analyse microéconométrique
Chokri Abdennadher, FSEG de Sfax -Tunisie- & Université de Toulouse 1, Rafika Azri, FSEG de Sfax -Tunisie
Résumé
L’objectif de cette contribution est de modéliser la durée du premier épisode de recherche d’emploi des diplômés de l’enseignement supérieur en France de la génération 2001 et donc leur insertion professionnelle. Le recours à des estimations des modèles de durées permet de conclure que cette dernière est expliquée par les caractéristiques individuelles et temporelles conjointement.
1. INTRODUCTION
Aujourd’hui, les jeunes constituent le groupe social immédiatement touché par l’économie d’intégration dans le marché du travail. En raison de leurs qualifications, les diplômés, qui sont en première ligne des changements de la société, représentent d’emblée le premier groupe (social) concerné par ce sujet (HAMEL, 2003).
Intégration ou insertion professionnelle des jeunes diplômés est donc une question de société, mais aussi de recherche. Étudiée depuis plus de trente ans en France, elle est souvent décrite comme un processus complexe et multiforme dont la mesure s’avère une tâche ardue et mobilise une imposante batterie de concepts et d’instruments tant théoriques qu’empiriques (e.g. job search, capital humain, signal, filtre, concurrence pour l’emploi, discrimination, matching, mismatching, diplômes, certification, politiques d’emploi, etc.) (COUPPIÉ &
MANSUY, 2004). Ceci n’est pas sans poser le problème d’une définition de l’insertion. Mais un consensus se dégage justifiant le choix des définitions par l’objectif du chercheur.
Le processus d’insertion professionnelle s’enchevêtre, on le sait, avec la théorie de la quête ; celle-ci vient expliquer les mécanismes et les variables affectant la recherche de l’individu dans un processus dynamique (MORTENSEN
& NAGYPÁL, 2007 ; SHIMER, 2006). De façon encore plus nette, la théorie de la quête permet d’analyser les déterminants des durées d’accès à l’emploi et leur impact sur le processus d’insertion professionnelle des jeunes diplômés.
Si les études récentes innovent quelque peu en étudiant l’impact de la recherche dans l’emploi sur les durées d’accès à l’emploi et par là même sur la qualité d’insertion des jeunes diplômés, un préalable à ce type d’exercice serait de modéliser les durées des premiers épisodes de recherche d’emploi. C’est l’objet de ce travail.
Du point de vue de la méthode, c’est une démarche à plusieurs niveaux qui a été utilisée pour tenter d’affermir le diagnostic. La description analytique et les tests empiriques ont été conduits à partir de données issues de l’enquête génération 2001 réalisée par le CEREQ1 en 2004.
Les modèles de durées constituent ici le point d’orgue de l’analyse en ce sens qu’ils fournissent le moyen d’évaluer la probabilité de sortie d’un état donné (e.g. le chômage). Plus précisément, nous modélisons ici l’activité de recherche d’emploi des jeunes diplômés de l’enseignement supérieur (GOURIEROUX, 1989). Mais, au travers de l’exercice économétrique, l’article se fixe aussi l’objectif d’évaluer les effets des facteurs déterminants de l’accès au premier emploi et donc de l’insertion. Cet exercice consiste à tester l’effet des caractéristiques individuelles (observables et non-observables) sur la probabilité de sortie du chômage, le modèle de référence étant le modèle de durée à hasard proportionnel.
Le plan du travail se décline de la façon suivante. La première partie décrit le modèle de référence et les problèmes méthodologiques inhérents. La deuxième partie est consacrée aux données utilisées ainsi qu’aux résultats et à leurs interprétations.
2. MODÈLE À HASARD PROPORTIONNEL
2.1La spécification économétrique du modèle
La présence de censure dans les données constitue souvent une source de difficulté dans l’analyse économétrique. Afin de mettre en évidence et de quantifier l’impact des principales caractéristiques individuelles sur les chances de sortie du chômage, nous nous appuierons sur le modèle à hasard proportionnel. L’originalité de ce de modèle, comme tout modèle des durées, réside dans son pouvoir d’autoriser le contrôle et la prise en compte systématique des données censurées dans les estimations.
Soient Ti une variable aléatoire continue positive, représentant la durée passée par l’individu i dans un état (chômage),Njle nombre d’individus dans
11Centre d'Études et de Recherches sur les QualificationsCentre d'Études et de Recherches sur les Qualifications..
la strate j, Xj un vecteur des variables exogènes xij relatives aux caractéristiques individuelles observables de l’individu i de la strate j, jun vecteur de paramètres associé àXj.
Ce modèle est caractérisé par l’hypothèse de séparabilité. En effet, la fonction de hasard relative au vecteurX j, se décompose en deux fonctions:
) , ( ) ( ) ,
( j 0j j j
j X t t X
Où 0j(t) : est la fonction de hasard de base. Elle représente le lien entre le hasard et la durée passée dans l’état.
) , (Xj j
: par construction, c’est une fonction non négative, elle est indépendante du temps. Elle représente le lien entre le hasard et les variables explicatives observées. Elle correspond aussi à une constante de proportionnalité entre les hasards j(Xj,t) et0j(t). Le plus souvent la forme exponentielle est choisie pour représenter cette constante.
) ' exp(
) ,
(Xj j Xj j
La fonction de hasard sera donc: j(Xj,t)0j(t)exp(Xj,j)
La fonction de suivie s’écrit alors :
) ) ( ) ' exp(
exp(
) ,
(X t X 0 0 u du
Sj j j j
t j2.2 Approches de régression 2.2.1
2.2.1 Modélisation non-paramétrique (Kaplan-Meier)Modélisation non-paramétrique (Kaplan-Meier)
L’estimateur fonctionnel intervenant dans les modèles des durées est l’estimateur de Kaplan-Meier, encore appelé estimateur actuariel. Il s’applique au cas de données de durées indépendantes, de même loi, il n’y a donc ni variables explicatives, ni hétérogénéité. Ces données peuvent éventuellement être censurées.
En générale, les estimateurs de Kaplan-Meier permettent d’étudier les données à travers les fonctions de risques et les fonctions de survie pour l’échantillon. Ils ont un rôle descriptif du fait qu’ils permettent d’avoir une représentation de la distribution des durées.
Soient les durées t1 < t2……. < ti ……< tk <
dij : les personnes de la strate j qui vont quitter l’état pendant ti.
mij : les personnes de la strate j qui ont des durées censurées dans l’intervalle [ti, ti+1].
nij : les personnes de la strate j soumises au risque.
nij = (mij+dij) + (m(i+1)j + d(i+1)j) + …+ (mkj + dkj)
L’estimateur de Kaplan-Meier se déduit de la maximisation du logarithme de la vraisemblance de l’échantillon.
La contribution individuelle à la vraisemblance totale de chaque state s’écrit : Lij ijdij(1ij)nijdij
L’estimation du logarithme de cette vraisemblance donne comme solution pour chaque ti :
ij ij
ij n
d
La fonction de survie estimée à la date t1 :
j j
j n
t d S
1 1
1) 1
ˆ (
Elle représente la proportion des individus de la strate j qui entrent dans un état et y reste à la date t1.
De même la proportion à la date t2.
j j j
j j
j j
j n
d n
d n
t d S t S
2 2 1
1 2
2 1
2) ˆ ( ) 1 1 1
ˆ (
Et de proche en proche on obtient :
ij
ij
n -d 1 )
ˆ (
t i t j
i
t
S
1-ij
t ti
L’approche non paramétrique permet de mettre en évidence certaines caractéristiques individuelles structurant des groupes sur la base de leur fonction de survie. Cette approche descriptive ne tient pas compte de l’effet conjoint de toutes les variables, ne quantifie pas et ne norme pas ces effets. Elle ne fait aucune hypothèse sur la forme de la relation entre les variables exogènes et la variable dépendante.
2.2.2
2.2.2 Modélisation paramétrique Modélisation paramétrique
Dans la modélisation paramétrique les distributions des durées observées pour les individus renvoient à des distributions théoriques connues. En pratique, diverses familles de lois de probabilités sont utilisées. Ces dernières se distinguent par leurs capacités à approcher diverses formes de fonctions de
hasard et par leurs simplicités d’emploi. Classiquement, les estimations sont réalisées par maximisation de la fonction de vraisemblance construite elle- même à partir de la fonction de hasard dont on fixera la famille.
Deux spécifications seront utilisées :
La spécification exponentielle dans laquelle la dépendance vis-à-vis du temps est d’abord supposée constante (0j(t) est constante) ;
La spécification Weibull à deux paramètres généralisant la loi exponentielle c’est la fonction Weibull(0j(t)t1).
Du fait que la procédure d’estimation par la méthode des moindres carrées (OLS) exclue les données censurées ce qui va entraîner un biais dans les estimateurs, la procédure d’estimation par le maximum de vraisemblance est donc le plus utilisé. Il conduit à un estimateur asymptotiquement convergent et efficace. La fonction de vraisemblance pour chaque strate s’écrit donc :
j
j i i
j i
N
j i
t d
ij j d
i ij j
j X t u X du
L 1
0 ,
exp(
) , ( )
(
Avec ij : l’individu i qui appartient à la state j et dij : indicateur de censure de la durée relative à l’individu i de la state j
La spécification exponentielle
La spécification exponentielle de la fonction de hasard suppose que le taux de sortie conditionnelle est indépendant de la durée, seules les variables Xi
expliqueront ce taux. En d’autre terme, la probabilité de sortie est constante quelque soit la durée, d’où on parle ainsi de la propriété d’absence de mémoire de la loi exponentielle.
Les diverses fonctions caractérisant cette loi :
i. La densité : fj(t)exp(Xj'j)exp(exp(Xj'j)t)
ii. La survie : Sj(t)exp(exp(Xj'j)t)
iii. Le taux de hasard : j(t)exp(Xj'j)
La spécification Weibull
La fonction de hasard dans cette spécification varie comme une puissance donnée du temps. Elle est soit monotone croissante (si 1) soit monotone
décroissante (si 1). La spécification de la dépendance vis-à-vis du temps est représentée par0j(t)t1.
Les fonctions caractérisant cette loi.
i. La densité : fj(t)t1exp(Xj'j)exp(texp(Xj'j))
ii. La survie : Sj(t)exp(texp(Xj'j))
iii. Le taux de hasard : j(t)t 1exp(Xj'j)
Correction de l’hétérogénéité
Le vecteur X doit en principe contrôler l’hétérogénéité des individus. On sait cependant que les sources d’hétérogénéité sont inévitables et nombreuses.
Si l’hétérogénéité n’est pas contrôlée par les variables explicatives utilisées dans les régressions, ceci peut induire des biais importants dans les estimations des paramètres d’intérêt.
Pour remédier à ce problème, l’idée est d’introduire dans les fonctions de hasard une composante prenant en compte l’hétérogénéité non observable. Cette hétérogénéité sera représentée par un terme aléatoire
, que l’on posera de moyenne unitaire (ce qui ne pose pas de problème si la fonction de hasard comporte une constante). Ce terme aléatoire est à la fois indépendant du vecteurX et des durées. Il a comme variance ²inconnue.
La fonction de hasard devient alors : j(Xj,t)0j(t)exp(Xj,j)j
On utilise souvent la distribution
comme spécification de la distribution de v notée g(.). On obtient donc ce qu’on appelle une distribution mixte.La vraisemblance du modèle pour chaque strate s’écrit :
ij ijN
j i
t
ij ij j d
ij i ij j
j X t u X du g d
L j ij i
j
) ( , , ) exp( , , * ( )
(
0
2.3Modélisation semi- paramétrique Modélisation semi- paramétrique (C(COXOX))
Cette approche se distingue par son pouvoir d’estimer la relation entre le taux de hasard et les variables explicatives sans mettre aucune hypothèse sur la forme de la fonction de hasard de base. Elle comporte à la fois des paramètres réels et des fonctions inconnues (d’où l’apparence des méthodes semi paramétriques prenant en compte ce double aspect).
COX (1972) a proposé une méthode d’estimation dejsans aucune spécification de 0j(t) en utilisant la méthode de vraisemblance partielle dont la durée est caractérisée au plus par un seul évènement. En d’autre terme, l’idée est de considérer la fonction de hasard de base 0j(t) comme un paramètre de nuisance à éliminer.
Soient y(1)j y(2)j ... y(n)j désignent les observations ordonnées des diverses variables éventuellement censurées dans la strate j, dijla variable indiquant si l’observation y(i)jest ou non complète ;
k j i j
j
i k y y
y
R( () ) : ( ) () est l’ensemble des individus encore présents dans la population de la strate j juste avant que celui associé à y(i)j ne disparaisse.
Sachant ceux encore présents, la probabilité que celui qui disparaît soit justement celui associé à y(i)j est :
( )
0 )
(
0 )
(
) (
) , , , (
) , , , (
j
yi
R k
j j j j k j
j j j j i j
X y
X y
Tout au moins si l’observation y(i)jest complète.
L’expression de cette probabilité conditionnelle peut être simplifiée et devient
) (
) (
) (
) exp(
) exp(
j
yi
R k
j j k
j j
X X
où X(i)jdésigne le vecteur des variables explicatives correspondant à y(i)jOn remarque que la fonction 0j inconnue a disparu.
La vraisemblance partielle est obtenue en faisant le produit sur les observations complètes de ces probabilités conditionnelles.
ij
j i j
d
y R k
j j k
j j N i
j ii j
pj
X
L X
) (
) ( ) ( 1
) (
) exp(
) ) exp(
(
L’estimateur du maximum de vraisemblance partielle de Cox est alors défini comme une solution jdu problème :
) (
) ( ) ( 1
pj
) (
) exp(
) )) exp(
( (L Log
j i j
j
y R k
j j k
j j i N
j i i
j i
j
X
Log X d
Max
3. L’ANALYSE EMPIRIQUE 3.1Les données
Le modèle est testé sur des données individuelles issues de l’enquête formation-emploi 2004 auprès de la génération 2001 réalisée par le CEREQ.
Cette enquête nationale est une enquête rétrospective sur 42 mois portant sur la période entre janvier 2001 et juin 2004. L’information recueillie mois par mois permet de reconstituer le début de la trajectoire de participation au marché du travail des individus enquêtés. Toutefois, dans le cadre de cette communication, seule la durée d’accès au premier emploi des diplômés de l’enseignement supérieur est utilisée, afin de la modéliser par le même expliquer leur première insertion. L’échantillon d’origine contient 13987 diplômés dont 8108 diplômés sont issus de l’enseignement supérieur
L’analyse statistique a été conduite en stratifiant la base par niveau de formation, dans un but de mettre en évidence et de quantifier l’impact des principales caractéristiques individuelles observables2 et non observables ainsi que temporelles pour l’explication des durées d’accès pour chaque niveau d’étude. Il est important de noter que la variable endogène (durée d’accès au premier emploi mesurée en mois) présente des problèmes de censure à droite (1,7% des données sont censurées).
3.2ESTIMATIONS ET RÉSULTATS 3.2.1 Analyse non-paramétrique
3.2.1 Analyse non-paramétrique
Le recours à l’estimation non-paramétrique permet d’approcher la forme empirique prise par le risque de sortie de l’état chômage, sans adopter une quelconque spécification de loi.
L’estimateur de Kaplan-Meier ne peut prendre en considération l’effet des caractéristiques individuelles qu’en décomposant la population étudiée en sous- populations suffisamment homogènes par rapport à ces caractéristiques.
2 Les caractéristiques observables sont celles qui figurent dans le tableau des estimations (cf.
annexe)
Figure 1 : Fonction de risque de Kaplan-Meier par niveau de formation
0.000.250.500.751.00Probabilité de sortie
0 10 20 30 40
Durée d'accès au premier emploi niveau = 1 niveau = 2 niveau = 3
Fonction de hasard par niveau
L’examen de ce graphique indique que la probabilité de trouver un emploi lors de la sortie du système éducatif croît rapidement et par paliers au début de la période et ce pour les trois niveaux conjointement. Ainsi 91,9% des individus de la totalité de la population ont accédé à un emploi durant les six premiers mois. Ensuite, plus la durée augmente et plus la pente de croissance diminue.
Ce résultat nous permet de mentionner que les chances de trouver un emploi pour un diplômé primo-demandeur diminuent avec le temps après cette période.
Ce qui reflète le problème d’ancienneté dans le chômage (Karaa 1994) qui rend leur insertion de plus en plus difficile.
En ce qui concerne le niveau de formation, on remarque que plus le niveau augmente plus sa courbe se situe à un niveau plus bas. Ce qui contredit l’idée que la poursuite d’étude est considérée comme étant un investissement en capital humain et d’où un choix déterminant pour l’insertion professionnelle (Giret 1998). Ce résultat confirme le principe de la théorie de recherche d’emploi du fait qu’un demandeur d’emploi n’accepte de quitter le chômage que lorsque le salaire offert est supérieur à son salaire de réserve (Mortensen (1986). Ce dernier augmente proportionnellement avec le niveau de formation.
La méthode non-paramétrique reste réservée aux données d’excellente qualité, puisqu’elle ne permet pas de tenir compte de l’hétérogénéité ni observable ni non-observable, et par conséquent le non contrôle des erreurs statistiques. Ceci constitue la principale limite de cette méthode. Pour combler cette lacune, on propose dans ce qui suit les résultats des estimations paramétriques puis semi-paramétriques.
3.2.2 Analyse paramétrique 3.2.2 Analyse paramétrique
Spécification du modèle Spécification du modèle
On considère que la fonction de hasard et par le même la probabilité d’accéder à un emploi dépend d’un vecteur constitué par l’ensemble des
variables susceptibles d’expliquer les disparités des durées. Pour apprécier et valider la variabilité de la fonction du hasard au cours du temps, il est légitime d’utiliser des moyens statistiques pour faire les comparaisons et choisir celui qui ajuste le mieux nos données.
Tout d’abord, nous avons estimé les deux modèles, exponentiel et Weibull, afin de pouvoir testé la dépendance vis-à-vis du temps de la fonction de hasard.
Le tableau ci-dessous illustre le test de ratio de Vraisemblance (LR) qui rejette l’hypothèse, qui suppose que la sortie de l’état chômage est indépendante du temps ( 1). Ce résultat signale que le modèle Weibull est plus adéquat que du modèle exponentiel pour la totalité de ces données.
Tableau 2 : Comparaison des modèles emboîtés : Weibull et exponentiel
Niveau1 Niveau2 Niveau3
LN du modèle Exponentiel -1221,45 -1276,27 -1605,13
LN du modèle Weibull -1184,38 -1252,52 -1498,48
LR 74,13 47,48 213,31
Ensuite, afin de s’assurer de la consistance des résultats nous avons introduit dans la fonction de hasard une composante prenant en compte l’hétérogénéité non-mesurée par le vecteur des variables explicatives Nous nous sommes interrogés par la suite sur l’existence de l’hétérogénéité non observable à travers le test de ratio de Vraisemblance (LR) qui compare le modèle Weibull sans hétérogénéité et le modèle Weibull avec hétérogénéité. Le résultat exposé par ce test appliqué pour chaque niveau montre, comme l’indique le tableau suivant, que le contrôle de l’hétérogénéité non-observable entraîne une amélioration pour la spécification choisie.
Tableau 3 : Comparaison des modèles Weibull sans hétérogénéité et Weibull avec hétérogénéité
Niveau1 Niveau2 Niveau3 LN du modèle Weibull : sans hétérogénéité -1184,38 -1252,52 -1498,48 LN du modèle Weibull : avec hétérogénéité -1165,06 -1033,85 -1277,66
LR 38,64 437,36 441,65
À ce niveau, il est intéressant de signaler que la probabilité instantanée de sortie vers le premier emploi des diplômés de l’enseignement supérieur en France dépend du temps, des caractéristiques observables et des caractéristiques non-observables. Et donc, La spécification paramétrique la plus adéquate pour l’estimation des durées d’accès au premier emploi parmi celles présentées dans la partie théorique est la spécification Weibull avec hétérogénéité non- observable.
Les déterminants de la durée d’accès au premier emploi Les déterminants de la durée d’accès au premier emploi
L’individu de référence est une jeune femme d’origine française, mariée ayant un seul enfant. Son père est cadre alors que sa mère est une employée.
Elle n’a jamais effectué de mobilité ni de formation ni d’emploi. Pendant ses études en province, elle a eu des petits boulots qui ont un lien avec ses études.
Elle a effectué plus de trois mois de stage avant son obtention du diplôme scientifique. Durant sa première séquence de recherche d’emploi, elle n’a pas été victime d’une discrimination à l’embauche.
L’effet des caractéristiques individuelles observables
La lecture des résultats économétriques (cf. Annexe) montre que certaines caractéristiques sont pertinentes pour l’analyse dans les trois niveaux ensemble.
Alors que d’autres le sont pour un niveau et peu ou pas pour un autre.
S’agissant des caractéristiques socio-démographiques, les variables relatives à la situation familiale à s’avoir : la décohabitation et la possession d’enfant sont significativement positives pour les trois niveaux. En effet, cette dépendance positive s’explique par la nature de leurs influences sur l’augmentation des durées d’accès au premier emploi et par le même sur la diminution des chances de trouver un emploi.
Par ailleurs, la décohabitation seule ou avec les parents (pas en couple) et la non possession d’enfant augmentent les durées d’accès au premier emploi des diplômés. Ce résultat ne surprend guère. Ainsi, être célibataire qui vit avec ses parents, l’individu possède moins de responsabilité qu’être marié et avec des enfants. A cet égard, l’intensité de recherche d’emploi augmente pour la première catégorie ( CAHUZAC, DI PAOLA, RECOTILLET 2004).
A l’encontre, l’âge n’a presque pas d’incidence sur les probabilités instantanées de sortie du chômage pour les diplômés du deuxième et troisième niveau. Sauf pour le premier, il est significatif malgré l’homogénéité de la répartition des individus au sein d’un même groupe selon cette variable.
Ce paradigme peut s’expliquer, par le fait qu’un employeur soit réticent à embaucher un diplômé plus âgé qu’un autre bénéficiant de la même formation.
Ce résultat peut nous renvoyer à la pensée que le diplôme du premier niveau, offre une caractéristique favorisant l’insertion d’un primo-demandeur d’emploi.
Mais, plus l’âge augmente et plus ce diplôme perd de signification et devient une simple caractéristique individuelle sans effet sur l’accélération de sortie du chômage. Non seulement ceci mais lui-même il deviendrait une caractéristique assurant le freinage d’accès à l’emploi
S’agissant des caractéristiques de formation, seule la variable secteur de formation est significativement positive pour les trois niveaux. En effet, les diplômés issus d’une formation littéraire et de gestion ont des durées d’accès au premier emploi plus longues que les autres secteurs. Ce résultat permet de confirmer l’idée selon laquelle les diplômés de ces secteurs, nouveaux entrants sur le marché du travail, s’affrontent les plus avec le problème d’inexpérience en raison que leurs domaines de formation nécessitent plus des pratiques.
En ce qui concerne la durée de séjours à l’étranger, le coefficient estimé n’est significatif que pour le premier niveau. Ce résultat illustre que plus la durée de séjours est longue et plus la durée d’accès au premier emploi est faible.
Autrement dit, cette durée constitue un acquis qui est valorisé sur le marché du travail et incite ainsi un employeur à embaucher ce jeune plutôt qu’un autre qui n’aurait pas le même profil.
S’agissant des caractéristiques de l’expérience professionnelle antérieure, pour les diplômés des trois niveaux le phénomène de discrimination est significatif. En effet, il représente un frein quant à l’accès à l’emploi. Face au nombre massif de diplômés à qualifications égales, certains employeurs pratiquent la discrimination au moment de la sélection de la nouvelle recrue.
L’effet de la composante temporelle de la spécification Weibull et des caractéristiques individuelles non-observables
Le résultat illustré ci-dessus montre que la probabilité de sortie vers le premier emploi est monotone croissante sur toute la période pour les trois niveaux (11,67 ,25,24 ,24,07 ). Mais l’existence de l’hétérogénéité qui n’est pas observable dans l’enquête, que l’information soit difficile à obtenir (certains facteurs psychologiques par exemple), ou que les réponses soient peu fiables modifie l’allure de la courbe de la fonction de hasard.
Figure 2 : Fonctions de risque après les estimations du modèle Weibull avec hétérogénéité non-observable par niveau de formation
.05.1.15.2.25Probabilité de sortie
0 10 20 30 40
Durée d'accès au premier emploi Fonction de hasard du niveau 1
0.1.2.3.4.5Probabilité de sortie
0 10 20 30 40
Durée d'accès au premier emploi Fonction de hasard du niveau 2
0.2.4.6Probabilité de sortie
0 10 20 30
Durée d'accès au premier emploi Fonction de hasard du niveau 3
Les fonctions de hasard relatives à chaque niveau de formation sont représentées après les estimations dans la figure ci-dessus. Au début de la
période d’observation les fonctions de hasard croissent en fonction du temps jusqu’à atteindre un certain seuil pour décroître par la suite. Cette décroissance s’explique par l’effet de l’hétérogénéité non mesurable.
3.2.3 Analyse semi-paramétrique 3.2.3 Analyse semi-paramétrique
Comme nous l’avons déjà mentionné que l’approche semi-paramétrique et plus particulièrement le modèle de Cox permet d’éviter la spécification arbitraire de la fonction de hasard.
En se rapportant aux résultats situés au dessus, la forte proximité enregistrés par les deux modèles nous invite à ne pas différencier les interprétations, sauf en ce qui concerne l’emploi régulier pendant les études. Le modèle paramétrique n’arrive pas à capter son effet dans l’explication de la durée d’accès à un premier emploi tandis que le modèle semi-paramétrique y arrive.
Ce paradoxe est dû la pré-détermination de la spécification paramétrique de la fonction de hasard.
Il est intéressant de signaler que globalement le modèle Weibull avec hétérogénéité non-mesurable représente bien le phénomène étudié en raison de sa proximité avec le modèle robuste semi-paramétrique de Cox.
L’analyse économétrique effectuée dans cet article déploie que les caractéristiques sociodémographiques des diplômés ainsi que leur secteur de formation se conjuguent en harmonie avec d’autres variables non-mesurables outre que la dépendance temporelle, dans chaque niveau de formation, pour décrire la durée d’accès au premier emploi et donc la primo-insertion. Cette dernière au bout de quatre ans après l’obtention du diplôme seuls 139 individus ne sont pas encore insérés, l’insertion est de bonne qualité.
4. CONCLUSION
Cet étude met en exergue la littérature économétrique de la classe des modèles de durée afin d’explorer la qualité de l’insertion professionnelle des jeunes diplômés de l’enseignement supérieur primo-demandeurs d’emploi en France. Cet objectif nous a conduit à expliquer les durées d’accès au premier emploi des diplômés. Il s’agissait essentiellement, d’identifier les facteurs explicatifs de leur première entrée dans la vie active à travers le modèle à hasard proportionnel estimé à l’aide de différentes approches d’estimation (non- paramétrique, paramétrique et semi-paramétrique).
Le traitement économétrique des données, par le biais des approches de régression et des tests, indique que les taux de sortie de l’état chômage
dépendent d’une batterie de variables explicatives selon le niveau d’étude des primo-demandeurs diplômés de l’enseignement supérieur en France.
BIBLIOGRAPHIE
CAHUZAC E., PLASSARD J-M. (1998), “ Insertion et durée d’accès au premier emploi des diplômés de l’enseignement supérieur de Tunis ”, in PLASSARD
J-M., BEN SÉDRINE S. (sous la direction de), Enseignement supérieur et insertion professionnelle en Tunisie, Presses de l’université des Sciences Sociales de Toulouse.
CAHUZAC E., DI PAOLA V., RECOTILLET I. (2004), “Vie en couple, densité des emplois et insertion professionnelle : Quels effets selon les genres ?”, Communication aux 11èmes Journées d’études sur les données longitudinales dans l’analyse du marché du travail, Dijon 27 et 28 mai 2004.
COUPPIÉ T., MANSUY M. (2004), “L’insertion professionnelle des débutants en Europe : des situations contrastées”, Économie et Statistique, n° 378-379, pp.147-165.
COX D. (1972), “Regression models and life tables (with discussion)”, Journal of Royal Statistical Society, Series B34, pp.187-220.
FOUGÈRE D., KAMIONKA T. (2005), “Econometrics of Individual Labor Market Transitions”, Discussion Paper in IZAn°1850, November 2005.
FOUGÈRE D., Florens J-P., Mouchard M., (2007), “ Duration Models and Point Processes” Discussion Paper in IZAn°2971, November 2005
GIRET J-F. (1998), “L’économie de l’insertion professionnelle : un cadre d’analyse en formation”, in PLASSARD J-M., BEN SÉDRINE S. (sous la direction de), Enseignement supérieur et insertion professionnelle en Tunisie, Presses de l’université des Sciences Sociales de Toulouse, pp.219- 236.
GIRET J-F (2000), “Pour une économie de l’insertion professionnelle des jeunes”, CNRS éditions, Paris.
GOURIEROUX C. (1989), “Econométrie des variables qualitatives”,2èmeédition, Economica, collection Economies et statistiques avancées, pp.313-391.
HAMEL J. (2003), “ Pour une vue longitudinale sur les jeunes et le travail”, Jeunesse construite et jeunesse déconstruite, Cahiers internationaux de sociologie, volume CXV, pp.255-268.
MORTENSEN D. (1986), “Job search and labour market analysis”, The Handbook of Labour Economics, Volume 2, O.ASHENFELTER, R. Layard ELSEVIER Science B.V. Amsterdam, North-Holland, pp.849-919.
KARAA A. (1994), “Analyse micro- économétrique des durées de chômage et de la recherche d’emploi en Tunisie”, Thèse de Doctorat, Sciences Economiques, Toulouse I.
MORTENSEN D-T., NAGYPÁLÉ. (2007), “More on unemployment and vacancy fluctuations”, Review of Economic Dynamics, n°10, pp. 327-347.
SMITH E., (2007), “Limited Duration Employment”, Review of Economic Dynamics, n°10, pp. 444-471.
NAUZE-FICHET E., TOMASINI M. (2002), “ Diplôme et insertion sur le marché du travail : approches socioprofessionnelle et salariale du déclassement”, Économie et Statistique, n° 354, pp. 21-48.
VAN DEN BERG G-J., ECKSTEIN Z. (2007), “Empirical Labour Search: Survey”, in journal of Econometrics, n°136, pp. 531-564.
VINCENS J. (2006), “Spécialité de formation, spécialité d’emploi et performance d’insertion”, Note complémentaire, Les notes du LIRHE, n°432.
Walter J.L. (2005), “L’insertion professionnelle des jeunes issus de l’enseignement supérieur”, Avis et rapport du conseil économique et social, République Française.
ANNEXE : Estimation paramétrique et semi-paramétrique par niveau
Weibull avec hétérogénéité non-observable Cox
Variables Niveau1 Niveau2 Niveau3 Niveau1 Niveau2 Niveau3
Sexe (réf : femme)
Homme 0,89(0,09) 0,85(0,18) 0,75(0,12) 0,96 (0,06) 0,95 (0,06) 0,88(0,05)*
Age 0,9(0,02)*** 0,89(0,05) 1,06(0,04) 0,93 (0,01)*** 0,95(0,02)*** 1.02(0,01)*
Lienais (réf : France)
Etranger 0,92(0,25) 1,33(0,88) 1,68(0,70) 0,87(0,16) 0,92(0,19) 1,02(0,17)
Régetab (réf : prov.)
Ile de France 0,98(0,12) 0,87(0,25) 1,43(0,29) 0,98(0,08) 1,03 (0,092) 1,12(0,09) Sectform. (réf: sc. fond)
Let,schum.et gest. 0,72(0,09)*** 0,46(0,10)** 0,46(0,11)*** 0,87(0,07)** 0,80(0,06)*** 0,75(0,07)***
M.géo empl (réf :Nmob)
Mobile 0,90(0,10) 0,75(0,16) 0,91(0,15) 0,92(0,07) 0,95(0,07) 1,03(0,06)
M rég form (réf :Nmob)
Mobile 0,88(0,09) 1,67(0,42) 1,10(0,18) 0,92(0,06) 1,08(0,08) 1,10(0,07)
Minterform. (réf: N mob.)
Mobile 0,85(0,10) 1,32(0,52) 0,55(0,27) 0,93(0,07) 0,97(0,12) 0,68(0,13)
Drséjétran. (3mois ou+)
Moins de 3 mois 1,47(0,29)** 0,57(0,32) 1,68(0,93) 1,15 (0,15) ** 0,92(0,16) 1,33(0,28) Stgavant 2001(réf : oui)
Non 0,86(0,12) 1,15(0,28) 0,99(0,26) 0,88(0,08) 0,98(0,07) 0,87(0,09)
Dur sta (réf : + de 3mois)
Moins de 3 mois 0,98(0,23) 0,99(0,29) 0,87(0,16) 0,90(0,14) 1,01(0,10) 0,90(0,06)
NSP - 1,42(3,28) 0,24(0,28) - 1,67(1,70) 0,93(0,55)
Eplrégétud. (réf : non)
Oui 1,15(0,40) 1,59(0,89) 0,51(0,23) 1,10 (0,27)* 1,35( 0,24)* 0,70(0,14)**
Boulétudes (réf : oui)
Non 1,11(0,13) 0,74(0,24)* 0,72(0,13) 1,07(0,08) 0,94(0,10) 0,86(0,06)
Lien étudboul. (réf : oui)
Non 0,87(0,25) 0,88(0,40) 0,66(0,27) 0,93(0,19) 0,77(0,11)* 0,84(0,14)
Poursempl(réf : non)
Oui 1,29(0,44) 1,34(0,74) 1,08(0,50) 1,19 (0,28) 1,04(0,18) 1,33(0,25)
N heur / sem.rég 0,99(0,013) 1,01(0,02) 1,03(0,02)* 0,99 (0,00) 0,99(0,00) 1,01(0,01) Hab parents (réf : non)
Oui 0,65(0,1)*** 0,38(0,11)** 0,41(0,09)*** 0,76(0,09)*** 0,79(0,07)*** 0,69(0,05)***
Vit en couple (réf : oui)
Non 0,97(0,11)* 1,07(0,26)** 0,68(0,12)** 0,97(0,07)* 0,88(0,07)* 0,81(0,05)***
Nat père (réf : Fran)
Autre 1,08(0,36) 2,91(1,89) 1,31(0,65) 1,05(0,22) 1,05(0,18) 1,14(0,21)
Nat mère (réf Franc)
Autre 1,45(0,53) 0,85(0,57) 0,53(0,27) 1,38 (0,32) 1,03(0,19) 0,95(0,19)
Sit pèreétud (réf : actif)
Inactif 0,95(0,12) 1,05(0,28) 0,73(0,14) 0,96(0,08) 0,97(0,08) 0,87(0,06)*
Sit mèreétud (réf : active)
Inactive 1,03(0,12) 1,11(0,27) 0,75(0,12)* 1,01(0,08) 0,97(0,07) 0,05(0,06)
Derprofpère (réf : cadre)
Agriculteur 1,03(0,32) 0,76(0,48) 1,67(0,70) 1,02(0,23) 0,92(0,21) 1,30(0,23)
Prof intermédiaire 1,45(0,23)* 1,48(0,51) 0,87(0,20) 1,17(0,12) 1,08(0,12) 0,97(0,08) Employé ou ouvrier 1,17(0,16) 1,41(0,34) 1,35(0,23)* 1,08 (0,10) 1,13(0,09) 1,13(0,07)*
NSP 1,14(0,55) 0,75(0,71) 0,88(0,50) 1,16 (0,39) 1.,34(0,49) 0,99(0,23)
A des enfants (réf : Oui)
Non 1,13(0,18)* 0,70(0,28)** 1,11(0,30)** 1,08(0,12) 0,98(0,13) 0,93(0,10)
NSP - 0,001(0,001) - - 0,45(0,33) -
Nombre d’enfant (réf :1)
2 et plus 0,81(0,20) 3,39(3,68) 0,36(0,21)* 0,91(0,15) 1,46(0,49) 0,84(0,20)
Discr. à l’emb. (réf : non)
Oui 0,62(0,1)*** 0,43(0,17)** 0,34(0,10)*** 0,70(0,07)*** 0,82(0,10)* 0,72(0,07)***
Log vraisemblance
1,67(0,09) 0,53(0,12) -1165.06
5,24(0,36) 4,02(0,38) -1033.85
5,24(0,36) 4,02(0,38)
-1033.8 -5318.21 -5687.46 -8063.51
* Les valeurs entre parenthèses présentent les écarts types, (***) seuil de significativité à 1%, (**) seuil de significativité à 5% et (*) seuil de significativité à 10%
