ENSEIGNEMENT SUPERIEUR ET MARCHES DU TRAVAIL

ANALYSE ECONOMETRIQUE DE LA THEORIE DE L’ENGORGEMENT

Magali JAOUL
LAMETA / CNRS1

Résumé :

Afin d’expliquer l’afflux massif d’étudiants, à la fois dans l’enseignement

supérieur mais aussi sur le marché du travail, de nombreuses théories s’articulant autour
de la notion d’attraction du marché du travail, se sont développées. En effet,
l’accroissement du nombre de travailleurs « sur-éduqués » est de plus en plus important,
ce qui se traduit économiquement par une baisse du taux de rendement des études.
Freeman (1971) dans son « modèle en toile d’araignée » (Cobweb) est le premier à
poser le problème du sur-investissement éducatif dans l’enseignement supérieur. La sur-
éducation et le surnombre d’individus qualifiés, que l’on observe depuis la fin des
années 1970, va également dans le sens de la théorie de l’engorgement développée par
C. Diebolt. Son objet est d’interpréter l’accroissement du nombre d’étudiants en
établissant une relation causale avec les mouvements du marché du travail. En
extension, notre ambition est de proposer un test économétrique de l’engorgement à
l’aide de la notion de causalité développée par Granger.
Malgré la complexité des relations existant entre enseignement supérieur et
marché du travail, l’analyse causale semble aller dans le sens d’une confirmation de la
théorie de l’engorgement. D’une part le lien entre effectifs et professions
correspondantes (illustrant l’adéquation entre formation et marché du travail), d’autre
part les relations croisées entre effectifs et professions (mettant en évidence la
substituabilité entre filières), confirment les choix d’orientation des étudiants, sensibles
à l’évolution des débouchés universitaires.

Classification JEL : C32, I21, J31, N3

Mots-clés : Causalité, engorgement, enseignement supérieur, marché du travail.

1
LAMETA, Université Montpellier I, Faculté des Sciences Economiques, Espace Richter, Avenue de la
Mer, B.P. 9606, 34054 Montpellier Cedex 1, France. Tél. [Link].16, fax. [Link].67.
E-mail : [Link]@[Link].
Je remercie Claude Diebolt pour ses remarques et commentaires ; je demeure, néanmoins seule
responsable de l’approche développée ici.

1
INTRODUCTION

L’enchaînement causal éducation – productivité - salaire prôné par la théorie

traditionnelle du capital humain (Mincer, Becker, Schultz) a suscité de nombreuses
controverses. Spence, dans son modèle de signalement, propose dès 1973 une
interprétation alternative à la corrélation entre salaire et formation dans laquelle le
salaire reflète les aptitudes des individus signalées à l’employeur par la réussite
académique. Il tient compte du fait que dans la plupart des marchés du travail,
l’employeur ignore les capacités productives d’un individu au moment où il
l’embauche. Ce dernier doit alors se signaler via son diplôme. Arrow (1973) va
également prendre en compte les imperfections du marché du travail en intégrant le fait
que la condition de transparence sur le marché du travail n’est pas supposée remplie. En
effet, l’employeur n’achète pas une productivité connue, mais sélectionne à l’embauche
des travailleurs dont la productivité potentielle est inconnue. Pour que le marché du
travail se rapproche des conditions de concurrence, il faut que les employeurs aient une
information sur les facultés productives des candidats à l’embauche. Cette information
est fournie par le diplôme. Ainsi, l’enseignement supérieur sert de système de sélection
qui sépare les étudiants selon leurs aptitudes ; étudiants qui sont toutefois de plus en
plus nombreux.
Afin d’expliquer cet afflux massif d’étudiants, à la fois dans l’enseignement
supérieur mais aussi sur le marché du travail, d’autres théories se sont développées et
s’articulent autour de la notion d’attraction du marché du travail.
En effet, l’accroissement du nombre de travailleurs « sur-éduqués » est de plus en plus
important, ce qui se traduit économiquement par une baisse du taux de rendement des
études. Freeman (1971, 1976) est le premier à poser le problème du sur-investissement
éducatif dans l’enseignement supérieur. Il explique cela par le fait qu’au cours des
années soixante, on observe une forte poussée des dépenses d’éducation accompagnée
d’un maintien des gains des diplômés de l’enseignement supérieur qui permettent un
rendement des études universitaires élevé à cause d’une forte demande de cadres et
d’une faiblesse de l’offre des diplômés, alors que lors de la décennie suivante, on
observe un retournement de la tendance. En effet, les salaires des diplômés baissent
significativement et les déclassements sont de plus en plus nombreux.

2
Selon Freeman, ceci est le résultat de divers phénomènes :
- il existe un excès d’offre due aux générations du baby-boom alors que la demande
d’emplois de cadres a ralenti ;
- il y a eu une diminution du taux de rendement des études supérieures de par
l’augmentation du coût de ces études.
Il formalise cette idée en 1971 par un « modèle en toile d’araignée » (Cobweb).

La sur-éducation et le surnombre d’individus qualifiés, que l’on observe depuis

la fin des années 1970, va également dans le sens de la théorie de l’engorgement
développée par C. Diebolt. Son objet est d’interpréter l’accroissement du nombre
d’étudiants en établissant une relation causale avec les mouvements du marché du
travail.
En extension, notre ambition est de proposer un test économétrique de
l’engorgement à l’aide de la notion de causalité développée par Granger. Après un
rappel du cadre théorique, nous testons l’engorgement pour le cas de l’Allemagne entre
1820 et 1941.

1- LA THEORIE DE L’ENGORGEMENT

Dans ses travaux précurseurs (1994, 1995, 1997), C. Diebolt fait l’hypothèse que
le comportement des étudiants dans leurs choix de carrière dépend des revenus espérés
et des disponibilités au cœur du secteur professionnel.
La répartition des étudiants, par exemple, dans les différentes universités dépend des
avantages comparatifs de ces dernières en terme de salaires espérés et de travail
disponible dans les secteurs professionnels correspondants. Ainsi, les revenus espérés
pour un étudiant sont représentés par les salaires sur le marché du travail à un moment
donné.
Dans ce contexte, les salaires jouent un effet d’attraction apparaissant pour
certaines carrières quand une pénurie de main d’œuvre se produit dans certains secteurs
professionnels. Une fois la pénurie couverte, l’effet de demande se poursuit à cause
d’un délai de perception de la situation par les individus. Ceci entraîne petit à petit une
sur production de jeunes diplômés. Cette situation déséquilibrée détourne les étudiants
vers d’autres secteurs d’éducation et peut causer une nouvelle pénurie. Finalement, il
résulte une cyclicité fonction de la disponibilité de travail.

3
En ne considérant qu’une seule faculté, on peut représenter la situation comme sur la
figure 1.

Figure 1. Schéma de l’engorgement dans le cas d’une faculté

Nombre d’étudiants

B
A
C
E

D
Temps

A = Salaires élevés. Le secteur professionnel attire beaucoup d’individus et on observe

une pénurie d’étudiants et de diplômés ;
B = Nombre élevé d’étudiants et de diplômés ;
C = Diminution des salaires. Effet de rejet. Il y a une baisse du nombre d’étudiants mais
un surplus de diplômés ;
D = Peu d’étudiants ;
E=A
Les étudiants choisissent leur filière en fonction des salaires attendus. Si ces derniers
augmentent, il y a un effet d’attraction : A.
Mais il arrive un moment où il y a trop d’étudiants et de diplômés pour cette filière,
c’est à dire un phénomène d’engorgement et les salaires baissent : B.
Alors un effet de rejet se produit et le nombre d’étudiants diminue mais le surplus de
diplômés subsiste : C.
Le nombre d’étudiants atteint à nouveau un minimum et le cycle repart : D.
Ce schéma peut se généraliser à l’ensemble de l’enseignement supérieur en tenant
compte de toutes les filières et de leurs éventuels effets de substitution (figure 2).

4
Figure 2. Schéma de l’engorgement dans le cas de plusieurs facultés.

Nombre d’étudiants

B D’
Filière X

A’
E
C’
A Filière Y

B’
D E’

Temps

La symétrie des deux courbes met en évidence la substitution entre filières.

En effet, lorsqu’on observe un phénomène d’engorgement dans la filière X (A’), il y a
un effet d’attraction de la filière Y (A). Lorsque celle-ci est saturée, la première
« reprend la relève » et ainsi de suite.
Notons que le schéma n’est représenté qu’avec deux filières, mais qu’en réalité, on
observe des effets de substitution, mais aussi de complémentarité, avec toutes les
filières.

Dans l’optique de modéliser ces phénomènes, l’auteur développe, au début des années
2000 (Diebolt 2001, Diebolt & El Murr 2003) un modèle d’équilibre partiel d’économie
de l’éducation et du travail, en situation de concurrence parfaite et de rationalité des
agents. Il utilise pour cela, la fonction transcendantale logarithmique (Translog) créée
par L. Christensen, D. Jorgenson et L. Lau (1973).

Pour tout agent rationnel, la fonction d’offre est la suivante :

Q = F (T, D, S, L, P, A, M, E)

où T = effectifs scolarisés dans les facultés de théologie

D= droit
S= médecine

5
 L= lettres
P = effectifs de pasteurs.
A = effectifs d’avocats et juges.
M= de médecins.
E= des professeurs.

En supposant que les facultés sont faiblement séparables de leurs débouchés respectifs,
on peut réécrire l’offre comme une fonction de deux sous-groupes U et V, linéairement
homogènes :

Q = F [ U = f (T, D, S, L) , V = f ‘ (P, A, M, E) ]

L’auteur pose comme hypothèse supplémentaire que cette fonction est positive,
doublement différenciable et strictement quasi-concave ce qui signifie que les filières
s’organisent pour produire U et les professions correspondantes apparaissent en V. U et
V produisent finalement l’output global.
Du point de vue économique, cela implique que la répartition optimale au sein de
chaque sous-groupe dépend seulement des revenus relatifs de ses propres inputs.
En utilisant la transformation translog et les travaux de R. Berndt et O. Wood, il est
possible de faire apparaître les élasticités nettes et croisées des inputs d’un même sous-
groupe.

lnU =lnΛU + ∑α H
H ln H +
1
2 ∑α
H
HH (ln H)²+ ∑∑α
H J
HJ ln H ln J H, J = T, D, S, L

De même pour la fonction V :

lnV =lnΛV + ∑α
X
X ln X +
1
2 ∑α
X
XX (ln X)²+ ∑∑α
X Y
XYJ ln X lnY X, Y = P, A, M, E

Les fonctions étant homogènes et symétriques, on peut vérifier les relations suivantes :

∑α
H
H =1 ; ∑α
H
HJ = ∑α
J
JHJ = ∑∑α
H J
HJ =0

∑α
X
X =1 ; ∑α
X
XY = ∑α Y
YX = ∑∑α
X Y
XY =0

α HJ =α JH ; α XY =α YX

6
Afin d’éviter le risque de multicolinéarité, c’est l’estimation des équations des parts des
facteurs qui est réalisée.
A partir du Lemme de Shepard, les parts de T, D, L, S dans U sont représentées sous la
forme réduite :

WHU = ∂lnU =α H +
∂ln H ∑α
J
HJ ln J H, J = T, D, L, S

WXV = ∂lnV =α X +
∂ln X ∑α
Y
XY lnY X, Y = P, A, M, E

Les systèmes sont parfaitement déterminés puisque on vérifie :

WTU +WDU +WSU +WLU =1

WPV +WAV +WMV +WEV =1

Toutes les relations précédentes reviennent à estimer les équations suivantes :

∂lnT
()
L L
( ) L
()
WTU = ∂lnU =α T +α TT ln T +α TDln D +α TS ln S +ε T

∂ln D L
() L
( )
WDU = ∂lnU =α D +α DT ln T +α DDln D +α DS ln S +ε D
L
()
∂ln S L
() L
( )
WSU = ∂lnU =α S +α SDln T +α SDln D +α SS ln S +ε S
L
()
∂ln P E
() E
()
WPV = ∂lnV =α P +α PPln P +α PAln A +α PM ln M +ε P
E
( )
WAV = ∂lnV =α A+α
∂ln A
APln (EP )+α ln(EA )+α
AA (ME )+ε
AM ln A

∂ln M E
() E
()
WMV = ∂lnV =α M +α MPln P +α MAln A +α MM ln M +ε M
E
( )
où les εi sont des résidus aléatoires.

En supposant la fonction d’output principale de forme Cobb-Douglas, séparable et

linéairement homogène, on peut l’exprimer comme suit :

lnQ = lnΛ + αU lnU + αV lnV avec αU + αV = 1.

7
Soit encore :

lnQ = ln Λ'+ ∑β
Z
Z ln Z +
1
2 ∑β
Z
ZZ (ln Z)² + ∑∑β
Z I
ZI ln Z ln I

Z, I = T, D, S, L, P, A, M, E avec ∑β Z
Z =1 ; ∑β
Z
ZI =0 .

En tenant compte des hypothèses posées, on a :

βHX = βXH = βHY = βYH = 0 ; βJX = βX J= βJY = βYJ = 0

Les relations entre les sous-fonctions et la fonction générale sont telles que :

lnΛ’= lnΛ + αU lnΛU + αV lnV

βH = αU αH ; βX = αV αX ;
βHH = αU αHH ; βXX = αV αXX ;
βHJ = βJH = αU αHJ = αU αJH ; βXY = βYX = αV αYX = αV αXY

En dérivant la fonction translog générale par rapport aux effectifs des huit inputs, nous
obtenons huit équations à quatre variables de la forme :

∂lnQ
WZ =
∂ln Z
=β Z + ∑β
I
ZI ln I Z, I = T, D, S, L, P, A, M, E

Après l’estimation des paramètres βZI , on peut les utiliser pour estimer les élasticités
croisées nettes (des différents couples d’inputs d’un même groupe) au sens de Hicks-
Allen. Ces dernières se calculent de la manière suivante :

β HJ +WH WJ β JH +WJ WH
η HJ = ≠ =η JH H, J = T, D, L, S
WJ WH

β XY +WX WY β YX +WJY WX
η XY = ≠ =η YX X,Y = P, A, M, E
WY WX

Ces élasticités permettent de calculer l’impact net d’une variation des gains d’un input
sur l’attrait d’un autre input du même sous-groupe. Elles résultent de deux
phénomènes : les élasticités brutes (*) et les effets d’échelle.

8
Les élasticités brutes se calculent telles que :

α HJ +WHU WJU α JH +WJU WHU

η *HJ = ≠ =η * JH H, J = T, D, L, S
WJU WHU
α XY +WXV WYV α YX +WYV WXV
η *XY = ≠ =η *YX X,Y = P, A, M, E.
WYV WXV

L’effet d’échelle se calcule en faisant le produit de la part de l’input dans son sous-
groupe par l’élasticité prix (gain) du sous groupe :

η HJ =η* HJ +WHU .η UU H, J = T, D, L, S
η XY =η* XY +WXV .η VV X,Y = P, A, M, E

où WHU et WXV sont respectivement les parts de H et X dans la formation de U et de V

et où ηUU et ηVV sont les élasticités propres de U et V le long de Q.
Si les élasticités nettes sont positives, cela signifie qu’il existe un rapport de
complémentarité entre les deux facteurs concernés. En revanche, si elles sont négatives,
il y a substituabilité.

Au niveau empirique, C. Diebolt applique son modèle à l’Allemagne entre 1820 et

1941. Il aboutit aux résultats suivants : les élasticités nettes et brutes présentent une
substituabilité entre les filières et entre les professions. Cela signifie que les effectifs de
la filière H évoluent en sens inverse des salaires anticipés dans J. De plus, il arrive à la
conclusion que les élasticités propres sont positives ce qui met en évidence une
évolution parallèle des effectifs des facultés et des professions et de leurs rendements
respectifs.
Selon l’auteur, un tel phénomène a trois causes majeures :
- le comportement des étudiants dans leurs choix de filière dépend des gains
espérés ;
- il existe un besoin de jeunes universitaires dû à un vieillissement dans la
profession correspondante ;
- il existe également un besoin important dû à un développement du nombre de
postes à pourvoir.

9
Quand ces trois aspects coïncident, leurs effets se cumulent entraînant un effet
d’aspiration considérable. Ce dernier, agit principalement sur les couches de la
population ayant les plus faibles positions sociales ; en effet, elles saisissent les
opportunités offertes afin de se diriger vers les carrières en déficit numérique. Ainsi,
chaque carrière s’ouvre momentanément aux individus dont l’origine sociale est la plus
éloignée d’un cursus universitaire (Jaoul, 2002).

Ces résultats permettent d’expliquer les comportements d’étudiants face au marché du

travail et notamment face aux évolutions des salaires, que l’auteur schématise comme
suit :

Figure 3. Le phénomène de l’engorgement

OA ≥ DA WA
WA

WA
D A > OA WB

WA DB >OB
WB

OB ≥ DB WB
WB

Ils ont d’importantes implications sur le plan de la politique économique

présente et future, dans la mesure où ils mettent en évidence les moyens permettant de
stimuler la croissance, soit en modifiant les incitations destinées aux étudiants, soit en
procédant au développement et à la pérennisation de certains secteurs professionnels.

10
2- ANALYSE ECONOMETRIQUE DE LA RELATION ENTRE EFFECTIFS SCOLARISES ET
EFFECTIFS DES PROFESSIONS CORRESPONDANTES

2.1 Méthodologie et données utilisées

Afin de tester la présence d’une relation causale entre les effectifs scolarisés
dans les différentes facultés d’une part, et les effectifs des professions correspondantes
d’autre part, nous utilisons la base de données sur l’Allemagne (Prusse) issue des
travaux d’histoire quantitative de C. Diebolt (1994, 1997).
Pour cela, nous considérons, entre 1820 et 1941, les indicateurs suivants pris en
logarithme :
- effectifs scolarisés dans les facultés de sciences (SCIEN) ;
- effectifs scolarisés dans les facultés de lettres (LETT) ;
- effectifs scolarisés dans les facultés de droit (DROIT) ;
- effectifs scolarisés dans les facultés de théologie protestante (THEO) ;
- effectifs de médecins (MED) ;
- effectifs d’enseignants (ENS) ;
- effectifs d’avocats (AVOC) ;
- effectifs pasteurs protestants (PAST) ;

Le choix de ces indicateurs repose sur l’hypothèse de correspondance entre études et

professions. En effet, on suppose que les étudiants des facultés de sciences s’orienteront
vers des postes de médecins, que les étudiants de lettres s’orienteront vers des postes
d’enseignants, que les étudiants en droit occuperont des postes d’avocats et enfin que
les étudiants en théologie protestante choisiront des postes de pasteurs. Discutable pour
la période contemporaine, cette hypothèse correspond très bien à la période avant 1945.

L’objectif de l’analyse causale va être de mettre en évidence les interactions d’une part
entre effectifs et professions correspondantes et d’autre part, les interactions entre les
effectifs de facultés différentes.

L’analyse de la causalité nécessite l’utilisation de la modélisation VAR (Vector

Auto Regressive) qui permet d’envisager toutes les relations causales entre deux
variables sans exogénéiser a priori l’une d’entre elles.

11
 L’utilisation de ce type de modélisation implique de tester au préalable certaines
hypothèses. Tout d’abord, il est nécessaire de travailler avec des variables
stationnaires2 ; ensuite, il faut tester la présence éventuelle d’une relation de
coïntégration entre les variables3. En effet, la coïntégration (tendance de long-terme
commune entre les variables) peut conduire à des régressions fallacieuses.
Au niveau théorique, la mise en évidence de relations causales entre les variables
économiques permet une meilleure appréhension des phénomènes économiques et
amène des informations supplémentaires quant à l’antériorité des événements entre eux
et, par là même, permet la mise en place d’une politique économique optimisée.
Nous utilisons ici la notion de causalité développée par Granger : la variable y1t cause la
variable y2t, si la prévision de cette dernière est améliorée en incorporant à l’analyse des
informations relatives à y1t et à son passé.
Soit le modèle VAR(p) :

[y ] = [Ao] + [A
i ,t
i
1 ] [ ] [ ][ ]
B1i [yi ,t −1 ] + A2i B2i [yi ,t −2 ] + .... + Aip B ip yi ,t − p + [ε i ,t ]
(i*1) (i*1) (i*i) (i*1) (i*i) (i*1) (i*i) (i*1) (i*1)

On teste Ho : y2t ne cause pas y1t c’est à dire que les coefficients des blocs matriciels B
sont nuls.
On teste H’o : y1t ne cause pas y2t c’est à dire que les coefficients des blocs matriciels A
sont nuls.
Si on est amené à accepter les deux hypothèses alternatives H1 et H’1, on parle de boucle
rétroactive.

2
Un processus Xt est dit stationnaire si tous ses moments sont invariants pour tout changement de
l’origine du temps. Il existe deux types de processus non stationnaires : les processus TS (Trend
Stationary Processes) qui présentent une non-stationnarité de type déterministe et les processus DS
(Difference Stationary Processes) pour lesquels la stationnarité est de type aléatoire. Ces processus sont
respectivement stationnarisés par écart à la tendance et par un filtre aux différences. Dans ce dernier cas,
le nombre de filtre aux différences permet de déterminer l’ordre d’intégration de la variable. Une variable
sera dite intégrée d’ordre « d » s’il est nécessaire de la différencier d fois pour la rendre stationnaire. Les
variables sont stationnarisées ici à l’aide des tests de Dickey-Fuller.
3
Une condition nécessaire de coïntégration est que les variables soient intégrées du même ordre. Pour
tester la coïntégration, on procède ici au test de Johansen.

12
 2.2 Résultats

Pour tester la stationnarité, nous utilisons les tests de Dickey-Fuller augmentés.

Ces derniers nous conduisent à stationnariser les variables AVOC, DROIT, MED, et
SCIEN par différences premières et les variables ENS, LETT, PAST par écart à une
tendance déterministe. La variable THEO est stationnaire4.

Tableau 1. Tests de Dickey-Fuller Augmentés

Retards Critère de Schwarz Statistiques Valeurs critiques Décision
AVOC 1 -8,32 T6-stat = -2,45 -3,45
2 -9,16 F6 = 3,43 [6,34 ; 6,49]
3 -9,12 F5 = 4,08 [4,75 ; 4,88[
4 -9,08 T4-stat = 0,203 -2,88
F4 = 2,54 [4,63 ; 4,71]
M -stat = 208,14 1,96 DS
ENS 1 -6,99 T6-stat = -3,83 -3,45
2 -7,64 T-stat(b) = 3,802 1,96 TS
3 -7,6
4 -7,55
MED 1 -8,26 T6-stat = -2,51 -3,45
2 -9,63 F6 = 3,24 [6,34 ; 6,49]
3 -9,58 F5 = 3,21 [4,75 ; 4,88[
4 -9,54 T4-stat = -0,82 -2,88
F4 = 1,23 [4,63 ; 4,71]
M -stat = 152,91 1,96 DS
PAST 1 -9,62 F6 = 7,81 [6,34 ; 6,49]
2 -10,08 T-stat(b) = 2,72 1,96 TS
3 -10,11
4 10,07
DROIT 1 -3,92 T6-stat = -1,82 -3,45
2 -3,9 F6 = 1,99 [6,34 ; 6,49]
3 -3,94 F5 = 1,33 [4,75 ; 4,88[
4 -3,92 T4-stat = -1,54 -2,88
F4 = 1,22 [4,63 ; 4,71]
M -stat = 109,2 1,96 DS
LETT 1 -4,24 F6 = - 4,59 [6,34 ; 6,49]
2 -4,3 T-stat(b) = 4,49 1,96 TS
3 -4,34
4 -4,35
SCIEN 1 -3,5 T6-stat = -3,99 -3,45
2 -3,45 T-stat(b) = 3,31 1,96 TS
3 -3,49
4 -3,52
THEO 1 -3,68 T6-stat = -4,16 -3,45
2 -4,49 T-stat(b) = 0,47 1,96
3 -4,48 T-stat(c) = 4,17 1,96 AR(2)
4 -4,47

4
Après avoir effectué les tests de Dickey-Fuller, nous arrivons à la conclusion que la variable THEO suit
un processus autorégressif d’ordre 2 (AR (2)).

13
Nous procédons ensuite à divers tests de causalité : dans un premier temps, nous testons
les variables deux à deux, en ne considérant que les effectifs des facultés et les
professions correspondantes. Ensuite, nous considérons le système faculté – marché du
travail comme un tout.
Les tableaux des tests de causalité sont présentés en annexe.

2.2.1. Analyse des liaisons inter-facultés.

THEOLOGIE DROIT

LETTRES SCIENCES

L’ensemble des facultés apparaît comme un système où les effectifs sont

interdépendants les uns des autres. Certes la liaison la plus apparente est la boucle
existant entre les effectifs de Sciences et de Théologie, mais il ne faut pas négliger les
liaisons de second rang comme l’influence des effectifs en lettres sur les effectifs de
droit via les facultés de lettres et théologie.

2.2.2. Analyse des liaisons inter-professions

AVOCATS PASTEURS

ENSEIGNANTS

Comme pour les effectifs des facultés, l’ensemble des professions apparaît
comme un système. Si les étudiants de théologie et droit n’étaient reliés que par une
relation allant des premiers vers les seconds, les professions correspondantes sont liées
par une boucle rétroactive. Notons enfin une liaison enseignants / pasteurs alors que les
effectifs universitaires correspondant ne présentaient qu’une liaison de second rang.

14
2.2.3. Effectifs des facultés et professions correspondantes

Seuls le système « Etudiants en théologie protestante / Pasteurs protestants »

présente une relation de causalité que l’on peut schématiser ainsi :

THEO PASTEURS

Les autres systèmes ne présentent pas de relation entre les variables deux à deux
(Cf. Annexe). En revanche, l’évolution des différentes variables au cours de la période
d’études laisse supposer des relations « croisées ». En effet, d’après le graphique 1, les
étudiants en Droit (D) et Théologie (TP) d’une part, et ceux en lettres (L) et sciences (S)
d’autre part semblent liés de manière inverse.

Graphique 1. Evolution des effectifs dans les différentes facultés

10

9,5

8,5

8
TP
D
7,5
S
L
7

6,5

5,5

5
20

24

28

32

36

40

44

48

52

56

60

64

68

72

76

80

84

88

92

96

00

04

08

12

16

20

24

28

32

36

40
18

18

18

18

18

18

18

18

18

18

18

18

18

18

18

18

18

18

18

18

19

19

19

19

19

19

19

19

19

19

19

Nous allons donc tester la présence de relations de causalité les divers secteurs :
juridique, religieux, littéraire et scientifique.

15
2.2.4. Les secteurs juridiques et religieux

PASTEURS AVOCATS

THEOLOGIE DROIT

Trois relations notables apparaissent : d’abord, la boucle entre pasteurs et

étudiants en théologie attestant de la liaison entre formation et marché du travail ;
ensuite, la boucle entre pasteurs et avocats, reflet des interactions sur le marché du
travail, enfin, les liaisons croisées entre d’une part, les étudiants en droit et les pasteurs
et d’autre part, entre les étudiants en théologie et les avocats. Ceci illustre les relations
de substituabilité entre les filières et les professions mises en évidence dans la théorie.

2.2.5. Les secteurs scientifiques et littéraires

MEDECINS ENSEIGNANTS

SCIENCES LETTRES

Le phénomène observé ici est semblable au précédent : une liaison double entre
les effectifs étudiants et une relation croisée entre les effectifs d’une filières et ceux de
la profession « concurrente ».

Les secteurs juridiques et littéraires ne présentent aucune liaison.

16
2.2.6. Médecins, pasteurs et étudiants en théologie et en sciences

MEDECINS PASTEURS

SCIENCES THEOLOGIE

On observe, comme précédemment, la concordance des trois phénomènes

Les relations qui suivent attestent certes d’une liaison, mais les phénomènes mis en
évidence dans les secteurs précédents n’apparaissent pas tous.

2.2.7. Enseignants, pasteurs, étudiants en lettres et en théologie

ENSEIGNANTS PASTEURS

THEOLOGIE

Ici, on n’observe uniquement la liaison entre effectif et profession correspondante,

confirmant l’adaptation du marché du travail à la formation, et l’influence croisée reflet
de la substituabilité entre filières.

2.2.8. Avocats, Médecins, étudiants en droit et en sciences

MEDECINS AVOCATS

SCIENCES DROIT

Pour cette figure, seule la relation de substituabilité est mise en avant.

17
EN GUISE DE CONCLUSION : PRISE EN COMPTE DU SYSTEME DANS SON ENSEMBLE

ENSEIGNANTS

PASTEURS DROIT AVOCATS

THEO.

SCIENCES MEDECINS LETTRES

La prise en compte du système dans son ensemble et les liens de causalité qui en
découlent, attestent de la complexité des relations existant entre enseignement supérieur
et marché du travail. La persistance de certaines relations, quel que soit le système de
variables considéré, semble aller dans le sens d’une confirmation de la théorie de
l’engorgement. D’une part le lien entre effectifs et professions correspondantes
(illustrant l’adéquation entre formation et marché du travail), d’autre part les relations
croisées entre effectifs et professions (mettant en évidence la substituabilité entre
filières), confirment les choix d’orientation des étudiants, sensibles à l’évolution des
débouchés universitaires.

18
BIBLIOGRAPHIE

ARROW, Kenneth J. (1973). “Higher Education as the Filter”, Journal of Public

Economics, 2, (3), pp. 193-216.

BERNDT, R., WOOD, O. (1975). “Technology, Prices, and the Derived Demand for
Energy”, Review of Economics and Statistics, 57 (3), pp. 259-268.

BERNDT, R., WOOD, O. (1979). “Engineering and Econometric Interpretations of

Energy-Capital Complementarity”, American Economic Review, 69 (3), pp. 342-354.

CHRISTENSEN, L., JORGENSON, D., LAU, L. (1973). “Transcendental Logarithmic

Production Frontiers”, Review of Economics and Statistics, 55 (1), pp. 28-45.

DE MEULEMEESTER, J.-L. (1994). “Une évaluation empirique de la rationnalité des

étudiants et étudiantes belges (1954-1987)”, Economie et Prévision, 116, pp. 137-151.

DE MEULEMEESTER, J.-L. (1995) Analyse économique de la demande

d’enseignement supérieur universitaire, Thèse de Doctorat en Sciences Economiques, 2
volumes, Université Libre de Bruxelles.

DICKEY, D.A & FULLER, W.A (1979) “Distribution of the estimators for
autoregressive time series with unit root”, Journal of the American Statistical
Association, 74, pp. 427-431.

DICKEY, D.A. & FULLER, W.A. (1981). "Likelihood Ratio Statistics for
Autoregressive Time Series with a Unit Root", Econometrica, 49, pp. 1057-1072.

DIEBOLT, C. (1994). L’évolution de longue période du système éducatif allemand :

Vol 1 : Education, croissance et cycles longs, Vol. 2 : L’histoire quantitative de
l’éducation, Thèse de doctorat en sciences économiques, Université Montpellier 1, 15
février 1994, 1042 p.

DIEBOLT, C. (1995). Education et croissance économique. Le cas de l’Allemagne aux

XIXe et XXe siècles, L’Harmattan, Paris.

DIEBOLT, C. (1997). “L’évolution de longue période du système éducatif allemand

XIXème et XXème siècle”, Economies et Sociétés, Série AF, 23, pp. 1 – 370.

DIEBOLT, C. (2001). “La théorie de l’engorgement ”, Economie Appliquée, 54, 4,

pp. 7-31.

DIEBOLT, C. & EL MURR, B. (2003). “Educationnal Development and Labour

Markets. The Case of Higher Education in Germany, 1820-1941”, Quality and
Quantity, 34. (In Press).

DIEBOLT, C. & EL MURR, B. (2003). “A Model of Glutting. Human Capital and

Labour Markets in the Long-Run”, Applied Economics Letters, 10. (In Press).

19
DIEBOLT, C. & LITAGO, J. (1997) “Education and Economic Growth in Germany
before the Second World War. An Econometric Analysis of Dynamic Relations”,
Historical Social Research, 22, 2, pp. 132-149.

ENGLE, R. & GRANGER, C. (1991). Long-Run Economic Relationships. Readings in

Cointegration, Oxford University Press, Oxford.

FREEMAN, R. B. (1971), The Market for College-Trained Manpower. A Study in the

Economics of Career Choice, Harvard University Press, Cambridge.

FREEMAN, R. B. (1975). “Overinvestment in college training ?”, The Journal of

Human Resources, 10, 3, pp. 287-311.

FREEMAN, R. B. (1976). The Overeducated American, Academic Press, New-York.

GRANGER, C. (1969) “Investigating Causal Relationship between Econometric

Methods and Cross-Spectral Methods”, Econometrica, 37, pp. 424-439.

GRANGER, C. & NEWBOLD, P. (1974). "Spurious Regressions in Econometrics",

Journal of Econometrics, 2, pp. 111-120.

JAOUL, M. (2002) “Enseignement supérieur et origine sociale en France : étude

statistique des inégalités depuis 1965”, DT-Lameta, 19, Université Montpellier I, 27
pages.

JAOUL, M. (2002) “Higher education and economic growth in France since the second
world war ”, Historical Social Research, Special Issue : Human and social capital in
Economic History, 27, 4..

JOHANSEN, S. (1988). “Statistical analysis of co-integration vectors”, Journal of

Economic Dynamics and Control, 12, 2-3, pp. 231-254.

JOHANSEN, S. (1992). "Determination of Cointegration Rank in the Presence of a

Linear Trend", Oxford Bulletin of Economics and Statistics, 54, pp. 383-397.

SPENCE, Michael. (1973). “Job Market Signalling”, Quarterly Journal of Economics,

87, 3, pp. 355-374.

20
 ANNEXES : TEST DE CAUSALITE DE GRANGER

1- La liaison inter facultés

Lags: 5
Null Hypothesis: Obs F-Statistic Probability

DLETT does not Granger Cause DDROIT 116 0.74309 0.59293

DDROIT does not Granger Cause DLETT 1.39468 0.23227
DSCIEN does not Granger Cause DDROIT 116 1.33073 0.25694
DDROIT does not Granger Cause DSCIEN 1.18859 0.31982
DTHEO does not Granger Cause DDROIT 116 2.33006 0.04749
DDROIT does not Granger Cause DTHEO 0.83166 0.53003
DSCIEN does not Granger Cause DLETT 117 0.90728 0.47931
DLETT does not Granger Cause DSCIEN 2.90840 0.01681
DTHEO does not Granger Cause DLETT 117 1.78977 0.12115
DLETT does not Granger Cause DTHEO 1.53450 0.18531
DTHEO does not Granger Cause DSCIEN 117 3.11671 0.01153
DSCIEN does not Granger Cause DTHEO 3.05119 0.01298

2- La liaison inter-professions
Lags: 4
Null Hypothesis: Obs F-Statistic Probability

DENS does not Granger Cause DAVOC 117 0.51959 0.72150

DAVOC does not Granger Cause DENS 0.12753 0.97216
DMED does not Granger Cause DAVOC 117 1.00582 0.40784
DAVOC does not Granger Cause DMED 0.15959 0.95824
DPAST does not Granger Cause DAVOC 117 5.76738 0.00030
DAVOC does not Granger Cause DPAST 7.25639 3.3E-05
DMED does not Granger Cause DENS 117 0.73910 0.56733
DENS does not Granger Cause DMED 0.65590 0.62398
DPAST does not Granger Cause DENS 118 1.92966 0.11060
DENS does not Granger Cause DPAST 2.19460 0.07430
DPAST does not Granger Cause DMED 117 0.22232 0.92545
DMED does not Granger Cause DPAST 1.08720 0.36659

3- Filière et profession correspondante

Lags: 3
Null Hypothesis: Obs F-Statistic Probability

DTHEO does not Granger Cause DPAST 119 17.6404 1.9E-09

DPAST does not Granger Cause DTHEO 5.30449 0.00186

21
Lags: 1
Null Hypothesis: Obs F-Statistic Probability

DDROIT does not Granger Cause DAVOC 120 1.24524 0.26675

DAVOC does not Granger Cause DDROIT 0.70688 0.40220

Lags: 1
Null Hypothesis: Obs F-Statistic Probability

DSCIEN does not Granger Cause DMED 120 0.01287 0.90986

DMED does not Granger Cause DSCIEN 0.52955 0.46825

Lags: 3

Null Hypothesis: Obs F-Statistic Probability

DLETT does not Granger Cause DENS 119 0.19558 0.89922

DENS does not Granger Cause DLETT 0.66959 0.57245

Les secteurs juridiques et religieux

Lags: 6
Null Hypothesis: Obs F-Statistic Probability

DTHEO does not Granger Cause DPAST 116 8.88555 8.2E-08

DPAST does not Granger Cause DTHEO 2.57014 0.02321
DAVOC does not Granger Cause DPAST 115 4.46027 0.00048
DPAST does not Granger Cause DAVOC 5.50445 5.7E-05
DDROIT does not Granger Cause DPAST 115 8.44344 1.9E-07
DPAST does not Granger Cause DDROIT 1.09035 0.37329
DAVOC does not Granger Cause DTHEO 115 1.63968 0.14379
DTHEO does not Granger Cause DAVOC 2.99077 0.00986
DDROIT does not Granger Cause DTHEO 115 0.64159 0.69669
DTHEO does not Granger Cause DDROIT 1.85721 0.09542
DDROIT does not Granger Cause DAVOC 115 0.99666 0.43177
DAVOC does not Granger Cause DDROIT 0.91311 0.48873

22
 Les secteurs littéraires et scientifiques
Lags: 2
Null Hypothesis: Obs F-Statistic Probability

DENS does not Granger Cause DMED 119 1.14058 0.32325

DMED does not Granger Cause DENS 0.65716 0.52028
DLETT does not Granger Cause DMED 119 4.21520 0.01714
DMED does not Granger Cause DLETT 1.61188 0.20403
DSCIEN does not Granger Cause DMED 119 1.55245 0.21617
DMED does not Granger Cause DSCIEN 0.97107 0.38179
DLETT does not Granger Cause DENS 120 0.06608 0.93609
DENS does not Granger Cause DLETT 0.33625 0.71514
DSCIEN does not Granger Cause DENS 120 0.45247 0.63718
DENS does not Granger Cause DSCIEN 2.44344 0.09136
DSCIEN does not Granger Cause DLETT 120 3.39648 0.03688
DLETT does not Granger Cause DSCIEN 8.14610 0.00049

Les secteurs religieux et scientifiques

Lags: 3
Null Hypothesis: Obs F-Statistic Probability

DPAST does not Granger Cause DMED 118 0.26773 0.84854

DMED does not Granger Cause DPAST 1.31696 0.27252
DSCIEN does not Granger Cause DMED 118 0.93059 0.42853
DMED does not Granger Cause DSCIEN 0.06693 0.97735
DTHEO does not Granger Cause DMED 118 2.16891 0.09571
DMED does not Granger Cause DTHEO 1.56551 0.20179
DSCIEN does not Granger Cause DPAST 119 31.3238 8.8E-15
DPAST does not Granger Cause DSCIEN 3.87785 0.01111
DTHEO does not Granger Cause DPAST 119 17.6404 1.9E-09
DPAST does not Granger Cause DTHEO 5.30449 0.00186
DTHEO does not Granger Cause DSCIEN 119 5.90596 0.00089
DSCIEN does not Granger Cause DTHEO 4.39347 0.00581

23
 Les secteurs littéraires et religieux
Lags: 5
Null Hypothesis: Obs F-Statistic Probability

DPAST does not Granger Cause DENS 117 1.39881 0.23066

DENS does not Granger Cause DPAST 2.57606 0.03059
DLETT does not Granger Cause DENS 117 0.51181 0.76680
DENS does not Granger Cause DLETT 0.74417 0.59212
DTHEO does not Granger Cause DENS 117 1.69353 0.14246
DENS does not Granger Cause DTHEO 0.87363 0.50149
DLETT does not Granger Cause DPAST 117 1.60218 0.16582
DPAST does not Granger Cause DLETT 0.29597 0.91419
DTHEO does not Granger Cause DPAST 117 10.9518 1.6E-08
DPAST does not Granger Cause DTHEO 2.70653 0.02420
DTHEO does not Granger Cause DLETT 117 1.78977 0.12115
DLETT does not Granger Cause DTHEO 1.53450 0.18531

Les secteurs juridiques et scientifiques

Lags: 4
Null Hypothesis: Obs F-Statistic Probability

DMED does not Granger Cause DAVOC 117 1.00582 0.40784

DAVOC does not Granger Cause DMED 0.15959 0.95824
DDROIT does not Granger Cause DAVOC 117 1.17254 0.32703
DAVOC does not Granger Cause DDROIT 1.51849 0.20189
DSCIEN does not Granger Cause DAVOC 117 2.17280 0.07686
DAVOC does not Granger Cause DSCIEN 1.37453 0.24758
DDROIT does not Granger Cause DMED 117 1.83512 0.12733
DMED does not Granger Cause DDROIT 2.93204 0.02404
DSCIEN does not Granger Cause DMED 117 0.97530 0.42422
DMED does not Granger Cause DSCIEN 0.51311 0.72622
DSCIEN does not Granger Cause DDROIT 117 1.40732 0.23642
DDROIT does not Granger Cause DSCIEN 1.50923 0.20458

24
 Les secteurs juridiques et littéraires
Lags: 3
Null Hypothesis: Obs F-Statistic Probability

DENS does not Granger Cause DAVOC 118 0.69045 0.55975

DAVOC does not Granger Cause DENS 0.13474 0.93915
DLETT does not Granger Cause DAVOC 118 1.07083 0.36454
DAVOC does not Granger Cause DLETT 0.66969 0.57240
DDROIT does not Granger Cause DAVOC 118 1.59045 0.19574
DAVOC does not Granger Cause DDROIT 0.54653 0.65150
DLETT does not Granger Cause DENS 119 0.19558 0.89922
DENS does not Granger Cause DLETT 0.66959 0.57245
DDROIT does not Granger Cause DENS 118 0.75939 0.51922
DENS does not Granger Cause DDROIT 1.94702 0.12617
DDROIT does not Granger Cause DLETT 118 1.55746 0.20378
DLETT does not Granger Cause DDROIT 1.25508 0.29341

Le système dans son ensemble

Lags: 13
Null Hypothesis: Obs F-Statistic Probability

DENS does not Granger Cause DAVOC 108 1.64871 0.08884

DAVOC does not Granger Cause DENS 0.73009 0.72866
DMED does not Granger Cause DAVOC 108 0.57954 0.86365
DAVOC does not Granger Cause DMED 0.61529 0.83474
DPAST does not Granger Cause DAVOC 108 3.51227 0.00024
DAVOC does not Granger Cause DPAST 2.54039 0.00556
DDROIT does not Granger Cause DAVOC 108 2.05078 0.02641
DAVOC does not Granger Cause DDROIT 1.41786 0.16928
DLETT does not Granger Cause DAVOC 108 0.36474 0.97702
DAVOC does not Granger Cause DLETT 0.57870 0.86430
DSCIEN does not Granger Cause DAVOC 108 1.55606 0.11575
DAVOC does not Granger Cause DSCIEN 1.03397 0.42812
DTHEO does not Granger Cause DAVOC 108 1.47803 0.14379
DAVOC does not Granger Cause DTHEO 0.96607 0.49135
DMED does not Granger Cause DENS 108 1.13292 0.34463
DENS does not Granger Cause DMED 0.31960 0.98726
DPAST does not Granger Cause DENS 109 0.64324 0.81065
DENS does not Granger Cause DPAST 1.85726 0.04766
DDROIT does not Granger Cause DENS 108 1.24396 0.26482
DENS does not Granger Cause DDROIT 0.82183 0.63592
DLETT does not Granger Cause DENS 109 1.47555 0.14447
DENS does not Granger Cause DLETT 1.03385 0.42807
DSCIEN does not Granger Cause DENS 109 0.95058 0.50625
DENS does not Granger Cause DSCIEN 0.49612 0.92083

25
DTHEO does not Granger Cause DENS 109 1.66898 0.08349
DENS does not Granger Cause DTHEO 0.47581 0.93227
DPAST does not Granger Cause DMED 108 1.21368 0.28509
DMED does not Granger Cause DPAST 0.88045 0.57613
DDROIT does not Granger Cause DMED 108 2.13665 0.02019
DMED does not Granger Cause DDROIT 2.00751 0.03022
DLETT does not Granger Cause DMED 108 1.77486 0.06133
DMED does not Granger Cause DLETT 0.97124 0.48639
DSCIEN does not Granger Cause DMED 108 1.15150 0.33022
DMED does not Granger Cause DSCIEN 1.19663 0.29699
DTHEO does not Granger Cause DMED 108 1.36245 0.19602
DMED does not Granger Cause DTHEO 1.28663 0.23814
DDROIT does not Granger Cause DPAST 108 4.64340 6.6E-06
DPAST does not Granger Cause DDROIT 0.88253 0.57403
DLETT does not Granger Cause DPAST 109 1.24717 0.26246
DPAST does not Granger Cause DLETT 0.34714 0.98154
DSCIEN does not Granger Cause DPAST 109 8.73393 7.3E-11
DPAST does not Granger Cause DSCIEN 2.23577 0.01464
DTHEO does not Granger Cause DPAST 109 3.57194 0.00019
DPAST does not Granger Cause DTHEO 0.94773 0.50903
DLETT does not Granger Cause DDROIT 108 0.70330 0.75481
DDROIT does not Granger Cause DLETT 0.89879 0.55762
DSCIEN does not Granger Cause DDROIT 108 0.68131 0.77574
DDROIT does not Granger Cause DSCIEN 0.80323 0.65494
DTHEO does not Granger Cause DDROIT 108 0.95995 0.49725
DDROIT does not Granger Cause DTHEO 0.72004 0.73854
DSCIEN does not Granger Cause DLETT 109 1.19936 0.29480
DLETT does not Granger Cause DSCIEN 1.20702 0.28943
DTHEO does not Granger Cause DLETT 109 1.43929 0.15948
DLETT does not Granger Cause DTHEO 0.75871 0.70017
DTHEO does not Granger Cause DSCIEN 109 1.76133 0.06360
DSCIEN does not Granger Cause DTHEO 1.24033 0.26691

26