Ce dernier chapitre réunit les fils conducteurs du livre — micro, macro, institutions et empirisme — pour aborder la question la plus déterminante de l'économie : pourquoi certains pays sont-ils riches et d'autres pauvres, et que peut-on y faire ?
L'économie du développement n'est pas de la « théorie de la croissance appliquée ». Elle traite des défaillances de coordination, des trappes institutionnelles, des déficits de capital humain et de l'économie politique que les modèles standards ignorent. Elle présente aussi la révolution méthodologique la plus spectaculaire de l'économie moderne : l'essor des essais contrôlés randomisés comme outil d'évaluation des interventions — et, plus récemment, la contre-révolution de l'estimation structurelle qui cherche à dépasser ce qu'une seule expérience peut nous apprendre.
Ce chapitre fait la synthèse de l'ensemble du manuel. La théorie de la croissance (Ch 13) fournit le cadre. Les institutions (Ch 18) fournissent les déterminants profonds. L'économétrie (Ch 10) fournit les outils d'identification — variables instrumentales, régression par discontinuité et logique de l'inférence causale. Les enseignements comportementaux (Ch 19) éclairent la conception des interventions de développement.
Prérequis : Ch 10 (Fondements de l'économétrie — VI, régression), Ch 13 (Théorie de la croissance — modèle de Solow, états stationnaires), Ch 18 (Économie institutionnelle — AJR, extractif/inclusif), Ch 19 (Économie comportementale — nudges, ECR).
Littérature citée : Lewis (1954) ; Rosenstein-Rodan (1943) ; Murphy, Shleifer & Vishny (1989) ; Acemoglu, Johnson & Robinson (2001) ; Nunn (2008) ; Mincer (1974) ; Bleakley (2007) ; Miguel & Kremer (2004) ; Banerjee, Duflo & Kremer (Nobel 2019) ; Todd & Wolpin (2006) ; Attanasio, Meghir & Santiago (2012) ; Deaton (2010) ; Allcott (2015) ; Lin (2012) ; Rodrik (2004).
Les pays les plus riches — la Norvège, la Suisse, les États-Unis — ont un PIB par habitant supérieur à \$60 000 (PPA). Les plus pauvres — le Burundi, le Soudan du Sud, la République centrafricaine — ont un PIB par habitant inférieur à \$500. Un facteur de plus de 100 sépare les plus riches des plus pauvres, et cet écart s'est considérablement creusé sur deux siècles. En 1800, le ratio le plus riche/le plus pauvre était d'environ 5:1. En 2000, il dépassait 100:1. Cette « Grande Divergence » est le fait central que l'économie du développement doit expliquer.
Les Penn World Tables révèlent plusieurs tendances. Au début du XIXe siècle, la distribution était approximativement unimodale : presque tous les pays étaient pauvres. La Révolution industrielle a créé une divergence qui s'est accélérée au XXe siècle. Dans les années 1970-1980, la distribution était devenue nettement bimodale — les « pics jumeaux » (Quah 1996). Depuis 2000, la croissance rapide de la Chine et de l'Inde a partiellement comblé l'écart, bien que l'Afrique subsaharienne reste largement au pic inférieur.
| Faits de Kaldor (Ch 13) | Faits du développement (ce chapitre) |
|---|---|
| Ratio capital-production constant | Ratio capital-production croissant pendant l'industrialisation |
| Part du travail constante | Part du travail décroissante dans l'agriculture, croissante dans l'industrie puis les services |
| Taux de croissance constant de la production par travailleur | Croissance très variable ; épisodes d'accélération et de stagnation |
| Sentier de croissance équilibré | Transformation structurelle ; croissance déséquilibrée, avec changements sectoriels |
Le modèle de Solow (Ch 13) capture bien les faits de Kaldor. Il ne capture pas les faits du développement — il n'a qu'un secteur, un type de travail et une convergence lisse. L'économie du développement nécessite des modèles à secteurs multiples, travail hétérogène et possibilité de trappes.
Figure 20.3. Distribution mondiale des revenus dans le temps (stylisée). Faites défiler les décennies pour voir l'évolution d'unimodale (1800) à bimodale (années 1970) à convergence partielle (années 2000). Utilisez le curseur ou le bouton lecture.
Le secteur moderne utilise le capital et le travail dans une fonction de production Cobb-Douglas :
Le secteur moderne utilise le capital et le travail dans une fonction de production Cobb-Douglas :
Le secteur moderne embauche des travailleurs tant que $MPL_M > \bar{w}$. Pendant la phase de main-d'œuvre excédentaire, le secteur moderne fait face à une offre de travail parfaitement élastique au salaire $\bar{w}$. Les profits ($\Pi_M = Y_M - \bar{w}L_M$) sont réinvestis, créant un cercle vertueux : l'accumulation de capital élève $MPL_M$, absorbant plus de travailleurs, générant plus de profits.
La Chine est l'illustration moderne la plus spectaculaire. Entre 1980 et 2010, la Chine a transféré des centaines de millions de travailleurs de l'agriculture rurale vers l'industrie urbaine, générant des taux de croissance de 10 % par an. Les économistes débattent de la question de savoir si la Chine a franchi son point de retournement de Lewis autour de 2010-2015, comme en témoigne la hausse rapide des salaires dans les zones manufacturières côtières.
Figure 20.2. Modèle d'économie duale de Lewis. Gauche : courbe de MPL du secteur moderne et salaire de subsistance. Droite : production par secteur. Augmentez le capital pour absorber le travail ; surveillez le point de retournement de Lewis. Déplacez les curseurs pour explorer.
La République de Kaelani a 10 millions de travailleurs. Actuellement, 7 millions travaillent dans le secteur de subsistance avec une main-d'œuvre excédentaire de 3 millions ($\bar{L} = 4$ millions). Secteur moderne : $A_M = 2$, $K_M = 100$, $\alpha = 0{,}4$.
(a) Production moderne actuelle ($L_M = 3$ M) : $Y_M^{\text{avant}} = 2 \times 100^{0,4} \times 3^{0,6} \approx 24{,}40$. Après réallocation de 1 M de travailleurs ($L_M = 4$ M) : $Y_M^{\text{après}} = 2 \times 100^{0,4} \times 4^{0,6} \approx 28{,}99$. Gain de production = 4,59 unités (augmentation de 18,8 %), sans aucune perte de subsistance puisque les travailleurs transférés étaient excédentaires.
(b) Au point de retournement, $L_M = L - \bar{L} = 6$ M. En posant $MPL_M = \bar{w} = 1$ : $K_M^* \approx 3{,}80$ — un seuil bas reflétant l'abondance de main-d'œuvre excédentaire et le modeste salaire de subsistance.
Le modèle de Solow standard comporte une fonction de production concave garantissant un état stationnaire stable unique. Les trappes à pauvreté nécessitent une fonction de production en S (localement convexe) créant des croisements multiples entre $sf(k)$ et $(n+\delta)k$.
Figure 20.1. Diagramme de la trappe à pauvreté. La courbe en S $sf(k)$ croise la droite $(n+\delta)k$ en jusqu'à trois points. Faites glisser le point pour voir la convergence vers la trappe basse ou l'équilibre élevé. Ajustez le taux d'épargne et la courbure avec les curseurs. Faites glisser le point de condition initiale pour explorer.
Le modèle MSV génère deux équilibres de Nash : pas d'industrialisation (la trappe à pauvreté) et industrialisation complète (l'équilibre développé). Un gouvernement peut jouer le rôle de mécanisme de coordination — en subventionnant l'investissement simultané dans tous les secteurs.
Tous les pays pauvres ne sont pas piégés. Kraay et McKenzie (2014) trouvent peu de preuves de trappes à pauvreté au niveau des ménages. Au niveau des pays, le sous-développement persistant dans certaines parties de l'Afrique subsaharienne est plus cohérent avec la dynamique de trappe, en particulier combiné à la défaillance institutionnelle et aux conflits.
Étant donné $f(k) = k^2/(1+k^2)$ (en S), $s = 0{,}20$, $n+\delta = 0{,}10$. En posant $sf(k) = (n+\delta)k$ et en résolvant, on obtient $k = 0$ et $k = 1$ (racine répétée — la trappe est à la limite d'existence).
Pour un exemple plus riche, $f(k) = k^{2,2}/(1+k^{2,2})$ donne trois solutions : $k_L^* \approx 0$ (trappe à pauvreté), $k_U \approx 0{,}72$ (seuil instable), $k_H^* \approx 1{,}45$ (équilibre élevé). En $k_U$, la fonction de production est localement convexe donc $g'(k_U) > 0$ — instable. Le big push nécessite d'injecter $\Delta k \approx 0{,}72$ par travailleur.
Le défi fondamental est l'endogénéité : les pays riches peuvent se permettre de meilleures institutions. AJR (2001) ont proposé une stratégie de VI utilisant la mortalité des colons. Le coefficient de première étape $\beta$ est négatif et hautement significatif (F-statistique > 20). L'estimation 2SLS $\hat{\delta} \approx 0{,}94$ dépasse l'OLS ($\approx 0{,}52$) — cohérent avec un biais d'atténuation dû aux erreurs de mesure.
Les expériences naturelles renforcent l'hypothèse institutionnelle : Corée du Nord vs Corée du Sud, Allemagne de l'Est vs Allemagne de l'Ouest, Chine avant et après les réformes, et le Botswana vs ses voisins illustrent tous comment la divergence institutionnelle entraîne la divergence des revenus.
Figure 20.4. Institutions vs géographie — nuage de points. Changez la variable en abscisse pour comparer mortalité des colons, latitude et État de droit comme prédicteurs du revenu. Utilisez le menu déroulant pour changer de vue.
Résultats : F de première étape = 22,9, $\hat{\beta} = -0{,}61$, 2SLS $\hat{\delta} = 0{,}94$ (ET = 0,16), OLS = 0,52. (a) Une augmentation d'une unité de la qualité institutionnelle cause une hausse de 0,94 log-point du PIB/habitant. Passer du 25e percentile (score 5) au 75e (score 8) prédit une augmentation de \$1 \times 0{,}94 = 2{,}82$ log-points — environ 16,8 fois.
(b) Menaces pour la restriction d'exclusion : la mortalité des colons peut servir de proxy pour l'environnement pathologique actuel (réduisant directement la productivité) ; les Européens ont peut-être investi différemment dans les infrastructures au-delà des institutions. (c) VI > OLS probablement dû au biais d'atténuation : si le ratio de fiabilité est d'environ 0,55, alors \$1{,}52/0{,}55 \approx 0{,}94$.
| Groupe de revenus | Rendement moyen (ρ̂) |
|---|---|
| Pays à faible revenu | 10,5 % |
| Revenu intermédiaire inférieur | 8,7 % |
| Revenu intermédiaire supérieur | 7,2 % |
| Pays à revenu élevé | 5,4 % |
Bleakley (2007) a exploité la variation géographique de la prévalence de l'ankylostome pour montrer une augmentation de revenu de 17 % par écart-type de réduction. Miguel & Kremer (2004) ont constaté que le déparasitage réduisait l'absentéisme scolaire de 25 % avec d'importants effets de débordement — environ \$3,50 par année supplémentaire de fréquentation, parmi les interventions de développement les plus rentables connues.
Figure 20.5. Explorateur de l'équation de Mincer. Ajustez les années de scolarité et les rendements pour voir comment le profil du log-salaire se déplace. La ligne en pointillés montre la prime pour 4 années supplémentaires. Déplacez les curseurs pour explorer.
Pays A (faible revenu) : $\hat{\rho} = 0{,}10$, $\hat{\beta}_1 = 0{,}03$, $\hat{\beta}_2 = -0{,}0005$. Pays B (revenu élevé) : $\hat{\rho} = 0{,}05$, $\hat{\beta}_1 = 0{,}05$, $\hat{\beta}_2 = -0{,}0008$. La prime à l'éducation pour 4 années supplémentaires : Pays A = $e^{0,40}-1 = 49{,}2\%$ ; Pays B = $e^{0,20}-1 = 22{,}1\%$.
Le pic salarial à $\text{Exp}^* = \beta_1 / (2|\beta_2|)$ : Pays A à 30 ans, Pays B à 31,25 ans. Les rendements diffèrent en raison de la rareté, du biais de capacité, des contraintes de crédit, de la qualité scolaire et des effets de signal vs capital humain.
Banerjee, Duflo et Kremer ont reçu le prix Nobel 2019 pour leur approche expérimentale de la réduction de la pauvreté mondiale. Résultats clés : les transferts monétaires fonctionnent et ne réduisent pas l'effort ; la microfinance n'est pas transformatrice ; le déparasitage est extraordinairement rentable. La plus grande contribution de la révolution des ECR a été de remplacer les croyances antérieures par des preuves.
| Intervention | Résultat | Étude |
|---|---|---|
| Déparasitage | Réduction de 25 % de l'absentéisme ; effets de débordement importants | Miguel & Kremer (2004) |
| Moustiquaires | La distribution gratuite génère une adoption bien plus élevée que le partage des coûts | Cohen & Dupas (2010) |
| Microfinance | Effets modestes sur le revenu des entreprises ; pas de réduction transformative de la pauvreté | Banerjee et al. (2015) |
| Transferts monétaires (inconditionnels) | Les bénéficiaires investissent de manière productive ; les effets persistent | GiveDirectly (Haushofer & Shapiro 2016) |
| Transferts monétaires (conditionnels, Progresa) | +8 pp de scolarisation, amélioration nutritionnelle | Schultz (2004) |
| Incitations pour les enseignants | La rémunération incitative améliore les résultats aux tests ; les détails de conception comptent | Muralidharan & Sundararaman (2011) |
Figure 20.6. Calculateur de puissance d'ECR. Voyez comment la taille d'effet, la variance, le seuil de significativité et le regroupement affectent la taille d'échantillon requise. La ligne en pointillés marque la puissance de 80 %. Déplacez les curseurs pour explorer.
Le ministère de Kaelani prévoit un effet de revenu de \$30/mois ($\sigma = 120$). À $\alpha = 0{,}05$, puissance de 80 % : $N = 2 \times 120^2 \times (1{,}96+0{,}84)^2 / 30^2 \approx 251$ par bras. Avec randomisation par grappes (42 villages, 60 ménages chacun, ICC = 0,04) : effet de design = 3,36, échantillon effectif = 750 — bien au-dessus de 251.
Si le budget ne permet que 1 500 par bras : échantillon effectif $\approx 446$. MDE $= \sqrt{2 \times 14400 \times 7{,}84 / 446} \approx \$22{,}50$/mois — inférieur à l'effet attendu de \$30, donc l'étude reste adéquatement puissante.
Zambian economist Dambisa Moyo's Dead Aid and her TED talk made the incendiary case: over \$1 trillion in aid to Africa hadn't just failed — it had "created dependency, fueled corruption, and killed African entrepreneurship." Bill Gates publicly called the book "evil." Jeffrey Sachs accused Moyo of advocating policies that would "lead to the deaths of millions." Moyo fired back that Sachs's own Millennium Villages Project was the real failure. The debate went nuclear. But who was actually right about the evidence?
AvancéTodd et Wolpin (2006) ont validé un modèle structurel par rapport à l'ECR Progresa, puis l'ont utilisé pour simuler des contrefactuels non testés. Attanasio et al. (2012) ont montré que le TCC fonctionnait principalement en réduisant les coûts d'opportunité de la scolarisation plutôt qu'en desserrant les contraintes budgétaires — une compréhension basée sur les mécanismes qui permet la transférabilité.
La résolution n'est pas structurel contre forme réduite — c'est structurel et forme réduite. Les ECR fournissent des estimations causales crédibles ; les modèles structurels fournissent des cadres de généralisation. Le flux de travail idéal : utiliser un ECR pour identifier les paramètres, les intégrer dans un modèle structurel, valider par rapport aux données expérimentales, puis extrapoler avec des bornes d'incertitude honnêtes.
Figure 20.8. Comparaison structurel vs forme réduite. Le panneau gauche montre l'estimation ECR d'origine ; le droit montre les prédictions pour un nouveau site. À mesure que les contextes divergent, le modèle structurel s'ajuste honnêtement tandis que l'extrapolation naïve reste faussement précise. Utilisez le commutateur pour changer de scénario.
Miguel & Kremer ont trouvé une réduction de l'absentéisme de 25 % au Kenya ; une réplication en Inde a trouvé environ 3 pp (non significatif). Différences structurelles clés : prévalence des helminthes 75 % (Kenya) vs 20-30 % (Inde) ; qualité et accès scolaires différents ; coûts d'opportunité différents du travail des enfants ; effets de débordement moindres.
Un modèle structurel de scolarisation avec intrants de santé, calibré sur le Kenya, prédit 7 pp. Recalibré avec les paramètres indiens : 2-3 pp — cohérent avec la réplication. Le modèle « sait ce qu'il ne sait pas » : il ajuste les prédictions et élargit les intervalles de confiance plutôt que d'extrapoler faussement.
La nouvelle économie structurelle (Lin) soutient que les gouvernements devraient identifier les industries cohérentes avec l'avantage comparatif latent. Rodrik étend cela à la politique industrielle verte : la transition énergétique propre nécessite un investissement public coordonné car les externalités carbone sont sous-évaluées et les retombées de l'apprentissage par la pratique ne sont pas internalisées.
Le débat entre transferts conditionnels et inconditionnels (TIE) est central dans la politique contemporaine. Les programmes de GiveDirectly montrent que les TIE fonctionnent bien — les bénéficiaires investissent de manière productive et les effets persistent. La conditionnalité peut compter lorsque des biais comportementaux empêchent l'investissement optimal (lien avec le Ch 19), mais peut être inutile lorsque les ménages veulent déjà investir dans le capital humain de leurs enfants.
Figure 20.7. Simulateur d'ECR de transferts monétaires. Ajustez le montant du transfert, la durée et la conditionnalité pour voir comment les effets du traitement varient selon les résultats. Les étoiles de significativité apparaissent lorsque l'IC exclut zéro. Déplacez les curseurs pour explorer.
L'ère coloniale (avant 1945) a créé les fondements institutionnels. L'ère post-indépendance (1945-1980) a été dominée par la pensée du big push. Le Consensus de Washington (1980-2000) a promu les marchés. La révolution des ECR (2000-2019) a recentré l'attention sur les preuves micro. L'ère post-2015 fait la synthèse : les grandes questions nécessitent une réflexion structurelle ; les questions de politique spécifiques nécessitent des preuves expérimentales.
You've now traversed the full arc: GDP measurement (Ch 7), capital accumulation (Ch 9), endogenous growth (Ch 13), institutions (Ch 18), and the empirical frontier (this chapter). This is the final stop — and the honest resolution is that no single theory wins.
The RCT revolution shows that specific interventions work: cash transfers increase income and welfare (GiveDirectly), deworming has large long-run returns (Miguel & Kremer), and information interventions change behavior. But the effect sizes are small relative to the income gap. A bed net that prevents malaria saves lives but doesn't explain the 50x difference in per capita income. Structural estimation (Buera, Kaboski & Shin 2011) quantifies the contribution of misallocation and market failures to aggregate productivity gaps — and finds that capital market distortions alone can explain a factor of 2-3x in TFP differences. The development economics toolkit now has two layers: RCTs identify local causal effects of specific interventions; structural models embed those effects in general equilibrium to ask about aggregate consequences.
Deaton's critique of RCTs: RCTs answer "did this intervention work in this context?" but not "will it work elsewhere?" or "why does it work?" Without theory, RCT results don't generalize. External validity (§20.7) is the binding constraint. Pritchett's critique: The interventions that RCTs study — bed nets, textbooks, deworming — are too small to explain the development gap. The big drivers are national institutions, industrial policy, and macroeconomic management. You can't randomize a country's institutions. China's challenge: The most dramatic poverty reduction in history (800 million people) happened through domestic policy reform, not through the interventions the aid community studies. China didn't need RCTs; it needed institutional change — and the specific institutional changes it made (dual-track liberalization, SEZs, export orientation) don't fit neatly into any theoretical framework.
The frontier is moving toward combining RCTs with structural models. RCTs identify local parameters; structural models embed them in general equilibrium. This is the "credibility revolution meets structural estimation" synthesis. Simultaneously, the revival of industrial policy (Lin, Rodrik) represents a return to big-picture thinking — but with better empirical discipline than the import-substitution era. The profession is also more honest about what it doesn't know: the historical contingency of development (why Botswana and not Zambia?) may involve path-dependent processes that resist simple causal explanation.
The honest answer to "why are some countries poor?" is: institutions and ideas are the fundamental causes, operating through multiple channels — property rights, human capital, technology adoption, political stability. RCTs help us understand specific mechanisms. Geography and culture interact with institutions rather than being alternatives to them. No single theory explains everything, and the question remains genuinely open. This is itself an important thing for the reader to understand: the biggest question in economics does not have a clean, consensus answer. What we know is that the proximate causes (capital, human capital, TFP) are well-measured, the deep causes (institutions, geography, culture) are genuinely debated, and the policy levers (specific interventions vs. institutional reform) operate at different scales with different evidence bases. The best development economists hold all of these in tension rather than committing to one story.
This is the final stop for BQ02, but the question is far from closed. Industrial policy is making a comeback — does state-led development work? China's growth miracle challenges the "inclusive institutions" story. Climate change threatens to reverse decades of convergence, with the poorest countries bearing costs they didn't cause. The AI revolution could accelerate or widen the gap depending on whether developing countries can adopt and adapt the technology. And the deepest puzzle endures: if we know what "good institutions" look like, why can't countries adopt them? The answer likely involves political economy — those who benefit from extractive institutions have the power to maintain them. The path from knowing what works to implementing it may be the hardest problem in all of economics.
Targeted health interventions work. Governance aid doesn't. The aggregate question is the wrong question.
Avancé800 million lifted from poverty without inclusive institutions. Exception or alternative model?
AvancéAJR's settler mortality instrument says institutions are the channel. But institutional persistence is more complex than a single IV.
AvancéYou've seen the comparative advantage case (Ch 2), strategic trade under imperfect competition (Ch 6), and open-economy macro (Ch 17). Now the development perspective: East Asia's success involved strategic trade policy — but most countries that tried the same thing failed.
East Asian development involved export-oriented industrial policy: targeted protection of infant industries, export subsidies, and managed exchange rates — combined with strong human capital investment and macroeconomic discipline. Japan, South Korea, Taiwan, and China all deviated from free trade orthodoxy. This wasn't autarky — it was strategic engagement with global markets. The new structural economics (Lin) argues governments should identify industries consistent with latent comparative advantage and facilitate their development. Rodrik extends this to green industrial policy: the clean energy transition requires coordinated public investment because carbon externalities are underpriced and learning-by-doing spillovers are not internalized. The infant industry argument, dismissed for decades, has returned to mainstream respectability — with important caveats about implementation.
The selection problem: East Asia's success may have been despite industrial policy, not because of it. Countries that tried the same policies in Latin America and Africa failed — import substitution in Argentina, state-led industrialization in Tanzania and Ghana. The difference may be institutional quality, education levels, or cultural factors, not the trade policy itself. China's costs: China used industrial policy aggressively, but it also created massive overcapacity, zombie firms sustained by state banks, environmental destruction, and a real estate bubble. The costs of industrial policy are real and large. Government failure: Picking winners requires bureaucratic competence and insulation from rent-seeking. Most governments lack both. The theoretical conditions for beneficial strategic trade (Brander-Spencer) are knife-edge, and the practical conditions are even more demanding.
The development economics mainstream has softened on free trade absolutism. Rodrik's "industrial policy 2.0" argues for smart, accountable industrial policy with clear exit criteria — not the open-ended protection of the import-substitution era. The climate transition is creating a new rationale: green industrial policy (subsidies for renewables, EVs) is now mainstream in the US, EU, and China. The Stolper-Samuelson losers from trade still haven't been compensated in most countries, and the political backlash (Brexit, Trump tariffs) forced the profession to take distributional effects more seriously.
Pure free trade doctrine was too strong. Trade is beneficial, but the conditions under which strategic intervention works — strong institutions, bureaucratic accountability, hard budget constraints, export discipline — are demanding and uncommon. Most countries that tried industrial policy failed. The few that succeeded (Japan, Korea, Taiwan, China) did so under specific conditions that are hard to replicate. The honest answer: free trade is the right default for most countries most of the time; strategic intervention can work but usually doesn't; and the distributional effects of trade need to be addressed through domestic policy rather than ignored. The climate dimension adds a genuinely new element — carbon border adjustments, green subsidies, and supply chain reshoring are reshaping the trade landscape in ways the textbook framework needs to absorb.
This is the final stop for BQ05, but trade policy is evolving rapidly. Climate policy is reshaping trade: carbon border adjustments are being implemented in the EU, green subsidies are proliferating globally, and supply chain security concerns are driving reshoring decisions. The free trade framework needs to incorporate environmental externalities, geopolitical risk, and supply chain resilience — none of which the standard model handles well. The question "is free trade always good?" may be the wrong framing; the real question is "what combination of openness and strategic policy maximizes inclusive, sustainable development?" — and that question is wide open.
The development experience complicates the textbook answer. East Asia's strategic tariffs worked; Latin America's didn't.
IntroductionChina's trade policy defied free trade orthodoxy and produced the fastest growth in history. But the institutional preconditions were unique.
AvancéYou've seen the efficiency-equity tradeoff (Ch 3), externality arguments for redistribution (Ch 4), mechanism design constraints (Ch 12), and optimal taxation (Ch 16). Now the global dimension: within-country inequality is dwarfed by between-country inequality, and the tools for addressing them are completely different.
Within-country inequality (Gini coefficients of 0.35–0.60) is dwarfed by between-country inequality (global Gini approximately 0.70). The richest decile in India earns less than the poorest decile in several OECD countries. Conditional cash transfers (Bolsa Familia, Progresa/Oportunidades) have reduced poverty and inequality in developing countries with modest efficiency costs. Human capital investment — education and health — is both efficiency-enhancing and equalizing: Mincer returns are higher in developing countries (10–14% vs. 5–7%), meaning the marginal year of schooling has larger returns precisely where inequality is greatest. Development economics provides a different set of tools from domestic tax-and-transfer: RCTs for evaluating specific interventions, structural policies for growth, and institutional reform for the deep determinants.
Growth vs. redistribution: In poor countries, growth is far more powerful than redistribution for reducing poverty. China lifted 800 million out of poverty through growth, not transfers. Redistributing a small pie does less than growing the pie. Focus on institutions and growth, not on dividing up what little there is. Against CCTs: Conditional transfers are paternalistic — why not unconditional? Targeting is costly and imperfect: administrative expenses consume resources, and the conditions assume governments know better than households what investments to make. Universal basic income may be simpler and more dignified. The migration question: If between-country inequality is the dominant dimension, the most powerful "redistribution" tool is allowing people to move from poor countries to rich ones. Open borders would do more for global equality than any tax system — but migration is politically unthinkable at the scale required.
The development community has moved toward a both/and position: growth and redistribution are complementary, not substitutes. Pro-poor growth — growth that disproportionately benefits the poor — is the goal. The GiveDirectly experiments on unconditional cash transfers have shown that recipients invest productively and effects persist, weakening the case for paternalistic conditionality. The global inequality literature (Branko Milanovic) has documented a "great convergence" since 2000: between-country inequality has fallen as China, India, and other emerging economies grew faster than rich countries. But within-country inequality has risen in many places, creating the "elephant curve" — global middle classes gained, the very rich gained, and the lower-middle classes of rich countries stagnated.
Inequality is a problem economics can partially solve — but the tools differ by scale. Within countries, optimal taxation and transfer design can reduce inequality with moderate efficiency costs (the Mirrlees-Diamond-Saez framework from Ch 16). Between countries, the answer is growth driven by institutions, human capital, and technology adoption. CCTs and development interventions help at the margin. The profession is more honest about this than it was a generation ago: the efficiency-equity tradeoff is real but smaller than many assumed, moderate redistribution has modest costs, and the biggest inequality is between countries, not within them. The uncomfortable truth is that the most powerful tools for reducing global inequality — institutional reform in poor countries, open migration, and technology transfer — are politically constrained in ways that economics alone cannot solve.
This is the final stop for BQ09, but the inequality frontier is shifting. Climate change is the next great inequality challenge — the poorest countries will bear the largest costs of a problem they didn't create. Climate adaptation finance, loss and damage compensation, and green technology transfer are where the equity question goes next. The AI revolution raises a parallel concern: will AI-driven productivity gains flow to countries and workers that already have the infrastructure to adopt it, or will they reach the global poor? And within rich countries, the political backlash against globalization has made inequality reduction harder, not easier — the distributional losers from trade and technology now vote for protectionism rather than redistribution. Economics can design better policies; whether those policies get implemented is a political question that the discipline is only beginning to engage with honestly.
GiveDirectly's results show unconditional cash works. But scaling from village experiments to national policy is the hard part.
IntermédiaireDan Riffle popularized the slogan in 2019. In a development context, within-country wealth concentration meets between-country poverty. The scale mismatch frames the problem differently.
IntermédiaireKaelani met en œuvre un TCC : \$50/mois à 2 500 ménages ruraux sélectionnés aléatoirement, conditionné à une fréquentation scolaire de 80 %+, pendant 18 mois. Groupe de contrôle : 2 500 ménages. Calcul de puissance (Eq. 20.10) : avec $\sigma = 120$, le MDE est de \$27/mois à 80 % de puissance. L'effet attendu de \$30-35 est bien au-dessus de ce seuil.
Randomisation par grappes (42 villages traitement + 42 contrôle, ICC = 0,04, taille de grappe 60) donne un effet de design = 3,36. Échantillon effectif = 744 par bras, au-dessus du minimum de 309. Résultats pré-enregistrés : consommation, scolarisation, diversité alimentaire, épargne.
Résultats après 18 mois : Consommation mensuelle +\$32 (p < 0,01), scolarisation +8 pp (p = 0,01), diversité alimentaire +0,4 ET (p < 0,01), épargne +\$15 (p = 0,02), offre de travail des adultes −2 h/semaine (p = 0,27, non significatif). Conformité 94 % ; préoccupation sur l'offre de travail écartée. Le transfert de \$50 génère \$32 de gains de consommation, suggérant des multiplicateurs de dépenses locaux.
Analyse institutionnelle (Ch 18) : Le TCC renforce la capacité étatique — systèmes de paiement, infrastructure de suivi, responsabilité bureaucratique. La condition de fréquentation scolaire fonctionne parce que Kaelani a investi dans la construction d'écoles lors de sa réforme de 2005. Sans écoles, la conditionnalité est vide de sens.
Validité externe (Sec 20.7) : La République de Talani veut répliquer. Forme réduite : l'extrapolation naïve ignore les institutions plus faibles et la démographie différente de Talani. Modèle structurel : prédit +5 pp de scolarisation (vs +8 pp pour Kaelani) et +\$28 de consommation (vs \$32), avec un intervalle à 90 % [+1 pp, +9 pp] pour la scolarisation. La critique de Deaton s'applique : les ECR répondent à « est-ce que ça a marché ici ? » mais pas à « est-ce que ça marchera là-bas ? »
Les fils conducteurs du manuel convergent : le développement de Kaelani dépend des institutions (Ch 18), des fondamentaux de la croissance (Ch 13), de la stabilité macroéconomique (Ch 14-16), des enseignements comportementaux (Ch 19) et de l'évaluation fondée sur les preuves (ce chapitre).
| Libellé | Équation | Description |
|---|---|---|
| Eq. 20.1 | $Y_M = A_M K_M^\alpha L_M^{1-\alpha}$ | Production Cobb-Douglas du secteur moderne |
| Eq. 20.2 | $Y_S = A_S \min(L_S, \bar{L})$ | Secteur de subsistance avec main-d'œuvre excédentaire |
| Eq. 20.3 | Lewis turning point: $MPL_S = \bar{w} \Rightarrow L_S^* = \bar{L}$ | Seuil d'épuisement de la main-d'œuvre excédentaire |
| Eq. 20.4 | $\dot{k} = sf(k) - (n+\delta)k$, $f$ en S | Accumulation du capital avec trappe à pauvreté |
| Eq. 20.5 | $\pi_i = (1/\alpha - 1)(LF - 1)\alpha^{\alpha/(1-\alpha)}$ | MSV : profit d'industrialisation (coordination) |
| Eq. 20.6 | $\text{Inst}_i = \alpha + \beta\ln(\text{settler mort}_i) + \mathbf{X}_i'\gamma + \varepsilon_i$ | Première étape de la VI d'AJR |
| Eq. 20.7 | $\ln w_i = \alpha + \rho S_i + \beta_1 \text{Exp}_i + \beta_2 \text{Exp}_i^2 + u_i$ | Équation salariale de Mincer |
| Eq. 20.8 | $Y = A(H)K^\alpha(hL)^{1-\alpha}$, $h = e^{\phi S + \psi\text{Health}}$ | Production augmentée (santé + éducation) |
| Eq. 20.9 | $\hat{\tau}_{ATE} = \bar{Y}_T - \bar{Y}_C$ | Estimateur de l'ATE sous randomisation |
| Eq. 20.10 | $N = 2\sigma^2(z_{\alpha/2}+z_\beta)^2 / \tau^2$ | Taille minimale d'échantillon pour la puissance \$1-\beta$ |