Navigation – Plan du site

AccueilNuméros134L’accompagnement et les trajectoi...

L’accompagnement et les trajectoires d’insertion des jeunes bénéficiaires d’un contrat d’insertion dans la vie sociale

Job search assistance and the professional integration trajectories of young people in Civis
Bernard Gomel, Sabina Issehnane et François Legendre
p. 5-20

Résumés

Nous cherchons dans cet article à évaluer les conséquences d’une intensification de l’accompagnement sur le degré d’insertion professionnelle des jeunes bénéficiaires du contrat d’insertion dans la vie sociale (Civis). Mis en œuvre dans le réseau des missions locales, le dispositif Civis a pour objectif l’accompagnement des jeunes de 16 à 25 ans peu ou pas diplômés vers l’emploi. Créé en 2005, il fait suite au programme Trace, pour trajet d’accès à l’emploi. Les données disponibles proviennent de l’application Parcours 3 développée pour suivre les jeunes dans ces missions. Cette source est constituée en données de panel. Nous obtenons un impact positif, net et robuste, de l’intensification de l’accompagnement des jeunes sur leur insertion professionnelle. Les conséquences défavorables de la crise économique, au troisième trimestre de l’année 2008, sont particulièrement visibles dans nos données.

Haut de page

Texte intégral

Nous avons bénéficié, initialement, d’un soutien financier de la Dares dans le cadre d’un contrat de recherche réalisé au Centre d’études de l’emploi. Lionel Bonnevialle et Hélène Michaudon ont bien voulu partager avec nous leurs connaissances des missions locales et des données de Parcours 3 ; nous les en remercions vivement. Merci aussi à Yves Loupret, directeur de la mission locale de Tarbes, spécialiste de l’application Parcours 3, qui a bien voulu nous recevoir pour que nous puissions nous former à Parcours 3. Nous avons également bénéficié des remarques de Sylvie Blasco sur une version antérieure de ce travail.

1Nous avons antérieurement montré (Gomel et al., 2010) qu’un accompagnement plus intense, dans les missions locales, des jeunes bénéficiaires du Civis (contrat d’insertion dans la vie sociale) accélérait leur insertion professionnelle. Ce résultat est établi à partir de données de gestion des missions locales, issues du système d’information Parcours 3. Il n’est toutefois obtenu qu’après la prise en compte de l’hétérogénéité des jeunes vis-à-vis de leur distance à l’emploi. Sans quoi, l’étude de la corrélation simple entre l’intensité de l’accompagnement d’un jeune suivi en Civis et son degré d’insertion professionnelle conduit à se tromper de diagnostic.

2Plus le jeune est aidé, moins il parvient à s’insérer professionnellement, c’est en effet ce que l’on observe a priori. Ce lien négatif proviendrait de ce que les conseillers, dans les missions locales, consacrent plus de temps à s’occuper des jeunes les plus éloignés du marché du travail. Des méthodes économétriques avancées sont donc nécessaires pour estimer l’impact de l’intensité de l’accompagnement sur l’insertion des jeunes, en contrôlant de cette plus ou moins grande capacité du jeune à se réinsérer.

3Ce travail est ainsi destiné à apprécier la robustesse des résultats précédemment obtenus avec un modèle Probit, en niveau et autorégressif (Ibid., 2010), au moyen de développements empiriques supplémentaires qui ajoutent progressivement des spécifications au modèle Probit ordonné. La distance à l’emploi d’un jeune n’est en effet pas directement observable ; elle est donc particulièrement difficile à prendre en compte. Nous avons mis les données issues de Parcours 3 en panel de sorte à mettre en œuvre les méthodes économétriques disponibles pour ce type de données, permettant peu ou prou de retracer des effets individuels ou temporels non observables.

4Il nous faut rapidement, dans un premier point, rappeler le contexte. Nous pointons ensuite qu’il convient de supputer un premier « effet Matthieu » quant à la sélection des jeunes pour l’entrée dans le dispositif et un second effet (que nous qualifions d’effet Matthieu « de type II ») en matière d’accompagnement, une fois que les jeunes sont suivis en Civis. Nous détaillons, dans un troisième point, notre tactique de « mise en panel » des données issues de Parcours 3. Nous présentons, ensuite, des statistiques synthétiques sur les jeunes suivis en Civis. Dans un cinquième point, nous montrons que l’artéfact redouté est effectivement obtenu dans le modèle qui ne contrôle pas de l’hétérogénéité interindividuelle des données. Nous discutons en conséquence des différentes façons de prendre en compte cette hétérogénéité pour ce qui a trait au modèle probit ordonné. Nous revenons alors sur la distinction entre dépendance d’état et hétérogénéité interindividuelle des données (septième point), et présentons les résultats détaillés du modèle le plus complet (le dernier modèle). Nous proposons alors quelques mesures de l’impact d’une intensification de l’accompagnement, en le comparant, par exemple, avec les effets de la crise économique et financière de 2008. Dans le neuvième point, nous éprouvons la robustesse de nos évaluations en considérant des périodes bimestrielles, trimestrielles ou quadrimestrielles, avant de conclure.

Les missions locales et le Civis

5Nous avons détaillé dans Gomel et al. (2010) le contexte de notre recherche. Les missions locales disposent d’une grande expérience en matière d’accompagnement des jeunes les plus marginalisés sur le marché du travail. C’est plus récemment que l’accompagnement individuel – en particulier sous une forme contractualisée – est devenu un élément structurant de l’intervention des pouvoirs publics pour le retour à l’emploi. Dans le rapport que le Conseil de l’emploi, des revenus et de la cohésion sociale consacre à l’insertion des jeunes sans diplôme (CERC, 2008), l’amélioration de la transition école/emploi est promue « devoir national ». Des recommandations portent en particulier sur de nouvelles modalités de fonctionnement du Civis et sur une meilleure articulation avec les emplois aidés. De même, pour les « jeunes des quartiers populaires », un rapport du Conseil économique et social place « l’accompagnement [des] jeunes vers l’emploi » au premier plan de ses préconisations (Sylla, 2008). Il est tout aussi significatif de cette évolution que se soit mis en place un « droit à l’accompagnement » pour les bénéficiaires du revenu de solidarité active.

6L’accompagnement est ainsi mis en avant comme l’un des moyens pour refonder l’action publique pour l’emploi et le système national de protection sociale. Le rapport du Cerc « Aider au retour à l’emploi » de 2005 explicite les bases du renouvellement de l’action publique pour l’emploi, suite à un travail de comparaison internationale (CERC, 2005). Les difficultés de mise en cohérence de l’aide individualisée sont, néanmoins, considérables et souvent sous-évaluées (CEE, 2005 ; Bureau, Leymarie, 2005 ; Baron, Nivolle, 2005 ; Gomel, 2008). Les travaux économétriques français sur les programmes d’accompagnement vers l’emploi sont récents et encore peu nombreux (Behaghel et al., 2012 ; Crépon et al., 2005 ; Fougère et al., 2009), à la différence de la littérature internationale qui est beaucoup plus développée. La plupart des travaux sur données françaises ont porté sur le plan d’aide au retour à l’emploi (Pare). Ils s’accordent sur l’efficacité de l’accompagnement du Pare sur le taux de retour à l’emploi (Crépon et al., 2005 ; Fougère et al., 2009 ; Fougère et al., 2010). Les programmes d’accompagnement destinés aux jeunes suivis dans les missions locales n’ont pas encore fait l’objet d’évaluations économétriques.

7Depuis 2005, à la suite notamment des émeutes en banlieues, le dispositif « contrat d’insertion dans la vie sociale » a été déployé dans les missions locales ; parallèlement, une application informatique, à l’époque innovante – Parcours 3 –, a été mise à la disposition des missions locales à des fins de gestion de leur public. Cette application a été développée par la société Micropole-Univers pour le compte du ministère du Travail et du Conseil national des missions locales. Cette application (de type Software as a Service), s’utilisant dans un navigateur, ne nécessite pour être utilisée qu’une connexion à l’internet. L’utilisation de Parcours 3 est ainsi immédiate ; c’est le serveur Web qui assure l’accès aux données de chaque mission – il assure également la persistance des données.

8Le Civis a été mis en place en avril 2005 par le plan de cohésion sociale. Il prend ainsi le relais du programme Trace qui datait de la loi de lutte contre les exclusions de 1998, après un intermède, en 2004, causé par le rapide abandon de la première version du Civis. Le Civis vise les jeunes de 16 à 25 ans, peu ou pas diplômés, qui connaissent des difficultés d’insertion professionnelle. Le dispositif est mis en œuvre par le réseau des missions locales et des permanences d’accueil, d’information et d’orientation (PAIO). Chaque jeune est suivi par un conseiller référent. La durée du contrat est d’un an renouvelable.

9Le Civis a pour objectif d’accompagner les jeunes dans leur projet d’insertion dans l’emploi « durable » (défini comme un contrat à durée indéterminée [CDI] ou un contrat à durée déterminée [CDD] de plus de six mois, hors contrats aidés du secteur non marchand). Ce dispositif offre aux jeunes bénéficiaires un accompagnement personnalisé qui comprend des mesures d’orientation, de qualification, d’acquisition d’expérience professionnelle. En améliorant l’autonomie de ces jeunes, le but de ces mesures est de les aider à surmonter les difficultés qu’ils rencontrent à l’embauche. Les bénéficiaires de Civis peuvent percevoir une allocation d’un faible montant.

10Le Civis se décline en deux versions. D’une part, le Civis de droit commun est destiné aux jeunes de niveau V diplômés ou à ceux de niveau IV, autrement dit les jeunes parvenus jusqu’à un niveau bac + 2 non validé. Il peut être renouvelé pour une durée maximale d’un an si l’objectif n’est pas atteint. D’autre part, le Civis renforcé concerne les jeunes de niveau de formation VI et V bis (sans diplôme et première année de CAP/BEP). Leur accompagnement est renforcé, au sens où ces jeunes doivent être suivis par un référent unique au moyen d’entretiens hebdomadaires, lors du premier trimestre du dispositif, puis mensuels. De plus, le Civis renforcé permet à ces jeunes de renouveler leur contrat jusqu’à la réalisation de l’objectif d’insertion professionnelle. Depuis le 15 juin 2006, le Civis renforcé a été élargi aux jeunes de niveau V non diplômés (deuxième année de CAP ou de BEP sans obtention du diplôme et classe de seconde ou de première des lycées).

11Le Civis s’achève dès la fin de la période d’essai d’un emploi de plus de six mois ; sinon, il s’achève au plus tard au vingt-sixième anniversaire du bénéficiaire.

Effets Matthieu « de type I » et « de type II »

12Robert K. Merton, dans un article publié en 1968, détaille les mécanismes par lesquels les chercheurs les plus reconnus parviennent à maintenir leur domination. Il désigne ces effets sous le nom « d’effet Matthieu » en référence à la citation suivante de l’évangile selon saint Matthieu :

13« Car on donnera à celui qui a, et il sera dans l’abondance, mais à celui qui n’a pas on ôtera même ce qu’il a1. »

14Ce verset se trouve dans la parabole des talents, placé dans la bouche d’un maître qui récompense ses serviteurs les plus capables.

15Dans le champ de l’analyse des politiques sociales, l’effet Matthieu désigne l’effet suivant : au sein d’un public éligible à une aide, l’aide est obtenue par la fraction du public qui en aurait le moins besoin.

16Notre connaissance du terrain nous conduit à supputer la présence d’un tel effet Matthieu pour le processus d’admission au Civis. Les conseillers dans les missions vont, en quelque sorte, sélectionner les bénéficiaires du Civis ; ils se justifient en rappelant qu’une fraction non négligeable des jeunes suivis dans les missions ne sont pas capables de faire face aux obligations du Civis.

17Nous avons aussi observé que les conseillers, dès lors que le jeune est inscrit en Civis, s’efforcent de lui apporter un suivi individualisé ; cet accompagnement est plus intense quand le jeune cumule les handicaps. La réglementation, qui distingue un Civis de droit commun et un Civis renforcé, va dans le même sens.

18Nous pouvons donc supputer, pour les jeunes bénéficiaires d’un Civis, la présence d’un effet opposé à l’effet Matthieu habituel. On trouve dans l’évangile selon saint Matthieu la citation suivante :

  • 2 Chapitre xx, verset 16, même traduction et même source que la citation précédente.

19« Ainsi les derniers seront les premiers, et les premiers seront les derniers2 » qui illustre l’effet que nous venons de souligner.

20Nous nous proposons ainsi de qualifier d’effet Matthieu « de type I » l’effet Matthieu tel qu’il est habituellement compris et d’effet Matthieu « de type II » l’effet qui conduit à dispenser l’aide sur les bénéficiaires qui en auraient le plus besoin. L’évaluation de l’efficacité des dispositifs d’aide ou d’accompagnement exige de contrôler de ces effets Matthieu (« de type I » ou « de type II »). Notre démarche a consisté à « mettre en panel » les données de gestion issues de Parcours 3. Nous pouvons ainsi retracer des caractéristiques non observables des jeunes afin de prendre en compte un effet Matthieu « de type II ».

La « mise en panel » des données de Parcours 3

21Nous sommes dépositaires de données brutes ; ces données sont contenues en fait dans les fichiers de sauvegarde de la base de données de Parcours 3. Le système de gestion des données de Parcours 3 est basé sur un modèle d’organisation des données appelé « modèle relationnel ». Les données sont rassemblées dans différentes tables dont les lignes constituent les observations des variables qui forment, elles, les colonnes de la table. Le système de gestion de Parcours 3 est structuré autour d’une table maître qui est relative aux jeunes suivis et qui regroupe les caractéristiques invariantes de chaque jeune, comme, par exemple, son nom ou sa date de naissance. Cette table comporte autant de lignes que de jeunes qui ont été suivis dans les missions locales et c’est dans cette table que l’on trouve l’identifiant, unique dans chaque mission locale, qui a été attribué à chaque jeune. Des tables satellites permettent de renseigner les événements du parcours du jeune. Par exemple, une table va consigner tous les entretiens individuels dont un jeune bénéficie. Cette table consigne ces entretiens pour tous les jeunes si bien que les identifiants du jeune et de la mission locale y sont indiqués.

22La base de données de Parcours 3 est sauvegardée, table par table, sous la forme de fichiers, chacun à l’image de la table associée. Les données brutes se présentent ainsi sous la forme d’une quarantaine de fichiers de taille et de caractéristiques très différentes. Ces données sont particulièrement volumineuses : un fichier comprend près de 50 millions de lignes ; un autre près de 80 variables. Afin d’exploiter ces fichiers de sauvegarde, nous avons développé toute une chaîne de traitement, en utilisant le langage de programmation C++.

23Notre hypothèse est que ces données permettraient de reconstruire des trajectoires sous la forme d’une succession d’épisodes de nature différente, à des dates bien déterminées. L’outil économétrique approprié serait alors les modèles de durée pour tenter de retracer la longueur de chaque épisode. Notre démarche est autre : nous allons « mettre en panel » les données. Nous nous sommes engagés dans cette voie parce que l’économétrie des données de panel nous offre des méthodes mieux établies pour rendre compte de l’hétérogénéité interindividuelle non observable.

24Dans un premier temps, nous retenons le trimestre comme laps de temps pertinent pour conduire l’analyse. Nous construisons, pour chaque individu, un calendrier idiosyncratique : son premier trimestre de suivi est le laps de temps qui s’achève quatre-vingt-onze jours après la signature de son Civis ; son deuxième trimestre de suivi prend le relais pour une durée égale à quatre-vingt-onze jours, etc. Nous avons cependant associé à chaque trimestre de suivi un trimestre « du calendrier » afin de repérer des effets conjoncturels. Le trimestre « du calendrier » est le trimestre dont le recouvrement avec le trimestre de suivi idiosyncratique est le plus grand. Par exemple, un trimestre de suivi qui commence le 15 janvier est rattaché au premier trimestre « du calendrier » de l’année ; en revanche, s’il débute le 15 février, il sera rattaché au deuxième trimestre de l’année. Dans un second temps, nous retenons respectivement le bimestre ou le quadrimestre et nous reproduisons l’estimation économétrique ; nous disposons ainsi d’un moyen pour apprécier la robustesse des résultats, comme nous le montrons en fin d’article.

25Le panel ainsi construit n’est pas « cylindré ». Formellement, la grandeur désignée par x et repérée par les indices i et t est définie comme suit :

26xit i = 1, ..., N t = ti, ... ,ti 1ti ti ≤ T
N est le nombre total de jeunes suivis en Civis et où T est le nombre maximum de trimestres « du calendrier ». L’indice t, qui repère la dimension temporelle, ne démarre pas toujours en 1 ni ne s’achève toujours en T. Les individus sont observés pour une période qui est leur est propre : ils peuvent entrer dans le dispositif à tous les trimestres, de 1 à 14, et en sortir également de façon variable (obtention d’un emploi stable, noms des obligations du Civis, etc.). L’attrition est de ce fait en partie endogène. Nous reviendrons par la suite sur cette difficulté, et sur les solutions techniques retenues pour en tenir compte.

27Nous disposons de l’extraction de février 2009. Nous nous sommes cependant rendu compte que les données relatives au quatrième trimestre 2008 ne sont pas toujours bien renseignées, faute d’un recul suffisant. Aussi ne retenons-nous que les trajectoires jusqu’au troisième trimestre 2008. Nous disposons ainsi de plus de 500 000 trajectoires individuelles pour un total de près de 3 millions d’observations, qui s’échelonnent dans le temps du troisième trimestre 2005 au troisième trimestre 2008.

Les jeunes suivis en Civis et leur degré d’insertion professionnelle

28Dans Gomel et al. (2010), nous avons présenté une analyse descriptive synthétique des jeunes suivis en Civis. Ces jeunes sont très peu qualifiés. Ils sont nombreux à avoir décohabité : près de la moitié ne vivent plus chez leurs parents. Dans un cas sur cinq, ils sont hébergés de façon précaire : soit ils habitent chez des membres de leur famille, soit ils ne disposent pas d’hébergement fixe. Ces jeunes, qui cumulent déjà de nombreux handicaps sociaux, vivent pour un quart d’entre eux dans des quartiers dits sensibles, en zone urbaine sensible ou en zone rurale de revitalisation. Les jeunes en Civis renforcé sont plus particulièrement présents en Île-de-France, où l’on rencontre une grande partie des zones urbaines sensibles. Les jeunes qui rentrent en Civis renforcé sont également souvent issus de l’immigration non européenne. La proportion d’étrangers hors Union européenne atteint plus de 10 % chez les jeunes qui bénéficient du programme renforcé. Par ailleurs, la proportion d’hommes est bien plus importante au sein du programme renforcé que dans le programme classique.

29Parcours 3 repère, à l’aide d’une nomenclature très détaillée, les types de situation des jeunes en cours de Civis. Nous réutilisons la typologie établie par Bonnevialle (2008) en distinguant six degrés d’insertion professionnelle (voir tableau 1). Cette typologie constitue une mesure ordinale de l’insertion économique. À partir des items de Parcours 3, nous établissons ainsi pour chaque jeune un degré d’insertion professionnelle pendant qu’il bénéficie du dispositif.

Tableau 1 : Distribution des degrés d’insertion professionnelle des jeunes suivis en Civis

Tableau 1 : Distribution des degrés d’insertion professionnelle des jeunes suivis en Civis

Lecture : La situation « Inactivité (hors formation) » représente 3 % des situations, quand les situations sont mesurées par leur durée ; elle représente, en nombre, 2 % des situations.
Champ : Ensemble des jeunes suivis en Civis.
Source : Parcours 3 (Conseil national des missions locales), extraction de février 2009.

30Dans le tableau 1, nous reproduisons la distribution de ce degré d’insertion professionnelle en utilisant deux mesures : d’une part, un décompte pur et simple et, d’autre part, un décompte à partir des durées des situations. Le décompte à partir des durées des situations conduit aux constats suivants. Très peu de jeunes sont en inactivité. On voit que les jeunes en Civis sont, pour près de la moitié, au chômage. Un peu moins d’un jeune sur cinq est retourné en formation. Enfin, le dernier tiers se répartit, en proportions égales, entre les trois situations d’emploi que nous avons distinguées : « Contrat aidé ou formation par alternance », « Emploi précaire » et « Emploi durable ».

31Le décompte pur et simple aurait conduit à des constats un peu différents. Par exemple, la fréquence de la situation de chômage – la situation majoritaire – se trouve réduite, en passant de 47 % à 39 % : la durée moyenne des épisodes de chômage est donc supérieure à la durée moyenne de l’ensemble des épisodes. Par contre, les épisodes d’emploi précaire ou durable sont en moyenne plus courts que les autres épisodes.

32Pour constituer les données en panel, il nous faut arrêter une règle afin de déterminer le degré d’insertion professionnelle du jeune au cours de ses trimestres de suivi consécutifs. Nous retenons le degré d’insertion dominant dans le trimestre, c’est-à-dire la situation dont la durée cumulée au cours de la période est la plus longue. C’est à partir de ce degré d’insertion professionnelle dominant au cours du trimestre que nous étudions les trajectoires des jeunes suivis en Civis.

  • 3 Nous observons le dispositif pendant quatorze trimestres consécutifs à compter de sa mise en place  (...)

33Le tableau 2 offre une première caractérisation du processus d’insertion des jeunes en Civis. Il donne, par trimestre de suivi, la répartition du degré d’insertion professionnelle. On voit ainsi que la proportion de jeunes dans l’emploi durable – codé 6 dans le tableau – double au bout d’une année, en passant de 7 % (premier trimestre de suivi) à 14 %. Corrélativement, la proportion de jeunes au chômage – codé 2 – diminue de 55 % à 36 %. Ces chiffres ne sont cependant pas corrigés de l’attrition – dont on mesure l’ampleur au premier ordre3 en constatant que le nombre de trimestres-jeune passe d’environ 681 000 le premier trimestre à 422 000 le quatrième trimestre (voir l’avant dernière colonne du tableau 2).

  • 4 Il convient de noter que, par construction des données du panel, il n’y a pas de censure à droite : (...)

34Cette attrition n’est pas complètement due au hasard, elle comporte une partie systématique4. Un jeune peut quitter le Civis prématurément parce qu’il a trouvé un emploi durable ; un jeune peut aussi être exclu du dispositif s’il ne s’oblige pas à respecter les obligations du Civis. On voit ainsi, dans le tableau 2, que les proportions sont quasiment constantes au cours de la deuxième année de suivi (trimestres 5 à 8). Cette attrition endogène pourrait expliquer ce trait.

35Dans Gomel et al. (2010), nous soulignons que les trajectoires, en termes de degré d’insertion professionnelle, sont particulièrement inertes. Nous présentons aussi des statistiques sur les « formes de contact » entre les conseillers et les jeunes suivis. La forme de contact la plus fréquente est l’entretien individuel en face à face. L’entretien téléphonique arrive en deuxième position. On observe très peu de différences entre les dispositifs « Civis classique » et « Civis renforcé ».

Tableau 2 : Distribution des degrés d’insertion professionnelle par trimestre de suivi

Tableau 2 : Distribution des degrés d’insertion professionnelle par trimestre de suivi

Note : voir tableau 1 pour la définition des degrés d’insertion professionnelle.
Lecture : Les jeunes dont le degré d’insertion professionnelle est codé par 1 (pour « inactivité hors formation ») représentent 2 % des jeunes qui sont suivis pour la première fois ; les premiers trimestres de suivi sont au nombre total de 680 944, ils représentent 25 % du total des trimestres de suivi.
Champ : 2 753 397 observations, relatives au nombre de jeunes suivis en Civis selon leur trimestre de suivi.
Source : Parcours 3 (Conseil national des missions locales), extraction de février 2009.

L’effet de sélection que nous craignons – et que nous vérifions

36Il nous est facile d’anticiper l’effet de sélection suivant. Les jeunes les plus en difficulté, qui sont le plus mal insérés professionnellement, sont ceux qui font l’objet d’un accompagnement plus intense (c’est là notre effet Matthieu « de type II »). Aussi l’examen des corrélations simples met-il en évidence une relation négative entre l’intensité de l’accompagnement et le degré d’insertion professionnelle. Il faut ainsi absolument spécifier l’hétérogénéité interindividuelle pour des caractéristiques observables en pratique des jeunes en Civis.

  • 5 L’effet causal est entendu au sens d’un effet « toutes autres choses égales par ailleurs », observé (...)
  • 6 En ce sens, ce serait l’obtention d’un emploi au trimestre courant qui « expliquerait » le nombre d (...)

37L’insertion professionnelle est mesurée par l’indicateur ordonné décrit précédemment, qui prend les valeurs 1, 2…, 6. Nous estimons par ailleurs l’intensité de l’accompagnement par le nombre d’entretiens dont le jeune a bénéficié au cours du trimestre. Pour prêter un effet causal à l’intensité de l’accompagnement, il faut s’assurer qu’elle est exogène par rapport à l’insertion professionnelle. Nous utilisons le nombre d’entretiens du trimestre précédent : l’antécédence dans le temps nous semble conférer à l’intensité de l’accompagnement un effet causal5, à tout le moins elle limite les possibilités de causalité inverse6.

38Quand la variable à expliquer est une variable qui prend un nombre discret de valeurs et que ces dernières sont ordonnées, il est habituel d’estimer un modèle probit ordonné. Dans ce cadre, il est supposé, d’une part, une variable latente continue et, d’autre part, des seuils dont le franchissement, par la variable latente, commande la valeur obtenue pour la variable à expliquer. Plus formellement, notons yit la variable à expliquer, à savoir le degré d’insertion professionnelle du jeune i lors du trimestre de suivi t ; celle-ci prend les valeurs 1, 2, 3, 4, 5 ou 6. Notons c la variable latente et, λ1, λ2, λ3, λ4, et λ5 les seuils (il y a un seuil de moins que le nombre de valeurs prises par la variable endogène). La variable yit prend la valeur 1 si et seulement si y*it < λ1 ; yit prend la valeur 2 si et seulement si λ1 ≤ y*it < λ2, etc. Cette variable latente est ensuite reliée à un ensemble de variables explicatives, selon un modèle linéaire.

39Nous nous engageons ainsi dans une approche paramétrique où la loi du terme d’erreur est fixée (dans le modèle probit, il est fait l’hypothèse d’une loi normale) et où les effets des variables explicatives sont linéaires. Pour assouplir cette dernière hypothèse, chaque variable explicative est introduite sous la forme d’un jeu de variables indicatrices : nous pouvons ainsi mettre en évidence un lien non monotone entre la variable explicative et la variable latente à expliquer.

40Il nous faut aussi redouter un biais lié à l’attrition. A priori, le jeune sort du dispositif pour de nombreuses raisons dont, notamment, l’obtention d’un emploi en contrat à durée indéterminée. Il ne faudrait donc pas que le dernier entretien (ou les derniers entretiens), qui pourrait être destiné à mettre fin au Civis, soit compté comme participant à l’insertion professionnelle. En utilisant le nombre d’entretiens du trimestre précédent, nous réduisons ce biais potentiel. Pour mieux le cantonner, nous introduisons une variable indicatrice qui est égale à 1 quand le trimestre de suivi est le dernier. Cette variable va donc pouvoir retracer les facteurs non observables qui conduisent à la sortie du Civis ; elle est simplement ajoutée au modèle, sans être croisée avec l’intensité de l’accompagnement. Le biais positif attendu est bien observé dans les modèles calculés.

41Nous rendons compte des effets temporels par l’intermédiaire de deux jeux de variables indicatrices. D’un côté, un jeu repère les trimestres de suivi. Nous mesurons alors une dynamique idiosyncratique, propre au calendrier d’accompagnement du jeune. De l’autre côté, un jeu repère les trimestres « du calendrier ». Nous retraçons alors les effets de la conjoncture ainsi qu’un mouvement saisonnier au cours de l’année.

42Enfin, nous introduisons un grand nombre de variables de contrôle : i) le niveau de formation initiale ; ii) l’âge ; iii) le sexe ; iv) la vie en couple ; v) la présence d’enfants ; vi) la détention de permis de conduire (et leur type) ; vii) la possession d’un moyen de locomotion (automobile, cyclomoteur, transports en commun, etc.) ; viii) la nationalité ; ix) le mode d’hébergement ; x) le mode de contact avec la mission locale ; xi) la résidence dans une zone urbaine sensible ou dans une zone de revitalisation rurale ; xii) la région de résidence. Ces variables sont introduites, systématiquement, sous la forme d’un jeu de variables indicatrices. Par exemple, l’âge (à l’entrée en Civis) ne figure pas dans le modèle sous la forme d’une variable numérique mais comme un ensemble d’indicatrices qui repèrent un âge donné exprimé en années. Comme les jeunes sont éligibles au Civis de 16 ans à 26 ans, on dispose ainsi de onze variables indicatrices pour repérer l’âge. Il faut par contre inclure une contrainte identificatrice puisque ces variables indicatrices, dans leur ensemble, jouent le rôle d’une constante. Nous choisissons d’exclure l’une de ces variables, qui est ainsi constituée en modalité de référence.

  • 7 Le risque est que l’effet de la détention du permis de conduire un véhicule léger, significativemen (...)

43Aucune de ces variables de contrôle ne présente de variabilité intra-individuelle. Pour certaines, c’est par nature : l’âge à l’entrée en Civis par exemple n’a pas de raison de changer au cours du suivi du jeune. D’autres variables, en revanche, évoluent éventuellement dans le temps, comme, par exemple, la détention d’un permis de conduire. Il y a là deux difficultés. D’un côté, il n’est pas sûr que ces changements d’état soient convenablement renseignés par les conseillers ; de l’autre, il n’est pas simple, dans les fichiers de sauvegarde de Parcours 3, de bien repérer la date de mise à jour de l’information et de reconstruire l’historique d’une variable. C’est ainsi que nous préférons nous en tenir à l’information disponible au moment de l’extraction des données7.

44Désignons par xi t–1 le nombre d’entretiens au cours du trimestre t-1. Là encore, nous choisissons d’introduire cette variable sous la forme d’un jeu d’indicatrices. Plus précisément, nous recodons ainsi cette variable :

Tableau 3 : Distribution de l’intensité de l’accompagnement en t-1

Tableau 3 : Distribution de l’intensité de l’accompagnement en t-1

Lecture : La modalité « Un entretien » représente 22 % des situations au cours du trimestre t-1.
Champ : 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.
Source : Parcours 3 (Conseil national des missions locales), extraction de février 2009.

45Ces cinq modalités ne sont pas de fréquence comparable. La modalité « Aucun entretien en t-1 » domine en représentant 29 % des cas. La modalité centrale, « Deux entretiens en t-1 », est prise comme modalité de référence. Aussi allons-nous pouvoir prendre en compte un effet non linéaire de l’intensité de l’accompagnement. En introduisant directement et seulement le nombre d’entretiens, il n’aurait pas été possible de retracer de tels effets.

46Désignons par zi les variables de contrôle ; ces variables sont repérées uniquement par l’indice i puisqu’elles ne présentent pas de variabilité intra-individuelle. Le modèle à estimer s’écrit ainsi comme suit :

47y*it est donc la variable latente du probit ordonné et où 1(·) est la fonction indicatrice dont la valeur est 1 quand son argument est une proposition qui est vraie et dont la valeur est 0 sinon.

48Les résultats de ce premier modèle sont portés dans le tableau 4. Dans ce tableau, la colonne intitulée « Fréquence » donne la moyenne de la variable explicative. On voit, par exemple, que la moyenne de la variable indicatrice « Dernier trimestre de suivi » est égale à 0,25. On en déduit qu’une observation sur quatre est une observation relative à un dernier trimestre de suivi. La longueur moyenne des trajectoires est ainsi de quatre trimestres.

  • 8 Un Student supérieur à 1,96 en valeur absolue signifie que le risque de première espèce est inférie (...)

49Les résultats de ce premier modèle attesteraient de ce qu’un accompagnement plus intense ne permet pas aux jeunes suivis en Civis de mieux s’insérer professionnellement. Certes le coefficient de la modalité « Aucun entretien en t-1 » (celui noté α1 dans l’équation 1) est négatif ; il est en outre statistiquement significativement différent de 08. L’absence d’accompagnement nuirait ainsi à l’insertion professionnelle des jeunes. Mais on obtient aussi le fait que le coefficient de la modalité « Trois entretiens en t-1 » est significativement négatif et celui de « Quatre entretiens et plus en t-1 » négatif sans être significativement différent de 0 (ceux notés α4 et α5 dans l’équation 1). Aussi un nombre d’entretiens accru ne permettrait-il pas aux jeunes de mieux s’insérer.

Tableau 4 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle « en niveau » (équation 1)

Tableau 4 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle « en niveau » (équation 1)

Note : Modèle probit ordonné estimé par la méthode du maximum de vraisemblance ; les statistiques de Student sont obtenues par bootstrap en rééchantillonnant le corps de données par individu.
La variable à expliquer, le degré d’insertion professionnelle, prend les valeurs 1 (inactivité hors formation), 2 (chômage), 3 (formation), 4 (contrat aidé ou formation par alternance), 5 (emploi précaire) et 6 (emploi durable). La période d’estimation s’étend du troisième trimestre de 2005 au troisième trimestre de 2008.
Le modèle, en outre, inclut le niveau de formation initiale (5 modalités), l’âge (en années, 11 modalités), le genre (2 modalités), la vie en couple, la présence d’enfants, la détention de permis de conduire (5 modalités), la disposition d’un moyen de locomotion (6 modalités), la nationalité (3 modalités), le mode d’hébergement (5 modalités), le mode de contact avec la mission locale (5 modalités), la résidence dans une zone urbaine sensible ou dans une zone de revitalisation rurale, la région de résidence (26 modalités), le trimestre de suivi (14 modalités) et le trimestre « du calendrier » (13 modalités).
Champ: Les 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.
Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.

Spécifier l’hétérogénéité interindividuelle pour contrôler l’effet Matthieu « de type II »

50Il reste possible d’attribuer ce dernier résultat au fait que nous ne prendrions pas en compte un effet Matthieu « de type II » : les conseillers apportent un soutien plus marqué aux jeunes qui cumulent les handicaps et comme ces jeunes sont mal insérés, on retire la conclusion fallacieuse selon laquelle l’accompagnement est inefficace. Pour contrôler de cet effet Matthieu, il nous faut retracer la distance à l’emploi – plus ou moins grande – des jeunes suivis. Cette distance est largement inobservable ; l’intérêt des données de panel est de pouvoir retracer une telle hétérogénéité interindividuelle en introduisant un effet individuel dans le modèle :

51Le coefficient qui figure la constante (le coefficient c dans la modélisation de base) est maintenant indicé par i. Deux spécifications peuvent alors être proposées. D’un côté, l’effet individuel peut être supposé aléatoire ; de l’autre côté, il peut être supposé fixe.

  • 9 Ce point est particulièrement technique. L’intuition est la suivante. Pour un certain nombre d’indi (...)

52A priori, il est préférable de retenir la spécification aléatoire pour modéliser notre absence de connaissance de l’hétérogénéité. En effet, les effets fixes ont trois inconvénients. En premier lieu, ils ne sont pas parcimonieux puisqu’ils conduisent à introduire une constante pour chaque individu dans le modèle (soit N coefficients, c1, c2,... , cN) ; ils « consomment » de ce fait N degrés de liberté. En deuxième lieu, ils ne permettent plus d’identifier les effets de variables qui sont, par individu, constantes dans le temps puisque les effets de ces variables ne se distinguent plus des effets fixes individuels. Ce serait particulièrement dommageable dans notre modèle puisque nous voulons aussi apporter de la connaissance sur tous les facteurs de l’insertion professionnelle. En dernier lieu, ils conduisent, dans le modèle probit ordonné, à un biais lié à la question des « paramètres incidents » quand le nombre de périodes est limité9. Nous ne pouvons cependant pas recourir à une spécification aléatoire. Ce ne serait possible que si l’effet individuel n’était pas corrélé avec les variables explicatives. Hors, nous suspectons justement une telle corrélation : l’effet individuel est vraisemblablement relié (négativement) à l’intensité de l’accompagnement en raison de l’effet Matthieu « de type II » supposé.

53Nous proposons donc de modéliser l’hétérogénéité inter-individuelle en recourant à une spécification autorégressive. En effet, le degré d’insertion professionnelle du trimestre précédent constitue un moyen possible pour estimer la distance à l’emploi du jeune. Plus formellement, le modèle à estimer se présente comme suit :

54Nous avons pris la modalité « Chômage » (dont le codage est 2) comme modalité de référence. Les résultats de ce deuxième modèle sont portés dans le tableau 5. Ces résultats s’opposent à ceux que nous avions précédemment obtenus. En premier lieu, les coefficients des modalités liées à l’intensité de l’accompagnement sont maintenant tous statistiquement significativement différents de 0. En deuxième lieu, un lien monotone croissant est obtenu entre l’intensité de l’accompagnement et le degré d’insertion professionnelle. En troisième lieu, on est frappé par la symétrie des effets. Par exemple, pour la modalité « Aucun entretien en t-1 », le coefficient est de l’ordre de – 0,13 ; pour la modalité « Quatre entretiens et plus en t-1 », de l’ordre de 0,14. Les effets sont de même ampleur en valeur absolue et ils sont de signe opposé.

55Enfin, les termes autorégressifs sont significatifs et d’ampleurs très élevées. Par exemple, le coefficient associé à la modalité « Inactivité (hors formation) », noté ρ1, réduit très fortement le degré d’insertion professionnelle : on mesure là notamment l’impact des problèmes de santé sur l’insertion. Les autres coefficients (notés ρ2, ρ4, ρ5 et ρ6 dans l’équation 2) impactent positivement le degré d’insertion professionnelle dans une progression régulière. Ces termes autorégressifs ne retracent-ils pas alors une forme de dépendance d’état plutôt que l’hétérogénéité interindividuelle ?

Tableau 5 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle autorégressif (équation 2)

Tableau 5 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle autorégressif (équation 2)

Note: La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées.
Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.
Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.

Dépendance d’état vs hétérogénéité interindividuelle

56Nous avons souligné la très forte inertie des trajectoires d’insertion des jeunes ; inertie qui apparaît d’autant plus élevée que la fréquence temporelle d’observation est grande. La composante autorégressive de notre modèle retracerait en premier lieu une dépendance d’état. Nous en convenons volontiers. Nous proposons ainsi un troisième modèle où nous faisons intervenir le degré d’insertion professionnelle initial pour spécifier l’hétérogénéité inter-individuelle des données : la spécification est ainsi « calée » sur le degré initial d’insertion. Formellement, le modèle s’écrit comme suit :

57Les résultats de ce troisième modèle sont portés dans le tableau 6. L’ajustement est de moins bonne qualité. Il reste que l’on obtient un coefficient positif, statistiquement très significatif, de la modalité « Quatre entretiens et plus en t-1 ». Toutefois, les ordres de grandeur des coefficients sont notablement réduits ; par exemple, le coefficient noté α5 passe de 0,136 dans le modèle autorégressif à 0,0384 dans le modèle calé sur le degré initial d’insertion.

58Il est difficile de comparer l’ordre de grandeur des coefficients entre les différents modèles. En effet, la normalisation habituelle retenue pour le modèle probit est un peu contestable : le premier seuil est pris égal à 0 et la variance du terme d’erreur est prise égale à 1 :
λ1 = 0 et V(uit) = 1

59La variable latente n’est donc pas normalisée dans ses variations. Quand le modèle est estimé plus précisément, la variance de la variable latente s’accroît ; il en est de même pour la dispersion de la valeur des coefficients estimés. Il serait sans doute plus pertinent de normaliser l’échelle de variation des seuils en prenant, par exemple, le premier seuil égal à 1 et le dernier égal à 10 :
λ1 = 1 et λ5 = 10

60Ce n’est malheureusement pas la normalisation qui est retenue dans les logiciels statistiques. Nous proposons ci-après de mesurer l’efficacité de l’accompagnement en procédant par comparaison.

61L’estimation du modèle calé sur le degré initial d’insertion confirme la présence de l’artéfact qui conduit, fallacieusement, à estimer que l’accompagnement n’est pas efficace ; dès lors que l’on contrôle pour l’hétérogénéité interindividuelle, un accompagnement plus intense est bien l’un des moyens d’aider au retour à l’emploi.

Tableau 6 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle calé sur le degré initial d’insertion (équation 3)

Tableau 6 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle calé sur le degré initial d’insertion (équation 3)

Note: La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées.
Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.
Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.

62Denis Fougère et al. (2010), dans leur évaluation sur le Pare, constatent également deux effets de sens contraire. Dans un premier temps, ils trouvent un impact marginal du Pare sur la probabilité de retrouver un emploi, qui résulterait d’un effet de composition. L’accès à ces parcours d’accompagnement étant lié aux caractéristiques individuelles observables et non observables, une première estimation « naïve » peut être biaisée. En prenant en compte les effets de sélection à l’entrée de ces offres de service, leurs résultats montrent que l’impact du programme augmente la probabilité de retrouver un emploi. Ils mettent ainsi en évidence que les individus qui ont des taux de retour à l’emploi plus faibles sont également ceux qui ont davantage besoin de ces parcours d’accompagnement (Ibid.).

63Nous estimons un dernier modèle, qui fait de la place aux deux moyens que nous utilisons pour retracer l’hétérogénéité interindividuelle : la composante autorégressive et le degré initial d’insertion. Ce modèle s’exprime ainsi :

64Les résultats de ce dernier modèle figurent dans le tableau 7. Pour ce qui a trait à l’évaluation de l’intensité de l’accompagnement, les résultats sont très proches du modèle autorégressif. Pour autant, les deux jeux de variables qui spécifient la composante autorégressive et le degré initial d’insertion sont chacun statistiquement significatifs : les deux explications se conjuguent mais l’explication dominante reste la composante autorégressive.

65Nous retenons ce dernier modèle, le plus complet ; c’est à partir de celui-ci que nous présentons les résultats détaillés et que nous discutons des mesures de l’efficacité de l’accompagnement.

Tableau 7 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle autorégressif calé en outre sur le degré initial d’insertion (équation 4)

Tableau 7 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle autorégressif calé en outre sur le degré initial d’insertion (équation 4)

Note: La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées.
Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.
Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.

Les résultats détaillés du modèle le plus complet

66Le tableau en annexe rassemble les résultats pour les autres variables explicatives ; le modèle utilisé correspond à l’équation 4.

67Un faible niveau de formation initiale est un facteur particulièrement pénalisant pour la réinsertion professionnelle. Les niveaux VI et V bis sont pareillement pénalisés ; la première année de CAP ou de BEP n’est donc pas un facteur d’insertion professionnelle. Les jeunes femmes sont significativement pénalisées dans leur parcours d’insertion. La charge d’enfants ou le fait d’être en couple sont aussi des facteurs négatifs. La nationalité étrangère, qu’il s’agisse d’un pays de l’Union européenne ou d’un autre pays, est, toutes choses égales par ailleurs, un facteur positif. Ce dernier résultat peut s’expliquer par la prise en compte de leurs caractéristiques observables et inobservables liées à leur probabilité d’accès à l’emploi.

  • 10 Posséder une automobile peut être lié à des facteurs extérieurs au degré d’insertion professionnell (...)

68Les variables relatives à la mobilité n’ont qu’un poids limité dans l’explication des trajectoires de réinsertion professionnelle, puisque les statistiques de Student ne sont pas, en valeur absolue, très élevées. La détention d’un permis de conduire accroît les possibilités de réinsertion. C’est le permis « poids lourd » qui a l’impact le plus élevé, suivi du permis « véhicule léger » et du permis « engin de chantier ». La possession d’un moyen de locomotion conduit à des résultats contrastés. Disposer d’une automobile a un impact négatif, ce qui reste difficile à expliquer10 ; par contre, la détention d’un cyclomoteur ou d’une motocyclette a un impact positif.

69L’hébergement précaire réduit significativement les chances de s’insérer professionnellement, quelles que soient ses formes : sans domicile, dans un foyer, chez des amis. La résidence dans une zone urbaine sensible a un impact négatif assez marqué.

Comment mesurer l’efficacité d’une intensification de l’accompagnement ?

70Nous avons montré qu’un accompagnement plus intense permet d’améliorer l’insertion professionnelle des jeunes suivis en Civis. Il reste à en apprécier la mesure. Il faut tout d’abord convenir que notre estimation économétrique ne va permettre de mesurer que des effets individuels. Nous observons qu’un jeune en Civis, quand il est mieux accompagné, se réinsère plus rapidement ; nous ne savons pas si cette réinsertion plus rapide n’est pas acquise au détriment des autres demandeurs d’emploi. En d’autres termes, nous mesurons des effets bruts, au niveau des individus, et non des effets nets, qui seraient consolidés au niveau des bassins d’emploi.

71Par ailleurs, nous utilisons un modèle autorégressif ; il n’est cependant pas possible de distinguer une réponse de court terme et une réponse de long terme. En effet, dans sa forme la plus simple, un modèle autorégressif s’écrit comme suit :
yt = axt + ρ yt–1

72Aussi la réponse de court terme est-elle égale à α et la réponse de long terme à

73Ici, en omettant l’indice i pour faire plus simple, nous utilisons la forme suivante :

74Cette forme ne conduit pas à la dynamique habituelle du modèle autorégressif. La composante autorégressive devrait porter sur la variable latente retardée

75pour engendrer une dynamique qui s’étale sur plusieurs périodes. Il nous a semblé ainsi peu utile de simuler le modèle. Comme nous l’avions déjà souligné, les trajectoires sont marquées par une très forte inertie. Il est possible d’en juger en examinant les seuils du modèle probit. Pour l’équation 4, par exemple, le seuil qui sépare le premier degré d’insertion (l’inactivité hors formation) et le deuxième degré d’insertion (le chômage) est égal à – 2,03 ; le seuil suivant à – 1,33. La variable latente peut ainsi évoluer sur une étendue égale à 0,70 alors que le jeune reste au chômage (le chômage est le degré d’insertion professionnelle qui est encadré par les deux seuils que nous venons de considérer). Cette étendue peut maintenant être comparée aux coefficients estimés dans le tableau en annexe. Le fait, par exemple, de résider dans une zone urbaine sensible impacte négativement la variable latente de l’ordre de 0,035, ce qui représente un vingtième de l’étendue associée au chômage.

76Il est possible de mesurer l’efficacité de l’accompagnement en procédant par comparaison. Les données couvrent la période qui s’étend du deuxième trimestre de 2005 au troisième trimestre 2008. Nous nous proposons d’évaluer les conséquences de la crise économique et financière qui s’est ouverte au deuxième trimestre 2008. Sur le graphique ci-dessous, nous avons porté le profil des coefficients des trimestres « du calendrier », en les normalisant de sorte que la somme des coefficients soit nulle. On observe la présence d’un fort mouvement saisonnier dans l’année : le dernier trimestre de l’année est particulièrement défavorable à la réinsertion des jeunes en Civis.

Graphique : Les coefficients estimés des indicatrices trimestrielles (trait plein) et une évolution contrefactuelle en l’absence de la crise économique et financière de 2008 (trait pointillé)

Graphique : Les coefficients estimés des indicatrices trimestrielles (trait plein) et une évolution contrefactuelle en l’absence de la crise économique et financière de 2008 (trait pointillé)

Note: Le graphique illustre un fort effet saisonnier pour l’insertion professionnelle des jeunes en Civis. Le dernier trimestre de chaque année est un « mauvais » trimestre, le premier trimestre un bon.
Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.
Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.

77Nous mobilisons l’économétrie des séries temporelles pour évaluer les effets de la crise économique et financière de 2008. En excluant le dernier trimestre, nous ajustons un modèle autorégressif d’ordre 4 pour retracer le mouvement saisonnier. Ensuite, nous utilisons ce modèle pour obtenir une évolution contre-factuelle, celle qui aurait prévalu « s’il n’y avait pas eu la crise de 2008 ». Le trait pointillé sur le graphique figure cette évolution.

78Nous en déduisons ainsi que l’impact de la crise, dès le troisième trimestre 2008, est de l’ordre de 4 % sur la variable latente de notre probit ordonné. Nous allons supposer une intensification de l’accompagnement qui conduise à passer de deux entretiens par trimestre à trois entretiens par trimestre, soit un entretien par mois. Pour notre dernier modèle (l’équation 4), le coefficient de la modalité « Trois entretiens en t-1 » est égal à 4,6 %. Nous en déduisons que cette intensification est en mesure, approximativement, d’annuler les premiers effets négatifs de la crise de 2008, tels qu’ils ont affecté l’insertion des jeunes en Civis au troisième trimestre 2008.

79Cette même intensification de l’accompagnement aurait des effets comparables :
1) au tiers de l’effet qui résulte de l’obtention de la formation initiale niveau IV à partir du niveau VI ;
2) à l’effet qui résulte de l’obtention de la formation initiale niveau IV à partir du niveau V ;
3) à la moitié de l’effet qui résulte de la détention du permis de conduire « véhicule léger » ;
4) à l’effet qui résulte de quitter une zone urbaine sensible.

80Nous parvenons à ces résultats quand l’information obtenue à partir de Parcours 3 a été « mise en panel » en prenant un pas temporel égal au trimestre. Nous rendons maintenant compte des expérimentations économétriques conduites en mettant les données en panel par bimestre ou par quadrimestre.

Les estimations quand les périodes sont bimestrielles ou quadrimestrielles

81Notre chaîne de traitement est paramétrée par le nombre de périodes par an qu’il convient de retenir pour échantillonner les trajectoires des jeunes suivis en Civis. Jusqu’à maintenant, nous avons pris quatre périodes par an et, ainsi, utilisé des données trimestrielles. Nous constituons deux autres corps de données, bimestrielles et quadrimestrielles, pour notamment apprécier la robustesse de nos résultats.

82Le tableau 8 rapporte les résultats de notre dernier modèle (celui qui comporte à la fois une composante auto-régressive et les indicatrices qui repèrent le degré d’insertion professionnelle initial) pour les trois périodes pour lesquelles les données ont été construites. Nous ne rapportons pas les coefficients des variables de contrôle, celles que nous notons zi.

83En dépit des changements que représente la modification de la périodicité des données, les résultats obtenus sont particulièrement proches. Les périodes d’estimation ne se recouvrent pas exactement selon la périodicité. Le nombre total d’observations varie considérablement d’un modèle à l’autre : pour les bimestres, il excède 3 millions ; pour les quadrimestres, il est de l’ordre de 1,3 million. Le nombre d’individus est, en revanche, très proche puisque nous retenons tous les individus observés au moins deux périodes. De sorte à estimer un effet causal, c’est le nombre d’entretiens de la période précédente qui est introduit dans l’ajustement. Aussi, sur données bimestrielles, le décalage temporel est-il de deux mois ; par contre, sur données quadrimestrielles, il est de quatre mois. Ce n’est donc pas sans raison que des résultats très différents auraient pu être obtenus.

84On observe, dans le tableau 8, une très forte proximité des enseignements que l’on peut retenir de ces estimations, que ces dernières soient conduites sur données bimestrielles, trimestrielles ou quadrimestrielles. À chaque fois, l’intensité de l’accompagnement a un impact positif et monotone sur le degré d’insertion professionnelle des jeunes en Civis.

Tableau 8 : Comparaison des modèles quand les périodes sont bimestrielles, trimestrielles ou quadrimestrielles – Modèles auto-régressifs calés en outre sur le degré initial d’insertion (équation 4)

Tableau 8 : Comparaison des modèles quand les périodes sont bimestrielles, trimestrielles ou quadrimestrielles – Modèles auto-régressifs calés en outre sur le degré initial d’insertion (équation 4)

Note : La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées ; les statistiques de Student sont calculées à partir de la distribution asymptotique de l’estimateur, sous l’hypothèse d’homocédasticité afin d’alléger les calculs.
La période d’estimation s’étend du 4e bimestre de 2005 au 5e bimestre de 2008, du 3e trimestre de 2005 au 3e trimestre de 2008 et du 2e quadrimestre de 2005 au 2e quadrimestre de 2008.
Champ : Le nombre d’observations et le nombre d’individus diffèrent selon la périodicité ; pour le bimestre, le nombre d’observations est égal à 3 167 899 et le nombre d’individus est égal à 586 858 ; pour le trimestre, respectivement, à 1 941 494 et à 548 246 et pour le quadrimestre, à 1 338 975 et à 518 882. Nous ne retenons que les individus observés au moins deux périodes ; c’est pour cette raison que le nombre d’individus utilisés dans le modèle diminue quand la période s’allonge.
Source : Parcours 3 (Conseil national des missions locales), extraction de février 2009.

  • 11 Faute de place, les résultats ne sont pas reproduits ici ; ils sont disponibles auprès des auteurs.

85Afin de vérifier la possible fragilité de l’étude qui résiderait dans la définition de la variable à expliquer (un degré d’insertion qui distingue 6 états ordonnés), nous avons reconduit l’ensemble des expérimentations économétriques en spécifiant seulement quatre états. Le degré d’insertion prend alors les valeurs 1 « Inactivité hors formation », 2 « Chômage », 3 « Formation, contrat aidé ou emploi précaire » et 4 « Emploi durable ». Nous regroupons ainsi les modalités médianes que nous avions précédemment différenciées. Des résultats comparables sont obtenus11 avec cette nouvelle définition du degré d’insertion professionnelle ; nous retrouvons, notamment, l’artéfact qui conduirait à estimer qu’un accompagnement plus intense n’améliore pas l’insertion professionnelle et, quand l’hétérogénéité interindividuelle est prise en compte, qu’un effet très net de l’intensité de l’accompagnement existe sur l’insertion.

*
* *

86L’accompagnement est devenu la principale composante des politiques actives d’emploi. Le Civis, en cherchant à accompagner les jeunes vers l’emploi durable ou une formation professionnalisante, se situe dans la lignée du New Deal for Young People lancé au Royaume-Uni en 1998.

87Nous avons récupéré des données de gestion, issues du système d’information Parcours 3 des missions locales. Nous avons « mis en panel » ces données de sorte à reconstruire, pour les jeunes suivis en Civis, des trajectoires régulièrement échantillonnées au cours du temps.

88Notre travail constitue presque un cas d’école. Nous montrons en effet que l’examen des données, quand il est mené sans précaution, conduit à un résultat fallacieux : une intensification de l’accompagnement qui serait inefficace, sans impact sur le degré d’insertion professionnelle des jeunes suivis. Cet artéfact, que nous avions commencé à montrer dans Gomel et al. (2010) est précisé ici comme un effet Matthieu « de type II » : les conseillers, dans les missions locales, aident le plus les jeunes qui sont en situation de grandes difficultés. Ces jeunes sont aussi ceux qui sont le moins bien insérés professionnellement et c’est ainsi que l’on conclut de manière erronée à l’inefficacité de l’accompagnement.

89Nous pallions cet artéfact en estimant un modèle autorégressif afin de retracer l’hétérogénéité de la distance à l’emploi des jeunes suivis en Civis. Nous mettons alors en évidence un effet causal particulièrement net de l’intensité de l’accompagnement sur le degré d’insertion professionnelle. Cet effet est robuste au mode de prise en compte de l’hétérogénéité interindividuelle des données ainsi qu’à la périodicité utilisée pour mettre les données en panel (bimestre, trimestre ou quadrimestre).

90Nous mettons aussi en évidence les conséquences de la crise économique et financière de 2008 sur l’insertion des jeunes en Civis. L’intensification de l’accompagnement qui conduirait à assurer trois entretiens individuels par trimestre plutôt que deux permettrait de compenser les premiers effets défavorables de la crise observés au troisième trimestre 2008. Un accompagnement plus soutenu permettrait ainsi d’infléchir les trajectoires d’insertion professionnelle des jeunes ; mais ces trajectoires restent caractérisées, en premier lieu, par une très forte inertie.

91Nous pouvons conclure que l’accompagnement des jeunes n’est pas le remède miracle au chômage des jeunes. Nous mettons en évidence un effet brut : une intensification de l’accompagnement accélère l’insertion professionnelle des jeunes. Un tel effet brut est compatible avec un fonctionnement du marché du travail où le nombre d’emplois reste fixé par le niveau de la demande de travail. L’accompagnement redistribue les places dans la file d’attente des demandeurs d’emploi mais ne réduit pas la longueur de la file.

Haut de page

Bibliographie

Baron C., Nivolle P. (2005), « L’inventivité au quotidien des missions locales et PAIO », Premières synthèses, no 31.1.

Behaghel L., Crépon B., Gurgand M. (2012), « Private and public provision of counseling to job-seekers : Evidence from a large controlled experiment », IZA Discussion Paper, no 6518.

Bonnevialle L. (2008), « Le contrat d’insertion dans la vie sociale (Civis) : la moitié des jeunes occupe un emploi à la sortie du dispositif », Premières synthèses, no 02.2.

Bonnevialle L. (2008), « L’activité des missions locales et PAIO en 2006 : la hausse de l’activité se poursuit avec la montée en charge du Civis », Premières synthèses, no 02.1.

Bureau M.-C., Leymarie C. (2005), « Innover dans le social : l’exemple des missions locales », Connaissance de l’emploi, no 12.

CEE (2005), « Les missions locales et l’innovation », Rapport de recherche, no 21, Noisy-le-Grand, Centre d’études de l’emploi.

CERC (2005), « Aider au retour à l’emploi », Rapport, no 6, Paris, La Documentation française, Conseil de l’emploi, des revenus et de la cohésion sociale.

CERC (2008), « Un devoir national, l’insertion des jeunes sans diplôme », Rapport, no 9, Paris, La Documentation française, Conseil de l’emploi, des revenus et de la cohésion sociale.

Crépon B., Dejemeppe M., Gurgand M. (2005), « Counseling the unemployed : Does it lower unemployment duration and recurrence ? », IZA Discussion Paper, no 1796.

Fougère D., Kamionka T., Prieto A. (2010), « L’efficacité des mesures d’accompagnement sur le retour à l’emploi », Revue économique, vol. 61, no 3, pp. 599-612.

Fougère D., Pradel J., Roger M. (2009), « Does the public employment service affect search effort and outcomes ? », European Economic Review, vol. 53, no 7, pp. 846-869.

Gomel B. (2008), « Les territoires de l’aide individualisée au retour à l’emploi : entre décentralisation et plan national d’urgence », in Baron C., Bouquet B., Nivolle P. (coord.), Les territoires de l’emploi et de l’insertion, Paris, L’Harmattan, pp. 41-54.

Gomel B., Issehnane S., Legendre F. (2010), « L’accompagnement et l’insertion des jeunes en difficulté. Que peut-on apprendre des données de gestion des missions locales françaises ? », in Degrave F., Desmette D., Mangez E., Nyssens M., Reman P. (coord.), Transformations et innovations économiques et sociales en Europe : quelles sorties de crise ? Regards interdisciplinaires, XXXes Journées de l’AÉS, Louvain, Presses universitaires de Louvain, pp. 315-335.

Merton R.K. (1968), « The Matthew effect in science », Science, vol. 159, no 3810, pp. 56-63.

Sylla F. (2008), « L’emploi des jeunes des quartiers populaires », Avis et rapports du Conseil économique et social, no 25.

Haut de page

Annexe

Tableau : Résultats détaillés du modèle du tableau 6 hormis l’âge (en années, 11 modalités), la région de résidence (26 modalités), le trimestre de suivi (14 modalités) et le trimestre « du calendrier » (14 modalités) – Modèle auto-régressif calé en outre sur le degré initial d’insertion (équation 4)

Tableau : Résultats détaillés du modèle du tableau 6 hormis l’âge (en années, 11 modalités), la région de résidence (26 modalités), le trimestre de suivi (14 modalités) et le trimestre « du calendrier » (14 modalités) – Modèle auto-régressif calé en outre sur le degré initial d’insertion (équation 4)

Note; La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées.
Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.
Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.

Haut de page

Notes

1 Chapitre xv, verset 30, traduction de Louis Segond, source : http ://www.info-bible.org/lsg/40.Matthieu.html, page consultée le 4 juillet 2013.

2 Chapitre xx, verset 16, même traduction et même source que la citation précédente.

3 Nous observons le dispositif pendant quatorze trimestres consécutifs à compter de sa mise en place ; un premier trimestre de suivi a ainsi une fréquence d’apparition qui est 14/13 fois plus élevée qu’un deuxième trimestre de suivi.

4 Il convient de noter que, par construction des données du panel, il n’y a pas de censure à droite : seuls les bénéficiaires du Civis qui en sont sortis y sont présents.

5 L’effet causal est entendu au sens d’un effet « toutes autres choses égales par ailleurs », observées et non observées.

6 En ce sens, ce serait l’obtention d’un emploi au trimestre courant qui « expliquerait » le nombre d’entretiens eus lors du trimestre précédent. Cette situation peut être observée dans les cas d’un renforcement de l’accompagnement pour préparer à un poste alors qu’une candidature en cours a de fortes chances de se conclure par une embauche.

7 Le risque est que l’effet de la détention du permis de conduire un véhicule léger, significativement positif en termes d’insertion (cf. tableau en annexe), sous-estime l’effet de l’accompagnement, lorsque passer le permis résulte de l’accompagnement Civis.

8 Un Student supérieur à 1,96 en valeur absolue signifie que le risque de première espèce est inférieur à 5 % (dans l’hypothèse de la nullité du coefficient estimé). Dans tous les cas où le nombre d’observations est très important, le Student se distribue comme une loi normale.

9 Ce point est particulièrement technique. L’intuition est la suivante. Pour un certain nombre d’individus, la variable à expliquer ne change pas d’état du fait de la très grande inertie des trajectoires. Par exemple, dans notre modèle, un grand nombre de jeunes suivis restent, pendant toute la durée de leur Civis, au chômage ; leur degré d’insertion professionnelle est ainsi fixé à la valeur 2. Pour ces individus, la constante individuelle sera en mesure, à elle seule, d’assurer l’ajustement. Cela va conduire à un biais dans l’estimation des autres paramètres quand le nombre de périodes est limité. L’ampleur du biais est bien documentée pour le modèle logit dichotomique. On montre que l’estimateur du maximum de vraisemblance surestime les vraies valeurs des paramètres d’un facteur 2 quand le nombre de périodes est égal à 2. Par simulation, on montre que ce facteur diminue lentement quand le nombre de périodes augmente ; par exemple, le facteur passe de 2 à 1,38 quand le nombre de périodes passe de 2 à 5.

10 Posséder une automobile peut être lié à des facteurs extérieurs au degré d’insertion professionnelle, par exemple à l’achat par un des parents du véhicule.

11 Faute de place, les résultats ne sont pas reproduits ici ; ils sont disponibles auprès des auteurs.

Haut de page

Table des illustrations

Titre Tableau 1 : Distribution des degrés d’insertion professionnelle des jeunes suivis en Civis
Légende Lecture : La situation « Inactivité (hors formation) » représente 3 % des situations, quand les situations sont mesurées par leur durée ; elle représente, en nombre, 2 % des situations.Champ : Ensemble des jeunes suivis en Civis.Source : Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-1.png
Fichier image/png, 6,0k
Titre Tableau 2 : Distribution des degrés d’insertion professionnelle par trimestre de suivi
Légende Note : voir tableau 1 pour la définition des degrés d’insertion professionnelle.Lecture : Les jeunes dont le degré d’insertion professionnelle est codé par 1 (pour « inactivité hors formation ») représentent 2 % des jeunes qui sont suivis pour la première fois ; les premiers trimestres de suivi sont au nombre total de 680 944, ils représentent 25 % du total des trimestres de suivi.Champ : 2 753 397 observations, relatives au nombre de jeunes suivis en Civis selon leur trimestre de suivi.Source : Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-2.png
Fichier image/png, 9,3k
Titre Tableau 3 : Distribution de l’intensité de l’accompagnement en t-1
Légende Lecture : La modalité « Un entretien » représente 22 % des situations au cours du trimestre t-1.Champ : 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.Source : Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-3.png
Fichier image/png, 4,9k
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-4.png
Fichier image/png, 4,1k
Titre Tableau 4 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle « en niveau » (équation 1)
Légende Note : Modèle probit ordonné estimé par la méthode du maximum de vraisemblance ; les statistiques de Student sont obtenues par bootstrap en rééchantillonnant le corps de données par individu.La variable à expliquer, le degré d’insertion professionnelle, prend les valeurs 1 (inactivité hors formation), 2 (chômage), 3 (formation), 4 (contrat aidé ou formation par alternance), 5 (emploi précaire) et 6 (emploi durable). La période d’estimation s’étend du troisième trimestre de 2005 au troisième trimestre de 2008.Le modèle, en outre, inclut le niveau de formation initiale (5 modalités), l’âge (en années, 11 modalités), le genre (2 modalités), la vie en couple, la présence d’enfants, la détention de permis de conduire (5 modalités), la disposition d’un moyen de locomotion (6 modalités), la nationalité (3 modalités), le mode d’hébergement (5 modalités), le mode de contact avec la mission locale (5 modalités), la résidence dans une zone urbaine sensible ou dans une zone de revitalisation rurale, la région de résidence (26 modalités), le trimestre de suivi (14 modalités) et le trimestre « du calendrier » (13 modalités).Champ: Les 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-5.png
Fichier image/png, 10k
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-6.png
Fichier image/png, 4,1k
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-7.png
Fichier image/png, 5,4k
Titre Tableau 5 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle autorégressif (équation 2)
Légende Note: La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées.Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-8.png
Fichier image/png, 14k
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-9.png
Fichier image/png, 5,3k
Titre Tableau 6 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle calé sur le degré initial d’insertion (équation 3)
Légende Note: La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées.Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-10.png
Fichier image/png, 14k
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-11.png
Fichier image/png, 6,6k
Titre Tableau 7 : Modèle probit ordonné pour expliquer le degré d’insertion professionnelle des jeunes en Civis en fonction de l’intensité de l’accompagnement du trimestre précédent – modèle autorégressif calé en outre sur le degré initial d’insertion (équation 4)
Légende Note: La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées.Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-12.png
Fichier image/png, 17k
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-13.png
Fichier image/png, 2,9k
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-14.png
Fichier image/png, 4,3k
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-15.png
Fichier image/png, 3,1k
Titre Graphique : Les coefficients estimés des indicatrices trimestrielles (trait plein) et une évolution contrefactuelle en l’absence de la crise économique et financière de 2008 (trait pointillé)
Légende Note: Le graphique illustre un fort effet saisonnier pour l’insertion professionnelle des jeunes en Civis. Le dernier trimestre de chaque année est un « mauvais » trimestre, le premier trimestre un bon.Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-16.png
Fichier image/png, 5,9k
Titre Tableau 8 : Comparaison des modèles quand les périodes sont bimestrielles, trimestrielles ou quadrimestrielles – Modèles auto-régressifs calés en outre sur le degré initial d’insertion (équation 4)
Légende Note : La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées ; les statistiques de Student sont calculées à partir de la distribution asymptotique de l’estimateur, sous l’hypothèse d’homocédasticité afin d’alléger les calculs.La période d’estimation s’étend du 4e bimestre de 2005 au 5e bimestre de 2008, du 3e trimestre de 2005 au 3e trimestre de 2008 et du 2e quadrimestre de 2005 au 2e quadrimestre de 2008. Champ : Le nombre d’observations et le nombre d’individus diffèrent selon la périodicité ; pour le bimestre, le nombre d’observations est égal à 3 167 899 et le nombre d’individus est égal à 586 858 ; pour le trimestre, respectivement, à 1 941 494 et à 548 246 et pour le quadrimestre, à 1 338 975 et à 518 882. Nous ne retenons que les individus observés au moins deux périodes ; c’est pour cette raison que le nombre d’individus utilisés dans le modèle diminue quand la période s’allonge.Source : Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-17.png
Fichier image/png, 20k
Titre Tableau : Résultats détaillés du modèle du tableau 6 hormis l’âge (en années, 11 modalités), la région de résidence (26 modalités), le trimestre de suivi (14 modalités) et le trimestre « du calendrier » (14 modalités) – Modèle auto-régressif calé en outre sur le degré initial d’insertion (équation 4)
Légende Note; La note du tableau 4 détaille le modèle utilisé, la nature de la variable à expliquer, la période d’estimation, les autres variables explicatives incluses dans le modèle et le nombre d’observations utilisées.Champ: 1 941 494 observations relatives à 548 246 jeunes bénéficiaires d’un Civis observés au moins deux trimestres.Source: Parcours 3 (Conseil national des missions locales), extraction de février 2009.
URL http://journals.openedition.org/travailemploi/docannexe/image/5964/img-18.png
Fichier image/png, 23k
Haut de page

Pour citer cet article

Référence papier

Bernard Gomel, Sabina Issehnane et François Legendre, « L’accompagnement et les trajectoires d’insertion des jeunes bénéficiaires d’un contrat d’insertion dans la vie sociale »Travail et Emploi, 134 | 2013, 5-20.

Référence électronique

Bernard Gomel, Sabina Issehnane et François Legendre, « L’accompagnement et les trajectoires d’insertion des jeunes bénéficiaires d’un contrat d’insertion dans la vie sociale »Travail et Emploi [En ligne], 134 | avril-juin 2013, mis en ligne le 01 avril 2015, consulté le 19 mars 2024. URL : http://journals.openedition.org/travailemploi/5964 ; DOI : https://doi.org/10.4000/travailemploi.5964

Haut de page

Auteurs

Bernard Gomel

CNRS, Centre d’études de l’emploi et Tepp (FR CNRS 3435) ; bernard.gomel@cee-recherche.fr

Articles du même auteur

Sabina Issehnane

Université Rennes-II, CIAPHS et Centre d’études de l’emploi ; sabina.issehnane@gmail.com

Articles du même auteur

François Legendre

Érudite (Université Paris-Est) et Tepp (FR CNRS 3435) ; F.Legendre@u-pec.fr

Articles du même auteur

Haut de page

Droits d’auteur

CC-BY-SA-4.0

Le texte seul est utilisable sous licence CC BY-SA 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search