Stratégie empirique

Nous allons à présent analyser la littérature empirique et introduire les caractéristiques de notre stratégie empirique. Les différentes études empiriques ont trouvé l’emploi moins

131

flexible dans les coopératives que dans les EC et les salaires plus flexibles : Craig et Pencavel (1993) le montre pour les Etats-Unis, Pencavel, Pistaferri et Schivardi (2006) pour l’Italie et Burdin et Dean (2009) pour l’Uruguay. Les deux derniers en particulier utilisent des données de panel pour un large nombre d’observations : Pencavel et al. (2006) utilise des données pour 30 000 entreprises italiennes de 1982 à 1994 et estime une équation log-linéaire du niveau d’emploi en fonction d’un choc de demande dans le secteur d’activité, du niveau de salaire et stock de capital ainsi que des effets fixes par entreprise et des variables dichotomiques par année. Burdin et Dean (2009) se servent d’une grande base de données sur les entreprises uruguayennes avec observations mensuelles. Leur spécification est tirée de celle de Pencavel et al. (2006) mais ajoute une distinction entre les salaires et l’emploi des membres et des salariés non membres de la coopérative : l’emploi apparait moins flexible et les salaires plus flexibles pour les membres que pour les non-membres. Cependant, l’emploi des non-membres dans les coopératives est moins flexible que celui des salariés des entreprises classiques.

A partir de ces deux articles de référence, et en nous fondant sur la modélisation de Bond et Van Reenen (2007), nous estimons trois équations en forme réduite expliquant l’emploi, le salaire moyen de l’entreprise et le nombre d’heures travaillées, sous forme log-linéaire.

(1)

Avec le logarithme du nombre de salariés dans l’entreprise i le 31 décembre de l’année

t, est la variable proxy utilisée pour mesurer le choc de demande (les détails du calcul de cette variable sont donnés ci-dessous), est le logarithme du salaire horaire moyen pour l’entreprise i l’année t et le logarithme des fonds propres de l’entreprise i pour l’année t. On inclut également des variables dichotomiques pour les années, représentée par le vecteur . est une variable dichotomique égale à 1 si l’entreprise i est une SCOP pour l’année t et égale à 0 si c’est une entreprise classique. Les termes d’interaction entre la variable SCOP et les autres variables explicatives sont inclues dans la régression pour mesurer d’éventuelles différences significatives de réponse aux chocs de demande entre SCOP et EC. On souhaite également mesurer les différences d’élasticité de l’emploi par rapport au salaire pour tester l’hypothèse H2.

Nous estimons ensuite le salaire moyen en fonction des chocs de demande, afin de tester l’hypothèse H3. Cette estimation est réalisée sur le fichier poste, et non plus sur le fichier établissement. On a donc des observations au niveau individuel, ce qui permet de

132

prendre en compte l’hétérogénéité inobservée entre les individus. On estime l’équation suivante :

(2)

Où est le salaire horaire de l’individu j pour l’année t, et mesure l’effet fixe des caractéristiques de l’individu j sur son salaire.

Enfin, nous estimons deux équations visant à identifier les déterminants du nombre d’heures travaillées, pour tester les hypothèses H4 et H5. On réalise une régression à partir du fichier établissement et une à partir du fichier poste. La première présente l’avantage de prendre en considération explicitement la demande de travail par établissement et la deuxième tient compte de l’hétérogénéité inobservée entre individus.

(3)

Avec le nombre d’heures moyen travaillées par salarié pour l’entreprise i l’année t. Et :

(4)

Où est le nombre d’heures travaillées par l’individu j pendant l’année t, et mesure l’effet fixe des caractéristiques de l’individu j sur son nombre d’heures travaillées.

L’un des problèmes empirique clés est de trouver une variable proxy adaptée pour mesurer le choc de demande qui s’applique aux entreprises une année donnée. Pencavel et al. (2006) utilise la déviation du chiffre d’affaire de l’entreprise par rapport à sa tendance, prédite grâce à une régression linéaire. Burdin et Dean (2009) utilise la variation annuelle de l’indice des prix à la production pour un secteur un mois donné. Nous proposons trois variables que nous utiliserons pour faire les régressions et dont nous allons à présent discuter les caractéristiques.

133

La première est la variation annuelle de l’indice des prix à la consommation, calculé par l’INSEE pour les secteurs détaillés à 5 chiffres. Cette variable est largement imparfaite dans notre échantillon pour deux raisons. D’abord l’indice des prix n’est pas disponible pour tous les secteurs sur la période étudiée, ce qui diminue notre échantillon de moitié. La deuxième raison est la rupture de série de 2008, due à une modification de la classification sectorielle (passage de la révision 1 à la révision 2 de la Nomenclature d’Activités Française). Les indices de prix ne sont donc pas disponible pour la période 2005-2012 ou 2001-2010 et toute recomposition est alors en partie approximative.

(ii) Déviation du chiffre d’affaire de l’entreprise par rapport à sa tendance linéaire La deuxième variable proxy utilisée est directement tirée de Pencavel et al. (2006) : on régresse le logarithme du chiffre d’affaire des entreprises en fonction d’une tendance temporelle qu’on laisse varier selon le secteur d’activité en incluant des effets fixes des entreprises :

Avec le logarithme du chiffre d’affaire de l’entreprise i pour l’année t, le produit d’une variable continue représentant le temps et des variables dichotomiques différenciant les secteurs (avec la classification sectorielle à deux chiffres a88 et après suppression des secteurs sans SCOP, on obtient 61 variables dichotomiques), le coefficient estimé représente donc la tendance linéaire de l’évolution du chiffre d’affaire pour chaque secteur. mesure l’effet fixe dans le temps par entreprise et est le terme d’erreur. Notre variable proxy pour le choc de demande est , définie de la manière suivante :

. Cette variable présente l’avantage de mesurer avec précision les variations du carnet de commande de l’entreprise sans se heurter aux limites de la variable précédente puisqu’elle est disponible pour tout l’échantillon et peu affectée par la rupture de série de 2008 étant donné que la classification sectorielle à deux chiffres est assez facile à reconstituer. Cependant, on note un risque d’endogénéité avec la variable emploi : en effet, l’emploi est un déterminant clé du chiffre d’affaire. La mesure de l’écart à la tendance élimine une partie de l’endogénéité par rapport à la simple prise en compte du chiffre d’affaire mais il reste une possible endogénéité. On risque donc de surestimer le coefficient de l’équation (1) puisque celui-ci ne mesurera pas uniquement l’effet de la déviation du chiffre d’affaire sur l’emploi mais également une partie de l’effet de l’emploi sur la déviation du chiffre d’affaire.

134

(iii) Déviation du chiffre d’affaire de l’entreprise par rapport à la tendance linéaire du secteur

La définition de cette troisième variable proxy vise à pallier au problème d’endogénéité en prenant en compte, non la déviation du chiffre d’affaire d’une entreprise par rapport à sa tendance, mais la déviation du chiffre d’affaire du secteur par rapport à sa tendance. On estime donc l’équation suivante :

Où est la moyenne des chiffres d’affaire de toutes les entreprises du secteur k (à 4 chiffres)⁸² pour l’année t et t est une variable temporelle linéaire. Notre variable proxy nous est alors donnée par : .