Pollution de l’air et dépenses de santé.pdf

Pollution de l’air et dépenses de santé : une analyse en
données de panel, cas des pays de l’Union Européenne.
Dossier de Techniques Quantitatives1
1ère
année Master "Économie du Développement"
K. Dimitri KAMBOU*, A. Latif SOKOUNDOU**, J. Fidèle COULIBALY** et Massilé BADARO**
*Parcours Économie de Santé
**Parcours Développement Durable
Année Universitaire 2022-2023
Enseignants tuteurs :
- Claudio Araujo
- Anne Viallefont
- Sandrine Espinouze
- Bao-we-wal Bambe
- Adrien Gosselin-Pali
1
L’Université n’entend donner aucune approbation ni improbation aux opinions émises dans ce docu- ment. Ces opinions doivent être
considérées comme propres à leur(s) auteur(s).

I
Résumé
Ce mémoire traite de la mesure empirique des effets de la pollution de l’air sur les dépenses de santé
dans les pays de l’Union Européenne à partir des données annuelles de Eurostat et de la Banque
Mondiale, prises entre 2008 et 2012. Pour ce faire nous avions créé un indice de pollution de l’air (API)
regroupant plusieurs polluants à travers une analyse en composante principale. L’utilisation du modèle
à effets fixes sur plusieurs scénarios de régression nous a permis de parvenir à plusieurs résultats. Dans
un premier temps les résultats principaux montrent un non-effet de l’API sur les dépenses de santé,
ces résultats restent robustes. Dans un second temps lorsque nous considérions seulement les pays
dont le niveau de développement est supérieur à la médiane, on obtient un effet négatif et significatif
de l’indice de pollution de l’air sur les dépenses de santé. Et dans un troisième temps lorsque nous
désagrégions notre indice de pollution de l’air, les résultats montrent un impact positif et significatif
du monoxyde de carbone (CO) et un impact négatif et significatif de l’ammoniac (NH3) sur les dépenses
de santé. Au regard de ces résultats, des recommandations de politiques environnementales et
économiques ont été faites pour atténuer l’impact de la pollution de l’air sur les dépenses de santé.
Mots clés : Pollution de l’air, Dépenses de santé, Union Européenne
« Protéger l’environnement coûte cher.
Ne rien faire coûtera beaucoup plus cher »
Kofi Annan

II
Table des matières
1 Introduction ..............................................................................................................1
2 Revue de la littérature...............................................................................................2
3 Données et statistiques .............................................................................................3
3.1 Données......................................................................................................................3
3.2 ACP : Création d’un indice synthétique......................................................................4
3.3 Statistiques descriptives.............................................................................................5
3.4 Matrice de corrélation................................................................................................6
4 Approche Méthodologique........................................................................................7
4.1 Spécification du modèle.............................................................................................7
4.2 Méthode d’estimation................................................................................................7
5 Résultats des estimations économétriques ................................................................8
5.1 Tests d’hypothèses.....................................................................................................8
5.2 Résultats principaux ...................................................................................................8
5.3 Robustesse ...............................................................................................................10
5.4 Hétérogénéité ..........................................................................................................11
6 Limites ....................................................................................................................13
7 Conclusion...............................................................................................................13
8 Bibliographie...........................................................................................................14
9 Annexe.....................................................................................................................IV

III
Liste des sigles et abréviations
Abréviations Significations
ACP Analyse en Composantes Principales
API Air Pollution Index
BM Banque Mondiale
COP Conférence des Parties
DSANTE Dépenses de Santé
EEA Agence Européenne pour l'Environnement
FE Effets Fixes
GES Gaz à Effet de Serre
OCDE Organisation de Coopération et de Développement Economiques
OMS Organisation Mondiale de la Santé
PIB Produit Intérieur Brut
PMG Pooled Mean Group
RE Effets Aléatoires
UE Union Européenne
WDI World Development Indicators
WGI Worlwide Governance Indicators
Liste des tableaux et figures
Tableau 1: Statistique descriptive des variables......................................................................................5
Tableau 2 : Matrices de corrélation des variables ...................................................................................6
Tableau 3 : Résultats principaux : modèle à effets fixes..........................................................................9
Tableau 4 : Vérification de la robustesse des résultats .........................................................................11
Tableau 5 : Hétérogénéité......................................................................................................................12

1
1 Introduction
« Actuellement, l’Homme mène une guerre contre la nature. S’il gagne, il est perdu. »
Cette citation d’Hubert Reeves2
, astrophysicien et écologiste Français, extrait de son livre « Mal de
terre » en 2003, nous alerte sur les multiples enjeux de la dégradation de l’environnement. Dans son
ouvrage, l’auteur détaille les maux dont souffre la planète notamment l’épuisement des ressources
naturelles, la pollution de l’air et le réchauffement climatique qui sont sans doute considérés comme
une conséquence de l’activité économique.
La dégradation de l’environnement, en particulier la pollution atmosphérique est considérée
aujourd’hui comme l’un des plus grands risques environnementaux pour la santé. En effet, elle est
responsable de 28% des cancers du poumon, 24% des cas majeurs d’accidents vasculaire cérébraux et
43% des maladies respiratoires ou pulmonaires chroniques (Landrigan, 2017). Selon l’Agence
Européenne pour l’Environnement (2023) la pollution atmosphérique reste le principal risque sanitaire
environnemental en Europe. Elle montre à cet effet que en 2020, 96% de sa population urbaine était
exposée à des concentrations de particules fines (PM2,5) supérieures au seuil préconisé dans les lignes
directrices de l’OMS de 5 microgrammes par mètre cube d’air. Les dépenses de santé mondiales
causées par la pollution atmosphérique en 2015 s’élevaient à 21 milliards de dollars et passeront à 176
milliards de dollars en 2060 (OCDE, 2016). Plusieurs pays de l’Union Européenne3
consacrent depuis
2010 plus de 10% de leur PIB aux dépenses de santé (Eurostat, 2022).
Fort de ce constat sur les conséquences négatives et le fardeau économique des maladies induites par
la pollution atmosphérique, ce mémoire se propose d’étudier l’impact de la pollution de l’air sur les
dépenses de santé des pays de l’Union Européenne.
L’objectif général de notre recherche est de mesurer l’impact de la pollution de l’air sur les dépenses
de santé à travers un indice synthétique dérivé de plusieurs variables de pollution. De façon spécifique,
il va s’agir : En premier lieu, de créer un indice synthétique qui va nous servir de variable d’intérêt et
en deuxième lieu, d’évaluer l’impact de notre indice de pollution de l’air sur les dépenses de santé.
Pour atteindre efficacement notre objectif général, les hypothèses suivantes ont été formulées : (i)
une augmentation de l’indice de pollution de l’air entraine une augmentation des dépenses de santé
dans les pays de l’UE, (ii) une augmentation du Produit Intérieur Brut par Habitant se traduit par une
2 Hubert Reeves (née le 13 juillet 1932 à Montréal, Canada) est un astrophysicien, communicateur scientifique et écologiste franco-
québécois. Ayant débuté sa carrière en tant que chercheur en astrophysique, il pratique aussi la vulgarisation scientifique depuis les années
1970 et s’avère militant écologiste depuis les années 2000.

2
augmentation des dépenses de santé et (iii) une augmentation de la taille de la population se traduit
par une augmentation des dépenses de santé.
L’intérêt de notre recherche réside dans le faite qu’elle contribuera à alimenter les débats sur les
relations pollution atmosphérique et dépenses de santé en particulier dans les pays de l’UE et à alerter
les décideurs politiques sur les dommages liés à la pollution de l’air notamment les coûts sanitaires.
L’étude privilégie également la construction d’un indice de pollution de l’air pour saisir la complexité
de la mesure de la qualité de l’air, ce qui est une contribution majeure dans la littérature, car la plupart
des études se focalisent seulement sur les polluants pris individuellement. Afin de mieux étudier notre
question de recherche et vérifier empiriquement nos hypothèses, notre mémoire s’articulera autour
des points tels que définis dans la table des matières.
2 Revue de la littérature
De nombreuses études empiriques ont été menées dans le but de vérifier l’existence d’une relation
entre la pollution de l’air et les dépenses de santé. Les travaux empiriques de Jerrett et al. (2003),
Narayan et Narayan (2008) et de Yazdi et Khanalizadeh (2017) sont considérés comme des travaux
pionniers sur le sujet. Dans une étude récente sur la relation entre la qualité de l’air et les dépenses
de santé publique, Anwar et al. (2022) utilisent la Méthode des Moments Généralisés (GMM) dans un
panel de trente-trois (33) pays en développement. Leurs résultats suggèrent un effet positif de la
pollution atmosphérique sur les dépenses de santé. En effet les auteurs concluent qu’une
augmentation d’un pourcent des particules (PM2,5) se traduit par une augmentation des dépenses de
santé de 0,25%. Badamassi et al. (2017) trouvent les mêmes effets avec 44 pays d’Afrique
subsaharienne sur la période 1995-2010.
Narayan et Narayan (2008) dans un papier examinent le rôle à court et à long terme de la qualité de
l’environnement sur les dépenses de santé sur huit (08) pays de l’OCDE de la période 1980-1999. Ils
constatent que les émissions de monoxyde de carbone (CO), les émissions d’oxyde de soufre (SO2) et
les émissions d’oxyde d’azote (NOx) bien qu’ils soient cointégrés, exercent un impact positif à court et
à long terme sur les dépenses de santé. De plus dans une étude en série chronologique sur la période
1972-2014, Raeissi et al. (2018) ont mesuré les effets de la pollution de l’air sur les dépenses de santé
publique et privée de l’Iran en utilisant le modèle ARDL. Les résultats de leur étude montrent un effet
positif et significatif de la pollution atmosphérique sur les dépenses de santé, de sorte qu’une
augmentation de 1% de l’indice de dioxyde de carbone a entrainé respectivement une hausse de 3,32%
et 1,16% les dépenses de santé publique et privé. Dans la même perspective, les travaux de Jerrett et
al. (2003) sur le Canada ont montré que les comtés où la qualité de l’air était détériorée avaient des

3
dépenses de santé faramineuses et les comtés où le gouvernement dépensait plus pour la protection
de l’environnement avaient de faibles dépenses de santé.
D’autres auteurs ont contrôlé la pollution de l’air par d’autres facteurs qui sont susceptibles
d’impacter les dépenses de santé. Dans une étude sur la relation causale entre pollution de l’air et
dépenses de santé dans 51 pays4
, Chaabouni et Saidi (2017) contrôlent les émissions de dioxyde de
carbone par la croissance du PIB et la tranche de la population vieille. Ils obtiennent un effet positif de
la croissance économique sur les dépenses de santé dans les trois groupes de pays et un impact positif
d’une population vieille sur les dépenses de santé dans les pays à revenu élevé. De plus Ibukun et
Osinubi (2020) utilisent le PIB par habitant, le taux de mortalité infantile, la population veille dans 47
pays africains et obtiennent un effet négatif du taux de mortalité, un effet positif du PIB par habitant
et de la population vieille sur les dépenses de santé.
Bien que la majorité des auteurs aient trouvé un impact positif des polluants sur les dépenses de santé,
certains ont trouvé qu’elle s’associe à une baisse des dépenses de santé. Jie (2008) trouve un effet
négatif de dioxyde de soufre(S02) sur les dépenses de santé de 78 comtés de la chine. Offele
(2020)utilise la qualité des institutions pour contrôler l’impact du CO2 sur les dépenses de santé dans
les pays du Bassin du Congo5
. Il ne trouve pas un effet des émissions de dioxyde de carbone (CO2) et
de la qualité des institutions sur les dépenses de santé du Gabon et du Congo. Pour l’auteur, cet effet
négatif s’explique par le fait que ces pays sont moins industrialisés.
3 Données et statistiques
3.1 Données
Le jeu de données utilisé dans ce mémoire est un panel de 27 pays de l’Union Européenne sur la
période 2008 à 2020. Nous avons décidé de mener cette étude dans l’Union Européenne pour plusieurs
raisons : premièrement la disponibilité des données de dépenses de santé pour tous les pays de
l’union (disponible à partir de 2008). En effet, ce n’est que récemment que l’OCDE a défini les dépenses
de santé totale pour permettre les comparaisons entre États membres. Cette nouvelle définition des
dépenses totales de santé prend en compte plusieurs aspects du système sanitaire, ce qui ne l’est pas
dans les autres bases de données. Deuxièmement parce que les dépenses de santé dans ces pays sont
considérables. En effet, la moyenne des dépenses totale de santé dans l’EU s’élevait à plus de 12% du
PIB en 2019. Les dépenses de santé, qui est notre variable expliquée provient de (Eurostat, 2023)
4
Divisés en trois groupes de pays : pays à faible revenu, pays à revenu intermédiaire (inférieur et supérieur) et pays à revenu élevé).
5
le Cameroun, la République centrafricaine, la République démocratique du Congo, la République du Congo, la Guinée équatoriale et le
Gabon.

4
exprimée en pourcentage du PIB. Toutes nos variables qui mesurent la qualité de l’air proviennent de
Eurostat (2023) et c’est à partir de ces dernières que nous allons créer un indice de pollution de l’air
appelé API qui sera notre variable d’intérêt. En se référant à la littérature sur la relation pollution de
l’air et dépenses de santé plusieurs variables supposées comme des déterminants des dépenses de
santé sont souvent pris en compte. Nous avons décidé d’utiliser le PIB par habitant, le taux de
croissance de la population, le taux de mortalité, les dépenses de protection sociales, le niveau
d’éducation et les dépenses de protection de l’environnement comme des variables de contrôles.
3.2 ACP : Création d’un indice synthétique
Afin de bien saisir la difficulté liée à la mesure de la pollution de l’air, nous avons décidé de créer un
indice composite à travers plusieurs variables qui mesurent la pollution de l’air. Cela va permettre de
remédier à la perte de l’information et d’éviter les phénomènes de multi colinéarité6
. Il peut donc
s’écrire de la façon suivante : API = f(CO2 CO N2O NOx SOx NH3 PM2.5)
Où API représente l’indice de pollution de l’air, CO2 représente les émissions de dioxyde de carbone,
CO représente les émissions de monoxyde de carbone, N2O représente les émissions d’Oxydes nitreux,
NOx les émissions d’Oxydes d’azote, SOx les émissions d’Oxydes de soufre, NH3 de l’ammoniac et PM2.5
les particules fines. Pour ce faire, nous avons d’abord élaboré pour toutes nos variables de pollution
une statistique descriptive et des histogrammes pour vérifier leur distribution (Tableau 8 et Fig. 1)7
.
Les histogrammes montrent que toutes les variables ne suivent pas une loi normale, nous avons
ensuite procédé à une transformation logarithmique pour se rapprocher d’une loi normale (fig. 2
Annexe). Et enfin l’étude de la corrélation (Tableau 10 Annexe) deux à deux des variables montre que
toutes nos variables sont positivement et fortement corrélées avec des coefficients supérieurs à 0,7,
l’ACP était donc réalisable.
Les résultats de l’Analyse en Composante Principale nous donnent la contribution des axes dans le
tableau des valeurs propres (Tableau 11 Annexe). En nous référant au critère de Kaiser qui suggère de
ne retenir que les facteurs dont la valeur propre est supérieure à 1, nous retenons dans notre analyse
l’axe 1 qui est le seul à avoir une valeur propre supérieure à 1. L’éboulis des valeurs propres (Fig. 3
Annexe) qui est la représentation graphique associée illustre ce processus de décision. Il conduit à ne
considérer que le premier axe, car il précède le passage à la pente. En effet, cet axe porte à lui seul
91,07% des informations sur la pollution de l’air. De plus, le loadingplot (Fig. 4 Annexe) et le cercle de
corrélation8
( Fig. 5 Annexe) nous montrent que toutes nos variables de pollution de l’air contribuent
6
Dans une régression la multi-colinéarité est un phénomène qui survient lorsque certaines variables de prévision du modèle mesurent le
même phénomène.
7
Annexe
8
Obtenu avec la commande de Pierre Braquet

5
positivement et à la même proportion à la formation de l’axe 1 sauf la variable émission d’Oxydes de
soufre (SOx) car elle est plus écartée. Ainsi, avec l’axe 1 retenu, nous avons construit l’indice de
pollution de l’air qui est une combinaison linéaire de nos sept (07) variables. Pour y parvenir, nous
avons utilisé la commande « predict » pour prédire la composante 1. On obtient alors un score de
pollution de l’air qui va de -7,05 à 4,70 que nous avons ensuite normalisé 9
pour rendre facile
l’interprétation de nos résultats. Cet indice peut donc maintenant mesurer pollution de l’air : les
valeurs proches de 0 indiquent une faible pollution de l’air et les valeurs proches de 1 indiquent une
forte pollution de l’air.
3.3 Statistiques descriptives
Pour mener une étude économétrique, il est important de jeter un regard sur la statistique descriptive
afin de décrypter l’information contenue dans les données. Le tableau ci-dessous présente la
statistique descriptive de toutes les variables du modèle.
Tableau 1: Statistique descriptive des variables
Variable Obs Mean Std. Dev. Min Max
D SANTE 282 8.499 1.903 4.7 12.82
API 378 .6 .212 0 1
PIBH 351 30330.621 21075.215 6288.677 110094.79
POPtx 351 .236 .835 -2.258 3.931
MORTtx 351 4.54 1.898 2.1 13.9
DEPP_Soc 351 23.391 5.987 12 38.1
EDUC_T 335 69.32 18.246 10.607 150.876
DEPP_Env 245 1.877 .574 .6 3.5
Source : élaboré par les auteurs à partir de Stata 17
Nous pouvons remarquer que pour toutes les variables (sauf le PIBH), les valeurs sont regroupées
autour de la moyenne et cela laisse paraitre une population homogène. Les dépenses de santé dans
l’UE sont en moyenne 8,49% du produit intérieur brut. Elles varient cependant d’un État à un autre. En
effet, les dépenses de santé minimales s’élèvent à 4,7% du PIB observable en Roumanie et à l’inverse
celles maximales s’élèvent à 12,82% du PIB en Allemagne.
Pour l’indice de pollution de l’air (API), nous constatons que les pays de l’UE enregistrent un score
moyen de pollution de 0,6 que l’on peut qualifier de forte pollution. Le score minimal, maximal sont
respectivement à 0 et 1 et sont observé en Pologne et en république Tchèque.
L’Union Européenne affiche un PIBH moyen de 30330.621 € avec une valeur minimale de 6288.677€
et maximale de 110094.79 €, ce qui est révélateur d’une bonne performance économique dans l’union
et un niveau de développement élevé. L’écart type très élevé indique une forte dispersion des valeurs
9
Indice de pollution de l’air normalisé est API=(composante1-b) / (a-b) avec a=4,70 et b=-7,05

6
autour de la moyenne et donc une population hétérogène. De plus, le taux de croissance de la
population (POPtx), le taux de mortalité infantile (MORTtx), les dépenses de protection sociale
(DEPP_Soc), les dépenses de protection de l’environnement (DEPP_Env) présentent respectivement
des valeurs moyennes de 0,23 ; 4,54 ; 23,39 et 1,87. On remarque que l’effort consacré à la protection
de l’environnement reste faible dans les pays de l’Union Européenne. Nous avons décidé de procéder
à une transformation logarithmique du PIBH car il présente de fortes valeurs extrêmes qui peuvent
éventuellement peser sur les autres variables. Cela va permettre d’atténuer l’hétéroscédasticité.
3.4 Matrice de corrélation
Il est important de mener une analyse de corrélation afin d’identifier la relation entre nos variables.
Elle permet de détecter les problèmes de multicolinéarité en cas d’une forte corrélation entre
variables. Le tableau ci-dessous présente la matrice de corrélation de toutes nos variables.
Tableau 2 : Matrices de corrélation des variables
Variables (1) (2) (3) (4) (5) (6) (7) (8)
(1) D_SANTE 1.000
(2) API 0.193* 1.000
(3) LOG_PIBH 0.508* -0.111* 1.000
(4) POPtx 0.210* -0.195* 0.682* 1.000
(5) MORTtx -0.328* 0.107* -0.648* -0.387* 1.000
(6) DEPP_Soc 0.454* 0.522* 0.232* -0.013 -0.207* 1.000
(7) EDUC_T 0.316* 0.255* 0.001 -0.278* -0.246* 0.341* 1.000
(8) DEPP_Env 0.385* 0.026 -0.083 -0.184* -0.137* 0.151* 0.219* 1.000
Source : Élaboré par les auteurs avec Stata17
L’examen des coefficients de corrélation entre les variables explicatives et la variable expliquée montre
qu’ils sont globalement significatifs. On constate que l’indice de pollution de l’air (API), et toutes les
variables de contrôles sauf une sont corrélés positivement et significativement aux dépenses de santé
(D_SANTE). Ces variables semblent avoir un effet positif sur les dépenses de santé, mais rien n’est sûr.
Nous allons le vérifier dans nos estimations économétriques. En revanche on constate que le taux de
mortalité (MORTtx) est corrélé négativement et significativement avec les dépenses de santé
(DSANTE). Le taux de mortalité semble impacter négativement les dépenses de santé. Pour ce qui est
de la corrélation entre nos variables explicative, on observe des coefficients de corrélation faibles. Ces
résultats confirment qu’il n’y a pas un risque de multicolinéarité entres les variables explicatives. Selon
Gujarati (2003) le problème de multicolinéarité est presque certains pour des coefficients de
corrélation supérieurs à 0,8.

7
4 Approche Méthodologique
4.1 Spécification du modèle
Ce mémoire s’appuie sur le modèle empirique proposé par Newhouse (1977) où les dépenses de
santé étaient spécifiées en fonction du revenu par habitant. Au fil du temps plusieurs auteurs comme
Narayan et Narayan (2008), Jerrett et al. (2003), Yazdi et Khanalizadeh (2017) ont élargi ce modèle en
ajoutant des facteurs environnementaux et socioéconomiques. La forme fonctionnelle du modèle
s’écrit de la façon suivante : HEit = f(Xit) + εit (1)
Où HEit est mesure les dépenses de santé du pays i au temps t, Xit représente les variables explicatives
et εit est le terme d’erreur. L’équation (1) permet de tester toutes les formes possibles de relation
entre dépenses de santé et pollution de l’air. Notre nouveauté à cet égard est d’intégrer dans le modèle
un indice qui mesure la pollution de l’air au lieu de se contenter des polluants pris individuellement.
En considérant le cadre théorique développé ci-dessus, notre modèle s’écrit de la façon suivante :
D_SANTEit = αi + β1APIit + β2LOG_PIBHit + β3POPtxit + β4MORTtxit + β5DEPP_Socit
+ β6EDUC_Tit + β7DEPP_Envit + t + εit (2)
Où D_SANTE représente les dépenses de santé en pourcentage du produit intérieur brut, API
représente l’indice de pollution de l’air qui est un score compris entre 0 et 1, LOG_PIBH représente le
logarithme du produit intérieur brut par habitant, POPtx représente le taux de croissance de la
population, MORTtx représente le taux de mortalité infantile, DEPP_Soc représente les dépenses de
protection sociale en pourcentage du produit intérieur brut, EDUC_T représente le taux net
d’éducation au niveau supérieur et DEPP_Env représente les dépenses de protection de
l’environnement en pourcentage du produit intérieur brut par habitant. L’indice i désigne le pays, t
indique le temps, αi représente l’effet fixe pays qui capte les caractéristiques individuelles inobservées,
t représente l’effet fixe temporelle, εit représente le terme d’erreur (qui est supposé être distribué
normalement) et β1… β7 sont des paramètres à estimer.
4.2 Méthode d’estimation
La double dimension qu’offre les données de panel nous permet d’étudier simultanément la
dynamique et l’hétérogénéité des comportements des agents (Balestra et Nerlove 1966). Deux
principaux estimateurs permettent de saisir ces effets fixes individuels et les effets fixes temporels. Il
s’agit notamment des estimateurs Within et Between qui offrent la possibilité de mesurer la variabilité
inter-individuelle, la variabilité intertemporelle et la variabilité intra-individuelle temporelle. Le
modèle à effet fixe capte les caractéristiques individuelles inobservées qui sont invariables dans le
temps et qui varient entre les individus. Dans le modèle à effet aléatoire, les effets individuels ne sont

8
plus perçus comme des paramètres à estimer, mais comme des réalisations d’une variable aléatoire.
Les effets individuels sont maintenant pris en compte au niveau de la variance de la perturbation
(Araujo et al., 2008). Le choix entre les deux modèles dépendra du résultat du test Hausman (1978)
mais toute fois nous pouvons déjà supposés que le modèle à effet aléatoire n’est pas adapté à notre
étude, car il postule l’hypothèse d’absence de corrélation entre les effets spécifiques et les variables
explicatives ce qui n’est pas logique. Pour Mundlak (1978), il existe une forte probabilité que les effets
spécifiques individuels soient corrélés avec certaines variables explicatives.
5 Résultats des estimations économétriques
5.1 Tests d’hypothèses
En amont des résultats principaux, nous avons effectué différents tests d’hypothèses pour nous
rassurer de la cohérence et de la pertinence de nos résultats. Le premier fut le test des effets fixes
spécifiques à travers le test de Fisher qui consiste à chercher l’existence de caractéristiques spécifiques
pour chaque pays. Le deuxième est celui des effets aléatoires spécifiques à travers le test Breusch-
Pagan qui permet de tester la significativité du modèle à effets aléatoires. Pour choisir entre le modèle
à effets fixes et le modèle à effets aléatoires, nous avons fait recours au test de Hausman (1978). Il
s’agit de tester l’hypothèse nulle (H0) l’absence de corrélation entre les effets spécifiques et les
variables explicatives contre l’hypothèse alternative(H1) présence de corrélation entre les effets
spécifiques et les variables explicatives. Le résultat obtenu conduit à rejeter l’hypothèse nulle, le
modèle retenu est alors le modèle à effets fixes. Troisièmement, nous utilisons le test de Jarque et
Bera (1980) pour nous assurer de la normalité de nos résidus. Le résultat montre que les résidus ne
suivent pas une loi normale, mais étant donné que notre échantillon est vaste, nous allons supposer
à travers le théorème central limite10
qu’ils suivent une loi normale. Quatrièmement, nous avons
appliqué le test d’homoscédasticité de Breusch et Pagan (1980) et la variance des écarts aléatoires
n’était pas constante. Nous avons donc corrigé cette hétéroscédasticité par la commande « robust
cluster id11 ». En fin le test d’autocorrélation des erreurs de Baltagi et Wu (1999) montre qu’il n’y a pas
d’autocorrélation. En effet la différence entre le chiffre 4 et la statistique obtenue est supérieure à la
borne inférieure et supérieur de la table (Tableau 12 Annexe).
5.2 Résultats principaux
Le tableau 3 présente les résultats du modèle principal. En effet nous avons estimé trois (03) scenarios :
le scénario (1) comporte juste la variable d’intérêt, le scénario (2) prend en compte une première série
10
Une somme de variables aléatoires indépendantes et identiquement distribuées suit une distribution normale.
11
On corrige à la fois l’hétéroscédasticité des écarts-types et de leur autocorrélation par cluster. Dans notre mémoire, les clusters sont les
pays.

9
de contrôle notamment le Produit Intérieur Brut par Habitant et le taux de croissance de la population
et le scénario 3 présente l’ensemble des variables du modèle principal.
Tableau 3 : Résultats principaux : modèle à effets fixes
Variable dépendante : D_SANTE
Variables (1) (2) (3)
API -3.018 -4.262
(3.349) (3.801)
LOG_PIBH -2.724 -7.306***
(2.682) (2.534)
POPtx 0.189*
0.295**
(0.109) (0.112)
MORTtx -0.625***
(0.186)
DEPP_Soc 0.066**
(0.027)
EDUC_T -0.010
(0.015)
DEPP_Env 0.505***
(0.133)
_cons 10.294***
35.849 84.484***
(2.033) (26.994) (26.953)
Observation 282 282 199
Pays 27 27 27
R2
.2634 .3272 .5744
Notes : ecarts-types robustes entre parenthèses avec les seuils de significativité *** p<0.01, ** p<0.05, * p<0.1
D_SANTE (% PIB), DEPP_Soc (%PIB) et DEPP_Env (% PIB)
Source : Élaboré par les auteurs avec Stata 17
Nos résultats montrent un effet non significatif de notre indice de pollution de l’air sur les dépenses
de santé et le pouvoir explicatif de chaque scénario est assez élevé. Ce résultat est conforme à celui
de Offele (2020). Par contre il vient en opposition aux résultats de certains auteurs comme (Anwar et
al. 2022 ; Blázquez-Fernández, Cantarero-Prieto, et Pascual-Sáez 2019; Raeissi et al. 2018). Cette
différence de résultat peut s’expliquer par plusieurs facteurs notamment la différence de région
concernée, le modèle économétrique utilisé. Mais surtout par le fait que nous avons utilisé un indice
pour mesurer la pollution alors que ces auteurs ont considéré directement quelques polluants pris
individuellement. Le Produit Intérieur Brut par Habitant et le taux de mortalité infantile exercent un
effet négatif et significatif au seuil de 1%. En effet une augmentation d’un pourcent du Produit

10
Intérieur Brut par Habitant et d’une unité du taux de mortalité infantile se traduit respectivement par
une baisse de 0,073 point de pourcentage et de 0,62 point de pourcentage des dépenses de santé en
pourcentage du PIB. Ce résultat est conforme à ceux de Ibukun et Osinubi (2020), à la seule différence
qu’ils trouvent un effet positif du produit intérieur brut par habitant sur les dépenses de santé. Dans
notre cas l’effet négatif du PIBH sur les dépenses de santé peut s’expliquer par le fait que
l’augmentation de la richesse peut permettre à un pays de mettre en place un système de santé axé
sur la prévention de sorte à entrainer une baisse future des dépenses de santé. L’effet négatif du taux
de mortalité sur les dépenses de santé s’explique par le fait qu’un taux de mortalité faible est un
indicateur de bonne santé de la population et plus une population est en bonne santé plus les dépenses
seront réduites. Le taux de croissance de la population et les dépenses de protection sociale ont un
impact positif et significatif au seuil de 5%. Une augmentation d’une unité du taux de croissance de la
population et une augmentation d’un point de pourcentage des dépenses de protection sociales se
traduisent respectivement par une hausse de 0,29 et 0,06 point de pourcentage des dépenses de
santé. Ce résultat corrobore celui de Anwar et al. (2022).
Les dépenses de protection de l’environnement ont un effet positif et significatif sur les dépenses de
santé. Une augmentation d’un point de pourcentage des dépenses de protection de l’environnement
se traduit par une augmentation de 0,13 point de pourcentage des dépenses de santé. Ce résultat est
contraire à celui de Jerrett et al. (2003). L’impact négatif des dépenses de protection de
l’environnement sur les dépenses de santé pourrait s’expliquer par le fait que les efforts en matière
de protection de l’environnement sont minimes dans l’union européenne.
5.3 Robustesse
Pour vérifier la robustesse de nos résultats, nous avons procédé par deux méthodes : la robustesse
additive qui consiste à ajouter d’autres variables de contrôles et la robustesse par la méthode à effets
aléatoire. Le scénario 1 représente le résultat principal, le scénario 2 représente l’impact sur le modèle
de l’ajout d’une nouvelle variable à savoir la population de moins de 15 ans, le scénario 3 l’ajout d’une
autre variable en plus à savoir la population de plus de 65ans et en fin le scénario 4 donne les résultats
de l’utilisation du modèle à effet aléatoire. Une variable additionnelle de contrôles exerce un effet
positif et significatif au seuil de 1% (Scénario 3). Une augmentation d’un point de pourcentage de la
population de moins de 15 ans entraine une hausse de 0,60 point de pourcentage des dépenses de
santé. Ce résultat s’explique par le fait que les dépenses de santé sont concentrées aux extrêmes de
la vie. L’ajout de nouvelles variables de contrôles ou l’utilisation de modèle à effets aléatoires ne
changent pas la conclusion de nos résultats principaux nous pouvons donc conclure que le modèle
principal est robuste. Les résultats sont consignés dans le tableau 4.

11
Tableau 4 : Vérification de la robustesse des résultats
Résultat Principal Résultats Robustes
Variable dépendante : (1) (2) (3) (4)
D_SANTE FE FE FE RE
API -4.262 -1.323 -1.726 -0.164
(3.801) (3.032) (3.027) (1.919)
LOG_PIBH -7.306***
-7.249***
-7.163***
0.199
(2.534) (2.212) (2.351) (0.920)
POPtx 0.295**
0.256*
0.241*
-0.109
(0.112) (0.129) (0.136) (0.163)
MORTtx -0.625*** -0.525*** -0.517*** -0.295*
(0.186) (0.143) (0.152) (0.160)
DEPP_Soc 0.066**
0.025 0.026 0.104*
(0.027) (0.026) (0.026) (0.059)
EDUC_T -0.010 -0.005 -0.005 0.002
(0.015) (0.014) (0.013) (0.011)
DEPP_Env 0.505***
0.398***
0.388***
0.854***
(0.133) (0.107) (0.110) (0.304)
POP_15 0.613***
0.608***
(0.107) (0.109)
POP_65 -0.052
(0.121)
_cons 84.484***
72.935***
73.245***
2.626
(26.953) (23.888) (23.978) (9.248)
Observation 199 199 199 199
Pays 27 27 27 27
R2
.5744 .6565 .6571 .3298
D_SANTE (% PIB), DEPP_Soc (%PIB) et DEPP_Env (% PIB), POP_15 (% du Total), POP_65 (% du Total),
5.4 Hétérogénéité
En général, les effets peuvent varier selon le contexte de l’étude, les caractéristiques des individus
comme la région et le niveau de richesse et même la définition opérationnelle de la variable d’intérêt.
Le tableau 5 présente les résultats dans des contextes hétérogènes. Le scénario (1) est celui qui
présente l’effet de l’API sur les dépenses de santé dans les pays dont le niveau de développement est
supérieur à la médiane. Dans le scénario 2 à 5 nous avons désagrégé notre indice et utilisé

12
successivement les différents éléments qui le compose. Dans le dernier scénario (6) nous avons analysé
l’interaction de l’efficacité gouvernementale et la pollution de l’air sur les dépenses santé. En effet, le
gouvernement à travers la politique économique ou environnementale constitut un acteur principal
dans la maitrise de la pollution de l’air.
Tableau 5 : Hétérogénéité
Variable dépendante :
Pays
(PIBH>Médiane)
API Désagrégé
Effet
conditionnel
D_SANTE (1) (2) (3) (4) (5) (6)
API -25.403***
-0.457
(7.953) (7.763)
LOG_CO 0.663*
(0.342)
LOG_NH3 -2.465**
(0.888)
LOG_SOx -0.150
(0.100)
LOG_PM25 -0.049
(0.466)
LOG_PIBH -8.512***
-6.975**
-7.411***
-7.337***
-7.291***
-7.326***
(1.235) (2.524) (2.389) (2.509) (2.583) (2.506)
POPtx 0.137 0.293**
0.301***
0.296**
0.309**
0.298**
(0.103) (0.112) (0.100) (0.111) (0.115) (0.108)
MORTtx 0.342 -0.693***
-0.665***
-0.626***
-0.648***
-0.624***
(0.445) (0.183) (0.171) (0.183) (0.191) (0.187)
DEPP_Soc 0.040**
0.045*
0.033 0.072**
0.060**
0.062**
(0.019) (0.026) (0.028) (0.029) (0.026) (0.026)
EDUC_T -0.021 -0.006 -0.006 -0.009 -0.009 -0.010
(0.025) (0.015) (0.015) (0.015) (0.016) (0.016)
DEPP_Env 0.217 0.621***
0.406***
0.508***
0.557***
0.520***
(0.185) (0.125) (0.112) (0.135) (0.126) (0.135)
APIxGOVeff -0.053
(0.080)
GOVeff 0.035
(0.065)
_cons 112.426***
71.010**
110.767***
83.605***
82.221***
82.215***
(12.822) (26.668) (30.531) (26.438) (27.009) (27.100)
Observation 109 199 199 199 199 199
Pays 15 27 27 27 27 27
R2
.7645 .5783 .5973 .5743 .5674 .577
D_SANTE (% PIB), DEPP_Soc (%PIB) et DEPP_Env (% PIB), POP_15 (% du Total), POP_65 (% du Total),
LOG_CO LOG_NH3, LOG_SOx et LOG_PM25 tous en tonnemétrique par habitant

13
Le scénario 1 nous révèle que dans les pays les plus développés (niveau de développement supérieur
à la médiane), l’API exerce un effet négatif et significatif sur les dépenses de santé. Dans le scénario 2
le monoxyde de carbone impact positivement et significativement au seuil de 10%. Une augmentation
d’une tonne métrique des émissions de monoxyde de carbone (CO) se traduit par une augmentation
de 0,006 point de pourcentage des dépenses de santé. Ce résultat est conforme à celui de Yahaya et
al. (2016). Dans le scénario 3 on a un impact négatif et significatif au seuil de 5% des émissions
d’ammoniac sur les dépenses de santé. Une augmentation d’une tonne métrique des émissions
d’ammoniac (NH3) entraine une diminution de 0,02 point de pourcentage des dépenses de santé.
Dans le scénario 4 et 5 l’oxyde de soufre et les particules fines n’impactent pas les dépenses de santé.
Dans le dernier scénario (6) la prise en compte de l’efficacité gouvernementale ne montre toujours pas
d’effet sur les dépenses de santé en d’autres termes l’efficacité gouvernementale n’arrive pas à
atténuer l’effet de la pollution de l’air sur les dépenses de santé. Lorsqu’on établit des critères entre
États, ou sur la définition de notre variable d’intérêt, les résultats principaux peuvent varier.
6 Limites
Comme limites de notre étude nous pouvons noter premièrement le caractère controversable de notre
API. En effet, résumé un phénomène aussi complexe que la pollution de l’air en un seul indice n’est
pas chose aisée. Même si la démarche suivie est rigoureuse, le principe n’en demeure pas moins
critiquable. Deuxièmement la technique d’estimation utilisée notamment le modèle à effets fixes ne
permet pas de voir les effets de la pollution de l’air sur les dépenses de santé à court et à long terme.
Il sera intéressant dans des travaux futurs sur le même sujet de se pencher sur les pays les plus
développés de l’union européenne, définir un seuil maximal de pollution de l’air et utiliser des
estimateurs plus puissants comme le Pooled Mean Group (PMG) de Pesaran et al. (1999) qui donne
des résultats intéressants à court et à long terme.
7 Conclusion
Cette étude a permis d’apporter des éléments de réponses à notre question principale de recherche à
savoir qu’elle était l’impact de la pollution de l’air sur les dépenses de santé. Pour ce faire, trois (03)
hypothèses ont été formulées. Après estimations, nous n’avons pas pu prouver de façon rigoureuse
un effet entre pollution de l’air et dépenses de santé, ce qui est un résultat en soi. Ce résultat infirme
notre première hypothèse. Le Produit Intérieur Brut par Habitant impact négativement et
significativement les dépenses de santé des pays de l’Union Européenne. La seule justification était
que ces pays lorsqu’ils enregistrent des richesses, ils allouent beaucoup plus des fonds dans la
prévention ce qui pourrait éventuellement réduire les dépenses futures de santé. Ce résultat infirme

14
aussi notre seconde hypothèse. Les résultats montrent également que la taille de la population d’un
pays peut déterminer ses dépenses de santé. En effet dans notre cas, le taux de croissance de la
population à un effet positif et significatif sur les dépenses de santé ce qui valide notre troisième
hypothèse.
Les résultats de cette étude suggèrent aux gouvernements de ces États de promouvoir une production
qui soit respectueuse à l’environnement. En effet, ces États doivent mètrent en place des normes
d’émissions et des technologies bout de chaine qui limitent le rejet des polluants dans l’air. De plus ils
pourront passer par la sensibilisation des populations sur les risques sanitaires associés à la pollution
de l’air. Par ailleurs ces États pourraient s’investir dans la recherche et le développement, le suivi des
indicateurs de l’air et dans le déploiement des énergies renouvelables qui polluent moins
l’atmosphère. Ces recommandations pourraient contribuer à atténuer l’effet de la pollution de l’air sur
les dépenses de santé.
8 Bibliographie
Anwar, Asim, Shabir Hyder, Russell Bennett, et Mustafa Younis. 2022. « Impact of Environmental
Quality on Healthcare Expenditures in Developing Countries: A Panel Data Approach ».
Healthcare 10(9): 1608.
Araujo C., Brun J-F., et Combes J-L. 2008. Econométrie. 2e édition. Paris: Bréal.
Badamassi, Aboubacar, Deyi Xu, et Boubacar Leyla. 2017. « The Impact of Residential Combustion
Emissions on Health Expenditures: Empirical Evidence from Sub-Saharan Africa ». Atmosphere
8(9): 157.
Balestra, Pietro, et Marc Nerlove. 1966. « Pooling Cross Section and Time Series Data in the Estimation
of a Dynamic Model: The Demand for Natural Gas ». Econometrica 34(3): 585.
Baltagi, Badi H., et Ping X. Wu. 1999. « Unequally Spaced Panel Data Regressions with AR(1)
Disturbances ». Econometric Theory 15(6): 814‑23.
Blázquez-Fernández, Carla, David Cantarero-Prieto, et Marta Pascual-Sáez. 2019. « On the Nexus of Air
Pollution and Health Expenditures: New Empirical Evidence ». Gaceta Sanitaria 33(4): 389‑94.
Breusch, T. S., et A. R. Pagan. 1980. « The Lagrange Multiplier Test and Its Applications to Model
Specification in Econometrics ». The Review of Economic Studies 47(1): 239.
Chaabouni, Sami, et Kais Saidi. 2017. « The Dynamic Links between Carbon Dioxide (CO2) Emissions,
Health Spending and GDP Growth: A Case Study for 51 Countries ». Environmental Research
158: 137‑44.
Gujarati N. 2003. Basic Econometrics. 4th édition. New York: McGraw-Hill.
Hausman, J. A. 1978. « Specification Tests in Econometrics ». Econometrica 46(6): 1251.

15
Ibukun O. et Osinubi T. 2020. « Environmental Quality, Economic Growth, and Health Expenditure:
Empirical Evidence from a Panel of African Countries ». African Journal of Economic Review
Volume VIII(Issue II).
Jacqueline, OFFELE OKOPOUE. 2020. « Effets de la pollution de l’air sur la santé dans les pays du Bassin
du Congo ». 5(8).
Jarque, Carlos M, et Anil K Bera. « Efficient tests for normality, homoscedasticity, and serial
independence of regression residuals ».
Jie, He. 2008. « Industrialization, Environment and Health: The Impacts of Industrial SO 2 Emission on
Public Health in China ». Chinese Journal of Population Resources and Environment 6(1): 14‑24.
Khoshnevis Yazdi, Soheila, et Bahman Khanalizadeh. 2017. « Air Pollution, Economic Growth and
Health Care Expenditure ». Economic Research-Ekonomska Istraživanja 30(1): 1181‑90.
Landrigan, Philip J. 2017. « Air Pollution and Health ». The Lancet Public Health 2(1): e4‑5.
M Jerrett, J Eyles, C Dufournaud, et S Birch. 2003. « Environmental Influences on Healthcare
Expenditures: An Exploratory Analysis from Ontario, Canada ». Journal of Epidemiology &
Community Health 57(5): 334‑38.
Mundlak, Yair. 1978. « On the Pooling of Time Series and Cross Section Data ». Econometrica 46(1): 69.
Narayan, Paresh Kumar, et Seema Narayan. 2008. « Does Environmental Quality Influence Health
Expenditures? Empirical Evidence from a Panel of Selected OECD Countries ». Ecological
Economics 65(2): 367‑74.
Newhouse, Joseph P. 1977. « Medical-Care Expenditure: A Cross-National Survey ». The Journal of
Human Resources 12(1): 115.
Pesaran, M. Hashem, Yongcheol Shin, et Ron P. Smith. 1999. « Pooled Mean Group Estimation of
Dynamic Heterogeneous Panels ». Journal of the American Statistical Association 94(446):
621‑34.
Raeissi, Pouran et al. 2018. « Effects of Air Pollution on Public and Private Health Expenditures in Iran:
A Time Series Study (1972-2014) ». Journal of Preventive Medicine and Public Health 51(3):
140‑47.
Yahaya, Adamu et al. 2016. « How Relevant Is Environmental Quality to per Capita Health
Expenditures? Empirical Evidence from Panel of Developing Countries ». SpringerPlus 5(1): 925

IV
9 Annexe
Tableau 6 : Liste des pays
Nom des Pays Isocode Nom des Pays Isocode Nom des Pays Isocode
Austria AUT France FRA Netherlands NLD
Belgium BEL Germany DEU Poland POL
Bulgaria BGR Greece GRC Portugal PRT
Croatia HRV Hungary HUN Romania ROU
Cyprus CYP Ireland IRL Slovak Republic SVK
Czechia CZE Italy ITA Slovenia SVN
Denmark DNK Latvia LVA Spain ESP
Estonia EST Lithuania LTU Sweden SWE
Finland FIN Luxembourg LUX Malta MLT
Tableau 7 : Données et sources
Variables Abréviation Description Source
Variables de Pollution
Émissions de dioxyde de carbone CO2 en tonnes métriques par habitant Eurostat
Émissions de monoxyde de carbone CO en tonnes métriques par habitant Eurostat
Émissions d'Oxydes nitreux N2O en tonnes métriques par habitant Eurostat
Émissions d'Oxydes d'azote NOx en tonnes métriques par habitant Eurostat
Émissions d'Oxydes de soufre SOx en tonnes métriques par habitant Eurostat
Émissions d'ammoniac NH3 en tonnes métriques par habitant Eurostat
Émissions de particules fines PM2.5 en tonnes métriques par habitant Eurostat
Indice de pollution de l'air API en score : 0 à1 Construit par les auteurs
Variables socio-économiques
Dépenses de santé D_SANTE en % du PIB Eurostat
Produit intérieur brut par habitant PIBH en US dollar constants de2015 WDI
Dépenses de protection sociale DEPP_Soc en % du PIB Eurostat
Dépenses de protection environnementale DEPP_Env en % du PIB Eurostat
Variables démographique
Taux de croissance de la population POPtx en % annuel WDI
Population agée de plus de 65 ans POP_65 en % du total WDI
Population agée de moins de 15 ans POP_15 en % du total WDI
Taux de mortalité infantile MORTtx pour 1000 naissances vivantes WDI
Inscription à l'école, enseignement supérieur EDUC_T en % net WDI
Variables institutionnele
Government effectiveness Goveff en score : 0 à 100 WGI

V
Tableau 8 : Statistique descriptives des polluants (tonne métriques par habitant)
Variable Obs Mean Std. Dev. Min Max
CO2 351 96877102 1.383e+08 1374562 7.253e+08
CO 351 316150.2 440196.01 2534.71 2207012.2
N2O 351 25871.828 31811.413 173.9 143605.34
Nox 351 318063.11 399093.73 4633.11 1789975.1
SOx 351 138444.1 186873.79 150.18 798267.75
NH3 351 126044.34 170591.84 1276.02 628888.13
PM25 351 26832.409 35465.686 231.13 191819.46
Tableau 9 : Sktest des polluants
Variable Obs Pr(skewness) Pr(kurtosis) chi2(2) Prob>chi2
CO2 351 0.000 0.000 159.700 0.000
CO 351 0.000 0.000 113.670 0.000
N2O 351 0.000 0.000 104.240 0.000
NOx 351 0.000 0.000 87.050 0.000
SOx 351 0.000 0.000 74.330 0.000
NH3 351 0.000 0.000 86.360 0.000
PM25 351 0.000 0.000 90.950 0.000
Tableau 10 : Matrice de corrélation des polluants
Variables -1 -2 -3 -4 -5 -6 -7
(1) LOG_CO 1.000
(2) LOG_CO2 0.942* 1.000
(3) LOG_N2O 0.898* 0.936* 1.000
(4) LOG_NOx 0.897* 0.945* 0.911* 1.000
(5) LOG_SOx 0.794* 0.829* 0.750* 0.850* 1.000
(6) LOG_NH3 0.889* 0.934* 0.962* 0.901* 0.721* 1.000
(7) LOG_PM25 0.905* 0.916* 0.897* 0.959* 0.860* 0.887* 1.000
*** p<0.01, ** p<0.05, * p<0.1

VI
Figure 1 : Histogramme des polluants avant transformation

VII
Figure 2 : Histogramme des polluants après transformations logarithmique

VIII
Tableau 11 : Valeurs propres
Component Eigenvalue Difference Proportion Cumulative
Comp1 6.37481 6.06554 0.9107 0.9107
Comp2 .309265 .193132 0.0442 0.9549
Comp3 .116133 .0244241 0.0166 0.9715
Comp4 .0917092 .0367057 0.0131 0.9846
Comp5 .0550034 .0195145 0.0079 0.9924
Comp6 .0354889 .0178962 0.0051 0.9975
Comp7 .0175927 . 0.0025 1.0000
Figure 3 : Ébloui des valeurs propres

IX
Figure 4 : Loadingplot
Figure 5 : Cercle de corrélation

X
Quelques faits stylisés
1. Pollution atmosphérique
La pollution de l’air constitut aujourd’hui l’un des principaux sujet de préoccupation
environnementale. Elle tire historiquement sa source depuis la première révolution industrielle (1760)
dans laquelle on passe d’une économie essentiellement agraire à un économie de production de biens
manufacturés à grande échelle. Ce changement brusque de paradigme va favoriser l’utilisation de deux
nouvelles formes d’énergie (le charbon et le pétrole) ainsi que le changement des modes
consommations. Toutes ces facteurs vont contribuer à un rejet massif de polluants dans l’atmosphère.
L’Organisation Mondiale de la Santé (OMS) définit la pollution de l’air comme la contamination de
l’environnement intérieur ou extérieur par tout agent chimique, physique ou biologique qui modifie
les caractéristiques naturelles de l’atmosphère. On distingue généralement les polluants dits
primaires12
, qui sont rejetés directement par l’Homme tels que le dioxyde de carbone, de souffre ou
les métaux lourds et les polluants secondaires13
.
-
Figure 6 : Évolution de quelques émissions polluantes
Le graphique14
ci-dessus montre un aperçu sur l’évolution de quelques émissions polluantes dans le
monde sur la période 1990-2020. On observe une tendance haussière des émissions de dioxyde de
carbone, ce qui fait de lui le polluant d’origine anthropique le plus prépondérant dans l’atmosphère.
12
(i) le monoxyde carbone, (ii) le dioxyde de soufre, (iii) l’oxyde d’azote, (iv) Les particules PM2.5 et PM10.
13
(i) l’ozone, (ii) les sulfates formés par l’oxydation du SO2 etc.
14
Source : Élaborer sur Excel par les auteurs à partir des données de la Banque Mondiale.
-1.00E+07
0.00E+00
1.00E+07
2.00E+07
3.00E+07
4.00E+07
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
2020
Emission mondiales de quelques polluants.
CO2 emissions Nitrous oxide emissions HFC, PFC and SF6

XI
2. Dépenses de santé
Compte tenu de l’augmentation de la pollution atmosphérique et de ses externalités15
, les États sont
obligés d’accroitre les dépenses de santé pour protéger la population contre les effets néfastes de
celle-ci. Le financement de ces dépenses reste crucial pour les gouvernements car elles augmentent
plus vite que la croissance des États. Selon la définition de l’(OECD Indicator, 2009), les dépenses
totales de santé correspondent à la consommation finale de produits et de services de santé augmenté
des dépenses d’investissement dans les infrastructures des soins de santé.
Elles comprennent notamment les dépenses des agents publics et privés (y compris les ménages) en
biens et services médicaux ou consacrées aux programmes de santé publique et de prévention et à
l’administration. En 2019 les dépenses de santé en aux États Unis étaient estimé à plus de 16% du PIB
contre 9,83% du PIB dans le monde (WDI). Cette hausse des dépenses de santé aux USA est en partie
due à sa pollution. Considéré deuxième plus gros pollueur du monde après la chine (COP 26), de 2005
à 2007, la pollution de l’air a couté plus de 193 millions de dollars de frais hospitaliers en Californie.
Figure 7 : Évolution des dépenses de santé dans trois (03) groupes de pays.
Le graphique16 ci-dessus présente l’évolution des dépenses de santé dans trois (03) groupes de pays17 :
les pays à revenu faible, les pays à revenu intermédiaire et les pays à revenu élevé. L’on constate
automatiquement l’effort des pays développés dans l’allocation des dépenses de santé.
15
La pollution de l’air est un exemple type d’une externalité : lorsqu’une usine rejette des polluants dans l’air, elle inflige sans contrepartie
une nuisance aux habitants de la région.
16
Source : Élaboré par les auteurs à partir des données de la Banque Mondiale.
17
Voir classification 2019 de la Banque Mondiale
0
2
4
6
8
10
12
14
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
Evolution des dépenses de santé
Low income Middle income High income

XII
Tableau 12 : Statistique de décision test d’autocorrélation de Baltagi et Wu
Tableau 13 : Résultats principaux

XIII
Tableau 14 : Résultats avec robustesses (Addition de variables)

XIV
Tableau 15 : Résultats avec robustesses (Effets aléatoires)

XV
Tableau 16 : Résultats en hétérogénéité (PIBH>Médiane)

XVI
Tableau 17 : Résultats en hétérogénéité (Indice désagrégé en CO)

XVII
Tableau 18 : Résultats en hétérogénéité (Indice désagrégé en NH3)

Pollution de l’air et dépenses de santé.pdf

Recommandé

Recommandé

Contenu connexe

Similaire à Pollution de l’air et dépenses de santé.pdf

Similaire à Pollution de l’air et dépenses de santé.pdf (20)

Pollution de l’air et dépenses de santé.pdf