Adair Bellache Bouznit - Université Paris-Est
Transcription
Adair Bellache Bouznit - Université Paris-Est
Le secteur informel en Algérie : déterminants et fonctions de gains Youghourta Bellache1, Philippe Adair2 et Mohamed Bouznit3 Résumé L’analyse d’un échantillon de 2026 actifs, tiré d’une enquête réalisée auprès de 1016 ménages dans la région de Bejaia en Algérie en 2012 identifie les déterminants de l’accès à l’emploi informel, grâce à un modèle logistique multinomial, et estime les fonctions de gains des salariés informels. Les caractéristiques sociodémographiques (âge, genre et situation matrimoniale) et la faiblesse du capital humain jouent un rôle majeur dans l’accès des individus au secteur informel. L’estimation de la fonction de gains des salariés informels met en évidence le rôle de l’expérience professionnelle, de l’âge des salariés et du secteur d’activité (commerce) dans la détermination des niveaux de salaire de ces derniers. Les différences entre les actifs formels et informels en matière de capital humain et des profils sociodémographiques renforcent la thèse de la segmentation du marché du travail (formel/informel). Mots-clés : Algérie, capital humain, fonction de gains, modèle logit, secteur informel JEL: 017, J24, J62 The informal sector in Algeria: determinants and earnings functions We analyse the determinants of access to informal employment upon a sample of 2026 active individual (collected from 1016 households in Bejaia), thanks to a logistic model and estimated earnings functions of informal employees in Algeria. Demographics (age, gender and marital status) as well as a weak human capital are major factors in the access to informal employment for wage-earners as well as self-employed individuals. The estimated earnings functions of informal employees highlight professional experience and the industry as key determinants. As regards human capital and the socio-demographic profile, sharp discrepancies between the formal and informal active population strengthen the assumption of segmented informal vs. formal labour market. Keywords: Algeria, earnings function, human capital, informal sector, labour mobility, logistic model Université de Bejaia et ERUDITE. [email protected]. Université Paris-Est Créteil, Equipe de Recherche sur l’Utilisation des Données Individuelles et Temporelles en Economie (ERUDITE). [email protected]. 3 Université de Bejaia. [email protected] 1 2 1 2 Introduction L’accroissement de l’emploi informel dans tous les pays en développement au cours de la décennie 2000 (Jutting et Laiglesia, 2009) fait de celui-ci une composante structurelle du marché du travail. Cet accroissement, qui intervient dans un contexte de faible création d’emplois par le secteur privé formel, résulte à la fois de la forte croissance de la population en âge de travailler, supérieure à celle de la population totale, et de la participation croissante des femmes au marché du travail. L’emploi informel en Algérie a connu une croissance significative (Charmes, 2009) depuis le processus de libéralisation de l’économie des années 1990, et conduit ainsi à la segmentation du marché du travail (formel/ informel). Les quelques études réalisées (recensées in Adair & Bellache, 2008) se focalisent sur l’évaluation quantitative du phénomène ; elles n’appréhendent pas les facteurs explicatifs de l’accès au secteur informel ainsi que les déterminants des gains en son sein qui conditionnent les politiques publiques de l’emploi (Archambault et Greffe, 1984 ; Adair et Bellache, 2009). Notre étude identifie, grâce à un modèle logistique multinomial, les déterminants de l’accès au secteur informel pour un échantillon de 2026 actifs, tiré d’une enquête représentative menée auprès de 1016 ménages dans la région de Bejaia en 2012, ainsi que les déterminants et l’estimation de fonctions de gains d’un sous-échantillon de 541 salariés (informels et formels) du secteur privé. La section 1 rappelle, dans un premier point, les définitions du BIT du secteur informel et de l’emploi informel adoptées dans le cadre de cette étude et analyse, dans un deuxième point, l’évolution de la situation de l’emploi en Algérie qui se caractérise par une forte progression de l’emploi informel. La section 2 présente la méthodologie suivie pour identifier les déterminants de l’accès au secteur informel : choix des variables et logit multinomial. La section 3 présente et analyse les résultats obtenus. La section 4 présente les résultats des fonctions de gains estimées pour les salariés formels et informels. 1. L’emploi informel en Algérie : définition et évolution L’analyse de l’évolution du marché du travail en Algérie, sur la base des enquêtes emploi de l’ONS, révèle la forte progression de l’emploi indépendant et du salariat non permanent qui relèvent essentiellement de l’emploi informel au sens du BIT. 1.1. Définition du secteur informel et de l’emploi informel Le secteur informel est, selon la résolution de la 15ème conférence internationale des statisticiens de travail du BIT de 1993 (BIT, 1993), constitué des unités économiques (non agricoles) qui appartiennent, en tant qu’entreprises individuelles, au secteur institutionnel des ménages, qui ne tiennent pas une comptabilité complète et dont la personnalité juridique est confondue avec celle des ménages dont elles dépendent et qui ne sont pas enregistrées. Il comprend ainsi les entreprises familiales n’employant aucun salarié permanent mais pouvant employer des travailleurs familiaux et/ ou des salariés occasionnels et les micro-entreprises employant un nombre de salariés permanents inférieur à un certain seuil (5 ou 10 salariés). Ainsi, sont considérées comme relevant du secteur informel, les entreprises répondant, de façon séparée ou combinée, aux critères suivants : le statut juridique (entreprises individuelles) ; la non tenue d’une comptabilité complète ; la taille de l’unité économique4, inférieure à un certain seuil (5 ou 10 employés) ; le non enregistrement (administratif, fiscal ou social) de l’entreprise ou le non enregistrement de ses salariés ; la situation dans la profession (l’auto-emploi des employeurs et indépendants, les aides familiaux et éventuellement les salariés occasionnels employés par ces employeurs et indépendants). La population occupée dans le secteur informel comprend toutes les personnes exerçant un emploi, pendant la période de référence, dans au moins une unité du secteur informel, indépendamment de la situation dans la profession (indépendant, salarié, aide familial …) et de l’exercice principal ou secondaire de cette activité (Charmes, 1994). En se référant ainsi à l’emploi occupé au sein de l’unité économique et non à l’individu, cette définition permet de cerner le phénomène de la pluriactivité. L’Emploi informel (BIT, 2002) est une notion plus large que celle du secteur informel. Il englobe le secteur informel et l’ensemble des emplois non déclarés des entreprises du secteur formel (schéma 1). Alors que le secteur informel se définit par les caractéristiques de l’unité économique dans laquelle travaille la personne, l’emploi informel se définit par les caractéristiques de l’emploi occupé (non déclaration, absence de contrat…) (Charmes, 2002). Le critère de la taille se réfère à l’établissement et non à l’entreprise (qui peut être composée de plusieurs établissements) dans la mesure où un certain nombre de micro-entreprises croissent en créant de nouveaux petits établissements plutôt que d’agrandir l’établissement originel (Charmes, 1997). 4 3 Schéma 1. Le secteur informel et l’emploi informel selon les définitions du BIT Secteur institutionnel Ménages et Entrepreneurs Individuels (EI) ∑ EI enregistrées et tenant une comptabilité complète et professions libérales Secteur formel Travail déclaré des entreprises enregistrées ∑ EI non agricoles, non enregistrées et ne tenant pas de comptabilité complète ≡ entreprises familiales n’employant aucun salarié permanent (indépendants) + micro-entreprises (< 5 ou 10) salariés permanents) Secteur informel Emploi informel Travail non déclaré des entreprises enregistrées Secteur institutionnel Sociétés et Quasi Sociétés Source : élaboré par nos soins 1.2. Evolution de l’emploi en Algérie : une forte progression de l’emploi informel L’expansion de l’emploi informel, qui intervient dans un contexte de faible création d’emplois par le secteur privé formel, résulte à la fois d’un accroissement de la population en âge de travailler, supérieur à celui de la population totale (FEMISE, 2006), et de la participation croissante des femmes au marché du travail dont une proportion importante s’oriente dans le secteur informel. L’analyse de l’évolution de l’emploi en Algérie, durant ces deux dernières décennies, met en évidence, d’une part, la modification de la structure de l’emploi en faveur de l’auto-emploi et du salariat précaire qui relèvent essentiellement du secteur informel et, d’autre part, une forte progression de l’activité féminine dont près de la moitié appartient au secteur informel. 1.2.1. Une forte expansion de l’emploi informel salarié et indépendant L’analyse des résultats des enquêtes emploi de l’ONS révèle une très forte progression de l’auto-emploi et de l’emploi salarié non permanent qui relèvent essentiellement de l’emploi informel. Cette évolution a induit une modification de la structure de l’emploi au détriment du salariat et en faveur de l’auto-emploi. L’effectif des employeurs et indépendants, dont (86%) sont des indépendants selon l’enquête ménages de 2010 (ONS, 2012), a plus que doublé, tandis que l’effectif des salariés permanents augmente à peine alors que sa part relative dans la population occupée baisse de plus de la moitié (59%) en 1992 (46,6%) en 2000 à un tiers (32,9%) en 2010. Tableau 1. Répartition des occupés selon l’affiliation à la sécurité sociale en milliers et en % en 2010 Masculin Féminin Total non affiliés Total % % % % Employeurs 151 39,7 5 24 156 38,8 402 4,1 Indépendants 1576 77,1 414 96,4 1990 80,5 2473 25,4 Salariés permanents 111 4,1 16 3 127 3,9 3208 32,9 Salariés non permanents 2106 73,1 117 31,8 2223 68,4 3250 33,4 Aides familiaux 262 94 122 97,7 384 95,1 404 4,1 Total 4204 50,9 675 45,8 4879 50,1 9735 100 Source : établi à partir des données de l’ONS, 2012 Le salariat non permanent a connu une expansion considérable (son volume a été multiplié par 7,4 entre 1992 et 2010). Sa part relative dans la population occupée est passée de moins de 10% en 1992 (8,9%) à un tiers (33,3%) en 2010, dépassant ainsi, pour la première fois, en 2010, le volume du salariat permanent. Le taux de chômage (apparent), après une augmentation durant la décennie 1990, connait durant cette dernière décennie une baisse considérable (29,7% en 2000 et à peine 10% en 2010). Il est frappant de 4 constater que cette baisse du taux de chômage s’accompagne d’une augmentation quasi-symétrique de l’emploi salarié non permanent dont 68,4% est informel et aussi de l’emploi indépendant qui est informel dans 3 cas sur 4 selon l’enquête emploi ONS de 2010 (graphique 1 et tableau 1). Graphique 1. Evolution et structure de la population occupée (1992-2010) 70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00 1992 1996 1997 2000 2001 2003 2004 Employeurs et indépendants Salariés permanents Aides familiaux Tx chômage 2005 2006 2007 2008 2009 2010 Salariés non permanents Source : établi à partir des données des enquêtes emploi de l’ONS Selon l’enquête emploi de 2010, 50,1% de la population occupée totale (4879000/9735000) n’est pas affiliée à la sécurité sociale. Celle-ci est constituée pour près de moitié (45,5%) des salariés non permanents et de 40,8% d’indépendants. Les salariés non permanents qui représentent 33,4% de la population occupée totale en 2010 relèvent essentiellement du secteur privé (80,8%) ; 80,6% des ces derniers sont des hommes et 19,2% des femmes. Le secteur public emploie 622000 salariés non permanents (67,2% hommes et 32,8% de femmes). Sur les 368000 salariées non permanentes, 55,4% appartiennent au secteur public. Les salariés non permanents dominent dans le secteur du BTP (43,6%) ; le commerce et les services (32%). Par ailleurs, plus de 80% des indépendants sont informels et près de 70% des salariés non permanents dont le nombre s’est accru fortement ces dernières années appartiennent au secteur informel. Hors agriculture, l’emploi informel, au sens de la définition du BIT, représente 3921000 occupés en 2010, soit 45,6% de l’emploi total non agricole. Il domine dans le secteur du BTP (37,4%), dans le commerce (26,7%) et les transports et services (18,2%) mais aussi dans l’industrie (17,2%) (ONS, 2012). L’emploi informel a connu une nette progression durant cette dernière décennie, passant de 33,5% en 2001, à 41,3% en 2005 et 45,6% de l’emploi total non agricole en 2010 (tableau 2). Tableau 2. Evolution de l’emploi informel non agricole en milliers et en % (2001, 2005, 2010) 2001 2005 Emploi Emploi % emploi Emploi Emploi % emploi Emploi total informel informel total informel informel total Masculin 4143 1378 33,3 5568 2379 42,7 7221 Féminin 773 270 34,9 1096 373 34,1 1379 Total 4917 1648 33,5 6664 2752 41,3 8600 2010 Emploi % emploi informel informel 3336 46,2 586 42,5 3921 45,6 Source : ONS, 2012 1.2.2. Progression du taux d’activité féminine et de l’emploi informel féminin Le taux d’activité féminine connait un accroissement continu notamment en milieu urbain5 sous l’effet conjugué de l’instruction des femmes et son corolaire la baisse de la fécondité 6 et de l’urbanisation Le taux d’activité est le rapport entre la population active et la population en âge de travailler (15 ans et plus). Le taux d’activité global, selon l’enquête emploi nationale 2010, est de 41,7% (60,9% pour les hommes et 14,2% pour les femmes). Le taux d’activité féminine est de 16,3% en milieu urbain et 9,9% en milieu rural. Pour les hommes c’est en milieu rural que le taux d’activité est plus élevé (71,5%). 5 5 croissante qui induit, d’une part, des opportunités d’emploi pour les femmes notamment dans les activités de services et de commerce et d’autre part de nouveaux besoins dont la satisfaction nécessite souvent la mise à contribution de la femme (Abramo et Valenzuela, 2005). L’emploi féminin a ainsi connu une forte expansion durant ces quatre dernières décennies. Son volume a été multiplié par plus de 10 entre 1977 et 2011 alors que l’emploi total a juste triplé durant la même période (tableau 3). Tableau 3. Evolution de l’emploi féminin (1977-2011) Population active féminine Population active totale % population active féminine/population active totale 1977 159544 3047952 5,2 1987 430330 5341102 8,1 1991 623910 5958520 10,5 2001 2011 1288000 1885000 8568000 10662000 15,0 17,7 Source : ONS, 2013 Le taux d’activité féminine varie selon l’âge et le niveau d’instruction. Il atteint son niveau le plus élevé chez les jeunes femmes -20-34 ans-(26,5% chez les femmes âgées de 25 à 29 ans et 21% pour la tranche d’âge 30-34 ans) et faible chez les femmes de plus 35 ans (ONS, 2012). Il est aussi fortement corrélé au niveau d’instruction. Il augmente de façon très nette et sensible avec le niveau d’instruction (il est de 4% pour les femmes sans instruction, 7% pour les femmes ayant le niveau primaire, 12% pour celles ayant le niveau moyen, 18% pour celles disposant d’un niveau secondaire et 43% pour celles ayant un niveau supérieur) (ONS, 2012). Le niveau d’instruction apparait ainsi comme un facteur déterminant de l’insertion des femmes sur le marché du travail notamment formel. Près de la moitié (45,8%) des femmes occupées en 2010 (ONS, 2012) ne sont pas affiliées à la sécurité sociale et relèvent ainsi du secteur informel, soit une augmentation de près de 8 points par rapport à 2005 (38,1%). L’emploi informel féminin est représentée essentiellement par l’auto-emploi : 61,3% des femmes qui opèrent dans le secteur informel sont des indépendantes ; 18% sont des aides familiales et 17,3% sont des salariées non permanentes (ONS, 2012). En outre, la quasi-totalité (96,4%) des femmes exerçant une activité indépendante appartiennent au secteur informel (tableau 1). 2. Données et méthode d’analyse 2.1. Les données L’étude économétrique a été réalisée sur un échantillon de 2026 actifs (non agricoles), tiré de l’enquête ménages, réalisée en 2012 à Bejaia, une région située au centre est de l’Algérie, auprès d’un échantillon représentatif de 1016 ménages, répartis sur 12 communes urbaines et rurales7. La variable dépendante, que l’on tente d’expliquer est l’accès aux différents segments du marché du travail définis selon l’approche dualiste (formel/informel). Cette variable comprend 5 modalités : chômeur, salarié dans le secteur formel, salarié dans le secteur informel, indépendant formel et indépendant informel. Le salarié informel correspond ici au salarié non assuré, c’est-à-dire non déclaré à la caisse nationale de l’assurance sociale (CNAS) et l’indépendant informel8 est celui qui n’est pas affilié à la CASNOS (caisse de l’assurance sociale des non salariés) et qui ne paie pas d’impôts. Les variables indépendantes utilisées dans le modèle logistique multinomial se rapportent aux caractéristiques sociodémographiques des actifs (âge, genre, situation matrimoniale), à leur capital humain, approximé ici par le niveau d’instruction, au statut de l’emploi antérieur et au milieu de résidence (urbain/rural). 2.2. Le modèle logistique multinomial Nous avons utilisé le modèle logistique multinomial afin d’identifier les facteurs explicatifs de l’accès des individus aux différents segments du marché du travail, particulièrement aux segments du salariat et du travail indépendant informels. Le taux de fécondité en Algérie, défini comme le nombre moyen d’enfants vivants mis au monde par une femme, est passé de plus de 7 dans les années 1960 et 1970, à moins de 6 durant la deuxième moitié des années 1980, à 3,45 en 1995 et 2,62 en 2010. 7 L’enquête sur le secteur informel dans la wilaya de Bejaia réalisée en 2012 et qui s’inscrit dans le prolongement d’une première enquête réalisée dans la même région en 2007 auprès de 522 ménages, a porté sur un échantillon de 1016 ménages (5513 individus) dont 206 ménages déjà enquêtés en 2007. Les ménages enquêtés sont localisés essentiellement dans les grands centres urbains de la région et répartis sur 12 communes (6 urbaines et 6 rurales). L’échantillon des ménages enquêtés a été tiré de façon aléatoire au niveau des 12 communes retenues. Ces dernières représentent près d’un quart du total des communes de la wilaya et regroupent plus de la moitié (53%) de l’ensemble des ménages de la wilaya recensés à l’occasion du recensement général de la population et de l’habitat (RGPH) en 2008. 8 Les (45) aides familiaux qui sont tous informels ont été intégrés dans la catégorie des indépendants au titre de l’auto-emploi. 6 6 Nous estimons une équation de l’offre de travail grâce à ce modèle pour calculer la probabilité qu’un individu s’insère sur l’un des segments du marché du travail plutôt que de rester au chômage. Cinq alternatives sont offertes aux individus : rester au chômage, travailler comme salarié dans le secteur formel, comme salarié dans le secteur informel, comme indépendant dans le secteur formel, et enfin comme indépendant dans le secteur informel. En supposant que ces 5 alternatives soient indépendantes9 et que les termes d’erreurs suivent une distribution logistique, le modèle logistique multinomial se présente sous la forme ci-après. Soit : Dans l’équation (1) les (i) et (j) sont les indices, respectivement des individus et des choix, βj représente le vecteur des paramètres liés aux caractéristiques xi. tel que modèle génère une indétermination levée par la simple normalisation βj =0. Chaque probabilité (P) est comprise entre 0 et 1 et la somme de ces derniers (se réfèrent à indices ou à paramètres), celles-ci (s’il s’agit des probabilités) équivaut à l’unité : le modèle s’écrit alors : Ce modèle permet d’identifier le rôle des déterminants de l’offre de travail de l’ensemble des (2026) individus âgés de 15 ans et plus et qui sont regroupés en 5 classes correspondant chacune à un segment du marché du travail : chômeur (467), salarié dans le secteur formel (849), salarié dans le secteur informel (263), indépendant dans le secteur formel (207), indépendant dans le secteur informel (240)10. En définissant la situation de chômeur comme classe de référence (dont les coefficients sont normalisés à 0), on cherche à estimer l’effet de certaines variables explicatives sur la probabilité d’accéder aux quatre autres segments du marché du travail. Trois types de variables sont introduits dans le modèle, des variables continues (âge, âge2), des variables binaires (genre, situation matrimoniale, milieu de résidence) et des variables qualitatives avec plus de deux modalités (niveau d’instruction, statut dans l’emploi antérieur). Dans le modèle estimé où le groupe des chômeurs est pris comme référence, les coefficients estimés pour les autres groupes (salarié formel, salarié informel, indépendant formel, indépendant informel) indiquent la variation de la probabilité (logarithme des chances de choix) d’accès à ces quatre groupes plutôt que de rester chômeur. En outre, on évalue la probabilité (variation du logarithme de chances de choix) de s’insérer, par exemple, dans le salariat formel plutôt que dans le salariat informel ou encore celle d’accéder à l’auto-emploi dans le secteur informel plutôt qu’au statut de salarié dans le secteur formel, en comparant les coefficients estimés pour ces groupes. 3. Les déterminants de l’accès au secteur informel Pour cerner les déterminants de l’accès aux segments du secteur informel, nous avons estimé, à l’aide du modèle logistique multinomial, une équation de l’offre de travail globale (tableau 3) et deux autres équations partielles concernant respectivement l’accès à l’activité indépendante (formelle et informelle) et l’accès au salariat (formel et informel) (tableaux 4 et 5). 3.1. L’accès au secteur informel : le rôle des variables démographiques et du capital humain Les résultats du modèle estimé selon le maximum de vraisemblance (tableau 4) pour l’ensemble des actifs (2026) sont de qualité acceptable. Les variables explicatives sont significatives (le χ2 est très significatif) du positionnement des individus dans les différents segments. Le pouvoir explicatif (le pseudo R 2 est de 41,1%) est relativement élevé et la capacité prédictive du modèle est satisfaisante (50,4% des individus de l’échantillon sont correctement classifiés). Cette hypothèse parait réaliste dans la mesure où la pluriactivité, telle que mise en évidence par l’enquête de Bejaia mais également par d’autres enquêtes (Adair, 2002), reste marginale. 10 Sur les 240 indépendants informels, il y’a 91 travailleuses à domicile (37,9%). 9 7 Tableau 4. Estimation logistique multinomiale des déterminants de l’accès aux segments du marché du travail Variables Démographie Sexe masculin Age (Age)2 Marié Education Sans-primaire Moyen Secondaire Emploi Milieu urbain Salarié formel Salarié informel Indépendant formel Indépendant informel Constante -2 Log de vraisemblance χ2 (sig) Pseudo R2 (Nagelkerke) Cas correctement prédits (%) N Salarié formel B Exp(B) salarié informel B Exp(B) indépendant formel B Exp(B) Indépendant informel B Exp(B) -,150 ,202*** -1,74E-03** 1,039*** ,861 1,224 ,998 2,826 8,648E-02 2,099E-02 -5,41E-05 ,526** 1,090 1,021 1,000 1,693 ,549** 5,673E-02 -1,47E-04 1,457*** 1,731 1,058 1,000 4,293 -,106 ,123** -1,28E-03* 1,078*** ,899 1,130 ,999 2,939 -1,498*** -,982*** -,420** ,224 ,375 ,657 1,214*** 1,428*** ,737** 3,368 4,171 2,091 -1,288*** -,971*** -,162 ,276 ,379 ,850 1,817*** 1,661*** 1,744*** 6,152 5,266 5,719 -2,86E-02 19,278*** 19,758 19,177*** ,972 2,4E+08 3,8E+08 2,1E+08 -,146 19,185*** 20,000 18,676*** ,864 2,1E+08 4,9E+08 1,3E+08 -,119 19,792*** 19,845 19,666*** ,888 3,9E+08 4,2E+08 3,5E+08 -8,7E-02 19,563 19,581 20,086 ,917 3,1E+08 3,2E+08 5,3E+08 19,480*** 2,9E+08 19,669*** 3,5E+08 20,403*** 7,3E+08 20,175 5,8E+08 -4,082*** 3686,723 -2,699** -3,304** -5,431*** 997,372 (,000) 0,411 50,4% 2026 a) La modalité de référence est : chômeur. b) * = significatif à 10% ; ** = significatif à 5% ; *** = significatif à 1% Source : Enquête secteur informel dans la région de Bejaia, 2012 Les déterminants de l’accès aux différents segments du marché du travail et particulièrement aux segments du secteur informel reposent sur l’influence des variables relatives à la démographie et au niveau du capital humain quant à l’accès au secteur informel. 3.1.1. Le rôle des variables sociodémographiques Les variables sociodémographiques (genre, âge et situation matrimoniale des actifs) exercent une influence quant à l’accès à tel ou tel segment du marché du travail. En effet, le fait d’être un homme accroit le logarithme des chances de choix d’accéder au marché du travail comme indépendant dans le secteur formel plutôt que de rester au chômage (les hommes ont 1,73 plus de chances relativement aux femmes). L’âge augmente la probabilité de s’insérer sur le marché du travail (formel et informel) relativement aux chômeurs. Les individus âgés ont plus de chances d’appartenir au secteur formel comme salariés plutôt qu’au secteur informel comme salariés ou comme indépendants On note également que les individus âgés ont plus de chances d’exercer comme indépendants que comme salariés dans le secteur informel. Toutes choses égales par ailleurs, le fait d’être marié augmente considérablement la probabilité d’accès à un emploi particulièrement dans le secteur formel (salarié ou indépendant) relativement aux chômeurs. On observe également que les individus mariés ont plus de chances d’accéder au statut de salarié ou d’indépendant dans le secteur formel plutôt que de travailler comme salarié dans le secteur informel. Dans le secteur informel, les individus mariés ont plus de chances de travailler comme indépendants que comme salariés. Ainsi, les célibataires ont plus de chances de rester chômeurs ou de s’employer dans le secteur informel particulièrement comme salariés plutôt que dans le secteur formel. Le fait que les individus mariés aient plus de chances que les célibataires d’accéder au marché du travail (notamment formel) peut s’expliquer par une recherche plus active d’emploi (via notamment les réseaux personnels et familiaux) dictée par la nécessité de subvenir aux besoins de leur ménage. 3.1.2. Le rôle du capital humain Le niveau du capital humain, approximé par la variable niveau d’instruction, joue un rôle important dans l’accès aux segments formel et informel du marché du travail. Par rapport au niveau d’instruction le plus élevé (niveau supérieur), le fait d’avoir un faible niveau d’instruction augmente la probabilité de s’insérer sur le marché du travail informel particulièrement comme indépendant relativement aux chômeurs, d’une part, et réduit le logarithme des chances de choix d’accès aux segments formels du marché du travail d’autre part. Ainsi, lés individus ayant au plus un niveau d’instruction primaire ont 4 fois moins de chances de travailler comme salarié ou indépendant dans le secteur formel par rapport aux chômeurs. Ces mêmes 8 individus ont respectivement 6,1 et 3,3 fois plus de chances de travailler comme indépendant et salarié dans le secteur informel. 3.1.3. La mobilité socioprofessionnelle et le milieu de résidence Le modèle estimé montre que la mobilité socioprofessionnelle agit positivement sur l’accès à l’emploi aussi bien dans le secteur formel que dans le secteur informel. Toutes choses égales par ailleurs, le fait d’avoir exercé un emploi antérieur notamment comme salarié dans le secteur formel accroit la probabilité de trouver un emploi particulièrement comme indépendant dans le secteur formel, relativement aux chômeurs. Enfin, le milieu de résidence (urbain ou rural) n’exerce aucune influence sur la probabilité d’accès au marché du travail (formel ou informel). 3.2. Les déterminants de l’accès au secteur informel selon les équations partielles Afin de vérifier les résultats obtenus pour l’ensemble des individus-salariés et indépendants- (équation de l’offre de travail globale), nous avons estimé deux équations partielles, l’une spécifique aux indépendants (447) et l’autre aux salariés (1112). 3.2.1. Les déterminants de l’accès à l’activité indépendante selon le logit multinomial L’estimation des déterminants de l’accès à l’activité indépendante -formelle ou informelle- (tableau 5) s’avère assez satisfaisante : χ2 significatif, pseudo R2 de 52,0% et taux de classification correcte 66,6% attestent de la pertinence et du pouvoir explicatif et prédictif élevé du modèle. Elle confirme l’importance des variables sociodémographiques (âge, situation matrimoniale et genre) et éducatives qui agissent de façon significative sur la probabilité d’accéder à une activité indépendante dans le secteur formel ou informel et qui a été mise en évidence par l’estimation précédente (équation de l’offre globale). Tableau 5. Estimation logistique multinomiale des déterminants de l’accès à l’emploi indépendant formel et informel Variables Indépendant formel Indépendant informel B Exp(B) B Exp(B) Démographie Sexe masculin ,462** 1,588 -,146 ,864 Age 1,118* 1,125 ,155** 1,168 (Age)2 -8,44E-04 ,999 -1,65E-03** ,998 Marié 1,334*** 3,798 ,990*** 2,690 Education Sans-primaire -1,257*** ,285 1,879*** 6,547 Moyen -,884** ,413 1,759*** 5,808 Secondaire -,171 ,842 1,748*** 5,742 Emploi Milieu urbain -,290 ,748 -,149 ,861 Salarié formel 20,326*** 6,7E+08 20,241 6,2E+08 Salarié informel 20,464*** 7,7E+08 20,473 7,8E+08 Indépendant formel 20,026*** 5,0E+08 20,668 9,5E+08 Indépendant informel 20,632*** 9,1E+08 20,470 7,8E+08 Constante -4,268*** -6,026*** -2 Log de vraisemblance 1101,483 χ2 (sig) 553,385 (,000) Pseudo R2 (Nagelkerke) ,520 Cas correctement prédits (%) 66,6 N 914 a) La modalité de référence est : chômeur. b) * = significatif à 10% ; ** = significatif à 5% ; *** = significatif à 1% Source : Enquête secteur informel dans la région de Bejaia, 2012 3.2.2. Les déterminants de l’accès au salariat selon le logit multinomial L’estimation du modèle logistique multinomial uniquement pour les (1112) salariés s’avère plus satisfaisante : un χ2 significatif, ainsi que le taux de classification correcte (65%) montrent la pertinence et la robustesse du pouvoir prédictif du modèle (pseudo R2-44,5- plus élevé). Elle confirme le rôle des variables démographiques (âge et situation matrimoniale) et du niveau du capital humain dans l’accès au statut de salarié dans le secteur informel (tableau 6). Concernant l’âge, toutes choses égales par ailleurs, chaque année supplémentaire accroit la probabilité de travailler comme salarié dans le secteur formel plutôt que de rester chômeur. Le fait d’être marié accroit fortement la probabilité d’accéder au salariat formel plutôt que de rester chômeur ou d’exercer comme salarié dans le secteur informel. Le fait d’avoir un faible niveau d’instruction réduit la probabilité d’accéder au salariat formel et accroit la probabilité d’accéder au salariat informel. Les individus ayant au plus le 9 niveau primaire ont 3,2 fois plus de chances de travailler comme salariés dans le secteur informel comparativement aux chômeurs. Comme pour les indépendants, le fait d’avoir exercé un emploi antérieur comme salarié dans le secteur informel accroit la probabilité de retrouver un emploi comme salarié dans le secteur formel (les chômeurs ont moins de chances de trouver un emploi). Tableau 6. Estimation logistique multinomiale des déterminants de l’accès à l’emploi salarié formel et informel Variables Salarié formel Salarié informel B Exp(B) B Exp(B) Démographie Sexe masculin -,125 ,882 9,751E-02 1,102 Age ,156** 1,169 -5,58E-03 ,994 (Age)2 -1,15E-03 ,999 3,263E-04 1,000 Marié 1,099*** 3,001 ,554** 1,740 Education Sans-primaire -1,544*** ,214 1,186*** 3,275 *** Moyen -1,046 ,351 1,381*** 3,978 Secondaire -,480* ,619 ,714** 2,043 Emploi Milieu urbain ,125 1,134 -,118 ,888 Salarié formel 19,521 3,0E+08 19,377 2,6E+08 Salarié informel 19,945*** 4,6E+08 20,096 5,3E+08 E Indépendant formel 19,206 2,2 +08 18,637 1,2E+08 Indépendant informel 19,819*** 4,0E+08 19,984 4,8E+08 Constante -3,378*** -2,274** -2 Log de vraisemblance 1680,066 χ2 (sig) 763,859 (,000) Pseudo R2 (Nagelkerke) ,445 Cas correctement prédits (%) 65,0 N 1579 a) La modalité de référence est : chômeur. b) * = significatif à 10% ; ** = significatif à 5% ; *** = significatif à 1% Source : enquête secteur informel, 2012 4. Les déterminants des gains des salariés formels et informels En se basant sur le modèle de Mincer (1958, 1974), nous pouvons identifier les déterminants des revenus des salariés à travers l’estimation d’une fonction de gains. Le modèle standard de Mincer (1974) décrit l’évolution du logarithme des salaires par une fonction de gains avec, comme variables explicatives, la scolarité (le nombre d’années d’études initiales) et le nombre d’années d’expérience professionnelle (encadré 1). A cette spécification standard qui met en évidence les deux composantes principales du capital humain, en tant que principaux déterminants de la productivité, on peut rajouter d’autres variables relatives à l’offre de travail (sexe, âge, situation matrimoniale) et d’autres relatives à la demande de travail (secteur d’activité) et à l’environnement (milieu urbain ou rural). L’analyse en coupe instantanée porte sur l’échantillon de salariés du secteur privé (541) extrait de l’enquête ménages de 2012. Cet échantillon est scindé en deux sous-échantillons : les salariés informels (263) et les salariés formels (305) pour estimer deux fonctions de gains spécifiques. Le modèle de gains consiste en un ensemble d’estimations du modèle de base de Mincer où la variable dépendante est représentée par le logarithme du salaire mensuel des salariés et les variables indépendantes se rapportent, outre les composantes du capital humain (éducation et expérience professionnelle), aux caractéristiques individuelles de l’offre de travail (sexe, âge, situation matrimoniale…) et à celles de la demande de travail (secteur d’activité) et du milieu (urbain/rural). L’analyse est menée en deux temps. Nous avons d’abord estimé une fonction de gains réduite, conformément au modèle de base de Mincer, où seules les deux variables caractérisant le capital humain de l’individu sont prises en compte (l’éducation et l’expérience professionnelle, approximée ici par l’ancienneté dans le travail). Ensuite, nous avons estimé une fonction de gains qui prend en considération d’autres variables indépendantes, susceptibles d’influer sur la fonction de gains des salariés, comme le genre, l’âge, la situation matrimoniale, le secteur d’activité et le type de milieu. Les résultats des tests économétriques, pour les salariés informels et formels, sont présentés dans les tableaux ci-après. 10 4.1. Les déterminants des gains des salariés informels : investissement professionnel, âge et secteur d’activité L’estimation de la fonction de gains de l’échantillon de (263) salariés informels porte sur le logarithme du salaire mensuel. Elle ne retient que deux variables (éducation, expérience professionnelle) conformément au modèle élémentaire de Mincer (1974). La variable éducation (variable discrète) est segmentée selon le nombre d’années d’études (sans instruction-primaire, moyen, secondaire, supérieur) et la variable expérience professionnelle est approximée ici par l’ancienneté dans le travail et exprimée en nombre d’années (tableau 7). Le pouvoir explicatif du modèle est relativement faible (14,2%) en raison de la spécification élémentaire de celui-ci. La variable éducation (niveau d’instruction) n’est pas significative et ne contribue donc pas à l’amélioration des gains des salariés informels. En revanche, la variable expérience professionnelle est significative. Une année de travail (et d’apprentissage) supplémentaire permet, en moyenne, d’améliorer le salaire de 3,9%. Ceci est congruent avec le fait que les salariés qui exercent dans ce secteur disposent d’un faible niveau d’instruction qu’ils compensent par l’apprentissage sur le tas. Tableau 7. Estimation du modèle élémentaire de fonction de gains des salariés informels Variables explicatives Coefficient Standard Error t-Statistic (estimé) (variance du (Student) coefficient) Constante 9.648810*** 0.511938 18.84761 Sans instruction-primaire -0.091777 0.510129 -0.179909 Moyen -0.027503 0.505422 -0.054417 Secondaire -0.032104 0.513572 -0.062511 Supérieur -0.043900 0.492838 -0.089075 Expérience professionnelle 0.039042*** 0.007472 5.225269 Expérience professionnelle2 -0.000643*** 0.000189 -3.399219 R2 0.142224 R2 ajusté 0.122120 * = significatif à 10% ; ** = significatif à 5% ; *** = significatif à 1% Prob (significativité) 0.0000 0.8574 0.9566 0.9502 0.9291 0.0000 0.0008 Source : nos calculs Encadré 1. Le modèle élémentaire de la fonction de gains de Mincer Le modèle élémentaire de la fonction de gains (Mincer, 1974) met en évidence l’importance du capital humain dans la détermination des revenus des salariés. Il permet ainsi d’estimer les taux de rendement des deux principales composantes du capital humain, l’éducation et l’expérience professionnelle. Le modèle élémentaire retient tout d’abord l’effet de la scolarité (l’investissement éducatif) sur le revenu (équation 1). Il inclut, par la suite, l’expérience professionnelle pour en estimer le rendement (équation 2) et une variable quadratique de l’expérience professionnelle pour tenir compte de l’hypothèse de la décroissance de la productivité marginale de l’investissement professionnel (équation 3). Le modèle élémentaire se présente comme suit : : salaire de l’individu (i) à la période (t) : logarithme du salaire : nombre d’années d’études passées dans le système éducatif par l’individu (i) : rendement de l’investissement éducatif : ensemble des éléments aléatoires intervenant dans la détermination du salaire La contribution de l’investissement éducatif à l’accroissement du salaire de l’individu (ris) exprime de combien, en moyenne, une année d’études augmente le salaire en %. L’introduction de la deuxième composante du capital humain, l’expérience professionnelle de l’individu (les apprentissages réalisés au cours de la vie active) aboutit à la formulation suivante de la fonction de gains : : rendement de l’expérience professionnelle de l’individu i à la période t La contribution de l’investissement professionnel à l’accroissement du salaire de l’individu à la période t ( ) exprime de combien, en moyenne, une année d’expérience augmente le salaire en %. L’hypothèse de décroissance de la productivité marginale de l’investissement professionnel, lequel diminue avec l’âge, conduit à introduire une variable quadratique dans la fonction de gains. Source : Mincer (1974), composé par nos soins L’introduction de nouvelles variables dans le modèle, relatives aux caractéristiques individuelles (âge, genre et situation matrimoniale), à la demande de travail (secteur d’activité) et au type de milieu (urbain ou rural), conformément à l’analyse de Mincer (1974), permet de mettre évidence l’influence d’autres variables sur la 11 fonction de gain des salariés informels (tableaux 8 et 9). Il s’agit des variables âge et du secteur d’activité (le commerce). Une année d’âge supplémentaire accroit, en moyenne, le salaire de 6,5%. De même, une année supplémentaire d’ancienneté dans le travail permet d’améliorer le salaire de 1,6%. La variable genre ainsi que la situation matrimoniale (marié ou célibataire) ne sont pas significatives. L’effet du secteur d’activité est significatif : le fait de travailler dans le secteur du commerce permet d’augmenter les gains des salariés informels de 19% par rapport aux autres secteurs. Tableau 8. Estimation du modèle étendu de fonction de gains des salariés informels (offre et demande de travail) Variables explicatives Coefficient Standard Error t-Statistic Prob (estimé) (variance du (Student) (significativité) coefficient) Constante 8.492539*** 0.608242 13.96244 0.0000 Sans instruction-primaire -0.011896 0.507828 -0.023424 0.9813 Moyen 0.062577 0.503518 0.124279 0.9012 Secondaire 0.040608 0.510697 0.079515 0.9367 Supérieur 0.030384 0.490896 0.061894 09507 Expérience professionnelle 0.016192** 0.005574 2.905037 0.0040 Age 0.065900*** 0.015962 4.128565 0.0000 Age2 -0.000860*** 0.000207 -4.160623 0.0000 Homme 0.040040 0.060636 0.660333 0.5096 R2 0.163782 R2 ajusté 0.137445 * = significatif à 10% ; ** = significatif à 5% ; *** = significatif à 1% Source : nos calculs Tableau 9. Estimation du modèle étendu de fonction de gains des salariés informels (offre et demande de travail) Variables explicatives Coefficient Standard Error t-Statistic Prob (estimé) (variance du (Student) (significativité) coefficient) Constante 9.834101*** 0.533534 18.43201 0.0000 Sans instrution-primaire -0.231722 0.535185 -0.432975 0.6654 Moyen -0.130559 0.530260 -0.246217 0.8057 Secondaire -0.192543 0.541026 -0.355885 0.7222 Supérieur -0.170505 0.518524 -0.328827 0.7426 Expérience professionnelle 0.015353*** 0.002886 5.320401 0.0000 Commerce 0.190148** 0.090075 2.111003 0.0358 Industrie 0.067415 0.141365 0.476885 0.6339 BTPH 0.013418 0.074330 0.180521 0.8569 R2 0.123540 R2 ajusté 0.095493 * = significatif à 10% ; ** = significatif à 5% ; *** = significatif à 1% Source : nos calculs 4.2. Les déterminants des gains des salariés formels : âge et ancienneté L’estimation de la fonction de gains pour les (305) salariés formels permet d’identifier les principaux déterminants des revenus de ces derniers (tableaux 10 et 11). Le pouvoir explicatif du modèle élémentaire est médiocre : la prise en considération des deux variables du capital humain (éducation et ancienneté) ne permet d’expliquer que 4,8% des différentiels de gains des salariés du secteur formel. Seule la variable expérience professionnelle est significative. Ainsi, une année supplémentaire dans le travail permet d’améliorer le salaire de 3,4%. La prise en considération des autres variables (âge, genre, situation matrimoniale, secteur d’activité…) permet d’améliorer légèrement la qualité du modèle (tableau 10). L’ensemble des estimations effectuées mettent en évidence uniquement l’influence de l’âge ; les autres variables ne sont pas significatives. Une année d’âge supplémentaire accroit, en moyenne, le salaire des salariés formels de 7,8%. 12 Tableau 10. Estimation du modèle élémentaire de fonction de gains des salariés informels Variables explicatives Coefficient Standard Error t-Statistic (estimé) (variance du (Student) coefficient) Constante 9.486922*** 0.588038 16.13317 Sans instruction-primaire 0.273595 0.586670 0.466353 Moyen 0.223023 0.584191 0.381764 Secondaire 0.298148 0.577600 0.516184 Supérieur 0.307879 0.578288 0.532398 Expérience professionnelle 0.034450*** 0.009551 3.607087 Expérience professionnelle2 -0.000769*** 0.000249 -3.089604 R2 0.048863 R2 ajusté 0.029713 * = significatif à 10% ; ** = significatif à 5% ; *** = significatif à 1% Prob (significativité) 0.0000 0.6413 0.7029 0.6061 0.5948 0.0004 0.0022 Source : nos calculs Tableau 11. Estimation du modèle étendu de fonction de gains des salariés informels (offre et demande de travail) Variables explicatives Coefficient Standard Error t-Statistic Prob (estimé) (variance du (Student) (significativité) coefficient) Constante 8.086931*** 0.734428 11.01120 0.0000 Sans instruction-primaire 0.262257 0.583839 0.449193 0.6536 Moyen 0.246099 0.581879 0.422939 0.6726 Secondaire 0.290682 0.574977 0.505554 0.6135 Supérieur 0.304504 0.575489 0.529123 0.5971 Expérience professionnelle 0.002001 0.006208 0.322353 0.7474 Age 0.078507*** 0.021660 3.624532 0.0003 Age2 -0.000886*** 0.000259 -3.413518 0.0007 R2 0.059984 R2 ajusté 0.037828 * = significatif à 10% ; ** = significatif à 5% ; *** = significatif à 1% Source : nos calculs Conclusion L’analyse de régression logistique multinomiale a permis de mettre en évidence le rôle discriminant des caractéristiques sociodémographiques et du capital humain des actifs dans l’accès à l’emploi dans le secteur formel ou informel. Le fait d’être une femme réduit la probabilité d’accès à un emploi dans le secteur formel particulièrement comme indépendante. La situation matrimoniale des actifs joue également un rôle discriminant dans l’accès au marché du travail. Ainsi, le fait d’être célibataire accroit la probabilité de rester chômeur ou de s’employer dans le secteur informel plutôt que dans le secteur formel. Les actifs mariés, poussés par la nécessité de subvenir aux besoins de leur ménage, chercheraient de façon plus active un emploi et ont de ce fait plus de chance d’en trouver un, de préférence dans le secteur formel où les emplois sont généralement mieux protégés. L’âge agit de façon significative et positive sur la probabilité d’accès à l’emploi dans le secteur formel plus que dans le secteur informel, relativement aux chômeurs. Le niveau du capital humain des individus constitue également un facteur discriminant dans l’accès au secteur formel ou informel. Le faible niveau d’instruction des actifs réduit la probabilité d’accéder à un emploi dans le secteur formel et accroit sensiblement le logarithme des chances de choix d’accès au secteur informel, particulièrement au segment auto-emploi. La mobilité socioprofessionnelle des actifs favorise également l’accès des individus à un emploi dans le secteur formel notamment. L’estimation de la fonction de gains pour les salariés informels mais aussi pour les salariés formels met en évidence l’expérience professionnelle, l’âge et le secteur d’activité (commerce) comme déterminants de la productivité des salariés informels. L’expérience professionnelle, qui compense la faiblesse du niveau d’instruction des actifs informels, l’âge ainsi que l’appartenance au secteur du commerce contribuent à l’amélioration des gains des salariés informels. Pour les salariés formels dont la fonction de gains estimée est trop peu significative (le pouvoir explicatif du modèle est médiocre), deux variables (expérience professionnelle et l’âge) constituent les facteurs essentiels des gains salariaux. Les nettes différences en matière de capital humain et des profils sociodémographiques entre les actifs formels et informels confortent la thèse de la segmentation du marché du travail (formel/informel). En revanche, la segmentation au sein du secteur informel parait moins prononcée et accrédite globalement l’idée d’un secteur informel de subsistance. 13 Références bibliographiques Abramo, L. et Valenzuela, M.E. (2005) Emploi des femmes en Amérique latine : un bilan, Revue internationale du Travail, 144(4), 387–419 Adair, P. (2002) L’emploi informel en Algérie : évolution et segmentation du marché du travail, Cahiers du GRATICE, 22, Université Paris 12, 95-126. Adair, P. et Bellache, Y. (2008) Développement des PME et secteur informel en Algérie, Rapport Deutsche Gesellschaft für Technische Zusammenarbeit (GTZ), GTZ-MPMEA, Alger. Adair, P. et Bellache, Y. (2009) Emploi informel et dispositifs publics d’aide à la création d’activités en Algérie, in Barnay T et Legendre F (eds.), Emploi et politiques sociales, tome I, l’Harmattan, Paris, 315-329. Adair, P. et Bellache, Y. (2012) Emploi et secteur informels en Algérie : déterminants, segmentation et mobilité de la main-d’oeuvre, Région et développement, 35, 121-149 Archambault, E. et Greffe, X, (eds.). (1984) Les économies non officielles, La Découverte, Paris. Barthélemy, P. (1998) Le secteur urbain informel dans les pays en développement : une revue de la littérature, Région et Développement, 7, 193-234. BIT. (1993) Rapport pour la 15ème Conférence Internationale des Statisticiens du Travail, Bureau International du Travail, Genève, 19-28 janvier. BIT. (2002) Travail décent et économie informelle, Conférence Internationale du Travail, 87ème session, Bureau International du Travail, Genève. Bodson, P. et Roy, P.M. (eds.), (1993) Politiques d’appui au secteur informel dans les pays en développement, Economica. Charmes, J. (1987a) Débat actuel sur le secteur informel, Revue Tiers monde, 112, 856-875. Charmes, J. (1987b) Le secteur informel, un concept contesté, des modèles d’évolution inadaptés, une réalité inconnue, Revue Tiers Monde, n° 112, 855-875. Charmes, J. (1994) L’emploi informel, un concept utile, même en pays « développé », Courrier des statistiques n° 70, juin, pp. 39-43. Charmes, J. (1997) La nouvelle définition internationale du secteur informel et ses conséquences sur les systèmes et méthodes de mesure, AFRISTAT, Actes du séminaire sur le secteur informel et la politique économique en Afrique subsaharienne, 10-14 mars, Bamako, 61-78. Charmes, J. (2002) L’emploi informel : méthodes et mesures, Cahiers du GRATICE, 22, Université Paris 12, 9-35. Charmes, J. (2009) Concepts, mesures et tendances, in Jutting J.P. et Laiglesia J.R. (eds.), L’emploi informel dans les pays en développement. Une normalité indépassable, Centre de développement de l’OCDE,. 29-64. Elbadawi, I. and Loayza, N. (2008) Informality, Employment and Economic Development in the Arab World, International Conference on “The Unemployment Crisis in the Arab Countries”, 17-18 March, Cairo- Egypt. FEMISE. (2006) Profil pays Algérie, Institut de la Méditerranée (France) et Economic Research Forum (Egypt). Fields, G. S. (1975) Rural urban migration, urban unemployment and underemployment, and job search activity in LDCs, Journal of Development Economics, 2, 165-187 Fields, G.S. (1990) Labour market modelling and the urban informal sector: Theory and evidence, in D. Turnham et al. (eds). Chap. 2, 49-69 Jutting, J.P. et Laiglesia, J. R. (eds.), (2009) L’emploi informel dans les pays en développement. Une normalité indépassable, Centre de développement de l’OCDE. Kucera, D. et Roncolato, L. (2008) L’emploi informel: deux questions de politique controversées, Revue internationale du travail, 147(4), 347-377. Lautier, B. (2004) L’économie informelle dans les pays du Tiers Monde, La découverte (2ème édition), avec « une brève synthèse suggestive », Paris, 1994, 2004. Lewis, A.W. (1954) Economic Development with Unlimited Supplies of Labour, Manchester School of Economic and Social Studies, 2, May, 139-191. Lopez Castano, H., Henao, M.L. et Sierra, O. (1984) L’emploi dans le secteur informel : le cas de la Colombie, in Archambault.E & Greffe.X, (eds.), 219-243. Lopez Castano, H. (1987) Secteur informel et société moderne: l’expérience colombienne, Revue Tiers Monde, 110, avril-juin, 369-394. Lopez Castano, H. (1989) Le secteur informel, substitut d’un système d’assurances sociales en Colombie, Problèmes d’Amérique latine, 92, 113-129, la Documentation française, Paris. Lopez, T.A. (1970) Migration and Urban Marginality in Underdeveloped Countries, Demographia y Economia, Juanaguato, Mexique. Maloney, W.F. (1999) Does Informality Imply Segmentation in Urban Labor Markets ? Evidence from Sectoral Transitions in Mexico, The World Bank Economic Review, May, 13, 275-302. Maloney, W.F. (2004) Informality Revisited, World Development, 32, 1159-1178. Mincer, J. (1958) Investment in Human Capital and Personal Income Distribution, Journal of Political Economy, 66 (4), 281-302. Mincer, J. (1974) Schooling, Experience and Earnings, National Bureau of Economic Research (NBER) and Columbia University Press, New York. Mincer, J. (1984) Human Capital and Economic Growth, Economics of Education Review, vol. 3, pp. 195-205. 14 ONS. (2012) Enquête emploi auprès des ménages (2010), Collections statistiques n° 170/2012, Office National des Statistiques, Alger. ONS. (2013) Enquête emploi auprès des ménages (2011), Collections statistiques n° 173/2013, Office National des Statistiques, Alger. ONS. (2008), Enquête emploi auprès des ménages (2007), Données statistiques, Office National des Statistiques, Alger. ONS. (2009) Enquête emploi auprès des ménages (2008), Données statistiques, Office National des Statistiques, Alger. Roubaud, F. (1994) L’économie informelle au Mexique : de la sphère domestique à la dynamique macroéconomique, KarthalaOrstom. Todaro, M.P. (1969) A Model of Labor Migration and Urban Unemployment in Less Developed Countries, American Economic Review, 59 (1),. 138-148. Turnham, D., Salomé, B. and A. Schwarz (eds). (1990) The Informal Sector Revisited, Development Centre of the Organisation for Economic Co-Operation and Development, Paris. 15