Fonction D'appariement Rendements D'echelle

Fonction dappariement, rendements dechelle et
interaction spatiale
Mohamed AMARA
Anis BOUABID
Lot BELKACEM
Abstract
Lobjectif de ce papier est destimer le processus dappariement mettant en relation
le nombre dembauches en fonction dun stock donne de postes vacants et de ch
omeurs,
a partir des donnees tunisiennes regionales relatives a` 23 gouvernorats sur la periode
`
1984-2008. Nous utilisons les techniques de leconometrie spatiale sur donnees de panel
pour tenir compte dune manière explicite des eets spatiaux (interaction de proximite
et heterogeneite spatiale) et des eets individuels et temporels. Nos resultats suggèrent
que la prise en compte de ces eets genèrent des rendements dechelle decroissants sur
le marche du travail Tunisien. Nous montrons aussi que les chercheurs demploi dans
les gouvernorats voisins causent une diculte accrue sur le processus dappariement
dans le marche local.
Key Words: Fonction dappariement; Econom

etrie spatiale; rendements dechelle;
Eet direct; Eet indirect; marche du travail tunisien.
Unite de recherche UAQUAP, Institut Superieur de Gestion de Tunis (Tunisie), Geographie-Cites UMR
8504. Universite Paris I, E-mail: Mohamed.Amara@malix.univ-paris1.fr.
IHEC Sousse, Universite de Sousse (Tunisie), E-mail: anisbouabid@gmail.com.
IHEC Sousse, Universite de Sousse (Tunisie), E-mail: Lot.Belkacem@isgs.rnu.tn;
Introduction
Depuis le milieu des annees 1980, lEtat

tunisien a adopte une politique dajustement liberale
et douverture economique impliquant une insertion dans le mouvement de globalisation et de
competition internationale. Le programme dajustement structurel (PAS) en 1986, ladhesion
au GATT en 1991 et la signature de laccord dassociation avec lUnion Europeenne (UE) en
1996 constituent dans ce sens les principaux programmes de reformes entrepris par la Tunisie
durant les trois dernières decennies. Cette evolution en termes de politiques economiques
saccompagne par une suppression des activites incapables de soutenir la concurrence, ce
qui risque dengendrer une dangereuse fracture au sein du marche demploi menacant ainsi
leconomie tunisienne. Ainsi, le taux de chomage des 18-59 ans a enregistre en 2004 une
augmentation de près de 2,5 points par rapport à son niveau de 1984, passant de 11,5% à
13,9%1 . Cependant, cette augmentation relativement faible du taux de chomage national est
marquee par une forte variation de leectif de chomeurs selon le niveau dinstruction et selon
les regions. Ainsi, le taux de chomage des diplomes de lenseignement superieur a enregistre
une augmentation denvirons 9 points en passant de 0,7% en 1984 à 9,4% en 2004. La hausse
sest amorcee en 2007 (19%). Le taux de chomage prend aussi une dimension regionale et
reste inegalement reparti sur le territoire tunisien. Les taux les plus eleves en 2004 sont
enregistres dans les gouvernorats du nord-ouest (Le Kef 22%, Jendouba 20,4%), du centre
(Kasserine 20,9%) et du sud (Gafsa 21%). Le taux de chomage pour certains gouvernorats
du littoral reste inferieur au taux national (Nabeul 9,7%, Sousse 11,1%, Mounastir 7,4%,
Sfax 11,2%). Pour faire face à cette augmentation du taux de chomage, surtout pour les
diplomes, le gouvernement tunisien a commence à introduire certaines mesures necessaires
visant essentiellement à faciliter linsertion des primo-demandeurs au marche demploi et à
reduire linegalite inter-regionale des opportunites du travail. Ainsi, en 1981 lEtat

tunisien a
mis en place deux stages pour les demandeurs demploi: stage dinitiation à la vie professionnelle des diplomes de lenseignement superieur (SIVP1 en 1987) et SIVP2 en 1988. En 1997
LEtat
a cree la Banque Tunisienne de Solidarite (BTS) pour aider et encourager les jeunes
promoteurs qualies. La periode 2000-2005 est marquee par la creation du fonds national
de lemploi 21-21. Alimente par des contributions volontaires des entreprises, ce fonds vise à
faciliter laccès à lemploi ou à des stages de formation.
La mise en uvre de ces actions est une tache ambitieuse et dicile. A cet egard, letude
du marche demploi tunisien est devenue une preoccupation majeure. Les autorites sen
soucient à la fois pour des questions dembauches, de formation dune main duvre qualiee
et daccès de la population à lemploi. Dans ce contexte, les travaux recemment realises en
Tunisie cherchent à expliquer le fonctionnement du marche du travail et à etudier son ecacite. El Bekri (2003) propose, à titre dexemple, une analyse de levolution du marche du
travail qualie en Tunisie sur la periode 1980-1998. Sur la base des stocks annuels demplois
enregistres, les stocks annuels de postes vacants signales par les entreprises et les ux annuels des placements realises par lAgence Tunisienne de lEmploi (ATE), lauteur estime une
fonction dappariement et souligne laugmentation de lecacite du processus dappariement
de la main doeuvre qualiee sur la periode 1980-1998. Le rapport de la Banque Mondiale
(2004) sur la strategie demploi en Tunisie suggère des options de politique generale pour
1
Institut National de la Statistique (INS), Recensement de la population et des logements 1984 et 2004.
aider la Tunisie à ameliorer sa strategie demploi à moyen terme.

Tout comme la fonction de production, la fonction reliant le nombre dembauches avec le
nombre de demandeurs demplois chomeurs et le nombre de postes vacants joue un role central
dans les theories du chomage dequilibre. La fonction dappariement est utilisee souvent pour
modeliser les frictions sur le marche du travail. Bien que sa derivation theorique ne soit pas
assez analysee dans la litterature, quelques auteurs ont conrme empiriquement lexistence
des rendements dechelle constants de la fonction dappariement durant la dernière decennie
(Blanchard et Diamond, 1989; Petrongolo et Pissarides, 2001). La plupart de ces etudes ont
ete menees sur des series chronologiques agregees ou sur des donnees en coupe transversale.
Cela est d
u essentiellement à la non disponibilite des donnees microeconomiques (individuelles
ou desagregees) et à lhypothèse dhomogeneite des frictions entre les dierents sous marches
du travail. Coles et Smith (1996), à titre dexemple, estiment la fonction dappariement pour
les 257 aires de migration pendulaires (Travel-To-Work Areas -TTWA-) de lAngleterre en
1987. En comparant les resultats trouves pour les donnees en coupe transversale avec ceux
trouves pour des series chronologiques agregees, les auteurs montrent que lagregation des
donnees pour les 257 TTWA na aucun eet signicatif sur les resultats empiriques. Coles
et Smith (1996) considèrent de ce fait, chaque TTWA comme un microcosme du marche
global. Les auteurs montrent aussi que leurs resultats sont assez proches de ceux trouves
par Blanchard et Diamond (1990) sur des series chronologiques agregees pour les villes etatsuniennes.
Dans un but de controler lheterogeneite observable et non observable entre les regions ou
entre les secteurs dactivite, plusieurs auteurs se sont recemment penches sur lanalyse de la
fonction dappariement speciee sur des donnees de panel. Kano et Ohta (2004) estiment la
fonction dappariement sur un panel de 47 prefectures Japonaises pour la periode allant de
1972 à 1999. Les auteurs traitent la question de lheterogeneite de la relation de cointegration
de long terme des dierentes variables de la fonction dappariement. Kano et Ohta (2004)
utilisent la methode des moindres carres dynamiques (Dynamic Ordinary Least Squares DOLS-) pour tenir compte de lheterogeneite des facteurs observables ou non observables de
la fonction dappariement. Anderson et Burgess (2000) montrent aussi que les coecients estimes de la fonction dappariement dièrent enormement selon lechelle spatiale retenue. Ces
travaux, sils sont capables de resoudre partiellement le problème de lheterogeneite spatiale,
ils ignorent souvent le problème dinteractions spatiales ou de spillovers qui peuvent etre
generees une fois les donnees portent sur des regions ou des unites spatiales qui interreagissent
entre elles. Malgre limportance de ces interactions spatiales dans lestimation de la fonction
dappariement, les etudes empiriques (et meme theoriques) tentant de capturer les elements
geographiques et spatiaux du marche du travail sont encore assez rares. Cela est d
u essentiellement à la non disponibilite des donnees à des echelles spatiales plus nes, dune part,
et à la diculte de mesurer explicitement ces externalites spatiales, dautre part. Ignorer les
interactions spatiales dues à la proximite geographique, si elles existent, provoque des erreurs
dans les estimations et mène notamment à une sous-estimation des paramètres dinteret (les
elasticites et la nature des rendements dechelle). En outre, loublie de la dimension locale et
regionale du marche du travail au prot de sa dimension nationale peut provoquer un climat
de tension sociale dans le pays (revolution du 14 janvier 2011 en Tunisie).
Loriginalite de ce travail reside dans lutilisation de lapproche de leconometrie spatiale
etendue sur des donnees de panel pour tenir compte des eets spatiaux (interdependance
3
de proximite et heterogeneite spatiale) dans lestimation dune fonction dappariement au

niveau local. On recense peu detudes qui intègrent la dimension spatiale dans le processus
dappariement. Burgess et Prot (2001); Hynninen (2005) sinteressent, par exemple, aux
externalites spatiales (spillovers) au niveau des variables explicatives (stock demplois vacants
et stock de demandes demploi). Les auteurs motivent leurs choix, en ce qui concerne les eets
externes, du fait que les demandeurs demploi peuvent se deplacer vers les regions voisines
pour accrotre leurs chances detre en situation demploi. De meme les entreprises peuvent
recruter des demandeurs demploi des regions voisines, une fois que la main doeuvre locale
nest pas assez qualiee ou a un co
ut relativement eleve. Nous nous basons dans notre etude
sur les travaux recents dElhorst (2010a,b); Anselin et al. (2008); Lee et Yu (2010); LeSage et
Pace (2009) pour tenir compte dune manière explicite la dimension spatiale (heterogeneite
et autocorrelation spatiales) dans la fonction dappariement. Nous estimons trois dierents
modèles: le modèle à variable endogène spatialement decalee (SAR), le modèle à erreurs
spatialement autocorrelees (SEM) et le modèle de Durbin spatial (SDM). Nous tenons compte
de lheterogeneite en introduisant les eets speciques (xes et aleatoires) dans le temps et
dans lespace.
Le reste du papier sorganise comme suit: dans la section 2, nous presentons la fonction
dappariement, les modèles spatiaux ainsi que les dierents tests dautocorrelation spatiale.
La description des donnees, les statistiques descriptives et les resultats econometriques font
lobjet de la troisième section. La section 4, conclut letude.
2
2.1
M
ecanismes dappariement et dimension spatiale
La fonction dappariement
Dans les theories du chomage dequilibre, le niveau dembauche est determine selon un rationnement des postes vacants face aux demandeurs demploi. Ceci est du à la presence
de frictions sur le marche du travail. Ces frictions sont dues essentiellement aux comportements de recherche des rmes et des chomeurs. En eet, on trouve que les postes vacants
ne disparaissent plus, meme avec la presence dun grand nombre de demandeurs demploi.
Parmi les causes de ces frictions, nous citons la faible mobilite de la main doeuvre entre
industries ou entre regions à cause de la mauvaise circulation de linformation ou aux co
uts
eleves de deplacement. Le premier est appele mismatch entre qualications (inadequation
entre qualications). Le deuxième est qualie de mismatch regional. Lensemble de ces obstacles qui empeche le fonctionnement ecace du marche du travail, sera resume par une
fonction dappariement (matching function) qui indique, à chaque date, le nombre
dembauches realisees en presence de postes vacants et demandeurs demploi. La fonction dappariement est generalement donnee par lexpression suivante:
= (, )
(1)
(, )
(, )
> 0;
> 0; (0, ) = (, 0) = 0.
avec
Ces hypothèses signient dune part, quune augmentation du nombre de demandeurs
demploi ou des postes vacants provoque laugmentation du nombre dembauches, et, dautre
part, que lembauche exige la presence au moins dun poste vacant et dun demandeur
demploi. Il sagit dune fonction implicite o`

u le chomage et les postes vacants peuvent
disparatre si la force du travail reste constante. Dans les theories du chomage dequilibre,
la fonction dappariement est supposee etre homogène de degre un2 . La nature des rendements dechelle de la fonction dappariement est très importante en termes dinterpretation
economique, puisque des rendements dechelle croissants impliquent lexistence de plusieurs
taux de chomage dequilibre alors que la densite de la population inue positivement sur le
processus dappariement entre ore et demande demploi. De plus, les theories du chomage
dequilibre supposent lexistence de rendements dechelle constants an que la probabilite
dembauche (/ ou / ) depende du niveau de la tension sur le marche ( / ) et non
plus de leurs dimensions. Dans le but de prendre en compte les dierences regionales dans
lestimation de la fonction dappariement, deux approches de modelisation econometrique ont
ete dernièrement utilisees: soit en utilisant un modèle à eets xes (Kano et Ohta, 2004), soit
en adoptant lapproche de frontière decience (Ibourk et Perelman, 2001). La forme fonctionnelle choisie par la plupart des auteurs est celle representee par la fonction Cobb-Douglas
suivante3 :
, = (,1 , ,1 ) = , ,1
,1
, = 1, ..., et = 1, ...,
(2)
avec , denote la technologie dappariement analysee comme etant un eet individuel.

Plus precisement, , designe la variabilite de lecacite dappariement regionale ou temporelle qui depend de plusieurs facteurs pouvant entraver ou favoriser lappariement entre
chercheurs demploi et entreprises à la recherche dun candidat approprie pour leurs postes
vacants. Nous supposons donc que , = + + avec la variabilite de lecacite
dappariement regionale attribuee à , la variabilite temporelle de lecacite dappariement
attribuee à et est un choc stochastique de moyenne nulle et de variance 2 qui touche
le marche du travail de la region à la date . La forme logarithmique du modèle (2), est la
suivante:
, = + ,1 + ,1 + + +
(3)
La relation (3) represente un modèle à erreurs composees et pour lequel nous pouvons
appliquer les techniques destimation standards sur des donnees de panel. Si nous supposons
que les eets individuels
et temporels,
et , sont des eets xes de variances respectives
4
2 et 2 , et que
=
0
et
e pour
=1
=1 = 0, lestimateur Within (ou LSDV ) est utilis
estimer la relation (3). Cependant, si nous supposons que ces eets sont des eets aleatoires
et que, () = 0 avec = + + , et la matrice des variables explicatives (
et ), alors lestimateur des moindres carres generalises (MCG) est utilise pour estimer la
relation (3).
2
La constance des rendements dechelle etait lune des hypothèses les plus testees dans les etudes empiriques
sur la fonction dappariement.
3
Selon Ibourk et Perelman (2001) et Petrongolo et Pissarides (2001), la forme Cobb-Douglas est la forme
la plus utilisee dans la litterature empirique. Sous lhypothèse de normalisation des eets xes, la forme
logarithmique de la fonction dappariement Cobb-Douglas sinterprète comme une frontière decacite. Elle
presente aussi une forme reduite de la forme translogarithmique.
4
Least Square Dummy Variables.
2.2
Mod`
eles spatiaux sur donn
ees de panel
De nombreuses etudes mettent laccent sur limportance de linteraction spatiale entre les
regions ou meme les pays qui ne devraient pas etre consideres comme des unites geographiques
isolees5 . Dans notre etude, il serait interessant de prendre en compte les liens potentiels
entre les trois composantes de la fonction dappariement à savoir le nombre de placements, le
nombre de chomeurs demandeurs demploi et le nombre de postes vacants dun gouvernorat
et ceux des gouvernorats voisins6 . En eet, etant donnee la proximite geographique entre les
dierents gouvernorats de la Tunisie, ainsi que les dierentes caracteristiques communes entre
eux (les cultures, le climat, les liens commerciaux, les reseaux sociaux, les infrastructures,
etc...), les marches du travail de ces gouvernorats sont loins detre independants. Cette
dependance spatiale implique une organisation particulière de lecience dappariement a
travers lespace.
Upton et Fingleton (1985); Jayet (1993) denissent la dependance spatiale comme etant
lexistence dune variation spatiale systematique entre les valeurs dune variable distribuees
sur une carte. La notion de dependance spatiale est basee sur lidee que les valeurs prises
par une variable aleatoire dans un espace geographique ne sont pas disposees au hasard,
mais sont souvent semblables pour deux regions proches ou contigues. Plus precisement, une
correlation positive correspond à une concentration spatiale des valeurs faibles ou elevees
dune variable aleatoire, alors quune correlation negative est associee à une concentration de
valeurs presentant des ecarts considerables entre voisins.
La dependance spatiale peut prendre plusieurs formes. Anselin et al. (2008) denissent les
deux formes les plus utilisees dans la litterature pour le cas des donnees de panel: le modèle
autoregressif spatial (modèle à variable endogène spatialement decalee) (SAR) et le modèle
à erreurs spatialement autocorrelees (SEM). LeSage et Pace (2009) denissent le modèle de
Durbin spatial (SDM) qui contient outre que la variable endogène spatialement decalee, les
variables explicatives spatialement decalees.
2.2.1
Le mod`
ele autor
egressif spatial
Anselin et al. (2008) et Elhorst (2010b) ont ajuste le modèle de panel à eet xe et à eet
aleatoire pour tenir compte dune manière explicite la dependance spatiale de la variable
dependante, du terme derreur et des variables explicatives. Nous commencons dans cette
section par presenter brièvement le modèle SAR pour le cas de donnees de panel (à eet xe
puis à eet aleatoire) ainsi que sa fonction de vraisemblance7 . La section 2.2.2 presente le
modèle SEM et 2.2.3 le modèle SDM. Le modèle SAR se presente comme suit:
=
+ + + +
(4)
=1
o`
u est la variable dependante (( ) dans notre cas) de la region (gouvernorat) à
la date et est le vecteur ligne (1,) des variables explicatives ((,1 ), (,1 ) et
5
Conformement à la première loi geographique de Tobler (1979), everything is related to everything else,
but near things are more related than distant things.
6
Lunite administrative retenue dans cette analyse.
7
Pour une presentation detaillee voir par exemple Anselin et al. (2008) et Elhorst (2003, 2010b).
(population )), est lelement , de la matrice de ponderation spatiale . et sont

respectivement le coecient dautoregression spatiale et le vecteur (,1) à estimer du modèle.
La fonction de vraisemblance à maximiser de l
equation (4), qui tient compte de lheterogeneite
de la variable endogène spatialement decalee et de leet xe spatial est presentee
comme suit8 :
2
)2 (5)
(
(2 ) + 2
=
2
2 =1 =1
=1
O`
u est la matrice didentite dordre . La maximisation de cette fonction necessite
le calcule du determinant de la matrice ( ) à chaque iteration, ce qui complique les
calculs numeriques lors de lestimation. Ord (1975) et Pace et Barry (1997) ont montre quon
se basant sur les valeurs propres de la matrice , determinees separement avant les calculs
numeriques, le determinant de la matrice ( ) est donne par:
det( ) =
(1 )
(6)
=1
o`
u designe la ème valeur propre de la matrice .
Pour estimer leet xe spatial en fonction des autres paramètres et il sut que la
derivee de par rapport à soit egale à 0. Soit donc egale à (Elhorst, 2010b):
1
=
),
(
=1
=1
(7)
Pour lestimation des autres paramètres du modèle (, et 2 ), la solution de est integree dans la fonction de vraisemblance (equation (5)), pour obtenir la fonction de vraisemblance concentree suivante:
1
2
=
] )2 ,
( [
(2 ) + 2
2
2 =1 =1
=1
o`
u =
et =
=1
(8)
=1
Dans le cas o`
u leet spatial est considere comme aleatoire, la fonction de vraisemblance
à maximiser est la suivante:
8
Trois methodes destimation des modèles spatiaux ont ete developpees dans la litterature: la methode
de maximum de vraisemblance (ML), la methode bayesienne et la methode des variables instrumentales (IV)
ou des moments generalises (GMM). Voir par exemple LeSage et Pace (2009) chapitres 3 et 5 pour les deux
premières methodes destimation, et Kelejian et Prucha (1998, 1999) pour la methode IV/GMM. Par rapport
à la methode ML, la methode IV/GMM nexige pas la normalite du terme derreur, cependant elle ignore la
condition que les paramètres spatiaux soient dans lintervalle (1/ , 1) o`
u est la valeur propre negative
la plus grande en valeur absolue de la matrice de poids.
2
] )2 ,
( [
(2 ) + 2
=
2
2 =1 =1
=1
o`
u
2.2.2
(9)
2
2
2
= (1 /( + )) et = (1 2 /( 2 + 2 )) 1
=1
=1
Le mod`
ele `
a erreurs spatialement autocorr
el
ees
Nous considerons le modèle SEM suivant:

= + + + , =
(10)
=1
o`
u est un coecient dautoregression spatiale des residus et les innovations sont i.i.d.,
centrees et de variance 2 . Lestimateur MCO des paramètres de lequation (10) est dans
ce cas non ecace. La fonction de vraisemblance dans le cas dun modèle SEM à eet xe
spatial est presentee comme suit:
(2 2 ) +
2
] )}2 (11)
] ( [
{ [
2 2 =1 =1
=1
=1
Si leet spatial est considere comme aleatoire, la fonction de vraisemblance prend la

forme suivante:
1
=
(2 2 ) V + ( 1)
B
2
2
=1
1 1
1
1
( V1 ) 2 ( ) (B B), (12)
2
2
o`
u V = 2 / 2 + (B B)1 , B = , = et est une colonne de 1 de
taille . Pour simplier le calcul numerique du determinant de la matrice V, Elhorst (2003)
propose la relation suivante:
V =
[ 2 / 2 +
=1
1
]
(1 )2
(13)
2.2.3
Le mod`
ele de Durbin spatial
Le modèle de Durbin spatial (SDM) se presente comme suit:

=
=1
+ +
+ + +
(14)
=1
Dans ce modèle, le nombre de placement eectue au sein du gouvernorat à la date ( )

depend des facteurs suivants:
- La moyenne des placements dans les gouvernorats voisins à , resumee par la variable
=1 ;
- Les caracteristiques du marche du travail du gouvernorat , representees par le vecteur
;
- La moyenne des caracteristiques des marches du travail voisins à ,

=1 ;
- Leet individuel specique au gouvernorat , et leet temporel .
Le modèle SDM peut se presenter comme une forme reduite du modèle SEM et une
extension du modèle SAR. En eet, sous lhypothèse H0 : = 0, le modèle SDM prend la
forme dun modèle SAR. Le modèle SDM peut etre interprete comme un modèle SEM dans
le cas o`
u = -.
Si les deux hypothèses (H0 : = 0 et H0 : = -) sont rejetees, le modèle SDM doit etre
retenu pour lestimation de la fonction dappariement9 . Le test du ratio de vraisemblance
(LR), propose par Burridge (1981), est utilise pour tester ces dierentes hypothèses.
Les coecients estimes dans un modèle SDM meritent une attention particulière (Anselin
et Le Gallo,2006; Kelejian et al., 2006). En eet, dans un modèle lineaire simple de la
forme =
u les observations sont supposees etre independantes, nest
=1 + o`
autre que la derivee partielle de par rapport à (eet direct): / = pour tout
et / = 0 pour = . Dans le cas dun modèle SDM, les variables explicatives de la
region exercent, non seulement un eet direct sur la variable dependante de la meme region,
, mais aussi un eet indirect sur celles des regions voisines, , ( = ). Ce second type
deet indirect est genere du fait que les observations sont considerees comme dependantes10 .
Pour detecter cet eet indirect, LeSage et Pace (2009) presente le modèle SDM sous la forme
matricielle suivante:
( ) = + + +
=
( ) + ( ) + ( )
(15)
=1
( ) = ( )( + )
( ) = + + 2 2 + 3 3 + ...
La ligne de lequation (15) est donnee par:
9
Elhorst (2010a) montre que le modèle SDM est le modèle à retenir si lune des conditions est violee.
Voir par exemple LeSage et Dominguez (2011); Fischer et al. (2009); Jeanty et al. (2010) pour une
litterature empirique recente sur la decomposition en eet direct et eet indirect.
10
[ ( )1 1 + ( )2 2 + ... + ( ) ] + ( ) + ( ) (16)
=
=1
o`
u ( ) est lelement , de la matrice ( ) et ( ) est la ème ligne de la
matrice ( ). est une colonne de 1 de taille .
Contrairement au modèle lineaire simple qui suppose lindependance entre les observations, lequation (16) montre bien que la derivee de par rapport à est non nulle et elle
est egale à:
= ( )
(17)
ce resultat est très interessant dans linterpretation des coecients de la fonction dappariement.
en eet, une augmentation ou une baisse du nombre de postes vacants ou de demandeurs
demploi dune region a un eet, non seulement sur la capacite dembauche de cette region,
mais aussi sur les capacites dembauches des regions voisines.
Leet dune variation au niveau de la variable explicative sur la variable dependante
observee au niveau de la region est le suivant:
= ( )
(18)
Cet eet englobe aussi un eet reciproque (feedback loops) exerce par la region voisine
sur la region elle-meme (LeSage et Pace, 2009). Lampleur de ce type de feedback depend:
- de la localisation spatiale de la region ; - de degre dinteraction spatiale de la region
avec les regions voisines; de la valeur du paramètre qui mesure lampleur de la dependance
spatiale; ainsi que des paramètres et .
Selon LeSage et Pace (2009), leet direct est presente par les elements de la diagonale
principale de la matrice ( ) alors que les elements hors diagonale presentent leet indirect
(ou leet de spillovers spatial). Etant

donnee que les eets directs ou indirects varient dune
region à une autre, LeSage et Pace (2009) considèrent la moyenne de chacun de ces eets
comme etant leet direct ou indirect de chaque region. La somme (sur les lignes ou sur les
colonnes) des eets directs ou des eets indirects nest autre que leet total. Formellement
les eets direct, indirect et total dune variable explicative sont presentes comme suit:
()direct = 1 tr( ( ))
(19)
()total = 1 ( )
(20)
()indirect = ()total ()direct
(21)
tr designe la trace de la matrice.
10
2.3
Test dautocorr
elation spatiale
La statistique la plus utilisee pour tester lautocorrelation spatiale dans le cas de donnees en
coupe transversale est celle de Moran (1948, 1950) presentee comme suit:

( )( )
,
(22)
=
2
( )
=1
=1
Elle sinterprète comme etant le rapport entre la covariance ponderee par le degre dinteraction
spatiale entre unites voisines, , et la variance totale observee. Cette statistique est largement utilisee surtout dans les analyses exploratoires (ESDA)11 , du fait quelle est decomposable à des echelles spatiales assez desagregees. En eet, Anselin (1995) developpe une mesure
locale de lautocorrelation spatiale (la statistique de Moran locale ( ) ou Local Indicators of
Spatial Association (LISA)) calculee pour chaque unite spatiale . Le LISA satisfait les deux
critères suivants: le premier est le fait que le LISA donne pour chaque unite spatiale une
indication sur le regroupement spatial signicatif de valeurs similaires des unites voisines. Le
second reside dans le fait que la somme des LISA de toutes les unites est proportionnelle
à la statistique globale . La statistique de Moran globale est utilisee aussi pour tester la
presence dune autocorrelation spatiale au niveau du terme derreur dun modèle estime par
la methode des moindres carres ordinaires12 . Cependant, cette statistique est incapable de
determiner la forme exacte de linteraction spatiale (autocorrelation au niveau de la variable
endogène ou au niveau des termes derreur). Pour surmonter cette insusance, Anselin et al.
(1996) ont developpe deux tests du multiplicateur de Lagrange ( ) ainsi que leurs versions
robustes pour tester lomission dune autocorrelation spatiale des erreurs ou lomission dune
variable endogène decalee. Recemment, Anselin et al. (2008) ont specie les deux premiers
tests ( pour tester lautocorrelation spatiale de la variable endogène et pour
tester lautocorrelation spatiale des erreurs) pour le cas des donnees de panel.
[ ( )/
2 ]2
[ ( ) /
2 ]2
(23)
et =

o`
u est le produit kronecker et est le vecteur des residus du modèle estime sur donnees
empilees sans les eets speciques et . et sont donnes par:
=
1
( ( )1 )( ) +
[(( ) )
2 ],
2
= tr( + )
(24)
(25)
Elhorst (2010b) denit les deux versions robustes de ces deux tests comme suit:
[ ( ) /
2 ( )/
2 ]2
,

(26)
[ ( )/
2 / ( ) /
2 ]2
[1 /]
(27)
robust =
robust =
11
12
Exploratory Spatial Data Analysis.
= (
u est la somme des elements de la matrice .
), o`
11
Sous lhypothèse H0 : = 0 ( = 0), la statistique ( ) suit asymptotiquement la

loi du 2 à 1 degre de liberte.
Le concept de la matrice de ponderation spatiale ou matrice de poids constitue un
element fondamental en econometrie spatiale. Cette matrice permet, non seulement de resoudre les problèmes destimation que pose la nature bidimensionnelle et multidirectionnelle
des donnees spatiales, mais aussi de denir la topologie de lespace etudie. Daprès la definition de lautocorrelation spatiale, nous pouvons aisement imaginer le role important des
notions telles que celles de proximite et de voisinage dans la schematisation de lespace et plus
largement dans la modelisation de lautocorrelation spatiale. Cependant, ces notions peuvent
revetir plusieurs interpretations. De manière generale, deux conceptions principales ont ete
retenues pour la determination des elements de la matrice de poids. Ces conceptions sont
respectivement fondees sur les principes de contigute et de distance. Les premières mesures
de dependance spatiale remontent aux travaux de Moran (1948) et Geary (1954), et reposent
sur le concept de contigute binaire. Elles ont dailleurs conduit à lutilisation des matrices
dites de contigute qui reposent sur le partage dune frontière commune entre unites spatiales. Autrement dit, deux localisations sont dites contigues dès lors quelles sont voisines.
De manière formelle, une matrice de contigute est une matrice binaire dont lelement
est egal à 1 si les deux unites spatiales et ont une frontière commune et zero sinon. Par
convention les elements = 0 (une unite nest pas contigue à elle-meme). Pour une region
quelconque et lensemble de ses voisines, les poids de la matrice de contigute sont
donc denis de la manière suivante:
1 pour ;
0 pour ;
=
0 pour = .
Lidee dun voisinage fonde exclusivement sur la notion de contigute presente cependant
un certain nombre de limites. En eet, la contigute binaire presente lorganisation des unites
du système spatial dune facon relativement sommaire, et par consequent, ne permet pas de
capter la reelle intensite des relations de dependance spatiale entre les unites. En revanche,
le principe des matrices de distances repose sur lidee generale selon laquelle deux unites
spatiales connaissent une interaction dautant plus forte (resp. faible) que la distance qui les
separe est courte (resp. longue). Les etudes de Cli et Ord (1981, 1973) ont ete à lorigine
de ce type de specication des poids spatiaux en combinant notamment une fonction de
linverse de la distance separant deux unites et la longueur relative de leur frontière commune.
Generalement, les matrices de poids utilisees reposent sur une fonction exponentielle negative
ou sur linverse de la distance separant deux unites spatiales et quelconques. La matrice
des plus proches voisins est consideree comme la matrice la plus utilisee de cette famille.
Elle est calculee à partir des distances entre les centrodes des observations prises deux à
deux. Sa forme generale est denie de la manière suivante:
0 si = ;
1 si ();
() =
0 si > ().
o`
u () est lelement , de la matrice de ponderation spatiale et () est la plus petite
distance dordre entre les unites et telle que lunite possède exactement unites
12
voisines.
La matrice de ponderation est habituellement standardisee en lignes an de faciliter
linterpretation des paramètres spatiaux après estimation. Ainsi, chaque ligne de quelconque est divisee par la somme des elements qui la composent. Les poids spatiaux qui
en resultent secrivent comme = , .
3
3.1
Donn
ees et r
esultats empiriques
Description des donn
ees
Les donnees que nous utilisons dans ce travail sont collectees auprès de lInstitut National
de la Statistique (INS) et de lAgence Nationale pour lEmploi et le Travail Independant
(ANETI)13 . Les dierentes agences sont classees par gouvernorat et sont ainsi choisies sur la
base de la disponibilite des donnees pour les dierentes variables etudiees, et pour la periode
consideree. Ces donnees, publiees par lINS, sont des donnees sur les placements realises
durant lannee ( ), le stock des demandeurs demploi enregistres à lannee -1 (1 ),
les postes oerts à la n de lannee precedente (1 ) ainsi que la population totale pour
` lencontre du travail dEl Bekri (2003)
les 23 gouvernorats Tunisiens de 1984 à 200814 . A
dans lequel lauteur utilise des donnees à lechelle nationale, nous utilisons des donnees très
desagregees an de prendre en compte la dimension spatiale (heterogeneite et autocorrelation spatiales) au niveau des quatre variables dinteret. En eet, lutilisation des donnees à
lechelle nationale peut cacher une forte heterogeneite des sous marches du travail ainsi que
des autres variables qui peuvent intervenir dune manière directe ou indirecte dans le mecanisme dappariement. Cette idee est conrmee par la decomposition de la variance totale
en variance within et variance between (tableau 3). Nous pouvons constater que la variance
between est largement superieur à la variance within pour toutes les variables utilisees dans
notre estimation (sauf la variable nombre de demandeurs demploi o`
u les deux variances
sont presque egales). Economiquement, cette desagregation nous permet devaluer les eets
dexternalite et de congestion engendres par le processus de recherche demploi par les demandeurs demploi et celui des employeurs à la recherche de candidats pour leurs postes vacants.
Lexamen de levolution des series du ux (en logarithme) (gure 1) des trois variables ,
et sur la periode 1984-2008, montre quà partir de 1991 ces trois variables suivent une
tendance ascendante et que le fosse se creuse de plus en plus entre lore et la demande
demploi. Les deux variables ux dembauche et stock dores demploi ont presque le meme
prol devolution sur la periode detude.
13
Ces donnees sont disponibles aux publiques.

La Tunisie presente actuellement 24 gouvernorats, lequivalant des departements en France. Le gouvernorat de Manouba a ete cree le 31 juillet 2000, avant sa creation lactuel gouvernorat etait une delegation
(sous-unite administrative) relevant du gouvernorat de lAriana. Pour garder le meme nombre de gouvernorats avant et après lannee 2000, nous avons retenus le decoupage administratif des 23 gouvernorats presents
avant 2000 comme reference.
14
13
10
log(V)
log(U)
7.5
8.5
9.5
log(H)
1985
1990
1995
2000
2005
2010
Anne
Figure 1: Evolution
de (), ( ) et ( )
Les sous marches du travail tunisiens sont assez exceptionnels dans le contexte international vu que des grands changements y sont apportes au niveau structurel, et o`
u nous
assistons à de grands ux migratoires de la main doeuvre des regions rurales vers les regions
les plus urbanisees. Ceci conduit à une grande concentration de la main duvre dans les
grands centres urbains (Tunis, Sousse et Sfax). Les courbes de la gure 3, illustrent une
grande divergence entre les gouvernorats du littoral et ceux de linterieur du pays. Ainsi,
nous constatons que les gouvernorats du Sud comme Medenine et du nord-ouest comme Beja
et Le Kef sourent dun niveau de placement trop faible contrairement aux gouvernorats
du centre-est (Sousse) et du nord-est (Tunis) qui enregistrent les niveaux de placements les
plus eleves. Ce qui nous permet de classer les gouvernorats tunisiens en deux groupes: les
gouvernorats de lEst (regions cotières) ayant les niveaux de placement les plus eleves, et
les gouvernorats de lOuest qui sont les plus defavorises et ayant les niveaux de placement
les plus faibles. Ainsi, malgre que les dierents programmes de developpement aient pour
objectif de minimiser le dierentiel socio-economique entre les zones rurales et urbaines dune
part et entre le littoral et linterieur du pays dautre part, la croissance a ete concentree dans
les zones cotières. En utilisant notre base de donnees, nous essayons de conrmer cet aspect
tout en estimant la fonction dappariement pour le marche du travail tunisien en prenant en
compte la dimension spatiale.
3.2
R
esultats empiriques
Le tableau 1 presente les resultats destimation de la fonction dappariement sans autocorrelation spatiale (equation (4) sous lhypothèse H0 : = 0), ainsi que les tests permettant
de discriminer entre une specication SAR et une specication SEM. Nous utilisons deux
14
matrices de ponderation spatiale: la matrice de contigute dordre 1 (1 ) et la matrice des 4

plus proches voisins (4 ), basee sur la distance euclidienne entre centrodes des gouvernorats.
Comme dans Baumont et al. (2004) lordre du voisinage est donne par le nombre moyen de
voisins pour chaque unite spatiale (le nombre moyen de voisins pour chaque gouvernorat est
egal à 4,087).
Les resultats des deux tests non robustes rejettent lhypothèse H0 dabsence dune
autocorrelation spatiale au niveau de la variable dependante (H0 : = 0) et lhypothèse
dabsence dune autocorrelation des termes derreurs (H0 : = 0). Ces conclusions restent
inchangees pour les version robustes, et nous remarquons que la valeur du test robuste
est largement superieur à celle du test robuste. Lutilisation de la matrice des quatre
plus proches voisins (4 ) fournie presque les memes conclusions (tableau 5). Sur la base de
ces resultats, le modèle SEM semble le modèle le plus adequat.
La prise en compte de leet xe spatial, ameliore la qualite dajustement du modèle
(colonne 2 du tableau 1), alors que la prise en compte de leet xe temporel (colonne 3
du tableau 1) corrige les problèmes de lautocorrelation spatiale au niveau de la variable
dependante et du terme derreurs (les deux tests robustes acceptent les deux hypothèses
nulles H0 : = 0 et H0 : = 0).
Les tests joints LR montrent quil faut tenir compte des deux eets (spatial et temporel)
dans lestimation (LR = 61,952 avec degre de liberte = 23, -value <0,01 et LR = 127,186 avec
degre de liberte = 24, -value <0,01). Nous estimons dans ce cas un modèle spatial avec les
deux eets (spatial et temporel) (two-way xed eects model (Baltagi, 2005)). En comparant
la première colonne (modèle a-spatial sans eets speciques) et la troisième colonne du tableau
1 (modèle a-spatial avec les deux eets), nous remarquons que le rendement dechelle a baisse
passant de 0,908 à 0,764. Cette baisse montre que la prise en compte de lheterogeneite
dappariement locale via le terme specique et la dimension temporelle , a un eet sur
les paramètres estimes de la fonction dappariement. La densite de la population semble avoir
un eet positif sur lembauche dans le cas dun modèle à double eets.
Comme nous lavons montre dans la section 2.2.2, le modèle SDM est un modèle generale
qui peut se presente comme un modèle SAR (si = 0) ou un modèle SEM (si = ).
Nous commencons donc par presenter les resultats destimation de ce modèle dans le tableau
2 ainsi que les dierents tests dhypothèse qui lui sont associes.
Le modèle SDM est estime sous les dierentes hypothèses suivantes: presence dun eet
spatial, dun eet temporel ou presence des deux eets. Etant

donnee que les resultats des
tests joints LR conrment la presence simultanee des deux eets spatial et temporel, nous
interpretons seulement les colonnes 8, 9 et 10 du tableau 2 qui presentent respectivement
lestimation dun modèle SDM avec les deux eets o`
u leet spatial est considere comme
un eet xe, lestimation dun modèle avec les deux eets et avec correction du biais lie
à lestimation de la variance ( 2 )15 et lestimation du modèle SDM avec les deux eets o`
u
leet spatial est considere dans ce cas comme un eet aleatoire. Les resultats destimation
du modèle SDM avec la matrice 4 , qui sont très proches avec ceux issus pour la matrice
1 , sont presentes dans le tableau 6.
15
Lee et Yu (2010) montrent que lestimation de la variance 2 est biaisee si les modèles spatiaux (SAR,
SEM et SDM) presentent lun des deux eets, spatial ou temporel. Alors que tous les paramètres estimes
sont biaises si les modèles spatiaux presentent les deux eets à la fois.
15
Table 1: Estimation de la fonction dappariement sans autocorrelation spatiale (1 )
(1 ) ()
(1 ) ()
(population )
constante
rendement dechelle
( + )
2
Modèle a-spatial
sans eets
xes
0,031
(1,011)
0,877***
(31,809)
0,016
(1,370)
0,553***
(2,886)
0,908***
(-3,481)
0,861
Modèle a-spatial
avec eet
xe spatial
0,070**
(2,148)
0,666***
(17,923)
0,159**
(2,250)
Modèle a-spatial
avec eet
xe temporel
0,076
(1,581)
0,894***
(31,028)
-0,001
(-0,113)
Modèle a-spatial
avec eets xes
spatiaux et temporels
0,052
(0,761)
0,712***
(18,439)
0,154**
(2,204)
0,736***
(-8,358)
0,878
0,970
(-0,914)
0,891
0,764***
(-3,998)
0,903
-94,275
-59,647
-27,030
3,946
3,540*
28,834***
1,043
[0,060]
[0,000]
[0,307]
50,972***
53,275***
0,818
[0,000]
[0,000]
[0,366]
4,483**
0,135
0,401
robust
[0,034]
[0,713]
[0,527]
51,915***
24,576***
0,176
robust
[0,000]
[0,000]
[0,675]
Test du rapport de vraisemblance (LR) de
signicativite dun eet xe spatial (degre de liberte = = 23)
signicativite dun eet xe temporel (degre de liberte = = 24)
3,359*
[0,067]
1,213
[0,271]
2,533
[0,111]
0,387
[0,534]
61,952***
[0,000]
127,186***
[0,000]
*** signicatif `
a 1%; ** signicatif `
a 5%; * signicatif a
` 1%;
Les valeurs entre parenth`
eses correspondent aux de Student;
Les valeurs entre crochets correspondent aux -values.
Les resultats restent presque inchanges après avoir tenir compte du biais destimation du
modèle SDM à double eets (colonne 8 et 9 du tableau 2 respectivement). Meme la valeur
de la variance a legèrement augmente (passant de 0,057 à 0,059). En eet Lee et Yu (2010)
montrent que le biais destimation est inversement lie à la valeur de , qui est dans notre cas
relativement elevee ( = 24).
Pour tester lhypothèse que les variables explicatives ne sont pas autocorrelees dans
lespace (H0 : = 0), nous utilisons le test de Wald. Les resultats de ce test, reportes
dans le tableau 2, montrent que nous pouvons accepter lhypothèse nulle dabsence dune autocorrelation spatiale au niveau des variables explicatives quelque soit la specication retenue
du modèle SDM. Le modèle SAR ne peut etre dans ce cas rejete en faveur du modèle SDM.
Cependant, lhypothèse H0 : = - est rejetee à 10% pour le cas dun modèle SDM à double eets dont leet spatial est xe (colonne 8 et 9 du tableau 2). Ce resultat montre que
le modèle SDM est meilleur quun modèle SEM (les resultats destimation du modèle SEM
pour les deux matrices de ponderation spatiale 1 et 4 sont reportes respectivement dans
les tableaux 4 et 7). Le test dHausman conrme la correlation des eets speciques et
des variables explicatives, do`
u la justication dun modèle à eets xes spatiaux-temporels.
16
Leet specique xe , qui reète lheterogeneite spatiale des marches locaux demploi, explique 41,5% (0,904 - 0,489) de la variation totale expliquee par le modèle SDM, alors que la
variation expliquee par leet temporel ne depasse pas 1,1% (0,892 - 0,881) 16 . Ce resultat
conrme de plus en plus la necessite de la prise en compte de lheterogeneite des marches
locaux demploi dans lestimation de la fonction dappariement en Tunisie. Nous pouvons
donc dire quun modèle SDM à deux eets xes (spatiaux et temporels) et le modèle le plus
adequat pour lestimation de la fonction dapparient en Tunisie (colonne 9 du tableau 2).
A partir de la colonne 9 du tableau 2, nous pouvons remarquer que les estimateurs des
elasticites et presentent les signes attendus et que le coecient est statistiquement
signicatif quelque soit la matrice des ponderation spatiale utilisee. Ainsi, et independamment de la specication de la matrice utilisee dans lestimation de la fonction dappariement
par un modèle SDM, lelasticite du nombre dappariement par rapport au nombre de postes
vacants est trop elevee alors que lelasticite par rapport au nombre de demandeurs demploi
est trop faible. Ce qui explique un peut lincapacite des politiques dinsertion professionnelles
à absorber les nombres importants de demandeurs demploi.
Une augmentation du nombre de postes vacants a un eet plus important que laugmentation
du nombre de chomeurs. Les valeurs de et issues de lestimation dun modèle SDM à
deux eets sont à lordre de 0,09 et 0,672. Un resultat similaire est obtenu par Ibourk et
Perelman (2001) pour le cas du marche du travail Marocain en utilisant lapproche de frontière decacite. Les valeurs trouvees par ces auteurs sont au voisinage de 0,18 pour et 0,81
pour . Ces resultats impliquent que, contrairement à la plupart des travaux realises pour les
pays industrialises, le nombre de postes vacants a une importance decisive dans le processus
dappariement sur le marche du travail des pays en voie de developpement comme la Tunisie
et le Maroc. La valeur assez faible de temoigne dune dierence de mesure entre cette etude
et celles de Kano et Ohta (2004) et Ilmakunnas et Pesola (2003) surtout avec lexistence dun
marche informel operant en Tunisie. Ainsi, selon le rapport de la Banque Mondiale (2004),
le nombre de chercheurs demploi enregistres auprès de lATE nest pas reellement representatif de la population totale à la recherche dun emploi, et que 12% seulement des diplomes
demandeurs demploi, se sont enregistres auprès de lATE. En plus, la nature de la specication du nombre de chomeurs ne tient pas compte des chercheurs demploi employes. Tous
ces facteurs peuvent justier la faible valeur du paramètre .
Les resultats montrent aussi que quelque soit la specication retenues, les rendements
dechelle de la fonction dappariement tunisienne sont decroissants ( + < 1) ce qui
represente un inconvenant non negligeable pour les regions ayant les marches les plus vastes,
en particulier, les regions du littoral tunisien les plus urbanisees (comme Tunis, Sousse et
Sfax). Nos resultats ne salignent pas avec le postulat de Blanchard et Diamond (1989) selon
lequel on devrait sattendre à des rendements croissants pour les marches du travail urbains,
de nature plus dense et plus uide. Nos resultats montrent aussi que lechelle spatiale retenue
dans lestimation de la fonction dappariement est dimportance non negligeable. En eet, à
lencontre de Coles et Smith (1996) qui montrent que les resultats destimation de la fonction
dappariement restent inchanges en passant de lechelle nationale à lechelle locale, le marche
du travail tunisien presente une forte heterogeneite spatiale. Ignorer cette dimension spatiale
Elhorst (2010b) montre que dierence entre la valeur de 2 et le carre du coecient de correlation 2
est expliquee par les eets xes.
16
17
dans letude de la fonction dappariement peut provoquer un biais au niveau de lestimation,

et peut derailler du fait les politiques economiques dinsertion professionnelle mises en oeuvre
par lEtat.
Les eets directs et indirects de la variables (1 ) sont signicatifs et positifs. Autrement,
une augmentation du nombre de postes vacants dune region va ameliorer la capacite
dembauche de cette meme region ainsi que celles des regions voisines. Nous pouvons donc
dire quil existe un eet spillovers positif pour cette variable explicative. Un chomeur residant dans un gouvernorat a deux possibilites: soit il accepte de rester au chomage dans
son gouvernorat de residence, soit il decide de sorienter vers les gouvernorats limitrophes
pour maximiser ses chances de trouver un emploi. Sa decision est fortement liee aux co
uts de
transport quil aurait à prendre en charge pour se deplacer. La distance, laccessibilite et les
co
uts de transport aux emplois vacants sont donc à lorigine du maintien du chomage dans
le gouvernorat à faible capacite dinsertion.
Une augmentation de la population dans une region a un eet direct positif et signicatif
sur lembauche, leet indirect de cette variable est positif aussi mais reste non signicatif.
Les gouvernorats denses, et surtout ceux du littoral à forte densite de la population, se
caracterisent donc par une meilleure qualite des rencontres. Ce resultat conrme lidee de
Duranton et Puga (2004) dexternalites positives liees à lagglomeration.
Laugmentation du nombre de demandeurs demploi de la region va avoir des eets
negatifs sur lembauche des regions voisines, soit un eet spillovers negatif. En eet, pour
ameliorer leurs chances de trouver un emploi ailleurs, les demandeurs demploi de la region
vont se deplacer vers les regions limitrophes ce qui va augmenter de plus en plus leurs
dicultes dinsertion.
Nous montrons donc quil existe des eets de spillovers positifs et negatifs et des variations regionales et locales dans lecacite du processus dappariement. Cette constatation
suggère que le recours à des solutions locales aux problèmes de chomage devient une priorite
necessaire. Par exemple, il semble important daccrotre les competences des chomeurs an
quils puissent soutenir ecacement la concurrence pour les postes vacants. Il est egalement
necessaire de veiller à ce que les programmes de formation pour les chomeurs sont adaptes
aux besoins des employeurs locaux.
18
Table 2: Resultats destimation des modèles SAR et SDM (1 )
(1 ) ()
(1 ) ()
(population )
3
0,208***
(4,981)
0,034
(1,016)
0,629***
(16,584)
0,103
(1,454)
4
0,337***
(6,900)
0,141**
(2,061)
0,645***
(14,855)
0,127*
(1,715)
-0,100
(-1,362)
-0,235***
(-3,311)
0,100
(0,769)
5
0,034
(1,073)
0,091*
(1,809)
0,889***
(29,936)
-0,009
(-0,628)
0,195
(0,768)
0,901***
(-4,047)
2
0,332***
(6,773)
0,097*
(1,938)
0,866***
(27,222)
-0,003
(-0,169)
-0,072
(-1,261)
-0,330***
(-5,032)
0,028
(1,072)
0,665**
(2,524)
0,963
(-0,480)
0,663***
(-9,350)
0,786***
(-3,786)
0,082
0,862
0,859
-92,459
0,073
0,877
0,863
-69,323
0,072
0,884
0,541
-47,006
0,067
0,891
0,551
-35,929
*(1 )
*(1 )
*(population )
constante
rendement dechelle
( + )
2
2
2
Test de Wald (H0 : = 0)

(degre de liberte = 3)
Test de Wald (H0 : + = 0)
Test de Hausman
7
0,080*
(1,737)
0,074
(1,071)
0,697***
(17,545)
0,143**
(2,013)
8
0,061
(1,073)
0,090
(1,299)
0,672***
(16,483)
0,132*
(1,889)
-0,226*
(-1,885)
0,083
(1,037)
0,230
(1,451)
9
0,061
(1,075)
0,090
(1,272)
0,672***
(16,136)
0,132*
(1,849)
-0,226*
(-1,846)
0,083
(1,019)
0,230
(1,421)
10
0,051
(0,921)
0,116*
(1,912)
0,791***
(21,972)
0,030
(1,072)
-0,169
(-1,461)
0,057
(0,726)
0,001
(0,013)
0,980
(-0,574)
6
0,057
(1,090)
0,093*
(1,792)
0,884***
(28,595)
-0,007
(-0,384)
-0,094
(-0,864)
0,003
(0,040)
0,011
(0,380)
0,057
(1,090)
0,977
(-1,544)
0,772***
(-3,804)
0,761***
(-4,035)
0,761***
(-4,035)
0,067
0,891
0,881
-26,758
0,067
0,892
0,881
-26,354
0,060
0,903
0,484
5,581
0,057
0,904
0,489
8,386
5,628
[0,131]
7,629*
[0,054]
0,059
0,904
0,489
8,386
5,398
[0,145]
7,311*
[0,063]
40,457***
[0,000]
0,907**
(-1,985)
5,469
0,061
0,888
0,879
-457,405
2,535
[0,469]
2,916
[0,405]
19
*( ) ()
1
0,058**
(1,964)
0,025
(0,799)
0,876***
(32,000)
0,009
(0,763)
Eet direct (1 )
Eet indirect (1 )
Eet total (1 )
Eet direct (1 )
Eet indirect (1 )
Eet total (1 )
Eet direct (population )
Eet indirect (population )
Eet totale (population )
1
0,024
(0,809)
0,001
(0,627)
0,026
(0,808)
0,878***
(32,925)
0,052*
(1,781)
0,930***
(22,891)
0,009
(0,730)
0,000
(0,495)
0,009
(0,723)
2
0,096**
(2,044)
-0,058
(-0,929)
0,038
(0,753)
0,861***
(28,390)
-0,061
(-0,925)
0,801***
(12,123)
-0,002
(-0,109)
0,040
(1,282)
0,038
(1,475)
3
0,034
(0,984)
0,008
(0,907)
0,042
(0,977)
0,636***
(16,086)
0,160***
(4,108)
0,797***
(13,435)
0,103
(1,436)
0,025
(1,356)
0,128
(1,441)
4
0,137**
(2,135)
-0,076
(-0,997)
0,061
(1,083)
0,643***
(15,125)
-0,023
(-0,275)
0,619***
(6,939)
0,142*
(1,952)
0,204
(1,151)
0,346*
(1,823)
5
0,093*
(1,887)
0,004
(0,932)
0,097*
(1,872)
0,889***
(30,034)
0,033
(1,134)
0,922***
(23,411)
-0,009
(-0,678)
-0,001
(-0,657)
-0,010
(-0,686)
6
0,095*
(1,827)
-0,087
(-0,756)
0,008
(0,062)
0,884***
(29,172)
0,055
(0,897)
0,938***
(15,928)
-0,007
(-0,378)
0,011
(0,358)
0,004
(0,136)
7
0,077
(1,121)
0,007
(0,836)
0,084
(1,114)
0,699***
(17,565)
0,061*
(1,640)
0,760***
(14,283)
0,147**
(2,010)
0,013
(1,144)
0,160**
(1,995)
8
0,086
(1,291)
-0,230*
(-1,877)
-0,144
(-1,057)
0,673***
(17,497)
0,129*
(1,822)
0,802***
(11,193)
0,138**
(1,959)
0,247
(1,440)
0,385**
(2,102)
9
0,088
(1,247)
-0,235*
(-1,819)
-0,147
(-1,015)
0,674***
(16,297)
0,133*
(1,793)
0,807***
(10,655)
0,140*
(1,916)
0,243
(1,470)
0,383**
(2,106)
10
0,113*
(1,802)
-0,174
(-1,499)
-0,061
(-0,472)
0,792***
(21,820)
0,104*
(1,563)
0,896***
(13,245)
0,029
(1,036)
0,004
(0,087)
0,032
(0,968)
*** signicatif `
` 1%;
1: Mod`
ele SAR sans eets xes; 2: Mod`
ele SAR avec variables explicatives d
ecal
ees et sans eets xes;
3: Mod`
ele SAR avec eets xes individuels (eets xes spatiaux); 4: Mod`
ecal
ees et eets xes spatiaux;
5: Mod`
ele SAR avec eets xes temporels; 6: Mod`
ecal
ees et eets xes temporels;
7: Mod`
ele SAR avec eets xes spatiaux et eets xes temporels; 8: Mod`
ecal
ees, eets xes spatiaux et eets xes temporels;
9: Mod`
ecal
ees, eets xes spatiaux, eets xes temporels et correction du biais destimation de 2 ;
10: Mod`
ecal
ees, eets xes temporels et eets spatiaux al
eatoires.
2 est le coecient de corr
elation au carr
e entre la variable d
ependante et sa valeur estim
ee , il est donn
e par (Elhorst, 2010):
2 (, ) =
)]2
[( ) (
) (
)] ,
[( ) ( )][(
ee.
avec est le vecteur ( 1) de la variable d
ependante, sa moyenne et sa valeur estim
20
Suite de la Table 2
Conclusion
Nous avons etudie dans cet article la relation dappariement entre les demandeurs demploi
et les portes vacants en Tunisie sur la periode allant de 1984 à 2008. Le recours aux outils de
leconometrie spatiale pour des donnees en panel nous a permis de tenir compte dune manière
explicite les eets spatiaux (autocorrelation et heterogeneite spatiales). Les resultats obtenus
le long de ce travail nous ont permis de montrer que les techniques de modelisation anterieures
de la fonction dappariement sont mal speciees et que, ni le nombre de demandeurs demploi
chomeurs ni le nombre de postes vacants ou le niveau dores demploi, nechappent aux eets
de la localisation et de lespace. Nous avons opte, sur la base des tests statistiques robustes,
pour le modèle de Durbin spatial à double eets. Les resultats destimation de ce modèle
montrent que les estimateurs des elasticites et presentent des signes attendus quelque
soit la specication retenue et la matrice de ponderation utilisee. Lelasticite du nombre
dappariements par rapport au nombre de postes vacants () est trop elevee alors que celle
par rapport au nombre de demandeurs demploi () est trop faible. Un resultat semblable
est mis en evidence par Ibourk et Perelman (2001) dans le cas du marche du travail Marocain
en utilisant lapproche de frontière decacite. Ces resultats impliquent que, contrairement à
la plupart des estimations qui ont ete faites pour les pays industrialises, le nombre de postes
vacants a une importance decisive dans le processus dappariement dans le marche du travail
tunisien.
Nos resultats ont montre aussi que quel que soit le modèle estime (SAR, SEM ou SDM),
lappariement sur le marche du travail tunisien se caracterise par des rendements dechelle
decroissants. Ce qui implique un accroissement moins que proportionnel du nombre dembauches
par rapport à la taille du marche du travail. En plus les rendements dechelle baissent une fois
que les eets spatiaux sont prises en compte. Ce resultat original est interessant parce quil
contredit lidee selon laquelle on devrait sattendre à des rendements constants voir meme
croissants. Si nos resultats destimation salignent avec ceux dIbourk et Perelman (2001)
sur le fait que le nombre de postes vacants a une importance decisive, ils les contredisent sur
la nature des rendements dechelle. Ainsi, la prise en compte des eets spatiaux a montre
leet signicatif des problèmes locaux dappariement autre que le mismatch au niveau des
competences ou aux niveaux des caracteristiques et des comportements des agents. En eet,
il existe des eets de spillovers negatifs et positifs et des impacts directs et indirects entre
les dierents gouvernorats qui aectent lappariement sur le marche du travail.
21
!" !"
!"
!" !"!"!" !"
!" !"
!" !"
!"
!" !"
4
!"
!"
8
!"
10
13
23
16
24
19
20
15
12
18
!"
!"
7
17
!"
22
!"
1 1
!"
14
!"
21
Figure 2: (1) Ariana; (2) Beja; (3) Ben Arous; (4) Bizerte; (5) El Kef; (6) Gabes; (7) Gafsa; (8) Jendouba;
(9) Kairouan; (10) Kesserine; (11) Kebili; (12) Mahdia; (13) Manouba; (14) Medenine; (15) Monastir; (16)
Nabeul; (17) Sfax; (18) Sidi Bouzid; (19) Siliana; (20) Sousse; (21) Tataouine; (22) Tozeur; (23) Tunis; (24)
Zaghouan
22
10.5
Sfax
11
Sousse
10
8
8.5
9.5
10
10
11
Tunis
1990
1995 2000
Anne
2005
2010
1990
1995 2000
Anne
2005
2010
10
Le Kef
1985
1990
1995 2000
Anne
2005
2010
2005
2010
Medenine
1985
1990
1995 2000
Anne
2005
2010
___ log(V)
9
8
7
10
Bja
1985
10
1985
1985
1990
1995 2000
Anne
log(H)
2005
2010
1985
1990
1995 2000
Anne
_ _ _ log(U)
Figure 3: Evolution
de (), ( ) et ( ) pour les six gouvernorats de la Tunisie.
Variable
()
( )
( )
(population)
Table 3: Moyenne et variation totale, within et between
Moyenne Ecart-type
Minimum Maximum
Totale
7,865
0,775
5,323
9,729
0,662
6,535
9,048

0,425
5,192
8,744
Totale
9,182
0,677
7,565
10,782
0,483
8,227
10,093

0,485
8,097
10,363
Totale
7,976
0,787
5,464
9,767
0,689
6,580
9,142

0,406
6,550
8,872
Totale
4,379
1,418
0,948
8,146
1,436
1,216
8,044

0,184
2,173
5,951
23
Observations
= 575
= 23
= 25
= 575
= 23
= 25
= 575
= 23
= 25
= 575
= 23
= 25
(1 ) ()
(1 ) ()
(population)
Coecient spatial ()
*(1 )
*(1 )
*(population)
Constante
rendement dechelle ( + )
0,317
(1,452)
0,939**
(-2,168)
0,074
2
0,861
2
2
0,861
-71,651
LR-test signicance spatial random eects

Degre de liberte; -value
Hausman test-statistic
2
0,094**
(2,020)
0,862***
(28,042)
-0,001
(-0,053)
0,332***
(6,767)
-0,066
(-1,120)
-0,029
(-0,522)
0,030
(1,075)
0,873**
(2,384)
0,957
(-1,309)
3
0,093**
(2,222)
0,663***
(16,832)
0,131*
(1,818)
0,339***
(6,948)
4
0,137**
(2,227)
0,641***
(15,299)
0,143**
(1,968)
0,343***
(7,052)
-0,078
(-1,102)
-0,020
(-0,289)
0,196
(1,342)
5
0,079
(1,622)
0,892***
(30,130)
-0,002
(-0,141)
0,055
(0,960)
6
0,092*
(1,773)
0,885***
(28,798)
-0,007
(-0,377)
0,053
(0,925)
-0,089
(-0,809)
0,054
(0,949)
0,011
(0,363)
7
0,063
(0,908)
0,706***
(17,769)
0,149**
(2,082)
0,065
(1,142)
8
0,085
(1,237)
0,674***
(16,673)
0,136*
(1,942)
-0,225*
(-1,849)
0,125*
(1,791)
0,243
(1,527)
0,055
(0,960)
9
0,147***
(5,419)
0,818***
(24,944)
0,009
(0,658)
0,377***
(7,897)
10
0,158***
(3,049)
0,787***
(22,076)
0,011
(0,476)
0,375***
(7,824)
-0,063
(-0,997)
0,089
(1,601)
0,001
(0,031)
0,755***
(-6,540)
0,778***
(-4,350)
0,971
(-0,793)
0,976
(-0,633)
0,769***
(-3,858)
0,759***
(-3,956)
0,073
0,863
0,863
-69,737
0,068
0,877
0,550
-37,094
0,067
0,878
0,552
-35,546
0,067
0,891
0,881
-26,861
0,067
0,891
0,881
-26,270
0,060
0,903
0,481
4,595
0,057
0,904
0,489
8,331
0,965***
(-3,875)
(1,687)
0,071
0,880
0,858
-72,225
-70,263
[1; 0,987]
-69,327***
[4; 0,000]
0,945
(-1,462)
(2,107)
0,070
0,882
0,857
-70,701
-70,309
[1; 0,988]
-67,996***
[7; 0,000]
*** signicatif `
a 5%; * signicatif `
a 1%;
Les valeurs entre crochets correspondent aux degr
es de libert
e et aux -values.
1: Mod`
ele SEM sans eets xes; 2: Mod`
ele SEM avec variables explicatives d
ecal
ees sans eets xes;
3: Mod`
ele SEM avec eets xes individuels (eets xes spatiaux); 4: Mod`
ecal
5: Mod`
ele SEM avec eets xes temporels; 6: Mod`
ecal
7: Mod`
ele SEM avec eets xes spatiaux et eets xes temporels; 8: Mod`
ecal
9: Mod`
ele SEM avec eets spatiaux al
eatoires; 10: Mod`
ecal
ees et eets spatiaux al
eatoires.
24
Table 4: Resultats destimation du modèle SEM (1 )

1
0,058
(1,549)
0,881***
(30,946)
0,008
(0,575)
0,343***
(7,052)
Table 5: Estimation de la fonction dappariement sans autocorrelation spatiale (4 )
(1 ) ()
(1 ) ()
(population )
constante
rendement dechelle
( + )
2
Modèle a-spatial
sans eets
xes
0,031
(1,011)
0,877***
(31,809)
0,016
(1,370)
0.553***
(2,886)
0,908***
(-3,481)
0,861
Modèle a-spatial
avec eet
xe spatial
0,070**
(2,148)
0,666***
(17,923)
0,159**
(2,250)
Modèle a-spatial
avec eet
xe temporel
0,076
(1,581)
0,894***
(31,028)
-0,001
(-0,113)
Modèle a-spatial
avec eets xes
spatiaux et temporels
0,052
(0,761)
0,712***
(18,439)
0,154**
(2,204)
0,736***
(-8,358)
0,878
0,970
(-0,914)
0,891
0,764***
(-3,998)
0,903
-94,275
-59,647
-27,030
3,946
0,457
[0,499]
0,199
[0,656]
0,275
[0,600]
0,017
[0,897]
2,485
[0,115]
0,425
[0,515]
3,202
[0,074]
1,142
[0,285]
61,952***
[0,000]
127,186***
[0,000]
3,086*
31,965***
[0,079]
[0,000]
57,896***
59,897***
[0,000]
[0,000]
4,255**
0,088
robust
[0,039]
[0,767]
59,065***
28,019***
robust
[0,000]
[0,000]
signicativite dun eet xe spatial (degre de liberte = 23)
signicativite dun eet xe temporel (degre de liberte = 24)
*** signicatif `
` 1%;
25
*( ) ()
(1 ) ()
(1 ) ()
(population )
3
0,239***
(5,443)
0,005
(0,137)
0,623***
(16,636)
0,079
(1,121)
4
0,382***
(7,603)
0,115*
(1,640)
0,651***
(15,027)
0,107
(1,434)
-0,093
(-1,174)
-0,243***
(-3,124)
0,081
(0,587)
5
0,026
(0,801)
0,083*
(1,678)
0,891***
(30,128)
-0,006
(-0,434)
6
0,040
(0,654)
0,088*
(1,751)
0,881***
(28,751)
-0,007
(-0,470)
-0,164
(-1,427)
0,025
(0,294)
0,034
(1,493)
7
0,093*
(1,828)
0,067
(0,974)
0,698***
(17,586)
0,139**
(1,944)
8
0,050
(0,806)
0,082
(1,190)
0,677***
(16,737)
0,124*
(1,759)
-0,188
(-1,415)
0,117
(1,235)
0,270
(1,508)
9
0,050
(0,808)
0,082
(1,165)
0,677***
(16,384)
0,124*
(1,722)
-0,188
(-1,385)
0,117
(1,213)
0,270
(1,476)
10
0,040
(0,646)
0,111*
(1,919)
0,807***
(23,104)
0,014
(0,692)
-0,205*
(-1,656)
0,064
(0,726)
0,035
(1,161)
0,248
(1,028)
0,895**
(-1,990)
2
0,358***
(6,9716)
0,107**
(2,153)
0,862***
(27,316)
-0,007
(-0,469)
-0,080
(-1,299)
-0,361***
(-5,291)
0,043**
(2,420)
0,658***
(2,659)
0,970
(-0,915)
0,634***
(-9,143)
0,767***
(-3,944)
0,974
(-0,723)
0,969
(-0,895)
0,766***
(-3,908)
0,759***
(-4,131)
0,759***
(-3,960)
0,082
0,862
0,859
-92,459
0,073
0,877
0,863
-66,457
0,071
0,885
0,539
-45,094
0,067
0,891
0,556
-34,952
0,067
0,891
0,881
-27,052
0,067
0,892
0,882
-25,669
0,060
0,903
0,484
5,294
0,057
0,904
0,488
7,865
5,033
[0,169]
7,415*
[0,060]
0,059
0,904
0,488
7,865
4,836
[0,184]
7,106*
[0,069]
40,458***
[0,000]
0,919*
(-1,821)
5,605
0,062
0,887
0,880
-603,163
2,867
[0,415]
3,427
[0,330]
*(1 )
*(1 )
*(population )
constante
rendement dechelle
( + )
2
2
2
Wald test spatial lag

Wald test spatial error
Test de Hausman
26
Table 6: Resultats destimation des modèles SAR et SDM (4 )

1
0,057*
(1,901)
0,017
(0,554)
0,877***
(32,029)
0,012
(0,975)
Eet direct (1 )
Eet indirect (1 )
Eet total (1 )
Eet direct (1 )
Eet indirect (1 )
Eet total (1 )
Eet direct (population )
Eet indirect (population )
Eet totale (population )
1
0,017
(0,559)
0,001
(0,364)
0,018
(0,554)
0,879***
(32,928)
0,051*
(1,720)
0,930 ***
(22,672)
0,011
(0,939)
0,001
(0,679)
0,012
(0,935)
2
0,107**
(2,269)
-0,063
(-0,884)
0,043
(0,758)
0,858***
(28,330)
-0,079
(-1,093 )
0,778***
(10,664)
-0,004
(-0,313)
0,062**
(2,557)
0,058**
(2,283)
3
0,005
(0,129)
0,001
(0,044)
0,005
(0,109)
0,637***
(16,153)
0,193***
(4,279)
0,830***
(12,959)
0,079
(1,103)
0,023
(1,052)
0,102
(1,103)
4
0,112*
(1,687)
-0,077
(-0,881)
0,035
(0,523)
0,651***
(15,384)
0,011
(0,112)
0,662***
(6,419)
0,119
(1,618)
0,190
(0,926)
0,308
(1,433)
5
0,084*
(1,754)
0,003
(0,736)
0,0870*
(1,749)
0,891***
(30,194)
0,025
(0,858)
0,917***
(22,855)
-0,006
(-0,479)
-0,001
(-0,520)
-0,007
(-0,489)
6
0,090*
(1,786)
-0,161
(-1,340)
-0,072
(-0,576)
0,881***
(29,191)
0,060
(0,875)
0,941***
(14,049)
-0,007
(-0,453)
0,035
(1,520)
0,028
(1,100)
7
0,070
(1,023)
0,008
(0,793)
0,078
(1,019)
0,700***
(17,599)
0,072*
(1,700)
0,772***
(13,496)
0,142*
(1,944)
0,015
(1,155)
0,157*
(1,929)
8
0,080
(1,200)
-0,190
(-1,410)
-0,111
(-0,777)
0,678***
(17,720)
0,155*
(1,843)
0,834***
(10,071)
0,129*
(1,811)
0,284
(1,479)
0,412**
(2,055)
9
0,082
(1,164)
-0,197
(-1,379)
-0,115
(-0,759)
0,679***
(16,509)
0,160*
(1,816)
0,839***
(9,627)
0,131*
(1,778)
0,279
(1,515)
0,410**
(2,069)
10
0,109*
(1,818)
-0,210*
(-1,706)
-0,102
(-0,777)
0,808***
(22,849)
0,104
(1,388)
0,911***
(12,105)
0,013
(0,668)
0,037
(1,231)
0,051
(1,583)
*** signicatif `
` 1%;
1: Mod`
ele SAR sans eets xes; 2: Mod`
ecal
ees et sans eets xes;
3: Mod`
ele SAR avec eets xes individuels (eets xes spatiaux); 4: Mod`
ecal
5: Mod`
ele SAR avec eets xes temporels; 6: Mod`
ecal
7: Mod`
ele SAR avec eets xes spatiaux et eets xes temporels; 8: Mod`
ecal
9: Mod`
ecal
ees, eets xes spatiaux, eets xes temporels et correction du biais destimation de 2 ;
10: Mod`
ecal
ees, eets xes temporels et eets spatiaux al
eatoires.
27
Suite de la Table 6
(1 ) ()
(1 ) ()
(population)
Coecient spatial ()
*(1 )
*(1 )
*(population)
Constante
rendement dechelle ( + )
0,285
(1,273)
0,946*
(-1,923)
0,074
2
0,861
2
2
0,861
-70,658
LR-test signicance spatial random eects

Hausman test-statistic
2
0,109**
(2,326)
0,855***
(27,643)
-0,003
(-0,233)
0,371***
(7,299)
-0,089
(-1,361)
-0,030
(-0,497)
0,054***
(2,671)
0,918***
(2,567)
0,964
(-1,152)
3
0,078*
(1,837)
0,667***
(16,931)
0,117
(1,613)
0,379***
(7,515)
4
0,120*
(1,849)
0,648***
(15,487)
0,112
(1,513)
0,381***
(7,570)
-0,097
(-1,199)
0,056
( 0,697)
0,134
(0,820)
5
0,078
(1,590)
0,893***
(30,301)
-0,002
(-0,142)
0,031
(0,483)
6
0,088*
(1,746)
0,881***
(28,851)
-0,007
(-0,465)
0,046
(0,722)
-0,164
(-1,417)
0,062
(0,959)
0,035
(1,517)
7
0,057
(0,820)
0,709***
(17,905)
0,150**
(2,102)
0,042
(0,661)
8
0,082
(1,159)
0,678***
(16,501)
0,125*
(1,743)
-0,192
(-1,387)
0,157*
(1,849)
0,272
(1,482)
0,052
(0,822)
9
0,160***
(5,784)
0,795***
(23,128)
0,019
(1,401)
0,411***
(8,465)
10
0,164***
( 2,727)
0,787***
( 21,953)
0,002
( 0,166)
0,418***
(8,860)
-0,105
(-1,401)
0,100*
(1,694)
0,067***
(3,786)
0,745***
-6,386
0,769***
-4,226
0,971
-0,803
0,969
(-0,907)
0,766***
(-3,909)
0,760***
(-4,185)
0,072
0,863
0,863
-66,389
0,0675
0,8774
0,5504
-35,70489
0,067
0,877
0,551
-34,649
0,068
0,891
0,891
-27,192
0,067
0,892
0,882
-25,610
0,060
0,903
0,481
4,179
0,059
0,904
0,488
7,882
0,955***
(-2,172)
(2,989)
0,070
0,881
0,856
-68,810
-66,211
[1; 0,999]
-53,334***
[4; 0,000]
0,951***
(-2,355)
(1,130)
0,070
0,882
0,857
-70,701
-50,518
[1; 1,000]
-47,506***
[7; 0,000]
*** signicatif `
a 5%; * signicatif `
a 1%;
Les valeurs entre crochets correspondent aux degr
es de libert
e et aux -values.
1: Mod`
ele SEM sans eets xes; 2: Mod`
ecal
ees sans eets xes;
3: Mod`
ele SEM avec eets xes individuels (eets xes spatiaux); 4: Mod`
ecal
5: Mod`
ele SEM avec eets xes temporels; 6: Mod`
ecal
7: Mod`
ele SEM avec eets xes spatiaux et eets xes temporels; 8: Mod`
ecal
9: Mod`
ele SEM avec eets spatiaux al
eatoires; 10: Mod`
ecal
ees et eets spatiaux al
eatoires.
28
Table 7: Resultats destimation du modèle SEM (4 )

1
0,057
(1,525)
0,888***
(31,731)
0,003
(0,204)
0,376***
(7,434)
References
Anderson, P. and S. Burgess (2000). Empirical matching functions: estimation and interpretation using state-level data. Review of Economics and Statistics 82 (1), 93102.
Anselin, L. (1995). Local indicators of spatial association-LISA. Geographical Analysis 27 (2),
93115.
Anselin, L., A. Bera, R. Florax, and M. Yoon (1996). Simple diagnostic tests for spatial
dependence. Regional science and urban economics 26 (1), 77104.
Anselin, L. and J. Le Gallo (2006). Interpolation of air quality measures in hedonic house
price models: spatial aspects. Spatial Economic Analysis 1 (1), 3152.
Anselin, L., J. Le Gallo, and H. Jayet (2008). Spatial panel econometrics. The Econometrics
of Panel Data, 625660.
Baltagi, B. (2005). Econometric analysis of panel data. John Wiley & Sons, Inc. ISBN
0-470-01456-3 .
Banque Mondiale (2004). Republique Tunisienne: Strategie dEmploi. vol. I, Rapport Principal, 25456-TUN, Washington, 138 p.
Baumont, C., C. Ertur, and J. Le Gallo (2004). Spatial Analysis of Employment and Population Density: The Case of the Agglomeration of Dijon, 1999. Geographical Analysis 36 (2),
146177.
Blanchard, O. and P. Diamond (1989). The beveridge curve. Brookings papers on economic
activity 1989 (1), 176.
Blanchard, O. and P. Diamond (1990). The aggregate matching function. Growth, Productivity, Unemployment, Essays to Celebrate Bob Solows Birthday, MIT Press, Cambridge
MA, 159201.
Burgess, S. and S. Prot (2001). Externalities in the Matching of Workers and Firms in
Britain. Labour Economics 8 (3), 313333.
Burridge, P. (1981). Testing for a common factor in a spatial autoregression model. Environment and Planning A 13 (7), 795800.
Cli, A. and J. Ord (1973). Spatial Autocorrelation. Pion, London.
Cli, A. and J. Ord (1981). Spatial processes: models & applications. Pion, London.
Coles, M. and E. Smith (1996). Cross-section estimation of the matching function: evidence
from England and Wales. Economica 63 (252), 589597.
Duranton, G. and D. Puga (2004). Micro-foundations of urban agglomeration economies.
Handbook of regional and urban economics 4, 20632117.
29
El Bekri, F. (2003). Qualication et dynamique du marche du travail en Tunisie: un de vers

la mondialisation. Mondialisation & regulation sociale, 311.
Elhorst, J. (2003). Specication and estimation of spatial panel data models. International
regional science review 26 (3), 244.
Elhorst, J. (2010a). Applied spatial econometrics: raising the bar. Spatial Economic Analysis 5 (1), 928.
Elhorst, J. (2010b). Spatial panel data models. Handbook of applied spatial analysis, 377407.
Fischer, M., M. Bartkowska, A. Riedl, S. Sardadvar, and A. Kunnert (2009). The impact of
human capital on regional labor productivity in Europe. Letters in Spatial and Resource
Sciences 2 (2), 97108.
Geary, R. (1954). The contiguity ratio and statistical mapping. The Incorporated Statistician,
115146.
Hynninen, S. (2005). Matching across space: Evidence from Finland. Labour 19 (4), 749765.
Ibourk, A. and S. Perelman (2001). Frontières decacite et processus dappariement sur le
marche du travail au Maroc. Economie & prevision (4), 3345.
Ilmakunnas, P. and H. Pesola (2003). Regional labour market matching functions and eciency analysis. Labour 17 (3), 413437.
Jayet, H. (1993). Analyse spatiale quantitative: une introduction. Economica, Paris.
Jeanty, P., M. Partridge, and E. Irwin (2010). Estimation of a spatial simultaneous equation
model of population migration and housing price dynamics. Regional Science and Urban
Economics 40 (5), 343352.
Kano, S. and M. Ohta (2004). Long-run matching relationship in the Japanese labor market.
Empirical Economics 29 (4), 921937.
Kelejian, H. and I. Prucha (1998). A generalized spatial two-stage least squares procedure for
estimating a spatial autoregressive model with autoregressive disturbances. The Journal
of Real Estate Finance and Economics 17 (1), 99121.
Kelejian, H. and I. Prucha (1999). A generalized moments estimator for the autoregressive
parameter in a spatial model. International economic review 40 (2), 509533.
Kelejian, H., G. Tavlas, and G. Hondroyiannis (2006). A Spatial Modelling Approach to
Contagion Among Emerging Economies. Open Economies Review 17 (4), 423441.
Lee, L. and J. Yu (2010). Estimation of spatial autoregressive panel data models with xed
eects. Journal of Econometrics 154 (2), 165185.
LeSage, J. and M. Dominguez (2011). The importance of modeling spatial spillovers in public
choice analysis. Public Choice 146, 121.
30
LeSage, J. and R. Pace (2009). Introduction to spatial econometrics. Chapman & Hall/CRC.
Moran, P. (1948). The interpretation of statistical maps. Journal of the Royal Statistical
Society B 10 (243), 51.
Moran, P. (1950). A test for the serial independence of residuals. Biometrika 37 (1), 178181.
Ord, K. (1975). Estimation methods for models of spatial interaction. Journal of the American Statistical Association 70 (349), 120126.
Pace, R. and R. Barry (1997). Quick computation of spatial autoregressive estimators. Geographical Analysis 29 (3), 232247.
Petrongolo, B. and C. Pissarides (2001). Looking into the black box: A survey of the matching
function. Journal of Economic Literature 39 (2), 390431.
Tobler, W. (1979). Smooth pycnophylactic interpolation for geographical regions. Journal of
the American Statistical Association 74 (367), 519530.
Upton, G. and B. Fingleton (1985). Spatial data analysis by example. Wiley, New York.
31

Fonction D'appariement Rendements D'echelle

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

Fonction D'appariement Rendements D'echelle

Transféré par

Droits d'auteur :

Formats disponibles

Fonction dappariement, rendements dechelle et

Key Words: Fonction dappariement; Econom

IHEC Sousse, Universite de Sousse (Tunisie), E-mail: anisbouabid@gmail.com.

IHEC Sousse, Universite de Sousse (Tunisie), E-mail: Lot.Belkacem@isgs.rnu.tn;

Depuis le milieu des annees 1980, lEtat

reduire linegalite inter-regionale des opportunites du travail. Ainsi, en 1981 lEtat

aider la Tunisie `a ameliorer sa strategie demploi `a moyen terme.

de proximite et heterogeneite spatiale) dans lestimation dune fonction dappariement au

demploi. Il sagit dune fonction implicite o`

avec , denote la technologie dappariement analysee comme etant un eet individuel.

(population )), est lelement , de la matrice de ponderation spatiale . et sont

Nous considerons le mod`ele SEM suivant:

Si leet spatial est considere comme aleatoire, la fonction de vraisemblance prend la

Le mod`ele de Durbin spatial (SDM) se presente comme suit:

Dans ce mod`ele, le nombre de placement eectue au sein du gouvernorat `a la date ( )

- La moyenne des caracteristiques des marches du travail voisins `a ,

(ou leet de spillovers spatial). Etant

()indirect = ()total ()direct

tr designe la trace de la matrice.

Exploratory Spatial Data Analysis.

Sous lhypoth`ese H0 : = 0 ( = 0), la statistique ( ) suit asymptotiquement la

en resultent secrivent comme = , .

Ces donnees sont disponibles aux publiques.

matrices de ponderation spatiale: la matrice de contigute dordre 1 (1 ) et la matrice des 4

spatial, dun eet temporel ou presence des deux eets. Etant

Table 1: Estimation de la fonction dappariement sans autocorrelation spatiale (1 )

dans letude de la fonction dappariement peut provoquer un biais au niveau de lestimation,

Table 2: Resultats destimation des mod`eles SAR et SDM (1 )

Test de Wald (H0 : = 0)

Table 3: Moyenne et variation totale, within et between

LR-test signicance spatial random eects

Table 4: Resultats destimation du mod`ele SEM (1 )

Table 5: Estimation de la fonction dappariement sans autocorrelation spatiale (4 )

Wald test spatial lag

Table 6: Resultats destimation des mod`eles SAR et SDM (4 )

LR-test signicance spatial random eects

Table 7: Resultats destimation du mod`ele SEM (4 )

El Bekri, F. (2003). Qualication et dynamique du marche du travail en Tunisie: un de vers

Vous aimerez peut-être aussi