L’impact du développement économique sur le

développement du marché de l’assurance

Econometrics – Final Project

at the
Faculty of Economics and Business
of the
University of Neuchâtel

with
Prof. Dr. Catalin Starica

as part of the
« Master of Science in finance »

Author and student number :

Fatoumata Mamata Cisse / 22-502-546
 Table of Content (to update in the end! XXXXXXXXXX)
1. Introduction .................................................................................................................... 4
2. Data ................................................................................................................................ 4
2.1. Data gathering ......................................................................................................................... 5
2.2. Descriptive overview ............................................................................................................... 5
3. Methodology .................................................................................................................. 5
4. Analysis .......................................................................................................................... 6
4.1. Assumptions ............................................................................................................................ 6
4.2. Figures ..................................................................................................................................... 8
5. Discussion ...................................................................................................................... 8
6. Bibliography................................................................................................................... 9
A. Appendix – Supplements ............................................................................................. 10
B. Appendix – R Code ...................................................................................................... 11

List of Figures and Graphs ( to update in the end! XXXXXXXXXX)

Figure 1: A random graph (source: own illustration) ................................................................. 9

2
 Executive Summary
Here one would normally summarize the entire report in approx. ¼ page. This page does not
figure in the table of contents. No other content shall be on this page but the executive summary.

To facilitate your work, we have created a series of Word Format styles and formats, so that
your table of contents can be generated semi-automatically – same applies to the list of figures
and graphs. All the spacings should be automated and clean as well. You can of course also
work with alternative applications like with the freely available Libreoffice of Openoffice.

Make sure that, before creating a PDF out of this document and uploading it to Moodle (within
a ZIP File that also must contain your R script and your data, see instructions and marking rules
on Moodle), the following is clean and neat:

- No ugly page breaks or weird lines in the document

- All the placeholders we have set (XXXXXXXXXX) are properly handled. We’ve added
placeholders for the paper title, your name and degree on the title page, as well as in the
table of content & list of figures and graphs, so you don’t forget to update it and check
it before handing in the paper.

- Declaration of honor (declaration of non-plagiarism) of the last page is read, understood,

and agreed upon (no need to sign it according to our current state of knowledge). Note
that the declaration of honor does purposefully not figure in the table of content

- Make sure you mention all references you use and be sure you use an appropriate
quotation style

3
1. Introduction
Le secteur de l’assurance est un secteur prédominant, face à divers risque de la vie quotidienne
tel que notre santé, nos consommations, nos biens etc. il existe des produits d’assurance adapté
auxquelles peuvent souscrire les agents économiques pour se prémunir contre le risque.
L’importance de ce secteur peux s’expliquer par le besoin de se prémunir contre le plus de
risque possible dans l’optique d’inciter les prises de risque et favoriser l’innovation. C’est dans
ce cadre que s’inscrit le rôle économique de l’assurance, qui sont varier et peuvent se définir
comme suite :
-contribution à la croissance économique
- stabilisation économique
- redistribution des risques
-et participation à l’innovation

Cependant, si la relation entre la croissance économique et la croissance des primes d’assurance

semble évident, elle n’est pas totalement établit et fait l’objet de nombreux débat auprès des
académiciens, professionnels ou régulateurs de marché. D’où l’intérêt d’apporter une
contribution à une partie de la relation qui lie les primes d’assurance à la croissance économique
, à savoir si, le développement de l’économique à un impact significatif sur le développement
du marché des d’assurance. On pourrait l’expliquer en disant qu’une croissance économique
améliore le pouvoir d’achat des agents économique et dans ce cas on assisterais à une
augmentation de la demande de produit d’assurance.
Les travaux d’Elango et Jones (2011) et Hwang et Gao (2013 ) ont obtenue des résultats qui
soutiennent cette théorie. la premier l’étude est mené sur les agrégats tel que la croissance
économique, le revenu par habitant ou le taux d’intérêt et l’impact qu’ils ont sur la densité
d’assurance. Il viennent à la conclusion que l’influence est significatif. Dans le second article,
ils ce sont intéressé à demande d’assurance vie précisément en chine, et dans ce cas, ils affirme
un lien très étroite du développement économique avec les primes d’assurance vie. En effet ils
soutiennent qu’un meilleur niveau de vie économique des ménages, de l’éducation ont
augmenter avec le besoin d’assurance vie.
L’objectif de ce projet est de contribuer au débats et théories qui soutiennent que le
développement économique est un facteur déterminant du développement du secteur de
l’assurance.

2. Data

Pour notre contribution au débat, nous avons opté pour la base de donnée sigma du
compagnie swiss-Re. La base sigma est une base de donnée spécialiser dans les assurance et
réputé pour la qualité de ces données qui sont d’autant plus complète que d’autres telle que
celle de l’OCDE, Bloomberg etc. celle-ci à l’avantage d’avoir une méthode bien spécifique au
besoin du traitement des assurance. Elle a l’avantage de réunir des données macroéconomique
depuis des sources fiables comme IHS Markit, Oxford Economics ou encore le Fond
Monétaire international

4
 2.1. Data gathering

Le travail de recherche consistait en amont à collecter les données su sigma Swiss-Re

numéro 3 des années 2007 à 2018, dans laquelle il fallait extraire les données de volume
de primes d’assurance total, vie, non-vie, du niveau de la population et du niveau du
Produit Intérieur Brut (PIB) pour les 94 pays listé dans le documents. Dans ce exercice il
a fallu convertir ces revus en format PDF en un fichier à format Excelle pour faire des
copies des tableaux de données qui nous concerne. Et pour cela j’ai utiliser le site de
conversion gratuite Small PDF pour son temps de conversion rapide, la simplicité du site,
avec un résultat relativement satisfaisant. Une fois copié il était question de les traitées en
s’assurant que les pays correspondent aux variables et à la même année d’où la nécessité
de l’utilisation de la fonction de recherche v dans le fichier Excelle .

2.2. Descriptive overview

Nos données sont constitué d’un ensemble de 94 pays comprenant des pays
développées ainsi que des pays non développer sur une période allant de 2007 à 2018.
La variable qu’on doit expliquer dans cette analyse est la Prime d’assurance total, mais
j’ai préféré utiliser la densité ainsi que la pénétration d’assurance qui sont des
transformation de cette variable et qui sont de meilleur indicateurs de l’évolution du
marché des assurances.
La densité des primes d’assurance est trouvé en divisant les primes d’assurance total par la
population, elle représente la dépense moyenne en assurance des habitants
La pénétration d’assurance est obtenue en divisant les primes d’assurance total par le PIB,
il indique la contribution du secteur de l’assurance à l’économie Nationale.
Les primes d’assurance non-vie sont obtenue en faisant le différence entre primes
d’assurance total et les primes d’assurance vie
Les primes d’assurance total et d’assurance vie qui sont tout deux tirer de la base de
données sigma
Le PIB par habitant qui est calculé en divisant le PIB par la population du pays, quant au
PIB en volume il est extrait de la base de données sigma.

3. Methodology

Notre analyse consiste à vérifier à travers les modèles économétrique que l’évolution du PIB à
un impact significatif sur l’évolution des primes d’assurance. Chaque variable dans la base
donnée est construite comme une suite d’observation venant de différents pays pendant une
même année. Cette structure peut être assimiler a la structure par empilement de donnée de
panel ou encore structure des effets fixes de données de panel. Il est évidant que la meilleure
façon de faire des estimation avec des données de panel en supposant qu’il existe un effet fixe
serait de passer par la méthode des moindre carrée ordinaire (MCO). Le modèle peux donc
être écrit comme suit

𝒍𝑫𝒆𝒏𝒔𝒊𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝒊𝒕 + 𝜺𝒊𝒕 avec i les pays, t les années et l le logarithme (5)

5
mais avant de procéder à cette analyse, nous allons effectuer une série de régression simple
puis multiple pour l’ année 2018. Le choix de cette année est de faire des observation hors
période de crise économique.
Pour cela nous allons dans un premier temps observer la relation entre log de la densité
d’assurance qui est un indicateur de l’évolution du marché des assurance et le log du Produit
intérieur brut (PIB) par habitant qui est indicateur du développement économique. La densité
d’assurance représentant la consommation moyenne des primes d’assurance par habitant, il
serait intéressant de voir si cette consommation est corréler au PIB par habitant.
𝒍𝑫𝒆𝒏𝒔𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝒕 + 𝜺𝒕 . (1)

Puis nous allons aussi observer la relation entre le log de la pénétration d’assurance et le log
du PIB par habitant, il s’agit également de voir l’importance du secteur des assurances peut
être expliqué par l’impact démographique.

𝒍𝑷𝒆𝒏𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝒕 + 𝜺𝒕 . (2)

Et pour finir nous allons observer directement la relation entre la demande d’assurance
(primes total) le PIB en volume, et le niveau de la population. En me basant sur le modèle où
β*=s/(g+n), le taux d’épargne dépend fortement de l’évolution de la population et du PIB, ce
qui explique le niveau de croissance régulier. En substituant l’épargne à la consommation
primes d’assurance qui est une forme d’épargne du point de vue de son utilité liée au moyen
ou long terme, il existe donc une corrélation entre ces variables .

𝒍𝑮𝑾𝑷𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒕 + 𝜷𝟐 𝒍𝑷𝑶𝑷𝒕 + 𝜺𝒕 . (3)

la demande d’assurance étant fortement lier au niveau de revenue, cela peut sous-entend une
non-linéarité entre les primes d’assurances et le PIB et donc la présence d’une courbe en S.
pour cela, on conduit un modèle de 2ème et 3ème degré correspondant à cette équation :

𝒍𝑫𝒆𝒏𝒔𝒕 = 𝜷𝟎 + 𝜷𝟏 (𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝒊 )𝟏 + 𝜷𝟐 (𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝒊 )𝟐 + 𝜷𝟑 (𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝒊 )𝟑 (4)

j’ai choisie de faire une analyse en logarithme pour réduire la plage de mes variable étudier
en dessous de la quantité des variables de départ, cela me permet d’être moins sensibles aux
valeur extrême et d’avoir une meilleur représentation graphique de mes variables.

4. Analysis

4.1. Assumptions

Notre question étant de savoir si le développement économique à un impact sur le marché des
d’assurance, Nous allons y répondre en tenant compte du niveau des primes d’assurance ainsi
que ces transformations qui sont la densité d’assurance et la pénétration d’assurance. Comme
nous l’avons dit précédemment nous utilisons plusieurs méthode économétrique pour répondre
à notre problématique, à savoir :
- Une régression simple : Soit l’hypothèse nul 𝐻0 : 𝛽1 = 0 𝑒𝑡 𝐻1 : 𝛽1 ≠ 0 au seuil de 5%.
soit notre régression de densité sur le PIB par habitant (2) 𝒍𝑫𝒆𝒏𝒔𝟐𝟎𝟏𝟖 = 𝜷𝟎 +
𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖 + 𝜺𝟐𝟎𝟏𝟖 avec le produit intérieur Brut (PIB) par habitant comme variable
explicative et la densité d’assurance comme variable expliqué. Les résultats de cette régression
voir annexe (1) montre que 𝜷𝟏 =1.39417, donc une augmentation de 1% du PIB par habitant

6
augmente la consommation moyenne de 139,417% et avec une P-value de 2e-16 qui est
inferieur à 5%, notre coefficient significatif, nous rejetons 𝐻0 : 𝛽1 = 0. Le 𝑹𝟐 =0.8271, nous
pouvons affirmer que le model explique 82,71% de la variabilité de la densité d’assurance par
le Pib par habitant. Grace à la probabilité de la F-statisque, qui est de 2.2e-16 < 5%, nous
pouvons confirmer que notre model est bien significatif au seuil de 5%
soit la deuxième régression linéaire de la pénétration d’assurance sur le PIB par habitant,
𝒍𝑷𝒆𝒏𝟐𝟎𝟏𝟖 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖 + 𝜺𝟐𝟎𝟏𝟖 , ou la pénétration d’assurance est la variable
expliqué et le PIB par habitant la variable explicative. Notre régression montre que
𝜷𝟏 =0.39417, ce qui est l’élasticité du log de la pénétration d’assurance par rapport au PIB par
habitant, dans ce cas une augmentation 1% du PIB par habitant augmente la pénétration
d’assurance de 39,417%, avec une P-value de 1.68e-07< 5% alors on rejette 𝐻0 : 𝛽1 = 0. car
le logarithme du PIB par habitant impact significativement au seuil de 5% le log de la
pénétration d’assurance. Quant au modèle le 𝑹𝟐 =0.2767, donc le modèle n’explique seulement
27,67% de la variable pénétration par le PIB par habitant, cela peut être du à une possible non
linéarité des deux variables . mais avec la probabilité de la F-statistique qui est de p-value:
1.676e-07 < 5%, le modèle est significatif au seuil de 5%.
- Une régression multiple : Soit l’hypothèse nul 𝐻0 : 𝛽1 = 0 𝑒𝑡/𝑂𝑈 𝛽2 = 0, 𝐻1 : 𝛽1 ≠
0, 𝑒𝑡 𝑜𝑢 𝛽2 ≠ 0 au seuil de 5%.
Considérons l’équation de la régression multiple suivant : 𝒍𝑮𝑾𝑷𝟐𝟎𝟏𝟖 = 𝜷𝟎 +
𝜷𝟏 𝒍𝑮𝑫𝑷𝟐𝟎𝟏𝟖 + 𝜷𝟐 𝑷𝑶𝑷𝟐𝟎𝟏𝟖 + 𝜺𝟐𝟎𝟏𝟖 , ou 𝛽0 représente à constante, 𝛽1 , 𝛽2 sont
respectivement l’élasticité du PIB, et de la Population par rapport à la consommation du des
primes d’assurances en volume. Dans notre modèle 𝜷𝟏 = −𝟎. 𝟏𝟑𝟐𝟎𝟎 𝒆𝒕 𝜷𝟐 =
−𝟏. 𝟐𝟐𝟒𝟓𝟔 qui sont tous deux différent de zéro, donc une augmentation de 1% du log de PIB
diminue les primes d’assurance de 13.2, et une augmentation de la population de 1% diminue
les primes d’assurance de 122,456%, il existe une corrélation négative entre les variable mais
pas significatif au seuil de 5%. Le 𝑹𝟐 = 0.1183, le modèle n’explique que 11,83% de la variation
du volume des primes d’assurance par le PIB et la population, mais la probabilité de la F-
statistique = 0.005041 < 5% donc le modèle est significatif au seuil de 5%
- Une régression non linéaire : 𝒍𝑫𝒆𝒏𝒔𝟐𝟎𝟏𝟖 = 𝜷𝟎 + 𝜷𝟏 𝒍𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖) +
𝜷𝟐 𝒍(𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖 ) + 𝜷𝟑 𝒍(𝑮𝑫𝑷𝒄𝒂𝒑𝟐𝟎𝟏𝟖 )𝟑 𝜺𝟐𝟎𝟏𝟖
𝟐

Comme nous l’avons mentionnée précédemment, il existe une non-linéarité entre le

développement de l’assurance et celui du développement économique. Dans cette section nous
allons tester l’hypothèse selon laquelle la régression de la densité d’assurance sur le PIB par
habitant soit quadratique et ou cubique, cela va nous conduire à tester un modèle polynomial
de 2ème et 3ème degré. Soit 𝐻0 : 𝛽1 = 0 𝑒𝑡/𝑂𝑈 𝛽2 = 0, 𝐻1 : 𝛽1 ≠ 0, 𝑒𝑡 𝑜𝑢 𝛽2 ≠ 0.
l’introduction d’un terme quadratique relève significatif avec une un coefficient
𝑑𝑒 𝜷𝟏 =1.75404. une fois qu’on introduit le troisième terme, l’impacte se relève significatif et
négatif avec un 𝜷𝟐 = -0.12323 le 𝑹𝟐 =0.8281 le log du PIB par habitant explique plus de 82,81
et une probabilité de la F-statistique de 2.2e-16 notre modèle est bien significatif et la figure (3)
nous prouve la formation d’une courbe en S
- Une régression en données de panel:

Etant donné on travaille avec des données panel, on se demande si la spécificité des pays jeux
un rôle si important pour l’explication de l’évolution des primes d’assurance. Cela peut-il
refléter la maturité des marchés d’assurance. Nous conduisons de nouveaux test en données de
Panel afin d’estimer des modèles à effet fixe et modèle à effet aléatoire.

7
En introduisant les effets des pays, nous remarquons que les pays ont un effet significative au
niveau de 5% car probabilité de F-statistique est de 2e-16 et ces effets diffèrent
considérablement d’un pays à l’autre voir annexe (4)

Avec le modèle à effet fixe, la statistique de Fischer est bien significative à 5%, cela veut dire
le modèle est bien spécifié. L’effet du PIB par tête est significative, une hausse de 1% du log
PIB par tête induit à une hausse de 43,33% du log de la densité d’assurance voir annexe(4),
puis le modèle à effet variable, la statistique de Fischer est bien significative, cela veut dire le
modèle est bien spécifié. L’effet du log PIB par tête est significative, une hausse de 1% du log
PIB par tête induit à une hausse de 64,54% de la densité d’assurance annexe()

L’impact est très diffèrent entre le modèle à effets fixe et le modèle aléatoire. Ainsi le test de
Hausman montrent qu’il y’a une différence significative entre les deux modèles avec une P-
value inférieure à 5%. Cela veut dire qu’on rejette le modèle à effet aléatoire. Le modèle à effet
fixe est consistent

4.2. Figures

Figure 1 Figure 3
Figure 1

5. Discussion

A l’issue des analyse effectuer, nous pouvons écarter l’l’hypothèse de neutralité de nos
variables quand bien même que cela serai soutenue dans certaines recherche tel que Akinlo
(2013) et chang (2014). Nos analyse s’inscrivent plus dans sens des travaux de d’Elango et
Jones (2011) et Hwang et Gao (2013), on constate bien que le développement économique
mesurer par PIB influence le développement du marché de l’assurance qui est lui mesurer par
les Primes totaux, densité d’assurance et la Pénétration d’assurance sur le marché d’assurance.
Cependant, il y’a des recherches qui vont dans le sens d’une causalité inverse c’est-à-dire le
développement du marché des assurance influence le développement économique, c’est le cas
de l’étude de Lee et Al (2013) et Han et Al (2010), et d’autre qui penche plus pour une
influence mutuelle exemple Beck et Webb (2003) et Vadlamanti (2008).

En somme nos analyse répondent bien à la question le PIB impacte sur les Assurance, mais de
façon non linéaire, et l’effet de cette influence dépend d’un pays à l’autre et n’a pas une
grande variation dans le temps.

8
 Figure 2: A random graph (source: own illustration)

6. Bibliography
Akinlo, T. (2013). The causal relationship between insurance and economic growth in Nigeria
(1986-2010). Australian Journal of Business and Management Research, 2(12), 49.

Beck, T., & Webb, I. (2003). Economic, demographic, and institutional determinants of life
insurance consumption across countries. The World Bank Economic Review, 17(1), 51-88.

Elango, B., & Jones, J. (2011). Drivers of insurance demand in emerging markets. Journal of
Service Science Research, 3(2), 185-204.

Enz, R. (2000). The S-curve relation between per-capita income and insurance penetration. The
Geneva Papers on Risk and Insurance-Issues and Practice, 25(3), 396-406.

Hwang, T., & Gao, S. (2003). The determinants of the demand for life insurance in an emerging
economy–the case of China. Managerial Finance.

Enz, R. (2000). The S-curve relation between per-capita income and insurance penetration. The
Geneva Papers on Risk and Insurance-Issues and Practice, 25(3), 396-406.

Vadlamannati, K. C. (2008). Do insurance sector growth and reforms affect economic

development? Empirical evidence from India. Margin: The Journal of Applied Economic
Research, 2(1), 43-86.

Lee, C. C., Lee, C. C., & Chiu, Y. B. (2013). The link between life insurance activities and economic
growth: Some new evidence. Journal of International Money and Finance, 32, 405-427.

9
A. Appendix – Supplements

10
B. Appendix – R Code
library(readxl)
sigma2 <- read_excel("C:/Users/mamat/Downloads/sigma2.xlsx")
View(sigma2)

######################## 2018 ########################

# creation de variable en log

log_GWP2018 <- log(sigma2$GWP2018)

#pour creer la variable log primes

log_GWPL2018 <- log(sigma2$GWPL2018)

#pour creer la variable log primes vie

log_Dens_2018 <- log(sigma2$Dens_2018)

#pour creer la variable log densité

log_Pen_2018 <- log(sigma2$Pen_2018)

#pour creer la variable log pénétration

log_GDPcap2018 <- (log(sigma2$Dens_2018/ sigma2$Pen_2018))

#pour creer la variable log PIB par habitant

GDPcap2018<- (sigma2$Dens_2018/ sigma2$Pen_2018)

log_GDP2cap2018 = log(GDPcap2018)

summary(log_GDP2cap2018)

# Regressions

# nuage de points densité et Pib par habitant

sigma2$log_Dens_2018 = log(sigma2$Dens_2018)# de 1.792 à 9.362

log_GDP2cap2018 = log(GDPcap2018))# 2 à 7.5

plot(sigma2$log_Dens_2018 ~ log_GDP2cap2018,

data = sigma2,

main = "relation entre log densité et log pib",

xlab = "log_GDP2cap2018",

ylab = "log_Dens_2018",

11
 xlim = c(2.398,7.432 ),

ylim = c( 2,9.362 ))

lm1 <- lm(sigma2$log_Dens_2018 ~ log_GDP2cap2018, data = sigma2)

abline(lm1, col="red")

summary(lm1)

# nuage de points Pénétration et Pib par habitant

sigma2$log_Pen_2018 = log(sigma2$Pen_2018)# de -1.1087 à 3.0388

log_GDP2cap2018 = log(GDPcap2018))# 2 à 7.5

plot(sigma2$log_Dens_2018 ~ log_GDP2cap2018,

data = sigma2,

main = "relation entre log de la Pénétration et log pib",

xlab = "log_Pen_2018",

ylab = "log_Dens_2018",

xlim = c(-2,10),

ylim = c(-2, 10 ))

lm2 <- lm(sigma2$log_Pen_2018 ~ log_GDP2cap2018, data = sigma2)

abline(lm2, col="red")

summary(lm2)

# Regressions multiples

# calcul du lograithm du PIB brut et de la population

Pop_2018<-(sigma2$GWP2018/ sigma2$Dens_2018)

log_Pop_2018 = log(Pop_2018)

# creattion de la variable log de la population

PIB_2018<-(sigma2$GWP2018/ sigma2$Pen_2018)

log_PIB_2018 = log(PIB_2018)

lm3<- lm(log_GWP2018 ~ log_PIB_2018 + log_Pop_2018 , data = sigma2)

12
summary(lm3)

# Regressions non linéaire

library(sandwich)

library(lmtest)

library(dplyr)

# Reg 1

reg1 <- lm(log_Dens_2018 ~ log_GDP2cap2018, data = sigma2)

vcovHC <- vcovHC(reg1)

Summary1 <- coeftest(reg1, vcov =vcovHC )

Summary1

# Reg 2

reg2 <- lm(log_Dens_2018 ~ log_GDP2cap2018 + I(log_GDP2cap2018^2), data = sigma2)

vcovHC2 <- vcovHC(reg2)

Summary2 <- coeftest(reg2, vcov = vcovHC2 )

Summary2

summary(log_GDP2cap2018)

# Reg 3

reg3 <- lm(log_Dens_2018 ~ log_GDP2cap2018 + I(log_GDP2cap2018^2)+ I(log_GDP2cap2018^3),

data = sigma2)

vcovHC3 <- vcovHC(reg3)

Summary3 <- coeftest(reg3, vcov =vcovHC3 )

Summary3

lm4 <- lm(log_Dens_2018 ~ log_GDP2cap2018 + I(log_GDP2cap2018^2) + (log_GDP2cap2018^3),

data = sigma2)

summary(lm4)

lm5 <- lm(log_Dens_2018 ~ log_GDP2cap2018 + I(log_GDP2cap2018^2), data = sigma2)

summary(lm5)

13
lm6 <- lm(log_Dens_2018 ~ log_GDP2cap2018 + I(log_GDP2cap2018^2) + (log_GDP2cap2018^3),
data = sigma2)

summary(lm6)

library(ggplot2)

ggplot(sigma2, aes(y=log_Dens_2018,x=log_GDP2cap2018))+

geom_point()+

scale_y_continuous(limits=c(0,12))+

theme_classic()+

geom_smooth(method="lm",

colour="red",

formula=y~x+I(x^2)+I(x^3))

######################## donnée de panel ########################

data_GWP <- tidyr::gather(sigma2[,c(1:13)], Year, GWP, GWP2007:GWP2018,factor_key=TRUE)

View(data_GWP)

data_GWPL <- tidyr::gather(sigma2[,c(1,14:25)], Year, GWPL,

GWPL2007:GWPL2018,factor_key=TRUE)

View(data_GWPL)

data_Dens <- tidyr::gather( sigma2[,c(1,26:37)], Year, Dens,

`Dens_2007`:`Dens_2018`,factor_key=TRUE)

View(data_GWPcap)

data_Pen <- tidyr::gather(sigma2[ ,c(1,38:49)], Year, Pen, `Pen_2007`:`Pen_2018`,factor_key=TRUE)

View(data_GWP_GDP)

14
library(dplyr)

Year = rep(2007,94)

for (i in 2008:2018) {

Year <- c(Year, rep(i,94))

data_GWP$Year <- Year

data_GWPL$Year <- Year

data_Dens$Year <- Year

data_Pen$Year <- Year

data <- data_GWP %>% full_join(data_GWPL, by = c("Pays","Year"))

data <- data %>% full_join(data_Dens, by = c("Pays","Year"))

data <- data %>% full_join(data_Pen, by = c("Pays","Year"))

data

#data$ <- as.numeric(data$GWP)

data$GWP <- as.numeric(data$GWP)

data$GWPL <- as.numeric(data$GWPL)

data$Dens <- as.numeric(data$Dens)

data$Pen <- as.numeric(data$Pen)

data

# creation du PIB, PIB par habitant, et primes non vie

library("plm")

data$GDP <- data$GWP/data$`Pen`

data$GDPcap <- data$Dens/data$`Pen`

data$GWPNL <- (data$GWP - data$GWPL)

summary(lm( log(Dens) ~ Pays+log(GDPcap), data= data)) # l'effet des pays est significative

summary(lm( log(Dens) ~ I(as.factor(Year))+log(GDPcap), data= data)) # l'effet des ann?es n'est pas
significative

df_pd <- pdata.frame(data, index=c("Pays","Year"), drop.index=TRUE, row.names=TRUE)

15
head(df_pd)

head(Within(df_pd$GWP))

grun.fe <- plm(log(Dens)~log(GDPcap), data = df_pd, model = "within") # mod?le ? effet fixes

summary(grun.fe)

grun.re <- plm(log(Dens)~log(GDPcap), data = df_pd, model = "random") # mod?le ? effet al?atoire

summary(grun.re)

phtest( grun.fe, grun.re ) # hausman test

16
 Déclaration d’honneur

Par la présente, j’affirme avoir pris connaissance des documents d’information et de prévention
du plagiat émis par l’Université de Neuchâtel et m’être renseigné-e correctement sur les
techniques de citation. J’atteste par ailleurs que le travail rendu est le fruit de ma réflexion
personnelle et a été rédigé de manière autonome.

Je certifie que toute formulation, idée, recherche, raisonnement, analyse ou autre création
empruntée à un tiers est correctement et consciencieusement mentionnée comme telle, de
manière claire et transparente, de sorte que la source en soit immédiatement reconnaissable,
dans le respect des droits d’auteur et des techniques de citations.

Je suis conscient-e que le fait de ne pas citer une source ou de ne pas la citer clairement,
correctement et complètement est constitutif de plagiat. Je prends note que le plagiat est
considéré comme une faute grave au sein de l’Université. J’ai pris connaissance des risques de
sanctions administratives et disciplinaires encourues en cas de plagiat (pouvant aller jusqu’au
renvoi de l’université).

Je suis informé-e qu’en cas de plagiat, le dossier sera automatiquement transmis au rectorat. Au
vu de ce qui précède, je déclare sur l’honneur ne pas avoir eu recours au plagiat ou à toute autre
forme de fraude.

Neuchâtel, Décembre 2021 Les auteurs.

Texte basé sur le document « Déclaration sur l'honneur » du Rectorat de l’Université de Neuchâtel.