Preprint
Reference
Systèmes éducatifs et inégalités scolaires en Suisse: une analyse de l'enquête PISA 2003
FELOUZIS, Georges, CHARMILLOT, Samuel, FOUQUET-CHAUPRADE, Barbara
FELOUZIS, Georges, CHARMILLOT, Samuel, FOUQUET-CHAUPRADE, Barbara. Systèmes éducatifs et inégalités scolaires en Suisse: une analyse de l'enquête PISA 2003.
Available at:
http://archive-ouverte.unige.ch/unige:12611
Disclaimer: layout of this document may differ from the published version.
SYSTÈMES ÉDUCATIFS ET INÉGALITÉS SCOLAIRES EN SUISSE. UNE ANALYSE DE L’ENQUÊTE PISA 20031
Georges Felouzis, Samuel Charmillot, Barbara Fouquet-Chauprade GGAPE, Université de Genève
W ORKING PAPE R : OCT OBRE 200 9
une des particularités de l’espace académique suisse est de présenter un ensemble très diversifié de systèmes éducatifs dans un espace national restreint du point de vue géographique. Dans un pays de 7,5 millions d’habitants, on peut considérer que chacun des 26 cantons propose un système éducatif spécifique, tant du point de vue de l’âge réel d’entrée en enseignement primaire, que de la nature et de la précocité des différents paliers d’orientation ou encore des programmes et des curricula suivis par les élèves. Cette diversité académique est, d’un point de vu politique et national, un handicap que devraient progressivement résoudre les politiques d’harmonisation en voie de négociation (HarmoS). Toutefois, ce handicap devient un avantage réel pour le sociologue désireux de comparer les systèmes éducatifs et leurs conséquences sur les compétences des élèves. Bien mieux que les comparaisons internationales, qui risquent toujours d’attribuer aux différences de structures éducatives ce qui relève de facteurs culturels ou sociaux, les comparaisons inter cantonales ont le mérite de proposer au sociologue de l’école un espace scolairement assez différencié pour légitimer les comparaisons, et assez fortement unifié pour les rendre intelligibles. Le propos de ce texte est donc de tirer avantage de cette situation suisse pour comprendre les mécanismes de production des compétences scolaires et les inégalités qui en résultent, ce qui nous conduira à raisonner d’une part sur les mérites comparés des différents systèmes éducatifs cantonaux et d’autres part de raisonner de façon plus générale sur les conditions de production des compétences et des inégalités.
Ce texte a donc pour objectif de mettre au jour les mécanismes scolaires qui sont au principe de l’efficacité et de l’équité de chaque système éducatif cantonal. Pour atteindre cet objectif, nous ne partons pas de rien. Les travaux sur les liens entre systèmes éducatifs et production des inégalités sont nombreux dans la littérature internationale et nous en utiliserons quelques-uns dans ce texte. Outre les classiques de la sociologie de l’école (Jencks, 1979; Coleman et al., 1966), nous pensons aux travaux de Gamoran & Mare (1989) sur les conséquences des filières dans l’enseignement secondaire, ou encore ceux de Kerckhoff (1986) sur le cas de la Grande-Bretagne. Nous pensons aussi aux travaux issus de l’analyse des enquêtes Pisa dont les sources d’inspiration théoriques et méthodologiques sont très proches des nôtres (Monseur & Crahay, 2008 ; Marks, 2006, Felouzis, 2009).
L’enquête « Pisa Suisse » constitue le cadre empirique de cet article (OFS-CDIP, 2005). Elle a consisté à recueillir, sur le modèle des enquêtes « Pisa international », les compétences des élèves en mathématiques, en lecture et en culture scientifique, avec la particularité de n’interroger que des élèves scolarisés en classe de 9ème , ce qui correspond en Suisse à la dernière année de scolarité obligatoire. Tous les cantons n’ont pas participé à l’enquête. Seuls 12 sur 26 sont dans ce cas. On sait que les enquêtes Pisa, par souci de comparer des systèmes éducatifs très disparates sur l’ensemble du globe, interrogent des élèves de 15 ans, quel que soit leur niveau de scolarisation et leur filière. Dans le cas
1Pour citer ce texte : Felouzis G., Charmillot S., Fouquet-Chauprade B., Systèmes éducatifs et inégalités scolaires en Suisse. Une analyse de l’enquête PISA 2003, Unige, Ggape, Working Paper, octobre 2009
L’
Suisse, cet impératif de la comparaison saute dès lors que les systèmes éducatifs cantonaux sont assez semblables pour être comparés à un niveau scolaire donné. Le choix a donc été fait de questionner un échantillon représentatif par canton d’élèves scolarisés en 9ème. On a ainsi les moyens de comparer les systèmes éducatifs cantonaux et de comprendre comment chaque système tend à produire un niveau de compétence et d’inégalité qui lui est propre (Moser & Berweger, 2005 ; Nidegger, 2008). On peut de ce fait raisonner sur les effets de contexte liés aux modes de regroupement des élèves dans des filières plus ou moins sélectives et homogènes du point de vue social et académique. Dans la lignée des travaux sur la School effectiveness (Angus, 1993 ; Thrupp, 1995), nous questionnerons donc les capacités comparées des politiques éducatives cantonales à être efficaces et équitables.
Encadré 1 : Pisa Suisse : enquête, méthode, variables
L’enquête Pisa suisse permet une comparaison entre cantons du point de vue des compétences dans trois domaines : la lecture, les sciences et les mathématiques. L’échantillon est construit de façon à être représentatif de l’ensemble des élèves scolarisés en 9ème dans les douze cantons de l’enquête : Argovie, Berne, Fribourg, Genève, Jura, Neuchâtel, Saint-Gall, Thurgovie, Tessin, Vaud, Valais, Zurich. Dans la suite de ce texte, nous distinguerons les parties alémaniques et romandes de deux cantons : Berne et Valais.
Les questionnaires et les tests sont les mêmes que dans l’enquête Pisa internationale, et les critères de passation et de codage des réponses obéissent à la même rigueur méthodologique. En tout, près de 20 000 élèves suisses représentatifs de l’ensemble des élèves de chaque canton de l’enquête, sont questionnés sur les domaines suivants :
- Leurs caractéristiques personnelles (leur milieu familial, âge, sexe, possessions dans leur foyer, etc.) dont l’ « index socioéconomique » qui mesure le statut économique, social et culturel de l’élève. Il synthétise pour cela les informations suivantes : Le statut professionnel et le niveau de formation le plus élevé des deux parents ainsi que le patrimoine culturel familial).
- Leur attitude envers l’enseignement et les matières (en 2003, les mathématiques sont le domaine majeur)
- Leurs compétences mesurées par des tests en lecture, sciences et mathématiques (domaine majeur de 2003)
La description précise des modalités de constitution de l’échantillon, de passation des tests et des questionnaires, et de constitution des bases de données sont décrites dans les quatre publications suivantes :
OCDE, Apprendre aujourd’hui, réussir demain. Premiers résultats de Pisa 2003, Paris, 2004.
OCDE, Pisa 2003. Data Analysis Manual, Paris, 2005.
OFS-CDIP, Pisa 2003 : compétences pour l’avenir, Neuchâtel, 2005
Nidegger C., (coord.), Compétences des jeunes romands. Résultats de la troisième enquête PISA auprès des élèves de 9e année, Neuchâtel, IRDP, 2008.
1. L’état des inégalités scolaires en Suisse
La sociologie de l’éducation, on le sait, a pris pour objet les inégalités dans leurs relations avec les systèmes éducatifs. Ce que les anglo-saxons appellent le schooling renvoie à cette idée qu’Émile Durkheim (1938) inaugurait dans ses cours au tout début du 20ème siècle, et publiés sous le titre l’Évolution pédagogique en France : les systèmes éducatifs proposent des formes scolaires qui influent sur les modalités concrètes et les conséquences de l’éducation sur les individus. Les recherches actuelles dans le domaine ne disent pas autre chose, même si elles tendent à approfondir les processus éducatifs à l’œuvre dans l’éducation elle-même (Hallinan, 2000) et à raisonner sur des critères multiples d’inégalités. L’origine sociale garde certes un poids très fort dans la définition des performances et des parcours scolaires, mais d’autres dimensions ont une capacité propre à définir les « destins » scolaires : l’origine ethnique et le genre notamment.
C’est dans cette perspective que nous situons notre propos sur les inégalités scolaires en Suisse. Comment s’organisent-elles et en fonction de quels critères ? De quoi dépendent- elles ? En première approximation, nous pouvons raisonner sur les scores moyens par canton et leur dispersion d’abord entre élèves en indiquant le coefficient de variation2, et ensuite en fonction de l’index socioéconomique (ESCS). La comparaison s’opère ici à partir des compétences des élèves mesurées par les tests Pisa en mathématiques3.
TABLEAU 1 : Score moyen et inégalités sociales dans les cantons Suisses Pisa 2003
Canton
Score moyen du canton
Coefficient de variation
Part de variance des scores expliquée par
l’origine sociale.
(ESCS)
Un point de plus sur l’échelle économique
sociale et culturelle implique
Argovie 543 17,5 % 16,4 % 36,2
Berne al 530 16,7 % 9,9 % 27,3
Berne fr 528 15,7 % 10,4 % 28,7
Fribourg 559 14,0 % 4,6 % 17,1
Genève 508 16,9 % 11,7 % 29,3
Jura 539 13,9 % 5,0 % 18,3
Neuchâtel 527 15,1 % 12,5 % 27,7
Saint-Gall 550 15,8 % 16,2 % 35,3
Thurgovie 551 16,5 % 12,8 % 35,1
Tessin 510 15,1 % 10,1 % 24,4
Vaud 524 16,2 % 11,5 % 29,2
Valais al 549 15,1 % 8,7 % 27,7
Valais fr 549 14,2 % 10,0% 26,6
Zurich 536 18,5 % 20,9 % 40,3
Ensemble 535 16,6 % 12,2 % 30,3
Lire ainsi : En Argovie, le score moyen aux tests PISA est de 543, le coefficient de variation de 17,5% indique une dispersion plus forte que la moyenne des cantons suisses (16,6%), l’origine sociale explique 16,4% de la variance des scores en mathématiques, une augmentation d’un point sur l’échelle économique, sociale et culturelle implique une augmentation du score en mathématiques de 36,2 points
Le tableau 1 résume deux dimensions qui permettent de qualifier les systèmes éducatifs : l’efficacité, mesurée ici par la moyenne des scores, et l’équité, mesurée par les indices de dispersion d’une part et l’effet de l’index socioéconomique sur le niveau de compétence en mathématiques d’autre part. Il s’agit là – rappelons le - des compétences des
2 Le coefficient de variation se calcule en divisant l’écart type avec la moyenne. Il permet donc de comparer la dispersion de moyennes différentes, comme c’est le cas dans le tableau 1.
3 Nous raisonnons dans l’ensemble de ce rapport sur les scores en mathématiques. Les analyses conduites sur les autres domaines de compétence (lecture et sciences) donnent les mêmes types de résultats.
élèves de 9ème, ce qui explique un score moyen de 535, plus élevé que celui atteint par les élèves de 15 ans pour la Suisse dans l’enquête internationale Pisa (526).
Du point de vue des scores moyens par cantons, on observe des différences significatives et fortes. Alors que Fribourg, Thurgovie, Saint-Gall et le Valais ont des scores largement supérieurs la moyenne Suisse ( ils obtiennent au moins 550), d’autres cantons dépassent à peine la barre des 500 points, comme le Tessin et Genève. Ces contrastes ne manquent pas d’intérêt, au plan politique comme sociologique. Car ils montrent que les systèmes éducatifs proposés dans chaque canton n’ont pas le même niveau d’efficacité et que cela doit être mis en relation avec la nature du système éducatif. Peut-on « expliquer » ces contrastes par le degré de segmentation des filières ? Par les procédures d’orientation et l’âge du premier palier ? Ou encore peut-on associer ces scores à d’autres dimensions liées au public scolarisé dans chaque canton : la proportion de migrants parmi les élèves, le niveau socioéconomique moyen, etc. En d’autres termes on se demandera, dans la suite de cette analyse, si l’on peut ramener ces inégalités cantonales à des effets de contexte (la nature des systèmes éducatifs qui prévalent dans chaque canton) ou des effets de composition, liés à la nature du public scolarisé (par exemple 40 % des élèves genevois sont immigrés et cela peut jouer un rôle dans le niveau moyen de compétence dans ce canton).
Mais le niveau moyen des scores des élèves n’est qu’une première mesure des effets des systèmes éducatifs. Les inégalités de compétences entre individus, ici mesurées par le coefficient de variation, donnent à voir des résultats tout aussi contrastés, bien que de façon différente, entre cantons. Certains sont en effet plus égalitaires que d’autres, au sens où les différences d’acquis entre élèves y sont plus faibles. Le Jura, Fribourg et le Valais francophone sont les cantons où les compétences des élèves sont les plus homogènes (le coefficient de variation est d’environ 14%, bien plus faible que la moyenne). Dans deux autres cas, les contrastes entre élèves sont beaucoup plus élevés que dans la moyenne Suisse : il s’agit d’Argovie et de Zurich avec respectivement 17,5% et 18,5% contre 16,6%
en moyenne. De tels résultats ne manquent pas d’interroger le sociologue de l’école, et nous faisons l’hypothèse que ces inégalités sont liées à la forme scolaire qui prévaut dans ces cantons. Peut-on voir dans la filiarisation plus ou moins poussée dans chaque canton une propension à produire plus ou moins d’inégalités individuelles dans les acquis scolaires ? C’est ce que la littérature internationale sur la question tend à montrer (Gamoran & Mare, 1989 ; Kerckhoff, 1985 ; Monseur et Crahay, 2008). Toutefois, il nous faut, avant d’entreprendre une approche interprétative, aller plus avant dans la description des inégalités.
Au-delà des inégalités entre individus, dont Christopher Jencks (1979) a montré toute l’importance pour qualifier la nature et le fonctionnement des systèmes scolaires, il est important de mesurer les effets des caractéristiques sociales des individus sur leurs compétences. Cet effet est mesuré dans le tableau 1 par la corrélation entre le score en mathématiques d’une part et l’index socioéconomique de l’autre. Nous donnons ici la part de variance des scores expliquée par l‘index socioéconomique (le r2 * 100) et la pente de la droite des moindre carrés, qui se lit comme l’augmentation du score moyen lorsque l’index socioéconomique augmente d’un point4. On voit que l’origine sociale a un poids très contrasté en fonction du canton dans la définition des compétences des élèves. En moyenne la part des scores expliquée par l’index ESCS est de 12,2 %, mais elle est de plus de 20 % à Zurich (qui confirme sa position de canton scolairement très inégalitaire) et autour de 16 % en Argovie et Saint-Gall. Cela signifie que les inégalités sociales dans ces cantons sont bien plus marquées qu’ailleurs en Suisse. Inversement, le Jura, Fribourg, le Valais et le Tessin ont des inégalités bien plus faibles (entre 5 % et 10 % de variance expliquée par cette variable). Ce résultat est confirmé par la dernière colonne du tableau 1: à Zurich, un point
4 L’index socioéconomique est une variable centrée et réduite, de moyenne « 0 » et d’écart type « 1 ».
Une unité supplémentaire signifie donc ici un écart type supplémentaire.
supplémentaire sur l’index socioéconomique induit en moyenne 40 points de plus en mathématiques (plus de 35 points à Saint-Gall, Argovie et Thurgovie), alors qu’à Fribourg et dans le Jura, les scores n’augmentent que de 17 à 18 points. Cela signifie que certains cantons – en général alémaniques - sont socialement bien plus inégalitaires que d’autres.
Dans ce paysage des inégalités académiques suisses, Genève tient une position moyenne : les inégalités individuelles et sociales ne sont ni plus ni moins fortes que dans la moyenne nationale.
Cette première description donne à voir tous les contrastes des systèmes éducatifs suisses, du point de vue de leur efficacité comme de leur équité différentielle. On ne peut toutefois se satisfaire de cette première description, tant il est vrai que les inégalités scolaires relèvent de mécanismes complexes, que seule une approche analytique peut éclaircir. Les inégalités sociales par exemple ne sont pas indépendantes d’autres inégalités – liées au genre, au statut migratoire, etc.- dont on peut questionner l’influence respective sur les compétences des élèves. Mais une approche analytique des inégalités peut aussi apporter des éléments d’analyse sur la comparaison entre systèmes éducatifs cantonaux en testant l’hypothèse d’effets de composition. Les scores moyens par canton ne sont en effet que la somme des compétences individuelles qui dépendent aussi, on le sait, des caractéristiques des individus. Or, si l’on veut comprendre l’efficacité différentielle des systèmes éducatifs cantonaux, il nous faut prendre en compte la nature du public de chaque canton.
Le tableau 2 procède d’une analyse de régression (General Linear Model) qui considère simultanément cinq variables dont on sait qu’elles agissent de façon significative sur les compétences en mathématiques. Il s’agit du niveau socioéconomique, du statut migratoire, de l’âge, du canton et du genre. Comment, et à quel degré, ces cinq dimensions influencent-elles les scores des élèves en mathématiques ? La réponse est donnée par la part de variance expliquée par chaque variable dans le modèle de régression. Lorsqu’on considère simultanément ces cinq variables, la plus explicative, et de loin, est l’index socioéconomique des élèves. Toutes choses égales par ailleurs, l’ESCS explique plus de 10
% des scores en mathématiques, loin devant le canton (5,1 %), le statut migratoire (4,7 %), le genre (3,1 %) et l’âge (3 %). Un point de plus sur l’échelle de statut socioéconomique implique près de 27 points de plus aux tests Pisa. Sans surprise, les inégalités scolaires en Suisse obéissent donc aux mêmes lois que dans les autres pays : le niveau socioéconomique a, toutes choses égales par ailleurs, un poids déterminant dans la définition des apprentissages et des parcours scolaires.
Le statut migratoire, bien que moins explicatif de la variance, a un effet très fort sur les scores. Les « natifs »5 ont en moyenne 52 points de plus que les migrants de première génération, et ceci toutes choses égale par ailleurs, c’est-à-dire en neutralisant les effets du niveau social notamment. Le genre est aussi significatif avec de moindres compétences en mathématiques pour les filles (- 28 points environ). Dans les autres domaines de connaissance testés par Pisa (et notamment en lecture) les inégalités sont au détriment des garçons, ce qui laisse penser que les stéréotypes genrés gardent un poids très fort dans la définition des parcours et des acquisitions scolaires. Enfin l’âge des élèves est corrélé négativement aux compétences : plus les élèves sont précoces, plus ils sont performants en mathématiques et inversement pour les plus âgés. Nous reviendrons à cet effet de l’âge individuel à propos des inégalités cantonales de réussite.
5 La variable « natif » est définie ici en fonction de la variable « Country of birth » de Pisa. Trois catégories sont définies dans cette dernière variable : natif (né suisse de parents nés en suisse), deuxième génération (né en suisse de parents né hors de suisse) et première génération (né hors de suisse de parents nés hors de suisse). Notre variable « Natif » code 1 les natifs et 0 les premières et deuxièmes génération.
TABLEAU 2 : Part de variance des scores en mathématiques expliquée par chaque variable (Modèle de régression)
Part de variance expliquée par la variable (r2)
Coefficient et erreur standard Index socioéconomique
10,3 % 26,5 (0,33)
Canton
Argovie Berne al Berne fr Fribourg Genève Jura Neuchâtel Saint-Gall Tessin Thurgovie Valais al Valais fr Vaud Zurich
5,1 %
10,9 -8,2 -9,3 16,1 -42,9 -10,6 -22,1 23,9 -43,9
22,5 19,3 -3,58 -21,3
(1,24) (1,10) (3,05) (1,76) (1,55) (2,93) (2,04) (1,30) (1,65) (1,61) (2,68) (1,88) (1,20) Réf.
Statut migratoire
Natif 2ème génération 1ère génération
4,7 %
52,0 19,5
(1,07) (1,42) Réf.
Genre
Femme Homme
3,1 %
- 27,8 (0,65) Réf.
Âge 3,0 % - 15,37 (0,37)
r2 du modèle : 25 %
Qu’en est-il des inégalités entre cantons ? Lorsqu’on neutralise l’effet des caractéristiques individuelles des élèves, on observe que les scores restent contrastés d’un canton à l’autre. Toutes choses égales par ailleurs et comparés au canton de Zurich, Genève et le Tessin ont des scores très faibles (plus de 40 points en moins, ce qui est considérable), alors que Thurgovie et Saint-Gall font bien mieux (plus 20 points). À la lumière de ces résultats, nous pourrions en conclure que certains cantons sont plus efficaces que d’autres soit en raison de la qualité de leur organisation scolaire, soit en relation avec des pratiques éducatives propres à leurs « traditions cantonales ». En effet, les cantons alémaniques font globalement mieux que les cantons romands et une revue de la littérature montre qu’aucune variable présente dans les enquêtes Pisa n’explique pour l’instant ces contrastes. Ces résultats tendraient à montrer qu’il ne s’agit pas d’un effet de composition (c’est-à-dire d’effets liés à la nature du public scolaire de chaque canton), mais plutôt d’un effet de « contexte » au sens où chaque système éducatif cantonal, par sa forme et ses caractéristiques propres, tendrait à produire un niveau de compétence donné. C’est l’hypothèse explorée par l’équipe Monitorage de l’éducation en Suisse (OFS-CDIP, 2005) dont le propos est de raisonner sur les liens entre les caractéristiques des systèmes éducatifs cantonaux et leur niveau de performance et d’inégalité. Or, la mise en relation notamment des modes de répartition des élèves dans différentes filières et les performances moyennes par cantons ne donne pas de réponse définitive à la question de savoir quelles sont les caractéristiques des systèmes qui permettraient de rendre compte des inégalités cantonales de performances des élèves. Le rapport conclut sur ce point en disant que « les analyses effectuées ne permettent pas d’apporter une réponse claire à cette question, mais tout au plus d’émettre des hypothèses » (p. 133). L’une de ces hypothèses concerne l’âge
moyen des élèves dans chaque canton : on observe en effet des différences notables de ce point de vue, liées à l’âge d’entrée à l’école primaire. Toute la question revient alors à tenter de construire des analyses qui permettent de rendre compte de ces différences cantonales, non pas au niveau individuel – comme dans la régression présentée au tableau 2 - mais au niveau agrégé (âge moyen des élèves par canton). Une possible solution à notre « énigme » serait donc de repenser le niveau d’analyse à partir duquel nous raisonnons.
2. Comment expliquer les inégalités entre cantons ? Les paradoxes de l’âge Ces données méritent donc d’être examinées plus avant pour tenter d’apporter de nouveaux éléments et rendre compte des sources de ces inégalités cantonales. Notre hypothèse est que ces différences de scores sont effectivement le résultat du fonctionnement des systèmes éducatifs cantonaux, mais pas au sens où on l’entend communément. Pour des raisons diverses, et notamment d’âge d’entrée dans le système éducatif en fonction du mois de naissance, les élèves de chaque canton se distinguent fortement selon leur âge moyen. Or, les modèles de régression habituellement utilisés pour
« neutraliser » ces différences de composition du public scolaire ne parviennent pas à neutraliser ces différences d’âge. En effet, cette variable mesure ici deux phénomènes opposés selon que l’on considère le niveau individuel de l’élève (on mesure alors le retard scolaire lié à la nature des parcours), ou le niveau agrégé (qui renvoie à l’âge moyen des élèves de 9ème). Dans le premier cas, l’âge varie de façon inverse des compétences (les plus âgés sont les moins performants car ils sont scolairement en retard) alors que dans le deuxième cas, les plus âgés sont plus performants que les plus jeunes (leur maturité intellectuelle est plus affirmée).
On est donc ici dans les « paradoxes de l’âge » dont les conséquences contradictoires rendent difficile la production d’analyses « toutes choses égales par ailleurs ». On peut formuler le problème en d’autres termes : l’âge n’a pas les mêmes conséquences au niveau individuel et au niveau collectif. Ses effets individuels renvoient, au sein même d’un système éducatif donné, à la diversité des parcours scolaires liée à la réussite ou à l’échec scolaire.
Les plus jeunes sont donc en moyenne meilleurs que les plus âgés à un niveau de scolarité donné, dès lors que l’âge reflète la précocité ou au contraire le retard dans les acquisitions.
Les effets agrégés de l’âge sont tout autres, puisque certains systèmes scolarisent leurs élèves plus tardivement que d’autres, sans pour autant que leur âge relativement avancé pour un niveau de scolarité donné, ne soit un quelconque reflet d’un retard scolaire. On voit donc bien la nécessité, dans le cadre de cette analyse, de raisonner aux deux niveaux à la fois : au plan individuel (comme présenté au tableau 2) et au plan collectif. C’est donc typiquement un cas où l’analyse multiniveau (Bressoux, 2008) est requise dès lors que l’on soupçonne des effets différenciés des variables en présence au niveau individuel et collectif.
Il nous reste donc à mesurer tout à la fois l’ampleur et les conséquences de ces effets agrégés sur les scores moyens des élèves par canton.
Pour cela, nous donnons dans un premier temps (tableau 3) quelques caractéristiques de la population de chaque canton et des mesures d’association entre variables.
TABLEAU 3 : Les caractéristiques agrégées de l’échantillon des élèves de 9ème par canton
Canton
Proportion de filles
Niveau socio économique
moyen
Proportion d’élèves
natifs
Âge moyen des élèves6
Score moyen en mathématiques
Argovie 48,7 -0,10 79,1 16,0 543
Berne al 49,4 -0,16 87,4 15,8 530
Berne fr 50,2 -0,50 80,3 15,7 528
Fribourg 51,7 - 0,005 85,1 15,7 559
Genève 51,3 0,26 54,2 15,2 508
Jura 52,6 0,05 88,5 15,6 539
Neuchâtel 51,7 0,13 76,2 15,5 527
Saint-Gall 50,1 -0,27 78,8 16,0 550
Thurgovie 49,4 -0,28 80,2 15,9 551
Tessin 48,6 0,01 71,3 15,1 510
Vaud 51,3 0,20 74,6 15,6 524
Valais al 59,6 -0,26 88,7 16,0 549
Valais fr 50,6 0,11 80,2 15,4 549
Zurich 47,6 0,02 73,4 15,8 536
Ensemble 49,6 -0,02 78,0 15,7 535
Mesure d’association* 0,033 0,025 0,147 0,169 0,023
* Il s’agit, pour le sexe et le statut migratoire du V de cramer. Pour les autres variables, nous utilisons l’eta2. Chacune de ces mesures se lit comme un coefficient de détermination. Lire ainsi : En Argovie, 48,7 % des élèves de l’échantillon Pisa 2003 sont des filles, le niveau socioéconomique moyen est de -0,1, 79,1 % des élèves sont natifs, ils ont 16 ans en moyenne et leur score moyen est de 543.
Les cantons accueillent des populations scolaires contrastées tant du point de vue socioéconomique que du point de vue migratoire et de celui de l’âge. Ces deux dernières variables sont celles qui distinguent le plus les cantons avec des coefficients de détermination de 0,147 et 0,169 respectivement. Toutefois, ces deux variables ne présentent pas les mêmes difficultés des points de vue analytique et interprétatif. Le statut migratoire (être natif de la première ou de la deuxième génération d’immigration) influe sur les scores en mathématiques de façon univoque, quel que soit le niveau considéré. Du point de vue individuel comme du point de vue agrégé, les natifs ont toujours de meilleurs résultats comparés aux élèves immigrés de première et de deuxième génération. De même, les cantons qui ont le plus petit nombre d’immigrés sont aussi ceux dont les scores bruts sont les plus élevés (la corrélation entre les deux séries de données par canton est de 0,68).
Pour l’âge, il en va tout autrement. Si cette variable indique un retard scolaire ou une précocité dans le parcours, elle varie de façon inverse des scores, y compris toutes choses égales par ailleurs, comme le montre le tableau 2 : la « pente » associée à cette variable est de – 24, ce qui signifie qu’une année d’âge en plus pour un élève implique 24 points en moins en mathématiques. Dans ce cas, la corrélation entre ces deux variables est négative et très significative. Il en va tout autrement au niveau agrégé où l’âge moyen indique un temps de maturation différencié pour les élèves qui évoluent dans des systèmes qui ne le sont pas moins du point de vue de l’âge d’entrée à l’école. La maturité intellectuelle et cognitive est alors l’atout des plus âgés comparés aux plus jeunes. C’est ce qu’indiquent les résultats du tableau 3 : les élèves à Genève et dans le Tessin ont en moyenne 15 ans en 9ème. Ils ont donc une année de moins par rapport aux élèves d’Argovie et de Thurgovie qui ont 16 ans en moyenne. Non pas parce que ces derniers ont redoublé plus souvent, mais parce qu’ils sont rentrés plus tardivement à l’école et bénéficient ainsi d’une maturité intellectuelle que n’ont pas encore les élèves des cantons romands. En considérant les
6 Nous présentons ici l’âge des élèves de façon « brute » c’est-à-dire quantifiée en nombre d’années.
Dans les analyses qui suivent, et pour des raisons de cohérence des modèles multiniveaux, l’âge sera une variable centrée et réduite de moyenne « 0 » et d’écart type « 1 ».
données agrégées par canton (graphique 1), le coefficient de détermination des scores par l’âge moyen est de 0,5 ce qui indique une très forte corrélation positive entre ces deux variables. Une corrélation n’implique pas nécessairement une causalité, mais il s’avère que plus l’âge moyen des élèves dans chaque canton est élevé, plus les scores moyens sont élevés. Mais au niveau individuel, cette relation s’inverse : plus les élèves sont âges, moins leurs scores sont élevés.
Graphique 1 : Âge moyen par canton et scores en mathématiques
On est donc dans un cas typique « d’effet de structure » qui se manifeste par une relation négative entre l’âge et les compétences en mathématiques au niveau individuel et une relation positive entre ces deux variables au niveau agrégé. Cette inversion du sens de la corrélation peut laisser perplexe tant elle est contre-intuitive. Pourtant, il s’agit là d’un problème classique de la statistique que W. Robinson (1950) a développé dans un article intitulé « Ecological correlations and the behavior of individual ». Il montre notamment que l’ecological correlation entre l’illettrisme et de la proportion de Noirs dans les États américains est très élevée (.946) alors qu’en considérant les données individuelles, cette corrélation n’est que de .203. Il en conclut que ces deux mesures ne sont pas substituables et que l’on ne peut déduire les comportements individuels d’une corrélation sur des données agrégées. Dans le cas de nos données, nous aboutissons à des contrastes encore plus marqués, puisque les deux corrélations (écologique et individuelle pour reprendre le vocabulaire de Robinson) sont de signes différents. On est alors dans le cas d’un « effet see- saw » (Bressoux 2008, p. 275) qui montre simplement que les deux variables (l’âge individuel et l’âge agrégé par canton) ne mesurent pas la même chose. D’où l’impossibilité des modèles de régression habituellement utilisés à la neutraliser de façon adéquate.
À ce stade de notre raisonnement, il devient nécessaire d’étayer à partir de données empiriques et de résultats robustes ces premières pistes descriptives et interprétatives. Nous
sommes alors confrontés à une question de méthode : comment prendre en compte dans l’analyse les conséquences de l’âge moyen des élèves par canton et plus généralement les politiques scolaires qui influent directement sur l’âge des élèves dans chaque système éducatif ? On peut en effet raisonner de la façon suivante : les élèves de Genève et du Tessin ont des scores inférieurs en moyenne d’environ 30 points par rapport à la moyenne de la Suisse. Et leur « handicap » atteint plus de 40 points si on les compare aux cantons dont les scores sont les plus élevés. Toutefois, ayant 0,7 an de moins que la moyenne des élèves de l’échantillon, quels seraient leurs scores s’ils avaient l’âge moyen et donc une maturité intellectuelle plus importante qu’au moment du test ? À n’en pas douter, ils seraient supérieurs par le fait des apprentissages acquis en une année de scolarité supplémentaire.
Comment alors comparer ce qui est comparable, c’est-à-dire des cantons dont les caractéristiques du public selon l’âge seraient similaires ?
On voit que le problème qui nous préoccupe concerne des effets de contexte liés à la nature même des systèmes éducatifs cantonaux, sans que l’on puisse imputer de façon mécanique ces résultats à « l’efficacité » de ces systèmes puisqu’il ne s’agit en fin de compte que de différences liées à l’âge d’entrée à l’école. Classiquement, ces effets de contexte doivent être étudiés par des analyses multiniveaux (Bressoux, 2008) conçues pour rendre compte de l’influence du contexte sur les pratiques sociales en évitant les effets de structure évoqués plus haut. Nous avons donc considéré les caractéristiques des élèves (âge, sexe, index socioéconomique, statut migratoire), les caractéristiques d’âge moyen par canton, pour expliquer leurs scores en fonction du contexte créé par les particularités du système éducatif cantonal dans lequel ils sont scolarisés. Les résultats des différents modèles sont consignés au tableau 4.
Tableau 4 : Modèles multiniveaux expliquant les scores en mathématiques des élèves suisses scolarisés en 9ème
Paramètres
Modèle 1
(Modèle vide) Modèle 2 Modèle 3 Modèle 4
Modèle 5 Avec effet aléatoire de
l’index socioéconomique. Effets fixes
Constante Âge moyen par canton Age Filles Non natifs Index ESCS
537,6 (3,96) 542,38 (3,03) 23,65 (6,13)
542,3 (3,03) 45,25 (6,16) -21,5 (0,40)
566,2 (3,0) 42,7 (6,05) -16,04 (0,36)
-27,7 (0,65) -44,5 (0,82)) 26,6 (0,331)
566,6 (3,03) 42,2 (6,11) -16,1 (0,36) -27,9 (0,65) -44,4 (0,82) 23,28 (1,72) Effets aléatoires
Niveau 2 (Canton) Variancedes constantes
Variance des pentes
216,3 (82,9) 103,4 (40,22) 104,1 (44,43) 100,8 (38,9) 102,6 (35,8) 38,4 (15,4) Niveau 1 (individus)
Variance inter élèves 7858,6 (46,98) 7858,6 (46,98) 7474,1 (44,68) 6067,4 (36,08) 6024,7 (35,8)
-2 log V 660806 660796 657989 653310 652952
Part de variance totale expliquée par le canton (Rho*100) 7
2,7 1,3 1,4 1,6 1,7
Pseudo r2niveau 1 Pseudo r2 niveau 2
0 0
0 0,522
0,049 0,519
0,227 0,534
0,233 0,525
Les analyses multiniveaux distinguent les effets des caractéristiques individuelles des élèves (le niveau 1) et ceux du contexte dans lequel ils sont scolarisés (le niveau 2). Les
« effets fixes » se lisent de la même façon que dans une analyse de régression classique.
Par exemple le coefficient 23,65 associé à l’âge moyen8 dans le modèle 2 signifie que lorsque cet âge moyen augmente d’une unité (ici un écart type) le score en mathématiques s’en trouve augmenté de 23,65 points. Dans le modèle 3, nous testons en plus l’effet de l’âge individuel des élèves. Son effet est négatif : un écart type de plus au niveau de l’âge individuel implique en moyenne 21,5 points en moins. On peut donc « prédire » les scores des individus en fonction de l’âge moyen dans leur canton et de leur âge individuel de la façon suivante :
Score = constante (542,3) + a * 45,25 + b * (-21,5)
Sachant que l’âge moyen à Genève est égal à – 1 écart type, un élève qui a l’âge normal9 aura le score suivant : 542,3 – (1*45,25) + (0* (-21,5)) = 542,3 – 45,25 = 497,05
7 Le Rho se calcule simplement en divisant la variance de niveau 2 par la variance totale (niveau 1 + niveau 2). Ce qui nous donne 216,3 / (7858,6 + 216,3) = 0,027
8Cette variable a été normalisée pour ne pas introduire de biais lié à l’échelle elle-même.
9Il s’agit de l’âge moyen standardisé pour l’ensemble de la Suisse, soit 0 (15,7 ans)
Le modèle 3 démontre empiriquement l’effet see-saw de la variable « âge ».
Lorsqu’elle est mesurée au niveau individuel, elle produit un effet négatif sur les scores (- 21,5 points) : les meilleurs élèves sont les plus précoces et les plus âgés sont les plus faibles, comme on peut l’observer dans les enquêtes Pisa internationales (OCDE, 2004 ; 2007). Au niveau agrégé, l’effet de l’âge est positif (+ 45,25 points) car il mesure les politiques éducatives d’admission des élèves à l’école. Les élèves en moyenne les plus âgés font preuve d’un mûrissement intellectuel et de compétences supérieures aux plus jeunes.
Le modèle 4 mobilise d’autres variables individuelles dont les effets se lisent de façon similaire. Toutes choses égales par ailleurs, les filles ont un score inférieur de 27,7 points, les non natifs un score inférieur de 44,5 points par rapport aux natifs et un point de plus sur l’index économique social et culturel implique 26,6 points de plus en mathématiques. Ainsi, le genre, le statut migratoire et l’index socioéconomique n’expliquent pratiquement rien des différences de scores entre cantons, mais ils ont en revanche un poids non négligeable pour rendre compte des différences de scores au niveau individuel.
Pour ce qui est des « effets aléatoires », la lecture est quelque peu différente puisque l’on raisonne en termes de part de variance expliquée par le niveau 2 et non en termes de coefficient de régression. D’où l’intérêt du modèle 1 (dit modèle « vide », c’est-à-dire n’incluant aucune variable indépendante). Il permet une décomposition de la variance des scores entre le niveau individuel (niveau 1) et le niveau cantonal (niveau 2). On se demande donc simplement ce que doivent aux systèmes cantonaux (le niveau 2) les performances en mathématiques des élèves. Sans surprise, il apparaît que le canton a un poids faible sur la définition de ces scores puisqu’il n’explique que 2,7 % de la variance10. Mais plus encore il apparaît que plus de la moitié des différences de performances entre cantons (pseudo r2
=0,522) est déterminée par l’âge moyen des élèves (la « variance des constantes » passe de 216 à 103 entre le modèle 1 et le modèle 2).
À ce stade de l’analyse – et avant d’interpréter les résultats du modèle 5 - nous pouvons répondre à notre première question : Quid des inégalités cantonales ? Le graphique 2 est construit à partir du modèle 4 du tableau 4. Il donne les scores résiduels11 des élèves par canton, compte tenu des variables mobilisées dans le modèle. En effet, nous avons vu qu’une part non négligeable des inégalités cantonales est le résultat de la nature du public d’élèves qui y sont scolarisés et des politiques de scolarisation qui définissent des âges contrastés d’entrée à l’école. Certains cantons ont des flux migratoires très importants liés à leur caractère international, comme pour Genève ou Zurich. Certains ont des élèves en moyenne âgés de 16 ans, d’autres de 15 ans, etc. Pour comparer les systèmes éducatifs cantonaux toutes choses égales par ailleurs, nous avons calculé l’attendu des scores en mathématiques de chaque canton compte tenu de l’âge individuel et agrégé des élèves, de leurs caractéristiques socioéconomiques, de leur lieu de naissance et de leur distribution en fonction du genre. Cet attendu correspond, sur le modèle des indicateurs de performance des lycées calculés par la DEPP en France (Meuret, 2000 ; Felouzis, 2005), aux scores que l’on devrait observer dans chaque canton compte tenu de la nature de leur public. Il s’agit donc d’un attendu « base Suisse » que l’on comparera aux scores effectivement obtenus par les élèves pour obtenir le score résiduel ou « valeur ajoutée » des cantons. L’apport d’une telle mesure est de comparer chaque canton en fonction de la moyenne Suisse et donc de
10 Les modèles multiniveaux neutralisent la variance d’échantillonnage, ce que ne font pas les modèles standard par les moindres carrés. D’où la différence observée dans nos résultats entre le tableau 2 et le tableau 4. Il s’agit ici de la « part de variance vraie » (Bressoux, 2008, p 293 et ss)
11 L’approche par les scores résiduels est basée sur l’analyse de régression. Il s’agit de calculer la différence entre les scores prédits par l’analyse de régression (attendu) et les scores effectivement obtenus (observé). L’intérêt de cette démarche est de permettre la comparaison des scores « toutes chose égales par ailleurs », c'est-à-dire en contrôlant l’effet des caractéristiques des individus et de leur environnement.
qualifier chaque système cantonal en fonction de ses conséquences sur les acquis des élèves. Le score résiduel de chaque système éducatif cantonal peut être soit positif – les compétences des élèves sont alors plus élevées que ne le laisse penser la nature du public d’élèves - soit négatif.
Graphique 2 :
Scores résiduels par canton compte tenu des caractéristiques des élèves (Résidus fixes du modèle multiniveau 4, tableau 4)
Lire ainsi : Compte tenu des variables mobilisées dans le modèle multiniveau, Berne alémanique fait moins bien que l’attendu avec un score de -15.
Les scores résiduels bouleversent quelque peu la hiérarchie académique des systèmes éducatifs cantonaux. Alors que le Tessin et Genève se présentaient comme les cantons les moins « performants » de la confédération, ils occupent ici, compte tenu de la nature de leur public, une place médiane avec – 5,5 pour Genève et – 3 pour le Tessin. Cela signifie que toutes choses égales par ailleurs les élèves de ces deux cantons ont des scores inférieurs de 5,5 et de 3 points sur une moyenne de 535. Parmi les cantons les plus performants selon les scores bruts, Fribourg et le Valais francophone gardent des performances très élevées (leurs élèves ont entre 15 et 20 points de plus que l’attendu).
Mais c’est moins le cas de Thurgovie et Saint-Gall qui gardent certes des scores résiduels positifs, mais bien plus faibles que ne le laissaient penser leurs scores bruts. On touche là un point important qui trouve d’ailleurs une parfaite illustration dans la comparaison entre les deux parties du Valais : les scores bruts de ces deux aires linguistiques sont identiques et élevés (549), mais l’âge moyen des élèves y est très contrasté (16 ans dans la partie alémanique et 15,4 ans dans la partie francophone)12. Si l’âge moyen des élèves de ces deux parties du Valais était identique, on aurait donc des scores très différents avec une valeur ajoutée de presque 20 points pour la partie francophone et zéro pour la partie
12 Si l’on considère l’âge standardisé, comme utilisé dans les modèles de régression, cela correspond à + 0,36 pour le Valais alémanique et – 0,65 pour le Valais francophone. Donc un écart-type de différence d’âge entre les deux cantons, ce qui est considérable.
-20 -15 -10 -5 0 5 10 15 20
BE-al VD BE-fr ZH AG GE NE TI VS-al JU SG TG FR VS-fr
alémanique. Enfin, les cantons qui font le moins bien sont Berne alémanique, Vaud, Berne francophone, Zurich et Argovie.
Ces premiers résultats ouvrent, bien entendu, de nouvelles interrogations. Si nous sommes parvenus à donner une mesure plus fiable et plus subtile des performances de chaque système cantonal par l’analyse multiniveau, encore faut-il rendre compte de ces différences et en expliquer l’ampleur. Sont-elles imputable à la nature même des systèmes éducatifs qui prévalent dans chaque canton ? Qu’est-ce qui, à Fribourg ou à Berne, à Zurich ou dans le canton de Vaud explique ces scores résiduels ? Il faut pour cela mobiliser d’autres éléments explicatifs que ceux inclus dans les analyses de données du tableau 4.
Cette question de première importance trouvera quelques réponses dans la dernière partie de ce texte.
Pour l’instant, centrons-nous sur le modèle 5 du tableau 4. Il s’agit d’une régression multiniveau avec effet aléatoire de l’index socioéconomique. On se questionne donc non seulement sur les scores moyens par canton (c’est-à-dire la variance des constantes) mais aussi sur l’effet différencié de l’index socioéconomique sur les scores dans chaque canton (c’est-à-dire sur la variance des pentes). Et de fait, nous avons montré au tableau 1 que les inégalités sociales n’avaient pas le même poids dans la définition des scores au sein de chaque canton. Ici, l’analyse multiniveau montre que la variance des pentes est significative (la variance est de 38,4 pour une erreur type de 15,4). Certains systèmes cantonaux sont donc, toutes choses égales par ailleurs, plus inégalitaires que d’autres. Le graphique 3 en donne une illustration assez parlante en montrant comment l’effet de l’index socioéconomique agit de façon différentielle selon le canton. La hauteur de la droite indique le score moyen simulé par l’analyse multiniveau compte tenu des caractéristiques du public d’élèves par canton. Les pentes des droites indiquent l’effet différencié de l’index socioéconomique sur les compétences des élèves. L’entrecroisement des droites signifie que cet index n’a pas un effet similaire sur les scores des élèves dans chaque canton. Plus la pente est ascendante, plus les scores des élèves sont marqués par les inégalités sociales.
Par soucis de lisibilité, nous avons distingué quelques droites typiques qui donnent à voir l’ampleur plus ou moins marquée des inégalités sociales à l’école.
Les droites discontinues correspondent à des cantons peu marqués par les inégalités sociales. Ces droites sont peu pentues, ce qui indique des inégalités sociales relativement faibles. Il s’agit de Fribourg et du Jura dont les systèmes éducatifs ne présentent pas les mêmes caractéristiques organisationnelles. Dans le premier, les élèves sont répartis dans trois filières homogènes en fonction du niveau d’exigence (élevé, moyen et faible), alors que dans le Jura, il n’y a pas de filières homogènes, seulement des regroupements d’élèves par groupe de niveau dans les matières principales. Ces deux systèmes très contrastés sont pourtant très proches du point de vue des inégalités sociales : Fribourg, dont la valeur ajoutée est forte et positive, est aussi le canton le plus égalitaire avec le Jura. C’est dans ces deux cantons que les élèves les plus défavorisés (entre – 2 et – 3 écart-types sur l’index socioéconomique) ont les meilleurs scores, alors que ceux issus de milieux les plus aisés (entre + 1 et + 2 écart-types) ont des scores certes élevés mais bien moins que leurs homologues d’autres cantons.
Graphique 3 : Des systèmes éducatifs cantonaux plus inégalitaires que d’autres (Source : Modèle multiniveau 5, tableau 4)
Zurich est le canton produisant le plus de contrastes entre élèves en fonction de leur niveau socioéconomique : les élèves les plus défavorisés y ont les scores les plus faibles de la confédération, alors que les élèves très favorisés ont les scores parmi les plus élevés.
Genève, pour sa part, est moins inégalitaire, mais les scores estimés sont faibles pour les raisons évoquées plus haut, liées à la jeunesse relative de ses élèves en 9ème. Lorsqu’on considère la valeur ajoutée du canton – c’est-à-dire la différence entre le score estimé et le score réel - le canton genevois, comme le tessinois, sont loin d’être les moins performants.
En définitive, la mise en œuvre de modèles multiniveaux a permis d’établir trois résultats essentiels.
Le premier est que la nature des performances des systèmes éducatifs cantonaux ne sont pas ceux que l’on croit. Les comparaisons brutes, mais aussi les comparaisons « toutes choses égales par ailleurs » qui ne prennent pas en compte les caractéristiques d’âge moyen des élèves par canton, restent incapables de décrire la réalité scolaire en Suisse.
Cela provient, bien entendu, de la nature du sur-échantillon suisse Pisa qui considère les élèves à un niveau donné de scolarisation (la classe de 9ème) et non pas à un niveau d’âge (15 ans dans les échantillons internationaux Pisa). Mais cela provient aussi des spécificités suisses, dont l’une des principales est que l’enseignement primaire et le cycle obligatoire sont des compétences cantonales et non pas fédérales. De ce fait, les contrastes sont tels qu’en comparant les moyennes brutes par canton, on compare les performances d’élèves de 15 ans d’un côté et de 16 ans de l’autre.
Le deuxième résultat est que l’évaluation des performances des systèmes éducatifs cantonaux s’en trouve nettement chamboulée. En prenant en compte l’âge moyen des élèves par canton, et les caractéristiques individuelles des élèves, on aboutit au fait que les systèmes éducatifs les plus performants sont ceux du Valais francophone, de Fribourg, de Turgovie et de Saint-Gall. Les systèmes les moins performants sont ceux de Berne, Vaud et
Zurich. Les cantons de Genève et du Tessin gardent une position moyenne du point de vue des performances de leurs élèves, bien que Genève ait un score résiduel négatif.
Le troisième résultat concerne les inégalités sociales de performance. L’analyse multiniveau a montré qu’elles n’avaient pas la même ampleur dans tous les cantons et que certains étaient plus équitables que d’autres. On pourrait traduire cette assertion en disant que certains cantons sont très efficaces pour les élèves les plus favorisés, alors que d’autres le sont aussi pour les moins favorisés. Zurich et Genève sont dans le premier cas, Fribourg et le Jura dans le second.
Sur la base de ces résultats de recherche, nous pouvons entreprendre la deuxième étape de notre raisonnement : celle de l’explication des phénomènes observés. Si certains cantons sont plus efficaces et plus équitables que d’autres « toutes choses égales par ailleurs », il nous faut en rendre compte du point de vue des systèmes éducatifs qui y prévalent. De ce point de vue, la diversité suisse en matière de systèmes éducatifs constitue un véritable « laboratoire des systèmes scolaires » dont on peut comparer les mérites respectifs. De façon plus concrète, nous interrogerons la nature des systèmes éducatifs cantonaux dans leur capacité à produire des compétences plus ou moins élevées et une répartition de ces compétences plus ou moins équitable entre des élèves de milieux sociaux contrastés. En d’autres termes nous entreprenons de raisonner sur les sources de l’efficacité et de l’équité en éducation à partir de l’espace académique Suisse.
3. Ségrégation des filières et production des inégalités
La recherche en sociologie de l’école s’est attaché à définir les conditions institutionnelles des inégalités sociales. Depuis les années 1960, tant aux Etats-Unis (Coleman et al., 1966 ; Jencks, 1979) qu’en France (Baudelot & Establet, 1971 ; Boudon, 1974), différents travaux ont pu montrer les liens étroits qui unissent inégalités sociales et différenciation précoce des systèmes éducatifs. Les analyses des enquêtes Pisa ne montrent pas autre chose : plus les systèmes éducatifs sont différenciés (socialement, scolairement, etc.) plus les inégalités sociales sont marquées dans un pays donné (Mons, 2007 ; Demeuse et Baye, 2008 ; Monseur et Crahay, 2008). On peut ajouter que les sources institutionnelles de cette différenciation ne sont pas uniques. Certains systèmes éducatifs se différencient principalement par des filières – et proposent ainsi des formations contrastées à des élèves de niveau académique et de milieux sociaux différents. D’autres se différencient plutôt par les établissements dans un contexte de marchés scolaires. D’autres enfin sont très peu différenciés et scolarisent leurs élèves dans une seule filière et dans des établissements semblables jusqu’à la fin de la scolarité obligatoire (Felouzis, 2009).
Dans le cas de la Suisse, et au regard de nos premiers résultats, nous faisons l’hypothèse que l’ampleur différentielle des inégalités sociales en fonction du canton est le fruit de la répartition plus ou moins ségrégative des élèves dans des filières différenciées.
Notre objectif est ici de rendre compte des effets de chaque système éducatif cantonal. De ce fait, nous raisonnerons à partir de leurs caractéristiques agrégées, en considérant plusieurs indicateurs :
1. Notre objectif est d’abord d’expliquer l’ampleur des inégalités sociales d’acquisition dans chaque canton. Cette variable, qui évalue l’effet du niveau socioéconomique sur les performances en mathématiques, est mesurée par le coefficient de détermination des scores par l’index socioéconomique de chaque canton. Cette mesure est proposée au tableau 1. Nous la reprenons telle quelle ici.
2. Selon les principes que nous avons adoptés jusqu’ici, nous postulons que plus un système est socialement différencié, plus les inégalités sociales sont importantes. Nous considérons donc le degré de ségrégation sociale des filières dans chaque canton, c'est-
à-dire dans quelle mesure la filière suivie est liée au niveau socioéconomique. Cette variable est mesurée par l’Eta 2 entre la filière et l’index socioéconomique. Il s’agit d’un indice d’isolement classiquement utilisé en sociologie et géographie urbaine (Massey et Denton, 1995 ; Apparicio, 2000) pour mesurer les contacts entre différentes populations dans des unités spatiales
3. Le degré de ségrégation académique des filières dans chaque canton est calculé de la même façon (il s’agit de l’Eta 2 calculé entre le score en mathématiques et la filière). Cette variable évalue dans quelle mesure la filière suivie est déterminée par le score en mathématiques.
4. Egalement calculé grâce à l’Eta 2, l’ampleur du handicap scolaire des non natifs estime l’influence du statut migratoire (natif ou non natif) sur les performances en mathématiques
5. Le degré de ségrégation des migrants dans les filières, mesuré par le V de Cramer, permet de considérer à quel point le statut migratoire influe sur la filière suivie.
À ces cinq indicateurs, nous ajoutons le score résiduel du canton, calculé dans la partie précédente. Ce qui nous donne le tableau 5 qui met en regard l’ensemble de ces éléments. La question que nous posons est alors : l’ampleur des inégalités sociales est-elle dépendante du degré de ségrégation académique et sociale des filières ? Dépend-elle aussi du degré de ségrégation des élèves migrants ?
Tableau 5 : Efficacité et équité des cantons suisses. Quelques éléments de description.
Scores résiduels
Ampleur des inégalités sociales de performances
Ampleur du handicap scolaire des
non-natifs
Ségrégation sociale des
filières
Ségrégation académique des filières
Ségrégation des migrants dans filières
Argovie -7 16,4 13,4 20,3 49,5 27,9
Berne al. -15 9,9 5,2 21 38,6 15,1
Berne fr -9 10,4 5,4 11,6 37,2 16,5
Fribourg 16 4,6 4,7 9,4 24,7 14,4
Genève -6 11,7 6,8 9,8 28,6 18,4
Jura 0 5 2,1 12 30,8 14
Neuchâtel -4 12,5 5,4 16,5 34,5 18,1
Saint-Gall 5 16,2 13,3 22,9 48,4 31
Tessin -3 12,8 6,5 12,5 28,5 23,5
Thurgovie 10 10,1 11,2 18,2 50,5 28,6
Valais al -2 11,5 5,0 16,3 36,3 17,5
Valais fr 19 8,7 4,2 15,1 30,5 12
Vaud -14 10 4,8 19,4 41,7 17,4
Zurich -7 20,9 16,7 35,1 52,5 34,9
Lire ainsi : en Argovie, le score résiduel « toute chose égale par ailleurs » est de -7, le niveau socio-économique explique 16,4% de la variance des scores en mathématiques et le statut migratoire 13,4%. Dans ce canton, un élève à 20,3 % de chances d’être scolarisé dans la même filière qu’un autre élève de même milieu social ; 49,5 % de chance avec un élève de même niveau scolaire et 27,9 % avec un élève de même statut migratoire.
Quels sont les liens entre ces différentes mesures concernant les cantons de l’enquête ? Peut-on établir un lien entre l’état de la ségrégation sociale, académique et migratoire d’un côté et l’efficacité et l’équité de chaque système éducatif cantonal ? On peut dans un premier temps constater qu’il n’y a pas de lien direct entre les deux variables à expliquer : l’efficacité mesurée par les scores résiduels (la « valeur ajoutée ») issus du modèle de régression multiniveau d’une part et l’ampleur des inégalités n’entretiennent pas de relation linéaire, comme l’illustre le graphique 3. On observe plutôt une distribution qui
