Arrow Table de matières
5947567

III.2. Test d’endogénéïté

Cette section se sert de la théorie du capital humain qui rend le revenu par tête une variable endogène au modèle d’état sanitaire et vérifie si ce problème se pose aussi dans le cas des pays de l’Afrique sub-saharienne dans l’objectif de lever le biais d’endogénéïté.

Tableau 8 : teste d’endogénéïté du revenu par tête dans le modèle de l’état sanitaire

Variable

LE00

Comp _ ND

TFRT

AIDS

TO65_FE

TO65_MA

PCAP

0.0161

(1.24)

-0.4808

(0.48)

0.0027

(1.27)

-0.0452***

(5.76)

0.0464*

(1.88)

0.03362

(1.57)

Res_PCAP

-0.0151

(1.15)

0.03640

(0.36)

-0.0027

(1.31)

0.0456***

(5.67)

-0.0447*

(1.79)

-0.0333

(1.55)

Source : Résultats sous Stata12

***Significatif à 1%

**Significatif à 5%

*Significatif à 10%

Dans le tableau ci-dessus, le résidu de la variable soupçonné endogène (res_PCAP) n’est pas significativement corrélé à la majorité des indicateurs de l’état sanitaire à savoir l’espérance de vie, la composante regroupant le taux de naissance et les différents taux de mortalité[1], le taux de fertilité et le taux de survie cohorte homme âgé de 65ans, ce qui tend à rejeter l’hypothèse d’endogénéïté de la variable revenu par tête. La composante de l’état sanitaire regroupant le taux de naissance et tous les taux de mortalité a été construite, à l’aide d’une analyse factoriel, en tenant compte de la  pondération de chacun des indicateurs concernés (Appendice4). La factorisation s’est faite sous SPSS V16, la rotation Varimax et il a été imposé au logiciel une seule composante. La factorisation est possible car le KMO est 0.802, le test de Bartlett est significatif et le niveau d’explication de la composante par les indicateurs considérés est 61.86%.

L’effet de l’espérance de vie sur la croissance économique ne se vérifie pas dans le contexte des pays de l’Afrique sub-saharienne pour tant de raisons. Le taux de chômage compte non tenu du genre est élevé soit 36.137% en moyenne sur la période allant de 2000 à 2015. Le taux de chômage est plus élevé chez les femmes que chez les hommes soit 42.93% contre 29.17%  en moyenne sur la période sous étude ; pourtant, l’espérance de vie des femmes l’emporte sur celui des hommes soit 55 ans contre 53 ans en moyenne sur la même période (BM, 2016). En d’autres termes, la progression que connait l’espérance de vie est davantage expliquée par les femmes, qui, cependant sont de moins en moins employés sur le marché de travail. La moralité en est que la création de la production ne peut suivre un tel phénomène. En dehors de la faible participation des femmes sur le marché de travail, la non significativité de l’effet de l’espérance de vie sur la croissance peut aussi se justifier par une discrimination salariale. Sous cette optique, la contribution des femmes dans le PIB s’étend certainement dans le temps mais elle demeure négligeable.

Plusieurs études soulignent que le secteur informel est dominé par la présence des femmes. Dans la mesure où ce secteur est fortement développé en Afrique sub-saharienne, cela constitue un manque à gagner pour les économies sous analyse.

En outre, l’espérance de vie agit sur la croissance dans un pays où le système de passion de retraite fonctionne normalement. A des niveaux d’âges avancés, les agents économiques n’offrent plus le facteur travail à l’économie, cependant, ils sont toutes fois capables d’investir ou de consommer l’épargne cumulée pendant la période d’activité. Malheureusement, l’inefficience des institutions en Afrique sub-saharienne est loin de le permettre.

La composante formée par les différents taux de mortalité et le taux brut de naissance ne produit aucun effet significatif sur le niveau de revenu par tête. Par rapport au taux brut de décès, les économies de l’Afrique sub-saharienne étant caractérisées par des taux de chômage élevés et, dans certaines conditions, un pléthore des travailleurs, la perte d’une unité de production à la suite d’un décès ne produit quasiment aucun effet sur la structure de la production.

Certes, le mouvement naturel de la population issu de la mortalité  infantile (moins de 5ans et moins 1an) affecte l’âge moyen de la population et le taux de dépendance des jeunes ; cependant, il ne modifie pas la croissance économique. En effet, Le différentiel de la population ne participe pas à la production vu le niveau élevé du taux de chômage. Il en va de même pour le taux de mortalité maternelle et le taux brut de naissance.

La théorie du capital humain ne fonctionne pas dans les pays de l’Afrique sub-saharienne pour autant que le capital humain n’est pas valorisé sur le marché de travail ; c'est-à-dire que le facteur travail n’est pas rémunéré à la productivité marginale et le rendement issu des investissements en santé n’est pas conséquent.

Une exception se dégage pour le taux de prévalence du SIDA, qui affecte significativement le revenu par tête. Les renseignements sur cette maladie chronique porte sur la population active, c'est-à-dire, celle dont l’âge se situe dans la tranche allant de 15 à 49 ans. Sa répercussion sur le revenu par tête se traduit par la perte de productivité et dans le cas échéant un licenciement. En fait, une importante rotation de la main d’œuvre au sein des unités de production se traduit par une forte charge de mobilité (coûts de licenciement, de recrutement et de formation) et une réduction de la rentabilité.  Le capital social que nouent les travailleurs est interrompu par les renouvellements constants du personnel sachant l’effet que cela peut avoir sur les travaux en équipe. Les statistiques descriptives ont mis en exergue l’Afrique australe en tant que région faisant état d’un taux de prévalence du SIDA hors du commun (16%). En Afrique du Sud, par exemple, le fait pour les institutions internationales de recruter trois candidats à un seul poste pour qu’en cas de décès ou d’incapacité entrainé par cette maladie, la rentabilité ne puisse être largement affectée constitue un canal à partir duquel le taux de prévalence du SIDA affecte la croissance économique. Le taux de survie du cohorte femme à 65 ans pose également un problème d’endogénéïté. Les deux variables doivent être instrumentées pour que les estimations ne soient pas entachées de biais d’endogénéïté. 

Pour trouver l’instrument, c'est-à-dire la variable susceptible d’être corrélée au revenu par tête (PCAP) et non corrélé au SIDA (respectivement, au TO65_FE), un test de régression simple entre le présupposé instrument et la variable instrumentée a été exécuté. La variable taux d’inscription au niveau tertiaire (TER_ENRR) a été utilisé comme instrument pour une régression du AIDS et la variable taux de couverture vaccinale contre la diphtérie, la coqueluche et le tétanos (IMM_IDPT) s’est prononcée comme instrument dans la régression du TO65_FE (Appendice5).

III.3. Test de Hausman

Le tableau ci-dessous reprend de façon synthétique les résultats du test de Hausman.

Tableau8 : test Hausman

Variable

    LE00

  Comp_ND

   TFRT

  AIDS

 TO65_FE

  TO65_MA

Chi2

   15.08

       14.70

    9.16

9.09

     2.90

-1.88

Prob>chi2

     0.23

      0.2583

    0.68

0.6133

   0.9962

  -----

Source : Résultats sous Stata12

Le test de Hausman sur l’ensemble des indicateurs de l’état sanitaire  donne des probabilités supérieures (0.23 ; 0.25 ; 0.68 ; 0.61 et 0.99) à 10%, ce qui insinue que les données ne s’apprêtent pas à une modélisation à effets fixes. La variable taux de survie du cohorte hommes à 65ans ressort une statistique de chi2 négative, son p-value est, alors, indéterminé.

Dans ces conditions, certains auteurs appliquent directement le modèle à effets aléatoire. Cependant, il n’est pas toujours évident que le modèle à effets aléatoires se confirme en cas d’échec de son pendant, le modèle à effets fixes. C’est ainsi que d’autres concluent qu’en cas d’infirmation des effets fixes, le test de Hausman ne permet pas de différencier le modèle à effets fixes du modèle à effets aléatoires. Le test de Breush-Pagan prend à ce niveau tout son sens.

III.4. Test de Breush-Pagan

Le tableau ci-après reprend de façon sommaire les résultats du test de Breush-Pagan.

Tableau9 : test de Breush-Pagan

LE00

Comp_ND

TFRT

AIDS

TO65_FE

TO65_MA

 Indicateur

6.03

56.42

1.44

7.13

12.13

10.77

  e

1.75

9.33

0.14

.57

3.13

2.87

  u

4.49

59.53

0.68

2.97

6.64

7.20

LM (chibarre2)

1.43

3.21

10.99

0.26

1.13

0.67

Prob>chi2

0.1157

0.036

0.0005

0.3058

0.1441

0.20

Source : Résultats sous Stata12

La statistique de test (LM) est supérieure au chi2 de la table pour la majorité des indicateurs. Seuls l’espérance de vie à la naissance (LE00), le taux de fertilité (TFRT), le taux de survie de la cohorte femme à 65ans (TO65_FE) et le taux de survie de la cohorte homme à 65ans ne confirment pas la présence des effets aléatoires.  L’hypothèse nulle d’absence des effets aléatoires peut déjà être rejetée pour les indicateurs dont la significativité est confirmée.

Quant aux indicateurs à problème, Kpodar (2007) propose de comparer les variations intra-individuelles (Within) des variations inter-individuelles (Between). Dans ce cas de figure, les variations between l’emportent sur les variations within pour tous ces indicateurs. L’espérance de vie à la naissance, le taux de fertilité, le taux de survie cohorte femme à 65ans et le taux de survie cohorte homme à 65ans dégagent respectivement une variation between de  5,34 ; 1,16 ; 10,14 et 8,9 contre une variation within de 3,13 ; 0,30 ; 5,38 et 5,00.  Le modèle à effets aléatoires est approprié pour ces données, ce qui confirme les différences à travers les pays et l’application du MCG pour l’estimation.

III.5. Estimation du modèle à effets aléatoire

Les estimations se sont faites à partir du MCG dont les propriétés permettent de produire des estimateurs BLUE. Le tableau ci-dessous reprend les résultats des estimations.

Tableau10 : Régression du statut sanitaire sur les variables socio-économique (|t-value| en parenthèse)

Variables

                                                                                        Indicateurs statut sanitaire

Log_LE00

Log_MORT

Log_MMRT_NE

Log_CDRT

Log_CBRT

Log_IMRT

Log_ TFRT

Log_AIDS

Log_TO65_FE

Log_TO65_MA

Log_PCAP

0.0522*

(1.73)

-0.2532***

(2.66)

-0.4564***

(2.89)

-0.164***

(3.23)

-0.0791

(1.05)

-0.233***

(2.68)

-0.18***

(3.19)

-1.225***

(3.32)

-0.0642

(0.19)

0.0767

(1.15)

Log_ODA

0.0287

(1.35)

-0.1070

(1.59)

0.0814

(0.73)

-0.0407

(1.13)

-0.0656

(1.23)

-0.0819

(1.33)

-0.0382

(0.93)

-0.2199

(1.32)

0.0549

(0.96)

0.0665

(1.41)

Log_GINI

-0.272**

(2.55)

1.0198***

(3.02)

0.5735

(1.03)

0.3956**

(2.19)

0.6154**

(2.30)

0.8117***

(2.63)

0.2824

(1.38)

3.949***

(4.49)

-0.3327

(0.56)

-0.6114***

(2.59)

Log_H20_SAFE

-0.0045

(0.05)

-0.3565

(1.33)

-0.6668

(1.50)

-0.1975

(1.38)

-0.0210

(0.10)

-0.3234

(1.32)

-0.1592

(0.98)

1.967***

(2.69)

0.0512

(0.18)

-0.1722

(0.92)

Log_IMM_MEAS

0.0679

(0.98)

-0.3352

(1.53)

-0.3920

(1.08)

0.0191

(0.16)

-0.1741

(1.00)

-0.2788

(1.39)

-0.0155

(0.12)

-0.7870

(1.50)

0.1488

(0.75)

0.1515

(0.99)

Log_STA_ACSN

0.0162

(0.52)

-0.0218

(0.22)

-0.0246

(0.15)

-0.0567

(1.07)

-0.0498

(0.63)

-0.0154

(0.17)

-0.0591

(0.98)

0.4334*

(1.79)

0.1127

(0.80)

0.0103

(0.15)

Log_XPD_PUBL

0.0394

(0.87)

-0.0044

(0.03)

-0.2452

(1.03)

0.0278

(0.36)

-0.0926

(0.82)

-0.0473

(0.36)

0.0057

(0.07)

-1.434***

(3.46)

0.0171

(0.10)

0.0815

(0.81)

Log_REFG_OR

0.0071

(0.86)

-0.0296

(1.13)

-0.0042

(0.10)

0.0011

(0.08)

-0.0176

(0.84)

-0.0289

(1.20)

0.0006

(0.04)

-0.0817

(1.11)

0.0134

(0.33)

0.0202

(1.10)

Log_MALN_ZS

-0.0087

(0.35)

0.0155

(0.20)

0.2406*

(1.83)

-0.0107

(0.25)

-0.0305

(0.49)

0.0023

(0.03)

-0.0205

(0.43)

0.0344

(0.14)

-0.0284

(0.39)

-0.0355

(0.64)

Log_URB_TOTL_IN

-0.0043

(0.99)

0.0245*

(1.81)

-0.0092

(0.41)

0.0142*

(1.95)

0.0095

(0.88)

0.0263**

(2.12)

0.0149*

(1.80)

0.0691**

(2.41)

-0.0069

(0.52)

-0.0082

(0.86)

Log_FCRF

-0.0058

(0.61)

0.0421

(1.40)

0.0055

(0.11)

0.0515***

(3.20)

0.0127

(0.53)

0.0257

(0.94)

0.05***

(2.77)

0.0130

(0.19)

-0.0076

(0.30)

0.0075

(0.36)

Log_PRM_ENRR

0.0251

(0.27)

-0.1363

(0.47)

-0.0239

(0.05)

-0.1670

(1.08)

-0.1644

(0.72)

0.0171

(0.06)

-0.1975

(1.13)

-1.8035**

(2.51)

-0.1796

(0.37)

-0.0955

(0.47)

Log_SEC_ENRR

-0.0073

(0.16)

-0.0424

(0.29)

0.1358

(0.56)

0.0039

(0.05)

-0.0205

(0.18)

0.0026

(0.02)

-0.0410

(0.46)

1.191***

(2.78)

0.0688

(0.21)

0.0376

(0.37)

Region2

.050722

(0.68)

.0820099

(0.35)

.4648603

(1.19)

-.018626

(0.15)

-.232002

(1.25)

.155535

(0.73)

-.01905

(0.13)

-.35888

(0.56)

.14222

(0.51)

.11152

(0.68)

Region3

.0458927

(0.91)

.0241126

(0.15)

.1865312

(0.71)

-.037828

(0.44)

-.122741

(0.97)

.007163

(0.05)

-.03189

(0.33)

-.97748**

(2.38)

.02600

(0.13)

.15417

(1.38)

Region4

.096550*

(1.73)

-.64557***

(3.67)

-.3305344

(1.13)

-.2420***

(2.56)

-.210654

(1.51)

-.6114***

(3.80)

-.2337**

(2.19)

-.54828

(1.48)

.142386

(0.90)

.20560*

(1.67)

Region5

-.052427

(0.64)

-.1235993

(0.48)

.315128

(0.74)

-.036118

(0.26)

.1028844

(0.51)

-.09594

(0.41)

-.04514

(0.29)

1.4084**

(2.28)

-.20704

(0.80)

-.06883

(0.38)

constant

4.140***

(9.99)

6.5112***

(4.98)

10.29393***

(4.75)

4.7207***

(6.73)

2.9738***

(2.87)

5.5159***

(4.62)

3.59***

(4.53)

-5.4221*

(1.99)

4.8230***

(3.51)

5.5051***

(6.02)

Instrumentée

Log_PCAP

Log_PCAP

Instruments

Log_TER_ENRR

Log_IMM_IDPT

rho

0.88

.910799

.94885

.973634

.903162

.93880

.978087

.99884

.648451

.84192

Prob>F

0.0004

0.0000

0.0000

0.0000

0.0021

0.0000

0.0000

0.0000

0.0095

0.0001

R2

0.66

0.8543

0.8144

0.8821

0.6219

0.8233

0.8895

0.9084

0.5529

0.7067

Nbre pays

43

43

43

43

43

43

43

43

43

43

Estimation MCG avec des effets aléatoires

Source : Résultats sous Stata12

***Significatif à 1%

**Significatif à 5%

*Significatif à 10%

A la lecture de ce tableau, la croissance économique a boosté l’état sanitaire de la population de l’Afrique sub-saharienne au courant de la période allant de 2000 à 2015. Tous les indicateurs de l’état sanitaire se sont améliorés à mesure que le revenu par tête s’accroit. Elle accroit de façon significative l’espérance de vie à la naissance et évince significativement le taux de mortalité maternelle, le taux brut de décès, le taux de mortalité des enfants âgés de moins d’1ans, le taux de fertilité et le taux de prévalence du SIDA. Ce résultat est similaire à ceux des études antérieures menées sur le continent Africain tout comme ailleurs. Il s’agit notamment des travaux de Mwabu (2001), Carrin et Politi (1995), Gupta et al.(1999), Filmer et al. (1997) et Gyimah-Brempong et Wilson (2003).

En revanche, les fortes inégalités dans la répartition des richesses au niveau national ont accéléré le mauvais état de la santé au courant de cette période. Elles ont contracté significativement l’espérance de vie à la naissance tout comme à 65 ans pour le cohorte hommes. Elles ont en même temps amplifié le différents taux de mortalité, le taux brut de naissance et le taux de prévalence du SIDA. Ce qui rejoint les résultats des travaux de Carrin et Politi (1995) qui démontrent que la pauvreté et les inégalités sont la base de la mauvaise santé dans les PED.

En termes de degré de sensibilité, il est remarquable que l’espérance de vie à la naissance est moins élastique au revenu par tête qu’au coefficient de GINI. En effet, une augmentation de 10% dans le revenu par tête accroit l’espérance de vie, seulement, à hauteur de 0.52%. Tandis qu’une hausse du coefficient de GINI de la même proportion (10%) réduit largement l’espérance de vie de la population (2.72%). Compte non tenu de l’appartenance à une des régions et de l’effet des autres variables non capturé dans le modèle[2], l’élasticité nette de l’espérance de vie sur la période sous étude est négative soit 2.2%. Moralité, malgré la croissance observée au courant de la période sous étude, la population se retrouve avec un niveau d’espérance de vie faible. La croissance expérimentée en Afrique sub-saharienne ne sert qu’à une minorité qui s’occupe de la gestion du pays, ses fruits ne se traduisent pas en termes d’amélioration du niveau de vie ou du bien-être de la population, et plus particulièrement de la tranche la plus pauvre.

De la même manière, le taux de mortalité des enfants âgé de moins de 5ans est plus sensible au coefficient de GINI qu’au revenu par tête. Une hausse du revenu par tête de 10% entraine une baisse du taux de mortalité des enfants âgés de moins de 5ans à raison de 2.53% pendant que la même variation du coefficient de GINI (10%) hisse le taux de mortalité à concurrence de 10.19%. Compte non tenu de l’appartenance à une des régions et de l’effet des autres variables non capturés dans le modèle, la sensibilité nette du taux de mortalité est positive soit 7.66%. Moralité, en dépit de la croissance économique positive, le taux de mortalité à tendance à croitre.

Le taux brut de décès est également plus sensible au coefficient de GINI qu’au revenu par tête. Un accroissement du revenu par tête de 10% implique une baisse du taux brut de décès à raison de 1.64% pendant qu’une variation proportionnelle du coefficient de GINI (10%) induit une hausse du taux de décès de 3.95%. Compte non tenu de l’appartenance à une quelconque de régions, de l’effet des variables non capturés dans le modèle et du niveau de taux de change, l’élasticité nette du taux brut de décès est positive, soit 2.31%.

Le taux de mortalité des enfants âgés de moins d’1an prononce plus sa sensibilité par rapport au au coefficient de GINI qu’au revenu par tête. Un accroissement du revenu par tête à hauteur de 10% réduit le taux de mortalité des enfants âgés de moins d’1an à raison de 2.33% tandis que la hausse du coefficient de GINI du même pourcentage (10%) conduit à une hausse du taux de mortalité à concurrence de 8.11%.Compte non tenu de l’appartenance à une quelconque de régions, de l’effet des variables non capturés dans le modèle et du taux d’urbanisation, l’élasticité nette du taux de mortalité est positive, soit 5.78%.

Le taux de prévalence du SIDA est plus sensible au coefficient de GINI qu’au revenu par tête. Une hausse du revenu par tête à hauteur de 10% réduit le taux de prévalence du SIDA de 12.25% tandis qu’une augmentation équivalente du coefficient de GINI (10%) hisse le taux de prévalence du SIDA à raison de 39.49%. Compte non tenu de l’influence des autres variables, l’effet net est négatif soit 27.24%.

L’assistance officielle pour le développement a certainement amélioré l’état sanitaire de la population car elle a affecté positivement l’espérance de vie à la naissance et à 65 ans pour le deux catégories de cohortes et elle a en même temps réduit les différents taux de mortalité et le taux de prévalence du SIDA. Cependant, l’influence n’a pas du tout été significative. En d’autres termes, les OMD[3] en vigueur entre 2000 et 2015, n’ont pas eu tout l’effet attendu dans cette partie du continent.

Les dépenses publiques en santé améliorent l’état sanitaire ; cependant, l’effet n’est significatif que sur le taux de prévalence du SIDA. Une hausse à concurrence de 10% dans les dépenses publiques diminue le taux de prévalence du SIDA de 14.34%. Dans leur étude, Filmer et Pritchett (1997) sont, également, aboutis à la non significativité de l’influence des dépenses gouvernementales sur l’état sanitaire qu’ils justifient par la mauvaise allocation des dépenses publiques, un impact marginal insignifiant de l’offre publique additionnelle et l’inefficience du secteur public. Par contre, l’effet négatif et significatif des dépenses publiques sur le taux de prévalence du SIDA  se justifie par l’efficience avec lequel les pays, où le taux de prévalence est élevé allouent le fonds dans ce secteur pour contrecarrer l’obstacle que présente cette maladie aux Investissements Directs Etranger et à la mobilité des travailleurs nationaux.

Le taux d’urbanisation a  dégradé l’état sanitaire de la population à travers l’accroissement du taux de mortalité des enfants âgés de moins de 5ans, du taux brut de naissance, du taux de mortalité des enfants âgés de moins d’1an, du taux de fertilité et du taux de prévalence du SIDA. En d’autres termes, les milieux urbains sont moins favorables à la santé. Elles exposent la population à des maladies sous l’effet de l’exode rural, de la pollution qu’engendrent les agglomérations. Gupta et al. (1999) sont aboutis à des résultats quasi différents. Dans leur étude, le taux d’urbanisation joue améliore l’état sanitaire à travers la réduction du taux de mortalité infantiles. Cependant, l’influence n’est pas significative.

Le taux de change  affecte positivement le taux brut de naissance et le taux de fertilité. En effet, en cas d’appréciation de la monnaie nationale, les nationaux tout comme les résidents détenant la monnaie nationale, ont plus de facilités à se procurer des médicaments à l’étranger car le coût à l’importation va baisser. La santé maternelle peut alors s’améliorer et le niveau, voir même, la fréquence de naissance s’en suivre. Le travail de Mwabu (2001) dégage des résultats similaires, sauf qu’il a utilisé le taux de change réel en lieu et place du taux de change nominale.

Le taux de prévalence du SIDA décline avec l’augmentation du taux d’inscription au primaire tandis qu’il augmente avec le taux d’inscription au niveau secondaire. Autrement-dit, la relation entre l’éducation et l’état sanitaire n’est pas linéaire. Elle prend la forme d’un U  où le minimum est atteint vers la fin du cycle primaire.           

La pente de la fonction de l’état sanitaire change avec l’inclusion du facteur région dans le modèle. Les hétérogénéités régionales sont significativement prises en compte dans l’explication des différences en termes de taux de prévalence du SIDA entre l’Afrique centrale, l’Afrique occidentale et l’Afrique  australe.  La région occidentale a 97% de moins de chance de développé le SIDA que la région centrale. Par contre, la région australe a 140% de plus de chance de développé cette maladie chronique que la région centrale. Ceci confirme les résultats de statistiques descriptives qui font ressortir un taux de prévalence du SIDA hors du communs pour la région australe soit 16% pendant que ce taux au niveau de l’Afrique sub-saharienne était de 5.57%.

Les hétérogénéités régionales expliquent de façon significative les différences en termes d’espérance de vie entre l’Afrique centrale et l’Afrique orientale. Cette dernière a 96,55% de plus de chance d’enregistre une espérance de vie accrue que la région centrale.

Les hétérogénéités régionales expliquent de façon significative les différences en termes de taux de mortalité des enfants âgés de moins de 5ans entre l’Afrique centrale et l’Afrique orientale. Cette dernière a 64,55% de moins de chance d’enregistrer des taux de mortalités en croissance que la région centrale.

Les hétérogénéités régionales expliquent de façon significative les différences en termes de taux brut de décès entre l’Afrique centrale et l’Afrique orientale. Cette dernière a 24,2% de moins de chance d’enregistrer des taux brut de décès en expansion que la région centrale.

Les hétérogénéités régionales expliquent de façon significative les différences en termes de taux de mortalité des enfants âgés moins d’1an entre l’Afrique centrale et l’Afrique orientale. Cette dernière a 61,14% moins de chance d’enregistrer des taux de mortalité infantile accrus que la région centrale.

Enfin, les hétérogénéités régionales expliquent de façon significative les différences en termes de taux de fertilité entre la région centrale et orientale. Cette dernière a 23,37% de moins de chance d’enregistrer des taux de fertilité accrus que la région centrale.

III.6. Implication des résultats

Les résultats ont montré que la croissance du revenu par tête a amélioré l’état sanitaire de la population en Afrique sub-saharienne sur la période allant de 2000 à 2015. Pour un accroissement de 10% dans le revenu par tête, l’espérance de vie s’améliore à raison de 0.52% ; le taux de mortalité des enfants âgés de moins de 5ans, le taux brut de naissance, le taux de mortalité des enfants âgés de moins d’1an et le taux de prévalence du SIDA baissent, respectivement, à concurrence de 2.53%, 1.64%, 2.33% et 12.25%.

Cependant, les fortes inégalités dans la répartition des richesses au niveau national ont accéléré le mauvais état de la santé. Les différents indicateurs étant plus sensibles au coefficient de GINI qu’au revenu, les fruits de la croissance se retrouvent alors étouffés par les inégalités. Un accroissement du coefficient de GINI de 10% réduit l’espérance de vie de 2,72% ; et augmente le taux de mortalité des enfants âgés de moins de 5ans, le taux brut de naissance, le taux de mortalité des enfants âgés de moins d’1an et le taux de prévalence du SIDA, respectivement, à concurrence de 10.19%, 3,95%, 8,11% et 3,94%.

Les gouvernements des Etats de l’Afrique sub-saharienne sont alors appelé à mettre en place une politique de redistribution de revenu pour que la croissance qu’ils expérimentent produise tout son effet sur l’état sanitaire. Cela peut consister en :

  • Des investissements sociaux dans les infrastructures sanitaires et scolaires, la gratuité de l’enseignement primaire et secondaire et à la réduction du coût de soin de santé pour certaines maladies ; un canal à partir duquel les plus démunis peuvent jouir des fruits de la croissance.
  • Une répartition équitable de la richesse nationale. Ceci revient à dire que les Etats doivent réduire l’écart des richesses entre les riches et les pauvres. Concrètement, ils doivent suivre les activités économiques des hommes politiques et de tout autre agent économique influent qui détiennent des grandes unités de production et qui ne sont tout de même pas taxés. Ils doivent instaurer le système d’impôt proportionnel en vue de plus taxer les plus nantis et transférer ces fonds aux moins nantis. En plus ils doivent réduire la tension salariale entre fonctionnaires plus gradés et ceux moins gradés.

[1] Elle est exprimé en ‰ et elle regroupe le taux de mortalité des enfants âgés de moins de 5ans, le taux de mortalité des enfants âgés de moins d’1ans, le taux de mortalité maternelle, le taux brut de naissance et le taux brut de décès  qui sont également exprimé en ‰ . Cette composante de l’état sanitaire donne absolument la même information que si le test se fait séparément. Il permet de simplifier le tableau.

[2] Ces deux variables sont les seules dont l’effet est significatif mis à part le revenu par tête (PCAP) et le coefficient de GINI.

[3] Réduire la mortalité infantile (4ème objectif), Améliorer la santé maternelle (5ème objectif) et lutter contre le SIDA , le Paludisme et d’autres maladies (6ème objectif).

Partager ce travail sur :