DIAL

Analyse économétrique et prévision de la demande internationale du tourisme en Tunisie

Amira Gasmi

Septembre 2012

Université Paris-Dauphine

Sous la direction de R. Bourbonnais

L’analyse et la prévision de la demande du tourisme jouent un rôle crucial en tant qu’éléments indispensables de la politique de planification et de prise de décision. Des estimations fiables de la demande touristique assurent le succès de la stratégie engagée dans ce secteur et procurent aux planificateurs et praticiens des données utiles pour leurs décisions d’investissements public et privé.
Cependant, la prise de décision dans le secteur touristique est faite dans la plupart des cas de manière subjective et en faisant appel au jugement personnel, ou en utilisant des modèles économétriques classiques et non rigoureux ignorant les propriétés stochastiques des séries économiques, notamment la saisonnalité et la non-stationnarité (problème des régressions fallacieuses).
Face à la non fiabilité de ces modèles, une réflexion menée à partir de développements économétriques récents et un traitement spécifique de ces propriétés s’avèrent alors nécessaires.
L’objectif de cette thèse consiste, d’une part, à choisir un traitement adéquat de la saisonnalité caractérisant fortement la demande touristique vu son effet sur la précision de la prévision, et d’autre part, à modéliser et prévoir la demande touristique internationale en Tunisie à l’aide de techniques économétriques modernes et efficaces.
Ainsi, nous avons montré à travers une étude comparative de la performance prévisionnelle entre les méthodes d’ajustement saisonnier et celles de la modélisation de la saisonnalité qu’il pourrait être parfois plus approprié de modéliser la saisonnalité plutôt que de recourir à sa correction ou suppression par le biais des méthodes d’ajustement saisonnier. Nous avons aussi conclu que la performance prévisionnelle dépend de la nature stochastique ou déterministe de la saisonnalité. 
Enfin, nous avons proposé de tester l’hypothèse selon laquelle la méthode de combinaison de prévision permet d’améliorer la précision prédictive des modèles individuels et de réduire le risque d’échec total de la prévision. Pour ce faire, nous avons eu recours à trois modèles individuels (le modèle SARIMA, le modèle VAR et le modèle à correction d’erreur) et trois techniques de combinaison de prévisions (la technique de la moyenne simple, la technique de variances-covariances et la technique de régression).
Les résultats révèlent que la méthode de combinaison quel qu’en soit la technique utilisée, permet de réduire le risque d’échec total de la prévision en améliorant la précision des prévisions les plus mauvaises. En conséquence, quand on est en présence d’un certain nombre de modèles économétriques et qu’on doit effectuer des prévisions mais on n’est pas certain quel modèle de prévision fournit les meilleurs résultats prédictifs, combiner les prévisions de ces modèles serait la meilleure méthode de prévision aboutissant à une précision prévisionnelle optimale.