Notre échantillon comprend des données relatives à 35 pays de l’Organisation de coopération et de développement économiques (OCDE)3 se rapportant à la période comprise entre 1996 et 2020. Le panel est non cylindré, et les observations sont annuelles et de niveau pays. Les statistiques relatives aux taux de chômage, à l’emploi (dont des données ventilées par profession) et à la part sectorielle de la valeur ajoutée sont issues de la base de données Stat de l’OCDE. Celles relatives au stock opérationnel de robots proviennent de la base de données de la Fédération internationale de robotique (International Federation of Robotics – IFR). L’IFR enregistre le nombre de robots industriels installés en les distinguant des robots de service, raison pour laquelle les chiffres sur l’installation de robots concernent l’industrie en général (secteur manufacturier, construction, mines et carrières, approvisionnement en électricité, gaz et eau) et l’industrie manufacturière en particulier.

Comme le montre le tableau SA1 de l’annexe supplémentaire en ligne (en anglais), la densité de robots est très hétérogène au sein de l’échantillon. Le nombre de robots installés pour 1 000 salariés s’établit à environ 1,17 en moyenne, mais l’écart type est beaucoup plus élevé, atteignant 1,7. La Colombie est le pays qui affiche la densité moyenne la plus faible, 0,005, et la République de Corée celui qui a la densité moyenne la plus élevée, supérieure à 6,774. Malgré cette hétérogénéité, nos constatations ne sont pas sensibles au retrait de l’un quelconque des pays de l’échantillon.

La principale hypothèse que nous formulons est que l’automatisation affaiblit le lien entre chômage et production. Pour quantifier l’automatisation, nous avons utilisé la densité de robots (robot), obtenue en rapportant le stock opérationnel actuel de robots dans un pays au nombre de salariés en 1995. Nous avons normalisé le nombre de robots par l’emploi au cours de l’année précédant la période couverte par l’échantillon pour éviter toute corrélation négative mécanique entre l’augmentation de la densité de robots et la variable expliquée, à savoir le taux de chômage ou, quand nous vérifions la robustesse de nos conclusions, le taux d’emploi.

Nous avons utilisé la variable d’interaction pour évaluer l’effet de modération de la robotisation sur le lien entre production et chômage. La loi d’Okun est exprimée par l’équation (1), dans laquelle i désigne les pays, et t un indicateur temporel:

Le chômage conjoncturel correspond à la différence entre le taux de chômage effectif et sa tendance sur longue période ou taux de chômage naturel. Suivant la même logique, l’écart de production est égal à la différence entre le logarithme du PIB réel effectif et le logarithme de la production sur longue période ou production potentielle. Pour obtenir ces tendances longues, nous avons lissé les séries de données sur le chômage et la production au moyen du filtre de Hodrick et Prescott en retenant un paramètre de lissage égal à 400 ou à 6,25 (pour tester la robustesse de nos résultats). Dans l’analyse, nous avons utilisé un modèle à effets fixes, dans lequel le paramètre α_i rend compte des variables omises invariantes dans le temps supposées corrélées avec les variables explicatives incluses.

L’estimation des équations «en niveaux» – dont l’équation (1) – doit être précédée d’une estimation de la production potentielle et du taux de chômage naturel, qui sont inobservables, au moyen du filtre de Hodrick et Prescott. Comme ces estimations sont incertaines quelle que soit la méthode utilisée, nous proposons également une autre version de la loi d’Okun, dans laquelle les termes de l’équation sont des différences (équation (2)). Cette autre spécification de la relation entre production et chômage s’écrit:

L’équation (2) peut être dérivée de l’équation (1), mais les estimations du coefficient β₂ seront biaisées si le taux de chômage naturel ou la croissance de la production potentielle varie dans le temps, étant donné qu’en pareil cas le terme d’erreur serait corrélé avec la variation du taux de chômage et la croissance de la production. En conséquence, l’équation (1), en niveaux, constitue notre spécification de choix, tandis que l’équation (2) est employée pour vérifier la robustesse de nos conclusions.

Techniquement, il est possible de décomposer la loi d’Okun en deux effets: celui de la production sur l’emploi et celui de l’emploi sur le taux de chômage (voir Ball, Leigh et Loungani, 2017; An, Bluedorn et Ciminelli, 2021); l’impact de l’emploi et de la production sous-tend la relation entre la variation de la production et le taux de chômage exprimée par les équations (1) et (2). En conséquence, les spécifications suivantes – qui peuvent remplacer les équations (1) et (2) – ont été formulées: l’équation (3), exprimée en niveaux, et l’équation (4), exprimée en différences premières. Elles s’écrivent ainsi:

L’emploi conjoncturel, c’est-à-dire l’écart entre le logarithme de l’emploi observé et sa trajectoire tendancielle, a été obtenu au moyen du filtre de Hodrick et Prescott en retenant un paramètre de lissage égal à 400; Δemploi désigne la différence première du logarithme de l’emploi et renseigne sur le taux de variation de l’emploi.

Les spécifications de la loi d’Okun dans lesquelles nous avons remplacé le chômage par l’emploi, en particulier l’équation (4), permettent d’analyser l’intensité de la croissance en emplois. Cette statistique a suscité moins d’intérêt que d’autres indicateurs relatifs au marché du travail, mais on sait que l’élasticité de l’emploi par rapport à la production explique dans une large mesure l’hétérogénéité de la réaction des taux de chômage à la contraction et à l’expansion de l’activité économique (voir Crivelli, Furceri et Toujas-Bernaté, 2012). Il est en outre possible d’estimer les équations (3) et (4) pour mesurer l’impact des variations de la production sur l’emploi par secteur (industrie et services). Gelfer (2020) met en évidence une sensibilité plus forte de l’emploi au recul du PIB dans les secteurs à plus forte intensité capitalistique (industrie manufacturière et construction) que dans le secteur des services.

Notre principale hypothèse est que le coefficient β^3 \documentclass[10pt]{article} \usepackage{wasysym} \usepackage[substack]{amsmath} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage[mathscr]{eucal} \usepackage{mathrsfs} \usepackage{pmc} \usepackage[Euler]{upgreek} \pagestyle{empty} \oddsidemargin -1.0in \begin{document} \[ {{\hat \beta}_{3}} \] \end{document} estimé dans les équations (1) à (4) est différent de zéro. Toutefois, les valeurs de β^1 \documentclass[10pt]{article} \usepackage{wasysym} \usepackage[substack]{amsmath} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage[mathscr]{eucal} \usepackage{mathrsfs} \usepackage{pmc} \usepackage[Euler]{upgreek} \pagestyle{empty} \oddsidemargin -1.0in \begin{document} \[ {{\hat \beta}_{1}}\] \end{document} et β^3 \documentclass[10pt]{article} \usepackage{wasysym} \usepackage[substack]{amsmath} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage[mathscr]{eucal} \usepackage{mathrsfs} \usepackage{pmc} \usepackage[Euler]{upgreek} \pagestyle{empty} \oddsidemargin -1.0in \begin{document} \[ {{\hat \beta}_{3}}\] \end{document} dépendent probablement du cycle conjoncturel. Beaucoup d’auteurs soulignent la non-linéarité de la loi d’Okun, qui implique que la valeur du coefficient d’Okun peut varier d’une phase à l’autre du cycle économique. La plupart de ces études portent sur les États-Unis (voir Owyang et Sekhposyan, 2012; Berger, Everaert et Vierke, 2016; Grant, 2018; Aguiar-Conraria, Martins et Soares, 2020; Donayre, 2022), mais des seuils dans la relation d’Okun ont également été mis en évidence dans le cas de l’Europe (Nebot, Beyaert et García-Solanes, 2019).

Nous avons donc estimé les équations (1) à (4) pour deux sous-échantillons, l’un couvrant les phases descendantes du cycle et l’autre les phases ascendantes. Comme l’écart entre la production observée et son potentiel sur longue période est un indicateur couramment utilisé pour mesurer les fluctuations de l’activité économique, nous nous appuyons sur le signe de l’écart de production pour distinguer les phases d’expansion des phases de contraction. L’utilisation de l’écart de production nous a de surcroît permis d’obtenir des sous-échantillons de même taille, ce qui autorise une comparaison des résultats des estimations.

L’endogénéité du recours aux robots constitue le principal écueil auquel se heurtent les chercheurs qui s’intéressent au lien entre automatisation et situation du marché du travail. En effet, l’installation de robots est probablement une réaction des entreprises aux tensions qui règnent sur le marché du travail, d’où un problème de causalité inverse de l’équation estimée ici. Pour surmonter cet obstacle, nous avons fait appel à une méthode d’estimation par variables instrumentales. Pour que cette méthode soit fiable, il est indispensable de bien sélectionner les instruments. Pour effectuer cette sélection, nous nous sommes appuyés sur le fait que le recours aux robots dépend de la structure sectorielle de l’économie, de la structure démographique et de la proportion de travailleurs occupant des emplois routiniers et non routiniers (Fernández-Macías, Klenert et Antón, 2021; Acemoglu et Restrepo, 2022; Reijnders et de Vries, 2018).

Notre jeu de variables instrumentales comprend donc le taux national de dépendance des personnes âgées, qui rapporte la proportion de personnes âgées de 50 ans et plus à la population totale, et également la part dans le PIB du pays des deux secteurs caractérisés par une densité de robots relativement élevée dans l’ensemble des pays de l’OCDE, à savoir la production de matériels de transport et la construction de véhicules automobiles, de remorques et de semi-remorques. Notre jeu de variables instrumentales comprend également la part dans le PIB des secteurs caractérisés par une faible densité de robots dans les pays de l’OCDE, à savoir la fabrication de textiles, d’articles d’habillement, d’articles en cuir et de chaussures. En outre, la densité de robots a été instrumentée par la part dans l’emploi des deux professions comportant le moins de tâches routinières (managers et travailleurs qualifiés de l’agriculture, de la sylviculture et de la pêche) et des professions comportant beaucoup de tâches routinières automatisables (conducteurs d’installations et de machines; employés de soutien administratif; professions élémentaires; techniciens et professionnels associés) (Goos, Manning et Salomons, 2014). La structure professionnelle de l’emploi (établie sur la base du niveau à un chiffre de la CITP-08)5 et la part des différents secteurs d’activité dans le PIB (sur la base du code à deux chiffres de la NACE)6 en 1995 – c’est-à-dire avant la période couverte par l’échantillon – nous ont permis de renforcer l’exogénéité de ces variables. Nous n’avons utilisé qu’une partie des instruments précités dans chaque équation (voir les notes sous les tableaux). À cet égard, notre choix a été guidé par les résultats des tests de validité des instruments décrits ci-après. À noter que, comme nous avons fait interagir la densité de robots avec l’écart de production ou la croissance de la production, nous avons également fait interagir les variables instrumentales avec l’indicateur de la position sur le cycle économique correspondant.

Pour obtenir les résultats de référence, nous avons fait appel à l’estimateur par variables instrumentales classique, c’est-à-dire à l’estimateur des doubles moindres carrés (DMC), qui permet d’obtenir des estimations cohérentes des coefficients même en présence d’hétéroscédasticité. Toutefois, l’hétéroscédasticité conduit à des estimations inefficaces des coefficients et à des erreurs types incohérentes. En deuxième lieu, nous faisons appel à l’estimateur des moments généralisés (MMG) en deux étapes, qui permet une estimation efficace en présence d’hétéroscédasticité.

L’estimateur MMG standard s’obtient en minimisant la fonction objectif MMG au cours de la seconde étape et en traitant la matrice de pondération comme une matrice constante. Hansen, Heaton et Yaron (1996) montrent que, pour des données annuelles (comme celles que nous utilisons), l’actualisation constante de la matrice de pondération est une procédure supérieure à d’autres méthodes de pondération des conditions sur les moments. De plus, l’estimateur constamment actualisé (continuously updated estimator – CUE) élaboré par Hansen, Heaton et Yaron (1996) est associé à un biais médian plus faible que les autres, raison pour laquelle nous le retenons comme troisième estimateur.

Notre quatrième estimateur est l’estimateur du maximum de vraisemblance à information limitée (MVIL). Il est supérieur à l’estimateur des doubles moindres carrés, connu pour entraîner des biais importants lorsque les instruments sont nombreux. Hahn, Hausman et Kuersteiner (2004) montrent que l’estimateur constamment actualisé et celui du maximum de vraisemblance à information limitée sont plus efficaces que les doubles moindres carrés et que l’estimateur MMG standard lorsque les instruments sont faibles. L’estimateur du maximum de vraisemblance à information limitée n’est cependant efficace que sous hypothèse d’homoscédasticité. Les résultats présentés dans la partie suivante ont été obtenus au moyen de ces quatre estimateurs.

Les erreurs types présentées dans les tableaux ont été obtenues par l’estimateur sandwich de la variance d’Eicker-Huber-White et sont robustes en présence d’hétéroscédasticité arbitraire. Nous avons supposé que l’hétéroscédasticité était de forme inconnue, et ne sommes donc pas partis du principe qu’il existait une corrélation au sein des grappes ou des panels ou entre les panels (regroupement au niveau temporel). La théorie économétrique et les données issues de simulations n’étant pas univoques quant à la fiabilité des inférences robustes à l’échantillonnage issues des modèles estimés par variables instrumentales (MacKinnon, Nielsen et Webb, 2023), nous n’avons pas calculé d’erreurs types robustes aux grappes.

Pour surmonter le risque d’autocorrélation des termes d’erreur, nous avons utilisé l’extension de l’estimateur sandwich d’Eicker-Huber-White proposée Newey et West (1987). Cet estimateur utilise le noyau de Bartlett, qui, d’après Kolokotrones, Stock et Walker (2024), est le meilleur noyau de premier ordre. Nos estimations sont donc cohérentes en présence d’autocorrélation en plus de l’hétéroscédasticité.

Lorsqu’une méthode par variables instrumentales est utilisée, la validité des instruments revêt une importance capitale. Nous avons exécuté des tests de sous-identification, d’identification faible et de suridentification pour nous assurer que nos estimateurs étaient efficaces. Le test de sous-identification est le test du multiplicateur de Lagrange, qui vise à déterminer si les instruments exclus sont corrélés avec les variables explicatives endogènes. L’hypothèse nulle est que l’équation est sous-identifiée, tandis que le rejet de l’hypothèse nulle – une statistique LM de Kleiberger-Paap supérieure à la valeur critique – signifie que le modèle est identifié.

Il y a identification faible lorsque les instruments exclus ne sont que faiblement corrélés avec les variables explicatives endogènes. Les estimateurs du maximum de vraisemblance à information limitée sont relativement robustes aux instruments faibles, mais d’autres estimateurs sont peu efficaces. Nous fournissons une statistique F de Cragg-Donald Wald, suivant en cela Staiger et Stock (1997), qui avancent que, lorsque la statistique F est supérieure à 10, les instruments ne sont pas faibles.

L’hypothèse nulle jointe du test de restrictions suridentifiantes de Sargan-Hansen (statistique J) est que les instruments ne sont pas corrélés avec le terme d’erreur et que les instruments exclus de l’équation estimée l’ont été de manière correcte. Un rejet de l’hypothèse nulle conduit à mettre en doute la validité des instruments.

Dans cette partie, nous présentons les résultats de l’estimation des équations (1) à (4), que nous avons obtenus en utilisant les estimateurs des variables instrumentales décrits plus haut et en restreignant l’échantillon aux périodes caractérisées par un écart de production négatif. Comme nous l’avons déjà souligné, les instruments retenus pour la densité de robots ont été sélectionnés d’après les résultats des tests de validité et sont énumérés dans les notes figurant sous chaque tableau.

Les résultats de l’estimation de l’équation (1) pendant les périodes de contraction de l’activité économique sont présentés dans le tableau 1. L’intitulé de chaque colonne correspond à l’estimateur utilisé.

Nous constatons que la principale variable de l’équation d’Okun – la valeur de l’écart de production – est significative et, comme on pouvait s’y attendre, qu’elle est liée par une relation négative avec le taux de chômage conjoncturel. Le terme d’interaction entre l’écart de production et la densité de robots, qui constitue l’élément central de notre étude, est positif. Autrement dit, le taux de chômage réagit moins au ralentissement de la production lorsque l’automatisation progresse. L’effet de la robotisation elle-même sur l’écart entre le chômage et sa trajectoire tendancielle n’est pas statistiquement significatif. Rappelons que les résultats des tests de validité des instruments montrent que la question de l’identification n’est pas un problème.

Bien que l’équation exprimée en niveaux soit notre spécification préférée, nous avons cherché à savoir si les estimations étaient sensibles à l’utilisation des différences premières du chômage et du logarithme de la production en remplacement des différentiels entre ces variables et leur tendance sur longue période. Les résultats de cette estimation sont présentés dans le tableau 2.

La régression de la variation du taux de chômage sur la croissance de la production donne des résultats similaires à ceux de l’estimation de l’équation (1). Notre principale conclusion est même confortée, le terme d’interaction étant positif et significatif, ce qui veut dire que l’automatisation atténue la variation du chômage induite par la contraction de la production. À noter que le coefficient de la densité de robots est négatif et significatif, laissant penser que l’automatisation stabilise le chômage.

Les calculs réalisés avec quatre estimateurs et deux versions de la loi d’Okun classique montrent donc que l’automatisation amoindrit l’influence d’une baisse de l’activité sur le chômage. Nous examinons maintenant les résultats de l’estimation de l’équation (3) (tableau 3), qui renseignent sur l’élasticité de l’emploi à la baisse de la production. Le différentiel entre le taux de chômage observé et sa trajectoire tendancielle ayant été remplacé par l’écart entre l’emploi observé et sa tendance sur longue période, le coefficient de l’écart de production devrait être positif.

Comme le montre le tableau 3, lorsque la production effective devient inférieure à son potentiel, l’emploi est inférieur à son niveau naturel. Toutefois, la présence de robots s’accompagne d’un affaiblissement de cette relation positive entre emploi et production, mis en évidence par le signe négatif du terme d’interaction entre la densité de robots et l’écart de production. Peut-être faut-il en déduire que le coût de la mobilité de la main-d’œuvre, qui encourage les entreprises à réagir aux fluctuations (négatives) du cycle en ajustant le taux d’utilisation de la main-d’œuvre plutôt que le niveau de leurs effectifs, augmente dans les économies où l’automatisation est plus répandue. À noter aussi que le coefficient de la densité de robots est négatif, comme il l’était dans le tableau 2. Ce résultat contradictoire concernant l’effet de la densité de robots sur l’emploi et sur le chômage empêche de tirer des conclusions robustes à cet égard.

Pour confirmer que la robotisation atténue l’intensité de la croissance en emplois, nous estimons l’équation (4) (tableau 4). Bien que le terme d’interaction soit moins significatif (la probabilité de rejeter l’hypothèse nulle augmente pour s’établir à 5 pour cent), les résultats semblent valider l’idée que l’automatisation tempère la sensibilité de l’emploi à la production en période de récession.

Enfin, nous vérifions si les estimations de notre spécification préférée (équation (1)) sont robustes à la méthode d’extraction des composantes conjoncturelles. Pour séparer les composantes tendancielles et conjoncturelles dans les séries relatives à la production et au chômage, nous avions utilisé le filtre de Hodrick-Prescott en retenant un paramètre de lissage égal à 400. Nous avons ensuite suivi Ravn et Uhlig (2002), qui étudient les valeurs optimales du paramètre pour différentes fréquences d’observations et recommandent de le fixer à 6,25 dans le cas de données annuelles. Les résultats, présentés dans le tableau SA3 de l’annexe supplémentaire en ligne (en anglais), montrent que nos constatations ne sont pas sensibles à la méthode employée pour extraire les composantes conjoncturelles du chômage et de la production. Le coefficient de l’écart de production demeure en effet négatif et le coefficient du terme d’interaction est positif.

Les nombreuses informations sur l’impact de la robotisation sur le coefficient d’Okun pendant les phases de contraction du cycle économique fournies dans cette partie montrent que la hausse du taux de chômage et la baisse de l’emploi observées pendant ces périodes sont plus limitées dans les pays où la densité de robots est élevée. Ce résultat n’est sensible ni au choix de la méthode d’estimation, ni à la spécification de la loi d’Okun, ni à la méthode employée pour isoler la composante conjoncturelle des fluctuations. On peut donc en conclure qu’un taux de robotisation élevé n’incite pas les entreprises à licencier leurs salariés en période de crise économique. Par ailleurs, nous ne constatons pas de relation robuste entre l’amplitude des fluctuations conjoncturelles de l’emploi (ou du chômage) et l’automatisation.

Dans cette partie, nous nous intéressons à la loi d’Okun pendant les périodes d’expansion économique. L’échantillon est donc restreint aux périodes caractérisées par un écart de production nul ou positif. Nous estimons toutes les spécifications de la loi d’Okun (équations (1) à (4)). Les résultats de l’estimation de l’équation en niveaux dans laquelle la variable est la différence entre le chômage observé et le chômage sur longue période sont présentés dans le tableau 5.

Dans le tableau 5, les seuls coefficients significatifs sont ceux relatifs à l’écart de production, ce qui signifie que le chômage diminue pour devenir inférieur à son niveau tendanciel pendant les phases ascendantes du cycle économique. Le coefficient du terme d’interaction n’étant pas significatif, cet effet n’est pas atténué par la densité de robots. En période d’expansion économique, la robotisation ne conduit apparemment pas les entreprises à remplacer les services tirés du capital par du personnel, parce que si tel était le cas le signe du terme d’interaction serait positif. Pour valider cette conclusion, nous estimons l’équation (2), dont nous rapportons les résultats dans le tableau 6.

Les résultats des estimations de l’équation en différences (tableau 6) ne remettent pas en cause notre principale conclusion, puisque nous constatons qu’en période de croissance la densité de robots ne modifie pas la relation entre la variation du taux de chômage et le taux de croissance du PIB. Dans la partie qui suit, nous testons la robustesse de nos résultats en remplaçant le taux de chômage par l’emploi comme variable dépendante (tableaux 7 et 8).

Le tableau 7 conforte la conclusion selon laquelle la robotisation n’a pas d’impact sur le coefficient d’Okun pendant les périodes de croissance. Autrement dit, la propension des entreprises à créer des emplois – plus précisément à augmenter l’emploi au-delà de sa trajectoire tendancielle – lorsque l’activité économique entre dans une phase ascendante ne dépend pas du degré d’automatisation. De même, les estimations de l’équation (4) présentées dans le tableau 8 montrent que, lorsque l’économie se porte bien, la densité de robots n’influe pas sur l’élasticité de l’emploi par rapport à la production.

Jusqu’à présent, notre analyse démontre que l’impact de la robotisation sur le coefficient d’Okun est asymétrique, en ce sens qu’il dépend de la position sur le cycle économique. L’automatisation contribue à empêcher une hausse exponentielle du chômage (une réduction du niveau d’emploi) quand l’économie se contracte, mais ce rôle positif pour le marché du travail en temps de crise ne remédie malheureusement pas au phénomène de reprise sans emplois, puisque la présence de robots n’a pas de conséquence sur le coefficient d’Okun pendant les périodes de croissance. Le premier résultat est inédit, tandis que le deuxième conduit à douter de la possibilité de généraliser le constat fait par Burger et Schwartz (2018) pour les États-Unis, à savoir que l’adoption de technologies pour remplacer les travailleurs qui exécutent des tâches routinières est associée à une probabilité plus forte que la reprise soit créatrice d’emplois.

Il a été établi empiriquement que les institutions du marché du travail peuvent favoriser l’automatisation et modifier la valeur du coefficient d’Okun (voir, par exemple, Presidente, 2023). Dans les pays où ces institutions sont plus favorables aux travailleurs, il est plus probable que l’ajustement de l’emploi en réaction à une variation de la production soit plus faible. Qui plus est, comme les robots sont une source d’économies parce qu’ils permettent une moindre rotation du personnel, l’investissement dans la robotique peut être particulièrement tentant pour les entreprises de ces pays. Il est donc primordial de s’assurer que la densité de robots a toujours pour effet de modérer la force du lien entre chômage et production après prise en compte de la législation sur la protection de l’emploi.

Nous avons à cette fin enrichi le jeu de variables indépendantes utilisées dans les équations (1) et (2) d’une variable rendant compte de l’impact d’une forte protection de l’emploi sur la sensibilité du chômage à la production. La spécification modifiée de l’équation d’Okun exprimée en niveaux est l’équation (5):

L’équation en différences premières devient l’équation (6):

Les nouvelles variables sont les termes d’interaction pe_forte × écart de production et pe_forte × croissance de la production. Les variables écart de production et croissance de la production sont celles définies dans les équations de référence. La variable fictive pe_forte prend la valeur 1 lorsque la réglementation relative aux licenciements des travailleurs titulaires d’un contrat régulier est restrictive.

Pour qualifier la protection de l’emploi, nous nous sommes fondés sur la version 2 (1998–2019) de l’indicateur de rigueur de la protection de l’emploi construit par l’OCDE7. Nous considérons que la protection de l’emploi est forte (pe_forte prend alors la valeur 1) lorsque la valeur de l’indicateur se situe dans le cinquième quintile de sa distribution pour l’échantillon. Pour garantir la validité de nos constatations, nous avons examiné la sensibilité des résultats à l’utilisation du troisième tercile de cette distribution.

Dans cette partie, nous cherchons à vérifier si coefficient β^3 \documentclass[10pt]{article} \usepackage{wasysym} \usepackage[substack]{amsmath} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage[mathscr]{eucal} \usepackage{mathrsfs} \usepackage{pmc} \usepackage[Euler]{upgreek} \pagestyle{empty} \oddsidemargin -1.0in \begin{document} \[ {{\hat \beta}_{3}}\] \end{document} dans les équations (5) et (6) demeure statistiquement significatif après inclusion des institutions du marché du travail en tant que déterminant potentiellement important du coefficient d’Okun. Autrement dit, nous effectuons un test de variable omise. Les résultats de l’estimation des équations (5) et (6) sont présentés dans les tableaux SA4 et SA5 de l’annexe supplémentaire en ligne (en anglais). Les principaux résultats ne sont pas modifiés, ce qui conforte un peu plus l’hypothèse selon laquelle le chômage est moins sensible à la contraction de l’activité dans les pays où l’automatisation des tâches se trouve à un stade plus avancé. Comme précédemment, nous constatons que l’impact de la robotisation sur le coefficient d’Okun n’est pas statistiquement significatif pendant les phases de croissance. Nous observons en outre qu’une législation de l’emploi rigoureuse n’influe apparemment pas sur le coefficient d’Okun, quel que soit le degré de «rigueur». Par ailleurs, les résultats figurant dans le tableau SA5 indiquent que la législation sur la protection de l’emploi semble atténuer la hausse du chômage lorsque l’activité économique se contracte.

L’analyse des résultats des tests de sous-identification, d’identification faible et de suridentification ne fragilise pas la validité des instruments. Nous pouvons donc conclure sans grand risque que les robots tempèrent la réaction du chômage à la contraction de la production, même dans les pays où la législation sur la protection de l’emploi est rigoureuse.

Les robots sont surtout utilisés dans l’industrie manufacturière mais, comme il existe des relations intersectorielles entre ce secteur et celui des services, la robotisation (concentrée dans le secteur manufacturier) peut aussi influer sur l’emploi et, en conséquence, sur le coefficient d’Okun, dans le secteur des services. Les variations de l’emploi et des salaires dans le secteur manufacturier influencent la demande de main-d’œuvre dans les services de deux manières: premièrement, les services sont des consommations intermédiaires entrant dans la production de biens, et la croissance dans le secteur manufacturier crée des emplois dans les services (principalement les services aux entreprises); deuxièmement, l’évolution de la demande de main-d’œuvre dans l’industrie manufacturière a un impact sur les salaires et les revenus, qui exerce lui-même une influence sur les demandes de services (principalement les services aux particuliers). Outre ces relations intersectorielles générales, l’automatisation crée de nouveaux liens potentiels. Nous proposons une brève réflexion sur ces retombées de l’automatisation dans l’annexe supplémentaire en ligne 3 (en anglais), dans laquelle les tableau SA6 à SA9 présentent les résultats de l’estimation de notre équation dans le secteur des services et dans l’industrie. Ce test de robustesse nous apprend principalement que durant les phases de contraction, dans l’industrie comme dans les services, il existe un lien négatif entre le coefficient d’Okun et la densité de robots.

En résumé, nous avons analysé l’impact de la robotisation sur le lien entre emploi et production au cours du cycle économique. Nos résultats montrent clairement que la densité de robots exerce une influence non linéaire sur la valeur du coefficient d’Okun: l’automatisation limite les destructions d’emplois quand l’économie se contracte, mais n’a pas d’effet pendant les périodes d’expansion. Nous ne trouvons pas d’éléments accréditant la thèse qui impute les reprises ou la croissance sans emplois à la robotisation. Au contraire, nous constatons que l’automatisation amortit les effets négatifs d’un ralentissement de l’économie sur l’emploi et le chômage dans l’ensemble de l’économie, dans l’industrie et, dans une moindre mesure, dans les services. Nos résultats sont robustes à l’endogénéité, au choix de l’estimateur, à la spécification de la loi d’Okun, à l’inclusion d’une autre variable (la réglementation du marché du travail) susceptible d’avoir un effet modérateur et à la méthode retenue pour séparer la tendance longue et les variations conjoncturelles dans les séries de données sur l’emploi et le chômage.