Mémoire ITS4 Cheikh LO PDF

REPUBLIQUE DU SENEGAL
Un Peuple - Un But - Une Foi
************
Ministère de l’Économie, du Plan et de la Coopération
************
Agence Nationale de la Statistique et de la Démographie (ANSD)
************
Ecole Nationale de la Statistique et de l’Analyse Economique Pierre NDIAYE (ENSAE)
Mémoire de fin d’études
Thème
Développement d’un outil de profilage des
demandeurs d’emploi au Sénégal
Rédigé par
Cheikh LO
Elève Ingénieur des Travaux Statistiques
Maitre de stage
Encadreur Académique
M. Thierno Ibrahima
M. Oumar DIOP
BARRY
Enseignant, Ingénieur
Ingénieur Statisticien
Statisticien
Économiste
Juillet 2022
Développement d’un outil de profilage des demandeurs d’emploi au Sénégal
AVERTISSEMENT
L’ÉCOLE NATIONALE DE LA STATISTIQUE ET DE L’ANALYSE
ÉCONOMIQUE PIERRE NDIAYE (ENSAE) DE DAKAR ET L’AGENCE
NATIONALE DE LA STATISTIQUE ET DE LA DÉMOGRAPHIE (ANSD)
N’ENTENDENT DONNER AUCUNE APPROBATION NI IMPROBATION AUX
IDÉES ÉMISES DANS CE MÉMOIRE. ELLES SONT PROPRES À L’AUTEUR
ET DOIVENT ÊTRE CONSIDÉRÉES COMME TELLES.
Cheikh LO, Elève Ingénieur des Travaux Statistiques i

DÉDICACE
A mes chers parents
A mes chers frères
A mes chères sœurs
A toute ma famille.
Merci d’être toujours là pour moi.
Cheikh LO, Elève Ingénieur des Travaux Statistiques ii

AVANT - PROPOS
réée en 2008, l’Ecole Nationale de la Statistique et de l’Analyse Economique
C Pierre NDIAYE (ENSAE) est une école à vocation sous régionale à l’image
de l’ENSEA d’Abidjan et de l’ISSEA de Yaoundé. Elle a pour objectif de
combler les besoins en ressources humaines de qualité devant assurer la production,
l’analyse et la diffusion des données statistiques.
Pour assurer la meilleure formation à ses élèves, l’école concilie la théorie et la
pratique, à travers les enquêtes pédagogiques, les travaux pratiques, les stages, etc.
Ceci afin de permettre aux élèves d’être opérationnels dès leurs sorties.
En plus des offres de formations continues en statistique, l’école forme depuis sa
création des Techniciens Supérieurs de la Statistiques (TSS) sur deux ans, des
Ingénieurs des Travaux Statistiques (ITS) sur quatre ans, des Ingénieurs Statisticiens
Economistes (ISE) sur trois ans. Avec les rénovations pédagogiques entreprises
récemment, les filières d’Analystes Statisticiens (AS) sur trois ans et ISE cycle
long sur cinq ans ont été intégrées ainsi qu’un master intitulé Aide à la Décision et
Evaluation des Politiques Publiques (ADEPP).
Les élèves Ingénieurs des Travaux Statistiques effectuent à l’issu de leurs quatre
années de formation, un stage de fin d’études qui a pour principal objet la mise
en pratique de toutes les connaissances acquises. C’est dans ce cadre que j’ai été
accueilli à l’Agence Nationale de la Statistique et de la Démographie, précisément à
la Direction des Statistiques Démographiques et Sociales (DSDS) sur la période
allant du mois d’Avril au mois de Juin 2022. Ce présent document, qui a pour
objectif de présenter les travaux effectués au cours du stage, constitue une étude
sur le thème "Développement d’un outil de profilage des demandeurs
d’emploi au Sénégal".
Cheikh LO, Elève Ingénieur des Travaux Statistiques iii

REMERCIEMENTS
out d’abord, je tiens à exprimer toute ma gratitude à toutes les personnes
T qui de près ou de loin, ont contribué à la rédaction de ce mémoire.

Mes reconnaissances vont en particulier, à l’endroit de M. Samba NDIAYE,
Directeur des Statistiques Démographiques et Sociales (DSDS) à l’Agence Nationale
de la Statistique et de la Démographie (ANSD), ainsi que tout le personnel de la
structure pour leur accueil chaleureux. Mes remerciements vont également à l’endroit
de mon maitre de stage, M. Thierno Ibrahima BARRY, Ingénieur Statisticien
Economiste, pour son encadrement, pour sa disponibilité et pour ses bons conseils.
Je remercie mon encadreur académique, M. Oumar DIOP, enseignant à l’ENSAE,
qui a su tout au long de notre formation nous inculquer des notions très importantes
dans la pratique, son accompagnement sans faille a permis la réussite de ce travail.
J’adresse aussi mes remerciements au directeur de l’Ecole Nationale de la Statistique
et de l’Analyse Économique Pierre NDIAYE (ENSAE), M. Idrissa DIAGNE pour
sa bonne gestion et la programmation des activités menées au sein de l’ENSAE, au
responsable de la filière des Ingénieurs des Travaux Statistiques (ITS), M. Souleymane
FOFANA, pour son soutien, son écoute, ses conseils et efforts pour le bon déroulement
de notre formation. C’est aussi l’occasion pour moi de remercier M. Souleymane
DIAKITE, M. Mamadou BALDE et l’ensemble du personnel administratif, pour
leurs connaissances et expériences partagées.
Je voudrais remercier aussi mes lecteurs M. Ndiaga LO, Ingénieur Génie électrique,
M .Serigne Cheikh GUEYE, Ingénieur des Travaux Statisques et M. Mamadou DIOP,
Technicien Supérieur de la Statistique et Ingénieur des Travaux Statistiques, pour
leurs lectures critiques et suggestions qui ont été d’un apport considérable.
Je ne saurais terminer ces remerciements sans y associer mes camarades de classe
auprès de qui j’ai beaucoup appris.
Cheikh LO, Elève Ingénieur des Travaux Statistiques iv

RÉSUMÉ
Le chômage de longue durée est un grave problème social qui a des répercutions
durables sur la société. Ce problème peut être abordé par le profilage des demandeurs
d’emploi. Ainsi, l’objectif de cette présente étude consistait à concevoir un outil
de profilage des demandeurs d’emploi au Sénégal. Autrement dit, il s’agissait de
profiler ou d’identifier les demandeurs d’emploi qui ont un risque plus élevé d’être
au chômage pendant au moins 12 mois.
Pour ce faire, les données de cette étude ont été tirées de l’Enquête Nationale sur
l’Emploi au Sénégal (ENES-2019). A cet effet, la démarche adoptée a consisté,
en sus de la revue de littérature et des présentations du cadre conceptuel et
des données, dans un premier temps à faire une analyse descriptive (univariée,
bivariée et ACM). L’objectif recherché dans cette partie est de comprendre les
caractéristiques de notre population d’étude et leurs profils suivant des variables
influençant le chômage de longue durée (12 mois). Dans un deuxième temps, le
profilage des demandeurs d’emploi a été effectué à l’aide du modèle logistique en
utilisant la variable dépendante binaire « chômeur de longue durée » et les variables
indépendantes suivantes : la région, le sexe, la situation matrimoniale, le fait d’être
actuellement à l’école, le fait d’avoir suivi une formation professionnelle ou technique,
la situation d’emploi et le principal obstacle rencontré dans la recherche d’emploi.
Les résultats de cette étude montrent qu’au Sénégal, la proportion des demandeurs
d’emploi touchés par le chômage de longue durée est de 23,07%. Cette proportion
varie selon le sexe, la situation matrimoniale, la région, ou d’autres facteurs. Par
ailleurs, l’étude des facteurs prédictifs du chômage de longue durée des demandeurs
d’emploi, réalisée avec le modèle logistique binaire, permet de retenir que le fait
d’être primo demandeur, le fait d’être de sexe féminin ou d’être marié(e), le fait
de ne pas avoir été à l’école ou d’avoir suivi des formations certifiantes impactent
positivement sur la probabilité de rester au chômage pendant au moins 12 mois.
Cette probabilité est également impactée positivement par le fait d’être jugé trop
jeune ou trop âgé ou de ne pas avoir de qualification pour l’emploi désiré, le manque
d’expérience professionnelle et le fait d’être résident des régions de Fatick, Kédougou,
Kaolack et Tambacounda.
Mots clés : profilage, demandeur d’emploi, ACM, modélisation logistique.
Cheikh LO, Elève Ingénieur des Travaux Statistiques v

ABSTRACT
Long-term unemployment is a serious social problem with sustainable repercussions
on society. This problem can be handled by profiling job seekers. Thus, the objective
of this study was to make a profiling tool for job seekers in Senegal. In other words,
it was to profile or identify job seekers who have a higher risk of being unemployed
for at least 12 months.
To do this, the data for this study were taken from the National Employment Survey
in Senegal (ENES-2019). To this end, the approach adopted consisted, in addition
to the literature review and the presentations of the conceptual framework and the
data, first of all in carrying out a descriptive analysis ( univariate , bivariate and
ACM). The objective sought in this part is to understand the characteristics of our
study population and their profiles according to variables influencing long-term
unemployment (12 months). In a second step, the profiling of job seekers was
carried out using the logistic model using the binary dependent variable "long-term
unemployed" and the following independent variables : region, gender, marital status,
the fact of being currently in school, the fact of having followed a vocational or
technical training, the employment situation and the main obstacle encountered in
seeking employment.
The results of this study show that in Senegal, the proportion of job seekers affected
by long-term unemployment is 23.07%. This proportion varies by gender, marital
status, region, or other factors. In addition, the study of the predictive factors of
long-term unemployment among job seekers, carried out with the binary logistic
model, makes it possible to retain that the fact of being a first-time applicant,
the fact of being female or being married, not having been to school or having
taken certification training have a positive impact on the probability of remaining
unemployed for at least 12 months. This probability is also positively impacted by
the fact of being considered too young or too old or of not having any qualifications
for the desired job, the lack of professional experience and the fact of being a
resident of the regions of Fatick, Kédougou , Kaolack and Tambacounda.
Keywords : profiling, job seeker, ACM, logistics modeling
Cheikh LO, Elève Ingénieur des Travaux Statistiques vi

Sommaire
AVERTISSEMENT i
DÉDICACE ii
AVANT - PROPOS iii
REMERCIEMENTS iv
RÉSUMÉ v
SOMMAIRE viii
TABLES DES FIGURES ix
LISTE DES TABLEAUX ix
SIGLES ET ABRÉVIATIONS xi
INTRODUCTION GÉNÉRALE 1
1 Définition des concepts et revue de la littérature 4

1.1 Cadre conceptuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Revue de la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Présentation des données et méthodologie 13

2.1 Sources des données utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Constitution et répartition de l’échantillon des ENES-2019 . . . . . . . . . 15
2.3 Tirage de l’échantillon des ENES . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Population cible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 Variables utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Techniques d’analyse des données . . . . . . . . . . . . . . . . . . . . . . . 18
vii
3 Analyse des résultats 22

3.1 Caractéristiques des demandeurs d’emploi . . . . . . . . . . . . . . . . . . 24
3.2 Chômage de longue durée et profil des demandeurs d’emploi . . . . . . . . 32
3.3 Analyse multidimensionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Modèle logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
CONCLUSION 44
BIBLIOGRAPHIE 46
ANNEXES 49
Cheikh LO, Elève Ingénieur des Travaux Statistiques viii

Table des figures
1.1 Fonctionnement des modèles de profilage statistique . . . . . . . . . . . . . 10
3.1 Pyramide des âges des demandeurs d’emploi . . . . . . . . . . . . . . . . . 24

3.2 Répartition des demandeurs d’emploi par région selon la situation matrimo-
niale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3 Répartition des demandeurs d’emploi selon la situation financière du ménage 26
3.4 Répartition des demandeurs d’emploi selon le niveau d’éducation par sexe . 27
3.5 Répartition des demandeurs d’emploi selon la formation professionnelle ou
technique suivie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6 Répartition des demandeurs d’emploi selon la situation d’emploi par sexe . 29
3.7 Répartition des demandeurs d’emploi suivant le principal obstacle rencontré
dans la recherche d’emploi . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.8 Attentes salariales et refus d’une proposition d’emploi . . . . . . . . . . . . 31
3.9 Histogramme des valeurs propres . . . . . . . . . . . . . . . . . . . . . . . 35
3.10 Catégorisation des demandeurs d’emploi selon certaines caractéristiques . . 37
3.11 Interface de l’application de profilage . . . . . . . . . . . . . . . . . . . . . 42
3.12 Interface de l’application de profilage . . . . . . . . . . . . . . . . . . . . . 43
3.13 Histogramme des valeurs propres . . . . . . . . . . . . . . . . . . . . . . . 53
3.14 Représentation des variables de l’ACM . . . . . . . . . . . . . . . . . . . . 55
3.15 Représentation des variables quantitatives supplémentaires de l’ACM . . . 56
ix
Liste des tableaux
1.1 Caractéristiques des modèles de profilage statistique dans certains pays . . 9
2.1 Variables influençant le chômage de longue durée (12 mois) . . . . . . . . . 18
3.1 Répartition (%) des demandeurs d’emploi par région selon le niveau d’édu-
cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Comportement de recherche d’emploi des demandeurs d’emploi . . . . . . . 31
3.3 Répartition des demandeurs d’emploi touchés ou non par le chômage de
longue durée selon certaines caractéristiques . . . . . . . . . . . . . . . . . 33
3.4 Positionnement des modalités ayant contribué à la formation des 2 premiers
axes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.5 Résultats du modèle logistique (ENES-2019, calculs de l’auteur) . . . . . . 40
3.6 : Matrice de confusion du modèle de régression logistique . . . . . . . . . . 41
3.7 Répartition des ménages et des DR à enquêter par trimestre . . . . . . . . 50
3.8 Répartition des ménages et des DR à enquêter par année . . . . . . . . . . 51
3.9 Dictionnaire des abrégés utilisés dans la représentation du 1er plan factoriel 54
x
SIGLES ET ABREVIATIONS
ACM : Analyse des Correspondances Multiples

ANSD : Agence Nationale de la Statistique et de la Démographie
AS : Analyste Statisticien
BAD : Banque Africaine de Développement
BIT : Bureau International du Travail
BM : Banque Mondiale
CLD : Chômage de longue durée
DR : District de Recensement
DSDS : Direction des Statistiques Démographiques et Sociales
ENES : Enquêtes Nationales sur l’Emploi au Sénégal
ISE : Ingénieur Statisticien Economiste
ITS : Ingénieur des Travaux Statistiques
JSCI : Job Seeker Classification Instrument
OCDE : Organisation de Coopération et de Développement Économique
OIT : Organisation internationale du travail
SPE : Service Public de l’Emploi
UP : Unité Primaire
Cheikh LO, Elève Ingénieur des Travaux Statistiques xi

INTRODUCTION GÉNÉRALE
L’emploi est la pierre angulaire du développement et a un impact bien au-delà des
revenus qu’il procure au travailleur. Il est essentiel à la réduction de la pauvreté
et au fonctionnement des pays (Banque Mondiale, 2012). Ainsi, pour relever les
indicateurs sociaux, les pays sont confrontés à de nombreux défis, l’un d’entre eux
étant le problème du chômage. Ce dernier demeure de nos jours l’un des principaux
défis des pays même s’il est plus critique dans ceux en voie de développement en
raison de l’incidence de la pauvreté élevée qui oblige tout le monde à travailler pour
assurer leur survie (Organisation internationale du travail (OIT), 2011).
Le chômage de longue durée est devenu une menace pour la stabilité sociale, écono-
mique et politique dans la plupart des pays en voie de développement. Socialement, le
chômage ne concerne pas seulement les chômeurs mais aussi l’ensemble de la société.
La plupart des personnes s’attendent à trouver un emploi, surtout après l’obten-
tion de leur diplôme. L’incapacité à trouver un emploi entraîne une démoralisation,
une dépréciation de leur capital humain et une détérioration de leurs perspectives
d’emploi, ce qui pourrait conduire à l’exclusion sociale (Clark et Summers, 1982).
Sur le plan économique, le chômage a entraîné l’instabilité du marché du travail,
l’augmentation du coût de la vie, l’érosion de l’assiette fiscale et des investissements
inutilisés dans l’éducation et la formation (OIT, 2011). Politiquement, selon Keen
(2002), de nombreuses études soutiennent que le chômage est la principale cause de
l’instabilité politique et des conflits dans un pays.
En Afrique de l’ouest, la durée du chômage est longue puisqu’elle atteint en moyenne
près de trois ans et demi, soit 41 mois (Philippe De Vreyer, 2017). Cette durée
moyenne du chômage atteint son maximum à RD Congo avec plus de 5 ans, soit 66
mois. Ces chiffres doivent plus être interprétés comme la durée pendant laquelle les
chômeurs n’ont pas eu accès à un « véritable » emploi que comme la véritable durée
du chômage, pendant laquelle les individus n’auraient pas exercé la moindre activité,
même la plus marginale.
Le Sénégal, pour sa part, est très touché par la question du chômage de longue
durée. Certes, des efforts ont été consentis pour lutter contre le chômage, mais la
situation reste toujours persistante. En effet, les chômeurs sénégalais attendent en
moyenne 4 années avant de trouver un emploi (Philippe De Vreyer, 2017). Le taux
de chômage (personnes âgées de 15 ans et plus) est aussi élevé. En effet, selon l’OIT
en 2015, le taux de chômage au Sénégal est supérieur au taux de chômage mondial,
soit 6,8% contre 5,6%. Cette situation, malgré les efforts consentis, semble démontrer
le manque d’efficacité des méthodes employées par l’Etat pour intervenir dans le
secteur de l’emploi. La littérature a montré que ces méthodes n’ont jamais fait appel
Cheikh LO, Elève Ingénieur des Travaux Statistiques 1

à un outil de profilage des demandeurs d’emploi. Pourtant, selon Fougère (2000), le

chômage de longue durée est intimement lié aux caractéristiques individuelles des
demandeurs d’emploi. Développer ainsi un outil de profilage aiderait à identifier les
demandeurs d’emploi qui sont plus susceptibles d’être chômeurs de longue durée.
Autrement dit, cet outil de profilage permettrait de détecter les demandeurs d’emploi
les plus défavorisés sur le marché du travail. Ce faisant, les services publics de l’emploi
peuvent mieux servir ces personnes en leur fournissant des services plus efficacement
pour améliorer leurs chances de trouver un emploi (Weber, 2011). Cependant, les
approches du profilage sont nombreuses et le profilage statistique est le plus souvent
utilisé dans le contexte des pays africains comme c’est le cas ici pour le profilage des
demandeurs d’emploi au Sénégal.
Objectifs de l’étude
Cette étude vise un certain nombre d’objectifs que nous pouvons catégoriser en
objectifs général et spécifiques. L’objectif général est de profiler ou d’identifier les
demandeurs d’emploi au Sénégal qui ont un risque plus élevé d’être au chômage de
longue durée. Plus spécifiquement, il s’agit de :
ý dresser le profil des demandeurs d’emploi qui ont perduré dans le chômage
selon certaines caractéristiques ;
ý identifier les facteurs explicatifs du chômage de longue durée ;
ý estimer le risque de chômage de longue durée des demandeurs d’emploi ;
ý Développer une application informatique.
Intérêt de l’étude
Cette étude aura un double intérêt : un intérêt politique et un intérêt scientifique.
Du point de vue politique, elle permettra, parallèlement à la politique de l’emploi,
d’avoir un aperçu sur le profil des demandeurs d’emploi au Sénégal. En effet, il
conviendra de développer un outil adéquat à un accompagnement des chômeurs de
longue durée en fonction de leurs profils. Aussi, elle permettra de faire un traitement
préventif du chômage réservé aux plus vulnérables. Par ailleurs, pour limiter les coûts
encourus par l’Etat sénégalais pour l’accompagnement des demandeurs d’emploi, les
décideurs peuvent se servir de l’outil de profilage pour faciliter leur retour à l’emploi.
Dans le volet scientifique, vu que les études de profilage des demandeurs d’emploi
ne sont pas encore très développées dans les pays en développement à la lumière de
nos informations, cette étude pourrait servir de base pour des recherches ultérieures
dans ce domaine.

Hypothèses de recherche
Ainsi, nous postulons les hypothèses de recherche suivantes :
ý H1 : Le sexe est un facteur déterminant du chômage de longue durée des

demandeurs d’emploi.
ý H2 : Les primo-demandeurs a ont le plus grand risque de perdurer dans le

chômage que les demandeurs d’emploi qui ont déjà eu à travailler.
Plan de travail
Pour atteindre l’objectif général cité ci-dessus et confirmer ou infirmer les hypothèses
de recherche, nous avons structuré le document en trois grandes parties. La première
partie de ce mémoire va traiter la définition des concepts et la revue de littérature.
Ensuite, la deuxième partie portera sur la présentation des données et la méthodologie.
La dernière partie traitera, quant à elle, les résultats obtenus d’une part, de l’analyse
descriptive et d’autre part, de l’analyse explicative afin d’estimer le risque de chômage
de longue durée des demandeurs d’emploi.
a. Recherche premier emploi

Chapitre 1
Définition des concepts et revue

de la littérature
Dans ce chapitre, il est posé principalement les bases théoriques et empiriques qui
sous-tendent la présente étude.

1.1.1 Définition des chômeurs . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Définition des chômeurs de longue durée . . . . . . . . . . . . . . . 5
1.1.3 Définition des demandeurs d’emploi . . . . . . . . . . . . . . . . . . 5
1.1.4 Définition des personnes en emploi . . . . . . . . . . . . . . . . . . 6
1.1.5 Définition des personnes actives . . . . . . . . . . . . . . . . . . . . 6
1.1.6 Définition du profilage . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Revue de la littérature théorique . . . . . . . . . . . . . . . . . . . 7
1.2.1.1 Histoire du profilage des demandeurs d’emploi . . . . . . . 7
1.2.1.2 Modèles de profilage des demandeurs d’emploi . . . . . . . 7
1.2.2 Revue de la littérature empirique . . . . . . . . . . . . . . . . . . . 10
4
1.1 Cadre conceptuel

1.1.1 Définition des chômeurs
Le chômage est un concept simple mais une réalité complexe. En effet, sa définition doit
répondre à plusieurs critères légitimes permettant de décrire clairement le chômeur et se
prêtant facile à la mesure. Ces critères doivent-ils se baser simplement sur la perception
(quand la personne se considère comme chômeur), ou se restreindre à l’inscription auprès
d’une agence pour l’emploi, ou à celles en recherche active d’emploi ? Chacun des critères
pris individuellement présente des limites et ne permet pas véritablement l’évaluation du
niveau de chômage.
Pour l’heure, la seule définition standardisée et opérationnelle est celle proposée par le
Bureau International du Travail (BIT, 2021). Selon ce dernier, une personne est considérée
comme chômeur si elle remplit simultanément les critères suivants :
û avoir 15 ans ou plus ;
û être sans emploi pendant une période de référence (semaine en général) ;
û avoir effectué, au cours des quatre dernières semaines, une démarche active de
recherche d’emploi (réponse à une petite annonce, inscription dans une agence
d’intérim, etc.) ou avoir trouvé un emploi qui commence dans moins de trois mois ;
û être disponible pour travailler dans les deux semaines à venir ;

Toutefois, dans le cadre de cette présente étude, nous allons ramener le premier critère
portant sur l’âge minimal à 10 ans révolus pour prendre en compte l’entrée précoce des
enfants dans le marché de l’emploi dans les économies en développement. En effet, 72
millions d’enfants âgés de 5 à 17 ans, soit 20% des enfants de cet âge, sont en emploi
en Afrique (OIT, 2016). Parmi eux, 31,5 millions, soit 8,6% des enfants, effectuent un
travail dangereux, c’est-à-dire particulièrement à risque pour leur santé, leur sécurité et
leur développement physique ou moral.
1.1.2 Définition des chômeurs de longue durée

Au sens du BIT (2021), les chômeurs de longue durée sont les personnes qui n’ont pas du
tout travaillé au cours de la semaine de référence, qui recherchent activement un emploi,
sont disponibles pour travailler et ont déclaré être au chômage depuis au moins un an.
Autrement dit, ces chômeurs sont des actifs au chômage depuis un an ou plus.
1.1.3 Définition des demandeurs d’emploi

Est considéré comme demandeur d’emploi, toute personne à la recherche d’un emploi,
quelle que soit sa situation actuelle vis-à-vis de l’emploi (chômeur ou actif occupé) (BIT).

Dans cette étude, la définition des demandeurs d’emploi est restreinte à celle des chômeurs
donnée ci-dessus. En conséquence, la population des demandeurs d’emploi et celle des
chômeurs sont confondues.
1.1.4 Définition des personnes en emploi

Une personne est considérée en emploi si elle a effectué au moins une heure de travail
rémunéré au cours de la semaine de référence ou si elle a gardé un lien formel avec son
emploi (congés annuels, maladie, maternité, etc.) (BIT).
1.1.5 Définition des personnes actives

Une personne est active si elle est en emploi ou au chômage.
1.1.6 Définition du profilage

Le profilage se définit comme une procédure appliquée à l’ensemble des demandeurs
d’emploi à un moment donné, afin de déterminer leur risque de perdurer dans le chômage
(Nathalie Georges, 2007).
Il constitue dès lors un outil accélérateur du retour à l’emploi des chômeurs (Nathalie
Georges, 2007). La technique utilisée pour la mise en œuvre d’un outil de profilage doit
idéalement être constituée par les trois dimensions : une collecte pertinente d’information
sur le chômeur et sur ses perspectives de réemploi, un outil de classement des demandeurs
d’emploi en fonction de ces données régulièrement mises à jour, et une offre de service
personnalisée en fonction des résultats obtenus à l’aide de l’outil de classement (Assedic,
2001).
Par ailleurs, les approches du profilage sont nombreuses et doivent être adaptées au contexte
sénégalais. Dans cette étude, nous adopterons l’approche du profilage statistique. Ce dernier
correspond à un classement des chômeurs qui s’appuie sur un modèle économétrique
permettant de calculer pour tous les demandeurs d’emploi un risque global de chômage
de longue durée (sous forme d’un score individuel), et donc de déterminer les chômeurs à
aider prioritairement.

1.2 Revue de la littérature

Dans cette partie, nous allons passer en revue l’origine du profilage des demandeurs d’emploi.
Ensuite, nous allons explorer l’ensemble des modèles de profilage tout en examinant les
facteurs qui influencent le chômage de longue durée des demandeurs d’emploi. Enfin, une
synthèse des travaux empiriques sera établie afin d’éclairer le champ de la recherche.
1.2.1 Revue de la littérature théorique

1.2.1.1 Histoire du profilage des demandeurs d’emploi
Le principe du profilage des demandeurs d’emploi est né aux États-Unis au début des
années 1980 avec l’augmentation rapide du chômage de longue durée. En effet, la part
des chômeurs de longue durée (plus de six mois de chômage) est passée de 10,7% en
1980 à 23,9% en 1983 (Nathalie George, 2007). Ce constat a favorisé l’utilisation d’une
approche qui diffère des politiques traditionnelles de l’emploi. Il est apparu en effet que les
demandeurs d’emploi qui étaient victimes du chômage de longue durée présentaient une
employabilité 1 particulièrement faible par rapport aux chômeurs de courte durée. Il a été
constaté aussi que cette employabilité faible était en partie expliquée par la récurrence
de certaines de leurs caractéristiques individuelles qui semblaient les défavoriser sur le
marché du travail. Ainsi, de nombreuses réflexions visant à prévenir l’enfoncement dans le
chômage de longue durée ont conduit à développer l’idée du profilage comme technique de
détection des demandeurs d’emploi les plus défavorisés.
Les Etats-Unis ont commencé à développer un outil de calcul de risque de chômage de
longue durée à la suite de la crise économique du début des années 1990. Opérationnel dès
1994, le profilage américain a servi de modèle d’abord aux pays anglo-saxons (Australie
1994, Royaume-Uni 1994, Canada 1994, etc.). Ensuite, les pays d’Europe continentale
se sont progressivement tournés vers ce type d’approche (Pays-Bas 1999, Danemark
2004, Allemagne 2005, France 2006, etc.). De plus, il y’a d’autres pays où il est en cours
d’expérimentation. C’est le cas de la Tunisie, Slovaquie, Suède, Suisse, etc.
1.2.1.2 Modèles de profilage des demandeurs d’emploi
Un grand nombre d’approches de profilage a été utilisé dans la littérature. Ces approches
peuvent être catégorisées en trois types : le modèle d’expertise, le modèle de sélection et les
modèles statistiques. Cette typologie est celle proposée par le rapport 2 de PLS RAMBOL
MANAGEMENT (2001). Elle permet de recenser toutes les méthodes de segmentation
des demandeurs d’emploi. Nous discutons ci-après de ces différents types de modèles mais
1. Capacité d’une personne à obtenir un nouveau travail
2. Rapport pour la Commission européenne

nous nous concentrons plus sur les modèles de profilage statistique. Ce sont ces derniers
qui seront utilisés dans ce mémoire.
Modèle d’expertise
Le modèle dit d’expertise (assessment by counsellor) repose sur le seul jugement d’un
conseiller du service public de l’emploi (SPE). Ce dernier reçoit en entretien le demandeur
d’emploi et tente d’évaluer sa position sur le marché du travail et ses perspectives de
retour à l’emploi. C’est au conseiller que revient la décision d’un potentiel accompagne-
ment du chômeur. Cette méthode est utilisée par les pays comme Estonie, Allemagne,
Grèce, Luxembourg, Slovénie et la Suisse. L’avantage de ce modèle de profilage est la
possibilité de prise en compte de caractéristiques non modélisables du demandeur d’emploi
(comportement, motivation, présentation de soi, etc.) ainsi que son interactivité. Mais cette
méthode est aussi très coûteuse, puisqu’elle mobilise des moyens humains conséquents,
surtout en période de chômage de masse. De plus, elle est subjective du moment où le sort
du demandeur d’emploi dépend du jugement du conseiller.
Modèle de sélection
Le modèle dit de sélection (group screening) permet de déterminer le risque de chômage de
longue durée du demandeur d’emploi à partir de son appartenance objective à un groupe
préalablement identifié comme « à risque » (par exemple les jeunes, les non-qualifiés, etc.).
Cette méthode utilise des critères d’éligibilité, tels que l’âge des demandeurs d’emploi, le
niveau d’études et/ou la durée du chômage pour classer les demandeurs d’emploi dans des
groupes. Ne sont donc prises en compte que quelques caractéristiques clés du chômeur,
considérées comme déterminantes du chômage de longue durée. Le choix des critères
d’éligibilité se fait souvent en fonction des caractéristiques des groupes présentant un
risque plus élevé de devenir chômeur de longue durée mais ce n’est pas nécessairement
toujours le cas. Par exemple, à formation égale, un jeune demandeur d’emploi en Flandre 3 a
plus de chances de trouver un emploi qu’un demandeur d’emploi âgé de 55 ans. Néanmoins,
le premier a plus de chance d’être accompagné par un SPE que le second. Cela montre
que les critères d’éligibilité ne sont pas seulement sélectionnés pour se concentrer sur
les groupes vulnérables, mais sont également déterminés par les réalités politiques et les
priorités politiques.
Modèles statistiques
La plupart des modèles de profilage statistique prédisent la probabilité qu’un demandeur
d’emploi devienne un chômeur de longue durée. Pour arriver à cela, les pays collectent
différents types de données auprès des demandeurs d’emploi. L’utilité des modèles de
profilage statistique dépend de la précision du modèle. Une bonne précision ne peut être
obtenue qu’avec des données riches et grâce à des mises à jour régulières des modèles
(OCDE, 2018). Ces dernières années, un certain nombre de pays ont exploré de nouvelles
3. Région en Belgique

méthodes telles que les techniques avancées d’apprentissage automatique et l’intelligence

artificielle qui utilisent des sources de données innovantes. Parmi ces sources de données
innovantes, nous avons le « comportement du clic ». En fait, les services publics de
l’emploi suivent et surveillent les activités des demandeurs d’emploi sur leurs sites Web
et enregistrent les clics sur les différentes offres d’emploi qui y sont répertoriés (OCDE,
2018). Ceci est considéré comme un indicateur du comportement de recherche d’emploi
et de la motivation (OCDE, 2018). Pour certains pays dotés d’un système de profilage,
le tableau 1.1 donne un aperçu de la variable de résultat, de la méthode de collecte des
données et du modèle statistique utilisé.
Table 1.1 – Caractéristiques des modèles de profilage statistique dans certains pays
Pays Variable résultat Méthode collecte Modèle statistique

Chômeur de longue
Italie Données administratives Régression logistique
durée (12 mois)
Probabilité de sortie vers Enquête terrain et
Irlande Régression probit
l’emploi dans les 12 mois données administratives
Chômeur de longue Données administratives
Belgique Forêt aléatoire
durée (> 6 mois) et données "clic"
Chômeur de longue
Pays-Bas Enquête en ligne Régression logistique
durée (12 mois)
Source : OCDE, 2018
Les informations sur les demandeurs d’emploi, c’est-à-dire les données collectées, sont
traduites par un modèle statistique en une probabilité de devenir chômeur de longue
durée. La régression logistique est la technique la plus couramment utilisée pour construire
des modèles de profilage statistique (OCDE, 2018). Des recherches empiriques menées
par la direction du travail et des pensions au Royaume-Uni ont montré que la précision
du modèle n’est pas très sensible au choix du modèle statistique utilisé (Matty, 2013).
En d’autres termes, les méthodes statistiques traditionnelles telles que les régressions
logistiques peuvent aussi être précises que l’apprentissage automatique.
En général, on distingue quatre types de variables d’entrée pour les modèles de profilage
statistique (Scarpetta, 2012). Ces types de variables sont :
ß les caractéristiques socio-économiques du demandeur d’emploi qui peuvent être par

exemple l’âge, le sexe, etc.
ß la motivation à chercher ou à accepter un nouvel emploi qui peut être captée à travers
des données sur le comportement de recherche d’emploi, les attentes en matière de
rémunération, le montant des allocations de chômage reçues, etc.
ß la préparation (ou la capacité) à l’emploi qui peut être obtenue à travers le niveau
d’éducation, les compétences, l’expérience de travail, les problèmes de santé, etc.

ß les opportunités qui sont récupérées par le biais des informations sur le marché du
travail comme les taux de chômage, les postes vacants, etc.
La figure 1.1, résume le fonctionnement des modèles de profilage statistiques.
Figure 1.1 – Fonctionnement des modèles de profilage statistique
1.2.2 Revue de la littérature empirique

De nombreuses études ont été réalisées dans différents pays pour mettre en place un outil
de profilage des demandeurs d’emploi. Marksoo (2011) a étudié l’impact du milieu de
résidence et des caractéristiques des demandeurs d’emploi sur la probabilité de devenir
chômeur de longue durée en Estonie pour la période 2000-2010. Selon cette étude, les
résidents de l’Est de l’Estonie, les personnes âgées et les personnes à faible niveau d’étude
ont une probabilité plus élevée d’être au chômage de longue durée. L’auteur a affirmé
que tant du côté de l’offre que du côté de la demande des mesures devraient être mise en
œuvre pour réduire la durée du chômage
En Australie, le modèle de profilage statistique JSCI 4 (Job Seeker Classification Instrument)
a été revu et mis à jour en 2003, 2006 et en 2008. Ces mis à jour ont abouti à l’ajout
de nouveaux facteurs de risque et à la suppression d’autres. L’accès aux transports, la
proximité des marchés de travail ont été omis après l’évaluation de 2003 mais ils ont été
réintroduits après l’examen de 2008 (Lipp, 2009). Les antécédents en matière de soutien
du revenu et le milieu de résidence (urbain ou rural) des demandeurs d’emploi ont été
ajoutés après l’examen de 2008 (Lipp, 2009). Les facteurs de risque tels que l’âge, le sexe,
4. Evalue le niveau de désavantage des demandeurs d’emploi sur le marché du travail.

le niveau d’éducation, la langue, l’expérience de travail récente, l’état de santé, la situation

familiale ont été également utilisés dans le modèle JSCI (Lipp, 2009).
Par ailleurs, Connell et al. (2012) ont développé un modèle de profilage statistique pour
estimer le risque de chômage de longue durée en Irlande. Les résultats de cette étude
montrent que les facteurs tels que l’âge, le sexe, la situation matrimoniale, le nombre
d’enfants, des niveaux d’éducation relativement faibles, des problèmes de littératie 5 ou
de calcul, le manque de transport du personnel, les revenus du conjoint et l’emplacement
géographique affectent la probabilité de rester au chômage pendant douze mois ou plus.
En outre, Weber (2011) soutient qu’un bon outil de profilage statistique ne devrait pas
seulement tenir compte des facteurs « durs » (par exemple âge, sexe, . . . ), mais aussi des
facteurs mous tels que la motivation, la santé, etc. Il doit également inclure des données sur
la demande, c’est-à-dire des informations sur le marché du travail (Weber, 2011). Toujours
selon Weber (2011), les outils de profilage statistique doivent être simplistes et précis. En
effet, des outils de profilage trop complexes entraineraient une augmentation de la charge
de travail du personnel du service public de l’emploi.
En 2013, Koen et al. étudient si le fait d’être déjà employé parmi les chômeurs contribue à
faciliter l’obtention d’un emploi. Les résultats de cette étude montrent que les demandeurs
d’emploi qui ont déjà eu un emploi ont plus de chance de trouver un réemploi que les
chômeurs qui n’ont jamais eu d’emploi malgré les obstacles du chômage de longue durée.
En Slovaquie, le risque de chômage de longue durée a été estimé à l’aide de données
administratives uniquement (T. Soukup, 2015). L’analyse des résultats a révélé que l’âge
avait un effet non linéaire : la probabilité de devenir chômeur de longue durée était élevée
pour les jeunes chômeurs comme pour les adultes. Le sexe, le niveau d’éducation, et le
handicap n’ont pas d’effet significatif, contrairement aux attentes, alors que les personnes
sans expérience professionnelle antérieure ont une plus grande probabilité de rester au
chômage pendant au moins 12 mois.
Selon la Banque Africaine de Développement (BAD) en 2017, dans la plupart des pays de
l’Afrique subsaharienne et dans tous ceux de l’Afrique du nord, les jeunes femmes sont
plus touchées par ce long chômage. En effet, Il est plus facile, dans ces pays, pour les
hommes que pour les femmes d’obtenir un emploi, même si celles-ci possèdent le même
niveau d’expériences et de compétences.
Au Sénégal, bien qu’il semble ne pas exister d’études connues et concluantes sur la question
du chômage de longue durée, selon le Ministre de l’Emploi, de la Formation Professionnelle,
de l’Apprentissage et de l’Insertion (MEFPAI), à l’occasion de la défense de son projet
de budget 2021 devant l’assemblée nationale, le faible niveau de formation des sénégalais
aurait un impact direct sur ce chômage durable. En effet, pour lui, beaucoup de sénégalais
qui cherchent un emploi n’ont pas de compétences ni de qualificatifs.
Globalement, la documentation a couvert en détail les principales méthodes et utilisations
5. Aptitude à lire, à comprendre et à utiliser l’information écrite dans la vie quotidienne.

d’un outil de profilage pour lutter contre le chômage. Il a été constaté que chaque pays
adopte un style unique de développement d’un système de profilage basé sur certaines
caractéristiques des demandeurs d’emploi et parfois sur des informations du marché du
travail pour la prise de décision dans ce pays.

Chapitre 2
Présentation des données et

méthodologie
Ce chapitre présente la démarche scientifique par laquelle le risque de devenir chômeur

de longue durée sera analysé dans le contexte spécifique du Sénégal. Cette démarche
s’articule autour de la présentation des sources de données et de la méthodologie adoptée
pour l’analyse.

2.2.1 Constitution de l’échantillon . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Répartition de l’échantillon . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Tirage des Districts de Recensement (DR) . . . . . . . . . . . . . . 16
2.3.2 Tirage des ménages . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.1 Variable dépendante "Chômeur de longue durée (12 mois)" . . . . . 17
2.5.2 Variables indépendantes . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6.1 Présentation de l’Analyse des Correspondances Multiples . . . . . . 19
2.6.2 Choix du modèle de profilage . . . . . . . . . . . . . . . . . . . . . 20
2.6.3 Présentation du modèle de régression logistique binaire . . . . . . . 20
2.6.4 Calcul du score logistique . . . . . . . . . . . . . . . . . . . . . . . 21
13
2.1 Sources des données utilisées

Les données utilisées dans cette étude sont celles issues de l’édition 2019 de l’Enquête
Nationale sur l’Emploi au Sénégal (ENES-2019). Cette dernière est réalisée sur un échan-
tillon panel à fréquence trimestrielle par l’Agence Nationale de la Statistique et de la
Démographie (ANSD). A la fin de l’année, les quatre bases de données trimestrielles ont
été agrégées pour disposer d’un échantillon représentatif au niveau régional et suivant le
milieu de résidence (urbain, rural).
L’objectif principal de l’ENES est de mettre en place un dispositif de mesure et de suivi
de l’emploi au Sénégal. Plus spécifiquement, il s’agit de :
þ mesurer le chômage et l’emploi, identifier les secteurs d’activités à plus forte capacité
de création d’emplois ;
þ définir le profil des demandeurs d’emploi ;
þ mesurer la demande d’emploi particulièrement celle des jeunes, les dynamiques du

marché du travail au Sénégal ;
þ déterminer la structure de cette demande en termes de caractéristiques sociodémo-

graphiques, de formation et de qualification professionnelle ;
þ évaluer les canaux de recherche d’un emploi et la durée d’obtention du premier

emploi après la sortie du système éducatif ou de formation professionnelle ;
þ évaluer la durée d’occupation d’un emploi notamment le premier emploi ;
þ évaluer les conditions d’exercice de ces emplois notamment la protection sociale

accordée aux différentes catégories socioprofessionnelles ;
þ servir de support d’analyse statistique pour les programmes et stratégies de promotion

de l’emploi notamment celui des jeunes.
Le questionnaire de l’ENES est divisé en 6 sections : (1) composition et informations

sur le ménage, (2) informations générales sur l’activité (Individus âgés de 10 ans et plus),
(3) personnes employées, (4) employeurs et travailleurs pour propre compte, (5) aides
familiaux, et (6) personnes au chômage et personnes inactives.
Les variables utilisées dans ce mémoire sont pour la plupart qualitatives et décrivent le
profil des demandeurs d’emploi.

2.2 Constitution et répartition de l’échantillon des

ENES-2019
2.2.1 Constitution de l’échantillon
Le plan d’échantillonnage de l’Enquête Nationale sur l’Emploi au Sénégal (ENES) est
conçu selon les principes du sondage aléatoire stratifié à deux degrés avec un taux de
renouvellement de 1/3. Il obéit aux principes d’un sondage dans l’espace et dans le temps.
La taille de l’échantillon annuel est de 13 032 ménages représentatifs jusqu’au niveau
région du pays. L’échantillon annuel est réparti en trimestre : le nombre de ménage à
visiter pour chaque trimestre est de 3258 ménages (dont 1584 en milieu urbain et 1674 en
milieu rural) représentatif jusqu’aux niveaux urbain et rural. Le choix d’une telle taille de
l’échantillon est essentiellement dicté par les considérations suivantes :
à fournir des indicateurs trimestriels de base sur l’activité, l’emploi et le chômage au

niveau national ;
à estimer annuellement les principaux indicateurs jusqu’au niveau régional sur l’activité,
l’emploi et le chômage avec une marge d’erreur acceptable.
2.2.2 Répartition de l’échantillon

L’échantillonnage est basé sur un principe de panel rotatif qui consiste à sélectionner un
échantillon annuel représentatif jusqu’au niveau régional et à effectuer un renouvellement
d’une partie de l’échantillon chaque année : 1/3 des ménages déjà enquêtés (les plus
anciens) seront retranchés et remplacés par de nouveaux ménages. Pour chaque trimestre,
l’échantillon théorique est constitué de 225 Districts de Recensement (DR) dont 132 en
milieu urbain (12 ménages à enquêter par DR) et 93 en milieu rural (18 ménages à enquêter
par DR). La répartition des ménages et des DR par trimestre et par année est donnée par
les tableaux 3.7 et 3.8 (Voir annexes).

2.3 Tirage de l’échantillon des ENES

2.3.1 Tirage des Districts de Recensement (DR)
Au premier degré, les districts de recensement (DR) sont tirés à partir de la liste des
Districts de recensement établis au cours du Recensement Général de la Population
et de l’Habitat de, l’Agriculture et de l’Élevage (RGPHAE) réalisé en 2013. Un tirage
systématique avec probabilité proportionnelle à la taille est effectué. La taille du DR étant
le nombre de ménages. Le tirage se fait indépendamment dans chaque strate.
2.3.2 Tirage des ménages

Les ménages sont tirés à partir des unités primaires (UP) d’échantillonnage mises à jour
que sont les districts de recensement (DR) en raison de 12 ménages par DR en milieu
urbain et 18 ménages par DR en milieu rural.
Pour le panel rotatif, on distingue deux types de ménages pour l’enquête trimestrielle.
Un tiers de l’échantillon est constitué de ménages qui en sont à leur première année dans
l’enquête et qu’on appelle les « entrants » ou nouvelles unités. Le reste, soit deux tiers, est
constitué de ménages qui en sont entre leur deuxième et troisième année dans l’enquête
et qu’on appelle les «subséquents». Il est à noter que, en cas de changement complet des
occupants dans le ménage, les procédures de collecte pour les nouvelles unités s’appliquent
aux ménages concernés. Les ménages qui se sont déplacés ne feront pas l’objet de pistage
et seront remplacés.
2.4 Population cible

Au sens du BIT (2021), les chômeurs de longue durée sont les personnes âgées de 15 ans
ou plus qui n’ont pas du tout travaillé au cours de la semaine de référence, qui recherchent
activement un emploi, sont disponibles pour travailler et ont déclaré être au chômage
depuis plus d’un an. Toutefois, comme expliqué dans la partie définition des concepts, la
condition portant sur l’âge minimal est ramené à 10 ans révolus pour tenir compte l’entrée
précoce des enfants dans le marché du travail au Sénégal.
L’Enquête Nationale sur l’Emploi au Sénégal (ENES) est une source permettant de mesurer
le chômage de longue selon ces normes. Les résultats de l’ENES portent sur des moyennes
trimestrielles et annuelles. Chaque trimestre, des personnes sont interrogées et les chômeurs
(au sens du BIT et âgés de 10 ans ou plus) indiquent depuis combien de mois ils sont au
chômage. C’est cette information qui permet de capter si un chômeur est un chômeur de
longue durée ou non. Pour cette présente étude, l’échantillon des demandeurs d’emploi
(chômeurs) âgés de 10 ans ou plus répondant à cette question, qui sont au nombre de 672,
sera donc la population cible.

2.5 Variables utilisées

2.5.1 Variable dépendante "Chômeur de longue durée (12 mois)"
Lors de l’élaboration d’un outil de profilage, la variable dépendante utilisée sera déterminée
par les objectifs du projet de profilage, une décision motivée par les objectifs politiques des
services publics de l’emploi (Hasluck, 2008). Par exemple, aux États-Unis, où la principale
préoccupation porte sur l’épuisement de l’assurance-chômage, la variable dépendante est
la période restant à courir avant l’épuisement. Dans le cas ici du Sénégal, l’accent est mis
sur le risque de tomber dans le chômage de longue durée, la variable dépendante de l’étude
reflétera le risque de rester au chômage pendant au moins un an (c’est-à-dire 12 mois
ou plus). Dans le cadre de cette étude, cette variable prend comme modalité : Oui si le
demandeur d’emploi a été un chômeur depuis au moins 12 mois au moment de l’enquête ;
Non sinon. Sur 672 demandeurs d’emploi âgés de 10 ans ou plus, 155 ont été des chômeurs
de longue durée au moment de l’enquête, soit 23,07%.
2.5.2 Variables indépendantes

La revue de la littérature et l’exploitation de la base de données de l’enquête nationale sur
l’emploi au Sénégal (ENES) ont permis de retenir certaines variables qui pourraient avoir
éventuellement des effets significatifs sur le chômage de longue durée. Ces variables sont
regroupées en quatre (4) dimensions qui sont : le contexte (régions), les caractéristiques
socio-économiques, la motivation à chercher ou à accepter un nouvel emploi et la préparation
(ou la capacité) à l’emploi. (Voir tableau 2.1)

Table 2.1 – Variables influençant le chômage de longue durée (12 mois)
Concepts Variables indépendantes Modalités

Contexte Régions Dakar, Thiès, ...
âge 10, 11, 12, ...
Sexe Homme, Femme
Caractéristiques Situation matrimoniale Marié(e), non marié(e)
socio-économiques Avoir au moins un enfant Oui, Non
Aisée, Moyennement
Situation financière du ménage
aisée, Difficile
Nombre d’emplois postulé au cours
0, 1, 2, 3, ...
des 3 derniers mois
Motivation à Nombre d’entretiens rendu au cours
0, 1, 2, 3, ...
chercher ou à des 3 derniers mois
accepter un Refuser une proposition d’emploi Oui, Non
nouvel emploi Refuser un emploi à cause du
Oui, Non
salaire
Vivre de manière continue (depuis
Oui, Non
au moins 6 mois) dans sa localité
Pas éducation,
Niveau d’éducation élémentaire
secondaire, supérieur
Etre actuellement à l’école Oui, Non
Avoir suivi une formation
Oui, Non
Préparation professionnelle ou technique
(ou capacité) Perte de l’emploi
à l’emploi Situation d’emploi précédent, Primo-
demandeur
Aucun obstacle, Pas
Principal obstacle dans assez d’emplois
la recherche disponibles, Pas assez
d’emploi d’expérience
professionnelle, ...
2.6 Techniques d’analyse des données

Pour répondre à la problématique susmentionnée, nous utiliserons deux méthodes d’analyse
qui sont la méthode descriptive et la méthode explicative. Dans la partie descriptive, il
s’agira d’une part, de faire une analyse univariée et bivariée pour décrire l’échantillon et
apprécier les éventuelles liaisons entre les différentes variables explicatives et la variable
dépendante. Ces dernières sont examinées sur la base des résultats du test du Khi-deux.
D’autre part, cette partie descriptive est complétée par une Analyse des Correspondances
Multiples (ACM) pour dresser le profil des demandeurs d’emploi. Quant à la partie
explicative, elle permet d’approfondir l’analyse des profils des demandeurs d’emploi à
travers une modélisation économétrique afin d’estimer le risque de devenir chômeur de

longue durée (12 mois).
2.6.1 Présentation de l’Analyse des Correspondances Multiples

L’Analyse des Correspondances Multiples (ACM) est une technique de réduction factorielle
permettant une vue globale (dans l’espace plus précisément dans le plan factoriel) des
variables de base en mettant en évidence les liaisons, ressemblances ou différences. Elle
est plus précise dans la description et s’applique à des données catégorielles ou rendues
comme telles. La matrice de données soumise à l’ACM est un tableau disjonctif complet ou
tableau binaire, dans lequel chaque individu-ligne (ici le demandeur d’emploi) a la valeur
0 ou 1 pour chaque modalité-colonne. Chaque modalité d’une variable est transformée en
variable dichotomique. La méthode donne ce qu’on appelle les scores factoriels, qui sont
les coordonnées des individus sur les principaux axes (facteurs) identifiés. L’interprétation
des résultats de l’ACM est basée sur les principaux axes, c’est-à-dire ceux ayant une plus
grande part d’inertie expliquée. La pratique habituelle est de se limiter à deux facteurs
(les deux premiers), mais on peut être contraint d’en retenir plus en présence de valeurs
propres relativement proches. Cette interprétation permet en outre, de mettre en évidence
des types d’individus ayant des profils semblables quant aux critères choisis. Deux points
du plan factoriel sont d’autant plus proches que leurs profils sont semblables. Plus la
distance entre deux points caractères est petite, plus leur corrélation est grande. En somme
dans l’interprétation des résultats de l’ACM, quelques règles sont à respecter :
Q deux points ont des profils proches lorsqu’ils sont proches l’un de l’autre sur les axes
factoriels et les plans qu’ils déterminent ;
Q les corrélations sont au contraire, d’autant plus faibles que les points variables
projetés sont éloignés les uns des autres.
Pour apprécier la qualité de la projection des variables ou des modalités, on se sert de

différents outils tels que la contribution (qui recense les variables ayant contribué à la
formation de l’axe) et le cosinus carré (qui permet de donner un sens à l’axe).
La contribution d’une modalité j de la variable q à la formation de l’axe a, notée CT Ra (j, q )
s’obtient par la formule :
f (j,q ).G2a (j,q )
CT Ra (j, q ) = λa .Q
Avec :
Q : ensemble des variables qualitatives
Jq : nombre de modalités de la variable q
G : centre de gravité
d2 (j, G) : distance de la modalité j au centre de gravité G
Ga (j, q ) : coordonnée de la modalité j de la variable q sur l’axe a

f (j, q ) : fréquence relative de la modalité j de la variable q

λa : valeur propre de l’axe a
La contribution de la variable est la somme des contributions de ses modalités.
Le cosinus carré de la modalité j de la question q sur l’axe a noté COSa2 (j, q ) s’obtient
par la formule :
G2a (j,q )
COSa2 (j, q ) = d2 (j,G)
2.6.2 Choix du modèle de profilage

Deux stratégies d’estimation dominent la littérature sur le profilage. Le premier implique
des modèles logit ou probit tandis que le second concerne des modèles de durée. Alors que
la plupart des pays ont tendance à ne pas divulguer d’informations sur leur approche de
modélisation, la majorité de ceux qui l’ont fait privilégie l’utilisation d’une variable binaire,
y compris les deux pays ayant les plus longues expériences de profilage (les États-Unis et
l’Australie). Dans ce mémoire, nous nous concentrons sur la variable de résultat binaire «
chômeur de longue durée (12 mois) » et, par conséquent, nous implémenterons un modèle
logit.
2.6.3 Présentation du modèle de régression logistique binaire

La régression logistique est un algorithme de classification où la variable de résultat est
catégorielle. C’est un cas particulier de la régression linéaire.
] Spécification
La régression logistique peut être modélisée comme suit :
p
Log ( 1−p ) = b0 + b1 X1 + b2 X2 + ... + bn Xn .
Dans l’équation ci-dessus, p est la probabilité de rester au chômage pendant au moins

12 mois et X1 , X2 , ..., Xn sont les variables explicatives qui incluent des variables telles
que l’âge, le sexe, la situation matrimoniale, le niveau d’éducation, etc. Ce modèle de
régression logistique génère ensuite les coefficients associés aux modalités de chaque
variable, où un coefficient supérieur à zéro indique une plus grande chance de rester au
chômage pendant au moins 12 mois. En posant Z = b0 + b1 X1 + b2 X2 + ... + bn Xn ,
l’équation finale du modèle de régression logistique est donnée par :
eZ
p= 1+eZ
Ici, p est la probabilité de rester au chômage pendant au moins 12 mois et Z

représente la note globale.

] Estimation
Plusieurs méthodes d’estimations sont envisageables, mais la plus utilisée est celle
du maximum du maximum de vraisemblance.
Pour un échantillon de taille N , la vraisemblance est donnée par :
QN y i (1 − F (x 1−y i
L(y, β ) = i = 1 F ( xi β ) i β ))
L’estimateur β̂ du maximum de vraisemblance du vecteur de paramètre β RK

dans un modèle dichotomique est défini par la résolution du système de K en β :
β̂ = Argmaxβ i [LogL(y, β )]
Dans la présente étude, la régression logistique est estimée sur l’ensemble des individus de
l’échantillon (672 demandeurs d’emploi) pour prédire la probabilité de devenir chômeur de
longue durée (12 mois). Cette variable de résultat est indiquée par 1 lorsque la personne a
été au chômage depuis au moins 12 mois et 0 sinon.
2.6.4 Calcul du score logistique

A l’aide du modèle de régression logistique, nous avons l’impact statistique d’un ensemble
de variables potentiellement explicatives (caractéristiques individuelles et état du marché
du travail) sur la variable à expliquer « chômeur de longue durée (12 mois) ». Ceci permet
d’estimer le poids de chacune de ces variables explicatives dans la probabilité finale de
devenir chômeur de longue durée (p). Ainsi, la fonction de score logistique est donnée par
la formule suivante :
eZ
Score(Z ) = 1+eZ
= p [0 ;1], avec Z = b0 + b1 X1 + b2 X2 + ... + bn Xn
On peut ensuite normaliser ces résultats de manière que, pour un nouvel individu, on
ait un score variant entre 0 et 100 (Score(Z ) × 100). Ensuite, on fixe le seuil de ce score
à 50 (la moitié) pour prédire la position théorique de cet individu sur le marché du
travail. Autrement dit, on utilise ce calibrage pour connaitre si un demandeur d’emploi
est susceptible de devenir chômeur de longue durée (score supérieur ou égal 50) ou non
(score strictement inférieur à 50) en entrant dans une application scoring ses propres
caractéristiques individuelles.

Chapitre 3
Analyse des résultats
Premièrement, il s’agit de faire une analyse descriptive afin de mieux comprendre les
caractéristiques de notre échantillon. Dans la deuxième partie, Il s’agira de chercher
l’existence d’une relation entre la variable dépendante de l’étude « chômeur de longue
durée » et les variables indépendantes. La mesure des associations se fera à partir du test
basé sur la statistique du Khi-deux. Dans cette partie, seules les variables ayant un lien
significatif avec la variable d’étude (P-value (Khi2) ≤ 5%) seront présentées. Ensuite, les
résultats concernant l’Analyse des Correspondances Multiples (ACM) seront présentés
afin d’avoir une idée sur le profil des demandeurs d’emploi touchés ou non par le chômage
de longue durée selon certaines caractéristiques. Enfin, une modélisation logistique sera
faite pour voir les facteurs qui influencent les demandeurs d’emploi à perdurer dans le
chômage avant de présenter l’application de profilage.

3.1.1 Caractéristiques socio-économiques . . . . . . . . . . . . . . . . . . 24
3.1.2 Caractéristiques liées à la préparation (ou la capacité) à l’emploi . . 26
3.1.3 Caractéristiques liées à la motivation à chercher ou à accepter un
nouvel emploi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.1 Contribution des variables à la formation des axes factoriels . . . . 34
3.3.2 Choix du nombre d’axes factoriels . . . . . . . . . . . . . . . . . . . 35
3.3.3 Interprétation des axes . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.1 Interprétation des résultats . . . . . . . . . . . . . . . . . . . . . . . 38
22
3.4.2 Précision du modèle de profilage : le taux d’erreur . . . . . . . . . 41

3.4.3 Présentation de l’application de profilage . . . . . . . . . . . . . . . 42

3.1 Caractéristiques des demandeurs d’emploi

3.1.1 Caractéristiques socio-économiques
La population sénégalaise est caractérisée par sa jeunesse. En effet, les personnes âgées de
moins de 20 ans représentent 52,1% de la population résidente du pays (ANSD, 2019).
Selon la figure 3.1, aussi bien chez les hommes que chez les femmes, la distribution du
nombre de demandeurs d’emploi selon l’âge est uni modale. Le mode de cette distribution
ou la classe d’âge constituée par plus de demandeurs d’emploi reste les « 25-29 ans » autant
pour les femmes que les hommes. Pour cette tranche d’âge, la proportion des demandeurs
d’emploi est de 27% chez les hommes et 24% chez les femmes.
Figure 3.1 – Pyramide des âges des demandeurs d’emploi
Source : ENES-2019, calculs propres de l’auteur
S’agissant de la situation matrimoniale des demandeurs d’emploi, la figure 3.2 montre de

grandes disparités selon la région même si dans l’ensemble les mariés sont un peu plus
représentés avec 53% contre 47% de célibataires. Les mariés sont surtout présents à Sédhiou
(70%), Diourbel (65,6%), Kolda (62,9%), Matam (62,5%), Kédougou (61,7%) et Louga
(60%) alors que les célibataires sont plutôt concentrés dans les régions de Tambacounda
(85,7%), Saint-Louis (60%), Dakar (58,5%) et Kaolack (57,6%).

Figure 3.2 – Répartition des demandeurs d’emploi par région selon la situation matrimo-
niale
Par ailleurs, les résultats de l’ENES montrent une légère prédominance des demandeurs
d’emploi vivant dans des ménages de situation financière moyennement aisée (49%) par
rapport aux demandeurs d’emploi vivant dans des ménages de situation financière difficile
(45%). La population d’étude n’est constituée que 6% de demandeurs d’emploi vivant dans
des ménages de situation financière aisée.

Figure 3.3 – Répartition des demandeurs d’emploi selon la situation financière du ménage
3.1.2 Caractéristiques liées à la préparation (ou la capacité) à

l’emploi
Selon le tableau 3.1, plus de la moitié des demandeurs d’emploi ont un niveau d’éducation
secondaire c’est-à-dire de la classe de 6e à la terminale (29,9%) ou bien ils n’ont pas fait des
études (28,9%), soit 58,8%. Cette situation est plus observée dans la région de Ziguinchor
où plus de trois quart de la population des demandeurs d’emploi (78,2%) ont un niveau
d’éducation secondaire (47,8%) ou bien ils n’ont pas été à l’école (30,4%).
Les demandeurs d’emploi disposant d’un niveau d’éducation élémentaire (23%) sont plus
fréquents dans les régions de Tambacounda (75%), Kaolack (36%) et Kolda (30%). En
outre, ceux ayant un niveau de l’enseignement supérieur (18,2%) sont plus concentrés à
Saint-Louis (41,2%), Dakar (34,4%) et Louga (20%)

Table 3.1 – Répartition (%) des demandeurs d’emploi par région selon le niveau d’éduca-
tion
Région Aucune Elémentaire Secondaire Supérieur Total

DAKAR 20,5 22,1 23,0 34,4 100,0
ZIGUINCHOR 30,4 17,4 47,8 4,4 100,0
DIOURBEL 25,0 25,0 37,5 12,5 100,0
SAINT-LOUIS 5,9 23,5 29,4 41,2 100,0
TAMBACOUNDA 0,0 75,0 12,5 12,5 100,0
KAOLACK 16,0 36,0 40,0 8,0 100,0
THIES 38,9 16,7 29,2 15,3 100,0
LOUGA 20,0 0,0 60,0 20,0 100,0
FATICK 46,0 20,0 24,0 10,0 100,0
KOLDA 20,0 30,0 40,0 10,0 100,0
MATAM 36,4 18,2 36,4 9,1 100,0
KAFFRINE 0,0 27,3 72,7 0,0 100,0
KEDOUGOU 44,1 29,4 20,6 5,9 100,0
SEDHIOU 58,3 8,3 33,3 0,0 100,0
SENEGAL 28,9 23,0 29,9 18,2 100,0
L’analyse de la répartition des demandeurs d’emploi par sexe selon le niveau d’éducation
montre que la majorité des femmes (34,7%) n’ont pas fait des études et ce n’est que 14,3%
des femmes qui ont atteint le niveau de l’enseignement supérieur. En revanche, la plupart
des hommes (32%) ont le niveau secondaire et 21,6% ont un niveau d’étude supérieur chez
les hommes.
Figure 3.4 – Répartition des demandeurs d’emploi selon le niveau d’éducation par sexe

S’agissant de la qualification professionnelle et technique, la figure 3.5 montre que 72%

des demandeurs d’emploi n’ont pas suivi de formation professionnelle ou technique, ou
une autre formation qualifiante. Les demandeurs d’emploi ayant suivi une formation
professionnelle ou technique, ou même qualifiante, représentent respectivement 18% pour
les formations diplômantes, 4% pour celles certifiantes et 6% pour les formations sur le tas.
Figure 3.5 – Répartition des demandeurs d’emploi selon la formation professionnelle ou

technique suivie
Par ailleurs, les résultats de l’ENES montrent que dans l’ensemble, les demandeurs d’emploi
qui ont déjà eu à travailler (57,9%) sont plus nombreux que les primo demandeurs c’est-à-
dire les personnes qui cherchent pour la première fois un emploi (42,1%). Cette inégalité se
reflète chez les hommes aussi bien chez les femmes où les proportions des primo demandeurs
sont moins importantes (figure 3.6).

Figure 3.6 – Répartition des demandeurs d’emploi selon la situation d’emploi par sexe
Au cours de l’ENES, les demandeurs d’emploi ont été questionnés sur l’obstacle majeur
auquel ils ont dû faire face dans la recherche d’emploi. Ainsi, plus de la moitié de ces
demandeurs d’emploi (51,6%) ont déclaré que leur principal problème était le manque
d’emplois disponibles dans le marché du travail. De plus, les proportions de demandeurs
d’emploi qui ont déclaré rencontrer principalement des obstacles liés à leur manque d’expé-
rience professionnelle et aux mauvaises conditions de travail dans les emplois disponibles
sont respectivement 6% et 5,1%.
Il convient aussi de signaler que 20,8% des demandeurs d’emploi ont affirmé ne pas ren-
contrer de problème particulier quant à la recherche d’emploi.

Figure 3.7 – Répartition des demandeurs d’emploi suivant le principal obstacle rencontré
dans la recherche d’emploi
3.1.3 Caractéristiques liées à la motivation à chercher ou à ac-

cepter un nouvel emploi
Mesurer le nombre d’emplois auxquels les demandeurs d’emploi ont postulé est utile
dans le contexte du Sénégal où la formation assez généraliste offre au bénéficiaire des
compétences multiples. De ce fait, ces demandeurs d’emploi peuvent essayer de multiplier
leur chance d’être recrutés en faisant plusieurs dossiers de candidature qu’ils peuvent
adresser à diverses structures.
Les résultats du tableau 3.2 indiquent qu’en moyenne le nombre d’emplois auxquels les de-
mandeurs d’emploi sénégalais ont postulé au cours des 3 derniers mois précédant l’enquête
est très faible. Cette moyenne est de 1,36 avec une variance assez élevée (Ecart-type =
4,53).
L’analyse du nombre d’emplois auxquels sont postulés par les demandeurs d’emploi est
complétée par celle portant sur la fréquence des entretiens effectués par ces derniers sur la
période des 3 derniers mois de recherche d’emploi. Ces entretiens sont les moments où un
recruteur peut savoir si la formation suivie par un postulant est solide et adaptée au poste
qu’il propose, si les aptitudes intellectuelles et sociales du candidat sont en conformité
avec les exigences du poste et de l’environnement de travail.

Au Sénégal, le nombre moyen des entretiens des demandeurs d’emploi reste faible (0,19).
En général, le nombre d’entretiens maximum effectué par les demandeurs d’emploi durant
les 3 derniers mois précédant l’enquête est de 12 (tableau 3.2).
Table 3.2 – Comportement de recherche d’emploi des demandeurs d’emploi
Comportement de recherche d’emploi

Moyenne Ecart-type Min Max
des demandeurs d’emploi
Emplois postulé au cours
1,364583 4,526405 0 99
des 3 derniers mois
Emplois postulé au cours
0,1889881 0,8342505 0 12
des 3 derniers mois
Au cours de l’ENES, il a été l’objet aussi d’appréhender les attentes en matière de salaire
des demandeurs d’emploi. En effet, ces derniers décident parfois ou souvent de ne pas
travailler si le salaire qu’on leur propose est en deçà d’un minimum (leur salaire de réserve)
qu’ils estiment mériter du fait de leur qualification.
Il ressort des résultats de la figure 3.8 que 11,2% des demandeurs d’emploi refuseraient de
travailler si le salaire qu’on leur propose est en dessous de leurs salaires de réserve. De
plus, 8,8% des demandeurs d’emploi ont déclaré refuser au moins une fois une proposition
d’emploi.
Figure 3.8 – Attentes salariales et refus d’une proposition d’emploi

3.2 Chômage de longue durée et profil des deman-

deurs d’emploi
Le tableau 3.3 présente les proportions pour les demandeurs d’emploi qui sont restés
au chômage pendant au moins 12 mois et ceux qui ne le sont pas (chômeurs de courte
durée) selon certaines caractéristiques. Ces dernières ont un lien significatif (P-value (Khi2)
inférieur ou égal à 5%) avec la variable dépendante de l’étude « chômage de longue durée
(12 mois) ».
En ce qui concerne le sexe, les chômeurs de longue durée sont plus susceptibles d’être de
sexe féminin. En effet, dans le groupe des demandeurs d’emploi touchés par le chômage de
longue durée, 63,23% sont des femmes et ce n’est que 36,77% qui sont des hommes.
Par rapport à l’état matrimonial, les demandeurs d’emploi mariés sont plus susceptibles
de rester dans le chômage pendant au moins 12 mois que leurs homologues célibataires.
Cela pourrait s’expliquer par le fait que les célibataires ont des niveaux de mobilité plus
élevé dans le marché du travail et des salaires de réserve moins importants en raison de
l’absence d’enfants en charge relativement aux mariés.
L’ENES a également recueilli des informations sur la fréquentation scolaire actuelle. Fré-
quenter actuellement l’école c’est être inscrit au moment de l’enquête dans un établissement
d’enseignement (l’école coranique n’est pas prise en compte) et y suivre de façon régulière
les cours dispensés. Dans le groupe des chômeurs de longue durée, presque la totalité
(97,42%) des demandeurs d’emploi n’ont pas été à l’école durant la période de l’enquête.
Quant à la qualification professionnelle ou technique, on s’attend clairement à ce que les
demandeurs d’emploi ayant suivi des formations diplomantes soient moins susceptible de
perdurer dans le chômage et, en fait, cela semble être confirmé par les résultats. Dans la
classe des chômeurs de courte durée, les demandeurs d’emploi représentent 20,27% pour les
formations diplomantes contre 3,51% pour celles certifiantes et 6,24% pour les formations
sur le tas. Il faut noter également que la proportion de demandeurs d’emploi n’ayant pas
suivi une formation quelconque est plus importante chez les chômeurs de longue durée
(79,35%) que chez les chômeurs de courte durée (69,98%).
Par ailleurs, au sein de la population des chômeurs de longue durée, les personnes qui ont
déjà eu à travailler (40%) sont moins importantes que les primo demandeurs (60%). La
proportion de ces primo demandeurs est aussi plus élevée chez les chômeurs de longue
durée que chez les chômeurs de courte durée, soit 60% contre 36,75%.
Plus de la moitié des demandeurs d’emploi touchés par le chômage de longue durée (56,13%)
ont déclaré que leur principal obstacle dans la recherche d’emploi était le manque d’emploi
disponible dans le marché du travail. De plus, la proportion des demandeurs d’emploi
qui ont principalement rencontré un problème lié à leur manque d’expérience sont plus
nombreux chez les personnes touchées par ce long chômage (10,32%). Cette proportion est
égale à 4,64% chez les chômeurs de courte durée.

Table 3.3 – Répartition des demandeurs d’emploi touchés ou non par le chômage de
longue durée selon certaines caractéristiques
Chômeur de longue durée (12 mois)

Variables
Oui (%) Non (%)
Sexe P-value (Khi2) = 0,000
Homme 36,77 54,16
Femme 63,23 45,84
Total 100 100
Situation matrimoniale P-value (Khi2) = 0,000
Marié(e) 70,71 47,98
Non marié(e) 29,29 52,02
Total 100 100
Etre actuellement à l’école P-value (Khi2) = 0,003
Oui 2,58 10,14
Non 97,42 89,86
Total 100 100
Avoir suivi une formation P-value (Khi2) = 0,028
Oui, formation diplomante 10,32 20,27
Oui, formation sur le tas 5,16 6,24
Non aucune 79,35 69,98
Total 100 100
Situation d’emploi P-value (Khi2) = 0,000
Primo demandeur 60 36,75
Perte de l’emploi précédent 40 63,25
Total 100 100
Obstacle dans la recherche d’emploi P-value (Khi2) = 0,000
Aucun obstacle 13,55 23,02
Pas assez d’emplois disponibles 56,13 50,29
Pas assez d’expérience professionnelle 10,32 4,64
Mauvaises conditions de travail dans les emplois 3,23 5,61
Autre type d’obstacles 5,16 4,45
Salaires faibles dans les emplois disponibles 0,65 3,29
Je ne savais pas où/comment chercher du travail 0,65 3,09
Jugé(e) trop jeune / trop âgé(e) 3,87 1,35
Pas de qualification pour l’emploi désiré 4,52 0,97
Préjugés discriminatoires 1,94 1,55
Critères d’études/de formation trop élevés 0 1,16
Le fait d’être un homme/une femme 0 0,58
Total 100 100

3.3 Analyse multidimensionnelle

Pour compléter les analyses descriptives bivariées, nous allons utiliser l’analyse des corres-
pondances multiples (ACM) qui est une méthode d’analyse descriptive multivariée. En effet,
l’analyse bivariée ne repose que sur la relation entre deux, au plus trois variables. Par contre
l’ACM met en évidence les interrelations qui existent entre plusieurs variables qualitatives.
A partir de celles-ci, on peut apercevoir des regroupements de variables par « affinité » ou
par proximité statistique et la position des unes (ou certaines groupes de variables) par
rapport aux autres. Sur un plan factoriel, la proximité entre deux modalités appartenant
à des variables différentes s’interprète comme une association entre ces deux modalités :
les individus possédant l’une de ces modalités sont le plus souvent possesseurs de l’autre
modalité. Cette technique permet aussi d’obtenir plusieurs variables appelées facteurs, qui
dans la présente étude permettent de décrire les profils des demandeurs d’emploi touchés
ou non par le chômage de longue durée selon certaines caractéristiques. L’ACM est réalisée
sur seize (16) variables dont onze (11) variables actives : la situation matrimoniale, le fait
d’être actuellement à l’école, la situation financière du ménage, le fait d’avoir suivi une
formation professionnelle ou technique, le sexe, le fait de refuser une proposition d’emploi,
la situation d’emploi, le fait d’avoir un salaire de réserve, le fait d’avoir au moins un enfant,
le niveau d’éducation, le fait de vivre de manière continue (depuis au moins 6 mois) dans
sa localité et cinq (05) variables supplémentaires ou illustratives (le fait d’être touché ou
non par le chômage de longue durée, la région, le principal obstacle rencontré dans la
recherche d’emploi, le nombre d’emplois postulé au cours des 3 derniers mois, le nombre
d’entretiens effectué au cours des 3 derniers mois).
3.3.1 Contribution des variables à la formation des axes facto-

riels
Pour l’interprétation des axes, on identifie les modalités pour lesquelles les contributions
sont les plus fortes : ce sont celles ayant joué le plus grand rôle pour la formation de ces
axes. On dit alors que l’axe « oppose » les modalités qui ont des coordonnées positives à
celles qui ont des coordonnées négatives. Ainsi, on retient les modalités dont la contribution
sur l’axe est supérieure à la contribution moyenne qui est égale à 3,7 dans notre cas (CTR
moyenne : 100/27=3,7). Pour chaque axe, nous avons distingué les points-modalités qui
se situent dans la partie négative de ceux qui sont dans la partie positive. La synthèse
des résultats est présentée dans le tableau 3.4 (voir annexe, le dictionnaire des abrégés
utilisés).

Table 3.4 – Positionnement des modalités ayant contribué à la formation des 2 premiers
axes
Axe 1 Axe 2
Contribution Contribution Contribution Contribution
positive négative positive négative
Formation_diplomante Formation_tas Feminin Masculin
Pas_d_enfant Oui_avoir_enfant Non_vivre_con Non_seuil_salair
Non_mariee Mariee - -
Niv_sup Pas_education - -
Perte_emploi_preced Primo_demandeur - -
Oui_actu_ecole sit_difficile - -
3.3.2 Choix du nombre d’axes factoriels

L’analyse des correspondances multiples est une méthode d’analyse factorielle qui se
base sur un ensemble de dimensions pour reconstituer l’information brute. Dès lors avant
de procéder à une représentation graphique du nuage des variables, il est important de
chercher la combinaison d’axe la plus optimale. Avec la règle du coude de Catell, on est
amené à retenir les deux premiers axes. En effet, c’est à partir du deuxième facteur qu’on
observe une décroissance des valeurs propres. Ainsi, le pourcentage d’inertie exprimé par
ces deux (02) axes est de 28,22% dont le premier axe factoriel explique 17,16% de l’inertie
totale, et le deuxième axe explique une part d’inertie de 11,06%.
Figure 3.9 – Histogramme des valeurs propres

3.3.3 Interprétation des axes

¨ Interprétation de l’axe 1
L’axe 1 est essentiellement construit dans sa partie positive par les points-modalités
suivants : Formation diplomante, Pas d’enfants, Non marié(e), Niveau supérieur,
Perte de l’emploi précédent, Oui actuellement à l’école. Par contre, dans sa partie
négative, les points-modalités : Formation sur le tas, Oui avoir un enfant, Marié(e),
Pas d’éducation, Primo demandeur, Situation difficile ont contribué à la formation
de cet axe. Celui-ci oppose deux catégories de demandeurs d’emploi.
La première catégorie est constitué de demandeurs d’emploi n’ayant pas eu d’enfants
et n’ayant pas été mariés. Ces demandeurs d’emploi, de niveau d’éducation supérieur,
ont suivi des formations diplomantes et étaient à l’école au moment de l’enquête. De
plus, ils ont déjà eu à travailler.
La deuxième catégorie regroupe les demandeurs d’emploi mariés, ayant au moins un
enfant et appartenant à des ménages de situation financière difficile. Ces demandeurs
d’emploi ont suivi des formations sur le tas et n’ont aucun niveau d’éducation. En
plus de cela, ils sont des primo demandeurs.
¨ Interprétation de l’axe 2
Les points-modalités, Féminin, Non vivre continue (Ne pas vivre de manière continue
dans sa localité) ont contribué à la formation de l’axe 2 dans sa partie positive tandis
que les points-modalités, Masculin, Non seuil salaire (Pas de salaire de réserve) ont
contribué à la formation du même axe dans sa partie négative. Cet axe met en
opposition deux groupes de demandeurs d’emploi : le premier groupe est représenté
par les demandeurs d’emploi de sexe féminin et ne vivant pas de manière continue
(depuis au moins 6 mois) dans leur localité.
Par contre, le deuxième groupe est constitué de demandeurs d’emploi n’ayant pas de
salaire de réserve et de sexe masculin.
¨ Interprétation du plan factoriel

Le plan factoriel permet de mettre en évidence deux groupes : le groupe des
demandeurs d’emploi touchés par le chômage de longue durée (CLD) et celui des
demandeurs d’emploi n’ayant pas été touché par ce long chômage (Non CLD).
De manière générale, les chômeurs de longue durée sont des primo demandeurs, de
sexe féminin, ne vivant pas de manière continue dans leur localité et appartenant
à des ménages de situation financière difficile. Ces chômeurs sont mariés et ont au
moins un enfant. Ils ont également suivi des formations sur le tas et n’ont aucun
niveau d’éducation.

Quant au groupe n’ayant pas été touché par le chômage de longue durée, il est
représenté généralement par des demandeurs d’emploi célibataires, de sexe masculin et
n’ayant pas eu d’enfants. Ces demandeurs d’emploi, de niveau d’éducation supérieur,
ont suivi des formations diplomantes et étaient à l’école au moment de l’enquête. De
plus, ils ont déjà eu à travailler et n’ont pas de salaires de réserve.
Figure 3.10 – Catégorisation des demandeurs d’emploi selon certaines caractéristiques

3.4 Modèle logistique

Dans cette section, nous allons voir certains facteurs qui influencent le chômage de longue
durée des demandeurs d’emploi. Pour ce faire, nous utilisons une modélisation logistique
pour appréhender ces facteurs (voir la partie méthodologique : choix du modèle de
profilage). Le choix des variables explicatives à tester dépend de leur pertinence et de la
disponibilité de ces variables. Ainsi, pour choisir ces variables, on s’est basé sur les résultats
obtenus dans la partie descriptive et de la régression pas à pas effectuée en fonction
du critère de l’AIC. Ce processus a permis de retenir pour le modèle final les variables
suivantes : la région, le sexe, la situation matrimoniale, le fait d’être actuellement à l’école,
le fait d’avoir suivi une formation professionnelle ou technique, la situation d’emploi et le
principal obstacle rencontré dans la recherche d’emploi.
3.4.1 Interprétation des résultats

Le tableau 3.5 résume les ratios de probabilité (odds ratio) du modèle obtenu ainsi que
la variance associée, la statistique de test et la p-valeur associée à chaque modalité. Les
résultats du modèle montrent que la région de résidence des demandeurs d’emploi reste un
facteur déterminant du chômage de longue durée. En effet, au seuil de 1%, les demandeurs
d’emploi vivant dans les régions de Fatick, Kédougou, Kaolack et Tambacounda sont
respectivement 16,26 fois, 4,42 fois, 4,39 fois et 3,39 fois plus susceptibles de rester au
chômage pendant au moins 12 mois comparativement à ceux qui habitent dans la région de
Dakar (capitale du Sénégal). Cette dernière regroupe, en fait, près de 90% des entreprises,
des services et des sièges sociaux du pays (ANSD, 2018). Ce résultat suggère qu’un accès
facile à de vastes marchés du travail a des avantages pour la recherche d’emploi.
Le sexe est un facteur qui s’est révélé un prédicteur important du chômage de longue
durée. En effet, toutes choses étant égales par ailleurs, le fait d’être de sexe féminin plutôt
que de sexe masculin multiplie par 1,6 la probabilité de devenir chômeur de longue durée.
Ceci peut être dû au fait que les femmes ont plus tendance à assumer des responsabilités
familiales qui, à leur tour, peuvent réduire leur capacité ou leur volonté de trouver un
emploi dans le cas du Sénégal. Ce résultat est en concordance avec celui trouvé par Connell
et al. (2012) dans le cadre de la conception du modèle de profilage de l’Irlande.
La situation matrimoniale est apparue comme un autre prédicteur important du chômage
de longue durée. Les demandeurs d’emploi mariés sont 2,75 fois plus susceptibles de
perdurer dans le chômage que leurs homologues célibataires. Comme dit dans la partie
descriptive, cela pourrait s’expliquer par le fait que les célibataires ont des niveaux de
mobilité plus élevé dans le marché du travail et des salaires de réserve moins importants
en raison de l’absence d’enfants en charge relativement aux mariés.

Ceci est en adéquation avec les résultats trouvés par Connell et al. (2012) dans le cadre de
la conception du modèle de profilage de l’Irlande.
Le fait d’être à l’école au moment de l’enquête influence aussi significativement au seuil de
10% la probabilité de devenir chômeur de longue durée. En effet, les demandeurs d’emploi
qui n’ont pas été à l’école sont 2,56 fois plus susceptibles de rester dans le chômage pendant
au moins 12 mois que ceux qui étaient à l’école durant la période de l’enquête. De plus, par
rapport aux demandeurs d’emploi ayant suivi des formations diplomantes, les demandeurs
d’emploi qui n’ont pas fait de formations et ceux ayant suivi des formations certifiantes
sont respectivement 2,09 et 3,56 fois plus susceptibles d’être au chômage pendant au
moins 12 mois au seuil de 5%. Ce dernier résultat montre que le manque de formation
professionnelle ou technique, ou même une autre formation qualifiante est un obstacle
important à une participation réussie au marché du travail.
Les résultats de l’estimation montrent que le chômage de longue durée est aussi influencé
par la situation d’emploi des demandeurs d’emploi. Ainsi, les demandeurs d’emploi qui ont
déjà eu à travailler sont 1,78 fois (1/0,56 = 1,78) moins risqués de devenir des chômeurs
de longue durée par rapport aux primo demandeurs au seuil de 1%. Ce résultat a été
auparavant montré par Koen et al. en 2013.
L’obstacle majeur auquel les demandeurs d’emploi ont dû faire face s’est également avéré
un important prédicteur du chômage de longue durée. En effet, les demandeur d’emploi qui
ont rencontré principalement des obstacles tels que le manque d’expérience professionnelle,
le fait d’être jugé trop jeune ou trop âgé et le fait de ne pas avoir de qualification pour
l’emploi désiré sont plus susceptibles de perdurer dans le chômage comparativement à
ceux qui n’ont pas rencontré un problème particulier dans la recherche d’emploi.

Table 3.5 – Résultats du modèle logistique (ENES-2019, calculs de l’auteur)
Variables odds ratio std.error statistic p.value

Région
Dakar - - - -
Ziguinchor 2,83 0,6 1,74 0,08 .
Diourbel 1,21 0,58 0,32 0,75
Saint-Louis 0,94 1,12 -0,06 0,95
Tambacounda 3,32 0,8 1,49 0,14
Kaolack 4,39 0,53 2,8 0,01 **
Thiès 3,14 0,41 2,76 0,01 **
Louga 1,2 1,18 0,15 0,88
Fatick 16,26 0,45 6,18 < 2e-16 ***
Kolda 1,02 0,66 0,03 0,98
Matam 2,76 0,75 1,34 0,18
Kaffrine 0,67 0,82 -0,49 0,63
Kédougou 4,42 0,46 3,19 < 2e-16 ***
Sédhiou 1,74 0,59 0,94 0,35
Sexe
Homme - - - -
Femme 1,6 0,23 2,01 0,04 *
Situation matrimoniale
Non marié(e) - - - -
Marié(e) 2,75 0,26 3,88 < 2e-16 ***
Etre actuellement à l’école
Oui - - - -
Non 2,56 0,6 1,56 0,10 .
Avoir suivi une formation
Oui, formation diplomante - - - -
Oui, formation certifiante 3,56 0,6 2,14 0,03 *
Oui, formation sur le tas 1,34 0,55 0,54 0,59
Non aucune 2,09 0,37 2,01 0,04 *
Situation d’emploi
Primo demandeur - - - -
Perte de l’emploi précédent 0,56 0,24 -2,44 0,01 *
Obstacle dans la recherche d’emploi
Aucun obstacle - - - -
Pas assez d’emplois disponibles 1,48 0,44 0,89 0,37
Pas assez d’expérience professionnelle 2,64 0,57 1,71 0,09 .
Mauvaises conditions de travail 1,22 0,69 0,28 0,78
Autre type d’obstacles 1,61 0,63 0,75 0,45
Salaires faibles 0,6 1,16 -0,43 0,66
Ne sait pas où/comment chercher 0,43 1,13 -0,74 0,46
Jugé(e) trop jeune / trop âgé(e) 7,53 0,76 2,67 0,01 **
Pas de qualification 9,02 0,81 2,73 0,01 **
Préjugés discriminatoires 1,48 0,9 0,44 0,66
Critères d’études trop élevés 0 884,12 -0,02 0,99
Le fait d’être un homme/une femme 0 1244,45 -0,01 0,99

3.4.2 Précision du modèle de profilage : le taux d’erreur

Pour calculer le taux d’erreur du modèle économétrique estimé précédemment, la matrice
de confusion est construite. Cette dernière permet de visualiser les performances de ce
modèle de classification en comparant les résultats réels aux résultats prévus. Avant de
construire la matrice de confusion, on fixe le seuil de classification à 0,5. Ce seuil est utilisé
pour convertir les probabilités prédites en classes. Dans ces classes, un événement est prévu
de se produire si la probabilité que l’événement se produise est supérieure à la valeur seuil
et sinon si la probabilité est inférieure à la valeur seuil.
Les résultats d’une matrice de confusion sont regroupés en quatre grandes catégories :
] Vrais positifs ou TP (true positive) : les personnes qui sont réellement des chômeurs
de longue durée et correctement prédites comme des chômeurs de longue durée.
] Vrais négatifs ou TN (true negative) : les personnes qui ne sont pas réellement des
chômeurs de longue durée et correctement prédites comme n’étant pas des chômeurs
de longue durée.
] Faux positifs ou FP (false positive) : les personnes qui sont, en fait, des chômeurs
de longue durée et prédites à tort comme n’étant pas des chômeurs de longue durée.
] Faux négatifs ou FN (false negative) : les personnes qui ne sont pas réellement des
chômeurs de longue durée et prédites à tort comme des chômeurs de longue durée.
Dans la matrice de confusion ci-dessous, 0 indique que la personne n’est pas au chômage
de longue durée tandis que 1 indique que la personne est au chômage de longue durée.
Table 3.6 – : Matrice de confusion du modèle de régression logistique
Matrice de Prédiction
confusion 0 1
0 460 (TP) 37 (FN)
Vrai valeur
1 57 (FP) 118 (TN)
En faisant le rapport entre la somme des faux positifs (FP) et des faux négatifs (FN) sur
la somme total (672), nous obtenons un taux d’erreur de 13,99%, soit un taux de bonne
prédiction de 86,01%. Ce qui montre que le modèle estimé est performant pour séparer la
population d’étude suivant la variable d’intérêt.

3.4.3 Présentation de l’application de profilage

L’application de profilage a été développée avec Shiny. Ce dernier est un package R qui
permet la création d’applications Web 1 interactives à partir de R.
Cette application recueille certaines informations sur les demandeurs d’emploi à l’aide
d’un formulaire. Ces informations sont constituées uniquement par les sept (7) facteurs
prédictifs du chômage de longue durée (12 mois) utilisés pour l’estimation de notre modèle
de profilage : la région, le sexe, la situation matrimoniale, le fait d’être actuellement à
l’école, le fait d’avoir suivi une formation professionnelle ou technique, la situation d’emploi
et le principal obstacle rencontré dans la recherche d’emploi.
Figure 3.11 – Interface de l’application de profilage
1. Application web désigne une application hébergée sur un serveur et accessible via un navigateur web

Après avoir renseigné le formulaire, on clique sur le bouton « Prédiction » pour obtenir le
score du demandeur d’emploi concerné. Le score, variant entre 0 et 100, indique le risque
de devenir chômeur de longue durée (voir partie méthodologie pour la méthode de calcul).
Cet indicateur est alors utilisé par les services publics de l’emploi pour déterminer les
demandeurs d’emploi les plus défavorisés en leur fournissant des services pour améliorer
leurs chances de trouver un emploi. En ce qui nous concerne ici, un demandeur d’emploi
avec un score supérieur ou égal à 50 est considéré comme à haut risque de devenir chômeur
de longue et dans le cas contraire, il est à faible risque de perdurer dans le chômage.
Figure 3.12 – Interface de l’application de profilage

CONCLUSION
La présente étude avait pour objectif de mettre en place un outil de profilage des
demandeurs d’emploi au Sénégal. Il s’agissait de profiler ou d’identifier les demandeurs
d’emploi qui ont un risque plus élevé d’être au chômage de longue durée (12 mois).
Pour réaliser cela, les données de l’Enquête Nationale sur l’Emploi au Sénégal (ENES-
2019) ont été utilisées.
Les résultats montrent que la proportion des demandeurs d’emploi touchés par le
chômage de longue durée est de 23,07%. Cette proportion varie selon le sexe, la
situation matrimoniale, la région, ou d’autres facteurs. Par ailleurs, l’étude des
facteurs prédictifs du chômage de longue durée des demandeurs d’emploi, réalisée
avec le modèle logistique binaire, donne un impact statistiquement significatif des
variables suivantes : la région, le sexe, la situation matrimoniale, le fait d’être
actuellement à l’école, le fait d’avoir suivi une formation professionnelle ou technique,
la situation d’emploi et le principal obstacle rencontré dans la recherche d’emploi.
Ainsi, on retient que le fait d’être primo demandeur, le fait d’être de sexe féminin ou
d’être marié(e), le fait de ne pas avoir été à l’école ou d’avoir suivi des formations
certifiantes impactent positivement sur la probabilité de rester au chômage pendant
au moins 12 mois. Cette probabilité est également impactée positivement par le fait
d’être jugé trop jeune ou trop âgé ou de ne pas avoir de qualification pour l’emploi
désiré, le manque d’expérience professionnelle et le fait d’être résident des régions de
Fatick, Kédougou, Kaolack et Tambacounda.
Toutefois, cette étude consistant à développer un outil de profilage présente un
certain nombre de limites :
ú Les données utilisées dans cette étude datent de 2019. Comme ces données
représentent le passé, elles ne pourraient pas être une source fiable pour
comprendre le présent et prédire l’avenir.
ú L’étude est faite sur un échantillon assez faible qui peut ne pas être forcément
représentatif de notre population d’étude. Cela peut entrainer des problèmes
liés à la précision du modèle qui pourrait classer certains demandeurs d’emploi
à tort comme à haut ou à faible risque de rester au chômage pendant au moins
12 mois.
Au vu des résultats, nous recommandons au gouvernement sénégalais de mettre en

place des mesures d’accompagnement des demandeurs d’emploi par le financement
de certains projets et de la formation professionnelle, par la concrétisation de son
processus de décentralisation déjà entamée afin de stimuler l’emploi non seulement
dans les régions les plus défavorisées mais sur toute l’étendue du territoire. Ces

mesures d’accompagnement doivent surtout cibler les femmes, les personnes trop
jeunes et celles trop âgées, habituellement victimes des pratiques discriminatoires ou
de certains préjugés face à l’accès à l’emploi, pour faciliter ainsi leur insertion dans
le marché du travail.

Bibliographie
DEBAUCHE E., GEORGES N. (2007), « Construire un outil de profilage des demandeurs

d’emploi : défi statistique ou défi politique ? », Document de travail du CEE no 91, août.
DELAUTRE G., GEORGES N. (2007), « De l’utilité d’un outil de profilage des demandeurs
d’emploi. Comparaison de trois expériences européennes », L’Essentiel no 10, Observatoire
de l’ANPE, février.
EBERTS R., O’LEARY C. (2003), "A New WPRS Profiling Model for Michigan", Upjohn
Institute Staff Working.
EBERTS R., O’LEARY R., WANDNER S. (2002), Targeting Employment Services, Kala-
mazoo, MI : W.E. Upjohn Institute for Employment Research.
FARMER B.A. (1993), "Profiling Unemployment Insurance (UI) Claimants", Unemploy-

ment insurance program letter no 45-93, US Department of Labor.
BENARROSH Y. (2000), « Tri des chômeurs : le nécessaire consensus des acteurs de

l’emploi », Travail et Emploi, no 81.
BERGER M., BLACK D., NOEL B., SMITH J. (2003), "Is the Threat of Reemployment
Services More Effective than the Services Themselves ? Evidence from Random Assign-
ment in the UI System, Experimental Evidence from the UI System", American Economic
Review 94.
46
BERGER M., BLACK J., SMITH J. (2001), “Evaluating Profiling as a Means of Allocating
Government Services”, mimeo.
BLACK D., PLESCA M., SHANNON S., SMITH J. (2003), Profiling UI Claimants to
Allocate Reemployment Services : Evidence and Recommendations for States, Final
Report.
BUNT S., Van PIJKEREN R., BOUWMEESTER J. (2000) "De Kansmeter. Een evaluatie
ten behœve van de verdere ontwikkeling van het instrument", Den Haag : min SZW.
Matty, S. (2013), “Predicting Likelihood of Long-term Unemployment : The Development

of a UK Jobseekers’ Classification Instrument”, Department for Work and Pensions Wor-
king paper, No. 116.
OECD (1998), Early Identification of Jobseekers at Risk of Long-Term Unemployment :

The Role of Profiling, OECD Publishing, Paris.
Arni, P., M. Caliendo, S. Künn, and R. Mahlstedt (2014), "Predicting the Risk of Long-
Term Unemployment : What can we learn from Personality Traits, Beliefs and other
Behavioral Variables", Working Paper.
Barnes, S-A., Wright, S., Irving, P., Deganis, I. (2015), "Identification of latest trends and
current developments in methods to profile jobseekers in European public employment
services". Final report, Brussels : Directorate-General for Employment, Social Affairs and
Inclusion. European Commission.
Kelly, E., Mcguinness, S., J Oconnell, P (2012), “Transitions to Long-Term Unemployment

Risk Among Young People : Evidence from Ireland”. Journal of Youth Studies.
OECD (2018), "Profiling tools for early identification of jobseekers who need extra support".
Policy Brief on Activation Policies, OECD Publishing, Paris.
Trumm, E. (2018), "Profiling the Unemployed on the Registry Data of the Estonian
Unemployment Insurance Fund". Faculty of Social Sciences, University of Tartu.

Weber, T., (2011), "Profiling systems for effective labour market integration". Thematic
Synthesis Paper. European Commission. Directorate-General for Employment, Social
Affairs and Inclusion.
ARNKIL, R., G. DI DOMENICO and R. KONLE-SEIDL, 2008. "Joblessness as a Major

Challenge for Public Employment Services : Country Reports from Germany, Italy and
Finland". Blanpain and M. Tiraboschi (eds.), The Global Labour Market : From Globali-
sation to Flexicurity, The Netherlands : Kluwer Law International.
DENNY, K., C. HARMON and P. O’CONNELL, 2000. Investing in People : The Labour
Market Impact of Human Resource Interventions Funded by the Structural Funds. Dublin :
ESRI Policy Research Series.
DEPARTMENT OF EDUCATION, EMPLOYMENT and WORKPLACE RELATIONS,

2009. Review of the Jobseeker Classification Instrument, Canberra : Commmonwealth
Department of Education, Employment and Workplace Relations.

Annexes
Annexe 1 : Présentation du cadre de l’étude
49
Annexe 2 : Répartition des ménages et des DR par trimestre et par année

(ENES - 2019)
Table 3.7 – Répartition des ménages et des DR à enquêter par trimestre
NOMBRE DR ENES NOMBRE MENAGES

Région PAR TRIMESTRE ENES PAR TRIMESTRE
Rural Urbain Total Rural Urbain Total
DAKAR 5 18 23 90 216 306
DIOURBEL 8 9 17 144 108 252
FATICK 7 8 15 126 96 222
KAFFRINE 7 7 14 126 84 210
KAOLACK 7 10 17 126 120 246
KEDOUGOU 5 6 11 90 72 162
KOLDA 7 9 16 126 108 234
LOUGA 7 9 16 126 108 234
MATAM 7 8 15 126 96 222
SAINT-LOUIS 7 11 18 126 132 258
SEDHIOU 6 7 13 108 84 192
TAMBACOUNDA 7 8 15 126 96 222
THIES 7 13 20 126 156 282
ZIGUINCHOR 6 9 15 108 108 216
Total 93 132 225 1674 1584 3258

Table 3.8 – Répartition des ménages et des DR à enquêter par année
NOMBRE DR ENES NOMBRE MENAGES

Région PAR ANNEE ENES PAR ANNEE
Rural Urbain Total Rural Urbain Total
DAKAR 20 72 92 360 864 1224
DIOURBEL 32 36 68 576 432 1008
FATICK 28 32 60 504 384 888
KAFFRINE 28 28 56 504 336 840
KAOLACK 28 40 68 504 480 984
KEDOUGOU 20 24 44 360 288 648
KOLDA 28 36 64 504 432 936
LOUGA 28 36 64 504 432 936
MATAM 28 32 60 504 384 888
SAINT-LOUIS 28 44 72 504 528 1032
SEDHIOU 24 28 52 432 336 768
TAMBACOUNDA 28 32 60 504 384 888
THIES 28 52 80 504 624 1128
ZIGUINCHOR 24 36 60 432 432 864
Total 372 528 900 6696 6336 13032

Annexe 3 : Test du Khi-deux

Le test d’indépendance du khi-carré (en anglais " chi-square ") a été développé par Karl
PEARSON (1857-1936). Ce test est utilisé pour contrôler l’existence d’une dépendance
entre deux caractères qualitatifs dans une population donnée.
Le principe du test du khi-carré consiste à mesurer la distance qui sépare les réalisations
empiriques et les réalisations idéales qui seraient obtenus en cas d’indépendance totale
entre les deux caractères. La distance du Khi-deux est ensuite comparée ‘a un seuil et la
conclusion est donnée selon une règle de décision.
Soient deux variables qualitatifs X et Y observées sur N individus. On souhaite tester
H0 : X et Y sont indépendantes contre H1 : X et Y ne sont pas indépendantes
Pl Pp (nij −n∗i j )2
χ2 = i=1 j =1 n∗i j
Avec nij le nombre d’individus caractérisé simultanément par la modalité i du caractère X

et la modalité j du caractère Y. Les n∗i j représentent les effectifs théoriques qui devaient
être obtenus en cas d’indépendance totale :
(ni .×n.j )2
n∗i j = N
On rejette H0 si χ2 > χ2( p−1 )( l−1 ) (α) au niveau 1 − α.

Annexe 4 : Présentation des résultats de l’ACM
Figure 3.13 – Histogramme des valeurs propres

Table 3.9 – Dictionnaire des abrégés utilisés dans la représentation du 1er plan factoriel
Variables Abrégés
Sexe b3
Masculin Masculin
Féminin Feminin
Avoir suivi une formation b38
Oui, formation diplomante Formation_diplomante
Oui, formation certifiante Formation_certifiante
Oui, formation sur le tas Formation_tas
Non aucune aucune
Avoir au moins un enfant avoir_enfant
Oui Oui_avoir_enfant
Non Pas_d_enfant
Situation matrimoniale sit_mat
Marié(e) Mariee
Non marié(e) Non_mariee
Niveau d’éducation niv_edu
Aucun Pas_education
Elémentaire Niv_elementaire
Secondaire Niv_secondaire
Supérieur Niv_sup
Situation d’emploi primo
Primo demandeur Primo_demandeur
Perte de l’emploi précédent Perte_emploi_preced
Situation financière du ménage sit_men
Aisée aisee
Moyennement Aisée moyennemen_aisee
situation difficile sit_difficile
Etre actuellement à l’école b29
Oui Oui_actu_ecole
Non Non_actu_ecole
Avoir salaire de réserve g23a
Oui Oui_seuil_salair
Non Non_seuil_salair
Vivre continue dans sa localité vivre
Oui oui_vivre_con
Non Non_vivre_con
Refuser une proposition d’emploi g21
Oui Oui_refus_emp
Non Non_refus_emp

Figure 3.14 – Représentation des variables de l’ACM

Figure 3.15 – Représentation des variables quantitatives supplémentaires de l’ACM
þ g17 = Nombre d’emplois postulé au cours des 3 derniers mois
þ g18 = Nombre d’entretiens rendu au cours des 3 derniers mois

Table des matières
AVERTISSEMENT i
DÉDICACE ii
AVANT - PROPOS iii
REMERCIEMENTS iv
RÉSUMÉ v
SOMMAIRE viii
TABLES DES FIGURES ix
LISTE DES TABLEAUX ix
SIGLES ET ABRÉVIATIONS xi
INTRODUCTION GÉNÉRALE 1
1 Définition des concepts et revue de la littérature 4

1.1.1 Définition des chômeurs . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Définition des chômeurs de longue durée . . . . . . . . . . . . . . . 5
1.1.3 Définition des demandeurs d’emploi . . . . . . . . . . . . . . . . . . 5
1.1.4 Définition des personnes en emploi . . . . . . . . . . . . . . . . . . 6
1.1.5 Définition des personnes actives . . . . . . . . . . . . . . . . . . . . 6
1.1.6 Définition du profilage . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Revue de la littérature théorique . . . . . . . . . . . . . . . . . . . 7
1.2.1.1 Histoire du profilage des demandeurs d’emploi . . . . . . . 7
57
1.2.1.2 Modèles de profilage des demandeurs d’emploi . . . . . . . 7

1.2.2 Revue de la littérature empirique . . . . . . . . . . . . . . . . . . . 10
2 Présentation des données et méthodologie 13

2.2.1 Constitution de l’échantillon . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Répartition de l’échantillon . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Tirage des Districts de Recensement (DR) . . . . . . . . . . . . . . 16
2.3.2 Tirage des ménages . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.1 Variable dépendante "Chômeur de longue durée (12 mois)" . . . . . 17
2.5.2 Variables indépendantes . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6.1 Présentation de l’Analyse des Correspondances Multiples . . . . . . 19
2.6.2 Choix du modèle de profilage . . . . . . . . . . . . . . . . . . . . . 20
2.6.3 Présentation du modèle de régression logistique binaire . . . . . . . 20
2.6.4 Calcul du score logistique . . . . . . . . . . . . . . . . . . . . . . . 21
3 Analyse des résultats 22

3.1.1 Caractéristiques socio-économiques . . . . . . . . . . . . . . . . . . 24
3.1.2 Caractéristiques liées à la préparation (ou la capacité) à l’emploi . . 26
3.1.3 Caractéristiques liées à la motivation à chercher ou à accepter un
nouvel emploi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.1 Contribution des variables à la formation des axes factoriels . . . . 34
3.3.2 Choix du nombre d’axes factoriels . . . . . . . . . . . . . . . . . . . 35
3.3.3 Interprétation des axes . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.1 Interprétation des résultats . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.2 Précision du modèle de profilage : le taux d’erreur . . . . . . . . . 41
3.4.3 Présentation de l’application de profilage . . . . . . . . . . . . . . . 42
CONCLUSION 44
BIBLIOGRAPHIE 46

ANNEXES 49

Mémoire ITS4 Cheikh LO PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mémoire ITS4 Cheikh LO PDF

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE DU SENEGAL

Un Peuple - Un But - Une Foi

Agence Nationale de la Statistique et de la Démographie (ANSD)

Ecole Nationale de la Statistique et de l’Analyse Economique Pierre NDIAYE (ENSAE)

Mémoire de fin d’études

Cheikh LO, Elève Ingénieur des Travaux Statistiques i

A mes chers frères

A mes chères sœurs

Merci d’être toujours là pour moi.

Cheikh LO, Elève Ingénieur des Travaux Statistiques ii

Cheikh LO, Elève Ingénieur des Travaux Statistiques iii

T qui de près ou de loin, ont contribué à la rédaction de ce mémoire.

Cheikh LO, Elève Ingénieur des Travaux Statistiques iv

Mots clés : profilage, demandeur d’emploi, ACM, modélisation logistique.

Cheikh LO, Elève Ingénieur des Travaux Statistiques v

Keywords : profiling, job seeker, ACM, logistics modeling

Cheikh LO, Elève Ingénieur des Travaux Statistiques vi

AVANT - PROPOS iii

TABLES DES FIGURES ix

LISTE DES TABLEAUX ix

1 Définition des concepts et revue de la littérature 4

2 Présentation des données et méthodologie 13

3 Analyse des résultats 22

Cheikh LO, Elève Ingénieur des Travaux Statistiques viii

1.1 Fonctionnement des modèles de profilage statistique . . . . . . . . . . . . . 10

3.1 Pyramide des âges des demandeurs d’emploi . . . . . . . . . . . . . . . . . 24

1.1 Caractéristiques des modèles de profilage statistique dans certains pays . . 9

2.1 Variables influençant le chômage de longue durée (12 mois) . . . . . . . . . 18

ACM : Analyse des Correspondances Multiples

Cheikh LO, Elève Ingénieur des Travaux Statistiques xi

Cheikh LO, Elève Ingénieur des Travaux Statistiques 1

à un outil de profilage des demandeurs d’emploi. Pourtant, selon Fougère (2000), le

ý identifier les facteurs explicatifs du chômage de longue durée ;

ý estimer le risque de chômage de longue durée des demandeurs d’emploi ;

ý Développer une application informatique.

Cheikh LO, Elève Ingénieur des Travaux Statistiques 2

ý H1 : Le sexe est un facteur déterminant du chômage de longue durée des

ý H2 : Les primo-demandeurs a ont le plus grand risque de perdurer dans le

Cheikh LO, Elève Ingénieur des Travaux Statistiques 3

Définition des concepts et revue

1.1 Cadre conceptuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.1 Cadre conceptuel

û être sans emploi pendant une période de référence (semaine en général) ;

û être disponible pour travailler dans les deux semaines à venir ;

1.1.2 Définition des chômeurs de longue durée

1.1.3 Définition des demandeurs d’emploi

Cheikh LO, Elève Ingénieur des Travaux Statistiques 5

1.1.4 Définition des personnes en emploi

1.1.5 Définition des personnes actives

1.1.6 Définition du profilage

Cheikh LO, Elève Ingénieur des Travaux Statistiques 6

1.2 Revue de la littérature

1.2.1 Revue de la littérature théorique

1.2.1.2 Modèles de profilage des demandeurs d’emploi

Cheikh LO, Elève Ingénieur des Travaux Statistiques 7

Cheikh LO, Elève Ingénieur des Travaux Statistiques 8

méthodes telles que les techniques avancées d’apprentissage automatique et l’intelligence

Pays Variable résultat Méthode collecte Modèle statistique

ß les caractéristiques socio-économiques du demandeur d’emploi qui peuvent être par

Cheikh LO, Elève Ingénieur des Travaux Statistiques 9

La figure 1.1, résume le fonctionnement des modèles de profilage statistiques.

Figure 1.1 – Fonctionnement des modèles de profilage statistique

1.2.2 Revue de la littérature empirique

L’estimateur β̂ du maximum de vraisemblance du vecteur de paramètre β RK