Professional Documents
Culture Documents
interaction spatiale
Mohamed AMARA
Anis BOUABID
Lot BELKACEM
Abstract
Lobjectif de ce papier est destimer le processus dappariement mettant en relation
le nombre dembauches en fonction dun stock donne de postes vacants et de ch
omeurs,
a partir des donnees tunisiennes regionales relatives a` 23 gouvernorats sur la periode
`
1984-2008. Nous utilisons les techniques de leconometrie spatiale sur donnees de panel
pour tenir compte dune mani`ere explicite des eets spatiaux (interaction de proximite
et heterogeneite spatiale) et des eets individuels et temporels. Nos resultats sugg`erent
que la prise en compte de ces eets gen`erent des rendements dechelle decroissants sur
le marche du travail Tunisien. Nous montrons aussi que les chercheurs demploi dans
les gouvernorats voisins causent une diculte accrue sur le processus dappariement
dans le marche local.
Unite de recherche UAQUAP, Institut Superieur de Gestion de Tunis (Tunisie), Geographie-Cites UMR
8504. Universite Paris I, E-mail: Mohamed.Amara@malix.univ-paris1.fr.
Introduction
LEtat
a cree la Banque Tunisienne de Solidarite (BTS) pour aider et encourager les jeunes
promoteurs qualies. La periode 2000-2005 est marquee par la creation du fonds national
de lemploi 21-21. Alimente par des contributions volontaires des entreprises, ce fonds vise `a
faciliter lacc`es `a lemploi ou `a des stages de formation.
La mise en uvre de ces actions est une tache ambitieuse et dicile. A cet egard, letude
du marche demploi tunisien est devenue une preoccupation majeure. Les autorites sen
soucient `a la fois pour des questions dembauches, de formation dune main duvre qualiee
et dacc`es de la population `a lemploi. Dans ce contexte, les travaux recemment realises en
Tunisie cherchent `a expliquer le fonctionnement du marche du travail et `a etudier son ecacite. El Bekri (2003) propose, `a titre dexemple, une analyse de levolution du marche du
travail qualie en Tunisie sur la periode 1980-1998. Sur la base des stocks annuels demplois
enregistres, les stocks annuels de postes vacants signales par les entreprises et les ux annuels des placements realises par lAgence Tunisienne de lEmploi (ATE), lauteur estime une
fonction dappariement et souligne laugmentation de lecacite du processus dappariement
de la main doeuvre qualiee sur la periode 1980-1998. Le rapport de la Banque Mondiale
(2004) sur la strategie demploi en Tunisie sugg`ere des options de politique generale pour
1
Institut National de la Statistique (INS), Recensement de la population et des logements 1984 et 2004.
2
2.1
M
ecanismes dappariement et dimension spatiale
La fonction dappariement
Dans les theories du chomage dequilibre, le niveau dembauche est determine selon un rationnement des postes vacants face aux demandeurs demploi. Ceci est du `a la presence
de frictions sur le marche du travail. Ces frictions sont dues essentiellement aux comportements de recherche des rmes et des chomeurs. En eet, on trouve que les postes vacants
ne disparaissent plus, meme avec la presence dun grand nombre de demandeurs demploi.
Parmi les causes de ces frictions, nous citons la faible mobilite de la main doeuvre entre
industries ou entre regions `a cause de la mauvaise circulation de linformation ou aux co
uts
eleves de deplacement. Le premier est appele mismatch entre qualications (inadequation
entre qualications). Le deuxi`eme est qualie de mismatch regional. Lensemble de ces obstacles qui empeche le fonctionnement ecace du marche du travail, sera resume par une
fonction dappariement (matching function) qui indique, `a chaque date, le nombre
dembauches realisees en presence de postes vacants et demandeurs demploi. La fonction dappariement est generalement donnee par lexpression suivante:
= (, )
(1)
(, )
(, )
> 0;
> 0; (0, ) = (, 0) = 0.
avec
Ces hypoth`eses signient dune part, quune augmentation du nombre de demandeurs
demploi ou des postes vacants provoque laugmentation du nombre dembauches, et, dautre
part, que lembauche exige la presence au moins dun poste vacant et dun demandeur
, = (,1 , ,1 ) = , ,1
,1
, = 1, ..., et = 1, ...,
(2)
(3)
La relation (3) represente un mod`ele `a erreurs composees et pour lequel nous pouvons
appliquer les techniques destimation standards sur des donnees de panel. Si nous supposons
que les eets individuels
et temporels,
et , sont des eets xes de variances respectives
4
2 et 2 , et que
=
0
et
e pour
=1
=1 = 0, lestimateur Within (ou LSDV ) est utilis
estimer la relation (3). Cependant, si nous supposons que ces eets sont des eets aleatoires
et que, () = 0 avec = + + , et la matrice des variables explicatives (
et ), alors lestimateur des moindres carres generalises (MCG) est utilise pour estimer la
relation (3).
2
La constance des rendements dechelle etait lune des hypoth`eses les plus testees dans les etudes empiriques
sur la fonction dappariement.
3
Selon Ibourk et Perelman (2001) et Petrongolo et Pissarides (2001), la forme Cobb-Douglas est la forme
la plus utilisee dans la litterature empirique. Sous lhypoth`ese de normalisation des eets xes, la forme
logarithmique de la fonction dappariement Cobb-Douglas sinterpr`ete comme une fronti`ere decacite. Elle
presente aussi une forme reduite de la forme translogarithmique.
4
Least Square Dummy Variables.
2.2
Mod`
eles spatiaux sur donn
ees de panel
De nombreuses etudes mettent laccent sur limportance de linteraction spatiale entre les
regions ou meme les pays qui ne devraient pas etre consideres comme des unites geographiques
isolees5 . Dans notre etude, il serait interessant de prendre en compte les liens potentiels
entre les trois composantes de la fonction dappariement `a savoir le nombre de placements, le
nombre de chomeurs demandeurs demploi et le nombre de postes vacants dun gouvernorat
et ceux des gouvernorats voisins6 . En eet, etant donnee la proximite geographique entre les
dierents gouvernorats de la Tunisie, ainsi que les dierentes caracteristiques communes entre
eux (les cultures, le climat, les liens commerciaux, les reseaux sociaux, les infrastructures,
etc...), les marches du travail de ces gouvernorats sont loins detre independants. Cette
dependance spatiale implique une organisation particuli`ere de lecience dappariement a
travers lespace.
Upton et Fingleton (1985); Jayet (1993) denissent la dependance spatiale comme etant
lexistence dune variation spatiale systematique entre les valeurs dune variable distribuees
sur une carte. La notion de dependance spatiale est basee sur lidee que les valeurs prises
par une variable aleatoire dans un espace geographique ne sont pas disposees au hasard,
mais sont souvent semblables pour deux regions proches ou contigues. Plus precisement, une
correlation positive correspond `a une concentration spatiale des valeurs faibles ou elevees
dune variable aleatoire, alors quune correlation negative est associee `a une concentration de
valeurs presentant des ecarts considerables entre voisins.
La dependance spatiale peut prendre plusieurs formes. Anselin et al. (2008) denissent les
deux formes les plus utilisees dans la litterature pour le cas des donnees de panel: le mod`ele
autoregressif spatial (mod`ele `a variable endog`ene spatialement decalee) (SAR) et le mod`ele
`a erreurs spatialement autocorrelees (SEM). LeSage et Pace (2009) denissent le mod`ele de
Durbin spatial (SDM) qui contient outre que la variable endog`ene spatialement decalee, les
variables explicatives spatialement decalees.
2.2.1
Le mod`
ele autor
egressif spatial
Anselin et al. (2008) et Elhorst (2010b) ont ajuste le mod`ele de panel `a eet xe et `a eet
aleatoire pour tenir compte dune mani`ere explicite la dependance spatiale de la variable
dependante, du terme derreur et des variables explicatives. Nous commencons dans cette
section par presenter bri`evement le mod`ele SAR pour le cas de donnees de panel (`a eet xe
puis `a eet aleatoire) ainsi que sa fonction de vraisemblance7 . La section 2.2.2 presente le
mod`ele SEM et 2.2.3 le mod`ele SDM. Le mod`ele SAR se presente comme suit:
=
+ + + +
(4)
=1
o`
u est la variable dependante (( ) dans notre cas) de la region (gouvernorat) `a
la date et est le vecteur ligne (1,) des variables explicatives ((,1 ), (,1 ) et
5
Conformement `a la premi`ere loi geographique de Tobler (1979), everything is related to everything else,
but near things are more related than distant things.
6
Lunite administrative retenue dans cette analyse.
7
Pour une presentation detaillee voir par exemple Anselin et al. (2008) et Elhorst (2003, 2010b).
2
)2 (5)
(
(2 ) + 2
=
2
2 =1 =1
=1
O`
u est la matrice didentite dordre . La maximisation de cette fonction necessite
le calcule du determinant de la matrice ( ) `a chaque iteration, ce qui complique les
calculs numeriques lors de lestimation. Ord (1975) et Pace et Barry (1997) ont montre quon
se basant sur les valeurs propres de la matrice , determinees separement avant les calculs
numeriques, le determinant de la matrice ( ) est donne par:
det( ) =
(1 )
(6)
=1
o`
u designe la `eme valeur propre de la matrice .
Pour estimer leet xe spatial en fonction des autres param`etres et il sut que la
derivee de par rapport `a soit egale `a 0. Soit donc egale `a (Elhorst, 2010b):
1
=
),
(
=1
=1
(7)
Pour lestimation des autres param`etres du mod`ele (, et 2 ), la solution de est integree dans la fonction de vraisemblance (equation (5)), pour obtenir la fonction de vraisemblance concentree suivante:
1
2
=
] )2 ,
( [
(2 ) + 2
2
2 =1 =1
=1
o`
u =
et =
=1
(8)
=1
Dans le cas o`
u leet spatial est considere comme aleatoire, la fonction de vraisemblance
`a maximiser est la suivante:
8
Trois methodes destimation des mod`eles spatiaux ont ete developpees dans la litterature: la methode
de maximum de vraisemblance (ML), la methode bayesienne et la methode des variables instrumentales (IV)
ou des moments generalises (GMM). Voir par exemple LeSage et Pace (2009) chapitres 3 et 5 pour les deux
premi`eres methodes destimation, et Kelejian et Prucha (1998, 1999) pour la methode IV/GMM. Par rapport
`a la methode ML, la methode IV/GMM nexige pas la normalite du terme derreur, cependant elle ignore la
condition que les param`etres spatiaux soient dans lintervalle (1/ , 1) o`
u est la valeur propre negative
la plus grande en valeur absolue de la matrice de poids.
2
] )2 ,
( [
(2 ) + 2
=
2
2 =1 =1
=1
o`
u
2.2.2
(9)
2
2
2
= (1 /( + )) et = (1 2 /( 2 + 2 )) 1
=1
=1
Le mod`
ele `
a erreurs spatialement autocorr
el
ees
(10)
=1
o`
u est un coecient dautoregression spatiale des residus et les innovations sont i.i.d.,
centrees et de variance 2 . Lestimateur MCO des param`etres de lequation (10) est dans
ce cas non ecace. La fonction de vraisemblance dans le cas dun mod`ele SEM `a eet xe
spatial est presentee comme suit:
(2 2 ) +
2
] )}2 (11)
] ( [
{ [
2 2 =1 =1
=1
=1
1
=
(2 2 ) V + ( 1)
B
2
2
=1
1 1
1
1
( V1 ) 2 ( ) (B B), (12)
2
2
o`
u V = 2 / 2 + (B B)1 , B = , = et est une colonne de 1 de
taille . Pour simplier le calcul numerique du determinant de la matrice V, Elhorst (2003)
propose la relation suivante:
V =
[ 2 / 2 +
=1
1
]
(1 )2
(13)
2.2.3
Le mod`
ele de Durbin spatial
=1
+ +
+ + +
(14)
=1
forme =
u les observations sont supposees etre independantes, nest
=1 + o`
autre que la derivee partielle de par rapport `a (eet direct): / = pour tout
et / = 0 pour = . Dans le cas dun mod`ele SDM, les variables explicatives de la
region exercent, non seulement un eet direct sur la variable dependante de la meme region,
, mais aussi un eet indirect sur celles des regions voisines, , ( = ). Ce second type
deet indirect est genere du fait que les observations sont considerees comme dependantes10 .
Pour detecter cet eet indirect, LeSage et Pace (2009) presente le mod`ele SDM sous la forme
matricielle suivante:
( ) = + + +
=
( ) + ( ) + ( )
(15)
=1
( ) = ( )( + )
( ) = + + 2 2 + 3 3 + ...
La ligne de lequation (15) est donnee par:
9
Elhorst (2010a) montre que le mod`ele SDM est le mod`ele `a retenir si lune des conditions est violee.
Voir par exemple LeSage et Dominguez (2011); Fischer et al. (2009); Jeanty et al. (2010) pour une
litterature empirique recente sur la decomposition en eet direct et eet indirect.
10
[ ( )1 1 + ( )2 2 + ... + ( ) ] + ( ) + ( ) (16)
=
=1
o`
u ( ) est lelement , de la matrice ( ) et ( ) est la `eme ligne de la
matrice ( ). est une colonne de 1 de taille .
Contrairement au mod`ele lineaire simple qui suppose lindependance entre les observations, lequation (16) montre bien que la derivee de par rapport `a est non nulle et elle
est egale `a:
= ( )
(17)
ce resultat est tr`es interessant dans linterpretation des coecients de la fonction dappariement.
en eet, une augmentation ou une baisse du nombre de postes vacants ou de demandeurs
demploi dune region a un eet, non seulement sur la capacite dembauche de cette region,
mais aussi sur les capacites dembauches des regions voisines.
Leet dune variation au niveau de la variable explicative sur la variable dependante
observee au niveau de la region est le suivant:
= ( )
(18)
Cet eet englobe aussi un eet reciproque (feedback loops) exerce par la region voisine
sur la region elle-meme (LeSage et Pace, 2009). Lampleur de ce type de feedback depend:
- de la localisation spatiale de la region ; - de degre dinteraction spatiale de la region
avec les regions voisines; de la valeur du param`etre qui mesure lampleur de la dependance
spatiale; ainsi que des param`etres et .
Selon LeSage et Pace (2009), leet direct est presente par les elements de la diagonale
principale de la matrice ( ) alors que les elements hors diagonale presentent leet indirect
(19)
()total = 1 ( )
(20)
(21)
10
2.3
Test dautocorr
elation spatiale
La statistique la plus utilisee pour tester lautocorrelation spatiale dans le cas de donnees en
coupe transversale est celle de Moran (1948, 1950) presentee comme suit:
( )( )
,
(22)
=
2
( )
=1
=1
Elle sinterpr`ete comme etant le rapport entre la covariance ponderee par le degre dinteraction
spatiale entre unites voisines, , et la variance totale observee. Cette statistique est largement utilisee surtout dans les analyses exploratoires (ESDA)11 , du fait quelle est decomposable `a des echelles spatiales assez desagregees. En eet, Anselin (1995) developpe une mesure
locale de lautocorrelation spatiale (la statistique de Moran locale ( ) ou Local Indicators of
Spatial Association (LISA)) calculee pour chaque unite spatiale . Le LISA satisfait les deux
crit`eres suivants: le premier est le fait que le LISA donne pour chaque unite spatiale une
indication sur le regroupement spatial signicatif de valeurs similaires des unites voisines. Le
second reside dans le fait que la somme des LISA de toutes les unites est proportionnelle
`a la statistique globale . La statistique de Moran globale est utilisee aussi pour tester la
presence dune autocorrelation spatiale au niveau du terme derreur dun mod`ele estime par
la methode des moindres carres ordinaires12 . Cependant, cette statistique est incapable de
determiner la forme exacte de linteraction spatiale (autocorrelation au niveau de la variable
endog`ene ou au niveau des termes derreur). Pour surmonter cette insusance, Anselin et al.
(1996) ont developpe deux tests du multiplicateur de Lagrange ( ) ainsi que leurs versions
robustes pour tester lomission dune autocorrelation spatiale des erreurs ou lomission dune
variable endog`ene decalee. Recemment, Anselin et al. (2008) ont specie les deux premiers
tests ( pour tester lautocorrelation spatiale de la variable endog`ene et pour
tester lautocorrelation spatiale des erreurs) pour le cas des donnees de panel.
[ ( )/
2 ]2
[ ( ) /
2 ]2
(23)
et =
o`
u est le produit kronecker et est le vecteur des residus du mod`ele estime sur donnees
empilees sans les eets speciques et . et sont donnes par:
=
1
( ( )1 )( ) +
[(( ) )
2 ],
2
= tr( + )
(24)
(25)
Elhorst (2010b) denit les deux versions robustes de ces deux tests comme suit:
[ ( ) /
2 ( )/
2 ]2
,
(26)
[ ( )/
2 / ( ) /
2 ]2
[1 /]
(27)
robust =
robust =
11
12
= (
u est la somme des elements de la matrice .
), o`
11
1 pour ;
0 pour ;
=
0 pour = .
Lidee dun voisinage fonde exclusivement sur la notion de contigute presente cependant
un certain nombre de limites. En eet, la contigute binaire presente lorganisation des unites
du syst`eme spatial dune facon relativement sommaire, et par consequent, ne permet pas de
capter la reelle intensite des relations de dependance spatiale entre les unites. En revanche,
le principe des matrices de distances repose sur lidee generale selon laquelle deux unites
spatiales connaissent une interaction dautant plus forte (resp. faible) que la distance qui les
separe est courte (resp. longue). Les etudes de Cli et Ord (1981, 1973) ont ete `a lorigine
de ce type de specication des poids spatiaux en combinant notamment une fonction de
linverse de la distance separant deux unites et la longueur relative de leur fronti`ere commune.
Generalement, les matrices de poids utilisees reposent sur une fonction exponentielle negative
ou sur linverse de la distance separant deux unites spatiales et quelconques. La matrice
des plus proches voisins est consideree comme la matrice la plus utilisee de cette famille.
Elle est calculee `a partir des distances entre les centrodes des observations prises deux `a
deux. Sa forme generale est denie de la mani`ere suivante:
0 si = ;
1 si ();
() =
0 si > ().
o`
u () est lelement , de la matrice de ponderation spatiale et () est la plus petite
distance dordre entre les unites et telle que lunite poss`ede exactement unites
12
voisines.
La matrice de ponderation est habituellement standardisee en lignes an de faciliter
linterpretation des param`etres spatiaux apr`es estimation. Ainsi, chaque ligne de quelconque est divisee par la somme des elements qui la composent. Les poids spatiaux qui
3
3.1
Donn
ees et r
esultats empiriques
Description des donn
ees
Les donnees que nous utilisons dans ce travail sont collectees aupr`es de lInstitut National
de la Statistique (INS) et de lAgence Nationale pour lEmploi et le Travail Independant
(ANETI)13 . Les dierentes agences sont classees par gouvernorat et sont ainsi choisies sur la
base de la disponibilite des donnees pour les dierentes variables etudiees, et pour la periode
consideree. Ces donnees, publiees par lINS, sont des donnees sur les placements realises
durant lannee ( ), le stock des demandeurs demploi enregistres `a lannee -1 (1 ),
les postes oerts `a la n de lannee precedente (1 ) ainsi que la population totale pour
` lencontre du travail dEl Bekri (2003)
les 23 gouvernorats Tunisiens de 1984 `a 200814 . A
dans lequel lauteur utilise des donnees `a lechelle nationale, nous utilisons des donnees tr`es
desagregees an de prendre en compte la dimension spatiale (heterogeneite et autocorrelation spatiales) au niveau des quatre variables dinteret. En eet, lutilisation des donnees `a
lechelle nationale peut cacher une forte heterogeneite des sous marches du travail ainsi que
des autres variables qui peuvent intervenir dune mani`ere directe ou indirecte dans le mecanisme dappariement. Cette idee est conrmee par la decomposition de la variance totale
en variance within et variance between (tableau 3). Nous pouvons constater que la variance
between est largement superieur `a la variance within pour toutes les variables utilisees dans
notre estimation (sauf la variable nombre de demandeurs demploi o`
u les deux variances
sont presque egales). Economiquement, cette desagregation nous permet devaluer les eets
dexternalite et de congestion engendres par le processus de recherche demploi par les demandeurs demploi et celui des employeurs `a la recherche de candidats pour leurs postes vacants.
Lexamen de levolution des series du ux (en logarithme) (gure 1) des trois variables ,
et sur la periode 1984-2008, montre qu`a partir de 1991 ces trois variables suivent une
tendance ascendante et que le fosse se creuse de plus en plus entre lore et la demande
demploi. Les deux variables ux dembauche et stock dores demploi ont presque le meme
prol devolution sur la periode detude.
13
13
10
log(V)
log(U)
7.5
8.5
9.5
log(H)
1985
1990
1995
2000
2005
2010
Anne
Figure 1: Evolution
de (), ( ) et ( )
Les sous marches du travail tunisiens sont assez exceptionnels dans le contexte international vu que des grands changements y sont apportes au niveau structurel, et o`
u nous
assistons `a de grands ux migratoires de la main doeuvre des regions rurales vers les regions
les plus urbanisees. Ceci conduit `a une grande concentration de la main duvre dans les
grands centres urbains (Tunis, Sousse et Sfax). Les courbes de la gure 3, illustrent une
grande divergence entre les gouvernorats du littoral et ceux de linterieur du pays. Ainsi,
nous constatons que les gouvernorats du Sud comme Medenine et du nord-ouest comme Beja
et Le Kef sourent dun niveau de placement trop faible contrairement aux gouvernorats
du centre-est (Sousse) et du nord-est (Tunis) qui enregistrent les niveaux de placements les
plus eleves. Ce qui nous permet de classer les gouvernorats tunisiens en deux groupes: les
gouvernorats de lEst (regions coti`eres) ayant les niveaux de placement les plus eleves, et
les gouvernorats de lOuest qui sont les plus defavorises et ayant les niveaux de placement
les plus faibles. Ainsi, malgre que les dierents programmes de developpement aient pour
objectif de minimiser le dierentiel socio-economique entre les zones rurales et urbaines dune
part et entre le littoral et linterieur du pays dautre part, la croissance a ete concentree dans
les zones coti`eres. En utilisant notre base de donnees, nous essayons de conrmer cet aspect
tout en estimant la fonction dappariement pour le marche du travail tunisien en prenant en
compte la dimension spatiale.
3.2
R
esultats empiriques
Le tableau 1 presente les resultats destimation de la fonction dappariement sans autocorrelation spatiale (equation (4) sous lhypoth`ese H0 : = 0), ainsi que les tests permettant
de discriminer entre une specication SAR et une specication SEM. Nous utilisons deux
14
Lee et Yu (2010) montrent que lestimation de la variance 2 est biaisee si les mod`eles spatiaux (SAR,
SEM et SDM) presentent lun des deux eets, spatial ou temporel. Alors que tous les param`etres estimes
sont biaises si les mod`eles spatiaux presentent les deux eets `a la fois.
15
(1 ) ()
(1 ) ()
(population )
constante
rendement dechelle
( + )
2
Mod`ele a-spatial
sans eets
xes
0,031
(1,011)
0,877***
(31,809)
0,016
(1,370)
0,553***
(2,886)
0,908***
(-3,481)
0,861
Mod`ele a-spatial
avec eet
xe spatial
0,070**
(2,148)
0,666***
(17,923)
0,159**
(2,250)
Mod`ele a-spatial
avec eet
xe temporel
0,076
(1,581)
0,894***
(31,028)
-0,001
(-0,113)
Mod`ele a-spatial
avec eets xes
spatiaux et temporels
0,052
(0,761)
0,712***
(18,439)
0,154**
(2,204)
0,736***
(-8,358)
0,878
0,970
(-0,914)
0,891
0,764***
(-3,998)
0,903
-94,275
-59,647
-27,030
3,946
3,540*
28,834***
1,043
[0,060]
[0,000]
[0,307]
50,972***
53,275***
0,818
[0,000]
[0,000]
[0,366]
4,483**
0,135
0,401
robust
[0,034]
[0,713]
[0,527]
51,915***
24,576***
0,176
robust
[0,000]
[0,000]
[0,675]
Test du rapport de vraisemblance (LR) de
signicativite dun eet xe spatial (degre de liberte = = 23)
Test du rapport de vraisemblance (LR) de
signicativite dun eet xe temporel (degre de liberte = = 24)
3,359*
[0,067]
1,213
[0,271]
2,533
[0,111]
0,387
[0,534]
61,952***
[0,000]
127,186***
[0,000]
*** signicatif `
a 1%; ** signicatif `
a 5%; * signicatif a
` 1%;
Les valeurs entre parenth`
eses correspondent aux de Student;
Les valeurs entre crochets correspondent aux -values.
Les resultats restent presque inchanges apr`es avoir tenir compte du biais destimation du
mod`ele SDM `a double eets (colonne 8 et 9 du tableau 2 respectivement). Meme la valeur
de la variance a leg`erement augmente (passant de 0,057 `a 0,059). En eet Lee et Yu (2010)
montrent que le biais destimation est inversement lie `a la valeur de , qui est dans notre cas
relativement elevee ( = 24).
Pour tester lhypoth`ese que les variables explicatives ne sont pas autocorrelees dans
lespace (H0 : = 0), nous utilisons le test de Wald. Les resultats de ce test, reportes
dans le tableau 2, montrent que nous pouvons accepter lhypoth`ese nulle dabsence dune autocorrelation spatiale au niveau des variables explicatives quelque soit la specication retenue
du mod`ele SDM. Le mod`ele SAR ne peut etre dans ce cas rejete en faveur du mod`ele SDM.
Cependant, lhypoth`ese H0 : = - est rejetee `a 10% pour le cas dun mod`ele SDM `a double eets dont leet spatial est xe (colonne 8 et 9 du tableau 2). Ce resultat montre que
le mod`ele SDM est meilleur quun mod`ele SEM (les resultats destimation du mod`ele SEM
pour les deux matrices de ponderation spatiale 1 et 4 sont reportes respectivement dans
les tableaux 4 et 7). Le test dHausman conrme la correlation des eets speciques et
des variables explicatives, do`
u la justication dun mod`ele `a eets xes spatiaux-temporels.
16
Leet specique xe , qui re`ete lheterogeneite spatiale des marches locaux demploi, explique 41,5% (0,904 - 0,489) de la variation totale expliquee par le mod`ele SDM, alors que la
variation expliquee par leet temporel ne depasse pas 1,1% (0,892 - 0,881) 16 . Ce resultat
conrme de plus en plus la necessite de la prise en compte de lheterogeneite des marches
locaux demploi dans lestimation de la fonction dappariement en Tunisie. Nous pouvons
donc dire quun mod`ele SDM `a deux eets xes (spatiaux et temporels) et le mod`ele le plus
adequat pour lestimation de la fonction dapparient en Tunisie (colonne 9 du tableau 2).
A partir de la colonne 9 du tableau 2, nous pouvons remarquer que les estimateurs des
elasticites et presentent les signes attendus et que le coecient est statistiquement
signicatif quelque soit la matrice des ponderation spatiale utilisee. Ainsi, et independamment de la specication de la matrice utilisee dans lestimation de la fonction dappariement
par un mod`ele SDM, lelasticite du nombre dappariement par rapport au nombre de postes
vacants est trop elevee alors que lelasticite par rapport au nombre de demandeurs demploi
est trop faible. Ce qui explique un peut lincapacite des politiques dinsertion professionnelles
`a absorber les nombres importants de demandeurs demploi.
Une augmentation du nombre de postes vacants a un eet plus important que laugmentation
du nombre de chomeurs. Les valeurs de et issues de lestimation dun mod`ele SDM `a
deux eets sont `a lordre de 0,09 et 0,672. Un resultat similaire est obtenu par Ibourk et
Perelman (2001) pour le cas du marche du travail Marocain en utilisant lapproche de fronti`ere decacite. Les valeurs trouvees par ces auteurs sont au voisinage de 0,18 pour et 0,81
pour . Ces resultats impliquent que, contrairement `a la plupart des travaux realises pour les
pays industrialises, le nombre de postes vacants a une importance decisive dans le processus
dappariement sur le marche du travail des pays en voie de developpement comme la Tunisie
et le Maroc. La valeur assez faible de temoigne dune dierence de mesure entre cette etude
et celles de Kano et Ohta (2004) et Ilmakunnas et Pesola (2003) surtout avec lexistence dun
marche informel operant en Tunisie. Ainsi, selon le rapport de la Banque Mondiale (2004),
le nombre de chercheurs demploi enregistres aupr`es de lATE nest pas reellement representatif de la population totale `a la recherche dun emploi, et que 12% seulement des diplomes
demandeurs demploi, se sont enregistres aupr`es de lATE. En plus, la nature de la specication du nombre de chomeurs ne tient pas compte des chercheurs demploi employes. Tous
ces facteurs peuvent justier la faible valeur du param`etre .
Les resultats montrent aussi que quelque soit la specication retenues, les rendements
dechelle de la fonction dappariement tunisienne sont decroissants ( + < 1) ce qui
represente un inconvenant non negligeable pour les regions ayant les marches les plus vastes,
en particulier, les regions du littoral tunisien les plus urbanisees (comme Tunis, Sousse et
Sfax). Nos resultats ne salignent pas avec le postulat de Blanchard et Diamond (1989) selon
lequel on devrait sattendre `a des rendements croissants pour les marches du travail urbains,
de nature plus dense et plus uide. Nos resultats montrent aussi que lechelle spatiale retenue
dans lestimation de la fonction dappariement est dimportance non negligeable. En eet, `a
lencontre de Coles et Smith (1996) qui montrent que les resultats destimation de la fonction
dappariement restent inchanges en passant de lechelle nationale `a lechelle locale, le marche
du travail tunisien presente une forte heterogeneite spatiale. Ignorer cette dimension spatiale
Elhorst (2010b) montre que dierence entre la valeur de 2 et le carre du coecient de correlation 2
est expliquee par les eets xes.
16
17
par lEtat.
Les eets directs et indirects de la variables (1 ) sont signicatifs et positifs. Autrement,
une augmentation du nombre de postes vacants dune region va ameliorer la capacite
dembauche de cette meme region ainsi que celles des regions voisines. Nous pouvons donc
dire quil existe un eet spillovers positif pour cette variable explicative. Un chomeur residant dans un gouvernorat a deux possibilites: soit il accepte de rester au chomage dans
son gouvernorat de residence, soit il decide de sorienter vers les gouvernorats limitrophes
pour maximiser ses chances de trouver un emploi. Sa decision est fortement liee aux co
uts de
transport quil aurait `a prendre en charge pour se deplacer. La distance, laccessibilite et les
co
uts de transport aux emplois vacants sont donc `a lorigine du maintien du chomage dans
le gouvernorat `a faible capacite dinsertion.
Une augmentation de la population dans une region a un eet direct positif et signicatif
sur lembauche, leet indirect de cette variable est positif aussi mais reste non signicatif.
Les gouvernorats denses, et surtout ceux du littoral `a forte densite de la population, se
caracterisent donc par une meilleure qualite des rencontres. Ce resultat conrme lidee de
Duranton et Puga (2004) dexternalites positives liees `a lagglomeration.
Laugmentation du nombre de demandeurs demploi de la region va avoir des eets
negatifs sur lembauche des regions voisines, soit un eet spillovers negatif. En eet, pour
ameliorer leurs chances de trouver un emploi ailleurs, les demandeurs demploi de la region
vont se deplacer vers les regions limitrophes ce qui va augmenter de plus en plus leurs
dicultes dinsertion.
Nous montrons donc quil existe des eets de spillovers positifs et negatifs et des variations regionales et locales dans lecacite du processus dappariement. Cette constatation
sugg`ere que le recours `a des solutions locales aux probl`emes de chomage devient une priorite
necessaire. Par exemple, il semble important daccrotre les competences des chomeurs an
quils puissent soutenir ecacement la concurrence pour les postes vacants. Il est egalement
necessaire de veiller `a ce que les programmes de formation pour les chomeurs sont adaptes
aux besoins des employeurs locaux.
18
(1 ) ()
(1 ) ()
(population )
3
0,208***
(4,981)
0,034
(1,016)
0,629***
(16,584)
0,103
(1,454)
4
0,337***
(6,900)
0,141**
(2,061)
0,645***
(14,855)
0,127*
(1,715)
-0,100
(-1,362)
-0,235***
(-3,311)
0,100
(0,769)
5
0,034
(1,073)
0,091*
(1,809)
0,889***
(29,936)
-0,009
(-0,628)
0,195
(0,768)
0,901***
(-4,047)
2
0,332***
(6,773)
0,097*
(1,938)
0,866***
(27,222)
-0,003
(-0,169)
-0,072
(-1,261)
-0,330***
(-5,032)
0,028
(1,072)
0,665**
(2,524)
0,963
(-0,480)
0,663***
(-9,350)
0,786***
(-3,786)
0,082
0,862
0,859
-92,459
0,073
0,877
0,863
-69,323
0,072
0,884
0,541
-47,006
0,067
0,891
0,551
-35,929
*(1 )
*(1 )
*(population )
constante
rendement dechelle
( + )
2
2
2
7
0,080*
(1,737)
0,074
(1,071)
0,697***
(17,545)
0,143**
(2,013)
8
0,061
(1,073)
0,090
(1,299)
0,672***
(16,483)
0,132*
(1,889)
-0,226*
(-1,885)
0,083
(1,037)
0,230
(1,451)
9
0,061
(1,075)
0,090
(1,272)
0,672***
(16,136)
0,132*
(1,849)
-0,226*
(-1,846)
0,083
(1,019)
0,230
(1,421)
10
0,051
(0,921)
0,116*
(1,912)
0,791***
(21,972)
0,030
(1,072)
-0,169
(-1,461)
0,057
(0,726)
0,001
(0,013)
0,980
(-0,574)
6
0,057
(1,090)
0,093*
(1,792)
0,884***
(28,595)
-0,007
(-0,384)
-0,094
(-0,864)
0,003
(0,040)
0,011
(0,380)
0,057
(1,090)
0,977
(-1,544)
0,772***
(-3,804)
0,761***
(-4,035)
0,761***
(-4,035)
0,067
0,891
0,881
-26,758
0,067
0,892
0,881
-26,354
0,060
0,903
0,484
5,581
0,057
0,904
0,489
8,386
5,628
[0,131]
7,629*
[0,054]
0,059
0,904
0,489
8,386
5,398
[0,145]
7,311*
[0,063]
40,457***
[0,000]
0,907**
(-1,985)
5,469
0,061
0,888
0,879
-457,405
2,535
[0,469]
2,916
[0,405]
19
*( ) ()
1
0,058**
(1,964)
0,025
(0,799)
0,876***
(32,000)
0,009
(0,763)
Eet direct (1 )
Eet indirect (1 )
Eet total (1 )
Eet direct (1 )
Eet indirect (1 )
Eet total (1 )
Eet direct (population )
Eet indirect (population )
Eet totale (population )
1
0,024
(0,809)
0,001
(0,627)
0,026
(0,808)
0,878***
(32,925)
0,052*
(1,781)
0,930***
(22,891)
0,009
(0,730)
0,000
(0,495)
0,009
(0,723)
2
0,096**
(2,044)
-0,058
(-0,929)
0,038
(0,753)
0,861***
(28,390)
-0,061
(-0,925)
0,801***
(12,123)
-0,002
(-0,109)
0,040
(1,282)
0,038
(1,475)
3
0,034
(0,984)
0,008
(0,907)
0,042
(0,977)
0,636***
(16,086)
0,160***
(4,108)
0,797***
(13,435)
0,103
(1,436)
0,025
(1,356)
0,128
(1,441)
4
0,137**
(2,135)
-0,076
(-0,997)
0,061
(1,083)
0,643***
(15,125)
-0,023
(-0,275)
0,619***
(6,939)
0,142*
(1,952)
0,204
(1,151)
0,346*
(1,823)
5
0,093*
(1,887)
0,004
(0,932)
0,097*
(1,872)
0,889***
(30,034)
0,033
(1,134)
0,922***
(23,411)
-0,009
(-0,678)
-0,001
(-0,657)
-0,010
(-0,686)
6
0,095*
(1,827)
-0,087
(-0,756)
0,008
(0,062)
0,884***
(29,172)
0,055
(0,897)
0,938***
(15,928)
-0,007
(-0,378)
0,011
(0,358)
0,004
(0,136)
7
0,077
(1,121)
0,007
(0,836)
0,084
(1,114)
0,699***
(17,565)
0,061*
(1,640)
0,760***
(14,283)
0,147**
(2,010)
0,013
(1,144)
0,160**
(1,995)
8
0,086
(1,291)
-0,230*
(-1,877)
-0,144
(-1,057)
0,673***
(17,497)
0,129*
(1,822)
0,802***
(11,193)
0,138**
(1,959)
0,247
(1,440)
0,385**
(2,102)
9
0,088
(1,247)
-0,235*
(-1,819)
-0,147
(-1,015)
0,674***
(16,297)
0,133*
(1,793)
0,807***
(10,655)
0,140*
(1,916)
0,243
(1,470)
0,383**
(2,106)
10
0,113*
(1,802)
-0,174
(-1,499)
-0,061
(-0,472)
0,792***
(21,820)
0,104*
(1,563)
0,896***
(13,245)
0,029
(1,036)
0,004
(0,087)
0,032
(0,968)
*** signicatif `
a 1%; ** signicatif `
a 5%; * signicatif a
` 1%;
Les valeurs entre parenth`
eses correspondent aux de Student;
Les valeurs entre crochets correspondent aux -values.
1: Mod`
ele SAR sans eets xes; 2: Mod`
ele SAR avec variables explicatives d
ecal
ees et sans eets xes;
3: Mod`
ele SAR avec eets xes individuels (eets xes spatiaux); 4: Mod`
ele SAR avec variables explicatives d
ecal
ees et eets xes spatiaux;
5: Mod`
ele SAR avec eets xes temporels; 6: Mod`
ele SAR avec variables explicatives d
ecal
ees et eets xes temporels;
7: Mod`
ele SAR avec eets xes spatiaux et eets xes temporels; 8: Mod`
ele SAR avec variables explicatives d
ecal
ees, eets xes spatiaux et eets xes temporels;
9: Mod`
ele SAR avec variables explicatives d
ecal
ees, eets xes spatiaux, eets xes temporels et correction du biais destimation de 2 ;
10: Mod`
ele SAR avec variables explicatives d
ecal
ees, eets xes temporels et eets spatiaux al
eatoires.
2 est le coecient de corr
elation au carr
e entre la variable d
ependante et sa valeur estim
ee , il est donn
e par (Elhorst, 2010):
2 (, ) =
)]2
[( ) (
) (
)] ,
[( ) ( )][(
ee.
avec est le vecteur ( 1) de la variable d
ependante, sa moyenne et sa valeur estim
20
Suite de la Table 2
Conclusion
Nous avons etudie dans cet article la relation dappariement entre les demandeurs demploi
et les portes vacants en Tunisie sur la periode allant de 1984 `a 2008. Le recours aux outils de
leconometrie spatiale pour des donnees en panel nous a permis de tenir compte dune mani`ere
explicite les eets spatiaux (autocorrelation et heterogeneite spatiales). Les resultats obtenus
le long de ce travail nous ont permis de montrer que les techniques de modelisation anterieures
de la fonction dappariement sont mal speciees et que, ni le nombre de demandeurs demploi
chomeurs ni le nombre de postes vacants ou le niveau dores demploi, nechappent aux eets
de la localisation et de lespace. Nous avons opte, sur la base des tests statistiques robustes,
pour le mod`ele de Durbin spatial `a double eets. Les resultats destimation de ce mod`ele
montrent que les estimateurs des elasticites et presentent des signes attendus quelque
soit la specication retenue et la matrice de ponderation utilisee. Lelasticite du nombre
dappariements par rapport au nombre de postes vacants () est trop elevee alors que celle
par rapport au nombre de demandeurs demploi () est trop faible. Un resultat semblable
est mis en evidence par Ibourk et Perelman (2001) dans le cas du marche du travail Marocain
en utilisant lapproche de fronti`ere decacite. Ces resultats impliquent que, contrairement `a
la plupart des estimations qui ont ete faites pour les pays industrialises, le nombre de postes
vacants a une importance decisive dans le processus dappariement dans le marche du travail
tunisien.
Nos resultats ont montre aussi que quel que soit le mod`ele estime (SAR, SEM ou SDM),
lappariement sur le marche du travail tunisien se caracterise par des rendements dechelle
decroissants. Ce qui implique un accroissement moins que proportionnel du nombre dembauches
par rapport `a la taille du marche du travail. En plus les rendements dechelle baissent une fois
que les eets spatiaux sont prises en compte. Ce resultat original est interessant parce quil
contredit lidee selon laquelle on devrait sattendre `a des rendements constants voir meme
croissants. Si nos resultats destimation salignent avec ceux dIbourk et Perelman (2001)
sur le fait que le nombre de postes vacants a une importance decisive, ils les contredisent sur
la nature des rendements dechelle. Ainsi, la prise en compte des eets spatiaux a montre
leet signicatif des probl`emes locaux dappariement autre que le mismatch au niveau des
competences ou aux niveaux des caracteristiques et des comportements des agents. En eet,
il existe des eets de spillovers negatifs et positifs et des impacts directs et indirects entre
les dierents gouvernorats qui aectent lappariement sur le marche du travail.
21
!" !"
!"
!" !"!"!" !"
!" !"
!" !"
!"
!" !"
4
!"
!"
8
!"
10
13
23
16
24
19
20
15
12
18
!"
!"
7
17
!"
22
!"
1 1
!"
14
!"
21
Figure 2: (1) Ariana; (2) Beja; (3) Ben Arous; (4) Bizerte; (5) El Kef; (6) Gabes; (7) Gafsa; (8) Jendouba;
(9) Kairouan; (10) Kesserine; (11) Kebili; (12) Mahdia; (13) Manouba; (14) Medenine; (15) Monastir; (16)
Nabeul; (17) Sfax; (18) Sidi Bouzid; (19) Siliana; (20) Sousse; (21) Tataouine; (22) Tozeur; (23) Tunis; (24)
Zaghouan
22
10.5
Sfax
11
Sousse
10
8
8.5
9.5
10
10
11
Tunis
1990
1995 2000
Anne
2005
2010
1990
1995 2000
Anne
2005
2010
10
Le Kef
1985
1990
1995 2000
Anne
2005
2010
2005
2010
Medenine
1985
1990
1995 2000
Anne
2005
2010
___ log(V)
9
8
7
10
Bja
1985
10
1985
1985
1990
1995 2000
Anne
log(H)
2005
2010
1985
1990
1995 2000
Anne
_ _ _ log(U)
Figure 3: Evolution
de (), ( ) et ( ) pour les six gouvernorats de la Tunisie.
Variable
()
( )
( )
(population)
Moyenne Ecart-type
Minimum Maximum
Totale
7,865
0,775
5,323
9,729
0,662
6,535
9,048
0,425
5,192
8,744
Totale
9,182
0,677
7,565
10,782
0,483
8,227
10,093
0,485
8,097
10,363
Totale
7,976
0,787
5,464
9,767
0,689
6,580
9,142
0,406
6,550
8,872
Totale
4,379
1,418
0,948
8,146
1,436
1,216
8,044
0,184
2,173
5,951
23
Observations
= 575
= 23
= 25
= 575
= 23
= 25
= 575
= 23
= 25
= 575
= 23
= 25
(1 ) ()
(1 ) ()
(population)
Coecient spatial ()
*(1 )
*(1 )
*(population)
Constante
rendement dechelle ( + )
0,317
(1,452)
0,939**
(-2,168)
0,074
2
0,861
2
2
0,861
-71,651
2
0,094**
(2,020)
0,862***
(28,042)
-0,001
(-0,053)
0,332***
(6,767)
-0,066
(-1,120)
-0,029
(-0,522)
0,030
(1,075)
0,873**
(2,384)
0,957
(-1,309)
3
0,093**
(2,222)
0,663***
(16,832)
0,131*
(1,818)
0,339***
(6,948)
4
0,137**
(2,227)
0,641***
(15,299)
0,143**
(1,968)
0,343***
(7,052)
-0,078
(-1,102)
-0,020
(-0,289)
0,196
(1,342)
5
0,079
(1,622)
0,892***
(30,130)
-0,002
(-0,141)
0,055
(0,960)
6
0,092*
(1,773)
0,885***
(28,798)
-0,007
(-0,377)
0,053
(0,925)
-0,089
(-0,809)
0,054
(0,949)
0,011
(0,363)
7
0,063
(0,908)
0,706***
(17,769)
0,149**
(2,082)
0,065
(1,142)
8
0,085
(1,237)
0,674***
(16,673)
0,136*
(1,942)
-0,225*
(-1,849)
0,125*
(1,791)
0,243
(1,527)
0,055
(0,960)
9
0,147***
(5,419)
0,818***
(24,944)
0,009
(0,658)
0,377***
(7,897)
10
0,158***
(3,049)
0,787***
(22,076)
0,011
(0,476)
0,375***
(7,824)
-0,063
(-0,997)
0,089
(1,601)
0,001
(0,031)
0,755***
(-6,540)
0,778***
(-4,350)
0,971
(-0,793)
0,976
(-0,633)
0,769***
(-3,858)
0,759***
(-3,956)
0,073
0,863
0,863
-69,737
0,068
0,877
0,550
-37,094
0,067
0,878
0,552
-35,546
0,067
0,891
0,881
-26,861
0,067
0,891
0,881
-26,270
0,060
0,903
0,481
4,595
0,057
0,904
0,489
8,331
0,965***
(-3,875)
(1,687)
0,071
0,880
0,858
-72,225
-70,263
[1; 0,987]
-69,327***
[4; 0,000]
0,945
(-1,462)
(2,107)
0,070
0,882
0,857
-70,701
-70,309
[1; 0,988]
-67,996***
[7; 0,000]
*** signicatif `
a 1%; ** signicatif `
a 5%; * signicatif `
a 1%;
Les valeurs entre parenth`
eses correspondent aux de Student;
Les valeurs entre crochets correspondent aux degr
es de libert
e et aux -values.
1: Mod`
ele SEM sans eets xes; 2: Mod`
ele SEM avec variables explicatives d
ecal
ees sans eets xes;
3: Mod`
ele SEM avec eets xes individuels (eets xes spatiaux); 4: Mod`
ele SEM avec variables explicatives d
ecal
ees et eets xes spatiaux;
5: Mod`
ele SEM avec eets xes temporels; 6: Mod`
ele SEM avec variables explicatives d
ecal
ees et eets xes temporels;
7: Mod`
ele SEM avec eets xes spatiaux et eets xes temporels; 8: Mod`
ele SEM avec variables explicatives d
ecal
ees, eets xes spatiaux et eets xes temporels;
9: Mod`
ele SEM avec eets spatiaux al
eatoires; 10: Mod`
ele SEM avec variables explicatives d
ecal
ees et eets spatiaux al
eatoires.
24
(1 ) ()
(1 ) ()
(population )
constante
rendement dechelle
( + )
2
Mod`ele a-spatial
sans eets
xes
0,031
(1,011)
0,877***
(31,809)
0,016
(1,370)
0.553***
(2,886)
0,908***
(-3,481)
0,861
Mod`ele a-spatial
avec eet
xe spatial
0,070**
(2,148)
0,666***
(17,923)
0,159**
(2,250)
Mod`ele a-spatial
avec eet
xe temporel
0,076
(1,581)
0,894***
(31,028)
-0,001
(-0,113)
Mod`ele a-spatial
avec eets xes
spatiaux et temporels
0,052
(0,761)
0,712***
(18,439)
0,154**
(2,204)
0,736***
(-8,358)
0,878
0,970
(-0,914)
0,891
0,764***
(-3,998)
0,903
-94,275
-59,647
-27,030
3,946
0,457
[0,499]
0,199
[0,656]
0,275
[0,600]
0,017
[0,897]
2,485
[0,115]
0,425
[0,515]
3,202
[0,074]
1,142
[0,285]
61,952***
[0,000]
127,186***
[0,000]
3,086*
31,965***
[0,079]
[0,000]
57,896***
59,897***
[0,000]
[0,000]
4,255**
0,088
robust
[0,039]
[0,767]
59,065***
28,019***
robust
[0,000]
[0,000]
Test du rapport de vraisemblance (LR) de
signicativite dun eet xe spatial (degre de liberte = 23)
Test du rapport de vraisemblance (LR) de
signicativite dun eet xe temporel (degre de liberte = 24)
*** signicatif `
a 1%; ** signicatif `
a 5%; * signicatif a
` 1%;
Les valeurs entre parenth`
eses correspondent aux de Student;
Les valeurs entre crochets correspondent aux -values.
25
*( ) ()
(1 ) ()
(1 ) ()
(population )
3
0,239***
(5,443)
0,005
(0,137)
0,623***
(16,636)
0,079
(1,121)
4
0,382***
(7,603)
0,115*
(1,640)
0,651***
(15,027)
0,107
(1,434)
-0,093
(-1,174)
-0,243***
(-3,124)
0,081
(0,587)
5
0,026
(0,801)
0,083*
(1,678)
0,891***
(30,128)
-0,006
(-0,434)
6
0,040
(0,654)
0,088*
(1,751)
0,881***
(28,751)
-0,007
(-0,470)
-0,164
(-1,427)
0,025
(0,294)
0,034
(1,493)
7
0,093*
(1,828)
0,067
(0,974)
0,698***
(17,586)
0,139**
(1,944)
8
0,050
(0,806)
0,082
(1,190)
0,677***
(16,737)
0,124*
(1,759)
-0,188
(-1,415)
0,117
(1,235)
0,270
(1,508)
9
0,050
(0,808)
0,082
(1,165)
0,677***
(16,384)
0,124*
(1,722)
-0,188
(-1,385)
0,117
(1,213)
0,270
(1,476)
10
0,040
(0,646)
0,111*
(1,919)
0,807***
(23,104)
0,014
(0,692)
-0,205*
(-1,656)
0,064
(0,726)
0,035
(1,161)
0,248
(1,028)
0,895**
(-1,990)
2
0,358***
(6,9716)
0,107**
(2,153)
0,862***
(27,316)
-0,007
(-0,469)
-0,080
(-1,299)
-0,361***
(-5,291)
0,043**
(2,420)
0,658***
(2,659)
0,970
(-0,915)
0,634***
(-9,143)
0,767***
(-3,944)
0,974
(-0,723)
0,969
(-0,895)
0,766***
(-3,908)
0,759***
(-4,131)
0,759***
(-3,960)
0,082
0,862
0,859
-92,459
0,073
0,877
0,863
-66,457
0,071
0,885
0,539
-45,094
0,067
0,891
0,556
-34,952
0,067
0,891
0,881
-27,052
0,067
0,892
0,882
-25,669
0,060
0,903
0,484
5,294
0,057
0,904
0,488
7,865
5,033
[0,169]
7,415*
[0,060]
0,059
0,904
0,488
7,865
4,836
[0,184]
7,106*
[0,069]
40,458***
[0,000]
0,919*
(-1,821)
5,605
0,062
0,887
0,880
-603,163
2,867
[0,415]
3,427
[0,330]
*(1 )
*(1 )
*(population )
constante
rendement dechelle
( + )
2
2
2
26
Eet direct (1 )
Eet indirect (1 )
Eet total (1 )
Eet direct (1 )
Eet indirect (1 )
Eet total (1 )
Eet direct (population )
Eet indirect (population )
Eet totale (population )
1
0,017
(0,559)
0,001
(0,364)
0,018
(0,554)
0,879***
(32,928)
0,051*
(1,720)
0,930 ***
(22,672)
0,011
(0,939)
0,001
(0,679)
0,012
(0,935)
2
0,107**
(2,269)
-0,063
(-0,884)
0,043
(0,758)
0,858***
(28,330)
-0,079
(-1,093 )
0,778***
(10,664)
-0,004
(-0,313)
0,062**
(2,557)
0,058**
(2,283)
3
0,005
(0,129)
0,001
(0,044)
0,005
(0,109)
0,637***
(16,153)
0,193***
(4,279)
0,830***
(12,959)
0,079
(1,103)
0,023
(1,052)
0,102
(1,103)
4
0,112*
(1,687)
-0,077
(-0,881)
0,035
(0,523)
0,651***
(15,384)
0,011
(0,112)
0,662***
(6,419)
0,119
(1,618)
0,190
(0,926)
0,308
(1,433)
5
0,084*
(1,754)
0,003
(0,736)
0,0870*
(1,749)
0,891***
(30,194)
0,025
(0,858)
0,917***
(22,855)
-0,006
(-0,479)
-0,001
(-0,520)
-0,007
(-0,489)
6
0,090*
(1,786)
-0,161
(-1,340)
-0,072
(-0,576)
0,881***
(29,191)
0,060
(0,875)
0,941***
(14,049)
-0,007
(-0,453)
0,035
(1,520)
0,028
(1,100)
7
0,070
(1,023)
0,008
(0,793)
0,078
(1,019)
0,700***
(17,599)
0,072*
(1,700)
0,772***
(13,496)
0,142*
(1,944)
0,015
(1,155)
0,157*
(1,929)
8
0,080
(1,200)
-0,190
(-1,410)
-0,111
(-0,777)
0,678***
(17,720)
0,155*
(1,843)
0,834***
(10,071)
0,129*
(1,811)
0,284
(1,479)
0,412**
(2,055)
9
0,082
(1,164)
-0,197
(-1,379)
-0,115
(-0,759)
0,679***
(16,509)
0,160*
(1,816)
0,839***
(9,627)
0,131*
(1,778)
0,279
(1,515)
0,410**
(2,069)
10
0,109*
(1,818)
-0,210*
(-1,706)
-0,102
(-0,777)
0,808***
(22,849)
0,104
(1,388)
0,911***
(12,105)
0,013
(0,668)
0,037
(1,231)
0,051
(1,583)
*** signicatif `
a 1%; ** signicatif `
a 5%; * signicatif a
` 1%;
Les valeurs entre parenth`
eses correspondent aux de Student;
Les valeurs entre crochets correspondent aux -values.
1: Mod`
ele SAR sans eets xes; 2: Mod`
ele SAR avec variables explicatives d
ecal
ees et sans eets xes;
3: Mod`
ele SAR avec eets xes individuels (eets xes spatiaux); 4: Mod`
ele SAR avec variables explicatives d
ecal
ees et eets xes spatiaux;
5: Mod`
ele SAR avec eets xes temporels; 6: Mod`
ele SAR avec variables explicatives d
ecal
ees et eets xes temporels;
7: Mod`
ele SAR avec eets xes spatiaux et eets xes temporels; 8: Mod`
ele SAR avec variables explicatives d
ecal
ees, eets xes spatiaux et eets xes temporels;
9: Mod`
ele SAR avec variables explicatives d
ecal
ees, eets xes spatiaux, eets xes temporels et correction du biais destimation de 2 ;
10: Mod`
ele SAR avec variables explicatives d
ecal
ees, eets xes temporels et eets spatiaux al
eatoires.
27
Suite de la Table 6
(1 ) ()
(1 ) ()
(population)
Coecient spatial ()
*(1 )
*(1 )
*(population)
Constante
rendement dechelle ( + )
0,285
(1,273)
0,946*
(-1,923)
0,074
2
0,861
2
2
0,861
-70,658
2
0,109**
(2,326)
0,855***
(27,643)
-0,003
(-0,233)
0,371***
(7,299)
-0,089
(-1,361)
-0,030
(-0,497)
0,054***
(2,671)
0,918***
(2,567)
0,964
(-1,152)
3
0,078*
(1,837)
0,667***
(16,931)
0,117
(1,613)
0,379***
(7,515)
4
0,120*
(1,849)
0,648***
(15,487)
0,112
(1,513)
0,381***
(7,570)
-0,097
(-1,199)
0,056
( 0,697)
0,134
(0,820)
5
0,078
(1,590)
0,893***
(30,301)
-0,002
(-0,142)
0,031
(0,483)
6
0,088*
(1,746)
0,881***
(28,851)
-0,007
(-0,465)
0,046
(0,722)
-0,164
(-1,417)
0,062
(0,959)
0,035
(1,517)
7
0,057
(0,820)
0,709***
(17,905)
0,150**
(2,102)
0,042
(0,661)
8
0,082
(1,159)
0,678***
(16,501)
0,125*
(1,743)
-0,192
(-1,387)
0,157*
(1,849)
0,272
(1,482)
0,052
(0,822)
9
0,160***
(5,784)
0,795***
(23,128)
0,019
(1,401)
0,411***
(8,465)
10
0,164***
( 2,727)
0,787***
( 21,953)
0,002
( 0,166)
0,418***
(8,860)
-0,105
(-1,401)
0,100*
(1,694)
0,067***
(3,786)
0,745***
-6,386
0,769***
-4,226
0,971
-0,803
0,969
(-0,907)
0,766***
(-3,909)
0,760***
(-4,185)
0,072
0,863
0,863
-66,389
0,0675
0,8774
0,5504
-35,70489
0,067
0,877
0,551
-34,649
0,068
0,891
0,891
-27,192
0,067
0,892
0,882
-25,610
0,060
0,903
0,481
4,179
0,059
0,904
0,488
7,882
0,955***
(-2,172)
(2,989)
0,070
0,881
0,856
-68,810
-66,211
[1; 0,999]
-53,334***
[4; 0,000]
0,951***
(-2,355)
(1,130)
0,070
0,882
0,857
-70,701
-50,518
[1; 1,000]
-47,506***
[7; 0,000]
*** signicatif `
a 1%; ** signicatif `
a 5%; * signicatif `
a 1%;
Les valeurs entre parenth`
eses correspondent aux de Student;
Les valeurs entre crochets correspondent aux degr
es de libert
e et aux -values.
1: Mod`
ele SEM sans eets xes; 2: Mod`
ele SEM avec variables explicatives d
ecal
ees sans eets xes;
3: Mod`
ele SEM avec eets xes individuels (eets xes spatiaux); 4: Mod`
ele SEM avec variables explicatives d
ecal
ees et eets xes spatiaux;
5: Mod`
ele SEM avec eets xes temporels; 6: Mod`
ele SEM avec variables explicatives d
ecal
ees et eets xes temporels;
7: Mod`
ele SEM avec eets xes spatiaux et eets xes temporels; 8: Mod`
ele SEM avec variables explicatives d
ecal
ees, eets xes spatiaux et eets xes temporels;
9: Mod`
ele SEM avec eets spatiaux al
eatoires; 10: Mod`
ele SEM avec variables explicatives d
ecal
ees et eets spatiaux al
eatoires.
28
References
Anderson, P. and S. Burgess (2000). Empirical matching functions: estimation and interpretation using state-level data. Review of Economics and Statistics 82 (1), 93102.
Anselin, L. (1995). Local indicators of spatial association-LISA. Geographical Analysis 27 (2),
93115.
Anselin, L., A. Bera, R. Florax, and M. Yoon (1996). Simple diagnostic tests for spatial
dependence. Regional science and urban economics 26 (1), 77104.
Anselin, L. and J. Le Gallo (2006). Interpolation of air quality measures in hedonic house
price models: spatial aspects. Spatial Economic Analysis 1 (1), 3152.
Anselin, L., J. Le Gallo, and H. Jayet (2008). Spatial panel econometrics. The Econometrics
of Panel Data, 625660.
Baltagi, B. (2005). Econometric analysis of panel data. John Wiley & Sons, Inc. ISBN
0-470-01456-3 .
Banque Mondiale (2004). Republique Tunisienne: Strategie dEmploi. vol. I, Rapport Principal, 25456-TUN, Washington, 138 p.
Baumont, C., C. Ertur, and J. Le Gallo (2004). Spatial Analysis of Employment and Population Density: The Case of the Agglomeration of Dijon, 1999. Geographical Analysis 36 (2),
146177.
Blanchard, O. and P. Diamond (1989). The beveridge curve. Brookings papers on economic
activity 1989 (1), 176.
Blanchard, O. and P. Diamond (1990). The aggregate matching function. Growth, Productivity, Unemployment, Essays to Celebrate Bob Solows Birthday, MIT Press, Cambridge
MA, 159201.
Burgess, S. and S. Prot (2001). Externalities in the Matching of Workers and Firms in
Britain. Labour Economics 8 (3), 313333.
Burridge, P. (1981). Testing for a common factor in a spatial autoregression model. Environment and Planning A 13 (7), 795800.
Cli, A. and J. Ord (1973). Spatial Autocorrelation. Pion, London.
Cli, A. and J. Ord (1981). Spatial processes: models & applications. Pion, London.
Coles, M. and E. Smith (1996). Cross-section estimation of the matching function: evidence
from England and Wales. Economica 63 (252), 589597.
Duranton, G. and D. Puga (2004). Micro-foundations of urban agglomeration economies.
Handbook of regional and urban economics 4, 20632117.
29
LeSage, J. and R. Pace (2009). Introduction to spatial econometrics. Chapman & Hall/CRC.
Moran, P. (1948). The interpretation of statistical maps. Journal of the Royal Statistical
Society B 10 (243), 51.
Moran, P. (1950). A test for the serial independence of residuals. Biometrika 37 (1), 178181.
Ord, K. (1975). Estimation methods for models of spatial interaction. Journal of the American Statistical Association 70 (349), 120126.
Pace, R. and R. Barry (1997). Quick computation of spatial autoregressive estimators. Geographical Analysis 29 (3), 232247.
Petrongolo, B. and C. Pissarides (2001). Looking into the black box: A survey of the matching
function. Journal of Economic Literature 39 (2), 390431.
Tobler, W. (1979). Smooth pycnophylactic interpolation for geographical regions. Journal of
the American Statistical Association 74 (367), 519530.
Upton, G. and B. Fingleton (1985). Spatial data analysis by example. Wiley, New York.
31