endogénéité qu’on peut résoudre avec les variables instrumentales. Leite et Weidmann procèdent en deux étapes en estimant un système à deux équations avec d’une part une équation de corruption et d’autre part une équation de croissance. Ils prennent en compte l’endogénéité de la corruption afin de ne pas introduire de biais dans leur estimation empirique de la croissance. Par ailleurs, ils séparent les ressources naturelles en deux catégories : les combustibles et minerais d’une part, et l’agriculture de l’autre. Leur modèle leur permet de conclure que les combustibles et minerais, et particulièrement l’existence d’un choc positif, ont un impact positif et significatif sur la corruption qui a un impact négatif et significatif sur la croissance. La corruption constitue d’après eux un déterminant important de la faible croissance des pays du sud. Elle a en effet un impact significatif sur plusieurs déterminants de la croissance. Ainsi, elle réduit le niveau de l’investissement et la productivité de l’investissement public. Les dirigeants corrompus préfèrent développer des projets d’investissement où il sera facile d’obtenir des « pots-devin » plutôt que des projets de santé ou d’éducation favorables à la croissance à long terme. Elle diminue aussi le niveau des IDE et le niveau des revenus des impôts. Cependant, Leite et

Weidman montrent que cet effet n’est pas linéaire : moins le pays est développé, plus la corruption a un impact important sur la croissance. Isham, Woodcock, Pritchett et Busby (2004) utilisent eux aussi un système à deux équations. D’une part, ils estiment une équation de qualité institutionnelle afin de savoir si la dotation en ressources naturelles d’un pays influence la qualité de ses institutions. Ils incluent alors différentes variables pour les exportations de ressources naturelles afin de mesurer clairement l’impact de chaque type de ressources sur une batterie d’indicateurs de qualité institutionnelle et de gouvernance (indicateurs de Kaufmann). Et d’autre part, une équation de croissance pour mesurer l’impact de la qualité des institutions sur celle-ci. Pour résoudre la problème de l’endogénéité des variables de qualité institutionnelle, les auteurs utilisent trois variables instrumentales : la distance à l’équateur, la part de la population parlant anglais et la part de la population parlant une langue européenne. Ils concluent alors à un rôle négatif et significatif des ressources « point source » sur les droits de propriété et sur un ensemble d’indicateurs de gouvernance. Les ressources « point source » ainsi que le café et le cacao sont associés à une moins bonne offre de biens et services publics, une moindre sécurité des droits de propriété et à des systèmes politiques moins démocratiques. Et, parmi les variables explicatives significatives, les ressources naturelles « point source » sont celles qui ont le plus grand impact sur l’Etat de droit, la stabilité politique, le contrôle de la corruption et la mesure de la participation et de la responsabilisation des citoyens. Pour l’efficacité du gouvernement et le respect des droits de propriété, elles arrivent en deuxième place après la part de la population parlant une langue européenne. Par ailleurs, la qualité des institutions à un impact positif et significatif sur la croissance. Finalement, l’impact négatif indirect des ressources « point source » sur la croissance est important : ils estiment que si l’indicateur des ressources « point source » diminue d’un écart type, ce qui représente à peu près la différence entre les dotations en ressources « point source » de l’Angola et du Cameroun, la croissance du revenu par tête augmente de 0.51 à 0.75 points en plus par an. Sala-I-Martin et Subramanian (2003) montrent que les pays détenant d’importantes ressources « point-source » ont dans l’ensemble un taux de croissance faible. Ils testent une hypothèse similaire à celle d’Isham et al. En effet, leur idée est que ces pays sont confrontés à un faible développement institutionnel et que ceci peut avoir des conséquences considérables sur la croissance à long terme. De plus, ils vérifient en outre si les résultats sont robustes et linéaires ou non. Eux aussi procèdent en deux étapes et estiment un système à deux équations où la qualité institutionnelle et la croissance sont déterminées de manière endogène. La qualité institutionnelle étant endogène et souvent mesurée avec erreur, ils utilisent deux variables

instrumentales dans l’équation de qualité des institutions : le taux de mortalité des colons et la part de la population parlant anglais ou une langue européenne. Ils estiment donc d’abord une équation de qualité institutionnelle de la forme : QIi = η + v *« conditioning variables » + σ*volatilité des prix + γ*surévaluation du taux de change + τ*VI pour QIi + β*RNj + εi Les « conditioning variables » sont des déterminants robustes et importants de la croissance ; ils en incluent cinq : le revenu en 1970, la scolarisation en 1960, la fréquence de la malaria en 1966, la densité de population vivant sur le littoral et le prix relatif des biens d’investissement entre 1960 et 1964. Ils testent donc si les ressources naturelles ont un impact sur les institutions. Dans un deuxième temps, ils estiment une équation de croissance de la forme : Croissance70-98 = µ + β* « conditioning variables » + θ* volatilité des prix + δ*surévaluation du taux de change + α*QIi + ψ*NRj + υi Ils testent ici trois explications théoriques de l’hypothèse de « resource curse » ainsi que l’éventuel effet direct des ressources naturelles sur la croissance. Ils obtiennent trois principaux résultats. Premièrement, les ressources naturelles affectent négativement et significativement la croissance à long terme via leur impact sur les institutions : elles ont donc un impact indirect significatif sur la croissance. Cependant, si l’on mesure l’impact direct des ressources naturelles sur la croissance (en neutralisant l’effet de la variable de qualité institutionnelle), alors les ressources affectent de manière non significative la croissance et parfois même de manière positive. Les ressources naturelles n’ont donc pas d’effet direct sur la croissance. Deuxièmement, ils montrent encore une fois l’importance de distinguer les ressources « point source » des ressources « diffuse ». Les premières ont un effet négatif et très significatif sur les institutions et donc sur la croissance, alors que les secondes n’ont pas d’impact significatif sur les institutions et donc sur la croissance. Ils estiment que si la part des exportations de ressources naturelles « point source » dans le total des exportations augmente d’un écart type, la croissance annuelle du revenu par tête diminue d’environ 0.36 points. L’hypothèse de « resource curse » n’est donc vérifiée que pour une partie des ressources, ce qui est cohérent avec les résultats d’Isham et al.. Enfin, l’impact des ressources naturelles sur la qualité institutionnelle dépend des dotations en ressources : plus ces dernières sont importantes, plus leur effet marginal sur les institutions est élevé. Pour l’évaluer, ils incluent

des dummies différenciant les pays selon l’importance de la part des exportations de ressources dans le total des exportations. Ils obtiennent un coefficient associé aux pays dont les exportations de minerais et de combustibles dépassent les 80% du total des exportations trois fois plus fort (en valeur absolue puisqu’il est négatif) que celui associé aux pays dont la part n’excède pas les 20%. Ils s’opposent ainsi à Sachs et Warner pour qui l’impact des ressources sur la croissance est linéaire. 3) L’hypothèse de « resource curse », une « relation limitée » : l’intérêt de prendre en compte des indicateurs de développement. Comme le font remarquer Bulte, Damania et Deacon (2004), la croissance ne mesure qu’une dimension du bien-être humain. L’hypothèse de « resource curse » est restrictive dans le sens où elle ne considère que la variation du revenu : ne sont pris en compte ni le niveau de revenu, ni sa distribution au sein de la population, ni un ensemble important d’indicateurs sociaux. Or, on observe empiriquement des disparités importantes entre le niveau de croissance du revenu d’un pays, indicateur purement économique, et des indicateurs de développement. Certes, il existe une relation entre le niveau de revenu et les indicateurs de développement. Mais, il n’existe pas de relation linéaire entre la croissance du revenu –ou même le revenu- et la réduction de la pauvreté, des inégalités et d’autres indicateurs sociaux. Par exemple, en 2005 l’Inde avait une croissance de 9% et la Jamaïque de 1,4%. Pourtant, en Inde, 34,7% de la population vivait avec moins d’un dollar par jour et 79,9% avec moins de deux alors qu’en Jamaïque moins de 2% de la population vivait avec moins d’un dollar et 13,3% avec moins de deux. Le taux de croissance ne reflète donc pas la pauvreté existante dans un pays. Pour évaluer de manière satisfaisante le bien être d’une société, il est nécessaire de prendre en compte à la fois des indicateurs économiques mais aussi des indicateurs sociaux. L’idée est que, si les ressources naturelles sont une malédiction pour la croissance, peut être sont-elles une bénédiction pour d’autres aspects du développement tels que la sous-nutrition ou la mortalité infantile. Dans ce cas, les ressources naturelles ne seraient pas un fléau. Quel est l’impact des ressources naturelles sur des indicateurs de développement ? Il est nécessaire de déterminer cet effet afin de mettre en œuvre des politiques économiques adéquates. Pour le mesurer, Bulte, Damania et Deacon procèdent en deux temps. Ils estiment une première équation de qualité des institutions. En fait, ils reprennent la même équation que celle de Sala-I-Martin et Subramanian. Ils expliquent ainsi la qualité institutionnelle par la scolarisation en 1960 et le revenu en 1970 (« conditioning variables »), la volatilité des prix,

la surévaluation du taux de change, des variables instrumentales pour QI et les ressources naturelles : QIi = η + v *revenu 1970 + l*scolarisation 1960 + σ*volatilité des prix + γ*surévaluation du taux de change + τ*VI pour QIi + τ*RNj + εi La qualité des institutions est d’abord mesurée avec trois variables : l’Etat de droit (« rule of law »), une mesure de la participation des citoyens et de leur responsabilisation (« voice and accountability ») et l’efficacité des pouvoirs publics (« government effectiveness »). Ensuite, pour vérifier si les résultats sont robustes à un changement de mesure de la qualité des institutions, ils remplacent ces trois variables par la mesure des caractéristiques démocratiques et autocratiques de Marshall et Jaggers (2003). D’après eux, l’intérêt est que cet indicateur est moins subjectif que les autres. Une note est attribuée en fonction du degré de compétition entre les candidats politiques, de contrainte s’exerçant sur le pouvoir exécutif et de respect des libertés civiles des citoyens. Ils réestiment cette équation afin de vérifier si l’impact des ressources naturelles sur les institutions est robuste à différentes mesures de la qualité institutionnelle. Les dotations en ressources sont mesurées de deux manières différentes : par le ratio entre exportations de ressources et exportations totales et le ratio entre exportations de ressources et PIB. Ils distinguent les exportations de carburants et de minerais (ressources « point source ») de celles de produits agricoles (ressources « diffuse »). Ils estiment ainsi successivement plusieurs équations de qualité institutionnelle : ils incluent dans un premier temps les ressources « point source » et ensuite les ressources « diffuse » qu’ils combinent avec les différentes mesures de la qualité institutionnelle afin de bien distinguer l’effet de chaque type de ressources sur chaque aspect de la qualité des institutions. Ils vérifient ainsi si les résultats sont robustes à différentes mesures des dotations en ressources. Dans un second temps, ils estiment une équation de développement. Ils supposent que les conclusions de Sala-I-Martin et Subramanian et celles de Isham et al. sont vérifiées i.e que les ressources naturelles ont un impact sur le niveau de croissance. Alors que jusque là les auteurs estimaient une équation de croissance, eux se concentrent sur l’impact indirect des ressources et du revenu sur cinq d’indicateurs de développement : l’Indice de Développement Humain, l’Indice de Pauvreté Humaine, la part de la population sous alimentée, la part des enfants en « déficit de poids» et l’espérance de vie à la naissance. Ils incluent dans la régression la

qualité institutionnelle, le revenu par tête, les ressources naturelles et deux « conditioning variables » : IDi = d0 + d1*QIi + d2*PIB/tête + d3*RNj + d4* revenu 1970 + d5*scolarisation 1960 + ei Ils font l’hypothèse que le revenu et la qualité institutionnelle, eux-mêmes affectés par les ressources naturelles, affectent significativement le niveau de développement. En incluant les ressources dans la régression, cela leur permet de vérifier si celles-ci ont un impact direct sur le niveau de développement. Si ce n’est pas le cas, après neutralisation des effets de revenu et des institutions, le coefficient associé aux ressources ne sera pas significatif. De nouveau, ils estiment un nombre important d’équations puisqu’il en existe autant que de combinaisons possibles entre les différentes mesures du développement et de la qualité des institutions. Leurs résultats sont cohérents avec les conclusions précédentes : d’une part, les ressources « point source » affectent de manière négative et significative la qualité des institutions. Ainsi, si l’indicateur de dotations en ressources naturelles « point source » augmente d’un écart type, les trois variables de qualité institutionnelle diminuent de 0.24 (Etat de droit), 0.27 (participation et responsabilisation des citoyens) et 0.30 (efficacité du gouvernement) écart type. Ce qui, d’après le auteurs, est un impact important étant donné que l’écart type respectif de ces trois variables est 0.99, 0.97 et 0.99. D’autre part, de mauvaises institutions entraînent un faible niveau de développement. Cependant il faut noter que l’impact indirect des ressources sur la croissance est plus fort quantitativement que celui sur les indicateurs de développement. L’hypothèse de « resource curse » est confirmée et élargie : les dotations en ressources sont bel et bien un fléau tant pour la croissance que pour le niveau de développement. Enfin, de nouveau, après neutralisation des effets du revenu et de la qualité institutionnelle, on observe que les ressources n’ont pas d’impact direct sur le niveau de développement.

4) Le problème de mesure des dotations en ressources naturelles. Remise en cause du lien dotations-exportations : à la recherche d’une autre mesure. Toutes les théories précédemment citées mesurent les dotations en ressources par la part des exportations de ressources naturelles dans le PIB ou dans le total des exportations. Ceci repose sur l’hypothèse implicite qu’il existe un lien entre les dotations en ressources et les

exportations de ces ressources. Ainsi, un pays qui exporte beaucoup de pétrole est un pays qui a d’importantes dotations en pétrole. Dans son article , Stijns (2005) se demande si l’hypothèse de « resource curse » se vérifie lorsque l’on mesure différemment les dotations en ressources d’un pays. Il reprend le modèle de régression de Sachs et Warner et substitue les exportations en RN par les réserves en terre, pétrole, gaz, charbon et minerais. L’hypothèse est que le choix de la variable pour mesurer les ressources est très important car il peut biaiser les résultats : un pays dont la part des exportations en ressources naturelles est élevée, est un pays dont l’économie est spécialisée dans les exportations de ressources naturelles. Cela change donc la proposition : le fléau ne serait pas d’avoir d’importantes ressources naturelles mais de se spécialiser dans le commerce des ressources naturelles. Stijns proposent donc deux mesures alternatives des dotations en ressources : la production et les réserves. Il observe que la production et les réserves sont fortement corrélées et donc, le fait d’utiliser l’une ou l’autre des mesures ne changent pas les résultats. Il choisit toutefois de se focaliser sur les réserves car ce sont elles qui correspondent le plus à la notion de dotations. La notion de réserves a elle aussi de nombreuses limites car ce n’est pas qu’une notion physique mais aussi technique et économique. Les réserves se composent des réserves prouvées et probables. Les réserves prouvées sont les « quantités économiquement exploitables étant donnée la technologie et la configuration actuelle des prix et des coûts ». Les réserves probables sont « les ressources qui sont économiquement exploitables sous des anticipations raisonnables de prix, de coût et de technologie futurs ». La notion de réserves n’est pas absolue car elle dépend des découvertes de ressources, du changement des technologies et de la rentabilité économique. Cela entraîne des erreurs de mesure du stock total de ressources. Ainsi, on répète depuis 1989 qu’il ne reste du pétrole que pour 40 ans. A cela s’ajoute une autre limite : il y a un risque d’endogénéité possible. Les pays riches qui disposent de plus de technologie ont plus de moyens pour découvrir et exploiter de manière rentable les ressources : les réserves ne sont-elles pas corrélées avec le revenu ? D’après les résultats de Stijns, cela n’est pas significatif, on peut donc faire comme si ce problème d’endogénéité n’existait pas. Stijns obtient deux résultats principaux. D’une part, il trouve que les dotations en ressources naturelles -mesurées par les réserves- ne sont pas des déterminants significatifs de la croissance économique exceptée la terre qui l’influence négativement et significativement. Cela souligne encore un fois l’importance de séparer les ressources en différentes composantes. Par contre, lorsque l’on mesure les dotations par l’intensité des exportations en RN, on retrouve bien la relation négative de Sachs et Warner. D’autre part, les dotations en

ressources naturelles influence la composition des exportations. Ceci, de manière non significative pour le gaz, les minerais, le pétrole et le charbon et de manière significative pour la terre. Ainsi, le fait d’être richement doté en RN n’implique pas forcément que les exportations seront intensives en ressources sauf pour la terre. Cela montre bien que l’important ne sont pas les dotations en elles-mêmes mais l’utilisation que l’on en fait. Cependant, l’hypothèse de « resource curse » pour le cas de la terre est robuste au changement de mesure : le fait de disposer d’importante dotations en terre est bien un fléau.

III) Résultats empiriques :
A) Modèle : On a montré l’intérêt de prendre en compte les indicateurs de développement d’une part et d’autre part, on a mis en évidence les limites des ratios « exportations de RN / exportations totales » ou « exportations de RN / PIB » pour mesurer les dotations en ressources naturelles. Bulte, Damania et Deacon trouvent que les dotations en ressources « point-source », mesurées par la part des exportations en RN dans le PIB ou le total des exportations, ont un impact négatif significatif sur un ensemble d’indicateurs de développement. Mais est-ce bien les dotations en ressources en elles mêmes qui ont cet effet négatif ou plutôt l’utilisation que les pays font de leurs ressources ? Stijns, qui propose une mesure alternative des dotations, ne trouve pas d’impact négatif significatif des ressources « point-source » sur la croissance. Il trouve par contre un impact négatif et significatif de la terre sur la croissance. Cependant, il faut préciser deux points. Premièrement, Stijns ne prend pas en compte des indicateurs de développement. Deuxièmement, il réestime le modèle de Sachs et Warner i.e il explique la relation entre dotations en ressources et croissance que par la Dutch Disease et donc ne prend pas en compte les institutions endogènes. On testera ici l’impact des ressources naturelles sur le développement en prenant comme mesure des dotations en ressources naturelles les réserves. Le but est de vérifier si leur impact indirect sur le développement via les institutions est robuste au changement de mesure. On procèdera donc à une réestimation d’un système à deux équations semblable à celui de Bulte, Damania et Deacon en mesurant les dotations en ressources par les réserves.

(1) Equation de qualité institutionnelle : QIi = b0 + b1* « conditioning variables » + b2*variable instrumentale pour QI + b3*RNj + b4*dummies régionales + b5*dummy pour principaux pays exportateurs de pétrole + ei. Avec : QIi = participation des citoyens et responsabilisation ; efficacité des pouvoirs RNj = pétrole ; antimony ; barite ; gaz ; charbon ; terre. Cette équation permet de tester l’impact des ressources naturelles sur la qualité des institutions mesurée par trois des indicateurs de Kaufmann. Contrairement à Bulte, Damania et Deacon, on n’inclut pas la surévaluation du taux de change et la volatilité des termes de l’échange. Par contre, les « conditioning variables » sont les mêmes que celles choisies par les auteurs dans leur modèle à savoir, le revenu de 1970 et le taux de scolarisation primaire et secondaire en 1965. Comme Sala-I-Martin et Subramanian et Isham et al. on instrumente la qualité des institutions part de la population parlant une langue européenne majeure. Enfin, de nouveau comme Sala-I-Martin et Subramanian, on ajoute quatre variables muettes régionales pour les pays d’Afrique subsaharienne, d’Asie du sud, d’Asie de l’est et d’Amérique Latine et des Caraïbes et une variable pour les principaux pays exportateurs de pétrole. On estime cette équation en incluant successivement les différentes catégories de ressources naturelles (méthode de Stijns) i.e on estime une première équation en incluant les réserves de pétrole, puis une seconde en incluant les réserves de minerais… On ne distingue donc pas deux catégories de ressources (ressources « point-source » et diffuse) mais on inclut successivement des ressources qui font partie de l’une ou l’autre des catégories. L’avantage est que l’on distingue bien l’effet de chaque type de ressources. On estime donc (3QI*6NR) dix-huit équations dans un premier temps. (2) Equation de développement : IDH = c0 + c1*« conditioning variables » +c2*QIi + c4*NRjk + c5*dummies régionales + c6*dummy pour principaux pays exportateurs de pétrole + ei.

publics ; Etat de droit.

On estime cette équation, semblable à celle de Bulte, Damania et Deacon, par les doubles moindres carrés. Les auteurs mesurent le niveau de développement par cinq indicateurs : l’Indice de Développement Humain, l’Indice de Pauvreté Humaine, la part de la population sous alimentée, la part des enfants en « déficit de poids» et l’espérance de vie à la naissance. Ici, on ne prendra que l’IDH –mesure à la fois du niveau d’éducation, de la santé et du niveau de vie- pour mesurer le niveau de développement. On inclut les ressources naturelles dans cette équation afin de tester si elles ont un impact direct sur le développement. On estime l’équation en incluant de manière séparée chaque ressource : on a donc (3QI*6RN) dix-huit équations à estimer.

B) Résultats des estimations : 1) Estimation du système d’équations avec les dotations en ressources naturelles mesurées par la part des exportations en ressources naturelles dans le total des exportations. L’estimation de l’équation de qualité des institutions montre que les ressources naturelles ont un impact négatif et très significatif sur la mesure de la représentativité des citoyens et de leur responsabilisation et sur l’Etat de droit. D’après l’estimation de l’équation de développement on observe deux choses. D’une part, la qualité des institutions a un impact positif et significatif sur le développement. Les ressources naturelles ont donc un impact négatif indirect sur le développement via leur effet sur la qualité des institutions. D’autre part, les ressources n’ont pas d’effet significatif direct sur le développement. Ces résultats sont tout à fait cohérents avec les résultats présentés dans la revue de la littérature. 2) Equation de qualité institutionnelle (dotations en ressources naturelles mesurées par les réserves) : L’estimation de cette équation donne plusieurs résultats importants. Premièrement, les ressources naturelles ne sont pas, dans l’ensemble, un déterminant significatif de la qualité des institutions. Seul le coefficient associé à la variable des réserves d’antimony est positif et significatif dans deux cas sur trois. Ceci n’est pas en accord avec les résultats empiriques d’après lesquels soit il n’y a pas d’impact significatif des ressources « point source » (Stijns), soit il y a un impact négatif (Sala-I-Martin & Subramanian par exemple). On peut se demander si cela n’est pas dû à l’échantillon qui est de taille relativement réduite ou si cela n’est pas dû aussi au fait que l’on a pas agrégé les minerais

dans un même indicateur. En effet, le coefficient associé aux réserves de barite, l’autre composant principal des minerais, change de signe avec la variable de qualité institutionnelle mais n’est jamais significatif. On peut toutefois remarquer que l’impact de l’antimony sur la qualité institutionnelle est très faible : il est de l’ordre de 10^(-6). Les coefficients associés aux autres ressources naturelles « point-source » sont toujours négatifs et non significatifs. Ce dernier résultat est cohérent avec les conclusions de Stijns pour qui ce ne sont pas les dotations en ressources qui constituent le fléau mais bien l’utilisation que l’on en fait. Cependant, contrairement aux résultats de Stijns pour qui les ressources « diffuses » affectent négativement et significativement la croissance, le coefficient associé à la terre est ici négatif ou positif selon l’indicateur de qualité des institutions inclus dans la régression mais, dans tous les cas non significatif. D’après Stijns, l’effet négatif et significatif de la terre s’explique par le fait qu’elle est le principal input de l’agriculture et donc, que plus un pays est richement doté en terre, plus il aura tendance à se spécialiser dans le secteur agricole. Il fait référence par là au modèle d’Heckscher-Ohlin-Samuelson. Ce résultat est donc en apparence incohérent. Mais, il est important de remarquer que contrairement à Stijns, ici on ne teste pas l’impact direct de la terre sur la croissance mais sur la qualité des institutions. Or, on l’a dit, les dotations en ressources affectent la qualité des institutions principalement parce qu’elles encouragent les comportements de rente, ces derniers étant favorisés par les ressources « point-source » et non par les ressources « diffuse », la terre appartenant à cette dernière catégorie. Le fait que la terre n’ait pas d’effet significatif sur la qualité institutionnelle n’est finalement pas surprenant. L’impact des ressources naturelles sur les institutions n’est donc pas robuste au changement de mesure des ressources naturelles. Deuxièmement, les « conditioning variables » ont dans l’ensemble un impact positif sur la qualité des institutions, ce qui est cohérent. Cependant, deux résultats posent problèmes. D’une part, alors que Bulte Damania et Deacon trouvaient un impact positif et significatif pour ces trois variables, ici, seule la scolarisation secondaire a un impact positif et significatif sur la qualité des institutions. Les coefficients associés aux deux autres « conditioning variables » sont non significatifs. Le coefficient associé à l’éducation secondaire reste stable – il varie entre 0.027 et 0.030 - alors qu’on inclut dans la régression différentes ressources naturelles ou que l’on change la mesure de la qualité des institutions. Un coefficient de cet ordre peut sembler a priori très faible mais il faut tenir compte du fait que la qualité des institutions est mesurée par les indicateurs de Kaufmann sur une échelle comprise entre -2.5 et 2.5. D’autre part, la scolarisation primaire a un effet non significatif, faible et n’est pas stable : il change de signe avec l’indicateur de qualité institutionnelle. Ainsi, il a un effet négatif, mais

toujours non significatif, sur l’efficacité du gouvernement et un effet positif non significatif sur les deux autres variables de qualité institutionnelle. Par ailleurs, le coefficient associé à la part de la population parlant une langue européenne majeure est toujours positif et significatif. Si le taux augmente de 1%, l’indice de « voice and accountability » augmente de 0.6, l’efficacité du gouvernement de 0.8 et l’Etat de droit de 0.7 environ. Comme Isham et al. on obtient donc que la part de la population parlant une langue européenne a un impact considérable sur la qualité des institutions. Ceci est logique puisqu’il s’agit de la variable instrumentale pour la qualité des institutions. Enfin, le fait d’être un pays d’Amérique Latine exerce un effet négatif et significatif sur l’efficacité du gouvernement et l’autorité de la loi. 3) Equation de développement (dotations en ressources naturelles mesurées par les réserves) : D’après l’estimation de cette équation, on observe premièrement que la qualité des institutions est un déterminant important du niveau de développement d’un pays. En effet, les coefficients associés aux trois mesures de la qualité institutionnelle sont toujours positifs, très significatifs et stables : ils sont de 0.07 (« voice and accountability »), 0.05 (« government effectiveness ») et 0.06 (« rule of law ») en moyenne. Comme Bulte, Damania et Deacon, on obtient que l’impact de l’efficacité du gouvernement sur l’IDH est légèrement plus faible que celui exercé par les deux autres mesures de la qualité des institutions. De nouveau, ces coefficients peuvent sembler faibles mais il faut noter qu’on estime l’impact des institutions sur l’IDH qui est mesuré sur une échelle de 0 à 1. Mais, d’après les résultats de l’estimation de la première équation du système, les ressources naturelles n’ont pas d’impact sur la qualité des institutions donc pas d’effet indirect sur le développement via celles-ci. Deuxièmement, l’estimation de cette équation permet de tester si les ressources ont un impact direct sur le développement. Les ressources « point-source » n’ont pas d’impact direct significatif sur le développement. Le coefficient qui leur est associé est toujours négatif et non significatif dans douze cas sur quinze. Et, lorsque le coefficient est significatif, l’impact exercé est de l’ordre de 10^(-7) donc très négligeable. On peut de nouveau penser que cela est dû à l’échantillon. La terre par contre a un effet direct positif significatif sur l’IDH dans deux cas sur trois. Cet effet est de l’ordre de 10^(-3), donc assez faible. Ce résultat est contraire à celui de Stijns pour qui elle a une influence négative et significative sur la croissance. Cela est paradoxal car ici on teste une relation similaire à celle de l’auteur : on élargit seulement la relation en testant l’impact direct des ressources naturelles sur l’IDH. On devait donc

s’attendre à un effet négatif significatif ou à un effet non significatif. Or, on obtient ici le résultat opposé. L’idée de Stijns est critiquable. D’une part, les dotations en terre sont mesurées par le ratio « superficie en terre/population » i.e par l’inverse de la densité de la population. Et, comme le précise l’auteur, il faut être prudent avec cet indicateur. D’autre part, on l’a dit, pour Stijns la terre a un impact négatif sur la croissance car un pays avec d’importantes ressources en terre aura tendance à se spécialiser dans l’agriculture. Et, un pays de grande superficie aura plutôt tendance à faire de l’agriculture extensive, ce qui ne favorise pas le progrès. Cependant, cette explication n’est pas très satisfaisante puisqu’elle n’explique pas l’hétérogénéité des cas qu’on rencontre empiriquement. Ainsi, les Etats-Unis qui sont un grand pays et dont la densité de population est assez faible ont certes une agriculture importante mais il s’agit d’une agriculture intensive et de plus, ils sont spécialisés dans un autre secteur. La superficie en terre est loin d’être le seul facteur qui détermine la spécialisation d’une économie dans l’agriculture. Toutefois, cela n’explique pas pourquoi les dotations en terre (ou la faible densité de population) ont un impact positif sur l’IDH. Cela vient peut être de la composition de l’échantillon. Si dans l’échantillon la majorité des pays sont des pays en développement, alors ce sont en majorité des pays où les droits de propriété sur la terre sont mal définis. D’après Hardin, la mauvaise définition des droits de propriété conduit à la surexploitation des ressources qui sont en accès libre (à la « tragédie des communs »). On peut penser que plus un pays a une densité de population élevée, plus la surexploitation des terres est importante, plus la dégradation des sols est importante, moins il y a de terres fertiles ce qui conduit encore à plus de surexploitation… Se crée ainsi un cercle vicieux. Les paysans sont alors dans une logique de survie, de court terme, ce qui ne laisse pas de place pour des projets qui amélioreraient la productivité de l’agriculture. Dans ce cas, les pays dont la densité de population (qui est, on le rappelle, la mesure des dotations en terre) est faible seraient moins exposés à ce risque de surexploitation des ressources en accès libre. Le revenu de 1970 et le taux de scolarisation primaire ont toujours un effet positif et significatif (à 10%), ce qui est cohérent avec les résultats de la revue de la littérature; le taux de scolarisation secondaire est souvent non significatif mais positif. L’IDH étant la moyenne de trois indices dont celle du niveau d’éducation, calculé à partir du taux d’alphabétisation et du taux brut de scolarisation (primaire, secondaire et supérieure), cela n’est pas surprenant que le coefficient associé aux taux de scolarisation primaire soit significatif et que ce ne soit pas le cas pour la scolarisation secondaire. Le coefficient associé au PIB est de 0.2 ce qui est important si l’on sait que cela représente par exemple l’écart entre le premier et du seizième pays dans le classement par IDH. Par contre, celui associé au taux de scolarisation primaire

est faible : une augmentation du taux de scolarisation primaire de 1% n’augmente l’IDH que de 0.001 en moyenne ce qui est négligeable. Cependant, il faudrait calculer des coefficients bêta pour pouvoir comparer l’impact relatif des différentes variables explicatives sur l’IDH. En d’autres termes, on ne peut pas conclure ici que le revenu a un impact relativement plus fort sur l’IDH que la scolarisation primaire. Enfin, le fait de faire partie de l’Afrique sub-saharienne ou de l’Asie du sud a un impact négatif significatif et stable sur le développement. Alors même qu’on inclut ces dummies dans la régression, les résultats restent inchangés.

IV) Conclusion :
Le but était de tester si l’impact des ressources naturelles sur le développement, via leur effet sur la qualité des institutions, est robuste à un changement de mesure des dotations en ressources naturelles. En effet, le fait de mesurer les dotations par les exportations peut introduire un biais et changer la relation : on ne s’intéresse plus alors à l’impact des dotations en elles mêmes mais à l’effet de la spécialisation d’un pays dans l’exportation de ces ressources sur le développement. Pour tester cette relation, on a estimé un système à deux équations. Ainsi, on évalue d’une part, l’impact des ressources naturelles sur la qualité des institutions et d’autre part, l’influence des institutions et des dotations sur le développement. Ce système à deux équations permet donc de tester un double impact, direct et indirect, des ressources naturelles sur le développement. D’après l’estimation des équations, les dotations en ressources naturelles n’ont pas d’impact significatif sur la qualité des institutions. Ce ne sont pas les dotations en ressources naturelles en elles-mêmes qui favorisent les comportements de « rent seeking ». Le fait de disposer d’importants gisements de minerais, de gaz, de charbon ou de pétrole n’encourage pas les individus à avoir des comportements de rente. Par contre, l’exploitation de ces gisements et notamment l’exportation de ces ressources naturelles crée des opportunités de « rent seeking » et par là affecte la qualité des institutions. Disposer de ressources « point source » importantes devient donc un fléau à partir du moment où le pays décide de se spécialiser dans le secteur des ressources. Les ressources « point source » n’ont ni d’effet direct ni d’effet indirect sur le

développement. L’hypothèse de « resource curse » n’est pas robuste au changement de mesure des dotations. Par contre, la terre a un impact indirect et direct positif sur le développement. Ceci témoigne encore une fois de l’importance de distinguer les différentes ressources.

Bibliographie :
• • Acemoglu, Johnson, Robinson, “The Colonial Origins of Comparative Development : An Empirical Investigation”, American Economic Review 91 : 1369-1401, 2001. Bulte, E.H, Damania, H. and Deacon, R.T, “Resource Abundance, Poverty and Development”, ESA Working Paper No. 04-03, The Food and Agriculture Organization of the United Nations, Agricultual and Development Economics Division, 2004. • • • Collier, Gunning, Explaining African Economic Performance”, Journal of Economic Literature, 1999. Hall, Jones, “Why do some Countries Produce so Much More Output than Others?”, Quaterly Journal of Economics 114, 83-116, 1999. Isham, J., M. Woodcock, L. Pritchett and G. Busby, “The varieties of resource Experience : How Natural Resource Export Structures Affect the Political Economy of Economic Growth”, Middlebury College Economics Discussion Paper 03-08, Vermont: Middlebury College, 2004. • Leite, C and J. Weidmann, “Does Mother Nature Corrupt? Natural Resources, Corruption and Economic Growth”, Working Paper of the International Monetary Fund, IMF Working Paper WP/99/85, 1999. • • MacFarlan, Edison, Spatafora, “World Economic Outlook”, World Economic and Financial Surveys of the International Monetary Found, April 2003. Rodrik, Subramanian, Trebbi, “Institutions Rule : The primacy of institutions over Geography and Integration in Economic Development, NBER Working Paper 9305, Cambridge: National Bureau of Economic Research, 2002. • Sala-I-Martin, X. And A. Subramanian, “Addressing the Natural Resource Curse: An Illustration from Nigeria”, Working Paper 9804, Cambridge, MA: National Bureau of Economic Research, 2003.

•

Sachs, J.D and A.M. Warner, “Natural Resource Abundance and Economic Growth”, NBER Working Paper Series, WP 5398, Cambridge: National Bureau of Economic Research, 1997.

• •

Sen, “Developement as freedom”, Oxford, Oxford University Press, 1999. Stijns, J., “Natural Resource Abundance and Economic Growth Revisited”, UC Berkeley, Department of Economics, Mimeo, 2002.

Appendice :

1) Résumé des variables : Variable | Obs Mean Std. Dev. Min Max ---------+-------------------------------------------------------------------idh | 175 .7250343 .1713933 .336 .968 vc98 | 174 -.0192278 .9624883 -1.924371 1.552928 ge98 | 172 .0346514 .9753785 -2.004032 2.59382 rl98 | 173 .0408748 .9844463 -1.970576 2.360234 crudeoil | 171 6.887752 29.46753 0 266.81 naturalg | 170 35.28305 166.3613 0 1680 coalmill | 173 5335.684 27882.05 0 267554.2 antimony | 174 20287.36 186204.6 0 2400000 barite | 171 3190.643 28465.83 0 360000 logterre | 120 -.0340296 1.588149 -5.99446 4.164501 xmpxtota | 119 .7343697 .2913023 .01 1 loggdp70 | 153 3.652062 1.051504 1.531479 6.482456 primary6 | 128 77.72656 31.95487 7 134 secondar | 125 24.4688 22.30238 .2 83 eurfrac | 62 .4079484 .4337407 0 1 majoroil | 175 .0742857 .2629878 0 1 subsahar | 175 .2571429 .4383129 0 1 latiname | 175 .1885714 .3922902 0 1 eastasia | 175 .0971429 .297002 0 1 southasi | 175 .04 .1965215 0 1

2) Tableaux de corrélation :
1) Corrélation entre ressources naturelles et qualité des institutions : . cor crudeoil naturalg coalmill antimony barite logterre vc98 (obs=116) | crudeoil naturalg coalmill antimony barite logterre vc98 ---------+--------------------------------------------------------------crudeoil | 1.0000 naturalg | 0.6578 1.0000 coalmill | -0.0083 0.0254 1.0000 antimony | 0.0261 0.0850 0.3209 1.0000 barite | 0.0330 0.1467 0.3716 0.9565 1.0000 logterre | 0.1298 0.0524 -0.0337 -0.0206 -0.0419 1.0000 vc98 | -0.1128 -0.1750 0.0775 -0.1486 -0.1447 -0.1564 1.0000 . cor crudeoil naturalg coalmill antimony barite logterre ge98 (obs=115) | crudeoil naturalg coalmill antimony barite logterre ge98 ---------+--------------------------------------------------------------crudeoil | 1.0000 naturalg | 0.6576 1.0000 coalmill | -0.0087 0.0246 1.0000 antimony | 0.0259 0.0847 0.3208 1.0000 barite | 0.0327 0.1463 0.3714 0.9565 1.0000 logterre | 0.1281 0.0484 -0.0365 -0.0221 -0.0437 1.0000 ge98 | 0.0112 -0.0172 0.1373 -0.0062 0.0028 -0.2254 1.0000 . cor crudeoil naturalg coalmill antimony barite logterre rl98 (obs=116) | crudeoil naturalg coalmill antimony barite logterre rl98 ---------+--------------------------------------------------------------crudeoil | 1.0000 naturalg | 0.6578 1.0000 coalmill | -0.0083 0.0254 1.0000 antimony | 0.0261 0.0850 0.3209 1.0000 barite | 0.0330 0.1467 0.3716 0.9565 1.0000 logterre | 0.1298 0.0524 -0.0337 -0.0206 -0.0419 1.0000 rl98 | 0.1396 0.0806 0.1184 -0.0454 -0.0257 -0.2318 1.0000

2) Corrélation entre qualité des institutions et IDH : . cor vc98 ge98 rl98 idh (obs=172) | vc98 ge98 rl98 idh ---------+-----------------------------------vc98 | 1.0000 ge98 | 0.6670 1.0000 rl98 | 0.6618 0.9108 1.0000 idh | 0.5681 0.6456 0.6974 1.0000

3) Corrélation entre ressources naturelles et IDH : . cor crudeoil naturalg coalmill antimony barite logterre idh (obs=116) | crudeoil naturalg coalmill antimony barite logterre idh ---------+--------------------------------------------------------------crudeoil | 1.0000 naturalg | 0.6578 1.0000 coalmill | -0.0083 0.0254 1.0000 antimony | 0.0261 0.0850 0.3209 1.0000 barite | 0.0330 0.1467 0.3716 0.9565 1.0000 logterre | 0.1298 0.0524 -0.0337 -0.0206 -0.0419 1.0000 idh | 0.1469 0.1463 0.1269 0.0283 0.0357 -0.3358 1.0000

3) Estimation du système d’équations avec les dotations en ressources naturelles mesurées par la part des exportations en ressources naturelles dans le total des exportations. a) Equation de qualité institutionnelle :
. reg vc98 primary6 secondar loggdp70 eurfrac xmpxtota majoroil subsahar latina > me eastasia southasi, ro Regression with robust standard errors Number of obs = F( 10, 40) = 23.33 Prob > F = 0.0000 R-squared = 0.8106 Root MSE = .41547 51

-------------------------------------------------------------------------------------------------| Robust vc98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+--------------------------------------------------------------------------------------primary6 | .0106999 .0049836 2.147 0.038 .0006276 .0207722 secondar | .0255213 .0045333 5.630 0.000 .0163591 .0346836 loggdp70 | -.2153064 .1380644 -1.559 0.127 -.4943449 .0637321 eurfrac | .5026586 .1923133 2.614 0.013 .1139789 .8913383 xmpxtota | -1.162264 .3081835 -3.771 0.001 -1.785126 -.5394021 majoroil | -.0643361 .2258207 -0.285 0.777 -.5207368 .3920645 subsahar | .720268 .3420643 2.106 0.042 .0289302 1.411606 latiname | .1628007 .2478536 0.657 0.515 -.3381302 .6637315 eastasia | .0265389 .2166597 0.122 0.903 -.4113466 .4644244 southasi | .4295163 .2334019 1.840 0.073 -.0422065 .901239 _cons | -.0269524 .700983 -0.038 0.970 -1.443692 1.389787 . reg ge98 primary6 secondar loggdp70 eurfrac xmpxtota majoroil subsahar latina > me eastasia southasi, ro

Regression with robust standard errors Number of obs = F( 10, 40) = 49.98 Prob > F = 0.0000 R-squared = 0.8230 Root MSE = .50418

51

-------------------------------------------------------------------------------------------------| Robust ge98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+--------------------------------------------------------------------------------------primary6 | .0009749 .005774 0.169 0.867 -.0106948 .0126446 secondar | .0268812 .0059358 4.529 0.000 .0148846 .0388778 loggdp70 | .0240756 .137348 0.175 0.862 -.253515 .3016662 eurfrac | .6711631 .24203 2.773 0.008 .1820022 1.160324 xmpxtota | -.5197182 .3296649 -1.577 0.123 -1.185996 .1465593 majoroil | -.2750722 .4124096 -0.667 0.509 -1.108583 .5584387 subsahar | .1310878 .2502837 0.524 0.603 -.3747544 .6369301 latiname | -.6631201 .2939599 -2.256 0.030 -1.257235 -.069005 eastasia | -.3630793 .1694735 -2.142 0.038 -.705598 -.0205606 southasi | -.5771544 .2999418 -1.924 0.061 -1.183359 .0290505 _cons | -.1757478 .7660665 -0.229 0.820 -1.724026 1.37253 . reg rl98 primary6 secondar loggdp70 eurfrac xmpxtota majoroil subsahar latina > me eastasia southasi, ro Regression with robust standard errors Number of obs = F( 10, 40) = 40.50 Prob > F = 0.0000 R-squared = 0.8829 Root MSE = .41321 51

-----------------------------------------------------------------------------------------------| Robust rl98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+------------------------------------------------------------------------------------primary6 | .008351 .0053505 1.561 0.126 -.0024629 .0191648 secondar | .0259099 .0041762 6.204 0.000 .0174695 .0343502 loggdp70 | -.1829665 .1055092 -1.734 0.091 -.3962085 .0302756 eurfrac | .5683145 .1671573 3.400 0.002 .2304771 .9061519 xmpxtota | -.7926625 .3227373 -2.456 0.018 -1.444939 -.1403862 majoroil | -.1005302 .2947072 -0.341 0.735 -.6961556 .4950952 subsahar | .1858483 .178885 1.039 0.305 -.1756917 .5473884 latiname | -.8397082 .1875017 -4.478 0.000 -1.218663 -.460753 eastasia | -.5386149 .2034131 -2.648 0.012 -.9497282 -.1275016 southasi | -.3787072 .3070153 -1.234 0.225 -.9992083 .2417938 _cons | .329297 .6864684 0.480 0.634 -1.058107 1.716701

b) Equation de développement :
. ivreg idh ( vc98= eurfrac) xmpxtota loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi, ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 40) = 232.85 Prob > F = 0.0000 R-squared = 0.9525 Root MSE = .03173 51

---------------------------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+----------------------------------------------------------------------------------vc98 | .069418 .0186733 3.718 0.001 .0316779 .107158 xmpxtota | .0071762 .0332209 0.216 0.830 -.0599657 .0743181 loggdp70 | .0240636 .0106404 2.262 0.029 .0025585 .0455686 primary6 | .0008196 .0003678 2.228 0.032 .0000762 .001563 secondar | .0003841 .0005779 0.665 0.510 -.0007839 .001552 majoroil | .0263452 .0156256 1.686 0.100 -.0052354 .0579257 subsahar | -.2060291 .0174466 -11.809 0.000 -.2412901 -.1707682 latiname | -.0387528 .0158954 -2.438 0.019 -.0708785 -.006627 eastasia | -.0138579 .0423968 -0.327 0.745 -.0995451 .0718292 southasi | -.2012573 .0209876 -9.589 0.000 -.2436748 -.1588398 _cons | .6212547 .0587579 10.573 0.000 .5025005 .7400089 ---------------------------------------------------------------------------------------------Instrumented: vc98 Instruments: xmpxtota loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

. ivreg idh ( ge98= eurfrac) xmpxtota loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi, ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 40) = 92.20 Prob > F = 0.0000 R-squared = 0.9462 Root MSE = .03379 51

------------------------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------------------ge98 | .0519897 .0189068 2.750 0.009 .0137775 .0902018 xmpxtota | -.0464858 .0300815 -1.545 0.130 -.1072828 .0143112 loggdp70 | .0078658 .0102066 0.771 0.445 -.0127625 .028494 primary6 | .0015116 .0004005 3.774 0.001 .0007021 .0023212 secondar | .0007582 .0005583 1.358 0.182 -.0003702 .0018865 majoroil | .03618 .0139522 2.593 0.013 .0079815 .0643785 subsahar | -.1628448 .0274802 -5.926 0.000 -.2183843 -.1073052 latiname | .0070239 .0177598 0.395 0.695 -.0288699 .0429177 eastasia | .0068607 .0373094 0.184 0.855 -.0685443 .0822657 southasi | -.1414351 .0270683 -5.225 0.000 -.1961423 -.0867279 _cons | .6285208 .0573088 10.967 0.000 .5126953 .7443463 -----------------------------------------------------------------------------Instrumented: ge98

Instruments: xmpxtota loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

. ivreg idh ( rl98= eurfrac) xmpxtota loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi, ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 40) = 115.59 Prob > F = 0.0000 R-squared = 0.9540 Root MSE = .03123 51

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------rl98 | .0613983 .020976 2.927 0.006 .0190042 .1037924 xmpxtota | -.0248377 .0259499 -0.957 0.344 -.0772844 .027609 loggdp70 | .0203513 .0096084 2.118 0.040 .0009319 .0397706 primary6 | .0010496 .0004301 2.440 0.019 .0001803 .0019189 secondar | .0005649 .0005964 0.947 0.349 -.0006405 .0017702 majoroil | .0280515 .0115075 2.438 0.019 .0047939 .051309 subsahar | -.1674403 .0278413 -6.014 0.000 -.2237097 -.111171 latiname | .0241052 .0225977 1.067 0.293 -.0215665 .0697768 eastasia | .0210544 .0333628 0.631 0.532 -.0463743 .0884831 southasi | -.1481892 .0275478 -5.379 0.000 -.2038654 -.0925129 _cons | .5991655 .0505849 11.845 0.000 .4969296 .7014013 -----------------------------------------------------------------------------Instrumented: rl98 Instruments: xmpxtota loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

4) Estimation du système d’équations avec les dotations en ressources naturelles mesurées par les réserves : a) Equation de qualité institutionnelle :
. reg vc98 primary6 secondar loggdp70 eurfrac crudeoil majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 22.27 Prob > F = 0.0000 R-squared = 0.7489 Root MSE = .47286 54

-----------------------------------------------------------------------------------------------------| Robust vc98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+------------------------------------------------------------------------------------------primary6 | .0043419 .004814 0.902 0.372 -.0053664 .0140503 secondar | .029966 .0051293 5.842 0.000 .0196217 .0403103 loggdp70 | .0622249 .1291253 0.482 0.632 -.198181 .3226308 eurfrac | .5701263 .226954 2.512 0.016 .11243 1.027823 crudeoil | -.0008744 .0010596 -0.825 0.414 -.0030112 .0012625 majoroil | -.2075057 .2883226 -0.720 0.476 -.7889636 .3739522 subsahar | .4176192 .3935314 1.061 0.295 -.3760125 1.211251

latiname | .0737134 eastasia | -.0520761 southasi | .3669265 _cons | -1.583786

.2787873 0.264 .3533998 -0.147 .2941568 1.247 .5894233 -2.687

0.793 0.884 0.219 0.010

-.4885147 .6359415 -.7647748 .6606226 -.2262971 .9601501 -2.772471 -.3951007

. reg vc98 primary6 secondar loggdp70 eurfrac naturalg majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 19.71 Prob > F = 0.0000 R-squared = 0.7609 Root MSE = .46144 54

--------------------------------------------------------------------------------------------------| Robust vc98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+----------------------------------------------------------------------------------------primary6 | .0028313 .0046141 0.614 0.543 -.006474 .0121365 secondar | .0287103 .0052173 5.503 0.000 .0181887 .0392319 loggdp70 | .0807439 .1326535 0.609 0.546 -.1867774 .3482653 eurfrac | .5471066 .2180376 2.509 0.016 .1073918 .9868214 naturalg | -.0042445 .0029774 -1.426 0.161 -.010249 .00176 majoroil | .1465873 .4472969 0.328 0.745 -.7554729 1.048648 subsahar | .3034068 .3925492 0.773 0.444 -.4882441 1.095058 latiname | .0116348 .2775731 0.042 0.967 -.5481447 .5714143 eastasia | .005087 .2804781 0.018 0.986 -.5605509 .570725 southasi | .3039016 .2682815 1.133 0.264 -.2371397 .8449428 _cons | -1.401267 .5604473 -2.500 0.016 -2.531516 -.2710169

. reg vc98 primary6 secondar loggdp70 eurfrac coalmill majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 21.05 Prob > F = 0.0000 R-squared = 0.7507 Root MSE = .47116 54

-----------------------------------------------------------------------------------------------| Robust vc98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+------------------------------------------------------------------------------------primary6 | .0040091 .0048293 0.830 0.411 -.0057301 .0137483 secondar | .0301057 .0051477 5.848 0.000 .0197243 .0404871 loggdp70 | .067002 .1304845 0.513 0.610 -.1961451 .3301491 eurfrac | .5785844 .2220086 2.606 0.013 .1308613 1.026307 coalmill | -9.68e-07 7.00e-07 -1.383 0.174 -2.38e-06 4.44e-07 majoroil | -.2410264 .2857719 -0.843 0.404 -.8173404 .3352876 subsahar | .4195894 .3919854 1.070 0.290 -.3709245 1.210103 latiname | .0607046 .2802957 0.217 0.830 -.5045656 .6259748 eastasia | -.0554855 .355382 -0.156 0.877 -.7721815 .6612106 southasi | .3769979 .2945503 1.280 0.207 -.2170195 .9710153 _cons | -1.568884 .5879525 -2.668 0.011 -2.754603 -.3831651

. reg vc98 primary6 secondar loggdp70 eurfrac antimony majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 42) = 19.70 Prob > F = 0.0000 R-squared = 0.7726 Root MSE = .45101 53

------------------------------------------------------------------------------------------------| Robust vc98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------------------------primary6 | .0074426 .005531 1.346 0.186 -.0037194 .0186046 secondar | .0295179 .0050106 5.891 0.000 .0194061 .0396297 loggdp70 | .0179121 .1221558 0.147 0.884 -.2286083 .2644325 eurfrac | .6281246 .2252454 2.789 0.008 .1735609 1.082688 antimony | 3.02e-06 1.01e-06 2.972 0.005 9.68e-07 5.06e-06 majoroil | -.1449592 .2803906 -0.517 0.608 -.7108103 .4208919 subsahar | .2833921 .2921943 0.970 0.338 -.3062799 .8730642 latiname | -.0534795 .2696028 -0.198 0.844 -.5975601 .490601 eastasia | -.0332264 .3374747 -0.098 0.922 -.7142779 .6478252 southasi | .5085553 .3193654 1.592 0.119 -.1359502 1.153061 _cons | -1.685795 .5875523 -2.869 0.006 -2.871523 -.5000663

. reg vc98 primary6 secondar loggdp70 eurfrac barite majoroil subsahar latiname > eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 17.93 Prob > F = 0.0000 R-squared = 0.7486 Root MSE = .47318 54

-----------------------------------------------------------------------------| Robust vc98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | .0045662 .0049443 0.924 0.361 -.005405 .0145374 secondar | .0298468 .0050927 5.861 0.000 .0195764 .0401173 loggdp70 | .0620954 .130017 0.478 0.635 -.2001089 .3242997 eurfrac | .5520751 .2225852 2.480 0.017 .1031892 1.000961 barite | -1.65e-06 3.32e-06 -0.499 0.621 -8.35e-06 5.04e-06 majoroil | -.2192575 .2826907 -0.776 0.442 -.7893576 .3508425 subsahar | .4148704 .3933946 1.055 0.298 -.3784853 1.208226 latiname | .0807002 .2797767 0.288 0.774 -.4835232 .6449237 eastasia | -.056951 .3535503 -0.161 0.873 -.7699531 .6560512 southasi | .4134389 .3421764 1.208 0.234 -.2766256 1.103503 _cons | -1.597509 .6161921 -2.593 0.013 -2.840179 -.3548392

. reg vc98 primary6 secondar loggdp70 eurfrac logterre majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 21.53 Prob > F = 0.0000 R-squared = 0.7493 Root MSE = .47247 54

-----------------------------------------------------------------------------| Robust vc98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | .004794 .0049531 0.968 0.339 -.0051948 .0147829 secondar | .0299391 .0050779 5.896 0.000 .0196984 .0401797 loggdp70 | .0466991 .1346 0.347 0.730 -.2247478 .3181459 eurfrac | .5765275 .2264294 2.546 0.015 .119889 1.033166 logterre | -.0260996 .0591435 -0.441 0.661 -.1453738 .0931746 majoroil | -.2131583 .2793646 -0.763 0.450 -.7765508 .3502341 subsahar | .4382482 .3956868 1.108 0.274 -.3597302 1.236227 latiname | .0783976 .2775861 0.282 0.779 -.4814082 .6382034 eastasia | -.0874509 .3591861 -0.243 0.809 -.8118187 .636917 southasi | .3609626 .2927359 1.233 0.224 -.2293957 .9513209 _cons | -1.567788 .5953963 -2.633 0.012 -2.768519 -.3670568

. reg ge98 primary6 secondar loggdp70 eurfrac crudeoil majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 25.71 Prob > F = 0.0000 R-squared = 0.7891 Root MSE = .55089 54

-----------------------------------------------------------------------------| Robust ge98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | -.0054081 .0056857 -0.951 0.347 -.0168745 .0060583 secondar | .0304631 .0061133 4.983 0.000 .0181345 .0427918 loggdp70 | .2107307 .1457363 1.446 0.155 -.0831745 .504636 eurfrac | .8148211 .2473835 3.294 0.002 .3159248 1.313717 crudeoil | -.0012766 .0030115 -0.424 0.674 -.0073499 .0047968 majoroil | -.2991125 .4449244 -0.672 0.505 -1.196388 .5981631 subsahar | .0476463 .319405 0.149 0.882 -.5964953 .6917879 latiname | -.5947803 .3097245 -1.920 0.061 -1.219399 .0298386 eastasia | -.2394625 .2296345 -1.043 0.303 -.7025646 .2236396 southasi | -.5740306 .3125845 -1.836 0.073 -1.204417 .0563561 _cons | -1.021814 .6202241 -1.647 0.107 -2.272615 .2289875

. reg ge98 primary6 secondar loggdp70 eurfrac naturalg majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 29.55 Prob > F = 0.0000 R-squared = 0.7929 Root MSE = .54597 54

-----------------------------------------------------------------------------| Robust ge98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | -.0065547 .0061008 -1.074 0.289 -.0188581 .0057487 secondar | .0294874 .00627 4.703 0.000 .0168427 .0421321 loggdp70 | .2223845 .1441942 1.542 0.130 -.0684108 .5131797 eurfrac | .7872934 .2513673 3.132 0.003 .2803629 1.294224 naturalg | -.0032579 .003903 -0.835 0.408 -.011129 .0046132 majoroil | -.0414975 .4870703 -0.085 0.932 -1.023768 .9407735 subsahar | -.0421733 .3411227 -0.124 0.902 -.7301129 .6457662 latiname | -.6395465 .3271837 -1.955 0.057 -1.299375 .0202823 eastasia | -.1973604 .2189239 -0.902 0.372 -.6388625 .2441417 southasi | -.6240505 .3143195 -1.985 0.054 -1.257936 .0098352 _cons | -.8701378 .6719581 -1.295 0.202 -2.22527 .4849949

. reg ge98 primary6 secondar loggdp70 eurfrac coalmill majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 23.15 Prob > F = 0.0000 R-squared = 0.7962 Root MSE = .5415 54

-----------------------------------------------------------------------------| Robust ge98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | -.0061895 .0058514 -1.058 0.296 -.0179901 .005611 secondar | .0307992 .0061119 5.039 0.000 .0184733 .043125 loggdp70 | .2248266 .1510788 1.488 0.144 -.0798528 .529506 eurfrac | .8462408 .2521726 3.356 0.002 .3376863 1.354795 coalmill | -2.23e-06 2.01e-06 -1.108 0.274 -6.28e-06 1.83e-06 majoroil | -.3590254 .4676736 -0.768 0.447 -1.302179 .5841283 subsahar | .0547948 .3065352 0.179 0.859 -.5633924 .672982 latiname | -.6282017 .2970456 -2.115 0.040 -1.227251 -.0291521 eastasia | -.245153 .2108557 -1.163 0.251 -.6703841 .1800781 southasi | -.5488672 .3150273 -1.742 0.089 -1.18418 .0864458 _cons | -1.001592 .6205992 -1.614 0.114 -2.25315 .2499652

. reg ge98 primary6 secondar loggdp70 eurfrac antimony majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 42) = 26.66 Prob > F = 0.0000 R-squared = 0.7887 Root MSE = .55479 53

-----------------------------------------------------------------------------| Robust ge98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | -.0036047 .0065511 -0.550 0.585 -.0168254 .0096159 secondar | .0302468 .0060985 4.960 0.000 .0179395 .0425541 loggdp70 | .1876157 .1467979 1.278 0.208 -.1086344 .4838659 eurfrac | .8210552 .2542168 3.230 0.002 .308025 1.334085 antimony | 1.06e-06 5.46e-07 1.946 0.058 -3.96e-08 2.16e-06 majoroil | -.2876368 .4721634 -0.609 0.546 -1.240501 .6652274 subsahar | .0041788 .3401799 0.012 0.990 -.6823321 .6906897 latiname | -.6443287 .3167661 -2.034 0.048 -1.283589 -.0050689 eastasia | -.2332358 .2318616 -1.006 0.320 -.7011515 .2346799 southasi | -.4963965 .3471158 -1.430 0.160 -1.196904 .2041114 _cons | -1.090873 .6298952 -1.732 0.091 -2.362053 .1803074

. reg ge98 primary6 secondar loggdp70 eurfrac barite majoroil subsahar latiname > eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 27.37 Prob > F = 0.0000 R-squared = 0.7886 Root MSE = .55154 54

-----------------------------------------------------------------------------| Robust ge98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | -.0050983 .0058563 -0.871 0.389 -.0169086 .0067121 secondar | .0302979 .0060696 4.992 0.000 .0180573 .0425385 loggdp70 | .2102362 .145051 1.449 0.154 -.0822871 .5027595 eurfrac | .7887931 .2485791 3.173 0.003 .2874856 1.290101 barite | -2.27e-06 3.51e-06 -0.648 0.521 -9.35e-06 4.80e-06 majoroil | -.3170157 .4751266 -0.667 0.508 -1.2752 .6411684 subsahar | .0436018 .3234418 0.135 0.893 -.6086808 .6958844 latiname | -.5848216 .3099217 -1.887 0.066 -1.209838 .0401951 eastasia | -.2463816 .2324173 -1.060 0.295 -.7150958 .2223325 southasi | -.5103093 .3744801 -1.363 0.180 -1.26552 .2449018 _cons | -1.039241 .6510919 -1.596 0.118 -2.352293 .2738105

. reg ge98 primary6 secondar loggdp70 eurfrac logterre majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 28.90 Prob > F = 0.0000 R-squared = 0.7884 Root MSE = .55184 54

-----------------------------------------------------------------------------| Robust ge98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | -.0055687 .0057483 -0.969 0.338 -.0171612 .0060239 secondar | .0304421 .0061185 4.975 0.000 .0181028 .0427813 loggdp70 | .2104591 .1327662 1.585 0.120 -.0572894 .4782076 eurfrac | .785087 .2315065 3.391 0.002 .3182096 1.251964 logterre | .0113137 .0725686 0.156 0.877 -.1350349 .1576623 majoroil | -.3354056 .4782206 -0.701 0.487 -1.299829 .6290182 subsahar | .0328079 .3421439 0.096 0.924 -.657191 .7228068 latiname | -.5889296 .3080355 -1.912 0.063 -1.210142 .0322832 eastasia | -.2289774 .2623915 -0.873 0.388 -.7581403 .3001855 southasi | -.5759444 .3194761 -1.803 0.078 -1.220229 .0683405 _cons | -.9970735 .6138954 -1.624 0.112 -2.235112 .2409646

. reg rl98 primary6 secondar loggdp70 eurfrac crudeoil majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 33.85 Prob > F = 0.0000 R-squared = 0.8282 Root MSE = .48699 54

-----------------------------------------------------------------------------| Robust rl98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | .0038316 .0048531 0.790 0.434 -.0059556 .0136188 secondar | .0285522 .0046029 6.203 0.000 .0192696 .0378348 loggdp70 | .0319821 .0912144 0.351 0.728 -.1519693 .2159336 eurfrac | .7258575 .2013131 3.606 0.001 .319871 1.131844 crudeoil | -.0008646 .0021032 -0.411 0.683 -.0051061 .0033769 majoroil | -.1488538 .3693288 -0.403 0.689 -.8936763 .5959687 subsahar | .2031562 .2125178 0.956 0.344 -.2254268 .6317393 latiname | -.8593749 .2222633 -3.866 0.000 -1.307611 -.4111382 eastasia | -.4722326 .3566638 -1.324 0.192 -1.191514 .2470484 southasi | -.3143078 .2966627 -1.059 0.295 -.9125851 .2839695 _cons | -.9393975 .4428734 -2.121 0.040 -1.832537 -.0462583

. reg rl98 primary6 secondar loggdp70 eurfrac naturalg majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 34.85 Prob > F = 0.0000 R-squared = 0.8295 Root MSE = .48509 54

-----------------------------------------------------------------------------| Robust rl98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------- -----------------------------------primary6 | .003143 .0051569 0.609 0.545 -.0072568 .0135429 secondar | .0279625 .0046538 6.009 0.000 .0185773 .0373478 loggdp70 | .0385971 .0920166 0.419 0.677 -.146972 .2241662 eurfrac | .7077183 .1954173 3.622 0.001 .3136217 1.101815 naturalg | -.0019624 .0028812 -0.681 0.499 -.0077728 .0038481 majoroil | .0040813 .4285603 0.010 0.992 -.8601929 .8683555 subsahar | .1487127 .237182 0.627 0.534 -.3296103 .6270357 latiname | -.8858843 .2381341 -3.720 0.001 -1.366128 -.405641 eastasia | -.4471527 .3449388 -1.296 0.202 -1.142788 .2484826 southasi | -.3446973 .3149767 -1.094 0.280 -.9799084 .2905139 _cons | -.8462053 .4924124 -1.718 0.093 -1.839249 .1468389

. reg rl98 primary6 secondar loggdp70 eurfrac coalmill majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 31.38 Prob > F = 0.0000 R-squared = 0.8336 Root MSE = .47919 54

-----------------------------------------------------------------------------| Robust rl98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | .0031713 .0050029 0.634 0.530 -.006918 .0132605 secondar | .0288384 .0045389 6.354 0.000 .0196848 .0379919 loggdp70 | .0446901 .093589 0.478 0.635 -.1440501 .2334304 eurfrac | .7556029 .2047782 3.690 0.001 .3426284 1.168577 coalmill | -1.87e-06 1.58e-06 -1.181 0.244 -5.06e-06 1.32e-06 majoroil | -.1943033 .3763851 -0.516 0.608 -.9533562 .5647496 subsahar | .2098941 .195248 1.075 0.288 -.183861 .6036491 latiname | -.8884154 .210517 -4.220 0.000 -1.312963 -.4638673 eastasia | -.4764031 .3419882 -1.393 0.171 -1.166088 .2132817 southasi | -.2926222 .3240362 -0.903 0.372 -.9461035 .3608592 _cons | -.9263832 .4470521 -2.072 0.044 -1.82795 -.0248168

. reg rl98 primary6 secondar loggdp70 eurfrac antimony majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 42) = 33.08 Prob > F = 0.0000 R-squared = 0.8242 Root MSE = .4913 53

-----------------------------------------------------------------------------| Robust rl98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | .0051124 .0057188 0.894 0.376 -.0064286 .0166534 secondar | .0284023 .0046209 6.146 0.000 .019077 .0377276 loggdp70 | .016036 .0935404 0.171 0.865 -.1727362 .2048082 eurfrac | .7302087 .1998748 3.653 0.001 .326845 1.133572 antimony | 7.19e-07 4.78e-07 1.505 0.140 -2.46e-07 1.68e-06 majoroil | -.1400439 .3824586 -0.366 0.716 -.9118766 .6317888 subsahar | .1743561 .2223997 0.784 0.437 -.2744646 .6231769 latiname | -.8937286 .2237814 -3.994 0.000 -1.345338 -.4421195 eastasia | -.4678081 .3601268 -1.299 0.201 -1.194573 .2589572 southasi | -.2591176 .3280749 -0.790 0.434 -.9211995 .4029642 _cons | -.99062 .4849683 -2.043 0.047 -1.969326 -.0119143

. reg rl98 primary6 secondar loggdp70 eurfrac barite majoroil subsahar latiname > eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 49.65 Prob > F = 0.0000 R-squared = 0.8286 Root MSE = .48645 54

-----------------------------------------------------------------------------| Robust rl98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | .0034349 .0049762 0.690 0.494 -.0066006 .0134703 secondar | .0287408 .0045885 6.264 0.000 .0194871 .0379944 loggdp70 | .0211178 .0893597 0.236 0.814 -.1590932 .2013287 eurfrac | .7194804 .1968645 3.655 0.001 .3224654 1.116495 barite | 3.34e-06 2.62e-06 1.273 0.210 -1.95e-06 8.63e-06 majoroil | -.18668 .3880586 -0.481 0.633 -.9692748 .5959147 subsahar | .1993396 .2160275 0.923 0.361 -.2363213 .6350005 latiname | -.8609639 .2221735 -3.875 0.000 -1.30902 -.4129084 eastasia | -.4700914 .3591527 -1.309 0.198 -1.194392 .2542091 southasi | -.4154062 .3148978 -1.319 0.194 -1.050458 .2196457 _cons | -.8613473 .4602912 -1.871 0.068 -1.789613 .0669183

. reg rl98 primary6 secondar loggdp70 eurfrac logterre majoroil subsahar latina > me eastasia southasi,ro Regression with robust standard errors Number of obs = F( 10, 43) = 42.52 Prob > F = 0.0000 R-squared = 0.8290 Root MSE = .48578 54

-----------------------------------------------------------------------------| Robust rl98 | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------primary6 | .004441 .0050301 0.883 0.382 -.0057032 .0145853 secondar | .028522 .004653 6.130 0.000 .0191383 .0379057 loggdp70 | .0121985 .0935685 0.130 0.897 -.1765004 .2008974 eurfrac | .7399192 .2032875 3.640 0.001 .329951 1.149887 logterre | -.0355859 .0515894 -0.690 0.494 -.1396258 .068454 majoroil | -.1488955 .3742847 -0.398 0.693 -.9037125 .6059215 subsahar | .2324497 .2217192 1.048 0.300 -.2146898 .6795891 latiname | -.8545475 .2204064 -3.877 0.000 -1.299039 -.4100555 eastasia | -.5195055 .3471961 -1.496 0.142 -1.219693 .1806821 southasi | -.3215492 .2965883 -1.084 0.284 -.9196764 .276578 _cons | -.9238516 .4492166 -2.057 0.046 -1.829783 -.01792

b) Estimation de l’équation de développement :
. ivreg idh ( vc98= eurfrac) crudeoil loggdp70 primary6 secondar majoroil subs > ahar latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 195.64 Prob > F = 0.0000 R-squared = 0.9509 Root MSE = .03283 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------vc98 | .076933 .019001 4.049 0.000 .038614 .1152521 crudeoil | -.0000307 .0000958 -0.321 0.750 -.0002238 .0001624 loggdp70 | .0249141 .0096738 2.575 0.014 .0054051 .0444231 primary6 | .0006354 .0003287 1.933 0.060 -.0000274 .0012982 secondar | .000156 .000643 0.243 0.809 -.0011408 .0014529 majoroil | .0296117 .0159678 1.854 0.071 -.0025904 .0618137 subsahar | -.2129489 .0156424 -13.614 0.000 -.2444949 -.181403 latiname | -.0356838 .0162435 -2.197 0.033 -.0684419 -.0029258 eastasia | -.0076736 .0405882 -0.189 0.851 -.0895275 .0741803 southasi | -.2059274 .0207598 -9.920 0.000 -.2477936 -.1640612 _cons | .6412665 .0543052 11.809 0.000 .5317497 .7507833 ------------------------------------------------------------------------------

Instrumented: vc98 Instruments: crudeoil loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

. ivreg idh ( vc98= eurfrac) naturalg loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 198.66 Prob > F = 0.0000 R-squared = 0.9514 Root MSE = .03267 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------vc98 | .0758406 .0190198 3.987 0.000 .0374836 .1141976 naturalg | -.0000517 .0001839 -0.281 0.780 -.0004225 .0003191 loggdp70 | .0251188 .0095248 2.637 0.012 .0059102 .0443274 primary6 | .0006222 .0003078 2.022 0.049 1.56e-06 .0012429 secondar | .000173 .0006243 0.277 0.783 -.0010861 .0014321 majoroil | .0332064 .0209087 1.588 0.120 -.00896 .0753729 subsahar | -.2139589 .0152565 -14.024 0.000 -.2447266 -.1831912 latiname | -.0362595 .016139 -2.247 0.030 -.0688069 -.0037121 eastasia | -.0070957 .0415944 -0.171 0.865 -.0909788 .0767874 southasi | -.2063515 .0200051 -10.315 0.000 -.2466957 -.1660072 _cons | .6421621 .0531009 12.093 0.000 .5350739 .7492502 -----------------------------------------------------------------------------Instrumented: vc98 Instruments: naturalg loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac . ivreg idh ( vc98= eurfrac) coalmill loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 214.00 Prob > F = 0.0000 R-squared = 0.9505 Root MSE = .03299 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------vc98 | .0802787 .0193083 4.158 0.000 .0413399 .1192175 coalmill | -1.01e-07 3.54e-08 -2.842 0.007 -1.72e-07 -2.92e-08 loggdp70 | .0254697 .0097347 2.616 0.012 .0058379 .0451015 primary6 | .0005849 .0003347 1.748 0.088 -.00009 .0012598 secondar | .0000715 .0006513 0.110 0.913 -.001242 .0013851 majoroil | .0282974 .0171984 1.645 0.107 -.0063865 .0629814 subsahar | -.2139165 .0157168 -13.611 0.000 -.2456125 -.1822205 latiname | -.0375837 .0166419 -2.258 0.029 -.0711452 -.0040222 eastasia | -.007669 .0399705 -0.192 0.849 -.0882772 .0729392 southasi | -.2059362 .020185 -10.202 0.000 -.2466431 -.1652293 _cons | .6469073 .0563636 11.477 0.000 .5332393 .7605752 -----------------------------------------------------------------------------Instrumented: vc98

Instruments: coalmill loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

. ivreg idh ( vc98= eurfrac) antimony loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasin,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 42) = 178.98 Prob > F = 0.0000 R-squared = 0.9572 Root MSE = .03075 53

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------vc98 | .068239 .0147971 4.612 0.000 .0383773 .0981008 antimony | -1.80e-07 8.35e-08 -2.159 0.037 -3.49e-07 -1.18e-08 loggdp70 | .0277519 .0097053 2.859 0.007 .0081659 .0473379 primary6 | .0004835 .0003783 1.278 0.208 -.0002799 .0012469 secondar | .0004419 .000514 0.860 0.395 -.0005954 .0014792 majoroil | .021839 .0149813 1.458 0.152 -.0083944 .0520724 subsahar | -.2016822 .0173811 -11.604 0.000 -.2367586 -.1666058 latiname | -.0269234 .0136312 -1.975 0.055 -.0544324 .0005855 eastasia | -.0095405 .0392761 -0.243 0.809 -.0888028 .0697219 southasi | -.2117248 .0216087 -9.798 0.000 -.2553329 -.1681166 _cons | .6357954 .0540101 11.772 0.000 .5267985 .7447923 -----------------------------------------------------------------------------Instrumented: vc98 Instruments: antimony loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac . ivreg idh ( vc98= eurfrac) barite loggdp70 primary6 secondar majoroil subsaha > r latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 364.89 Prob > F = 0.0000 R-squared = 0.9519 Root MSE = .0325 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------vc98 | .0750367 .0188018 3.991 0.000 .0371192 .1129542 barite | -2.40e-07 2.57e-07 -0.934 0.356 -7.59e-07 2.79e-07 loggdp70 | .0254135 .0097363 2.610 0.012 .0057784 .0450486 primary6 | .0006742 .0003317 2.033 0.048 5.31e-06 .0013431 secondar | .0001974 .0006316 0.313 0.756 -.0010764 .0014713 majoroil | .0297255 .01705 1.743 0.088 -.0046591 .0641101 subsahar | -.2122193 .0157365 -13.486 0.000 -.2439549 -.1804837 latiname | -.0349797 .016106 -2.172 0.035 -.0674605 -.0024988 eastasia | -.0082033 .0406338 -0.202 0.841 -.0901492 .0737426 southasi | -.1982185 .0253725 -7.812 0.000 -.2493869 -.14705 _cons | .6344595 .0555807 11.415 0.000 .5223704 .7465487 -----------------------------------------------------------------------------Instrumented: vc98 Instruments: barite loggdp70 primary6 secondar majoroil subsahar latiname

eastasia southasi eurfrac

. ivreg idh ( vc98= eurfrac) logterre loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 245.69 Prob > F = 0.0000 R-squared = 0.9574 Root MSE = .03061 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------vc98 | .0660284 .0195164 3.383 0.002 .02667 .1053869 logterre | .0070328 .0037865 1.857 0.070 -.0006033 .014669 loggdp70 | .0286096 .0080572 3.551 0.001 .0123608 .0448584 primary6 | .0005669 .000307 1.846 0.072 -.0000523 .001186 secondar | .0004846 .000677 0.716 0.478 -.0008807 .0018499 majoroil | .0224164 .0154735 1.449 0.155 -.008789 .0536217 subsahar | -.2149361 .013662 -15.732 0.000 -.242488 -.1873841 latiname | -.034829 .0142642 -2.442 0.019 -.0635955 -.0060625 eastasia | .0004826 .0408671 0.012 0.991 -.0819337 .0828989 southasi | -.2010688 .0183875 -10.935 0.000 -.2381507 -.163987 _cons | .624963 .0466211 13.405 0.000 .5309426 .7189834 -----------------------------------------------------------------------------Instrumented: vc98 Instruments: logterre loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

. ivreg idh ( ge98= eurfrac) crudeoil loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 163.31 Prob > F = 0.0000 R-squared = 0.9437 Root MSE = .03515 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------ge98 | .0538297 .0170153 3.164 0.003 .0195151 .0881443 crudeoil | -.0000293 .0000515 -0.568 0.573 -.0001332 .0000747 loggdp70 | .0183577 .0100947 1.819 0.076 -.0020003 .0387157 primary6 .0012606 .0003605 3.497 0.001 .0005336 .0019875 secondar| .0008216 .0005394 1.523 0.135 -.0002663 .0019095 majoroil | .0297488 .012676 2.347 0.024 .0041851 .0553124 subsahar | -.183385 .0273503 -6.705 0.000 -.2385422 -.1282278 latiname | .002004 .0155465 0.129 0.898 -.0293485 .0333564 eastasia | .0012102 .0427404 0.028 0.978 -.0849839 .0874043 southasi | -.1467987 .0247297 -5.936 0.000 -.1966709 -.0969266 _cons | .5744249 .0493413 11.642 0.000 .4749187 .6739311 -----------------------------------------------------------------------------Instrumented: ge98

Instruments: crudeoil loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

. ivreg idh ( ge98= eurfrac) naturalg loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 140.48 Prob > F = 0.0000 R-squared = 0.9453 Root MSE = .03468 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------ge98 | .0527032 .0161539 3.263 0.002 .0201258 .0852806 naturalg | -.0002019 .0001969 -1.026 0.311 -.000599 .0001952 loggdp70 | .0195221 .0101219 1.929 0.060 -.0008907 .0399349 primary6 | .0011824 .0003455 3.422 0.001 .0004856 .0018792 secondar | .0007964 .0005037 1.581 0.121 -.0002194 .0018122 majoroil | .0465108 .0243913 1.907 0.063 -.0026789 .0957004 subsahar | -.1887257 .0272519 -6.925 0.000 -.2436844 -.133767 latiname | -.0016709 .0158049 -0.106 0.916 -.0335446 .0302028 eastasia | .0036916 .0435394 0.085 0.933 -.084114 .0914972 southasi | -.1504139 .0237269 -6.339 0.000 -.1982637 -.1025641 _cons | .5817482 .0472435 12.314 0.000 .4864726 .6770238 -----------------------------------------------------------------------------Instrumented: ge98 Instruments: naturalg loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac . ivreg idh ( ge98= eurfrac) coalmill loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 153.74 Prob > F = 0.0000 R-squared = 0.9437 Root MSE = .03518 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------ge98 | .0548875 .0161805 3.392 0.001 .0222564 .0875186 coalmill | -5.62e-08 1.09e-07 -0.514 0.610 -2.77e-07 1.64e-07 loggdp70 | .0185084 .010073 1.837 0.073 -.0018058 .0388225 primary6 | .0012465 .0003609 3.454 0.001 .0005188 .0019742 secondar | .0007979 .0005167 1.544 0.130 -.0002442 .00184 majoroil | .0286541 .0129141 2.219 0.032 .0026103 .054698 subsahar | -.1832399 .0273696 -6.695 0.000 -.238436 -.1280438 latiname | .00177 .0158801 0.111 0.912 -.0302554 .0337953 eastasia | .0013325 .0424513 0.031 0.975 -.0842787 .0869437 southasi | -.1455453 .0246683 -5.900 0.000 -.1952937 -.095797 _cons | .5759341 .0485459 11.864 0.000 .478032 .6738362 -----------------------------------------------------------------------------Instrumented: ge98 Instruments: coalmill loggdp70 primary6 secondar majoroil subsahar latiname

eastasia southasi eurfrac

. ivreg idh ( ge98= eurfrac) antimony loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 42) = 142.54 Prob > F = 0.0000 R-squared = 0.9435 Root MSE = .03533 53

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------ge98 | .0522043 .0160075 3.261 0.002 .0198999 .0845087 antimony | -3.00e-08 1.41e-07 -0.212 0.833 -3.15e-07 2.55e-07 loggdp70 | .0191798 .0097779 1.962 0.056 -.0005527 .0389124 primary6 | .0011796 .0004077 2.893 0.006 .0003568 .0020023 secondar | .0008772 .0005016 1.749 0.088 -.000135 .0018894 majoroil | .026963 .0120995 2.228 0.031 .0025453 .0513807 subsahar | -.1825619 .0270802 -6.742 0.000 -.237212 -.1279119 latiname | .0030639 .0153932 0.199 0.843 -.0280008 .0341286 eastasia | .0003681 .0428173 0.009 0.993 -.0860406 .0867768 southasi | -.1511074 .0256637 -5.888 0.000 -.2028988 -.099316 _cons | .5777066 .0525841 10.986 0.000 .4715876 .6838257 -----------------------------------------------------------------------------Instrumented: ge98 Instruments: antimony loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac . ivreg idh ( ge98= eurfrac) barite loggdp70 primary6 secondar majoroil subsaha > r latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 402.92 Prob > F = 0.0000 R-squared = 0.9444 Root MSE = .03494 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------ge98 | .0525181 .0168257 3.121 0.003 .0185857 .0864504 barite | -2.45e-07 2.14e-07 -1.146 0.258 -6.76e-07 1.86e-07 loggdp70 | .0190318 .0102812 1.851 0.071 -.0017023 .0397658 primary6 | .0012846 .0003652 3.517 0.001 .0005481 .0020211 secondar | .0008458 .0005346 1.582 0.121 -.0002322 .0019239 majoroil | .0299222 .0120013 2.493 0.017 .0057193 .0541252 subsahar | -.1833787 .027214 -6.738 0.000 -.2382608 -.1284965 latiname | .0017895 .0153084 0.117 0.907 -.0290828 .0326618 eastasia | .0004628 .0427111 0.011 0.991 -.0856723 .0865979 southasi | -.1403949 .0263635 -5.325 0.000 -.1935619 -.0872279 _cons | .5691667 .0516406 11.022 0.000 .4650234 .67331 -----------------------------------------------------------------------------Instrumented: ge98 Instruments: barite loggdp70 primary6 secondar majoroil subsahar latiname

eastasia southasi eurfrac

. ivreg idh ( ge98= eurfrac) logterre loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 171.04 Prob > F = 0.0000 R-squared = 0.9466 Root MSE = .03424 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------ge98 | .0484879 .018296 2.650 0.011 .0115904 .0853853 logterre | .0047609 .0043713 1.089 0.282 -.0040546 .0135764 loggdp70 | .0214883 .010603 2.027 0.049 .0001053 .0428714 primary6 | .0011534 .0003657 3.154 0.003 .0004159 .0018909 secondar | .0009853 .0006036 1.633 0.110 -.0002319 .0022026 majoroil | .024605 .0122637 2.006 0.051 -.0001271 .049337 subsahar | -.18759 .0243297 -7.710 0.000 -.2366555 -.1385245 latiname | -.0010966 .0141303 -0.078 0.939 -.0295931 .0273999 eastasia | .005811 .0433418 0.134 0.894 -.0815961 .0932181 southasi | -.1493087 .0232057 -6.434 0.000 -.1961074 -.10251 _cons | .5697904 .0479974 11.871 0.000 .4729944 .6665864 -----------------------------------------------------------------------------Instrumented: ge98 Instruments: logterre loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac . ivreg idh ( rl98= eurfrac) crudeoil loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 178.78 Prob > F = 0.0000 R-squared = 0.9515 Root MSE = .03265 54

----------------- ------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------rl98 | .0604272 .0177378 3.407 0.001 .0246554 .096199 crudeoil | -.0000457 .0000441 -1.037 0.305 -.0001347 .0000432 loggdp70 | .0277687 .0096421 2.880 0.006 .0083235 .0472139 primary6 | .0007379 .000394 1.873 0.068 -.0000567 .0015326 secondar | .0007361 .0005351 1.376 0.176 -.0003431 .0018152 majoroil | .0226425 .0112448 2.014 0.050 -.0000348 .0453197 subsahar | -.1930964 .0311688 -6.195 0.000 -.2559543 -.1302384 latiname | .0219168 .0197076 1.112 0.272 -.0178274 .061661 eastasia | .0168557 .033578 0.502 0.618 -.0508609 .0845723 southasi | -.1587059 .0261853 -6.061 0.000 -.2115135 -.1058982 _cons | .5761862 .049342 11.677 0.000 .4766786 .6756938 -----------------------------------------------------------------------------Instrumented: rl98 Instruments: crudeoil loggdp70 primary6 secondar majoroil subsahar latiname

eastasia southasi eurfrac

. ivreg idh ( rl98= eurfrac) naturalg loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 153.38 Prob > F = 0.0000 R-squared = 0.9536 Root MSE = .03193 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------rl98 | .0586291 .0171408 3.420 0.001 .0240615 .0931968 naturalg | -.0002586 .0001497 -1.728 0.091 -.0005604 .0000433 loggdp70 | .0289795 .0097912 2.960 0.005 .0092338 .0487253 primary6 | .0006527 .0003748 1.741 0.089 -.0001031 .0014085 secondar | .000711 .000517 1.375 0.176 -.0003315 .0017536 majoroil | .0440844 .0176067 2.504 0.016 .0085771 .0795917 subsahar | -.1996672 .0309179 -6.458 0.000 -.2620192 -.1373153 latiname | .0165616 .0196018 0.845 0.403 -.0229693 .0560924 eastasia | .0195062 .0345419 0.565 0.575 -.0501541 .0891665 southasi | -.1630941 .0242403 -6.728 0.000 -.2119794 -.1142088 _cons | .5855014 .0468539 12.496 0.000 .4910115 .6799913 -----------------------------------------------------------------------------Instrumented: rl98 Instruments: naturalg loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac . ivreg idh ( rl98= eurfrac) coalmill loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 147.08 Prob > F = 0.0000 R-squared = 0.9516 Root MSE = .03259 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------rl98 | .0614715 .0170857 3.598 0.001 .0270149 .0959281 coalmill | -6.35e-08 9.54e-08 -0.665 0.509 -2.56e-07 1.29e-07 loggdp70 | .0281014 .0096924 2.899 0.006 .0085547 .047648 primary6 | .0007118 .0003958 1.798 0.079 -.0000865 .0015101 secondar | .0007157 .0005185 1.380 0.175 -.00033 .0017613 majoroil | .0208923 .0115283 1.812 0.077 -.0023568 .0441413 subsahar | -.1931349 .0311762 -6.195 0.000 -.2560077 -.130262 latiname | .0219017 .0200458 1.093 0.281 -.0185245 .062328 eastasia | .0171619 .0331664 0.517 0.607 -.0497246 .0840484 southasi | -.1576833 .0251941 -6.259 0.000 -.2084921 -.1068746 _cons | .5779053 .0486698 11.874 0.000 .4797533 .6760574 -----------------------------------------------------------------------------Instrumented: rl98 Instruments: coalmill loggdp70 primary6 secondar majoroil subsahar latiname

eastasia southasi eurfrac

. ivreg idh ( rl98= eurfrac) antimony loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 42) = 135.26 Prob > F = 0.0000 R-squared = 0.9510 Root MSE = .03292 53

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------rl98 | .0586991 .016795 3.495 0.001 .0248055 .0925928 antimony | -1.67e-08 1.51e-07 -0.111 0.912 -3.21e-07 2.87e-07 loggdp70 | .0280329 .0094796 2.957 0.005 .0089024 .0471634 primary6 | .0006913 .0004508 1.533 0.133 -.0002185 .0016011 secondar | .000789 .000508 1.553 0.128 -.0002362 .0018142 majoroil | .0201676 .0110637 1.823 0.075 -.0021598 .042495 subsahar | -.1925783 .0301577 -6.386 0.000 -.2534391 -.1317175 latiname | .0218883 .0195602 1.119 0.269 -.0175857 .0613623 eastasia | .0156521 .0337834 0.463 0.646 -.0525255 .0838297 southasi | -.1618115 .0275718 -5.869 0.000 -.2174536 -.1061694 _cons | .5789069 .0525597 11.014 0.000 .4728371 .6849767 -----------------------------------------------------------------------------Instrumented: rl98 Instruments: antimony loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

. ivreg idh ( rl98= eurfrac) barite loggdp70 primary6 secondar majoroil subsaha > r latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 494.18 Prob > F = 0.0000 R-squared = 0.9532 Root MSE = .03206 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------rl98 | .0575775 .017178 3.352 0.002 .0229347 .0922203 barite | -5.57e-07 1.40e-07 -3.988 0.000 -8.38e-07 -2.75e-07 loggdp70 | .028857 .0097437 2.962 0.005 .009207 .0485071 primary6 | .0008191 .0003973 2.061 0.045 .0000178 .0016204 secondar | .0007822 .0005345 1.463 0.151 -.0002957 .0018601 majoroil | .0240217 .0115633 2.077 0.044 .0007021 .0473414 subsahar | -.1925662 .031054 -6.201 0.000 -.2551926 -.1299399 latiname | .020648 .0191046 1.081 0.286 -.0178802 .0591761 eastasia | .01459 .0338505 0.431 0.669 -.0536761 .082856 southasi | -.1432773 .0243389 -5.887 0.000 -.1923614 -.0941933 _cons | .564182 .0504666 11.179 0.000 .4624065 .6659575 -----------------------------------------------------------------------------Instrumented: rl98 Instruments: barite loggdp70 primary6 secondar majoroil subsahar latiname

eastasia southasi eurfrac

. ivreg idh ( rl98= eurfrac) logterre loggdp70 primary6 secondar majoroil subsa > har latiname eastasia southasi,ro IV (2SLS) regression with robust standard errors Number of obs = F( 10, 43) = 149.97 Prob > F = 0.0000 R-squared = 0.9553 Root MSE = .03132 54

-----------------------------------------------------------------------------| Robust idh | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---------+-------------------------------------------------------------------rl98 | .0514478 .0178135 2.888 0.006 .0155235 .087372 logterre | .0071403 .0042339 1.686 0.099 -.0013982 .0156788 loggdp70 | .0310655 .0085701 3.625 0.001 .0137822 .0483488 primary6 | .0006549 .0003714 1.763 0.085 -.0000941 .001404 secondar | .000994 .0005386 1.846 0.072 -.0000921 .0020801 majoroil | .0160022 .0102157 1.566 0.125 -.0045997 .0366041 subsahar | -.1979583 .0272884 -7.254 0.000 -.2529905 -.142926 latiname | .014312 .017581 0.814 0.420 -.0211434 .0497675 eastasia | .0214358 .0364262 0.588 0.559 -.0520246 .0948962 southasi | -.1606921 .0242884 -6.616 0.000 -.2096742 -.1117099 _cons | .5689746 .045202 12.587 0.000 .477816 .6601331 -----------------------------------------------------------------------------Instrumented: rl98 Instruments: logterre loggdp70 primary6 secondar majoroil subsahar latiname eastasia southasi eurfrac

5) Données et sources : primary6 : Taux de scolarisation primaire en 1965. Source : Indicateurs de développement mondiaux. secondary : Taux de scolarisation secondaire en 1965. Source : Indicateurs de développement mondiaux. loggdp70 : Logarithme du PIB de 1970 au prix constants de 1990. Source : Indicateurs de développement mondiaux. eurfrac : Part de la population parlant une des langues principales d’Europe de l’ouest (anglais, français, allemand, portugais ou espagnol). Source : Hall and Jones (1995). idh : Indice de Développement Humain en 2005. Source : PNUD. vc98 : Mesure de la participation des citoyens et de leur responsabilisation en 1998. Source : Kaufmann, Art Kraay et Pablo Zoido-Lobaton. ge98 : Mesure de l’efficacité des pouvoirs publics en 1998. Source : Kaufmann, Art Kraay et Pablo Zoido-Lobaton. rl98 : Mesure de l’Etat de droit en 1998. Source : Kaufmann, Art Kraay et Pablo Zoido-Lobaton. crudeoil (milliard de barils) : Réserves de pétrole en 2005. Source : Oil and Gaz Journal. naturalg (trillion de mètres cube) : Réserves de gaz en 2005. Source : Oil and Gaz Journal.

-

coalmill (million de tonnes) : Réserves de charbon en 2005. Source : Energy Information Administration (official energy statistics from the U.S government). antimony : Réserves d’antimony en 2007 (en tonnes métriques). Source : US Geological Survey, Mineral commodities summary. barite : Réserves de barites en 2007 (en milliers de tonnes métriques). Source : US Geological Survey, Mineral commodities summary. logterre : Logarithme du ratio entre la superficie du pays et la population en 1971. Source : Sachs et Warner (1995). XMP/Xtotales(70) : Part des exportations de matières premières dans le total des exportations en 1970. Source : Sachs et Warner (1995). subsahar : Variable muette prenant la valeur 1 pour les pays d’Afrique Sub-saharienne, 0 pour les autres. latiname : Variable muette prenant la valeur 1 pour les pays d’Amérique Latine et des Caraïbes, 0 pour les autres eastasia : Variable muette prenant la valeur 1 pour les pays d’Asie de l’est, 0 pour les autres. southasi : Variable muette prenant la valeur 1 pour les pays d’Asie du sud, 0 pour les autres.