Navigation – Plan du site

AccueilNuméros135Pour une anticipation stratégique...

Pour une anticipation stratégique des besoins en « compétences vertes » : l’outil CIPEGE

Towards a strategic anticipation of “green competencies” : The CIPEGE tool
Strategische Ermittlung des Bedarfs an „ökologischen Kompetenzen“ : das Instrument „Cipege“
Para una anticipación estratégica de las necesidades en “competencias verdes” : el instrumento Cipege
Christelle L. Garrouste et Estelle Courtial
p. 155-177

Résumés

Le Centre international de prospective de l’emploi en géosciences et environnement (CIPEGE) développe, depuis 2013, un outil innovant d’anticipation, notamment, sur les tendances du marché. Il s’agit d’anticiper les stratégies en matière de besoins en compétences dans le domaine des géosciences et de l’environnement, en France. On présente ici les résultats préliminaires des premières simulations à l’horizon 2020, qui s’appuient sur une combinaison d’anticipations économétriques et d’ingénierie des systèmes.

Haut de page

Texte intégral

1Depuis le Sommet de la Terre de Rio, en 1992, les notions « d’économie verte » et « d’emplois verts » ont progressivement envahi les discours médiatiques et politiques. Le Programme des Nations Unies pour l’Environnement (2011) définit l’économie verte comme une économie qui engendre une amélioration du bien-être humain et de la justice sociale, tout en réduisant sensiblement les risques environnementaux et les pénuries écologiques.

  • 1 La réduction de 20 % des émissions de gaz à effet de serre de l’Union européenne par rapport à 1990 (...)

2Plusieurs mesures ont été adoptées afin de favoriser la transition vers une économie verte au niveau international, telles que les quotas d’émissions de gaz à effet de serre adoptés en 1995, suite à la Convention Cadre des Nations Unies sur les Changements Climatiques, le protocole de Kyoto, ou les objectifs « 20-20-20 »1 fixés par la Commission européenne en 2010. Parallèlement, les Etats se sont fixés des objectifs afin d’accélérer le « verdissement » de leur économie (comme le « Climate Change Act » de 2008 en Grande-Bretagne, ou le Grenelle de l’environnement, depuis 2007, en France). Dans le cas du Grenelle de l’environnement, des objectifs précis ont été fixés pour des domaines d’action prioritaires incluant l’amélioration énergétique des bâtiments, les transports, la réduction des consommations d’énergie et du contenu en carbone de la production, la préservation de la biodiversité, la maîtrise des risques, la préservation de la santé et le traitement des déchets.

3La transition énergétique en résultant engendre de nombreux changements dans l’économie au niveau de la structure et de la dynamique des marchés, des comportements sociétaux et en matière de recherche et de formation. En outre, l’intégration des objectifs environnementaux dans l’activité économique induit un verdissement des emplois en lien avec les objectifs mentionnés précédemment (Organisation internationale du travail, 2012). Ainsi, l’économie verte inclut des emplois dont la finalité est la protection de l’environnement, des emplois qui exercent une pression faible sur l’environnement, mais aussi ceux qui exercent une pression forte tout en fournissant des secteurs verts (ex : la production d’acier dans la construction d’éoliennes) (INSEE, 2012).

4Selon cette définition, les secteurs d’activité concernés par l’économie verte sont ceux utilisés pour produire des biens ou services à faible impact sur l’environnement et/ou dont la finalité est la protection de l’environnement. Néanmoins, une activité dont la finalité est environnementale peut avoir un effet induit négatif sur l’environnement (ex : chimie des nouveaux engrais). Réciproquement, une activité dont la finalité première n’est pas la protection de l’environnement peut exercer une pression très faible sur l’environnement du point de vue du prélèvement de matières premières, de la production de déchets, ou de rejets dans l’eau ou l’air (ex : enseignement, secteur tertiaire). Comme le montre l’INSEE (2012) dans un dossier spécial sur l’économie verte, les industries lourdes, minières et la production d’électricité n’entrent pas dans l’économie verte puisqu’elles exercent une pression très forte sur l’environnement et que leur finalité n’est pas la protection de l’environnement. à l’inverse, les activités de R&D (recherche et développement) en efficacité énergétique sont doublement « vertes », leur finalité étant la protection de l’environnement et leur pression sur l’environnement étant faible. En outre, l’appartenance d’un secteur à l’économie verte n’est pas figée. Notamment, en fonction de l’évolution technologique, un secteur peut voir son emprise environnementale décroître et entrer par conséquent dans l’économie verte.

  • 2 Le CIPEGE a été défini comme une action du LABEX (laboratoire d’excellence) Voltaire (ANR-10-LABS-1 (...)

5Au vu de ces définitions théoriques et statistiques, les géosciences et autres sciences de l’environnement sont parmi les disciplines de formation et de recherche les plus directement affectées par la transition vers une économie verte. Les géosciences incluent l’étude de l’atmosphère, de l’hydrosphère, des océans, de la biosphère et de la Terre solide. C’est dans ce contexte que le Centre international de prospective de l’emploi en géosciences et environnement (CIPEGE)2 vise le développement d’un outil d’anticipation afin d’améliorer l’adéquation entre l’offre et la demande de compétences en géosciences et environnement.

  • 3 L’approche adoptée d’identification des besoins en compétences s’inscrit dans les travaux relatifs (...)

6Ici, le terme géosciences désignera à la fois les géosciences et les sciences de l’environnement. Ainsi, mesurer l’adéquation entre l’offre et la demande de compétences revient à estimer l’« employabilité » des jeunes diplômés en géosciences3. Proposer une mesure de l’employabilité n’est pas trivial en raison du caractère controversé du concept (Gazier, 1998 ; McQuaid, 2005 ; Arjona et al., 2010). Jusqu’à présent, aucune mesure n’est parvenue à en refléter toutes les dimensions. Au contraire, McQuaid (2005) précise que l’on peut regrouper en deux catégories les types de mesures de l’employabilité en fonction de la perspective adoptée. La première se focalise sur les caractéristiques individuelles et les compétences et se réfère à l’aptitude d’un individu à trouver un travail. La seconde prend en compte des facteurs exogènes (comme les institutions du marché du travail, le statut socio-économique de l’individu, etc.) qui peuvent influencer la probabilité qu’un individu a de trouver un emploi, d’évoluer entre deux emplois et de progresser dans son travail. Selon De Grip (2004), ces facteurs sont des conditions pour qu’un travailleur puisse « effectuer » son employabilité (« effectuation conditions »). La littérature prend également en compte le rôle joué par la durée de transition entre le moment de l’obtention du dernier diplôme et le premier emploi (Boateng et al., 2011), le degré d’adéquation entre la formation et le poste occupé ou le type de contrat (plein temps ou temps partiel ; contrat à durée indéterminée ou à durée déterminée) (Arjona et al., 2010).

7L’employabilité est donc la capacité d’obtenir un premier emploi, de maintenir un emploi et d’obtenir un nouvel emploi (Cedefop, 2008). En d’autres termes, l’employabilité d’un jeune diplômé est sa prédisposition à exhiber les attributs qu’un employeur anticipe comme essentiels pour le bon fonctionnement de son organisation (Harvey, 1998). L’employabilité est aussi définie comme une combinaison de capacité et de volonté à être et à demeurer attractif pour le marché du travail (De Grip, 2004). Pour un individu donné, son employabilité va dépendre de ses connaissances, de ses compétences, de son attitude, et de la manière dont il en fait usage et les présente à un futur employeur (Hillage, 1998).

  • 4 Ce faisant, cette conception de l’employabilité s’inscrit dans le prolongement de travaux menés par (...)

8Dans le cadre de l’outil CIPEGE, nous retenons une approche de l’employabilité par type de poste, en définissant l’employabilité comme la capacité des jeunes diplômés des universités françaises en géosciences à être employés à un poste qui exploite leurs compétences en géosciences, tout en tenant compte des tendances de la demande internationale pour ce type de compétences4. En effet, de nombreux travaux empiriques démontrent que les retours positifs de l’investissement en éducation (en termes de salaire) sont encore plus forts lorsqu’il existe une adéquation entre les compétences acquises durant la formation et le poste occupé pour les diplômés à partir du niveau Bac + 2 (par exemple, pour la France, Couppié, Giret et Lopez, 2009, p. 54).

9Cet article présente les premiers résultats de l’outil d’anticipation développé par le CIPEGE. Alors que la deuxième partie sera dédiée à un aperçu de l’emploi dans le domaine des géosciences et environnement en Europe et en France, la troisième partie présentera la méthodologie sous-jacente à l’outil CIPEGE. Cet outil d’anticipation combine des stratégies de modélisation utilisées traditionnellement en économie (théorie d’appariement et multinomial logit) et des stratégies de commande utilisées en ingénierie des systèmes (modèle interne et commande prédictive). Les résultats de nos simulations seront présentés et interprétés dans la quatrième partie. La dernière section servira enfin à discuter les potentialités et les limites de l’outil CIPEGE au vu des résultats obtenus.

1 Les géosciences et l’emploi : secteurs porteurs et secteurs en berne

10Après une vue d’ensemble introductive des similitudes et divergences des marchés français et européens en termes de secteurs porteurs ou en berne, pour les diplômés en géosciences, nous montrerons que les diplômés de Master ont de réelles opportunités, en France, dans un contexte de reprise économique.

1.1 La transition énergétique et l’emploi : quelles spécificités françaises au regard de nos partenaires européens ?

11à l’aide de son modèle macroéconomique E3ME (Economics, Environment and Energy Model for Europe) (cf. Annexe 1 en version électronique), Cambridge Econometrics (2011) a procédé à une analyse approfondie des conséquences sur l’emploi de la mise en œuvre des politiques européennes pour atteindre les objectifs environnementaux « 20-20-20 ». Les résultats révèlent des tendances très hétérogènes par secteur d’activité. Alors que certains secteurs, comme le fer, l’acier, le ciment et le pétrole, connaîtront une baisse de l’emploi d’ici 2020, d’autres, comme les énergies renouvelables, la construction et le transport, enregistreront une croissance de l’emploi.

12Les professions qui bénéficieront le plus d’une transition vers une plus faible émission de carbone sont l’ingénierie et les professions techniques liées à la production d’électricité à partir de ressources naturelles (vent, eau, soleil), soit des professions hautement qualifiées (Wilson, 2010). Le rapport souligne également le fait que la demande devrait s’accroître pour certains types d’ingénieurs et de techniciens, qui, outre leur haute qualification dans leur discipline (ex : ingénierie électronique), seront capables d’appliquer leurs connaissances dans un contexte professionnel « verdissant » et à des postes aussi variés que la R&D, le design, la maintenance et le management.

13Nous avons exécuté l’algorithme du modèle E3ME afin d’obtenir la demande d’emploi par secteur pour les diplômés des universités, à la fois au niveau européen agrégé et pour la France. Les courbes de tendance à l’horizon 2020, présentées dans le Graphique 1, illustrent les similitudes et les différences entre le marché du travail en France et le marché du travail européen au niveau agrégé.

14La France suit les tendances européennes dans différents secteurs clefs d’extraction et d’exploitation des ressources minières, tels que l’industrie des produits minéraux non-métalliques et l’industrie du charbon, avec une tendance à la hausse du nombre de la demande de travailleurs possédant un diplôme de niveau universitaire et à la baisse s’agissant des travailleurs ayant un faible niveau de diplôme. Notons toutefois que la baisse observée, en France, dans l’industrie du charbon, est bien plus prononcée qu’au niveau européen.

15Pour les industries d’extraction et d’exploitation des métaux de base, du pétrole et du gaz, la France révèle une tendance inversée par rapport à la moyenne européenne. Alors que l’emploi des diplômés de l’enseignement supérieur va progressivement diminuer en Europe, dans les secteurs des métaux de base, du pétrole et du gaz, il va augmenter en France.

16Au-delà de ces tendances globales (représentées par une ligne pleine sur les graphiques), il est intéressant d’observer les tendances au niveau désagrégé du type de poste, afin d’avoir une idée plus précise du niveau de diplôme qui sera demandé. Si l’on examine les industries des métaux de base, on observe que les emplois en expansion dans les années à venir sont essentiellement des emplois de scientifiques et ingénieurs associés, c’est-à-dire des diplômés de niveau Bac + 3 ou Bac + 4, au détriment des scientifiques et ingénieurs diplômés de niveau Bac + 5 ou Bac + 8. Cette tendance en faveur de compétences techniques non spécialisées confirme les résultats obtenus par Cambridge Econometrics (2011) au niveau européen. Ces résultats très généraux fournissent un aperçu du type de diplômes qui seront prisés par le marché dans les années à venir, en termes de discipline et de niveau.

1.2 L’emploi en géosciences en France : le Master, garant d’un emploi en lien avec la formation

17Après avoir analysé les tendances de l’emploi dans les industries traditionnellement associées aux géosciences, nous avons étudié les parcours professionnels des diplômés en géosciences et environnement, afin de vérifier si leur diplôme les menait vers ces industries. Une première analyse des données individuelles annualisées de l’enquête Emploi de l’INSEE, sur la période 2003-2011, fournit un aperçu de la répartition des diplômés en sciences de la Terre et de l’univers, par industrie, pour chaque niveau de diplôme. à partir de la Licence (Bac + 3), le secteur principal d’insertion des géoscientifiques est l’éducation (40 % des Bac + 3, 62 % des Bac + 4, 21 % des Bac + 5 et 30 % des Bac + 8), suivi de près par le secteur des services professionnels, ie les emplois de consulting et d’expertise. Le rôle important du secteur a émergé en 2008, suite à la crise économique, et a engendré une hausse des emplois temporaires hautement qualifiés (Cutuli, 2013 ; Oliver, 2012 ; O’Connor, 2013). Dans le cas des diplômés de niveau Bac + 2, le secteur le plus attractif est l’administration publique et la défense (27 %). Le Tableau 1 résume cette distribution.

18Notons que le niveau de diplôme qui garantit le mieux un emploi dans des secteurs en relation avec la formation (en gris dans le Tableau 1) est le Master (Bac + 5), avec des emplois dans treize secteurs dits « verts » ou « verdissants » sur les dix-neuf secteurs d’insertion effective. Arrivent ensuite, en ordre décroissant, les Bac + 4, Bac + 8 et Bac +2/3.

Graphique 1. Evolution de la demande de diplômés du tertiaire (Bac + 2 à Bac + 8) entre 2000 et 2020, par secteur d’activité, dans l’ensemble de l’Union européenne (EU27) et en France

Graphique 1. Evolution de la demande de diplômés du tertiaire (Bac + 2 à Bac + 8) entre 2000 et 2020, par secteur d’activité, dans l’ensemble de l’Union européenne (EU27) et en France

Note : « All occupations » : Tous types d’occupations/fonctions quel que soit le niveau d’études ; « Sc. & engin. prof. » : Scientifiques et ingénieurs professionnels ; « Sc. & engin. asso. prof. » : Scientifiques et ingénieurs associés professionnels ; « Metal. machin. & rel. trade w. » : machinistes et autres travailleurs et commerciaux en métallurgie ; « Labourers in mining » : travailleurs miniers ; « Teaching » : Enseignement ; « Otherprofessionals » : Autres professionnels qualifiés ; « Extract. &build. w. » : Travailleurs en extraction et construction ; « Operators » : Opérateurs. Les
Les cadrans graphiques de gauche correspondent à la demande moyenne des 27 pays européens (y compris la France) pour les compétences de niveau universitaire, par secteur d’activité. Les cadrans graphiques de droite présentent la demande française pour les compétences de niveau universitaire dans les mêmes secteurs d’activité. La ligne pleine représente la demande totale par secteur, tous types d’emplois et de niveau de qualifications confondus. Cette ligne sert de référence cardinale afin de mieux percevoir la demande relative pour les diplômés de l’enseignement supérieur. Pour des raisons visuelles, seuls les types d’emploi les plus importants (en termes de nombre) sont présentés.

Source : Estimations des auteurs à partir du modèle E3ME (Energy-Environnement-Economy Model For Europe).

19De plus, certains secteurs ne recrutent des géoscientifiques qu’au-delà d’un certain niveau de diplôme. C’est le cas des secteurs du bois et du papier (uniquement des Bac + 4), des secteurs de l’énergie hydraulique, de l’industrie pétrolière et gazière (Bac + 4 et Bac + 5).

20Si l’on considère que l’employabilité d’un diplômé ne se limite pas à sa capacité à trouver un emploi, mais consiste à trouver un emploi dans son domaine de formation, le fait qu’au moins 25 % des diplômés en géosciences soient employés dans des secteurs d’insertion non directement liés à la thématique initiale de formation signale une inadéquation entre la formation offerte et la formation demandée (« mismatch » de compétences) sur ce marché. Cette perte de compétences en géosciences, au profit de secteurs non directement demandeurs de ce type de compétences, peut pénaliser les secteurs demandeurs. En outre, la non-exploitation des compétences acquises durant la formation constitue une source potentielle d’insatisfaction des travailleurs, surtout dans les premières années suivant l’obtention du diplôme (Boras, Legay, Romani, 2008).

Tableau 1. Distribution des emplois pour les diplômés en sciences de la Terre et de l’univers, par niveau de diplôme et secteur d’activité

 

Bac + 2

Bac + 3

Bac +4

Bac +5

Bac + 8

Agriculture

<0,1 %

2 %

0,2 %

4 %

0,4 %

Transport aérien

<0,1 %

<0,1 %

<0,1 %

3 %

<0,1 %

Métaux de base

<0,1 %

4 %

<0,1 %

2 %

<0,1 %

Produits chimiques

5 %

<0,1 %

1 %

<0,1 %

<0,1 %

Construction

4 %

5 %

0,2 %

5 %

4 %

Education

9 %

40 %

62 %

21 %

30 %

Ingénierie électronique

<0,1 %

<0,1 %

<0,1 %

1 %

3 %

Transport routier

4 %

3 %

<0,1 %

<0,1 %

<0,1 %

Carburants fabriqués

<0,1 %

<0,1 %

<0,1 %

<0,1 %

7 %

Ingénierie mécanique

2 %

1 %

<0,1 %

9 %

19 %

Produits métalliques

<0,1 %

3 %

0,2 %

<0,1 %

<0,1 %

Motorisation/véhicules

4 %

<0,1 %

<0,1 %

1 %

<0,1 %

Pétrole et gaz

<0,1 %

<0,1 %

1 %

1 %

<0,1 %

Services professionnels / experts

8 %

4 %

6 %

16 %

16 %

Transport de l’eau

<0,1 %

<0,1 %

0,4 %

2 %

<0,1 %

Bois et papier

<0,1 %

<0,1 %

1 %

1 %

<0,1 %

Administrations publiques et défense

27 %

4 %

7 %

11 %

11 %

Banque et finance

1 %

<0,1 %

2 %

1 %

<0,1 %

Communications

1 %

4 %

<0,1 %

<0,1 %

<0,1 %

Services informatiques

4 %

<0,1 %

3 %

5 %

0,4 %

Distribution

5 %

<0,1 %

0,2 %

6 %

<0,1 %

Santé et travail social

9 %

7 %

4 %

<0,1 %

1 %

Hôtels et traiteurs

<0,1 %

1 %

3 %

<0,1 %

<0,1 %

Assurance

<0,1 %

<0,1 %

1 %

<0,1 %

3 %

Autres services

9 %

11 %

3 %

10 %

3 %

Services en gestion et administration des affaires

<0,1 %

<0,1 %

1 %

0,3 %

3 %

Produits pharmaceutiques

7 %

4 %

<0,1 %

2 %

0,4 %

Imprimerie et publication

<0,1 %

4 %

<0,1 %

<0,1 %

<0,1 %

Commerce de détail

1 %

6 %

3 %

<0,1 %

<0,1 %

Nombre d’observations annuelles moyennes (1990-2011)

2010

2402

6756

4514

3378

Note : Les secteurs d’activité en gris correspondent aux secteurs traditionnellement associés aux formations en sciences de la Terre et de l’univers (liste établie en concertation avec le ministère de l’Education supérieure et de la Recherche et l’Observatoire des sciences de l’univers d’Orléans).

Source : Estimation des auteurs à partir des données individuelles de l’enquête Emploi de l’INSEE sur la période 1990-2011.

2 Le CIPEGE : vers un outil d’anticipation interdisciplinaire de l’employabilité

21L’outil CIPEGE est composé de deux modèles consistant respectivement à estimer l’employabilité, en termes de capacité d’appariement de l’offre et de la demande de compétences (sous-partie 2.1), et à estimer la capacité des universités à adapter le flux de leurs diplômés à cette employabilité de référence, en tenant compte des choix individuels de parcours des étudiants (modèle logit multinomial). Les deux modèles économétriques sont reliés par un processus d’optimisation de l’offre de compétences en fonction d’une trajectoire de référence (ici, l’employabilité de référence), selon une approche de commande prédictive (sous-partie 2.2).

2.1 Modéliser l’employabilité

22L’objectif de l’outil CIPEGE étant d’anticiper l’employabilité des jeunes diplômés des universités françaises en géosciences et sciences de l’environnement, il est dans un premier temps nécessaire de définir le modèle retenu pour capturer cette employabilité (cf. Encadré 1).

23Tous les paramètres du modèle sont estimés à l’aide des données individuelles anonymes de l’enquête Emploi de l’INSEE (1990-2011), à l’exception du paramètre de « matching » (mjEU), estimé à l’aide de la version étendue du modèle E3ME développé par Cambridge Econometrics (1974-2012). Le modèle E3ME est un modèle à correction d’erreur, qui intègre l’erreur d’estimation à chaque instant t dans l’estimation des coefficients en t +1. Les données de l’INSEE nous permettent d’estimer directement le flux de destruction d’emplois, δ, ainsi que l’emploi actuel des diplômés en géosciences en France, pour chaque niveau de diplôme bac+j, yFj (t), par la méthode des moindres carrés ordinaires, en contrôlant chaque secteur d’activité.

24L’utilisation du E3ME pour l’estimation du paramètre de matching (appariement) nous permet de capturer, de manière indirecte, l’impact des chocs environnementaux et énergétiques sur la demande de compétences en géosciences (cf. Annexe 2 en version électronique). Nous utilisons le E3ME au niveau agrégé (c’est-à-dire pour l’ensemble des pays européens) afin de générer le stock de demande pour les travailleurs les plus hautement qualifiés (i.e. CITE5-6), par secteur (selon la classification NACE – Nomenclature statistique des activités économiques) et par niveau d’occupation (selon la classification CITP-08 – classification internationale type des professions). A l’aide des données individuelles de l’enquête Emploi de l’INSEE, pour les années 1990 à 2011, nous identifions les secteurs d’exercice et les niveaux d’occupation des diplômés en géosciences en France, selon leur niveau de diplôme (cf. Tableau 1). Le nombre de travailleurs demandés en géosciences, en Europe, avec un niveau de compétences j, mjEU est obtenu en fusionnant les données précédemment estimées à l’aide du modèle E3ME à celles de l’INSEE, sur la base de ces matrices activité/occupation, par niveau de diplôme. Le paramètre mjEU est ensuite intégré à l’équation (2) afin d’estimer le nombre de diplômés en géosciences, au niveau bac+j, qui seront employés à la période suivante.

25Cette valeur anticipée de la demande des marchés pour des diplômés en géosciences constitue notre employabilité de référence, c’est-à-dire l’objectif à atteindre (voir, pour les diplômés de Master, le Graphique 2). Il s’agit principalement de comprendre comment le système universitaire français peut ajuster son offre de diplômés en géosciences afin de répondre à la demande des marchés. Il est donc nécessaire de développer un outil d’anticipation de la demande qui va être sensible à des ajustements de l’offre de diplômés en géosciences. C’est ce que l’outil CIPEGE se propose de faire à l’aide d’une approche de commande prédictive (Model Predictive Control).

Graphique 2. Employabilité des diplômés de Master (Bac + 5) en géosciences de 2003 à 2025

Graphique 2. Employabilité des diplômés de Master (Bac + 5) en géosciences de 2003 à 2025

Note : La ligne pleine représente l’employabilité d’un diplômé en géosciences d’une université française, en tenant compte de la demande pour les compétences en géosciences au niveau européen. Cette courbe correspond à la trajectoire de référence que les universités françaises doivent avoir à l’esprit lorsqu’elles mettent en place des mesures visant la formation en géosciences. Les valeurs jusqu’en 2012 sont estimées à partir de données observées. Au-delà de 2012, les valeurs sont prédites sur la base d’une extrapolation linéaire dont les valeurs prédites sont représentées par la ligne pointillée. Cette extrapolation est bornée dans un intervalle de confiance (IC) de 90 % (cf. bornes inférieure et supérieure).

Source : Estimation des auteurs du modèle dynamique de l’emploi (cf. équation 2, encadré 1) à partir des données estimées avec le E3ME de 1974 à 2012, et des enquêtes Emploi annuelles de l’INSEE de 2003 à 2012.

2.2 Anticiper l’évolution de l’employabilité : approche de commande prédictive

26Dans le domaine de l’ingéniérie des procédés, les commandes prédictives font partie des approches de commandes avancées des procédés les plus utilisées (Alessio, 2009 ; Qin, 2003). Initialement développées pour des procédés linéaires dans les années 1970, dans le milieu pétrochimique, les commandes prédictives (CP) se sont progressivement imposées dans de nombreux domaines industriels (automobile, agroalimentaire, énergie – nombreuses applications pour la gestion optimisée de la consommation énergétique des bâtiments).

27Toutes les CP ont en commun les trois points suivant : une trajectoire de référence (ici, le modèle mathématique estimant l’employabilité des diplômés), un modèle du procédé (ici, le nombre d’étudiants à former pour répondre à la demande du marché) et un critère d’optimisation (ici, l’ajustement du nombre d’inscrits en début de parcours afin d’atteindre le nombre de diplômés désiré). La stratégie des CP se base sur le principe de l’horizon glissant (« moving or receding horizon ») et l’objectif de commande est formulé en un problème d’optimisation non-linéaire (Camacho, 2007). A l’instant courant t, la sortie du procédé est mesurée. L’utilisation explicite d’un modèle du procédé permet de prédire le comportement du procédé sur un horizon fini, Np, appelé horizon de prédiction. Il s’agit alors de déterminer une séquence de Nc commandes, où Nc est l’horizon de commande, permettant de minimiser la différence entre la trajectoire de référence et la sortie prédite par le modèle sur l’horizon Np. Seule la première composante de cette séquence est réellement appliquée au procédé. A l’instant suivant t+1, l’horizon de prédiction glisse d’une période d’échantillonnage, les mesures sont actualisées et toute la procédure est répétée. Le terme « prédiction » est ici synonyme d’anticipation ou prévision. Etant donnée sa formulation en un problème d’optimisation, la CP peut facilement prendre en compte des contraintes, notamment sur les états et les entrées (commandes) du procédé.

28La trajectoire de référence, Yref (cf. encadré 1), correspond au comportement souhaité du procédé. Dans notre cas, Yref correspond à l’employabilité des diplômés des universités françaises en géosciences et environnement. Le « procédé » est la capacité des universités françaises à produire les compétences en géosciences et environnement requises par le marché (aussi bien en qualité -niveau et type de formation- qu’en quantité –nombre de diplômés-). Cette capacité équivaut au nombre de diplômés en géosciences formés par les universités françaises chaque année, c’est-à-dire à chaque instant t. L’objectif de commande est d’améliorer l’employabilité des diplômés en géosciences et environnement en agissant sur le procédé, par l’ajustement du nombre de diplômés entrant sur le marché du travail chaque année.

29Les prédictions basées sur des données sont inévitablement sujettes à des perturbations et à des erreurs de modélisation. Afin de gagner en robustesse, nous utilisons une structure de commande à modèle interne (Internal Model Control), largement reconnue en Automatique, que nous avons adaptée à notre problématique d’employabilité (cf. Graphique 3).

Graphique 3. Structure de commande CIPEGE

Graphique 3. Structure de commande CIPEGE

Cipege : Centre international de prospective de l’emploi en géosciences et environnement .

Source : Auteures.

30Le modèle (aussi appelé modèle interne) décrit mathématiquement le comportement du procédé. Afin de prédire l’évolution du nombre de diplômés en géosciences que la France va pouvoir produire sur un horizon Np, le modèle interne que nous avons choisi est un modèle logit multinomial/conditionnel (McFadden, 1974).

31Supposons qu’avant chaque rentrée universitaire, les étudiants disposent d’un choix discret Yi entre A options de parcours, dont une option de sortie, une option de redoublement et une option de poursuite. Soit Uia la fonction d’utilité de l’étudiant i choisissant l’option a, qui dépend d’une composante systématique ηia et d’une composante aléatoire εia, telle que le vecteur εi = (εi1, …,εia) a une distribution normale multivariée avec un vecteur de moyennes nulles et une matrice de corrélations arbitraires R. Nous supposons que les étudiants sont rationnels, c’est-à-dire qu’ils maximisent leur utilité. L’étudiant i choisira l’alternative a si Uia est la plus grande parmi {Ui1, …, UiA}. La probabilité que l’individu i choisisse l’alternative a est :

32πia = Pr[Yi = a] = Pr[max(Ui1, …, UiA) = Uia] (5)

33Ce modèle présente l’avantage de permettre de corréler les utilités qu’un étudiant assigne aux différentes options de parcours. Le nombre d’étudiants Ws inscrits chaque année en filière s, va dépendre de cette probabilité de parcours individuel et du flux d’étudiants observé. Ainsi, le nombre d’étudiants qui choisit l’option a chaque année est donné par :

34Ň(t) = Σ ss =1 wsPsa = ym(t) (6)

35Psa est la probabilité (résultat de l’équation (5)) qu’un étudiant en filière s choisisse l’alternative a.

36L’hypothèse de rationalité inhérente à ce modèle est difficilement vérifiable, mais indispensable pour la construction de notre analyse. L’un des objectifs de l’outil CIPEGE étant de fournir une information aux étudiants sur les filières les plus porteuses en matière d’emploi, nous espérons néanmoins, qu’à terme, cette information sera exploitée systématiquement par les nouveaux entrants afin de rendre leur décision plus rationnelle (ou du moins, moins irrationnelle).

37Notre modèle logistique utilise des données administratives annuelles sur le nombre d’inscrits et de diplômés par université, filière et niveau de diplôme, des données individuelles sur les parcours d’étude des étudiants recueillies dans le serveur des universités « Apogée », ainsi que des données de l’enquête d’insertion des diplômés dans les 18 mois suivant l’obtention de leur diplôme, recueillie chaque année par le ministère de l’Enseignement supérieur et de la Recherche.

38Le critère d’optimisation traduit l’objectif de commande, à savoir la poursuite de la trajectoire de référence. Le graphique 3 nous permet d’écrire :

39yd (t) = yref (t) – e(t) = yref (t) – (y p(t) – ym(t)) (7)

40yd (t) - ym (t) = yref (t) - y(t) (8)

41Imposer à la sortie du procédé yp de poursuivre la trajectoire de référence yref est équivalent à imposer à la sortie du modèle ym de poursuivre la trajectoire yd. On suppose que l’erreur e = yp – ym, calculée à chaque nouvelle mesure, est constante sur Np.

42Ce signal, représentant les perturbations et les erreurs de modélisation, constitue le retour d’information qui va impacter la trajectoire de référence yref.

43La trajectoire de référence yref étant connue sur l’horizon de prédiction, la trajectoire désirée peut être calculée de la façon suivante :

44yd (k) = yref (k) – e(t), k Є [t +1, t + Np] (9)

45L’objectif de commande s’écrit comme un problème de minimisation de la fonction de coût J, fonction quadratique de l’erreur de poursuite ɛp = yd – ym :

46Où Q et R sont des matrices symétriques définies positives, δ u (k – 1) = u (k – 1) – u (k – 2), û = {u(t),u(t + 1), …, u(t + Nc),… u (t + Np – 1) est la séquence de Nc commandes à déterminer avec Nc < Np. Seule la première commande u(t) est simultanément appliquée au procédé et au modèle interne. La procédure est réitérée à l’instant d’échantillonnage suivant, conférant robustesse et efficience à la commande prédictive.

3 Simuler l’impact des stratégies institutionnelles sur l’employabilité

47Dans cet article, nous ne présentons que les procédures et résultats des simulations pour les diplômés de Master (j = 5). Pour les diplômés de Licence (j = 3), ces éléments sont disponibles sur demande auprès des auteurs.

48La commande testée dans le cadre de ces simulations agit sur le nombre d’étudiants inscrits en géosciences en début de diplôme (Licence 1 et Master 1) pour répondre aux variations de la demande des marchés.

49Grâce à une procédure d’identification, nous obtenons un modèle qui reproduit le procédé avec un taux d’erreur relative (e = yp – ym) de 9 % (cf. Courtial et Garrouste, 2014, pour une description détaillée de la procédure d’identification).

50Le Graphique 4 révèle une trajectoire non-linéaire de l’employabilité mesurée. La forte augmentation du nombre de diplômés de Master en géosciences, en emploi entre 2008 et 2009, s’explique en partie par la réforme LMD des diplômes universitaires lancée en 2004-2005. Cette réforme consistait à harmoniser les diplômes en Europe en une structure à trois niveaux : Licence, Master, Doctorat. En France, cette nouvelle structure a progressivement remplacé les cinq niveaux de diplômes antérieurs (Diplôme d’études universitaires générales ou DEUG, Licence, Maîtrise, Diplôme d’études approfondies ou DEA et Diplôme d’études supérieures spécialisées ou DESS, Doctorat). La Maîtrise correspond aujourd’hui à un niveau Master 1 et les anciens DEA/DESS à un niveau Master 2, c’est-à-dire à un diplôme de Master. La réforme LMD a essentiellement touché les étudiants inscrits en première année à partir de 2004-2005. Parmi les étudiants de la première cohorte, nous observons une forte augmentation du nombre de diplômés au niveau Master en raison de la disparition de la Maîtrise. Nous simulons le modèle de prédiction interne en fixant les horizons de prédiction et de commande respectivement à 5 ans et 4 ans (Np = 5, Nc = 4), R = [10 ; 0.1] et Q (j) = Q (1) avec Q (1) = 2, ce qui revient à pondérer de plus en plus fortement les erreurs de poursuite au fur et à mesure que le temps passe, afin de donner plus d’importance à l’objectif final. L’horizon de prédiction est fixé à cinq ans pour tenir compte du fait qu’une modification du nombre d’inscrits en première année de Licence n’aura d’impact sur le nombre de diplômés de Master qu’au bout de cinq ans, au plus tôt..

Graphique 4. Employabilité de référence mesurée et employabilité simulée au niveau Master (Bac + 5)

Graphique 4. Employabilité de référence mesurée et employabilité simulée au niveau Master (Bac + 5)

Note : Les estimations d’employabilité obtenues par l’outil CIPEGE, après avoir pris en compte les capacités de formation des universités françaises (ligne pointillée sur le graphique), sont comparées à l’employabilité de référence mesurée par notre modèle d’appariement (ligne pleine sur le graphique). L’outil de commande prédictive retenu dans cet exemple est le nombre d’inscrits en géosciences au niveau M1. L’outil CIPEGE ajuste le nombre d’inscrits au nombre de diplômés nécessaires pour converger vers la trajectoire de référence (ligne pleine sur le graphique).

Source : Estimations des auteurs de l’outil CIPEGE de simulation de l’employabilité pour les diplômés en géosciences au niveau Bac + 5.

Graphique 5. Employabilité prédite en géosciences pour les diplômés de Master 2012-2024

Graphique 5. Employabilité prédite en géosciences pour les diplômés de Master 2012-2024

Note : Les erreurs d’estimations du modèle simulé par rapport à la trajectoire de référence (Graphique 5) sont prises en compte par l’algorithme d’optimisation afin d’ajuster le processus de prédiction à l’horizon 2025 (ligne pointillée sur le cadran haut du graphique) dans un intervalle borné correspondant à l’acceptation d’une variabilité de +/- 10 % par rapport à la valeur ciblée (cf. bornes supérieure et inférieure, lignes hachurées). L’outil de commande prédictive retenu dans cet exemple est le nombre d’inscrits en géosciences au niveau M1. L’outil CIPEGE estime le nombre désiré d’inscrits en M1 afin de produire le nombre de diplômés de M2 nécessaire (cadrant bas du graphique) pour converger vers la trajectoire de référence (ligne pleine sur le graphique).

Source : Estimations des auteurs de l’outil CIPEGE de simulation de l’employabilité pour les diplômés en géosciences au niveau Bac + 5.

51Le Graphique 5 présente le résultat de ces simulations et montre que la sortie du modèle poursuit la trajectoire de référence tout en restant à l’intérieur de l’intervalle de confiance. à chaque instant t l’algorithme d’optimisation prend en compte l’écart entre l’employabilité prédite et l’employabilité de référence et le minimise en ajustant en t + 1, la valeur de la variable d’action (c’est-à-dire le nombre d’étudiants à inscrire afin de produire le nombre de diplômés demandé par le marché du travail). L’écart entre l’employabilité prédite converge vers l’employabilité de référence par un processus de tâtonnement. Au vu de la convergence atteinte par notre modèle (Graphique 5), ces simulations prouvent la capacité de l’outil CIPEGE à simuler l’impact de certaines actions menées au niveau universitaire (ici, agir sur le nombre d’étudiants inscrits en première année) sur l’employabilité des étudiants.

52Notre analyse du rôle du flux d’entrants dans les filières de géosciences sur l’employabilité révèle que, comparativement aux inscriptions actuelles, les universités françaises devront plus que doubler le nombre d’inscrits en première année de licence d’ici 2020, afin d’apporter une réponse adéquate à la demande des marchés en termes de compétences en géosciences de niveau Master.

53D’une part, le CIPEGE anticipe la demande effective d’un certain type de compétences, par secteur d’activité et type de poste, ce qui constitue une information stratégique pour les universités et les étudiants. D’autre part, cet outil peut révéler la capacité des universités à répondre à la demande effective des marchés en « produisant » une offre de compétences adéquate. Cette information est pertinente pour les secteurs fortement dépendants des ressources humaines dans leur processus de planification stratégique. L’outil CIPEGE a donc une pertinence à la fois pour les universités, les étudiants et le milieu industriel.

Conclusion

54Cet article présente les résultats préliminaires d’un outil innovant de prospection de l’employabilité des diplômés en géosciences et environnement issus des universités françaises.

55Pour la première fois, une approche de commande prédictive sur horizon glissant, largement utilisée en Automatique (prédiction des trajectoires des satellites ou autres robots), est appliquée à une problématique purement économique. Le choix de cette approche réside dans sa capacité à tenir compte des perturbations et autres erreurs de modélisation inhérentes à toute estimation par la structure de leur modèle de prédiction interne (MI). En complétant la correction d’erreur d’estimation appliquée dans notre modèle d’appariement entre l’offre et la demande de compétences, qui définit la trajectoire d’employabilité de référence, cette correction d’erreur de modélisation par la structure MI a pour rôle d’assurer la fiabilité et la robustesse de nos résultats. Comme le montrent nos résultats préliminaires, cet objectif semble atteint.

56Le taux d’erreur relative entre le modèle interne de prédiction et le procédé réel est inférieur à 10 %, ce qui est statistiquement très satisfaisant. Il révèle une capacité de l’outil CIPEGE à atteindre les objectifs d’employabilité avec une probabilité de plus de 90 %.

57Un autre avantage de cette approche réside dans sa structure, qui permet de définir les commandes prédictives (c’est-à-dire les actions qui peuvent être mises en place par les universités afin d’atteindre les objectifs définis par la trajectoire de référence) de manière exogène.

58Par exemple, la commande prédictive testée dans cet article est le nombre moyen d’inscrits en M1 nécessaire pour atteindre le nombre de diplômés en géosciences demandé par le marché du travail. D’autres commandes incluent les taux de redoublement ou de rétention, le taux de réussite, etc. Cette exogénéité permet ainsi de tester un nombre illimité de commandes sans altérer la structure du modèle. L’outil CIPEGE sera donc utilisé pour tester de nouvelles commandes, identifiées en étroite collaboration avec le ministère de l’Enseignement supérieur et de la Recherche et les Présidences universitaires.

59Enfin, les courbes de tendance de l’emploi par secteur d’activité et par niveau d’occupation, que nous dérivons du modèle de l’employabilité de référence, informent sur les tendances fortes du marché de l’économie verte. Elles contribuent à alimenter le débat sur les décisions stratégiques en matière d’investissements industriels et de ressources humaines. Les résultats du CIPEGE vont ainsi être présentés et discutés régulièrement avec les industriels français afin de valider leur pertinence. Notre système de correction continue sur horizon glissant nous permettra d’intégrer ces informations au fil de l’eau. Il s’agira d’ajuster notre estimation des tendances fortes et d’identifier les signaux faibles importants.

60Soulignons, néanmoins, que ce type d’outil, reposant sur un concept d’appariement, n’est pertinent que dans le cadre de formations dites « réglementées » ou pour lesquelles des objectifs métiers ont été clairement définis, telles que les géosciences, la médecine, le numérique numérisant (c’est-à-dire le codage informatique) ou la chimie. En outre, en fonction de l’ampleur des bouleversements que le verdissement de l’économie est susceptible d’apporter à la nomenclature des métiers dans les années à venir, nos résultats risqueront de perdre en justesse par manque de points d’observation. à cet égard, afin de prendre en compte cette incertitude inhérente à un secteur en pleine émergence et à des comportements individuels parfois irrationnels, nous travaillons sur une nouvelle version de l’outil CIPEGE, qui portera sur une estimation par intervalles. Cette approche vise à estimer les valeurs plausibles de l’employabilité prédite, plutôt que ses valeurs absolues, et ainsi à accroître la robustesse et la pertinence socio-économique et politique de l’outil CIPEGE.

Haut de page

Bibliographie

Alessio A. & Bemporad A. (2009), “Nonlinear Model Predictive Control”, Lecture Notes in Control and Information Sciences, vol. 384.

Arjona Perez E., Garrouste C. & Kozovska K. (2010), “Towards a benchmark on the contribution of Education and Training to Employability : a discussion note”, JRC Scientific and Technical Reports EUR24147EN, Joint Research Center, Ispra.

Boaten S.K., Garrouste C., Jouhette S. (2011), “Measuring Transition from School to Workinthe EU : Role of the data source”, Conference paper presented at the Conference Catch the Train : Skills, Education and Jobs, Brussels, June.

Borras I., Legay A. & Romani C. (2008), « Les choix d’orientation à l’épreuve de l’emploi ». Notes Emploi Formation 30, Céreq, Marseille.

Camacho E.& Bordons C. (2007), Nonlinear Model Predictive Control : An Introductory Review. Assessment and Future Directions of Nonlinear Model Predictive Control, LNCIS358, Springer-Verlag Berlin Heidelberg, Berlin, pp. 1-16.

Cambridge Econometrics (2011), Studies on Sustainability Issues : Green Jobs, Trade and Labour, Cambridge Econometrics, Cambridge, UK.

CEDEFOP (2008), Terminology of European Education and Training Policy, European Union Publications Office, Luxembourg.

Cole H. & Rogerson R. (1996), “Can the Mortensen-Pissarides Matching Model Match the Business Cycle Facts ?”, University of Minneasota Working Paper.

Couppié T., Giret J.-F., Lopez A. (2009), « Obtenir un emploi dans son domaine de formation : un enjeu très relatif dans l’insertion des jeunes », Dossier Céreq de l’Insee-Référence Formations et emploi, pp. 43-56.

Courtial E. & Garrouste C. (2014), Model Predictive Control Strategy to Forecast Employability in Earth Sciences, Conference paper presented at the 19th World Congress of The International Federation of Automatic Control, Cape Town, South Afric, August.

Cutuli G. &Guetto R.(2013), “Fixed-Term Contracts, Economic Conjuncture, and Training Opportunities : A Comparative Analysis Across European Labour Markets”, European Sociological Review, vol. 29(3), pp. 616-629.

Davis S.J., Haltiwanger J., Schuh S .(1996), Job Creation and Destruction, MIT Press, Cambridge, MA.

DeGrip A., van Loo J. & Sanders J. (2004), “The Industry Employability Index : Taking Account of Supply and Demand Characteristics”, International Labour Review, 143(3), pp. 211-233.

Gazier A. (1998), Employability : Concepts and Policies, European Commission, European Employment Observatory Research Network, Bruxelles.

Harvey H., Geall V., Moon S. (1998), Work Experience : Expanding Opportunities for Undergraduates, Centre for Researchinto Quality, Birmingham.

Hillage J., Pollard E. (1998), Employability :Developing a Framework for Policy Analysis, Department for Education and Employment (DfEE), Research Report n° RR85.

INSEE (2012), Dossier - Définir et quantifier l’économie verte, L’économie française.

McFadden D. (1974), Conditional logit analysis of qualitative choice behavior, in Zarembka P. (ed.), Frontiers in Econometrics, Academic Press, New York, pp. 105-142.

McQuaid R., Lindsay C. (2005), “The Concept of Employability”, Urban Studies, vol. 42(2), pp. 19-219.

Mortensen D.T. (1994), “The Cyclical Behavior of Job and Worker Flows” , Journal of Economic Dynamics and Control, vol. 18, pp. 1121-1142.

Mortensen D. & Pissarides C. (1994), “Job creation and job destruction in the theory of unemployment”, Review of Economic Studies, vol. 61(3), pp. 397-415.

Oliver E.A. (2012), “Living fly ? How Europe’s science researchers manage mobility, fixed term employment and life outside work”, The International Journal of Human Resource Management, vol. 23(18), pp. 385-3871.

O’Connor J.S. (2013), “Non-Standard Employment and European Union Employment Regulation”, in Max Koch et Martin Fritz (Eds.), Non-Standard Employment in Europe Paradigms, Prevalence and Policy Responses, Palgrave, Houndmills, Basingstoke, England, pp. 46-63.

Organisation Internationale du Travail (2012), Vers le développement durable : Travail décent et intégration sociale dans une économie verte, OIT, Genève.

Petrongolo B. & Pissarides C. (2001), “Looking into the blackbox : a survey of the matching function”, Journal of Economic Literature, vol. 39 (2), pp. 390-431.

Pissarides C. & Mortensen D. (1999), “New Developments in Models of Search in the Labour Market”, CEPR Discussion Paper, n° 2053, January.

Programme des Nations Unies pour l’Environnement (2011), Vers une Economie Verte, PNUE, France.

Qin S.J. & Badgwell T.A. (2003), “A survey of industrial model predictive control technology”, Control Engineering Practice, vol. 11, pp. 733-764.

Wilson R.A. & al. (2010), Skills supply and demand in Europe : medium-term forecast up to 2020, Cedefop, Thessaloniki.

Haut de page

Annexe

Modèle E3ME

Cette figure montre les liens entre les trois modules (énergie, environnement et économie) du modèle E3ME (Energy-Environnement-Economy Model for Europe). Les facteurs exogènes sont présentés sur le bord extérieur comme entrants dans chaque module. Pour l'économie de l'Union européenne (UE), ces facteurs sont l'activité économique et les prix hors-UE, ainsi que les politiques économiques (ex : taux d'imposition, croissance des dépenses publiques, taux d'intérêt et taux de change). Pour le système énergétique, les facteurs externes sont les prix mondiaux du pétrole et les politiques énergétiques (ex : réglementation des industries de l'énergie). Pour la composante de l'environnement, les facteurs exogènes comprennent des politiques telles que la réduction des émissions de CO2. Les liens entre les modules sont présentés par les flèches qui indiquent les valeurs transmises entre les composants.

Le module économique est résolu comme un modèle régional intégré de l'UE. Le marché du travail est traité par un ensemble d'équations de la demande d'emploi, de l'offre de travail, des gains moyens et des heures travaillées. Les équations de la demande de travail, les salaires et les heures travaillées sont estimés pour 42 secteurs économiques industriels, définis au niveau NACE (Nomenclature statistique des Activités économiques dans la Communauté Européenne) à 2 chiffres. Les taux de participation au travail sont désagrégés par groupes d'âge de cinq ans et par sexe, puis multipliés par des données démographiques d'Eurostat pour obtenir l'offre de travail. L'emploi est modélisé à l'aide des données de la comptabilité nationale, comme le nombre total des effectifs pour chaque industrie et région. Ce stock est une fonction de l'évolution du chômage et des emplois vacants (en fonction de la production industrielle, des salaires, des heures travaillées et du progrès technique), des changements globaux dans les politiques environnementales et des prix de la consommation d'énergie. La production de l'industrie est supposée avoir un effet positif sur l'emploi, tandis que l'effet de la hausse des salaires et du nombre d’heures de travail plus élevé est supposé être négatif. Les effets du progrès technique sont ambigus car l'investissement peut créer ou remplacer le travail selon le secteur.

Le modèle E3ME a été étendu pour inclure des analyses détaillées de l'offre et de la demande de compétences, telles que mesurées par l'occupation et la qualification. Trois niveaux de qualification ont été définis, à savoir faible (CITE – Classification internationale type de l’éducation) 0-2}, moyen (CITE 3-4) et élevé (CITE 5-6). Ainsi est calculé le stock de la demande de travail par secteur, profession et niveau d'éducation.

Haut de page

Notes

1 La réduction de 20 % des émissions de gaz à effet de serre de l’Union européenne par rapport à 1990, 20 % d’énergies renouvelables dans la consommation d’énergie totale, et la réduction de 20 % de la consommation énergétique par rapport à l’augmentation tendancielle.

2 Le CIPEGE a été défini comme une action du LABEX (laboratoire d’excellence) Voltaire (ANR-10-LABS-100-01) dédiée à l’étude des fluides géologiques et environnementaux et aux interactions entre Terre et atmosphère. Alors que les finalités économiques du LABEX concernent les ressources géologiques et l’environnement (sols, eau, aquifères, agro-écosystèmes, qualité de l’air), le CIPEGE a pour ambition de jeter les ponts entre le monde académique et les industries pour parvenir à une meilleure adéquation entre formation et emploi.

3 L’approche adoptée d’identification des besoins en compétences s’inscrit dans les travaux relatifs au capital humain et diffère d’autres approches, comme la GPEC (gestion prévisionnelle des emplois et des compétences) en ressources humaines, par exemple.

4 Ce faisant, cette conception de l’employabilité s’inscrit dans le prolongement de travaux menés par la Commission européenne pour mesurer la capacité des universités européennes à délivrer les compétences exigées par le marché du travail (cf. Benchmark Employabilité des jeunes diplômés à l’horizon 2020, (Bruxelles, 10 et 11 mai 2012 : http://www.consilium.europa.eu/uedocs/cms_data/docs/pressdata/en/educ/130142.pdf. Cette définition privilégie la capacité à faire valoir sa formation à travers son emploi et permet de mener des évaluations ciblées de l’efficacité des politiques publiques. Elle ne s’oppose pas à des définitions alternatives de l’employabilité, mais celles-ci sont souvent plus difficilement quantifiables, notamment en termes d’analyse d’impact.

Haut de page

Table des illustrations

Titre Graphique 1. Evolution de la demande de diplômés du tertiaire (Bac + 2 à Bac + 8) entre 2000 et 2020, par secteur d’activité, dans l’ensemble de l’Union européenne (EU27) et en France
Légende Note : « All occupations » : Tous types d’occupations/fonctions quel que soit le niveau d’études ; « Sc. & engin. prof. » : Scientifiques et ingénieurs professionnels ; « Sc. & engin. asso. prof. » : Scientifiques et ingénieurs associés professionnels ; « Metal. machin. & rel. trade w. » : machinistes et autres travailleurs et commerciaux en métallurgie ; « Labourers in mining » : travailleurs miniers ; « Teaching » : Enseignement ; « Otherprofessionals » : Autres professionnels qualifiés ; « Extract. &build. w. » : Travailleurs en extraction et construction ; « Operators » : Opérateurs. LesLes cadrans graphiques de gauche correspondent à la demande moyenne des 27 pays européens (y compris la France) pour les compétences de niveau universitaire, par secteur d’activité. Les cadrans graphiques de droite présentent la demande française pour les compétences de niveau universitaire dans les mêmes secteurs d’activité. La ligne pleine représente la demande totale par secteur, tous types d’emplois et de niveau de qualifications confondus. Cette ligne sert de référence cardinale afin de mieux percevoir la demande relative pour les diplômés de l’enseignement supérieur. Pour des raisons visuelles, seuls les types d’emploi les plus importants (en termes de nombre) sont présentés.
URL http://journals.openedition.org/formationemploi/docannexe/image/4836/img-1.png
Fichier image/png, 113k
URL http://journals.openedition.org/formationemploi/docannexe/image/4836/img-2.jpg
Fichier image/jpeg, 636k
Titre Graphique 2. Employabilité des diplômés de Master (Bac + 5) en géosciences de 2003 à 2025
Légende Note : La ligne pleine représente l’employabilité d’un diplômé en géosciences d’une université française, en tenant compte de la demande pour les compétences en géosciences au niveau européen. Cette courbe correspond à la trajectoire de référence que les universités françaises doivent avoir à l’esprit lorsqu’elles mettent en place des mesures visant la formation en géosciences. Les valeurs jusqu’en 2012 sont estimées à partir de données observées. Au-delà de 2012, les valeurs sont prédites sur la base d’une extrapolation linéaire dont les valeurs prédites sont représentées par la ligne pointillée. Cette extrapolation est bornée dans un intervalle de confiance (IC) de 90 % (cf. bornes inférieure et supérieure).
Crédits Source : Estimation des auteurs du modèle dynamique de l’emploi (cf. équation 2, encadré 1) à partir des données estimées avec le E3ME de 1974 à 2012, et des enquêtes Emploi annuelles de l’INSEE de 2003 à 2012.
URL http://journals.openedition.org/formationemploi/docannexe/image/4836/img-3.png
Fichier image/png, 164k
Titre Graphique 3. Structure de commande CIPEGE
Légende Cipege : Centre international de prospective de l’emploi en géosciences et environnement .
Crédits Source : Auteures.
URL http://journals.openedition.org/formationemploi/docannexe/image/4836/img-4.png
Fichier image/png, 70k
URL http://journals.openedition.org/formationemploi/docannexe/image/4836/img-5.png
Fichier image/png, 3,1k
Titre Graphique 4. Employabilité de référence mesurée et employabilité simulée au niveau Master (Bac + 5)
Légende Note : Les estimations d’employabilité obtenues par l’outil CIPEGE, après avoir pris en compte les capacités de formation des universités françaises (ligne pointillée sur le graphique), sont comparées à l’employabilité de référence mesurée par notre modèle d’appariement (ligne pleine sur le graphique). L’outil de commande prédictive retenu dans cet exemple est le nombre d’inscrits en géosciences au niveau M1. L’outil CIPEGE ajuste le nombre d’inscrits au nombre de diplômés nécessaires pour converger vers la trajectoire de référence (ligne pleine sur le graphique).
Crédits Source : Estimations des auteurs de l’outil CIPEGE de simulation de l’employabilité pour les diplômés en géosciences au niveau Bac + 5.
URL http://journals.openedition.org/formationemploi/docannexe/image/4836/img-6.png
Fichier image/png, 76k
Titre Graphique 5. Employabilité prédite en géosciences pour les diplômés de Master 2012-2024
Légende Note : Les erreurs d’estimations du modèle simulé par rapport à la trajectoire de référence (Graphique 5) sont prises en compte par l’algorithme d’optimisation afin d’ajuster le processus de prédiction à l’horizon 2025 (ligne pointillée sur le cadran haut du graphique) dans un intervalle borné correspondant à l’acceptation d’une variabilité de +/- 10 % par rapport à la valeur ciblée (cf. bornes supérieure et inférieure, lignes hachurées). L’outil de commande prédictive retenu dans cet exemple est le nombre d’inscrits en géosciences au niveau M1. L’outil CIPEGE estime le nombre désiré d’inscrits en M1 afin de produire le nombre de diplômés de M2 nécessaire (cadrant bas du graphique) pour converger vers la trajectoire de référence (ligne pleine sur le graphique).
Crédits Source : Estimations des auteurs de l’outil CIPEGE de simulation de l’employabilité pour les diplômés en géosciences au niveau Bac + 5.
URL http://journals.openedition.org/formationemploi/docannexe/image/4836/img-7.png
Fichier image/png, 10k
URL http://journals.openedition.org/formationemploi/docannexe/image/4836/img-8.png
Fichier image/png, 41k
Haut de page

Pour citer cet article

Référence papier

Christelle L. Garrouste et Estelle Courtial, « Pour une anticipation stratégique des besoins en « compétences vertes » : l’outil CIPEGE »Formation emploi, 135 | 2016, 155-177.

Référence électronique

Christelle L. Garrouste et Estelle Courtial, « Pour une anticipation stratégique des besoins en « compétences vertes » : l’outil CIPEGE »Formation emploi [En ligne], 135 | Juillet-Septembre 2016, mis en ligne le 12 octobre 2018, consulté le 28 mars 2024. URL : http://journals.openedition.org/formationemploi/4836 ; DOI : https://doi.org/10.4000/formationemploi.4836

Haut de page

Auteurs

Christelle L. Garrouste

Enseignante-chercheure en économie au Laboratoire interdisciplinaire d’étude du politique Hannah Arendt (LIPHA, EA7373), à l’université Paris XII (UPEC université Paris-EST Créteil) - Faculté AEI (Administration et échanges internationaux) et chercheure associée au Laboratoire d’économie d’Orléans (LEO, CNRS UMR7322)

Estelle Courtial

Enseignante-chercheure en automatique au Laboratoire pluridisciplinaire de recherche en ingénierie des systèmes, mécanique, énergétique (PRISME, EA 4229) de l’université d’Orléans

Haut de page

Droits d’auteur

Le texte et 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