Soutenabilité budgétaire et vitesse d'ajustement en République Démocratique du Congo : une analyse empirique utilisant le modèle Autoregressive Distributed Lags sur la période 1992-2023
Bibliographic record
Abstract
Cet article explore la dynamique entre les recettes et les dépenses publiques en République Démocratique du Congo (RDC) durant la période 1992-2023, en se basant sur le modèle ARDL (Autoregressive Distributed Lags) ainsi que le test de cointégration. Les résultats obtenus montrent qu’il existe une relation significative à long terme entre ces deux éléments, assortie d’un mécanisme d’ajustement à court terme. Les tests de stationnarité, y compris le test ADF, indiquent que les séries deviennent stationnaires après une différenciation de premier ordre. L’analyse du modèle de correction d’erreur (ECM) révèle une vitesse d’ajustement d’environ 73 % par an. Par ailleurs, les résultats mettent en évidence une causalité bidirectionnelle entre les recettes et les dépenses, validant le concept de synchronisation fiscale et illustrant la dépendance des recettes vis-à-vis des fluctuations des prix des matières premières. Bien que des signes de soutenabilité budgétaire soient observés, la situation demeure fragile, s’appuyant davantage sur des ajustements réactifs que sur une planification proactive. Ces conclusions soulignent la nécessité de mettre en œuvre des réformes structurelles pour optimiser la gestion budgétaire en RDC et renforcer la résilience économique face aux chocs exogènes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".