Mobilité salariale : mobilité géographique et mobilité professionnelle
Transcription
Mobilité salariale : mobilité géographique et mobilité professionnelle
Mobilité salariale : mobilité géographique et mobilité professionnelle sont-elles « payantes » ? Yves Guillotin et Salima Hamouche G.A.I.N.S. XVIèmes Journées de Micro Economie Appliquée Lyon 3-4 Juin 1999 0 Introduction L’étude de la mobilité salariale s’inscrit dans le cadre des études théoriques et/ou empiriques qui s’intéressent à l’analyse des dispersions de salaires, de leurs évolutions et des facteurs explicatifs de celles-ci. On peut évoquer , à ce sujet, toutes les études portant sur le rendement de l’investissement initial en capital humain, de l’expérience ou de l’ancienneté, sur le rôle de la mobilité interne ou externe, et plus récemment sur l’impact de l’insertion professionnelle initiale sur la carrière future. Il s’agit pour D. Verger [1996] de « tout ce qui contribue à donner forme à une carrière salariale ». S’il est évident qu’il existe un lien entre les carrières salariales et professionnelles, de nombreuses études font apparaître la complexité de la connexion entre mobilité professionnelle et mobilité salariale. Notre propos est d’utiliser ici la dimension longitudinale de nos données pour chercher si les mobilités d’emploi ou les mobilités géographiques « contribuent à donner forme à la carrière salariale ». Depuis Mincer [1974], on retrouve dans la littérature de nombreux travaux portant sur l’évaluation empirique de la théorie du capital humain, à partir de l’estimation d’une fonction de gains1. Cette fonction lie le logarithme des rémunérations à l’accumulation de capital humain. Dans cette optique, les différences individuelles des profils de rémunération s’expliquent en partie par le stock de capital humain accumulé. Si la formation initiale joue un rôle primordial dans la détermination des salaires, de nombreux autres facteurs interviennent dans des associations multiples et complexes. Pour rendre compte des disparités observées, il est donc courant d’adjoindre à ces variables d’accumulation d’autres variables représentatives de caractéristiques individuelles (comme le genre), ou représentatives de l’entreprise dans laquelle est employé le salarié (secteur ou taille de l’entreprise). Ces effets individuels (spécifiques aux salariés et/ou à la firme qui l’emploie) ne peuvent être séparés de l’évolution structurelle du marché du travail, dès lors que l’analyse porte sur des individus pour lesquels l’entrée sur le marché du travail se fait dans des contextes économiques très contrastés. L’une des principales critiques adressées aux modèles issus de la théorie du capital humain, tient au fait qu’il s’agit de modèles d’offre pour lesquels le côté de la demande sur le marché du travail n’est pas pris en compte. L’introduction d’une variable macroéconomique synthétique mesurant les tensions observées sur ce marché (taux de croissance du taux de chômage) permet dans une certaine mesure d’atténuer ces griefs. Cela permet aussi de neutraliser en partie un effet de cohorte. 1 Il s’agit d’une traduction de human capital earnings function que l’on retrouve aussi dans la littérature en français sous le vocable « équation de salaire » 1 Le panel des DADS, source longitudinale longue, permet d’appréhender une partie importante de la carrière salariale d’un individu. Nos précédents résultats (GuillotinHamouche [1998]), à partir d’une analyse économétrique d’une partie de ce panel, nous avaient permis d’identifier un effet significatif positif du nombre d’emplois occupés sur la mobilité salariale, tant ascendante que descendante, cet effet étant cependant moins important que l’effet de stock de capital humain initial. Nous avions alors conclu qu’il pouvait s’agir de deux formes différentes de mobilité : d’une part, une mobilité stratégique qui améliorerait la position de l’individu, et d’autre part une mobilité contrainte qui se traduirait dans les faits par une dégradation de la situation relative des individus. Cette argumentation confère à une variable unique un double statut ; d’une part, pour les sauts positifs, il s’agirait d’une variable d’accumulation et d’autre part, pour les sauts négatifs, il s’agirait plutôt d’une variable traduisant le comportement de l’entreprise plutôt que celui du salarié. Verger le note bien lorsqu’il écrit « Le thème est difficile, la séparation entre mobilité choisie et mobilité subie, la résolution des problèmes d’éventuelle simultanéité des évolutions de salaire et des changements de poste de firme ou de secteur représentent des défis presque insurmontables dans l’état actuel des données et dont la résolution est pourtant nécessaire a la compréhension des mécanismes en jeu » Dans l’ensemble des décisions individuelles susceptibles d’infléchir la carrière salariale, la mobilité géographique et/ou la mobilité professionnelle sont souvent considérées comme des variables stratégiques. Dans l’approche en termes de capital humain, la mobilité est appréhendée comme un investissement. Il s’agit donc d’une mobilité volontaire, choisie par les salariés. Comme tout investissement, elle induit des coûts2, supportés dans le court terme, le rendement de cet investissement étant obtenu dans le long terme. En retenant cette approche de la mobilité, nous nous proposons de mesurer les effets des changements de localisation et des changements d’emploi sur la mobilité salariale. En effet, le panel des DADS permet d’analyser les itinéraires individuels du point de vue des rémunérations, en liaison avec les changements d’emplois et les mobilités géographiques qui y sont éventuellement associés. Nous essaierons de voir dans quelle mesure la mobilité géographique s’accompagne d’une mobilité salariale ascendante, et de quelle manière cette dernière est connectée à la mobilité externe3 . On peut signaler la disparité des études et les difficultés rencontrées lorsqu’on tente de mesurer le rendement de la mobilité. Ces études concluent le plus souvent que la mobilité 2 coûts de migration, coût psychologique d’acclimatation à un nouvel environnement professionnel et/ou géographique,… 3 les données disponibles ne permettent pas d’appréhender la mobilité interne. 2 externe n’est pas rentable à long terme. La démonstration repose sur la distinction entre capital humain général et capital humain spécifique : les individus mobiles accumulent moins de capital humain spécifique et connaissent donc une progression salariale moins importante (Bartel et Borjas [1981], Borjas [1981]). En effet, à chaque changement d’entreprise, la partie du salaire qui rémunère les compétences spécifiques disparaît, alors que la rémunération de l’expérience générale est indifférente au changement d’employeur. A partir d’une estimation en coupe, sur les données de l’enquête FQP4, Goux et Maurin [1994] montrent que les gains liés au capital humain spécifique sont significatifs, mais plus faibles que ceux liés à l’accumulation initiale, la différence de rendement se réduisant vraisemblablement avec le déroulement de la carrière. Ils soulignent alors la nécessité de « neutraliser l’hétérogénéité des salariés » en effectuant un travail équivalent sur les carrières individuelles à partir du panel emploi. Les résultats mis en évidence montrent que « les relations changent d’intensité,…,les gains de salaire dus à cette ancienneté spécifique apparaissent désormais près de quinze fois plus faibles que ceux liés à l’expérience totale ». Cependant, pour les jeunes hommes, un changement d’entreprise au tout début de la carrière peut s’accompagner d’un accroissement conséquent de la rémunération (Simonnet [1997]), ce qui n’est plus le cas lorsque cette mobilité inter-entreprise intervient plus tardivement. A partir de données américaines sur de jeunes travailleurs, Mincer et Jovanovic [1981] montrent que les taux annuels de séparation baissent d’environ 90% lorsqu’on passe de la première à la sixième année d’ancienneté. La mobilité externe est beaucoup moins importante en France qu’aux Etats Unis5, mais dans les deux cas, celle-ci décroît avec l’ancienneté6. On retrouve là un résultat qui vient conforter les prédictions de la théorie du «job matching » (Jovanovic [1979]) : la mobilité externe serait une manière de corriger les erreurs qui peuvent survenir dans la formation des relations d’emploi. Pour Cahuc et Zylberberg [1996] « les études empiriques ne parviennent pas à dégager la supériorité d’une thèse par rapport à l’autre,…,ces deux thèses seraient donc exactes mais ne s’appliqueraient pas aux mêmes instants de la carrière d’un individu. Les conditions incitatives jouent au début, l’accumulation de capital humain plus tard » Plus généralement, lorsqu’on emploie le terme de mobilité sur le marché du travail, on évoque toutes les formes de changements de situation: mobilité salariale, transitions entre 4 Enquête formation et qualification professionnelle de 1993. Topel et Ward [1992] montrent qu’en 40 ans de vie active, les travailleurs américains connaissent en moyenne 10 entreprises différentes alors que Goux [1991] montrent qu’en France près de 44% des hommes réalisent l’ensemble de leur carrière dans une seule entreprise ou n’ont pas connu plus de un ou deux changements. 6 Un rapport récent de l’OCDE, cité par Le monde du 25 / 3 /99, indique que « la durée moyenne d’occupation d’un emploi est de 3.4 ans aux USA tandis qu’elle est de 7,3 ans en Europe (plus de 10 ans en Allemagne). 5 3 statuts, mobilité professionnelle, mobilité géographique, mobilité d’emploi etc.. Il existe vraisemblablement des interdépendances entre ces différentes formes de changements. Nous porterons notre attention sur la mobilité géographique et la mobilité professionnelle, en essayant d’examiner les relations parfois complexes qui lient ces deux formes de mobilité à la mobilité salariale. La mobilité géographique est l’une des formes de mobilité les plus simples à identifier. Mais cette définition relativement aisée ne doit pas masquer les difficultés liées à l’interprétation de celle-ci. En effet, la mobilité géographique (département d’emploi ou de résidence) s’accompagne le plus souvent d’une mobilité professionnelle (Aubry [1988]) et il devient difficile de faire la part des causes et des conséquences de ce changement. Le tableau ci dessous présente les différentes situations possibles. Département de résidence oui Entreprise, emploi non Département d’emploi non non oui non non non oui oui oui non non oui oui oui non oui oui oui oui Interprétations Il s’agit d’un choix de mobilité géographique qui ne s’accompagne d’aucun mouvement professionnel. Cela peut concerner un mouvement vers les départements limitrophes par exemple On change d’entreprise et/ou d’emploi sans changer de lieu de résidence ni de département d’emploi. Il s’agit d’une mobilité externe simple qui ne s’accompagne d’aucun autre changement Changer de département d’emploi sans changer d’entreprise est certainement le signe révélateur d’une mobilité interne : le salarié change d’établissement. On peut penser que ces mouvements s’accompagnent d’une mobilité géographique (sauf lorsque l’établissement de destination se trouve dans un département voisin. Si tel n’est pas le cas, l’absence de mobilité géographique peut être la conséquence d’un choix lié à la situation du conjoint. Il s’agit d’un changement d’entreprise et de lieu de résidence sans mobilité de département d’emploi. L’entreprise vers laquelle on se déplace trouve probablement dans le même département que l’entreprise initiale mais ce changement motive une mobilité de résidence ou l’accompagne. Changement d’entreprise et de département d’emploi en conservant la même résidence : il s’agit d’une mobilité externe. Ceci peut s’expliquer par une migration professionnelle de courte distance. On change de département de résidence et d’emploi en restant dans la même entreprise. Il s’agit probablement d’une mobilité interne mais associée à une migration de longue distance. Situation standard, on change d’entreprise qui se trouve dans un autre département, ce qui peut justifier un changement de résidence. La mobilité professionnelle recouvre différents changements survenant dans la carrière individuelle. Béduwé [1992] la définit ainsi : « Celle-ci peut alors prendre plusieurs formes : mobilité sectorielle et/ou d’entreprise, mobilité fonctionnelle, mobilité socio-professionnelle 4 et plus récemment mobilité d’emploi lorsqu’il s’agit d’un changement de statut. Lorsque ces changements se produisent au sein de la même entreprise, il s’agit de mobilité interne. Au contraire, quand le changement de situation correspond également à un changement d’entreprise ou d’employeur on parlera de mobilité externe. » La nature des données disponibles ne nous permet pas d’appréhender la mobilité professionnelle dans toutes ses dimensions, mais le fait de prendre en compte la mobilité d’entreprise, la mobilité de département d’emploi ou de résidence peut donner des indications sur l’impact que celles-ci peuvent avoir sur la mobilité salariale. Nous tenterons par ailleurs de donner quelques indications sur la mobilité Ile de France-province. En effet, des données récentes (DARES, [1999]) confirment que la structure des emplois est très différente en Ile de France et en province. Ainsi, d’après l’enquête Emploi, réalisée en Mars 1998 par l’INSEE, 24% des salariés franciliens du privé sont des cadres, alors que cette proportion n’excède pas 8.4% en province. Par ailleurs, selon cette même source, 45.8% des cadres du secteur privé résident en Ile de France. Notre approche de la carrière salariale repose sur la construction de matrices de mobilités établies sur trois phases triennales de carrières. Pour chacun des individus, il est alors possible de définir un rang de départ et un rang d’arrivée pour chacune de ces phases de carrière. Pour chacune des phases triennales considérées, ces rangs sont en fait les déciles auxquels appartiennent les salariés au début7 et à la date marquant la fin de celle-ci. Le saut hiérarchique représente alors le nombre de déciles franchis entre les dates de « départ » et « d’arrivée ». L’approche de la trajectoire individuelle ne se fait donc que dans une perspective relative, le niveau absolu n’intervenant en aucune manière dans l’analyse. Ainsi, dans notre approche, c’est l’ampleur du saut effectué dans la distribution des salaires qui constitue la variable à expliquer. Il s’agit en fait, pour modéliser la mobilité dans la hiérarchie des salaires, de compter le nombre de déciles franchis entre deux dates marquant une « phase » particulière de la carrière d’un individu. Ce choix permet alors d’appréhender le « saut » effectué dans la hiérarchie comme une donnée de comptage. On peut alors mettre en œuvre les méthodes économétriques appropriées pour ce type de variables endogènes prenant un nombre restreint de valeurs positives. Ce choix suppose néanmoins que le décile franchi a la même importance à quelque niveau que l’on se situe dans la distribution des salaires. Cette hypothèse contraignante peut être relâchée en considérant dans l’ensemble des variables exogènes, le rang occupé au 7 Pour la première phase, il s’agit des rangs au moment de l’entrée sur le marché du travail. 5 moment de l’insertion dans la hiérarchie des salaires (le décile initial d’appartenance). L’analyse qualitative des données disponibles et nos précédents résultats nous ont permis de montrer que l’ampleur de la mobilité salariale est contingente à cette position initiale. En outre, les caractéristiques individuelles et les variables d’accumulation peuvent avoir un effet différentiel important selon cette position . Nous avons donc pris en compte cette éventualité en introduisant des « variables croisées ». Ce croisement est alors effectué en regroupant d’une part les déciles du bas, et d’autre part, les déciles du haut (la modalité de référence étant constituée des déciles médians). Dans une première partie, nous proposons une présentation synthétique des données utilisées et des faits stylisés auxquels celles-ci permettent d’arriver. Les conclusions de cette analyse permettront d’expliciter quelles sont les variables retenues pour tenter d’expliquer la mobilité salariale. 1- La mobilité hiérarchique : une analyse descriptive 1.1 Les données disponibles Les données utilisées pour répondre aux questions précédentes sont présentées dans l’encadré. Encadr é: les données Les données longitudinales de salaires sur la période 1967-1995 utilisées dans cette recherche sont tirées des Déclarations Annuelles de Salaires remplies par les employeurs des secteurs privé et semi-public (DAS, devenues depuis Déclarations Annuelles de Données Sociales ou DADS) : il s'agit d'une base de données constituée des individus nés en octobre des années paires, ce qui donne un taux de sondage d’environ 1/25 (le mois d'octobre représentant un peu moins de 8 % des naissances annuelles). Toutefois, les informations recueillies sur les salariés ne comportent pas le diplôme ou le nombre d'années d'études, l'expérience ou l'ancienneté dans l'entreprise. Afin de contourner cette difficulté, nous nous sommes intéressés à la population des "entrants" dans le fichier. Ceux-ci sont définis ici de la manière suivante : est entrant l'année t l'individu âgé de moins de 30 ans l'année t , absent du fichier avant t, présent aux dates charnières retenues pour décrire la carrière : t , t + 3 , t+6 , t+9. Compte tenu de l'absence d'exploitation des DAS en 1981, 1983 et 1990, il a été possible de définir six générations d’entrants : 1970, 1973, 1976, 1979, 1982, 1985. La formation est évaluée comme la différence entre l'âge d'entrée et l’âge de 14 ans. Cette procédure est courante dans l'estimation de la durée de la formation, bien qu'elle s'applique généralement à la différence « âge − 6 ». Le choix d'une formulation « âge − 14 » repose sur l'idée que la scolarité obligatoire ne représente pas, à nos yeux, un investissement délibéré en capital humain. Toutefois, l’usage d’une forme logarithmique nous contraindra à exclure les individus entrés à 14 ans sur le marché. 6 Au total, nous disposons d’un fichier de 26 923 individus appartenant aux générations 1970 à 1985. Pour chacune de ces cohortes, nous construisons à chaque date retenue une hiérarchie salariale constituée par un décilage. Chaque individu est alors doté d’un rang d’appartenance allant de 1 à 10. Par croisement de deux positions hiérarchiques à deux dates, on obtient une matrice de mobilité. L’intérêt de distinguer différentes générations de débutants réside dans la possibilité de rapporter les mouvements hiérarchiques observés à la conjoncture économique dans laquelle ils s’insèrent. Dans notre cas, l’entrée en 1970 conduit à profiter de la croissance rapide qui caractérise cette période, alors que l’entrée en 1979 va amener l’insertion sur le marché du travail à se faire dans une dynamique économique particulièrement défavorable. Ces données permettent de « construire », en plus d’une variable de capital humain initial LKHI, des variables indicatrices du genre (0 pour les hommes, 1 pour les femmes), ainsi que de l’appartenance aux déciles initiaux : RD1 à RD10. La variable de mobilité d’entreprise est construite sur la base du nombre d’emplois à temps complets tenus par un salarié au cours d’une année. Si celui-ci est supérieur à 1, cela indique qu’un ou plusieurs changements d’emplois ont eu lieu : cela est pris en compte par une indicatrice de changement d’emploi (égale à 1 car on ne compte pas le nombre d’emplois, on indique simplement si un ou plusieurs changements ont eu lieu.). La période de référence étant triennale, il nous faut constituer une indicatrice de mobilité sur cet intervalle de temps. Celle-ci sera égale à 1 si l’indicatrice de mobilité annuelle est égale à 1 pour l’une au moins des 3 années de la période envisagée. La prise en compte des neuf premières années de la carrière, décomposée en trois phases triennales permet de constituer une indicatrice de la mobilité d’entreprise (TYMxyz) pour cette période : TYM010 désigne ainsi un individu qui n’a pas changé d’emploi au cours des trois premières années d’activité mais a connu au moins un changement entre les années 4 et 6 avant de rester dans le même emploi au cours de la phase triennale suivante. De manière similaire, il est possible de suivre les changements de département d’emploi TYExyz et de résidence TYRxyz. Le graphique suivant illustre la mobilité hiérarchique des salaires pour les 6 générations d’entrants prises en compte dans notre analyse. Neuf années après leur entrée sur le marché du travail (entre t et t+9), 440 entrants sont passés du décile 1 (D1) au décile 2 (A2). Ils ont parcouru 1 décile vers le haut ce qui constitue un saut positif d’amplitude égale à 1. Globalement, la matrice est dominée par la diagonale principale qui reflète l’immobilité dans la hiérarchie salariale. 7 Matrice de mobilité hiérarchique des 6 cohortes d'entrants 1200 1000 800 600 400 200 0 D 1 0 D 9 D 8 D 7 D 6 D 5 D 4 D 3 D 2 D 1 A 1 A 2 A A A 1 9 A 8 0 A 7 A 6 A 5 A 4 3 A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 D1 404 440 395 350 283 240 191 155 116 115 D2 504 327 323 306 262 249 198 218 169 138 D3 478 447 365 308 275 203 182 175 139 107 D4 403 417 362 320 276 234 185 185 154 131 D5 308 336 352 308 309 283 289 224 174 148 D6 181 258 307 288 331 326 304 280 235 180 D7 158 187 240 293 312 361 353 297 293 201 D8 105 112 184 241 313 353 397 403 337 249 D9 83 89 98 184 219 291 390 461 501 370 D10 65 81 66 95 112 154 204 294 576 1051 8 1.2 Les variables explicatives de la mobilité hiérarchique Le choix des variables explicatives s’inspire de l’approche proposée par Mincer [1974], qui rattache le salaire à la formation initiale mesurée par la durée des études, l’expérience professionnelle et diverses indicatrices prenant en compte des caractéristiques individuelles. Si l’on excepte les variables de mobilité, on peut considérer quatre groupe de variables : 1°) Une variable d’accumulation. Il s’agit d’approcher le stock de capital humain initialement accumulé en considérant le nombre d’année d’études, évalué comme la différence entre l’âge d’entrée et 14 ans. Cette procédure repose sur l’idée que la scolarité obligatoire ne représente pas un investissement délibéré en capital humain. 2°) Une variable individuelle, indicatrice du genre, permettant d’évaluer de quelle manière le fait d’être une femme peut ralentir ou non l’ascension salariale, ou favoriser ou non une mobilité hiérarchique descendante. Le tableau ci-dessous permet d’appréhender des différences systématiques entre les deux sexes, quelle que soit la génération d’appartenance. Saut moyen selon la génération d'entrée Hommes Femmes 1970 à 1979 0,383 -0,776 1973 à 1982 0,312 -0,606 1976 à 1985 0,434 -0,839 1979 à 1988 0,483 -0,894 1982 à 1991 0,491 -0,825 1985 à 1994 0,380 -0,634 Période d’observation 3°) Une variable macroéconomique, synthétique de l’état de la conjoncture au cours de la première partie de la carrière (9 ans) pour chacune des générations considérées. Nous avons retenu ici le taux de croissance du taux de chômage afin d’approcher les modifications de la tension sur le marché du travail. L’hypothèse sous-jacente est qu’un accroissement du chômage devrait ralentir la dynamique des salaires, et par conséquent, freiner le déplacement vers le haut de la hiérarchie dans son ensemble. 4°) Des variables indicatrices de positionnement au moment de l’entrée sur le marché du travail. Les coefficients attachés à ces variables se comprennent comme des écarts à la modalité médiane de référence : le cinquième décile. A titre d’illustration de l’impact du positionnement initial, le tableau ci-dessous donne le saut moyen sur les années t à t+9 des 6 cohortes d’entrants selon cette position de départ. 9 Saut moyen selon la position initiale Hommes Femmes Décile 1 3,502 2,390 Décile 2 2,975 1,508 Décile 3 1,961 0,232 Décile 4 1,141 -0,479 Décile 5 0,444 -0,805 Décile 6 -0,206 -1,039 Décile 7 -0,917 -1,630 Décile 8 -1,422 -2,135 Décile 9 -1,884 -2,280 Décile 10 -1,728 -2,551 Le croisement de ces indicatrices avec chacune des variables exogènes précédentes permettrait d’identifier dans quelle mesure l’effet de celles-ci se différencie ou non, suivant le décile occupé au moment de l’insertion sur le marché du travail. Toutefois, pour que ces effets croisés soient représentatifs, les croisements sont effectués en ne considérant qu’un regroupement des positions initiales. Le bas de la hiérarchie sera représenté par les trois premiers déciles, tandis que le haut de la hiérarchie sera représenté par les trois derniers déciles. La modalité de référence sera donc constituée des quatre déciles du centre de la distribution. 2- Estimation et résultats 2.1 La démarche Nous souhaitons mettre en évidence ce qui peut expliquer le nombre de déciles franchis dans la distribution des salaires. La variable modélisée mesurera donc le déplacement observé dans cette hiérarchie. Par construction, celui-ci prend toutes les valeurs entières comprises entre –9 et +9. La mobilité salariale peut être appréhendée ici comme une donnée de comptage, l’événement unitaire étant le saut d’un décile dans la hiérarchie. On peut alors mettre en œuvre des techniques économétriques particulières pour ce type de variables prenant un petit nombre de valeurs positives, puisque pour de telles variables le modèle linéaire standard se révèle inadéquat (Guillotin-Hamouche [1998]) (voir encadré en annexe). Toutefois, les méthodes économétriques pour données de comptage imposent de travailler sur des variables positives, ce qui nous amènera à distinguer les sauts positifs des sauts négatifs. 10 Nous avons ainsi constitué deux sous-échantillons : le premier, constitué des individus dont le saut est positif ou nul ; le second, constitué des individus dont le saut est négatif ou nul. En effet, les individus immobiles, pour lesquels le saut est nul, font partie de ces deux souséchantillons pour ne pas biaiser les résultats obtenus. L’impact des variables de mobilité peut être approché en décomposant successivement la mobilité dans la hiérarchie des salaires suivant les différents types de mobilité reconstitués : mobilité d’emploi, de département d’emploi, de département de résidence. Pour les mobilités d’emploi, il semble que quelque soit le genre, les mobiles soient relativement avantagés par rapport aux immobiles. Sauts moyens sur 3 fois 3 ans selon la mobilité d'emploi 111 110 101 100 011 010 001 000 -1,00 -0,80 -0,60 -0,40 -0,20 0,00 Hommes 0,20 0,40 0,60 0,80 1,00 Femmes De la même manière si l’on se réfère à la mobilité géographique, on peut apprécier l’impact des changements de département de résidence . 11 Sauts moyens sur 3 fois 3 ans selon la mobilité de département de résidence (Ile de France considéré comme un département unique) 111 110 101 100 011 010 001 000 -1,50 -1,00 -0,50 0,00 0,50 Hommes 1,00 1,50 2,00 2,50 Femmes Toutefois ces mesures ne sont pertinentes que si les mobilités observées sont réellement exogènes par rapport aux autres types de mobilité et par rapport aux caractéristiques individuelles des salariés. Le tableau de l’annexe 2 montre qu’il n’en est rien et que le changement d’emploi s’accompagne souvent, mais pas systématiquement, de changement de résidence. 50 % des individus sont « synchrones » : pour ceux-ci, l’absence de changement d’emploi, ou au contraire une mobilité d’emploi, mouvement s’accompagne d’une même stabilité ou d’un même pour le département de résidence. D’autre part, sur la phase de carrière considérée, 52 % des salariés sont « géographiquement synchrones » : tout comportement (stabilité ou mobilité) concernant le département d’emploi s’accompagne d’un comportement similaire en matière de département de résidence . Assez naturellement, la « synchronisation » entre mobilité-stabilité des départements d’emploi et de résidence est beaucoup plus forte, puisque celle-ci est de 84 %. Pour appréhender la pertinence de ces mouvements sur la mobilité salariale, il faut aussi s’intéresser à l’éventuelle liaison entre le comportement d’accumulation (mesuré ici par le capital humain initial) et les variables représentatives de ces changements (mobilité d’emploi, de résidence ou de département d’emploi). Le tableau figurant en annexe 3 permet d’observer la décomposition des différents 12 profils de mobilité d’emploi suivant le capital humain initial . On constate aisément que la proportion d’immobiles dans le premier emploi est croissante avec le niveau initial de capital humain : celle-ci passe de 41 % à 68 % pour les hommes et de 62 % à 81 % pour les femmes. Le différentiel hommes/femmes s’étend de 10 à 20% et paraît plus important au deux extrémités de la distribution. On observe aussi que les pluri-mobiles sont de moins en moins nombreux lorsque le capital humain initial augmente. Cette plurimobilité est en outre plus rare chez les femmes. L’une des explications, fréquemment avancée dans l’analyse de la mobilité géographique, porte sur la structure différenciée des emplois entre les régions et les départements. Celle-ci est d’autant plus marquée pour ce qui est des mouvements fortement asymétriques entre la région Ile de France et la province. L’annexe 4 décrit les sauts moyens des individus suivant ces deux localisations . En première lecture, les trajectoires allant de la province vers l’Ile de France semblent associées à une mobilité salariale ascendante . Cette remarque doit toutefois être relativisée par la prise en compte des effets de structure de qualification évoqués en introduction. 2.2 L’impact des mobilités sur la carrière salariale Pour analyser les trajectoires salariales des différentes générations, nous avons pris en considération les neuf premières années de la carrière. Ce choix se justifie à la fois par la structure des données, et par le nécessaire recul qu’exige une appréhension correcte du processus d’insertion. En effet, les particularités des DADS (données non disponibles pour certaines années) et le fait pour nous de devoir disposer d’observations à deux dates distinctes, nous ont conduits à retenir des périodes d’observation dont l’amplitude est un multiple de trois. La prise en compte d’une période triennale initiale n’apparaît pas suffisante pour appréhender la phase d’insertion. On peut se référer aux travaux du CERC qui, le plus souvent, sont établis sur une période de 5 ans. Pour appréhender la phase d’insertion, et pour prendre en compte la possibilité d’un allongement, au cours de ces dernières années, de la durée de ce processus, nous avons privilégié une période de 9 ans. La relation que nous souhaitons estimer peut être spécifiée de la manière suivante : 10 S i = a + ∑ α j RDi j + β 1 LKH i + β 2 ( LKHI i * RDBi ) + β 3 ( LKHI i * RDH i ) + γ 1 FSX i + γ 2 ( FSX i * RDBi ) j =1 j ≠5 + γ 3 ( FSX i * RDH i ) + δ 1 DU 9 i + δ 2 ( DU 9 * RDBi ) + δ 3 ( DU 9 * RDH i ) + u i 13 Où RDij désigne le décile de départ j de l’individu i . LKH i mesure le niveau de capital humain initial , FSX i est une indicatrice du genre (0 pour les hommes) et DU 9i mesure le taux de croissance du chômage durant la phase de carrière initiale de 9 ans de l’individu i . RDBi et RDH i sont respectivement des indicatrices des trois déciles du bas et des trois déciles du haut de la distribution de salaires. Ces indicatrices sont croisées avec chacune des variables exogènes précédentes, de manière à mettre en évidence leurs éventuels effets différenciés. Il s’agit là d’une spécification de base. Si l’on souhaite appréhender les effets de la mobilité de département d’emploi sur la mobilité salariale, on peut alors considérer la spécification suivante : 10 Si = a + ∑α j RDi j + β1 LKH i + β 2 ( LKHI i * RDBi ) + β 3 ( LKHI i * RDH i ) + γ 1FSX i + γ 2 ( FSX i * RDBi ) j =1 j≠5 7 + γ 3 ( FSX i * RDH i ) + δ1DU 9i + δ 2 ( DU 9 * RDBi ) + δ 3 ( DU 9 * RDH i ) + ∑θ kTYMxyzi k + ui k =1 où TYMxyzi est une variable indicatrice des différentes chronologies de mobilité d’emploi envisageables, suivant la codification exposée dans l’encadré sur les données. On peut de la même manière considérer les variables TYExyzi et TYRxyzi pour les mobilités de département d’emploi et de département de résidence. Les résultats de ces estimations sont présentés dans les trois tableaux suivants. Pour chacune des formes de mobilité, nous avons synthétisé, au sein d’un même tableau, les résultats de l’estimation du modèle de base et du modèle avec mobilité pour les sauts positifs et les sauts négatifs. 14 Estimation de la mobilit ésalariale avec changement d’emploi Sauts positifs Sauts négatifs Observations 14839 14839 Observations 16334 16334 Observations 10494 10494 Observations 11989 11989 positives positives Log-vraisemblance -25698 -25673 Log-vraisemblance -28776 -28758 Coefficient T Coefficient T Coefficient T Coefficient T ETA2 0,263 1,909 0,260 1,856 ETA2 0,286 2,392 0,284 2,340 CSTE 0,542 7,764 0,480 DU9 DU9RDB DU9RDH -0,028 0,101 0,009 -1,484 4,240 0,179 -0,024 0,097 0,015 FSX FSXRDB FSXRDH -0,240 -0,115 -0,117 -9,026 -3,237 -1,455 LKHI KHIRDB KHIRDH 0,193 0,219 0,024 6,364 5,866 0,268 RD1 RD2 RD3 RD4 RD6 RD7 RD8 RD9 RD910 TYM001 TYM010 TYM011 TYM100 TYM101 TYM110 TYM111 0,082 0,980 0,036 0,426 -0,213 -2,458 0,152 4,855 -0,194 -5,685 -0,502 -13,159 -1,002 -4,884 -1,719 -7,927 -20,139 -0,045 6,827 CSTE 0,510 8,516 0,479 7,961 -1,278 DU9 4,046 DU9RDB 0,283 DU9RDH 0,025 -0,006 -0,065 1,536 -0,133 -2,895 0,024 -0,009 -0,069 1,447 -0,207 -3,055 -0,229 -0,113 -0,119 -8,637 FSX -3,189 FSXRDB -1,469 FSXRDH 0,219 0,129 -0,061 10,163 2,215 -1,998 0,229 10,593 0,132 2,273 -0,064 -2,098 0,202 0,219 0,025 6,661 LKHI 5,874 KHIRDB 0,279 KHIRDH 0,013 0,557 0,131 2,104 -0,631 -18,749 0,016 0,654 0,138 2,223 -0,625 -18,564 0,088 1,059 RD1 0,045 0,523 RD2 -0,205 -2,369 RD3 0,152 4,840 RD4 -0,190 -5,587 RD6 -0,497 -13,049 RD7 -1,013 -4,943 RD8 -1,727 -7,970 RD9 -20,141 -0,045 RD910 0,115 0,085 0,134 0,015 0,096 0,078 0,153 3,601 2,436 4,208 0,688 1,817 3,169 4,589 -18,201 -1,437 -0,891 -0,236 0,115 0,226 1,563 1,582 1,404 -0,063 -9,149 -5,681 -7,114 3,776 7,689 18,610 18,722 16,420 TYM001 TYM010 TYM011 TYM100 TYM101 TYM110 TYM111 Les cellules grisées contiennent les coefficients significatifs au seuil de 5 %. 15 -18,201 -0,063 -1,440 -9,169 -0,896 -5,715 -0,234 -7,076 0,115 3,774 0,227 7,741 1,561 18,607 1,581 18,734 1,400 16,391 0,115 0,001 0,092 0,032 0,180 0,034 0,151 3,312 0,014 2,502 1,544 3,071 1,255 3,812 Estimation de la mobilit ésalariale avec changement de d épartement d’emploi Sauts positifs Sauts négatifs Observations 14839 14839 Observations 16334 16334 Observations 10494 10494 Observations 11989 11989 positives positives Log-vraisemblance -25698 -25548 Log-vraisemblance -28776 -28774 Coefficient T Coefficient T Coefficient T Coefficient T ETA2 0,263 1,909 0,241 1,518 ETA2 0,286 2,392 0,286 2,389 CSTE 0,542 7,764 0,468 DU9 DU9RDB DU9RDH -0,028 0,101 0,009 -1,484 4,240 0,179 -0,022 0,103 0,008 FSX FSXRDB FSXRDH -0,240 -0,115 -0,117 -9,026 -3,237 -1,455 LKHI KHIRDB KHIRDH 0,193 0,219 0,024 6,364 5,866 0,268 RD1 RD2 RD3 RD4 RD6 RD7 RD8 RD9 RD910 TYE001 TYE010 TYE011 TYE100 TYE101 TYE110 TYE111 0,082 0,980 0,036 0,426 -0,213 -2,458 0,152 4,855 -0,194 -5,685 -0,502 -13,159 -1,002 -4,884 -1,719 -7,927 -20,139 -0,045 6,761 CSTE 0,510 8,516 0,515 8,586 -1,172 DU9 4,365 DU9RDB 0,150 DU9RDH 0,025 -0,006 -0,065 1,536 -0,133 -2,895 0,025 -0,006 -0,065 1,517 -0,133 -2,864 -0,213 -0,125 -0,101 -8,091 FSX -3,565 FSXRDB -1,261 FSXRDH 0,219 0,129 -0,061 10,163 2,215 -1,998 0,218 10,132 0,128 2,201 -0,062 -2,031 0,178 0,204 0,039 5,912 LKHI 5,536 KHIRDB 0,440 KHIRDH 0,013 0,557 0,131 2,104 -0,631 -18,749 0,013 0,528 0,130 2,099 -0,631 -18,733 0,105 1,273 RD1 0,052 0,612 RD2 -0,187 -2,182 RD3 0,157 5,072 RD4 -0,190 -5,623 RD6 -0,502 -13,292 RD7 -1,034 -5,056 RD8 -1,739 -8,049 RD9 -21,151 -0,029 RD910 -18,201 -1,437 -0,891 -0,236 0,115 0,226 1,563 1,582 1,404 -0,063 -9,149 -5,681 -7,114 3,776 7,689 18,610 18,722 16,420 0,174 4,645 TYE001 0,278 8,726 TYE010 0,252 5,146 TYE011 0,315 12,986 TYE100 0,330 5,418 TYE101 0,202 5,436 TYE110 0,379 6,470 TYE111 Les cellules grisées contiennent les coefficients significatifs au seuil de 5 %. 16 -18,201 -0,063 -1,438 -9,150 -0,890 -5,676 -0,236 -7,117 0,116 3,795 0,225 7,671 1,562 18,587 1,581 18,704 1,403 16,402 -0,019 -0,047 -0,018 -0,004 -0,087 -0,032 0,076 -0,456 -1,156 -0,316 -0,139 -1,069 -0,717 0,919 Estimation de la mobilit ésalariale avec changement de d épartement de r ésidence Sauts positifs Sauts négatifs Observations 14839 14839 Observations 16334 16334 Observations 10494 10494 Observations 11989 11989 positives positives Log-vraisemblance -25698 -25556 Log-vraisemblance -28776 -28760 Coefficient T Coefficient T Coefficient T Coefficient T ETA2 0,263 1,909 0,243 1,545 ETA2 0,286 2,392 0,284 2,354 CSTE 0,542 7,764 0,484 DU9 DU9RDB DU9RDH -0,028 0,101 0,009 -1,484 4,240 0,179 -0,021 0,101 0,004 FSX FSXRDB FSXRDH -0,240 -0,115 -0,117 -9,026 -3,237 -1,455 LKHI KHIRDB KHIRDH 0,193 0,219 0,024 6,364 5,866 0,268 RD1 RD2 RD3 RD4 RD6 RD7 RD8 RD9 RD910 TYR001 TYR010 TYR011 TYR100 TYR101 TYR110 TYR111 0,082 0,980 0,036 0,426 -0,213 -2,458 0,152 4,855 -0,194 -5,685 -0,502 -13,159 -1,002 -4,884 -1,719 -7,927 -20,139 -0,045 6,989 CSTE 0,510 8,516 0,525 8,759 -1,125 DU9 4,257 DU9RDB 0,078 DU9RDH 0,025 -0,006 -0,065 1,536 -0,133 -2,895 0,026 -0,004 -0,064 1,557 -0,091 -2,838 -0,221 -0,121 -0,099 -8,400 FSX -3,457 FSXRDB -1,238 FSXRDH 0,219 0,129 -0,061 10,163 2,215 -1,998 0,217 10,082 0,127 2,176 -0,063 -2,068 0,176 0,201 0,034 5,838 LKHI 5,451 KHIRDB 0,379 KHIRDH 0,013 0,557 0,131 2,104 -0,631 -18,749 0,011 0,475 0,130 2,098 -0,630 -18,745 0,111 1,345 RD1 0,063 0,747 RD2 -0,179 -2,092 RD3 0,155 5,014 RD4 -0,194 -5,749 RD6 -0,507 -13,424 RD7 -1,031 -5,037 RD8 -1,736 -8,029 RD9 -21,149 -0,029 RD910 -18,201 -1,437 -0,891 -0,236 0,115 0,226 1,563 1,582 1,404 -0,063 -9,149 -5,681 -7,114 3,776 7,689 18,610 18,722 16,420 0,220 5,999 TYR001 0,254 7,795 TYR010 0,323 6,546 TYR011 0,301 10,628 TYR100 0,391 5,835 TYR101 0,221 4,803 TYR110 0,510 7,019 TYR111 Les cellules grisées contiennent les coefficients significatifs au seuil de 5 %. 17 -19,202 -0,040 -1,440 -9,175 -0,893 -5,702 -0,238 -7,188 0,115 3,789 0,227 7,720 1,563 18,613 1,583 18,746 1,409 16,477 -0,150 -0,087 0,016 -0,046 -0,248 -0,080 -0,274 -3,313 -2,251 0,250 -1,503 -2,838 -1,595 -2,350 La prise en compte des rangs initiaux permet de contrôler les composantes « mécaniques » des déplacements dans la hiérarchie. Les coefficients des indicatrices des déciles occupés au moment de l’entrée sur le marché du travail, ( RD j ) peuvent s’interpréter en termes de différences par rapport à la modalité médiane de référence. L’effet « mécanique » de la position de départ est systématiquement significatif pour les sauts négatifs dans le haut de la distribution : lorsqu’un individu débute sa carrière salariale aux déciles les plus élevés de la distribution, l’éventualité d’une régression dans la hiérarchie des salaires est plus importante lorsque les caractéristiques individuelles ne compensent pas ce mouvement. On retrouve ce même aspect mécanique pour les sauts positifs : une insertion à un décile élevé réduit les éventualités de sauts positifs, tandis qu’une insertion à un décile du bas de la distribution augmente l’éventualité d’un saut positif. On notera que dans ce cas, cet effet n’est significatif qu’à partir du troisième décile. Pour les différentes spécifications retenues, l’effet du genre se retrouve dans le sens attendu : les femmes sont pénalisées. Dans les carrières ascendantes, les femmes montent moins vite les échelons de salaire, mais présentent des trajectoires descendantes plus prononcées. Cet effet discriminant est encore plus marqué pour les femmes qui s’insèrent dans les déciles du bas de la hiérarchie au moment de leur entrée sur le marché du travail. Les valeurs des coefficients mesurant l’effet de la variable d’accumulation illustrent les effets très contrastés de celle-ci suivant la direction ascendante ou descendante de la mobilité salariale. Pour les sauts positifs, les résultats montrent que cette variable a un effet global positif. De plus, il existe un effet différencié de cette variable pour les individus débutant dans les déciles du bas de la distribution . Pour ces derniers, l’ascension salariale sera d’autant plus rapide que le niveau de capital humain initial est élevé. A l’opposé , pour les sauts négatifs, cette variable n’a pas d’effet global significatif. Par contre, il existe un effet différencié contrasté suivant le positionnement initial dans la hiérarchie. Pour les déciles du haut de la hiérarchie, cette régression est d’autant moins importante que le niveau de capital humain est élevé . On voit apparaître là un fort effet de « protection » contre la regréssion salariale du capital humain initial. Le contraste entre les positions initiales basses et hautes est particulièrement marqué pour les sauts négatifs. En d’autres termes, dans certaines circonstances, débuter en bas de la hiérarchie en dépit d’un niveau de capital humain initial relativement élevé peut autoriser une ascension salariale plus rapide (phénomène d’overeducation mentionné par Sicherman-Galor[1990]), mais cela peut aussi constituer un mauvais « signal » et favoriser une régression salariale. 18 L’effet de la conjoncture au moment de l’insertion sur le marché du travail ne joue de manière significative que suivant le positionnement initial au moment de cette insertion : pour les déciles du bas, l’évolution significative du taux de chômage favoriserait l’ascension salariale, tandis que pour les déciles du haut, cela freinerait la régression dans la hiérarchie des salaires Ce résultat contre-intuitif doit être relativisé de deux manières : un effet de sélection et un effet de niveau. Les individus observés sont par définition présents et ceux qui ont subi l’élimination du marché du travail (la montée du taux de chômage) ont été exclus de l’analyse. De plus, nous avons pris comme indicateur de conjoncture la croissance du taux de chômage qui ignore par construction le niveau initial de celui-ci. Passer de 4 à 8 % de chômeurs double le taux de chômage, sans impliquer un niveau de chômage très élevé (cas de la période 1970-1979). Quelles que soient les formes de mobilité prises en compte, les tests de spécification 8 conduisent à privilégier9 le modèle dans lequel ces variables figurent. A partir des résultats de l’estimation pour les sauts positifs, on peut constater que, quelle que soit la chronologie triennale des mouvements, ou quelles que soit les formes que prend la mobilité, celle-ci peut être associée à une mobilité salariale ascendante, laissant penser à une mobilité « voulue » plutôt qu’à une mobilité « subie ». Malheureusement, la nature des données disponibles ne permet en aucune manière de séparer ces deux aspects très différents de mouvements identiques qui ne sont observés qu’ex-post. Les résultats de l’estimation pour les sauts négatifs illustrent bien cette difficulté. Si l’on s’attarde plus particulièrement sur les changements d’emploi, les coefficients associés aux variables de mobilité sont significativement positifs ; changer d’emploi favoriserait tout à la fois l’ascension et la régression salariale. Il est bien évident que ces deux mouvements sont conjoints, mais très probablement liés à des caractéristiques individuelles très différenciées. Il suffit de se rappeler ce que nous évoquions en première section, à partir de l’analyse statistique des données : d’une part, la proportion d’immobiles dans le premier emploi est croissante avec le niveau initial de capital humain, et d’autre part, la plurimobilité est plus rare chez les femmes. Cela nous amène à suggérer une spécification prenant en compte ces deux constats. 8 9 Test du rapport de vraisemblance. A l’exception notable du modèle avec mobilité de département d’emploi pour les sauts négatifs. 19 2.3 Capital humain initial, mobilité d’emploi et carrières Les résultats de l’analyse des tableaux de l’annexe 3, ainsi que les précédentes estimations, justifient de prendre en compte des effets différentiels de la variable de mobilité d’emploi suivant le niveau de capital humain et suivant le genre. L’introduction de ces effets croisés permet d’identifier dans quelle mesure les variables représentatives de comportements d’accumulation et des caractéristiques individuelles ont un effet sur la mobilité salariale, via la mobilité d’emploi. Nous ne porterons notre attention qu’à cette forme de mobilité particulière, puisqu’elle seule semble étroitement liée avec le niveau de capital humain initial. La spécification retenue peut alors se mettre sous la forme suivante : 10 Si = a + ∑α j RDi j + β 1 LKH i + β 2 ( LKHI i * RDBi ) + β 3 ( LKHI i * RDH i ) + γ 1 FSX i + γ 2 ( FSX i * RDBi ) j =1 j ≠5 + γ 3 ( FSX i * RDH i ) + δ 1 DU 9i + δ 2 ( DU 9 * RDBi ) + δ 3 ( DU 9 * RDH i ) + 7 ∑ θ TYMxyz k ik k =1 + ∑ 7 η s ( FSX i * TYMxyz si ) + ∑ λ ( LKH r i * TYMxyzri ) + u i r =1 Les résultats de l’estimation de cette spécification sont présentés dans le tableau synthétique ci-dessous. Les statistiques de tests usuelles conduisent à privilégier cette spécification plutôt que la précédente. L’effet « mécanique » de la position de départ n’est pas modifié du fait de l’introduction de ces variables croisées. On retrouve les mêmes ordres de grandeur que dans la spécification précédente. De la même façon, l’effet de la conjoncture au moment de l’insertion sur le marché du travail ne joue de manière significative que suivant le positionnement initial au moment de cette insertion. Comme pour la spécification précédente, les valeurs des coefficients mesurant l’effet de la variable d’accumulation illustrent les effets très contrastés de celle-ci suivant la direction ascendante ou descendante de la mobilité salariale. 20 Estimation de la mobilit ésalariale avec effets crois és Variables Sauts positifs Sauts n égatifs Observations Observations positives Log-vraisemblance 14839 10494 ETA2 0,257 1,807 0,281 2,281 CSTE 0,517 7,117 0,576 8,880 DU9 DU9RDB DU9RDH -0,020 0,098 0,016 -1,085 4,084 0,310 0,021 -0,001 -0,067 1,299 -0,031 -2,950 FSX FSXRDB FSXRDH -0,288 -0,122 -0,113 -9,507 -3,456 -1,396 0,240 0,121 -0,062 9,846 2,070 -2,036 LKHI KHIRDB KHIRDH 0,183 0,214 0,024 5,526 5,717 0,272 -0,040 0,146 -0,620 -1,448 2,348 -18,412 0,101 0,055 -0,194 0,153 -0,186 -0,495 -1,016 -1,728 -21,142 1,212 0,649 -2,233 4,899 -5,480 -12,996 -4,952 -7,971 -0,029 -18,219 -1,460 -0,917 -0,236 0,115 0,227 1,547 1,570 1,389 -0,063 -9,298 -5,852 -7,140 3,769 7,756 18,452 18,617 16,266 TYM001 TYM010 TYM011 TYM100 TYM101 TYM110 TYM111 -0,093 -0,059 0,038 -0,069 -0,157 0,015 0,023 -0,924 -0,550 0,400 -0,968 -0,932 0,192 0,246 -0,148 -0,132 0,145 -0,107 -0,484 -0,243 -0,309 -1,115 -0,892 1,056 -1,248 -1,920 -2,304 -2,196 KHI001 KHI010 KHI011 KHI100 KHI101 KHI110 KHI111 0,101 0,089 0,026 0,039 0,154 0,022 0,059 1,510 1,265 0,398 0,848 1,313 0,439 0,886 0,149 0,084 -0,010 0,081 0,397 0,160 0,290 2,092 1,028 -0,128 1,771 2,967 2,799 3,770 RD1 RD2 RD3 RD4 RD6 RD7 RD8 RD9 RD910 16334 11989 -25654 -28739 STYM001 0,259 3,355 0,008 STYM010 0,037 0,422 -0,037 STYM011 0,272 3,367 -0,128 STYM100 0,089 1,828 -0,007 STYM101 0,163 1,112 -0,101 STYM110 0,119 1,925 0,006 STYM111 0,245 2,666 -0,132 Les cellules grisées contiennent les coefficients significatifs au seuil de 5 %. 21 0,118 -0,457 -1,631 -0,167 -0,795 0,112 -1,483 L’introduction d’une variable permettant de différencier l’effet de cette variable suivant la mobilité d’emploi, conduit à des résultats intéressants qui sont détaillés dans le tableau ci-dessous : Type de Saut Effet direct Effet crois éavec la position initiale ∂S > 0 ∂LKHI 0,214 0,183 Ns ∂S < 0 ∂LKHI 0,146 ns - 0.620 Effet crois éavec la mobilit éd’emploi référence ns ns ns ns ns ns ns référence 0,149 ns ns ns 0,397 0,160 0,290 ns pour non significatif L’effet global de la variable de capital humain n’est significatif que pour les sauts positifs, dans le sens attendu : un capital humain initial élevé est un facteur favorisant l’ascension salariale. Pour les sauts positifs, l’effet différencié de cette variable n’est significatif que pour les individus s’insérant dans le bas de la hiérarchie. De plus, cet effet différencié se retrouve pour les sauts négatifs dans le haut de la distribution : toutes choses égales par ailleurs, l’insertion dans les déciles du bas de la hiérarchie s’accompagne d’une mobilité salariale ascendante d’autant plus importante que le niveau de capital humain initial est élevé, tandis que celui-ci « protège » d’une éventuelle régression lorsque l’insertion se fait dans les déciles du haut. Les valeurs des coefficients mesurant l’impact de cette variable croisée avec la mobilité d’emploi illustrent ce qui avait été évoqué en commentaire des tableaux de l’annexe 3. Pour les sauts positifs, cette variable ne joue aucun rôle significatif : pour des niveaux de capital humain initial identiques, la mobilité d’emploi n’aura aucun effet sur l’ascension salariale. Ce résultat est conforté par le fait que pour les sauts positifs les indicatrices de mobilité ne sont plus significatives et qu’il n’existe plus qu’un effet différentiel de certaines d’entre elles suivant le genre. Pour les sauts négatifs, l’effet différentiel de la mobilité pour des niveaux de capital humain n’est significatif (effet positif) que pour certaines chronologies 22 particulières des mouvements (001,101, 110 et 111) : ainsi pour des niveaux de capital humain identiques, les individus changeant d’emploi au cours de la troisième phase triennale prise en compte ont une éventualité plus grande de régresser dans la hiérarchie que ceux qui n’auront pas changé d’emploi. Dans le cadre de cette spécification, l’influence des variables de mobilité est, pour les sauts négatifs, plus aisée à justifier, comme le montre le tableau suivant : Effet crois é Type de Saut Modalit és de mobilit é Effet direct avec le Effet crois é avec le genre Capital humain initial ∂S > 0 ∂TYM ∂S < 0 ∂TYM 000 001 010 011 100 101 110 111 000 001 010 011 100 101 110 111 référence ns ns ns ns ns ns ns référence ns ns ns ns ns - 0,243 - 0,309 référence ns ns ns ns ns ns ns Référence 0,149 ns ns ns 0,397 0,160 0,290 référence 0,259 ns 0,272 ns ns ns 0,245 référence ns ns ns ns ns ns ns ns pour non significatif Comme nous l’avons déjà mentionné, les variables de mobilité ne font plus partie des facteurs favorisant l’ascension salariale lorsqu’on « contrôle » le niveau de la variable d’accumulation. Il reste un effet différentiel de celles-ci suivant le genre, pour certaines chronologies particulières des mouvements (001,011,111), indiquant que dans certains cas et toutes choses égales par ailleurs, la mobilité d’emploi des femmes peut favoriser l’ascension salariale. Cet effet différentiel du genre ne se retrouve pas pour les sauts négatifs. L’effet direct des changements d’emploi sur la mobilité salariale descendante est plus conforme à ce que l’on pouvait attendre. Il n’existe plus d’effet direct significatif, à l’exception des mobilités 110 et 111 qui freineraient la régression salariale. Ainsi lorsqu’on « contrôle » les variables représentatives du niveau d’accumulation et des caractéristiques individuelles , l’effet différentiel de la mobilité d’emploi n’est pas identique, ni dans son amplitude ni dans sa forme, suivant que l’on considère les sauts positifs ou les sauts négatifs. Cet effet différentiel est lié au genre pour ce qui est de la mobilité 23 salariale ascendante : dans certaines situations, les changements d’emploi pour les femmes peuvent être associés à des mouvements dans la hiérarchie salariale plus favorables que pour les femmes n’ayant pas changé d’emplois. Pour la mobilité salariale descendante, un effet direct de la mobilité à certains moments subsiste, jouant un rôle « protecteur » tandis que l’effet différentiel de cette mobilité est associé au niveau de capital humain, favorisant alors une régression salariale. Conclusion L’évaluation des rendements des mobilités, d’emploi et/ou de résidence, apparaît complexe pour des raisons technique et analytique. Sur le plan technique, les diverses mobilités sont plus ou moins « synchrones », ce qui ne permet pas d’identifier explicitement le rôle de chacun de ces mouvements. En outre, nous montrons que cette caractéristique individuelle n’est pas sans lien avec l’accumulation initiale en capital humain. Sur le plan analytique, les changements d’emploi sont vus, le plus souvent, comme des « investissements », que ce soit la forme duale du capital humain spécifique, ou la traduction d’un processus de recherche d’emploi. Nos résultats contrastés entre sauts négatifs et sauts positifs suggèrent qu’à côté de cette mobilité « stratégique » des « investisseurs » (sauts positifs), il existe vraisemblablement une mobilité « défensive » ou « contrainte » qui cherche à atténuer les conséquences de chocs exogènes. Cette conjecture nécessiterait, pour être testée, de pouvoir distinguer les deux types de mobilité, ce qui n’est pas possible dans nos données. 24 Bibliographie Aubry B., [1988], "Les migrations inter-régionales depuis trente ans", Economie et Statistique, n°212 Balsan D., Hanchane S. et Werquin P., [1996], « Mobilité professionnelle initiale : éducation et expérience sur le marché du travail », Economie et Statistique, n° 299, p. 179-218. Bartel A.P. et Borjas G.J., [1981], « Wage Growth and Job Turnover : An Empirical Analysis », in Studies in Labor Market, ed. by S. Rosen, The University of Chicago Press. Béduwé C., [1992], « Mobilité professionnle et formation : bilan des approches quantitatives de la mobilité en France », in L. Coutrot & C. Dubar eds., Cheminements professionnels et mobilités sociales, La Documentation Française, p. 71-99. Bigard A., et Guillotin Y., [1992], « La mobilité hiérarchique des salaires en France de 1967 à 1982 », Economie et Prévision, n° 102-103, p. 189-204. Borjas G.J., [1981], « Job Mobility and Earnings over the Life Cife cycle » , Industrial and Labor Relations Review, vol.34, n°3. Buchinsky M., Fougère D., et Kramarz F., [1997], « La mobilité salariale en France 1967 1987 », Communication au colloque de l’AFSE, Paris, septembre . Bingley P., Bjorn N. H., et Westergard-Nielsen N., [1994], « Wage mobility in Denmark 1980-1990 », OECD conference on Employment and Growth, Copenhagen. Cahuc P., Zylberberg A., [1996], Economie du travail De Boeck Crepon B., et Duguet E., [1995], « Une bibliothèque de macro-commandes pour l’économétrie des variables qualitatives et de comptage », Document de travail du CREST, n° 9525. Gouriéroux C., Monfort A., et Trognon A., [1984], « Pseudo maximum likelihood methods : theory », Econometrica, Vol. 52 (3), p. 681-700. Gouriéroux C., Monfort A., et Trognon A., [1984], « Pseudo maximum likelihood methods : application to Poisson models », Econometrica, Vol. 52 (3), p. 701-720. Goux D., [1991], "Coup de frein sur les carrières ", Economie et Statistique, n°249, Décembre. Goux D., et Maurin E., [1994], « Education, expérience et salaire : tendances récentes et évolution de long terme », Economie et Prévision, n°116. Guillotin Y., et Hamouche S., [1998] « Capital humain et mobilité hiérarchique des salaires : une approche par les modèles de comptage » , Revue Economique, Vol 49, N°3 . Guillotin Y., et Sevestre P., [1994], « Estimation de fonctions de gains sur données de panel : endogénéité du capital humain et effet de la sélection », Economie et Prévision, n°116. Hausman J., Hall B., et Griliches Z., [1984], « Econometric models for count data with an application to the patent-R&D relationship », Econometrica, Vol. 52 (4), p. 909-938. Jovanovic B., [1979], « Job Matching and the Theory of Turnover », Journal of Political Economy, 87, p. 972-990. Lancaster T. [1976], « Prediction of Poisson variables », Discussion paper, University of Hall. Mincer J. [1974], Schooling, Experience and earnings, Columbia University Press, for NBER, New York. Mincer J. et Jovanovic B., [1981], « Labor Mobility and Wages », in S.Rosen ed., Studies in Labor Markets, University of Chicago Press, p.21-63. Simonnet V., [1997], « Déterminants et rentabilité de la mobilité sur le marché du travail : Analyse Théorique et empirique », Thèse de doctorat, Université de Paris I, Panthéon Sorbonne. Sicherman N., Galor O. [1990], « A theory of career mobility », Journal of political economy, Vol. 98 n°1, p. 169-192. 25 Topel R. et Ward M.P., [1992], "Job Mobility and the Careers of Young Men", Quarterly Journal of Economics, 107 Trognon A. [1987], « Les méthodes du pseudo maximum de vraisemblance », Annales d’Economie et de Statistiques, n°6, p. 117-134. Verger D., [1996) « Aux sources des carrières salariales et de l’emploi : les firmes et les salariés », Economie et statistique, n°299, p.3-20. Willis R. J. [1986], « Wage determinants : a survey and reinterpretation of human capital earnings functions », Handbook of labor economics, Vol.1, Chap.10. Winkelmann R. [1994], Count data models : Econometric theory and an application to labor mobility, Springer-Verlag. 26 Annexe 1 : les modèles économétriques de base pour données de comptage Dans notre approche, c’est le nombre de déciles parcourus qui constitue la variable à modéliser. Si l’on distingue les sauts négatifs des sauts positifs, cette variable prend alors un petit nombre de valeurs positives et peut être appréhendée comme une donnée de comptage. Le modèle linéaire traditionnel n’est pas adapté pour expliquer comment de telles variables discrètes dépendent d’autres variables et il faut mettre en œuvre des méthodes économétriques adéquates. Pour ce type de données, le modèle de base de la littérature (Lancaster [1976], Hausman-Griliches [1979]) est le modèle de Poisson. La variable endogène yi est supposée suivre une loi de Poisson, et le paramètre (λi ) de cette distribution est une fonction des valeurs des variables exogènes (soit le vecteur xi pour l’observation i) : λi = exp xi b = E ( yi / xi ) = V ( yi / xi ) Ce modèle présente l’avantage de la simplicité et les paramètres (vecteur b) s’interprètent comme des élasticités quand les variables exogènes sont considérées en logarithmes. L’estimation de ce modèle par le maximum de vraisemblance conduit à des estimateurs convergents, même si la vraie loi n’est pas une loi de Poisson à condition que la moyenne soit correctement spécifiée (Gourieroux-Monfort-Trognon[1984]). En effet, pour cette distribution particulière, moyenne conditionnelle et variance conditionnelle doivent être égales. Lorsque cette égalité n’est pas vérifiée (situation de sur ou de sous dispersion), on doit estimer un modèle comprenant une erreur de spécification. Celui-ci peut être estimé de façon convergente par le pseudo-maximum de vraisemblance du premier ordre (PMV1) à condition que la moyenne soit correctement spécifiée. Dans ce cas, la log-vraisemblance et la pseudolog-vraisemblance ont la même expression et l’estimateur du MV et du PMV sont donc identiques. Les matrices de variance-covariance associées à ces deux méthodes sont différentes, et une fois les estimateurs identiques obtenus, pour le PMV, il faut veiller a recalculer la matrice de variance-covariance asymptotique qui doit tenir compte de l’erreur de spécification commise. Pour prendre en compte d’éventuels problèmes de sur-dispersion (variance conditionnelle supérieure à la moyenne conditionnelle) on peut considérer une extension du modèle précédent. Il suffit pour cela d’introduire un aléa dans la définition du paramètre de la distribution : λ*i = exp(xi b + ε i ) = λi exp ε i La variable endogène est toujours distribuée selon une loi de Poisson, mais son espérance conditionnelle est affectée d’une erreur aléatoire (prise en compte au niveau de l’exponentielle pour respecter la contrainte de positivité). Dans ce cas, la distribution conditionnelle de la variable endogène dépend de la distribution de cet aléa. Lorsque celle-ci est inconnue, on peut estimer le modèle par le pseudo-maximum de vraisemblance quasigénéralisé (PMVQG), qui n’est autre qu’une adaptation de la méthode des moindres carrés quasi-généralisés au PMV (Trognon 1987]). Les estimateurs sont alors convergents pour toutes les distributions pour lesquelles on dispose d’un moment du second ordre (GourierouxMonfort-Trognon [1984]) Si l’on peut spécifier complètement cette distribution, on peut alors estimer le modèle avec hétérogénéité par le maximum de vraisemblance (MV). HausmanHall-Griliches [1984] suggèrent de considérer que l’aléa est distribué suivant une loi de Gamma. La distribution conditionnelle de la variable endogène est alors une binomiale négative, l’on peut mettre en œuvre le MV. Les estimateurs ainsi obtenus sont asymptotiquement efficaces à condition que la spécification retenue soit correcte. 27 Annexe 2 : Mobilité d’emploi, mobilité de résidence et mobilité de département d’emploi. Mobilité de résidence selon la mobilité d’emploi Changement de résidence 000 001 010 011 100 101 110 111 Total Changement d'entreprise 000 001 010 011 100 101 110 111 Total 80,9% 69,8% 65,6% 64,2% 74,7% 63,0% 70,2% 62,4% 76,1% 3,2% 10,9% 3,7% 6,6% 3,7% 13,0% 3,6% 6,7% 4,2% 4,1% 4,0% 14,0% 10,4% 4,0% 5,0% 5,8% 8,3% 5,1% 1,6% 4,0% 3,1% 7,0% 1,9% 3,3% 2,3% 5,3% 2,3% 5,8% 5,2% 5,7% 4,9% 9,7% 6,4% 9,6% 6,0% 6,7% 1,2% 2,5% 0,9% 1,0% 1,9% 3,0% 1,7% 2,5% 1,5% 2,3% 2,1% 5,8% 3,3% 3,2% 4,1% 5,5% 5,5% 3,0% 0,8% 1,5% 1,1% 2,6% 0,7% 2,2% 1,4% 3,3% 1,1% 100 100 100 100 100 100 100 100 100 Mobilité d’emploi selon la mobilité de résidence Changement de résidence 000 001 010 011 100 101 110 111 Total Changement d'entreprise 000 001 010 011 100 101 61,1% 4,4% 3,5% 3,7% 14,4% 1,3% 44,7% 12,6% 3,7% 7,0% 13,1% 4,8% 46,6% 3,7% 11,2% 9,0% 11,4% 1,5% 39,7% 8,3% 5,6% 13,7% 12,2% 2,2% 50,2% 3,7% 3,5% 3,2% 21,4% 1,5% 47,9% 7,9% 2,5% 3,1% 18,9% 3,1% 43,0% 3,3% 7,8% 4,9% 15,5% 2,1% 42,2% 6,6% 4,3% 10,5% 10,1% 3,1% 57,5% 4,8% 4,1% 4,4% 14,6% 1,5% 110 111 8,4% 3,2% 7,9% 6,3% 10,4% 6,3% 9,1% 9,1% 13,0% 3,5% 10,1% 6,5% 16,4% 7,1% 11,6% 11,6% 9,1% 3,9% Total 100 100 100 100 100 100 100 100 100 Mobilité du lieu d’emploi selon la mobilité d’emploi Changement de Changement d'entreprise Département d'emploi 000 001 010 011 100 101 110 111 Total 000 80,1% 57,3% 56,6% 51,0% 68,7% 49,2% 57,9% 47,4% 71,3% 001 3,0% 18,8% 2,9% 7,1% 2,6% 18,0% 2,8% 7,4% 4,2% 010 3,3% 2,3% 19,2% 12,4% 3,1% 1,9% 6,7% 7,8% 4,7% 011 1,3% 5,5% 3,5% 11,4% 1,5% 4,4% 3,0% 7,3% 2,5% 100 7,8% 3,7% 6,3% 5,2% 16,8% 11,0% 14,9% 7,2% 9,4% 101 1,3% 5,6% 0,6% 1,3% 2,2% 7,2% 1,9% 4,4% 1,9% 110 2,5% 3,2% 8,5% 6,6% 3,7% 3,6% 10,3% 10,3% 4,1% 111 0,7% 3,6% 2,5% 4,9% 1,4% 4,7% 2,6% 8,2% 1,7% Total 100 100 100 100 100 100 100 100 100 28 Mobilité d’emploi selon la mobilité du lieu d’emploi Changement de Changement d'entreprise Département d'emploi 000 001 010 011 100 101 110 111 Total 000 64,6% 3,8% 3,2% 3,2% 14,1% 1,1% 7,4% 2,6% 100 001 40,5% 21,2% 2,8% 7,5% 8,9% 6,5% 6,0% 6,8% 100 010 39,7% 2,3% 16,7% 11,7% 9,6% 0,6% 12,9% 6,5% 100 011 30,5% 10,4% 5,7% 20,1% 8,5% 2,7% 10,9% 11,2% 100 100 47,6% 1,9% 2,7% 2,5% 26,2% 1,8% 14,4% 3,0% 100 101 40,8% 14,3% 1,3% 3,1% 16,9% 5,8% 8,9% 8,9% 100 110 34,1% 3,7% 8,4% 7,0% 13,3% 1,3% 22,5% 9,7% 100 111 24,3% 10,0% 5,8% 12,4% 11,7% 4,1% 13,6% 18,2% 100 Total 57,5% 4,8% 4,1% 4,4% 14,6% 1,5% 9,1% 3,9% 100 Mobilité de la résidence selon la mobilité du lieu d’emploi Changement de Changement de département d'emploi résidence 000 001 010 011 100 101 110 111 Total 000 94,5% 40,4% 25,7% 44,9% 34,7% 27,4% 41,3% 23,0% 81,2% 001 1,2% 48,5% 4,6% 4,9% 1,8% 11,0% 2,4% 8,9% 3,3% 010 1,1% 3,6% 55,7% 8,4% 5,8% 1,8% 11,2% 2,2% 4,2% 011 0,5% 2,1% 4,7% 33,8% 0,7% 6,8% 1,5% 11,5% 1,6% 100 1,7% 2,1% 3,6% 2,7% 50,5% 9,6% 7,0% 8,6% 6,1% 101 0,2% 1,2% 0,3% 1,8% 2,3% 35,9% 1,5% 6,3% 0,9% 110 0,6% 1,4% 4,8% 1,2% 3,2% 5,3% 33,1% 10,8% 2,2% 111 0,1% 0,7% 0,6% 2,3% 1,0% 2,1% 2,1% 28,6% 0,6% Total 100 100 100 100 100 100 100 100 100 Mobilité du lieu d’emploi selon la mobilité de la résidence Changement de résidence 000 000 001 010 011 100 101 110 111 Total 001 90,4% 29,4% 19,9% 24,9% 22,2% 17,6% 22,8% 13,3% 77,7% 1,7% 49,3% 2,8% 4,6% 1,2% 4,5% 2,2% 3,6% 3,3% Changement de département d'emploi 011 100 101 110 111 Total 1,3% 1,0% 3,4% 0,4% 1,5% 0,3% 100 5,7% 2,7% 4,5% 3,5% 2,2% 2,7% 100 53,5% 3,6% 11,1% 0,4% 8,0% 0,5% 100 12,2% 39,6% 3,8% 4,6% 2,9% 7,4% 100 2,4% 0,8% 66,9% 1,7% 3,4% 1,4% 100 1,2% 3,7% 20,0% 41,2% 4,9% 6,9% 100 8,9% 1,0% 12,0% 2,6% 45,5% 5,0% 100 3,6% 6,6% 12,7% 3,6% 10,2% 46,4% 100 4,0% 1,8% 8,1% 1,0% 3,0% 1,0% 100 010 29 Annexe 3 : Mobilité d’emploi selon le capital humain initial Hommes Changement d'emploi 000 001 010 011 100 101 110 111 Total 1 41% 11% 1% 8% 12% 1% 15% 11% 100 2 45% 6% 6% 8% 11% 2% 12% 10% 100 3 47% 6% 5% 6% 16% 3% 11% 6% 100 4 49% 6% 5% 6% 15% 2% 12% 5% 100 5 52% 6% 4% 5% 15% 2% 12% 4% 100 6 58% 5% 5% 4% 13% 1% 10% 4% 100 7 59% 5% 4% 4% 15% 2% 9% 3% 100 Capital humain Initial 8 9 10 11 60% 60% 63% 59% 5% 4% 5% 4% 4% 4% 4% 3% 4% 4% 5% 4% 14% 15% 11% 17% 1% 2% 2% 2% 9% 7% 7% 8% 3% 4% 4% 3% 100 100 100 100 12 63% 3% 4% 3% 11% 1% 9% 5% 100 13 56% 6% 3% 3% 19% 2% 9% 2% 100 14 66% 4% 4% 4% 12% 0% 8% 2% 100 15 Total 68% 53% 3% 5% 2% 5% 4% 5% 13% 14% 1% 2% 3% 10% 4% 5% 100 100 1 62% 8% 8% 0% 23% 0% 0% 0% 100 2 57% 6% 4% 6% 13% 0% 10% 4% 100 3 62% 4% 4% 3% 13% 1% 11% 3% 100 4 62% 3% 3% 4% 17% 2% 7% 2% 100 5 63% 5% 3% 3% 17% 1% 6% 3% 100 6 65% 4% 4% 3% 16% 1% 5% 2% 100 7 68% 3% 3% 3% 14% 1% 6% 2% 100 Capital humain Initial 8 9 10 11 73% 69% 66% 78% 3% 4% 3% 3% 3% 2% 4% 1% 3% 3% 3% 0% 12% 15% 14% 9% 1% 1% 1% 1% 4% 3% 5% 7% 1% 3% 3% 2% 100 100 100 100 12 74% 5% 3% 3% 10% 0% 5% 1% 100 13 73% 7% 1% 1% 13% 0% 2% 1% 100 14 77% 2% 2% 2% 9% 2% 6% 1% 100 15 Total 81% 65% 0% 4% 1% 3% 1% 3% 12% 15% 0% 1% 3% 6% 2% 2% 100 100 Femmes Changement d'emploi 000 001 010 011 100 101 110 111 Total 30 Annexe 4 Sauts moyens sur 9 ans selon la localisation Paris(1) Province(0) aux dates t = 0, t = 3, t = 6 et t= 9 1111 1110 1101 1100 1011 1010 1001 1000 0111 0110 0101 0100 0011 0010 0001 0000 -1,50 -1,00 -0,50 0,00 0,50 1,00 Hommes 1,50 2,00 Femmes Seuls sont représentés les trajectoires d’effectifs supérieurs à 100 soit 0,4 % de la population 31 2,50 3,00