SECTION 2 

: MODELISATION ECONOMETRIQUE

MODELE DE REFERENCE

"La contrepartie empirique du modèle théorique discuté dans la description des données établit une
relation stable entre l'écart de production et l'écart de chômage, on obtient l’équation (5) qui est de
du type :

P.Y.GAP DE (T) = UPSILON +A.B.U.GAP DE T + C.J.Y.GAP DE T-J +F DE T AVEC J=1

où Y.GAP(T) est le logarithme népérien de l'écart de production,

U.GAP DE (T) est l'écart du taux de chômage et

t est un terme d'erreur.

Nous autorisons une structure de décalage dans cette équation, afin de saisir adéquatement la
dynamique de la relation entre les écarts de production et de chômage. Comme discuté ci-dessous, la
structure de décalage optimale sera déterminée selon des critères d'informations statistiques
standard.

Compte tenu de ces estimations des écarts de production et de chômage, l'étape suivante consiste à
s'assurer que ces séries sont stationnaires, ou sinon, qu'elles soient cointégrées, sinon l'estimation de
l'équation (5) pourrait fournir des résultats erronés en raison d'une fausse relation entre les
variables. Par conséquent, des tests de racine unitaire standard pour chacun des écarts de
production et de chômage seront été calculés. "

APPROCHE METHODOLOGIQUE

"

DONNEES DE L’ETUDE :

Pour commencer, nous décrivons l'ensemble de données utilisé dans notre analyse empirique, en
considérant le groupe de pays européens sélectionnés, la période d'échantillonnage, les variables et
les sources d'information à partir desquelles nous avons obtenu les données. En outre, une analyse
descriptive est présentée comme la première étape afin de tirer des conclusions provisoires au-delà
de nos informations.

Nos résultats empiriques sont basés sur un ensemble complet de données de panel de bilan pour les
pays de l'UE-15 susmentionnés. L'un des problèmes les plus importants est la disponibilité des
données. Ainsi, comme nous avons limité notre analyse à la période qui nous permet de comparer
les résultats entre pays, nous nous concentrons sur 2005-2017. Une période en quelque sorte
suffisante pour les conclusions présentées ici. Dans l'ensemble, afin de fournir des conclusions plus
approfondies, les recherches futures pourraient être améliorées en considérant tous les pays
européens et les variables d'intérêt sur une période plus longue, ou en les distinguant par sous-
périodes.
Nous examinons la relation entre le chômage et la production pour les pays de l'UE-15 : Autriche,
Belgique, Danemark, Finlande, France, Allemagne, Grèce, Irlande, Italie, Luxembourg, Pays-Bas,
Portugal, Espagne, Suède et Royaume-Uni. En outre, quatre macro-zones (basées sur la situation
géographique) sont également considérées :

.(i) Europe continentale : Autriche, Belgique, France, Allemagne, Luxembourg et Pays-Bas ;

(ii) Pays nordiques : Danemark, Finlande et Suède ;

(iii) Europe du Sud (PIGS) : Portugal, Italie, Grèce et Espagne ; et

(iv) pays anglo-saxons : Irlande et Royaume-Uni.

La dernière crise financière et économique a affecté les marchés du travail européens, les taux de
chômage ayant considérablement augmenté (Eurostat, 2016). Par conséquent, l'analyse de la
relation entre le chômage et la production devient aujourd'hui l'un des principaux problèmes en
Europe.

Notre base de données se compose de deux variables principales : la production ou produit intérieur
brut (PIB) à prix constants (année de base 2010) et les taux de chômage (total, par sexe et cohorte
d'âge). Les données de base utilisées dans cette étude sont tirées des Statistiques de l'OCDE (2017).
Les principales variables sont décrites par tranche d'âge dans le tableau 1 en annexe.

Afin d'avoir une meilleure connaissance de la situation économique et en première approximation de

nos estimations économétriques, nous allons étudier l'évolution de nos variables, à la fois dans les
pays/macro-zones européennes et dans le temps. Ensuite, le graphique 1 trace les différences de
cycle entre la production et le taux de chômage total (en tenant compte des cohortes d'âge) par
macro-zone tandis que le graphique 2 montre la distribution du taux de chômage total désagrégé par
sexe. Toutes ces informations reflètent l'hétérogénéité régionale (entre pays) dans la relation entre
la production et le chômage, selon les perspectives régionales, d'âge et de sexe, et renforcent ainsi la
motivation de cette étude qui est la révision de la loi d'Okun dans certains pays européens en
considérant un âge et analyse de genre. Dans l'ensemble, ces graphiques montrent une nette
différence concernant les taux de chômage dans la zone Europe du Sud (PIGS). En fait, on peut
apprécier que les taux de chômage les plus élevés sont dus à l'impact plus important de la crise dans
ces pays. En outre, lorsque l'on considère la cohorte d'âge, les valeurs les plus élevées sont atteintes
par la population la plus jeune (Rudawska, 2010). De plus, de légères différences sont également
appréciées selon le sexe. Les femmes (en tant que jeunes) semblent être plus sensibles aux
ralentissements économiques que les hommes, car des taux plus élevés sont observés pour ce
collectif. Par conséquent, la réduction de l'écart de chômage entre les sexes n'est pas appréciée pour
les pays européens sélectionnés (Albanesi et Sahin, 2013).

MODELISATION
Comme indiqué précédemment, plusieurs études ont estimé la loi d'Okun en utilisant des
spécifications statiques ou dynamiques. Précisément, deux approches de base sont considérées dans
notre analyse empirique (Lee, 2000).

.(i) Le modèle différencié qui représente un moyen pratique d'obtenir des données stationnaires
contenant une racine unitaire ; et
(ii) le « gap » qui fournit des inférences sur le comportement des séries chronologiques au cours du
cycle économique.

Dans le modèle aux différences premières, la relation entre la production réelle observée

(����) et

le taux de chômage observé (����) est donnée par l'équation (1) :

∆ ���� = ����− ����∆ ����+ ���� (1)

où ∆ est un opérateur de différence (����− ����−�� ; ����− ����−��);

���� est l'interception ;

���� est le coefficient d'Okun (mesurant dans quelle mesure les variations du taux de chômage
produisent des variations de la production) ; et

�� est le terme de perturbation.

La seconde approche est liée à la notion d' «écart» entre la production courante et d'équilibre et
celle du chômage dans l'équation (2) :

���� ���� (2)

où ���� ������ et

���� ������.

En d'autres termes, la différence entre la production (PIB) observée et potentielle (*) et les taux de
chômage, respectivement, capture les niveaux cycliques des deux. Néanmoins, le problème avec ce
modèle est qu'il n'y a pas de données observables sur ��∗��et ��∗��. Ainsi, ils doivent être
estimés, ce qui signifie qu'il est nécessaire de générer des tendances�� ��et ����.

TEST UTILISE PAR L’ETUDE

Dans cette étude, nous venons d'utiliser le filtre Hodrick-Prescott (HP) car c'est un outil très utile en
macroéconomie, qui est utilisé pour extraire une composante de tendance d'une série
chronologique. Par ailleurs, les facilités logicielles et le critère d'optimalité, dont il peut être dérivé,
peuvent expliquer son utilisation extensive. De même, récemment De Jong et Sakarya (2016) ont
indiqué que, conformément à l'utilisation du filtre HP par les macroéconomistes, la composante
cyclique satisfait des propriétés de faible dépendance pour une large classe de processus
stochastiques. Tout cela justifie ici sa pertinence. "

Méthodologie de recherche

"

DONNEES DE L’ETUDE :
Cette étude examine la relation entre le chômage et les paramètres macroéconomiques dans
Bangladesh de 1991 à 2018. L'étude formule le modèle suivant avec des données annuelles de taux
de chômage et d'autres variables indépendantes telles que l'inflation, la croissance économique et
investissement direct. La source des données est les rapports annuels de la Banque du Bangladesh et
de la Banque mondiale (1991-2019).

MODELISATION

𝑈𝑈 = 𝑓𝑓(𝐺𝐺𝐺𝐺𝐺𝐺, 𝐼𝐼𝑁𝑁𝐼𝐼, 𝐼𝐼𝐺𝐺𝐼𝐼) (1)

𝑈𝑈𝑡𝑡 = 𝛽𝛽0 + 𝛽𝛽1 𝐺𝐺𝐺𝐺𝐺𝐺𝑡𝑡 + 𝛽𝛽2 𝐼𝐼𝑁𝑁𝐼𝐼 𝑡𝑡 + 𝛽𝛽3 𝐼𝐼𝐺𝐺𝐼𝐼 𝑡𝑡 + 𝜀𝜀𝑡𝑡 (2)

Où

Ut est le taux de chômage au temps t ;

PIB, INF et IDE sont respectivement la croissance du PIB, le taux d'inflation et les
investissements étrangers directs.

Les bêtas sont des coefficients de chaque variable liée et

le est le terme d'erreur du modèle.

TEST UTILISE DANS L’ETUDE :

En raison de l'exigence de stationnarité de la technique OLS, nous avons examiné la stationnarité de
toutes les séries destinées à être utilisées dans le modèle à l'aide du test de racine unitaire
Augmented Dickey Fuller (ADF). Une hypothèse importante pour ce test est que le terme d'erreur
n'est pas corrélé en série et qu'il s'agit du bruit blanc. Le test vérifie la corrélation des erreurs en
ajoutant des retards de la série. Le test ADF fait une hypothese en dessous du H0 contre H1 où le
rejet de l'hypothèse nulle confirme la stationnarité de la série.

H0: Les données sont non stationnaires.

H1: Les données ne sont pas non stationnaires

Un seuil de significativité de 1%, 5% ou 10% est inclus dans l'analyse lors de la prise de décision. Si la
valeur absolue de l'état de test est supérieure à la valeur critique, nous pouvons rejeter l'hypothèse
nulle. Cependant, si la valeur absolue des statistiques de test est inférieure à la valeur critique, nous
ne pouvons pas rejeter l'hypothèse nulle. "

Méthodologie

"Deux modèles sont utilisés pour calculer le coefficient d'Okun dans cet article :

.(a) le modèle d'écart ; et

(b) le modèle des taux de croissance.

Le modèle d'écart est basé sur des régressions statiques et dynamiques du chômage cyclique sur la
production cyclique, où les composantes cycliques de la production et du chômage sont calculées en
appliquant le filtre Hodrick-Prescott (1997) ou (filtre HP) aux séries chronologiques observées, qui
sont décomposées en tendances et en cycles.

Formellement, le filtre HP est utilisé pour estimer le chemin de tendance {Z*de t, ou t = 1,2,...,n}
d'une série temporelle {Z de t, avec t = 1,2,..., n}, sous réserve que la somme des différences
secondes au carré de la série temporelle ne soit pas trop grande. La tendance est calculée à partir de
la série chronologique observée en résolvant le problème d'optimisation (Voir l’équation 1).

où le paramètre de lissage, ,

est normalement déterminé par la fréquence des observations.

Une fois les composantes cycliques extraites, le coefficient d'Okun peut être calculé à partir de la
régression statique (voir l’équation 2)

où Ude c et Yde c sont respectivement les composantes cycliques du chômage

et de la production, tandis que

γ est le coefficient d'Okun.

L'équation 2 implique que la relation est contemporaine, ce qui peut ne pas être plausible en théorie.
Elle peut également être inadéquate empiriquement en raison de l'omission de la dynamique à court
terme. D'après Hendry et al (1984), le modèle dynamique ARDL utilisé ici est (voir l’équation 3).

où l'effet contemporain (impact ou à court terme) de la production sur le chômage e

st mesuré par le coefficient γ0 tandis que

l'effet à long terme est mesuré en calculant une fonction des coefficients, ϕ, qui est donnée
par (voir l’équation 4)

La question qui se pose ici est de savoir si le coefficient d'Okun est γ0 ou .

La tendance est de définir le coefficient d'Okun comme mesurant l'effet à long terme, car la relation
entre le chômage et la production n'est pas nécessairement contemporaine. Ces deux paramètres
seront signalés.

Le deuxième modèle est une version structurelle des séries chronologiques du modèle des taux de
croissance, qui peut s'écrire comme suit (voir l’équation 5).

où u de t est la valeur logarithmique observée du chômage,

t est la composante tendancielle,

Φ de T est la composante cyclique,

ε.de t est la composante irrégulière et

Δ de YT est le taux de croissance de la production tel que

y = loge (Y).
La tendance et le cycle sont supposés non corrélés tandis que εt est supposé être du bruit blanc.
L'idée de base derrière l'équation 5 est que le chômage peut s'expliquer en termes de ses
composantes et du taux de croissance de la production.

Dans ce modèle, le coefficient d'Okun, δ de t, a un indice de temps parce que le modèle est estimé
dans un cadre paramétrique variant le temps (PVT) pour capturer toute variation du coefficient.

La composante de tendance, qui représente le mouvement à long terme d'une série, est représentée
par : L’équation 6 et 7.

où ηt∼NID(0,σ2η), et

ζt∼NID(0,σ2ζ).μt est une marche aléatoire avec un facteur de dérive,

βt, qui suit un processus autorégressif du premier ordre comme représenté par l’équation 7.

Ce processus réduit à une marche aléatoire simple avec dérive si σ2ζ= 0, et une tendance linéaire
déterministe si σ2η= 0 ainsi. Si, d'autre part, σ2η= 0 tandis que σ2ζ≠ 0, le processus aura une
tendance qui change relativement doucement.

La composante cyclique, qui est supposée être un processus linéaire stationnaire, peut être
représentée par : L’équation 8.

où t est le temps et l'amplitude du cycle est donnée par (a 2+b2)1/2 .

Afin de rendre le cycle stochastique, les paramètres a et b sont autorisés à évoluer dans le temps,
tandis que la préservation de la continuité est obtenue en écrivant une récursivité pour construire
avant d'introduire les composantes stochastiques. En introduisant des perturbations et un facteur
d'amortissement, on obtient les équation 9 et 10.

où φ* de t apparaît par construction telle que ωt et

ω* de t sont des bruits blancs non corrélés de variances σ2 de ω et σ 2 de ω* respectivement.

Les paramètres 0 θ≤π et 0≤ ρ≤1 sont respectivement la fréquence du cycle et le facteur

d'amortissement sur l'amplitude. Afin de faciliter l'optimisation numérique, la contrainte σ2 de ω =
( … ) est imposé. "

TEST UTILISE DANS L’ETUDE

Le modèle de correction d'erreur vectorielle et les tests de causalité de Granger sont appliqués dans
l'analyse. Le test de cointégration est appliqué pour connaître la relation à long terme entre les
variables, le VECM a demandé pour étudier la relation dynamique à court et à long terme et le test
de causalité de Granger utilisé pour connaître la causalité du chômage et d'autres variables. Toutes
les variables sont exprimées en termes de leurs valeurs réelles dans cette étude. L'application de la
modélisation économétrique nécessite le même ordre d'intégration dans l'ensemble de données.
Ainsi, nous transformons l'ensemble de données en spécification log-linéaire pour avoir des
estimations cohérentes, Shahbaz et Rahman (2010).

Spécification du modèle
"Le modèle exprime la relation entre le chômage et d'autres indicateurs macro-économiques tels que
l'inflation (INFL), la formation brute de capital fixe (FBCF), la population active (LF), le taux
d'alphabétisation (LR) et le produit intérieur brut (PIB) sont représentés dans l’équation 1, ou le
chômage est une fonction du produit intérieur brut (PIB), de l'inflation (INFL), de la formation brute
de capital fixe (FBCF), de la population active (LF) et de du taux d'alphabétisation (LR).

Nous estimons l'impact à long terme des indicateurs sur le chômage en utilisant le test de
cointégration multivarié de Johansen Juselius tel que décrite dans l’équation 2 :

Log du taux de chômage de t = 1 fois Log du PIB de t+ 2 fois Log de l'inflation (INFL) de t + 3 fois Log
de formation brute de capital fixe (FBCF) de t + 4 fois Log du taux d'alphabétisation (LR) de t + 5 fois
Log de la population active LF de t + u de t

Où :

Log du PIB de t – indique la croissance économique en termes de PIB par habitant en dollars
américains courants pendant la période t (indicateur de croissance économique).

Log de formation brute de capital fixe (FBCF) de t – indique la formation brute de capital fixe
en dollars américains courants au cours de la période t (en tant qu'investissement intérieur
privé).

la population active LF de t – indique la population active, mesurée en % de la population

totale âgée de 15 à 64 ans au cours de la période t.

l'inflation (INFL) de t – indique le taux d'inflation (en tant qu'IPC) pendant la période t.

la population active LF de t – indique le taux d'alphabétisation au cours de la période t (proxy

de la scolarisation dans le secondaire, % brut).

"

METHODOLOGIE ECONOMETRIQUE

"L'objectif de cette section est de tester et d'estimer la relation occasionnelle entre le PIB et le
chômage dans le cas de l'économie indienne sur la période 1983-2013 et de vérifier la validité de la
loi d'Okun, notre modèle est celui présenté dans l’équation 1 comme suit :

Tc de (t) = α + β fois PIB + ε (1)

Où PIB est le produit intérieur brut en Inde et

Tc est le taux de chômage en Inde

Tandis que α et β sont le coefficient à estimer et le ε est le terme d'erreur.

Pour assurer la linéarité des variables, nous avons utilisé la forme convertie de l'équation (1) qui est
donnée ci-dessous, où « ln » signifie le logarithme népérien.

In de Tc = α + β fois ln de PIB + ε (2)

Pour la validité et la vérification du modèle présenté dans l'équation 2 doit passer par différentes
étapes comme suit : (voir l’équation 3)
"

Spécification modèle 

"Nous avons objectif d'analyser la relation entre croissance de l’emploi, inflation et croissance de
production dans 119 pays sur la période 1970-2010, savoir l’équation 11.

où nous avons comme variables, le taux de croissance annuel de la production réelle dans le pays i et
l'année t, la variation annuelle du niveau des prix, la variation annuelle du niveau d'emploi et un
terme d'erreur.

Suivant Pedroni (2004, 1999), nous estimons un modèle de panel VECM dans l’équation 12

TEST UTILISE DANS L’ETUDE

Par la suite nous allons tester la causalité multivariée avec un décalage m (SIC = 2) pour examiner la
causalité multivariée au sein du VECM cadres utilisant le test de Wald ou (test F) de l’hypothèse
nulle. Les résultats de l'analyse de causalité multivariée de Granger sont présentés dans un tableau.

"

SPECIFICATION DU MODELE

"Ce document adopte une méthode qui se concentre sur les impacts de différents facteurs
économiques et sociaux dans la détermination du chômage.

L’étude suit donc une méthodologie ou les modèles actuels deviennent comme ceux de la littérature
et l'on peut les modifier pour incorporer une approximation de la croissance économique par la
croissance du PIB réel et une approximation de l'inflation par l'indice des prix à la consommation en
tant que variables indépendantes tandis que le chômage en tant que variable dépendante.
L’équation 1 obtenue est :

Tc de t = f (RPIB, INF.L, INTR, ED,) (1)

Où : UNEMPL = taux de chômage (%)

RPIB = Au PIB réel

INF.L = L’inflation fois (indice des prix à la consommation %)

Cette équation est transformée sous forme log-linéaire, qui s'exprime par une équation 2.

Ln de Tc de t = a+ β1 fois INF.L + … + β2 fois lN.ED + ԑt (2)

Le β représente les paramètres des variables indépendantes, une constante et t le terme d'erreur. Ce
modèle implique que le taux de chômage sera négativement ou positivement lié à la dette
extérieure, Négativement au taux d'inflation.
"

PROCEDURE D'ESTIMATION

"L'approche méthodologique de l'étude comprend les étapes suivantes :

Premièrement, le test de stationnarité des séries individuelles dans le modèle de régression ou

autrement pour déterminer l'ordre d'intégration des variables.

Deuxièmement, le test de l'existence d'une relation d'équilibre stable à long terme entre les variables
et troisièmement, l'estimation des paramètres du modèle. Pour estimer l'équation, les propriétés de
stabilité des variables employées seront d'abord étudiées. Des tests de racine à deux unités seront
utilisés dans l'étude, à savoir l’Augmenter de Dickey Fuller (ADF) et le Phillips-Perron (PP). Le choix de
deux racines unitaires est guidé par des impératifs de comparaison et de cohérence. Selon Hamilton
(1994), le test de racine unitaire PP est généralement considéré comme ayant une plus grande
fiabilité que l'ADF car il est robuste au milieu de la corrélation sérielle et de l'hétéroscédasticité, bien
qu'il ait ses propres défauts.

ED = dette extérieure (dette décaissée hors dons, en millions de dollars)

INTR = taux d'intérêt

Afin d'examiner la relation entre l'inflation, la croissance économique et le chômage, l'étude utiliser
des régressions multiples où la variable dépendante (Taux de chômage) sera régressée par rapport
aux variables indépendantes (PIB Réel, Taux d’Inflation, taux d'intérêt, dette extérieure,).

"

Méthodologie

L'analyse de la relation entre la production et le chômage nécessite dans un premier temps de

vérifier que les séries sont stationnaires.

Premièrement, nous le faisons pour chaque province et ensuite, nous agrégeons toutes les séries
provinciales dans un panel qui est testé par les tests de racine unitaire de panel que nous
mentionnons plus loin.

Ensuite, nous estimons la relation entre le PIB et le chômage. Nous utilisons la version différentielle
de la loi d'Okun et l'estimons en utilisant les moindres carrés ordinaires (MCO) et l'effet fixe (FE) pour
les provinces et le panel respectivement. Enfin, nous effectuons une analyse dynamique en utilisant
les techniques VAR et PVAR.

SPECIFICATIONS DE LA LOI D'OKUN

"Une fois que nous savons que les séries avec lesquelles nous travaillons sont stationnaires, nous
pouvons déterminer la relation entre les variables du PIB et du chômage, puis analyser leur
dynamique.

Afin d'observer la relation qu'entretiennent les variables susmentionnées, nous avons recours à la
version différentielle de la loi d'Okun. L’équation 1 se présente comme suit :

(u de t – u de t - 1) = α + β1 (y de t – y de t - 1) (1)

où u de t – u de t – 1 représente la différence entre les taux de chômage aux périodes t et t 1,

y de t – y de t - 1 est la variation du logarithme népérien du PIB qui a lieu entre les périodes t
et t1.

Cette spécification est prise en compte dans notre analyse en raison de l'inobservabilité des
grandeurs potentielles des variables prises en compte, qui sont considérées dans la version gap. De
plus, la grande variabilité du taux de chômage observée pour l'Espagne et plusieurs de ses provinces
au cours de la période sélectionnée rend notre spécification plus précise que l'approche par écart.
L'estimation du coefficient des séries provinciales est effectuée en utilisant la méthode des moindres
carrés ordinaires (MCO), alors que le panel qui intègre toutes les provinces nécessite une estimation
par effets fixes (FE).

Le comportement dynamique de la croissance économique et de la variation du taux de chômage est

analysé à l'aide des techniques VAR et PVAR. Cela nous permet de considérer l'effet que les valeurs
passées des deux variables ont sur chacune d'elles. On peut écrire la représentation VAR comme
suit : EQUATION 2.

Δ de u de t = α (L) Δ u de t-1 + β (L) Δ y de t-1 + v t de u

Δ y de t = γ (L) Δ y de t-1 + η (L) Δ u de t - 1 + v t y

où Δ u de t et Δ y de t représentent respectivement les taux de chômage et du PIB variations

du logarithme népérien du entre les périodes t et t-1;

(L) et η(L) sont respectivement les vecteurs des coefficients reliant les valeurs passées des
variables associées aux valeurs courantes ;

V t de u et v t de y sont des vecteurs des erreurs idiosyncratiques.

L'analyse VAR permet de répondre à la question de savoir quel est l'effet d'une innovation de
production ou de chômage sur les valeurs passées de ces variables. Les modèles VAR traitent les
variables du PIB et du chômage comme endogènes et interdépendantes et analysent la transmission
des chocs idiosyncratiques dans le temps. Pendant ce temps, le panel qui comprend toutes les séries
provinciales nécessite la technique PVAR. L'ordre de décalage sélectionné dans ces analyses
dynamiques est un parce que nous travaillons avec des données annuelles et nous nous attendons à
ce que les variables considérées gardent une certaine corrélation avec le même variable décalée
d'une période. Les critères AIC et BIC obtiennent également que la prise en compte d'un décalage
dans l'analyse VAR est optimale pour la plupart des séries.

Après avoir effectué l'estimation, les fonctions de réponse impulsionnelle (IRF) associées montrent la
réponse des deux variables aux chocs dans l'une d'entre elles. Nous les obtenons pour toutes les
provinces en orthogonalisant les variables.

"
MODELE SPECIFICATION

"En général, comme suggéré par Okun (1970), il existe deux spécifications de modèle standard de la
loi d’Okun, le premier est le « modèle de première différence » et le second est le « modèle d'écart ».
Selon le modèle de première différence, le lien entre le logarithme naturel de la production réelle
(Yt) et le logarithme naturel du taux de chômage (U de t) est le suivant : EQUATION 1

Y de t – Y de t-1 = α + β (U de t - U’ de t - 1) + upsilon

Le second est le « modèle d'écart » tel qu'il est donné comme suit : EQUATION 2

Y de t – Y’ de t = α + β (U de t-U’ de t) + upsilon

Où se Y’ de t réfère le log de la production potentielle,

U’ de t est le taux de chômage naturel.

Où α est l'interception,

β ( β < 0) est le coefficient d'Okun calculant la variation du taux de chômage par rapport aux
changements de production, et

upsilon est le terme de perturbation.

Le modèle Gap a été choisi pour une analyse plus approfondie de la loi d'Okun, où le côté gauche
représente l'écart de production et le côté droit représente l'écart de chômage (U de t - U’ de t).
Ainsi, la différence entre le PIB réel observé et potentiel postule les fluctuations de la production. De
même, la différence entre le taux de chômage observé et naturel fait référence au taux de chômage
cyclique. Il est évident que les conditions de stationnaire ou de cointégration de ces écarts doivent
également être remplies.

Un problème majeur avec ce modèle est qu'il n'y a pas de données observables Y’ de t et U’ de t
qu'elles doivent donc être estimées, ce qui signifie qu'il est nécessaire de générer des y et u séries de
tendances. Pour le surmonter relativement, et afin de tester la robustesse des coefficients d'Okun,
nous appliquons la technique de filtrage de Hodrick-Prescott (HP) (Hodrick et Prescott, 1990).

"

DESCRIPTION DE LA METHODOLOGIE

Selon la théorie économique, on s'attend à ce qu'une augmentation du niveau du PIB influence

grandement le niveau d'emploi dans l'économie.

FORMULATION ET SPECIFICATION DU MODELE

"Le modèle comprend une équation qui est donnée dans l’équation ci-dessous.
PIB de t = β0 + β1 fois U.E. + β2 fois U.C.+ β3 fois G.E. + U1 de t

Avec une espérance a priori de β1 < 0, β2 > 0, β3 > 0

Où :

PIB de t = Produit Intérieur Brut Réel

U.E. = Taux de Chômage

C.U. = Utilisation des capacités

G.E. = Dépenses publiques

U1 de t = Terme d'erreur qui capture les autres variables non incluses dans l'équation

Dans l'équation ci-dessus β2 est une constante tandis que β 1, β2 et β3 sont les paramètres des
variables explicatives à estimer. L'équation représente la croissance du chômage, l'utilisation des
capacités et les dépenses publiques.

"

PRESENTATION DU MODELE ET TEST DES ESTIMATIONS DE PARAMETRES

"Ici, une tentative est faite pour estimer les paramètres de l'équation tels qu'ils sont obtenus après
avoir exécuté une analyse de régression multiple. L'équation est supposée linéaire, la valeur étant
estimée à partir des données des années sous revue (1982 - 2014), en appliquant les techniques des
moindres carrés ordinaires (MCO) dont nous avons obtenu le résultat ci-dessous. Les estimations des
paramètres de l'équation sont que :

Ensuit – PIB de t = 134848,0 à 3239,806 + 3813,879 + 0,720506 + U

SEE = (76651,07) (3700.045) (1841.488) (0.099715)

T* = (1.759245) (-0.875613) (2.071085) (7.225687)

R2 = 0.823739

Adj R2 =

0.804155

DW = 0.856654

F* = 42.06072

Rappel de notre équation

PIB(t) = β0 + β1 U.E. + β2 C.U.+ β3 G.E. + U1(t)

À partir de la droite de régression estimée, on peut voir que les pentes des coefficients sont
conformes à nos attentes antérieures. On peut observer qu'une augmentation unitaire du chômage
diminue le PIB de 3239,806% ; de même, une augmentation unitaire de l'utilisation des capacités
augmente le PIB de 3813,879%, et une augmentation unitaire des dépenses publiques augmente le
PIB de 0,720506%. Cela montre que l'évolution de la variable dépendante, c'est-à-dire du PIB,
dépend de l'évolution des variables explicatives (UE, CU et GE).
Dans une tentative de tester l'un ou l'autre ou non, ces estimations de paramètres sont
statistiquement significatives, à la fois un test d'erreur standard et un test de statistique t ont été
utilisés.

Premièrement, le test d'erreur standard permet de déterminer le degré de confiance dans la validité
des estimations. C'est-à-dire que soit l'estimation est significativement différente de zéro. Ici, nous
commençons par énoncer l'hypothèse nulle (H 0 : b0 = 0) contre l'hypothèse alternative (H i : bi ≠ 0).

Pour que nous acceptions ou rejetions l'hypothèse nulle, la condition suivante doit être remplie :

Si S.E. b1<b1/2, nous rejetons l'hypothèse nulle et acceptons l'hypothèse alternative, concluant que bi
est statistiquement significatif.

Si d'autre part, SE b1<b1/2, nous acceptons l'hypothèse nulle que les vrais paramètres de population
sont égaux à zéro (c'est-à-dire bi = 0) donc nous concluons que l'estimation n'est pas statistiquement
significative, donc, nous sommes rejetant l'hypothèse alternative.

En ce qui concerne notre équation de régression ci-dessus, nous pouvons tester pour β 1, β2 et β3
comme suit :

Pour β1SET =b1/2 = -3239.806/2 = -1619.903 dans notre résultat de régression, le SE de β1 =

3700,045. Cela montre que l'estimation S.E. est supérieure à la moitié de b1 (c'est-à-dire 3700 >
1619,903) lorsque le signe négatif est ignoré. Nous acceptons l'hypothèse nulle et rejetons son
alternative. Conclure que β2 est statistiquement significatif.

Pour β2 SET = b2/2= 3813,879 / 2 = 1906,9395. Ici, le SET pour β 2 montre que l'ES de β2 (1841,488) tel
que démontré à partir de la régression résulte inférieur à la moitié de b 2 (c'est-à-dire 1841.488 <
1906.9395). Nous rejetons l'hypothèse nulle et acceptons son alternative, concluant que β 2 est
statistiquement significatif.

Pour β3 SET = b3/2 = 0,720506/2 = 0,360253. Ici, le SET pour β 3 (0,099715) tel que démontré à partir
du résultat de la régression est inférieur à la moitié de β 3 (c'est-à-dire 0,0099715 < 0,360253), nous
rejetons l'hypothèse nulle et acceptons son alternative en concluant que β 3 est statistiquement
significatif.

De plus, en utilisant les statistiques t, la valeur empirique t* (t calculé) est comparée à la tabulation t
avec nk degrés de liberté à un niveau spécifié de significatif.

Où n = taille de l'échantillon et

k = nombre de variables explicatives dans le modèle

"

Méthodologie

"Comme suggéré par Okun (1970), il existe deux classes de spécifications de la loi d'Okun : les
modèles aux différences premières et les modèles à écarts. Selon le modèle aux différences
premières, la relation entre le logarithme de la production réelle observée (y) et le taux de chômage
observé (u) est donnée par l'expression :
(𝑢𝑡 − 𝑢𝑡−1) = 𝛼 + 𝛽 (𝑦𝑡 − 𝑦𝑡−1) + 𝜀𝑡 (1)

Soit : ∆𝑢𝑡 = 𝛼 + 𝛽∆𝑦𝑡 + 𝜀𝑡

Où α est l'évolution du chômage indépendamment de l'évolution de la croissance, β est le coefficient

d'Okun et ε est le terme d'erreur.

Comme le taux de croissance est une variable qui tend vers 0, on a donc :

Δlog(𝑦𝑡) = log(𝑦𝑡/𝑦𝑡−1) = log(1+g)g

Et : ∆𝑢𝑡 = 𝛼 + 𝛽𝑔𝑡 + 𝜀𝑡 (2)

Si g tend vers 0, log(1+g) tend vers g (g est le taux de croissance). Ainsi, le modèle (1) peut être
approximé par (2)

Du point de vue du modèle d'écart, la spécification est donnée par l'expression :

(𝑢𝑡 − 𝑢 ∗𝑡) = 𝛼 + 𝛾(𝑦𝑡 − 𝑦 ∗𝑡) + 𝜔𝑡

Où y* représente la production domestique réelle potentielle, u* est le taux de chômage naturel, et

les autres symboles ont la même signification que dans l'équation (1) . Dans cette dernière
spécification, le terme de gauche représente l'écart de chômage et celui de droite l'écart de
production. La différence entre le PIB réel et potentiel observé capture le niveau de production
cyclique, de même, la différence entre le taux de chômage observé et naturel représente le taux de
chômage cyclique.

Un problème majeur avec cette dernière spécification est qu'il n'y a pas de données observables sur
y* et u*, et donc elles doivent être estimées, ce qui signifie qu'il est nécessaire de générer des
tendances des séries y et u, un problème se pose alors quant à le choix de la méthode d'élimination
des tendances. Pour surmonter ce problème, relativement, et afin de tester la robustesse des
coefficients d'Okun, nous avons utilisé le filtre de Hodrick - Prescott (HP) pour décomposer à la fois y
et u dans leurs composantes tendancielle et cyclique, en utilisant deux paramètres de lissage :

(𝑢𝑡 − 𝑢 ∗𝑡) = 𝛼 + 𝛾(𝑦𝑡 − 𝑦 ∗𝑡) + 𝜔𝑡 with (λ = 100) (3)

(𝑢𝑡 − 𝑢 ∗𝑡) = 𝛼 + 𝛾(𝑦𝑡 − 𝑦 ∗𝑡) + 𝜔𝑡 with (λ = 12) (4)

Encadré :

De nombreuses séries chronologiques en économie et finances ont une tendance. Ces séries sont
alors non stationnaires. Et, il est souvent utile de réduire cette tendance à long terme qui peut
masquer certains effets cycliques. Ensuite, l'économétrie fournit de nombreuses méthodes de
décomposition tendance-cycle telles que Hodrick Prescott, Beveridge-Nelson, Baxter-King,...

En pratique, il est relativement difficile de savoir quelle méthode utiliser, chacune ayant des
faiblesses et des qualités (voir Guay et St. -Amand, 1997). Dans cet article, nous utilisons la méthode
de décomposition de Hodrick-Prescott. Le filtre HP permet de décomposer :

un vecteur ( ) de dimension en deux composantes orthogonales de dimension ,

la tendance ( ) et

les cycles ( ):
Le filtre HP isole la composante cyclique de en résolvant le problème de minimisation de la variance
cyclique pénalisée suivante :

Ce qui revient à minimiser l'expression suivante selon

Sous forme matricielle, on a :

Avec :

La solution du problème de minimisation est donnée par :

Une fois les séries décomposées et les coefficients d'Okun obtenus pour chacun des pays étudiés, on
passe à la deuxième étape de notre approche empirique. Ce dernier est d'identifier les facteurs qui
expliquent les différences observées entre pays au niveau des coefficients d'Okun estimés. Pour ce
faire, nous régressons les coefficients d'Okun estimés sur un certain nombre de variables
caractérisant la démographie, l'économie et le marché du travail des pays étudiés. L'équation à
estimer dans ce cas est donnée par : EQUATION 5

Contenant une Matrice contenant k colonnes (k déterminants)

Et un Vecteur de coefficients associé à chacun des déterminants

Les déterminants ont été collectés selon la revue de littérature sur la relation croissance/emploi en
Afrique (voir section suivante).

"

Hypothèse des valeurs des variables et des coefficients

" Des études antérieures ont montré, et une petite appréciation de la signification des variables
considérées conduirait à l'hypothèse évidente qu'il existe une relation négative entre le PIB réel et le
chômage, la valeur de ce coefficient a tendance à être comprise entre -1 et -5 dans les années
précédentes. Ces études ont également toutes montré que lorsque le niveau de chômage d'un pays
dépasse le taux naturel, la croissance du PIB chute dans tous les cas, et on s'attend à ce que mon
étude montre la même relation entre ces deux variables.

La deuxième statistique de la loi d'Okun est la main-d'œuvre. D'après les données d'études
antérieures, la taille de la population active devrait afficher une tendance à la hausse plus lente que
le taux de croissance du stock de capital et du PIB, mais sans la volatilité de ces deux variables. Les
estimations de la valeur du coefficient entre la taille de la population active et la croissance du PIB
réel dans les études antérieures montrent toutes une relation positive de 1 et il ne devrait y avoir
aucune raison pour que je m'attende à des résultats différents.

Des études antérieures montrent que le niveau du stock de capital a tendance à croître à son rythme
le plus rapide pendant les périodes d'accélération constante de la croissance économique. L'étude de
Freeman sur les pays de l'OCDE montre une augmentation en pourcentage beaucoup plus élevée du
stock de capital pour le Japon au cours de la période 1965-1978 que tous les autres pays, et tous les
pays étudiés enregistrent une croissance plus élevée du stock de capital pour cette période que la
période suivante de 1979-1998 . Ceci est reflété par l'étude de Drisaki et Dritsakis lorsqu'on examine
les données économiques pour la Grèce. Un coup d'œil rapide aux taux de croissance du PIB réel
pour les pays que j'ai étudiés donne une indication que nous pouvons nous attendre à des valeurs
élevées de croissance du stock de capital et à des estimations élevées de NAGRU. Les résultats
d'études antérieures montrent une valeur du coefficient < 1 lorsque les variations du stock de capital
sont comparées aux taux de croissance du PIB réel, mais les résultats de ce test dans les études
antérieures se sont tous révélés significatifs. La présentation de la façon dont chaque flux de données
a changé au fil du temps pour chaque pays, et la statistique NAGRU de chaque pays est présentée
dans le tableau 1.

"

Méthodologie

"L'idée principale de cet article est que les différences considérables entre les régions italiennes en
termes de taux de chômage sont liées aux différences de taux de participation au marché du travail.
Pour cette raison, la réduction de l'importance de la relation pourrait être due à des changements
dans le degré de participation au marché du travail, qui se produisent dans les phases d'expansion et
de récession du cycle économique.

De plus, nous utiliserons un panel de données annuel équilibré basé sur les données de 20 régions
italiennes afin d'étudier les différences géographiques. Le choix d'utiliser des données de panel
découle de trois ensembles de considérations. Tout d'abord, grâce à l'utilisation de la méthodologie
de panel, nous avons pu obtenir une augmentation du degré de liberté avec une amélioration
conséquente de l'efficacité de l'estimateur. Une telle procédure est particulièrement utile en Italie
car elle pallie le manque de séries temporelles d'une certaine longueur, comparables entre elles.
Deuxièmement, comme l'a souligné Freeman (2001), l'utilisation de données de panel permet de
réduire le problème de colinéarité8, grâce à la variabilité supplémentaire des régresseurs. Enfin,
comme le soulignent Baltagi et Griffin (1995), les estimateurs de panel produisent moins d'erreurs de
prévision (par rapport aux estimations de séries chronologiques individuelles) même dans les cas où
l'hypothèse d'homogénéité des pentes pour les différentes sections transversales est rejetée9. Le
modèle présenté en (1) est l'énoncé original pour l'estimation de la loi d'Okun :

∆u it = β0 + β1∆y it +εit (1)

où uit est le taux de chômage pour la région i au temps t et y c'est le taux de croissance du PIB réel
pour la région i au temps t, ∆ représente le terme de différence et ε est un terme de perturbation du
bruit blanc. À partir de cette formulation et compte tenu des résultats issus des études précédentes,
nous avons mis en œuvre le modèle original avec quelques composants supplémentaires.

Le premier aspect à considérer est l'existence possible d'effets asymétriques dans la relation entre le
PIB réel et le taux de chômage. Comme nous l'avons souligné dans la section précédente, l'intensité
des coefficients d'Okun peut être assez différente selon la phase du cycle économique10.
Suite à la plupart de la littérature précédente, nous avons contrôlé l'asymétrie en divisant la variable
explicative en ses composantes négative et positive16. De cette façon, nous avons calculé un
coefficient différent pour chacune des deux partitions. Par conséquent, le modèle peut être réécrit
comme suit :

∆ u de i t = β0 + β1+I de i t+∆ y i t + β1−I de i t−∆ y de i de t +ε de i t (2)

Où I de i t représente la fonction échelon de Heaviside (voir Lee 2000), de sorte que :

+ 1 se ∆ y de i t ≥ 0

I de i t =

0 se ∆ y de i t < 0

− 1 se ∆ y i t < 0

I de i t =

0 se ∆ y de i t ≥ 0

L'indicateur I de i t plus prend la valeur 1 pour les variations positives du PIB réel et la valeur 0 pour
les variations négatives, alors que I de i moins test spéculaire au précédent. À l'aide de la fonction
échelon de Heaviside, nous avons mesuré séparément les effets des variations positives et négatives
du taux de croissance du PIB réel sur les variations correspondantes du taux de chômage.

Le deuxième aspect que nous avons considéré concerne la possibilité d'un comportement non
homogène de la relation au niveau local. Afin de considérer ce deuxième aspect, nous avons inclus
des effets régionaux fixes dans l'analyse à l'aide de variables muettes territoriales.

Pour éviter les problèmes d'endogénéité, une procédure de variables instrumentales en deux étapes
(désormais 2 SLS) est appliquée au modèle. Cette méthode consiste en deux étapes d'analyse : dans
la première, les variables explicatives doivent être régressées sur les variables instrumentales en
obtenant des valeurs prédites de première étape. Ensuite, les valeurs prédites de la première étape
doivent être régressées sur la variable dépendante.

Afin de détecter l'indicateur du marché du travail le plus efficace à mettre en relation avec le taux de
croissance du PIB réel, nous avons effectué trois estimations différentes modifiant à la fois le groupe
des variables dépendantes et explicatives. Les valeurs utilisées dans les analyses comme variables
dépendantes sont le taux d'emploi, le taux de chômage et l'UTA. Les variables utilisées comme
régresseurs sont le logarithme du taux de croissance du PIB réel, la productivité du travail17 et la
flexibilité du temps18. En particulier, alors que la productivité du travail est calculée comme le
rapport valeur ajoutée/UTA, la flexibilité du temps est calculée comme le rapport UTA/travailleurs.
Dans toutes les analyses suivantes, les variables considérées sont prises en différences premières et
les régresseurs mentionnés ci-dessus, pris au temps t-1, sont utilisés comme instrument.

La nécessité d'estimer l'impact des variations des taux de croissance du PIB sur les taux de chômage
et la relation entre l'UTA et le taux d'emploi a conduit à différentes spécifications du modèle. En
particulier, dans la première spécification, le taux de chômage a été régressé sur le taux de
croissance du PIB réel, sur la productivité du travail et sur la flexibilité du temps. Dans le second,
l'AWU a été régressé sur le taux de croissance du PIB réel, sur la productivité du travail et sur le taux
d'emploi. Dans la troisième spécification, le taux d'emploi a été régressé sur le taux de croissance du
PIB réel, sur la productivité du travail et sur la flexibilité du temps. Dans ces trois cas, les variations
logarithmiques du taux de croissance du PIB réel ont été divisées en leurs composantes positives et
négatives. "

MÉTHODOLOGIE

"Okun (1962) a développé la relation chômage-production en utilisant les approches empiriques de

la différence première et de l'écart. L'approche par différence première illustrée dans l'équation 1
démontre que les variations du chômage au cours de la période t sont liées aux variations
trimestrielles de la production économique réelle au cours de cette même période t. La première
différence d'approche fournit un moyen pratique d'établir la stationnarité (Lee, 2000 ; Fouquau,
2008).

EQUATION (1)

L’équation 2 illustre l'approche par écart.

L'approche dépend des estimations de la croissance de la production potentielle et du taux de

chômage naturel ( ). L’écart modèle d'pose des défis dans l'identification des variables non
observables de la croissance de la production potentielle et du taux de chômage naturel (Cosar et
Yavuz, 2019). Cependant, le modèle d'écart a l'avantage sur l'approche de la différence première
dans sa capacité à capturer les mouvements du chômage autour du taux de chômage naturel en
raison des fluctuations de la croissance de la production autour de sa croissance tendancielle. Ainsi,
les composantes cycliques du modèle d'écart capturent les oscillations de la production autour de la
tendance de telle sorte qu'une augmentation en pourcentage de la croissance de la production au-
dessus de son taux de croissance tendanciel qui conduira à une baisse correspondante du chômage
en dessous de son taux de chômage naturel.

β dans les équations 1 et 2 est défini comme le coefficient d'Okun. Le coefficient d'Okun est attendu
négatif pour refléter la relation inverse entre les deux variables. L’amplitude du coefficient d'Okun
détermine t La mesure dans laquelle le chômage réagit à la production. L'étude a adopté l’équation
empirique de régression illustrée dans les équations 3 et 4 des études d'Adanu (2002) et de Cevik et
al. (2013). L'équation 3 est représentative de l'équation aux différences premières où et sont
respectivement les variations du chômage et de la production économique au cours de la période t.
L'équation 4 et sont respectivement le chômage cyclique et la croissance économique autour de
leurs tendances. L'équation 3 et l'équation 4, et sont respectivement représentatives de
l'interception, du coefficient d'Okun et du terme d'erreur de bruit blanc. Les filtres Hodrick-Prescott
(HP) et Butterworth ont été utilisés pour estimer les tendances composantes de et dans l'équation 4.
et capturent les effets dynamiques des effets du chômage passé sur le chômage actuel dans leurs
modèles respectifs.

La méthode d'estimation adoptée pour l'analyse de régression était l'approche non linéaire basée sur
le MRSM en deux étapes. Le MRSM en deux étapes capture l'asymétrie dans la relation entre le
chômage et la croissance économique de telle sorte que le coefficient d'Okun pour une baisse et une
reprise économiques sont capturés séparément. La mécanique du MRSM est basée sur les états du
monde désignés par et dans le cas de cette étude, les états du monde étaient deux. À partir de
l'équation 5 et de l'équation 6 lorsque l'économie est en régime d'expansion ou de reprise à l'instant
t ; et lorsque l'économie est en phase de contraction ou de ralentissement au temps t.

Les paramètres et sont le régime économique variant à l'origine, le régime économique variant le
coefficient d'Okun et le régime économique variant le coefficient de chômage décalé respectivement.
Le modèle et une hypothèse alternative désignée par le log de vraisemblance d'un modèle non
linéaire. Le rejet de l'hypothèse nulle est déterminé par la valeur p du test LR. Les tests sur les résidus
ne sont pas un prérequis pour le MRSM car la normalité et l'homoscédasticité ne sont pas attendues
dans les résidus (Brooks, 2008).

Cependant, à des fins de diagnostic, des tests de normalité, d'homoscédasticité et de corrélation en

série ont été effectués en utilisant respectivement le test de normalité, le test du corrélogramme
Q2et le test du corrélogramme Q.

"

Spécification du modèle

"La loi d'Okun s'écrit :

ⱳ ( U* - U ) = ( Y – Y* ) / Y* (1) où U = taux de chômage

Y est le PIB réel (représente le taux potentiel/naturel)

Cette question interprète que pour chaque point de pourcentage, le chômage est inférieur au taux
naturel, le PIB est supérieur de ⱳ % au PIB potentiel.

Ast U* et Y* sont difficiles à estimer donc en réduisant la forme de l'équation précédente En

développant l'équation 1 :

ⱳU* - ⱳU = Y / Y* - Y*/ Y* (2)

En différenciant maintenant l'Eq (2) et en considérant Y* en constante, en supposant que le PIB

potentiel ne change pas à court terme. Ainsi :

ⱳdU* - ⱳdU - dY / Y* - dY*/ Y* (3) Comme variation du taux de chômage naturel dU* = 0. Alors l'éq
devient dY / Y* = - ⱳdU + dY*/ Y* (4) Le taux de croissance naturel du PIB réel est généralement
proche du taux de croissance réel.

Ainsi en rapprochant
dY*/Y avec dY/Y

dY / Y = - ⱳdU + dY*/ Y* (5)

En utilisant les moindres carrés ordinaires (OLS) Okun a obtenu ⱳ = 2 et dY* / Y* = 3. Ici, le Le taux de
croissance du PIB potentiel est d'environ 3 points de pourcentage, tandis qu'une augmentation du
chômage d'un point de pourcentage entraîne une baisse du taux de croissance du PIB réel de 2
points de pourcentage. "

Version par différence de la loi d'Okun

"Après cela, j'estimerai la loi d'Okun en utilisant sa version par différence car cette loi a une relation
plus statistique entre les variations du taux de chômage et la croissance de la production. J'ai donc
opté pour une version par différence qui remplit clairement cet objectif statistique. On peut le
montrer empiriquement comme :

(Ut – Ut-1) = α + β (Yt – Yt-1) + Є

Où Ut = Taux de chômage à la période t

Yt = Niveau de production à la période t

Ut -1 = taux de chômage à période t-1

Ot-1 = niveau de sortie à période t-1 β =d'Okun

Coefficient α = terme Intercept

Dans cette régression « β» explique la variation de variation du taux de chômage raison d'une de
variation unitaire de croissance de la production alors que « α » est le terme d'interception qui peut
être défini comme le taux de chômage associé à une croissance de la production nulle au cours de
cette période. De plus, « β » est également connu sous le nom de coefficient d'Okun qui peut être
négatif, de sorte que la croissance du PIB peut être associée à une diminution du taux de chômage et
vice versa. "

LES DIFFÉRENTES VERSIONS DE LA LOI D'OKUN

"Les estimations empiriques du coefficient d'Okun sont sensibles à la spécification du modèle

formulé par Okun, qui peut prendre la forme de modèles statiques et dynamiques. La première
relation est appelée la version différentielle de la loi d'Okun et capture la corrélation contemporaine
entre la croissance de la production et les mouvements du taux de chômage. Si le coefficient d'Okun
souhaité est négatif, une croissance rapide de la production est associée à une diminution du taux de
chômage et une croissance lente ou négative de la production est associée à une augmentation du
taux de chômage. Cette relation est basée sur des statistiques macroéconomiques accessibles.

La deuxième version est appelée la version écart, qui relie l'écart entre le taux de chômage réel à son
potentiel et l'écart entre les sorties réelles à son potentiel. Ici, un autre problème se pose concernant
le choix de la méthode de décomposition (tendance-cycle) car elle peut produire des estimations
différentes des tendances et des cycles non observables.

De nombreux économistes utilisent une version dynamique de la loi d'Okun (Moosa (1997) [21],
Holmes (2001) [13], Huang et Lin (2007) [14]), qui ont en partie fondé leur suggestion que certaines
variables pertinentes ont été omises de la partie droite de l'équation. Une forme courante pour la
version dynamique de la loi d'Okun aurait la croissance du courant de sortie réel, la production réelle
passée ainsi que les changements passés du taux de chômage comme variables dépendantes du côté
droit de l'équation. Enfin, une version des fonctions de production de la loi d'Okun qui est
initialement introduite par Prachowny (1993) [26]. Il combine généralement une fonction de
production théorique (fusion du travail, du capital et de la technologie pour réaliser la production
(PIB)) avec la version d'écart basée sur la loi d'Okun. "

Le modèle de différence

"Cette méthode relie la production réelle (y de t) et le taux de chômage (U de t) en différences

premières :

Δ Y de t: est le taux de croissance de la production (PIB) en pourcentage entre la période actuelle et

la précédent qui est considéré comme un proxy de l'activité.

β0: est l'intersection qui capture le taux de croissance moyen β1: est communément connu par le
coefficient d'Okun qui est la variation en points de pourcentage du taux de chômage pour une
variation d'un point de pourcentage dans la croissance de la production.

Δ U de t : représente les variations du taux de chômage entre période actuelle et précédente t : est
le terme résiduel

TEST UTILISE DANS L’ETUDE

Bien que, dans un certain nombre de recherches empiriques critiquant la version de différence,
plusieurs auteurs soulignent que si la production et le chomage sont cointégrées, puis la version de la
différence sera mal précisée (Attfield et Silverstone (1997) [1]). De ce point de vue, nous allons
estimer le coefficient d'Okun directement à partir de la méthode de correction d'erreurs (ECM) qui
prend en compte les relations de co-intégration.

Dans un premier temps, nous vérifierons la stationnarité des données, car cela peut provoquer une
fausse régression. La plupart des variables macroéconomiques étant non stationnaires, la
différenciation des variables pourrait être une solution pour démontrer que Yt et Ut sont
stationnaires et intégrés dans le même ordre (d) et notés I (d). L'Augmented Dickey-Fuller (ADF) qui
est connu par le test de racine unitaire et Phillips Perron (PP) sont utilisés pour tester la stationnarité
dans notre échantillon. Les résultats sont obtenus dans le tableau 1.

L'hypothèse nulle d'existence de la racine unitaire est β = 0 (la croissance du PIB n'est pas
stationnaire) contre β = 1 (la croissance du PIB est stationnaire). Si une variable est trouvée non
stationnaire en niveau, elle sera testée en différence première. Par conséquent, si chaque variable
est obtenue stationnaire, nous pouvons passer à l'étape suivante qui est la méthodologie de
cointégration dans une procédure en deux étapes. Les deux principales méthodes de test de la co-
intégration sont : les deux Engle-Granger méthode en étapes d'et le test de Johansen. Pour la
méthode Engle-Granger, on vérifiera si les résidus cette régression t de … sont stationnaires, si c'est
le cas, les UG et variables OG seront co-intégrées. Cependant, si ces résidus ne sont pas stationnaires,
il est conclu qu'il n'y a pas de relation à long terme (pas de cointégration). Pour le test de Johansen, il
vérifie la cointégration dans la régression qui permet plus d'une relation de cointégration,
contrairement à la méthode Engle-Granger. Ainsi, si les variables sont cointégrées, la cointégration à
long terme existe. L'étape finale consiste à estimer la méthode de correction d'erreur
correspondante, basée sur une relation de cointégration à long terme pour observer la dynamique à
court terme (Engle, Granger (1987)) comme suit dans l'équation (3) :

Où Z de t = [y, U] , est un vecteur 2x1 d'interceptions, t t est un vecteur 2x1de perturbations.

est une matrice qui capture les relations à long terme. Le rang de indique le nombre de vecteurs de
cointégration Z t.

Empiriquement, cela peut être fait en décrivant l'équation (4) :

Dans l'ECM, nous vérifions la significativité du coefficient Ut-1 (s'il est négatif ou positif), qui affiche la
dynamique du modèle à court terme. Techniquement, la méthode de correction d'erreurs mesure la
vitesse d'ajustement pour revenir à des relations cointégrées. L'ECM suppose qu'une force affecte les
variables intégrées pour revenir à leur relation à long terme lorsqu'elles s'écartent de l'équilibre. "

B. LE MODELE D'ECART

"La deuxième approche pour estimer la loi d'Okun est basée sur la différence entre l'écart de
production et l'écart de chômage :

où (y de t – y de t* = y de t c) correspond à la production cyclique (output gap), y de t* est la sortie

potentielle. (Ut Ut*=U de t c) correspond respectivement au chômage cyclique (écart de chômage),
et Ut* est le taux de chômage naturel.

Nous prendrons en considération la présence de tendances stochastiques yt* et Ut*, non

déterministes car cela peut conduire à des résultats trompeurs puisque dans la plupart des cas les
deux variables sont intégrées. Cette version utilise des variables non observables, où il n'y a pas de
méthode unique acceptée pour détendre ces variables. Parmi eux, j'ai choisi des filtres passe-bande
univariés qui sont des méthodes mécaniques (typiquement non paramétriques) basées sur des
techniques de filtrage. Les principales méthodes de lissage utilisées sont principalement les filtres de
Baxter-King, Hodrick-Prescott, Christiano-Fitzgerald.

Le filtre de Hodrick et Prescott (HP) est une méthode de lissage qui isole les mouvements de séries
temporelles situées entre une limite supérieure et une limite inférieure d'une fréquence ou d'une
durée, car il élimine les mouvements en dehors de la bande de fréquence souhaitée. En effet, Le
filtre HP suppose que toute série X est décomposée en une tendance et un cycle :
Théoriquement, il s'agit d'une méthode d'estimation paramétrique pour obtenir une composante
valeur absolue de T de tendance lisse via la solution à la minimisation d'une fonction de perte pour
un temps fixe (connu ) λ paramètre de pénalité. Pour les données trimestrielles, Hodrick & Prescott
(1997) suggèrent qu'il est de 1600.

Le deuxième filtre (BK) est une approximation d'un filtre passe-bande idéal. Comme les séries
temporelles peuvent être décomposées en diverses composantes de fréquence, le filtre passe-bande
idéal extrait les fréquences dans des plages prédéterminées et le filtre passe-bande idéal, le CF, en
revanche, suppose que la série temporelle élimine toutes les autres fréquences. Par conséquent, ce
filtre est un filtre linéaire qui élimine les composantes de tendance et les composantes irrégulières à
haute fréquence tout en visant à conserver les Ut-1 et Yt-1 sont des répresseurs avec un décalage de
période pour les composantes cycliques intermédiaires qui passent par un taux de chômage et
croissance économique, respectivement. T est la liaison inférieure et supérieure prédéterminée les
périodes 6 et la variable de tendance, tandis que ut-1 est la valeur décalée d'une période de 32
trimestre. De l'erreur de l'équation de cointégration.

L'équation (4) indique que ∆ Y t dépend à la fois de ∆Ut et de ut-1. Le troisième est le filtre Christiano
et Fitzgerald (CF). C'est comme le filtre (BK) comme une approximation d'un filtre passe-bande idéal
Si u de t-1 est différent de zéro alors il y aura un déséquilibre.

et … a donc des similitudes fondamentales avec elle. (BK) suppose une moyenne mobile symétrique
tandis que pour approximer un y de t, suit une marche aléatoire sans dérive. De plus, nous notons
que le filtre CF attribue des poids différents à chaque observation et donc le filtre n'est pas
symétrique, Haug & Dewald (2004). Contrairement au BK, le BK suppose que les poids sont fixes quel
que soit le nombre d'observations. En outre, le CF est cohérent par rapport au BK car il converge vers
un filtre passe-bande idéal lorsque la taille de l'échantillon, T, augmente.

Une fois les tendances valeur absolue de ―y* de t et ―U* de t extraites des filtres HP, BK et CF, on
peut calculer le coefficient d'Okun β1 à partir de l'équation (7) :

"

Spécification du modèle

"En règle générale, il existe deux spécifications de modèle standard de la loi d'Okun, la première est
le « modèle de première différence » et la seconde est le « modèle Gap ». Selon le modèle aux
différences premières, le lien entre le logarithme naturel de la production réelle (yt) et le logarithme
naturel du taux de chômage (ut) est donné par

εt-----------(1)

Le second est le « modèle Gap » comme donné par :

εt------------(2)

où yt* désigne le log de la production potentielle, ut* est le taux naturel de chômage.
où α est l'ordonnée à l'origine, β est le coefficient d'Okun calculant que la variation du taux de
chômage passe les changements de production,

et ε est le terme de perturbation.

Le modèle Gap a été choisi pour une analyse plus approfondie de la loi d'okun, où le côté gauche
représente l'écart de production et le côté droit représente l'écart de chômage (ut − ut∗). Ainsi, la
différence entre le PIB réel observé et potentiel postule la fluctuation de la production. De même, la
différence entre le taux de chômage observé et naturel fait référence au taux de chômage cyclique. "

3. Méthodologie économétrique

"Généralement, la plupart des variables macroéconomiques sont des séries non stationnaires et la
technique prévisible des moindres carrés ordinaires (MCO) donne la possibilité d'une régression
parasite ou d'un co-mouvement entre les variables. La différenciation des variables de séries
chronologiques peut supprimer la non-stationnarité des variables. Dans ce contexte, la modélisation
de la co-intégration et de la correction d'erreurs conserve les informations à long terme. La
technique de cointégration confronte la régression parasite, et la correction d'erreur fournit une
dynamique à court terme qui essaie de découvrir la relation causale à court terme. Une série sera
stationnaire en différenciant « d » et notée I (d).

Test de Dickey Fuller augmenté (ADF) également connu sous le nom de test de racine unitaire et
utilisé pour tester le stationnaire et non stationnaire de la série. Équation de régression ADF comme
suit :

Yt = Yt 1 t 2 Ytk t ----------------(3)

Où Y test une série chronologique, désigne l'opérateur de différence première, T est la tendance
linéaire, est une constante à l'origine et est un terme d'erreur. L'hypothèse nulle d'existence de
racine unitaire est 0. Si une variable s'avère non stationnaire, elle sera testée pour la stationnarité
sous sa forme de différence première. Si chaque variable est stationnaire après la première
différenciation, un test de cointégration bivariée sera utilisé pour connaître la relation entre les
variables. "

MÉTHODOLOGIE

"Cette étude utilise des données secondaires de séries chronologiques de 1985 à 2018 de la Banque
mondiale et du Bureau central des statistiques (Bureau central des statistiques, 2019b ; Banque
mondiale, 2018) qui comprennent le PIB potentiel et réel, et le chômage naturel et ouvert. taux. À
cet égard, le coefficient d'Okun vise à déterminer si les sorties sont supérieures ou inférieures à leurs
valeurs potentielles (Sinclair,

2005). De plus, le filtre Hodrick-Prescott (HP) est crucial pour générer des estimations de tendance
plus lisses sur le PIB réel et le taux de chômage (Polasek, 2011). Le filtre HP décompose la série
d'origine (Yt) en la composante de tendance (St) et la composante de cycle (Ct). La composante cycle
est la différence entre la série originale et la composante.
Yt = St + Ct (8)

La méthode est un filtre bilatéral (arrière-avant) pour lisser les séries en séries s. Le processus de
lissage vise à minimiser la variante y autour de s avec le paramètre de λ = 100 comme contrainte de
la somme des carrés de la différence seconde des séries s. Ainsi, le filtre HP choisit s pour minimiser
la variante.

²+

λ - Sᵼ) – (Sᵼ - Sᵼ-1))² (9)

Le test stationnaire étudie la cohérence des mouvements de séries temporelles (Winarno, 2015).
L'équation du test stationnaire est la suivante :

Yt = 1 + 2t + Yt – 1 + t (10)

TEST UTILISE DANS L’ETUDE

Ensuite, nous l'hypothèse classique tests comprenant des tests de normalité, d'hétéroscédasticité et
d'autocorrélation pour s'assurer que le modèle se qualifie pour les composantes BLEUES (Johnson &
Wichern, 2002 ; Winarno, 2015). Après avoir exécuté le test d'hypothèse classique, l'étude exécute
également le test de causalité de Granger (Winarno, 2015) :

(11)

(12)

L'équation ci-dessus montre que Xt est le PIB réel et Yt est le taux de chômage ouvert, tandis que μt
et νt sont des termes d'erreur qui sont supposés ne pas présenter de corrélation en série, et m = n = r
= s. En outre, le test de co-intégration montre également la relation à long terme entre les variables,
comme on peut le voir dans l'équation suivante.

= t – 1 t – 1 + et (13)

Johansen et Juselius vulgarisent le concept de modèle de correction d'erreurs vectorielles (VECM)

(Chevallier, 2013). VECM différencie la composante à long terme et la composante à court terme
dans le processus de formulation des données. L'équation suivante explique le modèle VECM.

∆Yt = 0x + 1xt + x t – 1 + I x t – i + et (14)

Où :
Yt : Le vecteur qui contient les variables de recherche

0x : Vecteur d'interception

1x : Vecteur de coefficient de régression

t : Tendance temporelle

X : X X ´OU contient long terme équation de cointégration

y t-1:I- variableniveau

Γix: régression coefficient matrice

k-1: VECM ordre de VAR

et : Terme d'erreurm

RESULTATS "

Modèles empiriques

TEST UTILISE DANS L’ETUDE

"Nous estimons trois modèles pour mesurer l'arbitrage entre production cyclique et chômage
cyclique. Le modèle 1 suppose une relation linéaire, le modèle 2 est un modèle de régime de
commutation de Markov avec une probabilité de transition fixe (FTP) et le modèle 3 assouplit
l'hypothèse de probabilité de transition fixe et est un modèle de probabilité de transition variable
dans le temps. Comme l'expliquent Filardo (1994) et Diebold et Rudebusch (1999), le modèle de
commutation de Markov avec probabilité de transition variable dans le temps (TVTP) est plus flexible
que le FTP. Il reconnaît les changements systématiques des probabilités de transition avant et après
les points de retournement, capture une persistance temporelle plus complexe et permet à la durée
attendue de varier dans le temps. Dans ce contexte, les fondamentaux économiques et les chocs
politiques peuvent influencer les probabilités de transition de régime.

Premièrement, nous considérons le modèle traditionnel basé sur la régression linéaire proposé par
Moosa (1997) et l'appelons modèle 1. Il se présente comme suit :

(1)

Désigne le chômage cyclique et

où la production cyclique. Le chômage cyclique retardé doit être inclus pour supprimer la corrélation
en série. Le coefficient d'Okun est mesuré par la valeur estimée de b, le coefficient d'impact, tel que b
< 0.

En plus du modèle basé sur la régression linéaire, nous considérons le modèle FTP de commutation
de Markov pour caractériser la spécification dépendante du régime de la loi d'Okun, qui permet un
effet asymétrique de la production cyclique sur le chômage cyclique. L'idée générale derrière cette
classe de modèles de changement de régime est que les paramètres de régression dépendent d'une
variable de régimestochastique et non observable st {1,2}. Le processus stochastique pour générer le
régime inobservable est une chaîne de Markov ergodique définie par la probabilité de transition pij =
Pr(st+1 = j|st = i), où i,j = 1 ou 2. La probabilité de transition pij donne la probabilité que l'état i soit
suivi de l'état j. La matrice de transition est

(2)

où p11 est la probabilité de rester dans le régime expansionniste, défini comme le résultat où p22 le
taux de chômage est inférieur à sa tendance, tandis que p22 est la probabilité de rester dans le
régime récessif, défini comme la situation où le taux de chômage est supérieur à la tendance.

La spécification dépendant du régime temporel de la loi d'Okun qui permet un effet asymétrique,
modèle 2, est la suivante :

(3)

Modèle 2 comporte deux coefficients, b1 et b2. A priori, nous nous attendons à ce que b1,b2 < 0, le
chômage cyclique réagissant négativement à la production cyclique dans les régimes expansionnistes
ou récessifs.

Enfin, nous considérons le modèle 3, qui permet la possibilité de probabilités de transition variant
dans le temps. Pour les variables d'information en zt, nous choisissons le taux d'emploi informel,
puisque nous supposons qu'il a été la principale cause des variations du taux de chômage (voir
section IV). Il s'agit d'un écart par rapport à d'autres études, qui ont utilisé l'écart de production ou
l'utilisation des capacités comme principale variable de la probabilité de transition variable dans le
temps. Par conséquent, le modèle 3 considère les probabilités de transition variables dans le temps
suivantes :

(4)

(4)

où Φ (.) désigne lfonction de densité cumulative de la distribution normale standard évoluant en

fonction de z't1δi, i= 1,2, où le(mx1) conditionné vecto r, et désigne le premier différence duemploi
informel

taux d'. Le processus stochastique à deux points sur st peut être résumé par la matrice de transition

(5)

où l'histoire de l'état de chômage informel est en zt−1.

Dans le modèle de changement de Markov à probabilité de transition variable dans le temps, les
probabilités de transition peuvent varier en fonction de l'état de l'emploi informel (hausse et baisse).
Les probabilités du modèle 3 reflètent la durée de la relation d'Okun exprimée en tant que
spécification dépendante du régime. Pour le test de spécification du modèle, nous suivons Engel et
Hamilton (1990), en prouvant l'hypothèse suivante :
(6)

Si nous ne pouvons pas rejeter , cela implique que le véritable processus de génération de données
dérive d'un seul état par opposition à deux états. La statistique de test pour l'hypothèse est la
statistique de Wald, et elle a le . Si on laisse , le test de a ce qu'on appelle le « problème de
paramètre de nuisance », c'est-à-dire que les paramètres p11 et p22 ne sont pas identifiés.

Pour estimer les modèles 1 à 3, nous avons besoin de séries chronologiques pour les composantes
non observées et . Les composantes cycliques peuvent être extraites au moyen de différentes
méthodologies, par exemple, en considérant un paramètre de série chronologique unique ou
multiple. Ici, nous nous concentrons sur une approche de séries chronologiques bivariées qui
suppose que le vecteur de séries chronologiques observé est composé d'un vecteur de tendances
non observé plus un vecteur de cycles et prend en compte la corrélation entre les cycles de
production et de chômage. Laxton et Tetlow (1992) ont donné un aperçu historique des procédures
d'estimation de la production potentielle et ont constaté que deux approches avaient été
essentiellement employées depuis les années 1980 : (i) des approches structurelles reposant sur un
modèle économique structurel, comme dans Ford et Rose (1989) et Adams et Coe (1990); (ii) des
approches stochastiques comme celle qui sous-tend le filtre développé par Hodrick et Prescott (1981
et 1997). Laxton et Tetlow (1992) ont combiné ces approches et proposé une technique semi-
structurelle connue sous le nom de filtre multivarié de Hodrick-Prescott (HPMV) (voir, par exemple,
Boone, 2000 et Chagny et Lemoine, 2002). Cependant, le HPMV n'est pas un véritable filtre
multivarié, mais plutôt un filtre de séries temporelles multiples. La différence est semblable à celle
entre la régression multiple, où il n'y a qu'une seule variable dépendante à expliquer par plusieurs
variables indépendantes, et la régression multivariée, où plusieurs variables dépendantes doivent
être expliquées simultanément par une ou plusieurs variables indépendantes.

Nous utilisons une technique semi-structurelle différente basée sur une véritable méthode de filtrage
de séries temporelles multiples qui a été proposée par Guerrero, Islas et Ramírez (2017) et est
connue sous le nom de filtre bivarié Hodrick-Prescott (BHP). Cette nouvelle méthode peut être
utilisée pour extraire une paire de tendances qui pourraient partager des comportements
dynamiques similaires. L'un des avantages de cette méthode est qu'elle n'emploie que les deux
premiers moments d'échantillonnage des variables impliquées. Un deuxième avantage important est
qu'il fournit un moyen de décider de la valeur du paramètre de lissage qui produit le pourcentage de
lissage souhaité pour les tendances. Un troisième avantage est qu'il prend en compte la simultanéité
dans l'estimation, en corrigeant les biais probables. De plus amples détails sur la méthodologie sont
disponibles dans une annexe technique disponible auprès des auteurs sur demande. "

REVUE DE LITTERATURE

Modélisation économétrique des élasticités de l'emploi

"L'importante couverture mondiale des élasticités de l'emploi examinée dans la section précédente
offre l'occasion de mener une étude transnationale des déterminants de l'intensité en emploi de la
croissance. Cette section utilise certains des déterminants théoriques de l'intensité de l'emploi mis en
avant dans la littérature ainsi que les principales observations concernant les tendances de l'élasticité
régionale discutées dans la section précédente afin d'identifier des corrélats robustes de l'intensité
de l'emploi. L'objectif est donc d'identifier certains des grands facteurs macroéconomiques
susceptibles d'influencer l'intensité de la croissance en matière d'emploi dans chaque économie.

Il existe une abondante littérature qui examine les déterminants macroéconomiques de la croissance
de l'emploi et de la productivité du travail, mais peu de travaux d'enquête ont été menés pour tenter
d'identifier la relation entre les variables macroéconomiques et l'intensité globale de l'emploi de la
croissance explicitement représentée par l'élasticité de l'emploi. Néanmoins, les conclusions
antérieures relatives aux déterminants de la croissance de l'emploi et de la productivité sont
clairement pertinentes dans le contexte actuel et un bref aperçu de ces conclusions est donc justifié.

Walters kirchen (1999) constate que l'augmentation de l'offre de main-d'œuvre tend à augmenter
l'emploi et à réduire la productivité. Cela suit la notion économique classique selon laquelle une offre
de main-d'œuvre plus élevée entraînera une baisse des salaires moyens et, en fin de compte, une
augmentation de la demande de main-d'œuvre. Beaudry et Collard (2002) examinent le lien entre la
croissance de la population active (représentant l'offre de main-d'œuvre) et la productivité et
trouvent une relation négative systématique entre les deux variables. Cependant, ils suggèrent qu'au
fur à mesure que les pays s'intègrent davantage dans l'économie mondiale, cet effet devrait
diminuer, en raison de la convergence des flux de capitaux entre les pays.

Les déterminants de l'intensité de l'emploi dans le contexte européen sont explorés par Döpke
(2001). Dans cette étude, la part des services dans le PIB réel, les coûts salariaux réels, les institutions
du marché du travail et la volatilité des taux de change sont présentés comme des déterminants
macroéconomiques potentiels de l'intensité globale de l'emploi. Döpke constate qu'une plus grande
part des services conduit à une intensité d'emploi plus élevée et que dans la plupart des pays
examinés, il existe une relation négative significative entre les coûts salariaux réels et l'élasticité de
l'emploi. Il postule qu'en général, une plus grande flexibilité du marché du travail conduit à une
croissance à plus forte intensité d'emploi, mais les résultats empiriques connexes ne sont pas solides.
Enfin, il suggère que s'il existe des arguments théoriquement attrayants à l'appui de l'idée que les
fluctuations des taux de change réduisent l'intensité de l'emploi, les résultats empiriques globaux à
ce sujet sont ambigus.

Bruno et al. (2001) étudient s'il existe des liens entre l'ouverture économique et l'élasticité de la
demande de main-d'œuvre. Ils soutiennent que l'ouverture économique peut permettre aux
entreprises d'utiliser davantage de biens d'équipement dans la production, ce qui peut finalement
conduire à une réduction de la réactivité de la demande de main-d'œuvre à la croissance
économique. Cependant, ils ne trouvent aucune relation statistiquement significative entre
l'ouverture commerciale et l'élasticité de la demande de main-d'œuvre.1

1 Freeman (2004) discute également de l'impact potentiel des fluctuations du commerce et des taux
de change sur les marchés du travail. Il soutient que la volatilité des taux de change et les flux
internationaux de capitaux jouent un rôle bien plus important que le commerce sur les marchés du
travail des pays en développement.

Mourre (2004) examine les performances de l'emploi dans les économies de la zone euro et constate
que l'intensité de l'emploi de la croissance a été la plus élevée dans le secteur des services. Ses
conclusions concernant les taux d'imposition du travail soutiennent la notion d'une corrélation
négative entre le taux d'imposition du travail et la création d'emplois à long terme. Enfin, il examine
les effets de la législation sur la protection de l'emploi (LPE) sur l'intensité de l'emploi. Les effets de
l'EPL sont mitigés : alors qu'en général le signe de l'EPL est négatif, les résultats globaux de Mourre
ne sont pas statistiquement significatifs.

L'interaction entre l'inflation, les institutions du marché du travail et les performances de l'emploi est
étudiée dans Loboguerrero et Panizza (2003). L'inflation peut à la fois encourager la réactivité de
l'emploi aux variations de la production (via son effet sur la réduction de la rigidité à la baisse des
salaires) et peut diminuer la réactivité (en augmentant l'incertitude des prix relatifs). Les auteurs
constatent que dans les économies industrialisées, les effets inflationnistes ont tendance à avoir le
premier effet. Ainsi, toutes choses égales par ailleurs, l'inflation dans ce contexte serait associée à
des élasticités de l'emploi plus élevées. Dans les économies en développement, ils constatent
qu'aucun de ces effets ne semble avoir une influence significative sur la performance de l'emploi. "

Spécification du modèle et données utilisées

DONNEES DE L’ETUDE :

Aux fins de l'exercice empirique actuel, les variables dépendantes utilisées sont les élasticités de
l'emploi total, des jeunes et des femmes correspondant à l'ensemble de la période 1991-2003
examinée dans la section précédente, qui ont été générées pour chaque pays à l'aide de l'équation 2.
Les variables explicatives ont été choisies sur la base des observations des tendances de l'élasticité de
l'emploi de la section précédente ainsi que des résultats antérieurs de la littérature. Les variables
entrent dans les six grandes catégories suivantes : offre de main-d'œuvre/démographie, structure
économique, volatilité et incertitude macroéconomiques, degré d'ouverture économique, santé,
politique fiscale et réglementation du travail. Les variables sous chacune de ces catégories sont
énumérées dans le tableau 4.1.