Au cours des deux dernières décennies, le paysage de l’emploi a été nettement remodelé dans de nombreuses économies. Des facteurs liés à l’offre, tels que le vieillissement de la population, l’augmentation du taux d’activité des femmes, l’élévation du niveau d’éducation et l’afflux de travailleurs étrangers, s’entremêlent à des facteurs liés à la demande, tels que le progrès technologique et les dynamiques commerciales, pour transformer fondamentalement les structures des marchés du travail.

Le progrès technologique se répercute sur la demande de main-d’œuvre, soit en remplaçant des travailleurs, soit en modifiant les types de travail. Selon la théorie du changement technique biaisé en faveur des plus qualifiés, les nouvelles technologies stimulent la productivité des travailleurs qualifiés, ce qui accroît la demande pour des postes qualifiés de même que les exigences en matière de compétences professionnelles. Cette situation explique l’écart salarial croissant et l’essor du nombre d’emplois hautement qualifiés dans les pays développés au cours des dernières décennies (par exemple Bound et Johnson, 1992; Katz et Murphy, 1992; Berman, Bound et Machin, 1998; Machin et Van Reenen, 1998; Spitz-Oener, 2006; Dauth et al., 2021). Cependant, dans les années 2000, les États-Unis et le Royaume-Uni ont enregistré une croissance des emplois peu qualifiés et très qualifiés, mais un déclin des emplois moyennement qualifiés (Autor, Katz et Kearney, 2006; Goos et Manning, 2007; Acemoglu et Autor, 2011). Cette évolution, appelée «routinisation» ou changement technique biaisé en faveur des tâches non répétitives (ou non-routinières), a été mise en évidence pour la première fois par Autor, Levy et Murnane (2003). Ce type de changement explique comment l’automatisation des tâches routinières et la demande accrue pour des tâches abstraites entraînent un transfert des professions moyennement qualifiées vers des métiers manuels, ce qui se traduit par une «polarisation des emplois» (Goos et Manning, 2007).

Du côté de l’offre, la participation des femmes au marché du travail a beaucoup augmenté. Aux États-Unis, l’emploi féminin est passé de 35 pour cent en 1945 à 77 pour cent à la fin du siècle. En Europe, il a augmenté de 46,3 pour cent en 1990 à 50,93 pour cent en 2015. Cette progression a été attribuée à l’expansion de l’économie des services, pour laquelle les compétences des femmes ont été considérées comme bien adaptées (Goldin, 2006; Galor et Weil, 1996; Ngai et Petrongolo, 2017), et à l’arrivée d’un plus grand nombre de femmes dans des emplois moins rémunérés comme dans des emplois mieux rémunérés. Cette tendance reflète l’expansion de l’économie des services, l’évolution des exigences professionnelles et les progrès en matière d’éducation et d’autonomisation des femmes, ce qui aura un impact non négligeable sur la dynamique du monde du travail à l’avenir. Outre l’examen de la participation des femmes au marché du travail, plusieurs études soulignent l’influence de l’âge des travailleurs sur la «déroutinisation». Par exemple, Lewandowski et al. (2020) constatent que la transition des tâches routinières vers les tâches non routinières sur les marchés du travail européens a été nettement plus rapide chez les travailleurs de 25 à 44 ans que chez les travailleurs plus âgés.

La polarisation des emplois, qui se caractérise par une disparité croissante entre les emplois à haut et les emplois à bas salaires, a été documentée dans plusieurs pays. Les études d’Autor, Levy et Murnane (2003), Autor et Dorn (2013), Goos, Manning et Salomons (2009) et Van Reenen (2011) attribuent ce phénomène aux progrès des technologies de l’information et de la communication (TIC). En outre, les recherches de Blinder (2007) et de Jensen et Kletzer (2010) examinent l’immigration et la délocalisation en tant que facteurs qui contribuent à la polarisation. Dans un cadre théorique, Grossman et Rossi-Hansberg (2008) élaborent un modèle de délocalisation fondé sur les tâches échangeables. Ils montrent que l’échange de tâches génère un effet de productivité, ce qui reflète une division internationale du travail plus nuancée. Cet effet tend à bénéficier au facteur de production dont les tâches sont plus facilement transférables à l’étranger.

Ces études se fondent sur une approche basée sur les tâches, qui examine comment l’évolution des demandes de compétences, induite par le progrès technologique ou les transformations du marché du travail, a un effet sur la répartition des tâches (routinières, manuelles et abstraites). Comme le notent Autor et Handel (2013), cette approche offre une base microéconomique précieuse pour comprendre le lien entre les tâches professionnelles et les compétences (ou le capital humain).

Les chercheurs ont décelé une polarisation des emplois dans diverses régions, avec des tendances variables selon les pays. Goos, Manning et Salomons (2009 et 2014) constatent un déclin de l’emploi dans les postes à salaire moyen en Europe, alors que les postes à salaires bas et élevé ont augmenté ou baissé légèrement. De même, Ikenaga et Kambayashi (2016) observent une augmentation de la part des emplois non routiniers à haut et bas salaires au Japon, et un recul des emplois routiniers à salaire moyen. Aux États-Unis, Cortes (2016) relève une baisse à long terme des majorations salariales pour les emplois routiniers, qui coïncide avec une progression des postes non routiniers. Pour leur part, Michaels, Natraj et Van Reenen (2014) documentent la polarisation des emplois dans plusieurs pays de l’OCDE.

Les recherches sur la polarisation des emplois se sont concentrées sur les économies développées, mais peu d’études ont exploré cette tendance dans les pays en développement. Les travailleurs des pays où le taux d’adoption des technologies est élevé effectuent moins de tâches routinières que ceux des pays où ce taux est plus faible. Hardy, Keister et Lewandowski (2016) constatent une augmentation des tâches cognitives non routinières et une diminution des tâches manuelles dans dix pays d’Europe centrale et orientale. Helmy (2015) observe pour sa part une polarisation des emplois en Égypte, tandis que Ge, Sun et Zhao (2021) ont enregistré une baisse de 25 points de pourcentage des professions manuelles routinières en Chine entre 1990 et 2015.

Des signes de polarisation des emplois ont également été observés au Brésil et au Mexique (Maloney et Molina, 2019), bien que la polarisation des salaires au Brésil ne semble pas avoir d’effet sur l’emploi (Firpo et al., 2021). Fleisher et al. (2018) font état d’un transfert des métiers moyennement qualifiés vers des métiers non qualifiés et l’emploi indépendant en Chine, ce qui corrobore l’hypothèse du changement technique biaisé en faveur des tâches non répétitives. Sarkar (2019) décrit une tendance similaire en Inde. Cependant, Gasparini et al. (2021) ne trouvent aucun élément tangible de polarisation dans les six plus grandes économies d’Amérique latine, malgré l’impact de l’automatisation sur les emplois très routiniers. Fleisher et al. (2018) font également état d’une redistribution des emplois en Chine, mais d’aucune polarisation aux niveaux de qualification élevés.

Dans cet article, nous nous penchons sur la polarisation des emplois en Türkiye, sujet qui a été relativement peu étudié. Akçomak et Gürcihan (2013) constatent une polarisation des salaires comme des emplois dans ce pays de 2004 à 2010, liant l’évolution salariale aux mutations professionnelles. Popli et Yılmaz (2017) font état d’une baisse de rendement des tâches routinières, qui a joué en faveur des rémunérations élevées au cours de la période allant de 2002 à 2010. Acar Erdoğan et Del Carpio (2019) observent une transition vers des compétences cognitives dans les emplois de meilleure qualité, et un déclin des compétences manuelles non routinières et routinières. Après avoir étudié l’inégalité et la polarisation des salaires entre 2004 et 2017, Özbay Daş (2021) en conclut que rien ne démontre clairement une polarisation des salaires en Türkiye.

La présente étude apporte sa pierre à l’édifice de recherche sous quatre angles principaux. Premièrement, elle approfondit la compréhension de la dynamique du marché du travail dans les pays en développement en examinant la polarisation des emplois et des salaires dans une économie de taille moyenne en cours de transformation, et en cherchant à déterminer si sa trajectoire de polarisation des emplois diffère de celle des pays développés.

Deuxièmement, elle a recours à des microdonnées précises pour analyser les tâches professionnelles, en se concentrant sur les tâches abstraites, routinières et manuelles, plutôt qu’aux données sectorielles couramment utilisées dans les travaux (par exemple Kızılırmak, 2005; Erlat et Erlat, 2006; Meschi, Taymaz et Vivarelli, 2011). L’analyse s’appuie sur les données individuelles de l’enquête sur la population active menée auprès des ménages (Household Labour Force Survey ou HLFS) par TurkStat, l’institut turc de statistique, et évalue le contenu des tâches à l’aide de deux sources: le réseau d’information sur les professions (O*NET), développé et géré par le Département du travail des États-Unis, et le Programme pour l’évaluation internationale des compétences des adultes (Programme for the International Assessment of Adult Competencies ou PIAAC) de l’Organisation de coopération et de développement économiques (OCDE). O*NET fournit des informations précieuses au niveau des tâches pour les professions aux États-Unis, mais son utilisation suppose une uniformité du contenu des tâches entre les pays, ce qui n’est pas toujours le cas dans les économies moins développées où la productivité du travail, la technologie et les compétences varient considérablement (Lewandowski et al., 2022; De La Rica, Gortazar et Lewandowski, 2020). Pour remédier à cette limite, nous utilisons les données professionnelles nationales de l’enquête du PIAAC pour mesurer le contenu des tâches.

Troisièmement, nous analysons comment les tâches des travailleurs sont déterminées par le capital humain, les caractéristiques démographiques et les exigences techniques propres à l’emploi, en utilisant les microdonnées du PIAAC d’une enquête réalisée en 2015 auprès de quelque 5 000 personnes en Türkiye. Ces données fournissent des informations sur les caractéristiques des travailleurs, telles que l’expérience informatique et le niveau d’éducation des parents, ce qui élargit notre analyse des tâches et nous permet d’examiner, par exemple, les liens entre l’utilisation de l’ordinateur et la structure de l’emploi (Autor, Katz et Kearney, 2006; Acemoglu et Autor, 2011; Goos et Manning, 2007; Autor et Dorn, 2013). Dans le sillage d’Almeida, Corseuil et Poole (2017) ou de Hjort et Poulsen (2019), notre étude est la première à établir un lien entre le progrès technologique et la polarisation des emplois en Türkiye à l’aide d’une grande quantité de microdonnées. Elle constate que l’affectation professionnelle joue un rôle important dans la détermination de la valeur des tâches. Reijnders et de Vries (2018) identifient de la même manière le changement technologique comme l’un des principaux moteurs de la restructuration de l’emploi dans des pays avancés et émergents, dont la Türkiye, entre 1999 et 2007, malgré un recul des emplois non routiniers dans ce pays en raison du transfert de tâches dû à la délocalisation. Nos données sur l’adoption des technologies en Türkiye indiquent que cet effet a perduré au cours des années suivantes.

Enfin, nous élargissons notre perspective pour inclure des facteurs liés à l’offre qui contribuent à la polarisation, tels que la participation des femmes au marché du travail, les niveaux d’éducation et les évolutions sectorielles, en mettant l’accent sur le lien entre le changement structurel et la structure professionnelle. Il ressort des travaux à ce sujet que les mécanismes économiques rattachent certaines préférences au progrès technologique (Boppart, 2014; Ngai et Pissarides, 2007; Acemoglu et Guerrieri, 2008).

Notre étude démontre une polarisation des emplois en Türkiye entre 2012 et 2022, qui se traduit par une répartition des salaires en forme de U. Cette tendance indique une augmentation de la part des emplois peu ou très qualifiés parallèlement à un déclin des emplois moyennement qualifiés. Les postes à salaire moyen sont soit redistribués vers les extrêmes, soit occupés par de nouveaux arrivants sur le marché du travail. Au cours de cette période, la Türkiye a connu deux crises: la crise économique de 2018 et la pandémie de COVID-19 de 2020. Elles ont causé une envolée du chômage, mais ont été suivies d’une reprise rapide sans changements fondamentaux sur le marché du travail. Cela semble indiquer que, au-delà de ces perturbations à court terme, d’autres facteurs structurels ont joué un rôle plus important dans l’évolution du marché du travail national.

Les résultats de régression à partir de l’enquête du PIAAC montrent que les TIC, et en particulier l’expérience informatique, sont positivement associées aux scores de tâches abstraites, mais négativement corrélées à ceux des tâches routinières et manuelles. Il en ressort que l’informatisation sur le marché du travail en Türkiye peut accroître la demande pour les tâches abstraites tout en la faisant reculer pour les tâches routinières, signe d’une tendance à la polarisation. De même, Sebastian (2018) constate en Espagne une relation négative entre l’utilisation de l’ordinateur et les tâches routinières, et une corrélation positive avec les tâches abstraites. Une analyse de décomposition de la variation des parts relatives vient renforcer nos résultats: elle révèle que les changements intrasectoriels sont plus fréquents, ce qui signifie que la technologie peut avoir un impact sur la baisse de la demande pour les tâches routinières, alors que les changements intersectoriels laissent penser à un déplacement sectoriel de l’emploi. Bárány et Siegel (2018) affirment également que l’augmentation de la productivité relative du travail dans l’industrie manufacturière entraîne des déplacements de main-d’œuvre vers des emplois peu ou très qualifiés dans les services.

Notre analyse met en évidence le rôle des femmes dans la dynamique du marché du travail en Türkiye. Si la technologie, et en particulier l’utilisation d’ordinateurs, contribue à expliquer le déclin des emplois moyennement rémunérés, elle ne justifie pas totalement des tendances observées aux deux extrémités de la répartition des salaires, où la part de l’emploi féminin a nettement augmenté. La participation des femmes aux tâches interactives s’est considérablement accrue, et le pourcentage de celles qui occupent des emplois abstraits (professions intellectuelles et scientifiques par exemple) est passé de 8,8 pour cent en 2004 à 19,2 pour cent en 2022. Cette tendance reflète une féminisation plus large de ces postes, en grande partie due à l’élévation du niveau d’éducation des femmes. La part de celles qui ont fait des études universitaires est notamment passée de 14,6 pour cent en 2004 à 36,3 pour cent en 2022. Dans le même temps, leur part dans les emplois faiblement rémunérés des services et de la vente est passée de 7,3 à 19,7 pour cent.

Par conséquent, la polarisation des emplois en Türkiye peut être partiellement attribuée à des changements démographiques, ainsi qu’à des évolutions technologiques et sectorielles. Selon notre analyse des tendances de l’emploi dans les groupes démographiques, la modification des types de travail est influencée par le sexe, l’âge et l’éducation, comme l’indiquent à la fois l’effet de composition (changements dans la taille des groupes démographiques) et l’effet de propension (évolution des choix professionnels).

À partir des données de l’enquête du PIAAC, nous évaluons comment les tâches des travailleurs sont liées à leur capital humain individuel, à leurs caractéristiques démographiques et aux exigences techniques de leur profession. Lorsque l’on applique des variables fictives professionnelles, les coefficients de l’éducation diminuent dans toutes les catégories de tâches mais restent statistiquement significatifs, ce qui indique que le lien entre le niveau d’éducation et les types de tâches dépend en partie de l’affectation professionnelle. Il convient de noter que, pour les tâches manuelles, l’association significative avec le niveau d’études disparaît lorsque l’on introduit des variables fictives professionnelles. Par ailleurs, nous constatons que le niveau d’études des parents est en corrélation positive avec les scores de tâches abstraites, mais en corrélation négative avec ceux des tâches routinières et manuelles. Cela semble montrer une transmission intergénérationnelle du capital social et une mobilité professionnelle limitée, dans le sens où les individus occupent souvent des emplois correspondant au statut socio-économique de leurs parents.

Outre l’analyse des tendances générales de polarisation des emplois et des salaires, nous avons effectué des tests empiriques selon les méthodes de Goos et Manning (2007). Nos résultats confirment une polarisation des emplois en Türkiye entre 2012 et 2022, mais sans indication de polarisation des salaires, dans la même veine que les constats de Sebastian (2018) pour l’Espagne. À l’inverse, Autor et Dorn (2013) constatent une forte corrélation entre la polarisation des emplois et celle des salaires aux États-Unis. Nous attribuons la divergence de la Türkiye à cet égard à la politique active du gouvernement en matière de salaire minimum, introduite en 2016. Par la suite, le salaire minimum s’est rapproché des niveaux de salaire médian, jusqu’à hauteur de 94 pour cent en 2022, et environ 40 pour cent des emplois étaient au salaire minimum. Par ailleurs, les inégalités salariales ont reculé au cours de cette période (Sefil-Tansever et Yilmaz, 2024), ce qui montre que la politique de salaire minimum a réduit la sensibilité des salaires à la situation du marché du travail.

La suite de cet article est structurée de la façon suivante. Après une description des données utilisées dans notre analyse (partie 2), nous mettons en évidence les tendances préliminaires de la polarisation (partie 3). Nous examinons ensuite le contenu des tâches des professions (partie 4) avant de décomposer les changements dans la structure sectorielle qui contribuent à la polarisation des emplois (partie 5), puis d’analyser la décomposition démographique des tâches (partie 6). Nous nous arrêtons sur les résultats empiriques (partie 7) avant de livrer nos conclusions (partie 8).

Nous utilisons tout d’abord les microdonnées de l’enquête sur la population active menée auprès des ménages (HLFS) par TurkStat. Elle fournit des données transversales annuelles couvrant la période de 2004 à 2022, notamment des informations complètes sur le marché du travail de la Türkiye. Les salaires mensuels et les heures de travail hebdomadaires des salariés nous permettent de calculer une approximation des salaires horaires, qui est ensuite ajustée aux valeurs de 2010 à l’aide de l’indice des prix à la consommation. Pour notre échantillon, nous sélectionnons les salariés à plein temps et à temps partiel âgés de 16 à 64 ans.

Les données pour l’ensemble de la période de référence posent des problèmes de continuité dus à une modification des définitions appliquées en Türkiye, en particulier en raison de la révision de la classification des professions en 2012 pour passer de la Classification internationale type des professions de 1988 (CITP-88) à la CITP-08. Entre 2004 et 2012, la Türkiye comptait 27 catégories professionnelles à deux chiffres suivant la CITP-88, puis, de 2012 à 2022, 40 catégories introduites par la CITP-08. Pour l’année 2012, les données sont disponibles pour les deux systèmes de codification des professions. La reclassification a conduit à un essor notable des emplois dans les services, avec près d’un million d’emplois supplémentaires enregistrés. Parmi ceux-ci, 400 000 observations ont été attribuées à la catégorie des directeurs, cadres de direction et gérants, et 300 000 autres aux professions élémentaires. Toutefois, ce changement ne peut être retracé ni en amont ni en aval, car la reclassification n’est que vaguement définie dans le rapport accompagnant les données de la vague 2012 de la HLFS. Par conséquent, notre analyse dans cette étude se concentre sur la période allant de 2012 à 2022.

Afin de déterminer le contenu des tâches de travail, nous avons utilisé deux sources de données: O*NET et le PIAAC. O*NET fournit des informations régulièrement mises à jour sur les professions aux États-Unis, et de nombreuses études qui effectuent des analyses à partir des tâches ont utilisé ces données. Toutefois, cette approche suppose que le contenu des tâches est identique d’un pays à l’autre, ce qui peut s’avérer problématique dans le cas des pays moins développés, en raison des différences importantes en matière de productivité du travail, d’adoption des technologies et de compétences (Lewandowski et al., 2022; De La Rica, Gortazar et Lewandowski, 2020). Pour y remédier, nous avons également utilisé la base de données du PIAAC, qui comprend une enquête réalisée en 2015 auprès d’environ 5 000 personnes âgées de 16 à 65 ans dans certains pays, dont la Türkiye. L’enquête du PIAAC fournit des données détaillées sur les caractéristiques des travailleurs, telles que l’expérience informatique et le niveau d’éducation des parents, qui améliorent nos estimations des scores de tâches au niveau individuel. Elle est conçue pour évaluer les compétences dans les domaines clés en matière de traitement de l’information, c’est-à-dire la littératie, la numératie et la résolution de problèmes dans des environnements à forte composante technologique. Nous estimons les mesures des tâches (abstraites, routinières et manuelles) à l’aide de l’enquête du PIAAC, en suivant la méthodologie de De La Rica, Gortazar et Lewandowski (2020).

Par ailleurs, il est essentiel d’examiner le niveau d’adoption des TIC afin de mieux comprendre les avancées technologiques au sein des professions. À cette fin, nous utilisons également des microdonnées complètes au niveau des ménages et des individus, provenant de l’enquête sur l’utilisation des TIC menée par TurkStat de 2004 à 2022 (TurkStat, 2022).

À titre préliminaire avant notre analyse, nous examinons les modes d’évolution de l’emploi sur le marché du travail de la Türkiye, à partir d’une méthodologie éprouvée (par exemple Autor, Katz et Kearney, 2006; Acemoglu et Autor, 2011; Goos et Manning, 2007; Autor et Dorn, 2013). Nous commençons donc par classer les professions à deux chiffres en déciles sur la base de leur salaire horaire médian1.

Nous classons les travailleurs du moins rémunéré au mieux rémunéré, en les mettant en concordance avec le niveau de qualification de leur profession, de peu qualifié à très qualifié. Afin d’éviter les biais liés aux petites catégories d’emploi, nous classons les professions en déciles à partir de leur offre de main-d’œuvre relative, quantifiée par leur contribution au nombre total d’heures travaillées. La figure 1 montre l’évolution des parts d’emploi entre 2012 et 2022 dans les déciles de la répartition initiale des revenus. Ces parts augmentent dans les déciles les plus bas et les plus élevés, tandis qu’elles diminuent dans les déciles intermédiaires (du deuxième au sixième), formant une courbe en forme de U qui indique une polarisation des emplois. Cela laisse penser que les emplois moyennement rémunérés se sont déplacés vers les extrêmes ou qu’ils sont de plus en plus occupés par de nouveaux arrivants sur le marché du travail. Bien que la relation entre les salaires et les niveaux de compétence ne soit pas parfaite, une tendance claire se dégage.

La figure 2 représente l’évolution des parts de l’emploi par sexe. Pour chaque décile, nous calculons l’évolution des parts d’emploi attribuables aux hommes et aux femmes. Sur la période, l’évolution de la part de l’emploi féminin suit une courbe en U. L’augmentation à l’extrémité inférieure de la répartition des compétences est observée exclusivement dans le secteur des services bas de gamme, qui remplacent directement les activités de production domestique, telles que les soins, le nettoyage et la cuisine. Cela semble indiquer que l’emploi des femmes joue un rôle essentiel dans la polarisation des emplois. La part de l’emploi féminin augmente également au sommet de l’échelle de répartition des salaires, en raison de la proportion croissante de femmes hautement qualifiées grâce à l’élévation de leur niveau d’études.

Pour étudier la possible influence des progrès technologiques sur les professions, il est utile d’examiner le degré d’adoption des TIC. En nous appuyant sur l’enquête de TurkStat sur l’utilisation des TIC, nous dérivons une variable de substitution pour évaluer la pénétration de ces technologies dans l’ensemble de la population. Les données montrent une augmentation notable au fil du temps et, en 2022, environ 80 pour cent de la population déclarait utiliser Internet. Cette tendance pourrait éventuellement reconfigurer la composition des tâches des professions et influencer la dynamique de l’emploi. Plus précisément, l’utilisation d’Internet en Türkiye a été multipliée par plus de six entre 2004 et 2022, et elle a triplé entre 2012 et 2022.

Pour construire les indices des tâches, nous utilisons les bases de données d’O*NET et du PIAAC. Ces sources diffèrent sur deux points essentiels. Tout d’abord, O*NET se penche sur le contenu des tâches au niveau de la profession, tandis que le PIAAC nous donne la possibilité de calculer la mesure des tâches au niveau des travailleurs, à partir de réponses à des questions liées au travail. Ensuite, O*NET suit le marché du travail des États-Unis, tandis que le PIAAC fournit des données pour plusieurs pays, dont la Türkiye, ce qui nous permet de faire ressortir les différences de tâches de travail à partir des expériences locales des travailleurs. Autor et Handel (2013) insistent sur la valeur des données au niveau des travailleurs, relevant des variations importantes des tâches au sein d’une même profession, raison pour laquelle le PIAAC est plus adapté à notre analyse qu’O*NET. En outre, Lewandowski et al. (2022) constatent que la mesure des tâches varie d’un pays à l’autre et est influencée par des facteurs tels que la technologie, l’offre de compétences et la structure économique, ce qui souligne la nécessité d’examiner avec précision le marché du travail de la Türkiye.

À l’instar d’Acemoglu et Autor (2011), nous nous servons d’O*NET pour construire des indices types de tâches. Pour valider nos mesures, nous calculons cinq types de tâches (analytique cognitive non routinière, interactive cognitive non routinière, cognitive routinière, manuelle routinière et manuelle non routinière) en utilisant à la fois O*NET et le PIAAC, et nous les comparons dans un tableau de corrélation par paire. Nous alignons le codage professionnel d’O*NET (basé sur la classification type des professions) sur la CITP-08 à l’aide du tableau de concordance de Hardy, Keister et Lewandowski (2018). Ce tableau relie systématiquement les valeurs O*NET aux classifications de la CITP-08, créant une matrice d’éléments de tâches pour chaque profession CITP-08 à quatre chiffres. Ensuite, un algorithme de division entière nous permet de faire la moyenne de ces valeurs, et de fusionner les éléments de tâches O*NET avec la classification CITP-08 utilisée dans la HLFS de la Türkiye.

Nous construisons des mesures du contenu des tâches en suivant la taxonomie des tâches élaborée par Acemoglu et Autor (2011). Il s’agit d’agréger seize éléments de tâches dans cinq mesures composites normalisées de tâches. Chaque mesure composite correspond à la somme des seize éléments de tâche prénormalisés, qui sont ensuite normalisés à nouveau pour veiller à ce que chaque mesure ait une moyenne de 0 et un écart type de 1. La normalisation est essentielle pour garantir la comparabilité entre les mesures, étant donné le nombre variable d’éléments de tâche utilisés pour calculer chaque mesure composite de tâches. Nous construisons ensuite une matrice de mesures composites des tâches professionnelles, où chaque profession j de l’année t est représentée par le vecteur de tâches X_jt, avec des valeurs d’intensité des tâches pour chacune des cinq mesures composites des tâches. La structure figure dans le vecteur de l’équation (1):

où XjtACNR \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} \[ X_{jt}^{ACNR} \] \end{document} désigne les tâches analytiques cognitives non routinières; XjtICNR \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} \[ X_{jt}^{ICNR} \] \end{document} les tâches interpersonnelles cognitives non routinières; XjtCR \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} \[ X_{jt}^{CR} \] \end{document} les tâches cognitives routinières; XjtMR \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} \[ X_{jt}^{MR} \] \end{document} les tâches manuelles routinières; et XjtMNR \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} \[ X_{jt}^{MNR} \] \end{document} les tâches manuelles non routinières. Nous combinons également ces cinq mesures de tâches initiales en trois agrégats de tâches: la «mesure des tâches abstraites», qui comprend les tâches interactives et analytiques non routinières, la «mesure des tâches routinières», qui comprend les tâches cognitives et manuelles routinières, et la «mesure des tâches manuelles», qui comprend les tâches manuelles non routinières.

Nous employons une méthodologie similaire pour calculer la mesure des tâches avec les données du PIAAC, à l’instar de De La Rica, Gortazar et Lewandowski (2020), qui utilisent douze éléments du PIAAC pour créer trois catégories de tâches: abstraites, routinières et manuelles. En nous appuyant sur la mesure des tâches O*NET à partir des données du PIAAC au niveau des travailleurs, nous en calculons la moyenne au niveau de la profession pour les comparer aux mesures O*NET. Nous calculons également un indice d’intensité des tâches routinières (routine task intensity ou RTI) en soustrayant les mesures abstraites et manuelles de la mesure routinière au niveau de la profession, tant pour le PIAAC que pour O*NET. La mesure d’intensité des tâches routinières est ensuite normalisée entre 0 et 1 à des fins de comparaison. Nous appliquons l’équation (2) pour construire l’intensité des tâches routinières:

où T^R, T^A et T^M indiquent respectivement les tâches routinières, abstraites et manuelles. Notre mesure de synthèse, à savoir l’intensité des tâches routinières, RTI, est positivement corrélée avec les tâches routinières et négativement corrélée avec les tâches abstraites et manuelles d’une profession. En d’autres termes, les valeurs positives de la RTI correspondent à un plus grand nombre de tâches routinières au sein d’une profession.

La figure 3 montre l’évolution de la part de l’emploi par type de tâches dans l’industrie manufacturière, les services et l’ensemble de l’économie (qui comprend la construction). Pour ce faire, nous associons chaque profession à sa tâche prédominante. Les tendances observées dans l’ensemble de l’économie sont très semblables à celles de l’industrie manufacturière et des services, même si la part des tâches est différente. Les tâches manuelles routinières sont plus fréquentes dans les activités manufacturières, où elles représentent près de 50 pour cent de l’emploi en moyenne, contre seulement 10 pour cent dans les services. Les tâches manuelles dominent dans le secteur des services, mais elles sont en déclin, passant de 50 à 40 pour cent au cours de la période, contre environ 30 pour cent dans l’industrie manufacturière. L’augmentation de la part globale des tâches manuelles peut être attribuée au poids grandissant du secteur des services dans l’économie. Par conséquent, tout recul des tâches manuelles dans ce secteur contribue à la tendance à la baisse dans l’ensemble de l’économie.

La figure 3 montre également une augmentation de la part des tâches abstraites dans l’ensemble de l’économie et dans les deux secteurs. Elle s’explique par l’essor de l’emploi dans le secteur des services, qui repose fortement sur des tâches interactives, une composante des tâches abstraites comprenant à la fois des éléments interpersonnels et des éléments analytiques. En outre, nous observons un transfert d’emploi d’environ 6 à 8 points de pourcentage des tâches manuelles vers les tâches abstraites, tandis que les tâches cognitives routinières restent relativement stables et que les tâches manuelles routinières diminuent à partir de 2016. Le recul des tâches cognitives routinières est minime dans les deux secteurs, même s’il est plus prononcé dans l’industrie manufacturière. Bien que la hausse des tâches abstraites dans les services soit modique, leur part globale dans l’économie a augmenté de manière plus importante. Cela montre qu’en raison des changements structurels l’économie s’est de plus en plus orientée vers les services et s’y est adaptée. La tendance générale à l’augmentation de la part des tâches abstraites et à la diminution de la part des tâches manuelles routinières est également observée par Fonseca, Lima et Pereira (2018) pour le Portugal et, plus récemment, par Kikuchi, Fujiwara et Shirota (2024) pour le Japon. Ces deux études utilisent un cadre similaire à celui de la figure 3 pour présenter la part des tâches.

Nous évaluons aussi l’évolution de la part de la main-d’œuvre en classant les emplois en fonction de l’intensité des tâches, ce qui nous permet d’examiner la variation de la part d’emploi liée à la position d’une profession dans le classement des tâches abstraites, routinières et manuelles. Dans la figure 4, chaque profession est classée en fonction de son intensité de tâches abstraites, routinières et manuelles, l’axe horizontal indiquant l’intensité des tâches. Une régression de lissage pondérée localement (largeur de bande = 0,8) nous permet de déterminer les tendances de la part de la main-d’œuvre par rapport aux classements de l’intensité pour chaque tâche.

Nous constatons une association positive entre les professions à forte intensité de tâches abstraites et la part de main-d’œuvre. Inversement, les professions à forte intensité de tâches routinières sont associées à une diminution de la part de main-d’œuvre. Nous pouvons donc en conclure que le marché du travail a évolué au cours de la période vers des emplois exigeant des niveaux élevés d’intensité de tâches abstraites, au détriment des emplois à forte intensité de tâches routinières. Cela prouve l’existence d’une polarisation, puisque l’emploi dans les professions à forte intensité de tâches routinières, généralement situées au milieu de la répartition des compétences, se contracte.

La figure 5 montre l’évolution des parts d’emploi des professions selon l’indice d’intensité des tâches routinières (RTI) entre 2012 et 2022, en utilisant les données O*NET et du PIAAC. L’axe vertical indique les variations de l’emploi, tandis que l’axe horizontal classe les professions en fonction de leur RTI. Des splines médianes permettent d’afficher les tendances générales, lissant l’influence des valeurs extrêmes et indiquant la relation entre la part de l’emploi et la RTI. La figure montre que les parts d’emploi augmentent pour les professions à faible intensité de tâches routinières, mais qu’elles diminuent, et finissent par devenir négatives, à mesure que cette intensité augmente. Ce phénomène est particulièrement évident dans les données du PIAAC, alors que les données O*NET montrent une hausse temporaire des parts d’emploi entre les sixième et huitième déciles de la répartition de la RTI, avant qu’elles deviennent négatives. Les exigences des tâches du PIAAC semblent mieux refléter la situation du marché du travail de la Türkiye, en particulier si l’on prend d’autres indicateurs de polarisation en considération.

Bien que nous observions de nets progrès par rapport au niveau d’éducation et au taux d’activité des femmes au cours de la période d’analyse, les grandes catégories de tâches – abstraites, routinières et manuelles – ne rendent pas pleinement compte de ces évolutions. Les tâches abstraites exigent souvent un niveau d’études universitaires, où la parité entre les femmes et les hommes est plus évidente. Toutefois, les disparités de genre perdurent dans les différentes professions. Les postes de direction et d’ingénierie restent dominés par les hommes, tandis que les postes dans les soins de santé et l’éducation sont principalement occupés par des femmes, ce qui crée un déséquilibre dans les emplois à forte intensité de tâches abstraites. Pour mieux saisir les tendances du marché du travail en Türkiye, il est nécessaire de classer plus finement les tâches, dans des catégories telles que les tâches analytiques cognitives non routinières et les tâches interactives cognitives non routinières. Cela peut aider à trouver les moyens d’améliorer l’équilibre entre les femmes et les hommes dans les tâches.

Grâce à la méthodologie suivie par Lewandowski et al. (2022), nous élaborons quatre mesures de tâches distinctes à partir de la base de données du PIAAC. La mesure analytique cognitive non routinière correspond à des tâches telles que la lecture d’articles d’actualité, la lecture de revues professionnelles, la résolution de problèmes ou la programmation. La mesure interactive non routinière englobe des tâches telles que la supervision d’autres personnes et la présentation d’exposés. La mesure cognitive routinière implique de changer l’ordre des tâches et de remplir des formulaires. Enfin, la mesure des tâches manuelles se concentre sur les tâches physiques.

Le tableau 1 montre l’évolution de la répartition des tâches entre les hommes et les femmes, mettant en évidence des différences dans la composition des tâches en fonction du sexe. Les données indiquent une forte augmentation du taux d’activité des femmes, de 23,43 pour cent en 2012 à 32,78 pour cent en 2022, soit 9,35 points de pourcentage. Chez les hommes, les taux de chômage et d’inactivité diminuent légèrement, passant de 28,21 à 26,50 pour cent, ce qui montre une tendance faible mais positive en matière de participation masculine au marché du travail.

La part des femmes dans les emplois analytiques cognitifs non routiniers est passée de 1,13 pour cent en 2012 à 1,58 pour cent en 2022, soit une hausse de 0,45 point de pourcentage. La proportion de femmes dans les fonctions analytiques de résolution de problèmes qui requièrent des compétences cognitives élevées n’augmente donc que légèrement. En comparaison, la part des hommes dans ces professions est passée de 3,28 à 3,53 pour cent, soit une croissance plus lente malgré une proportion globale toujours plus élevée.

Dans les emplois interactifs cognitifs non routiniers, la représentation des femmes augmente nettement, de 7,08 pour cent en 2012 à 10,49 pour cent en 2022, soit 3,41 points de pourcentage. Cette évolution montre une plus forte présence féminine dans les fonctions interactives, telles que la gestion et les soins de santé. La part des hommes dans ces postes augmente plus modérément, de 14,54 à 16,77 pour cent, soit 2,23 points de pourcentage, mais reste supérieure à celle des femmes.

La part des femmes dans les emplois cognitifs routiniers a augmenté de 3,43 à 4,85 pour cent, soit 1,42 point de pourcentage, ce qui indique une croissance de l’emploi féminin dans les postes routiniers exigeant des compétences cognitives. La hausse est à nouveau plus faible chez les hommes, de 19,59 à 20,17 pour cent, mais ils prédominent toujours dans cette catégorie.

Dans les emplois manuels non routiniers, la représentation des femmes augmente beaucoup, de 11,79 à 15,87 pour cent, soit 4,08 points de pourcentage, ce qui montre qu’elles exercent davantage de métiers aux tâches pratiques. Inversement, la part des hommes dans ces professions diminue légèrement, de 34,40 à 33,02 pour cent, mais elle est toujours plus importante dans cette catégorie.

La polarisation des emplois peut résulter de forces intrasectorielles comme intersectorielles. L’adoption de technologies par les entreprises au sein des secteurs (Goos, Manning et Salomons, 2014) remplace les tâches routinières, ce qui réduit leur demande de travailleurs routiniers et polarise la main-d’œuvre sectorielle. L’intensité routinière des professions varie d’un secteur d’activité à l’autre, de sorte que les changements sectoriels ont également un effet sur les parts globales des professions. Par exemple, par rapport aux services, la dépendance de l’industrie manufacturière à l’égard des emplois routiniers peut amplifier la polarisation si les secteurs à forte intensité de tâches routinières déclinent tandis que les secteurs à forte intensité de tâches manuelles ou abstraites se développent. Toutefois, si les TIC ou la robotique accentuent la polarisation en réduisant les tâches routinières dans différents secteurs, les changements intrasectoriels devraient jouer un rôle plus important que les changements intersectoriels dans les mutations de l’emploi.

Nous analysons ce postulat au moyen de la décomposition sectorielle. À cette fin, nous procédons à une décomposition de la variation des parts pour vérifier si un changement sectoriel peut expliquer en grande partie la polarisation des emplois. L’évolution globale de chaque profession j dans la part d’emploi au cours de la période t peut se traduire par l’équation (3):

où ΔE_jt représente l’évolution de la part globale de l’emploi dans la profession j au cours de la période t. ΔEtB \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} \[ \Delta E_t^B \] \end{document} correspond à l’évolution de la part de l’emploi dans la profession j qui est attribuée aux changements dans la composition sectorielle ou aux changements dans la structure sectorielle de l’économie. Le terme ΔEtW \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} \[ \Delta E_t^W \] \end{document} représente l’évolution de la part de l’emploi de la profession j correspondant aux transferts intrasectoriels, c’est-à-dire aux changements dans le poids des différentes professions au sein des secteurs. De cette manière, nous pouvons trouver ΔEkt= Ekt1−Ekt0 \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} \[ \Delta {E_{kt}} = \,{E_{k{t_1}}} - {E_{k{t_0}}} \] \end{document} , qui correspond à la variation de la part d’emploi du secteur k pendant la période comprise entre t₀ et t₁; Ekt=(Ekt1+Ekt0)/2 \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} \[ {E_{kt}} = ({E_{k{t_1}}} + {E_{k{t_0}}}){\rm{/}}2 \] \end{document} est la part d’emploi moyenne du secteur k au cours de la période t; Δλkt=λkt1−λkt0 \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} \[ \Delta {{\rm{\lambda}}_{kt}} = {{\rm{\lambda}}_{kt}}_{_1} - {{\rm{\lambda}}_{kt}}_{_0} \] \end{document} est la variation de la part d’emploi de la profession j dans le secteur k pendant la période d’échantillonnage; et λjkt = (λjkt1+λjkt0 )/2 \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} \[ {{\rm{\lambda}}_{jkt}}\, = \,({{\rm{\lambda}}_{jkt}}_{_1} + {{\rm{\lambda}}_{jkt}}_{_0}\,){\rm{/}}2 \] \end{document} est la part d’emploi moyenne de la profession j dans le secteur k au cours de la période t.

Afin d’estimer les changements professionnels tels que définis dans l’équation (3), nous utilisons les données de la HLFS, construites à partir des classifications NACE2 de deuxième niveau, comprenant 88 divisions identifiées par des codes numériques à deux chiffres (01 à 99). Comme il est d’usage dans les travaux de recherche (Fonseca, Lima et Pereira, 2018), nous agrégeons d’abord ces divisions en 21 sections. Nous regroupons ensuite ces sections en un ensemble plus large de secteurs qui conviennent mieux à notre méthodologie. Cette approche nous permet d’identifier de manière cohérente neuf catégories professionnelles au niveau à un chiffre, en excluant les professions agricoles. Nous classons les catégories professionnelles par ordre décroissant en fonction du salaire moyen. Le tableau 2 résume les résultats des changements intrasectoriels et intersectoriels des parts d’emploi dans ces catégories professionnelles au cours de la période d’analyse.

Sur la période 2012-2022, la part des cadres et des professions intellectuelles et scientifiques (niveaux 1 et 2 de la CITP-08) augmente nettement, sous l’impulsion des secteurs d’activité qui en sont fortement tributaires. Cet essor reflète une plus grande intensité d’emploi dans ces secteurs, comme le montre le tableau 2. En revanche, la part des professions intermédiaires (niveau 3 de la CITP-08) et des employés de bureau (niveau 4 de la CITP-08) diminue, en grande partie en raison de transferts intrasectoriels et d’une baisse de la demande pour les tâches routinières. L’emploi dans les services et la vente (niveau 5 de la CITP-08), qui implique des tâches physiques non routinières, augmente au cours de cette période. Dans le même temps, l’emploi dans la production et l’exploitation recule nettement – en particulier pour les artisans (niveau 7 de la CITP-08) et les conducteurs de machines (niveau 8 de la CITP-08). La réduction des postes aux niveaux 7 et 8 de la CITP-08 est due à des changements au sein des secteurs d’activité qui diminuent le besoin de tâches manuelles routinières. Les changements dans les professions élémentaires (niveau 9 de la CITP-08) reflètent également des tendances plus larges vers des fonctions moins routinières et plus exigeantes en matière de compétences sur le marché du travail.

Ces tendances mettent en évidence l’impact de l’évolution technologique et des transformations économiques structurelles sur la composition de l’emploi, une relation qui sera examinée plus en détail ci-après. Reijnders et de Vries (2018) montrent également que le changement technologique a entraîné des mutations de l’emploi en Türkiye de 1999 à 2007, et des tendances similaires se poursuivent au vu des données relatives à l’adoption des technologies. Au-delà des facteurs nationaux, le commerce international et l’intégration dans la chaîne de valeur mondiale déterminent également les tendances de l’emploi sectoriel. Dine (2019) constate que la participation de la Türkiye aux chaînes de valeur mondiales exerce une grande influence sur l’emploi par le biais de liens en amont et en aval, les changements dans ces chaînes touchant divers secteurs. Il remarque également que l’intégration des secteurs de services dans ces chaînes tend à réduire le nombre d’emplois.

Par conséquent, notre analyse permet de tirer plusieurs conclusions solides concernant les tendances de l’emploi par profession. Tout d’abord, les mutations de l’emploi se produisent principalement au sein des secteurs plutôt que d’un secteur à l’autre. Cela semble indiquer que les forces à l’échelle d’un secteur, telles que l’automatisation, la numérisation et les avancées technologiques spécifiques à une profession, sont les principaux moteurs de la restructuration du marché du travail, éclipsant les mouvements intersectoriels plus larges. Toutefois, comme nous l’avons relevé précédemment, les mutations de l’emploi au sein d’un même secteur ne sont pas toujours uniquement dues à des facteurs nationaux. Elles peuvent également être influencées par des forces extérieures, notamment la dynamique du commerce international et l’intégration dans les chaînes de valeur mondiales. Par ailleurs, nous observons un déclin prononcé des métiers routiniers par rapport aux métiers non routiniers, ce qui renforce la polarisation du marché du travail. Cette tendance a amenuisé les emplois de niveau intermédiaire, érodant encore davantage les possibilités d’emploi et contribuant au creusement des inégalités salariales. De plus, le recul de l’emploi dans le travail routinier ne se limite pas à un seul domaine, mais s’étend à six catégories professionnelles distinctes, signe d’une transformation systémique à l’échelle de l’économie. Cette mutation structurelle reflète des changements profonds dans les processus de production, les pratiques organisationnelles et les demandes de compétences plutôt que des perturbations temporaires ou propres à un secteur. Enfin, la mutation intersectorielle de l’emploi est largement due à un transfert des emplois manufacturiers vers ceux du secteur des services. Alors que l’emploi s’est contracté dans les postes manufacturiers à bas salaires, il a enregistré une croissance dans certaines fonctions du secteur des services, en particulier dans le commerce de détail, l’hôtellerie et les soins de santé. Cette dynamique met en évidence la nature précaire du travail faiblement rémunéré, où des emplois peuvent rester disponibles sans véritable amélioration des salaires ou des conditions de travail.

Notre période d’analyse met en évidence des changements démographiques notables dans la population active, qui se caractérisent par trois tendances clés: l’élévation des niveaux moyens d’éducation, la hausse du taux d’activité des femmes (potentiellement associée à une répartition plus équilibrée des possibilités d’éducation) et le vieillissement de la main-d’œuvre. Combinées à la diversité démographique observée dans les différentes professions, ces évolutions nécessitent une analyse détaillée afin de comprendre quels sont les facteurs sous-jacents en jeu. L’expansion des professions abstraites et manuelles, parallèlement à la contraction des emplois routiniers, peut être liée à ces changements démographiques, ce qui indiquerait que la probabilité d’emploi dans ces fonctions dépend de caractéristiques démographiques. Collectivement, ces tendances illustrent les dynamiques économiques qui remodèlent les possibilités du marché du travail pour certains segments de la main-d’œuvre.

Nous procédons à des décompositions en divisant l’échantillon en 24 groupes démographiques en fonction de l’âge, de l’éducation et du sexe. En suivant la méthodologie de Cortes, Jaimovich et Siu (2017), nous classons l’échantillon en trois tranches d’âge (15-29, 30-44 et 45-64 ans), quatre niveaux d’éducation (enseignement primaire et inférieur, premier cycle de l’enseignement secondaire, deuxième cycle de l’enseignement secondaire et enseignement universitaire) et deux sexes (femmes et hommes). De plus, nous définissons quatre catégories professionnelles en fonction de leurs tâches dominantes: cognitives non routinières, interactives non routinières, cognitives routinières et manuelles non routinières. S’y ajoute une catégorie pour les personnes au chômage ou en dehors de la population active.

La part de la population sur le marché du travail dans l’une de ces situations j à l’instant t correspond à π¯tj \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} \[ {\rm{\bar \pi}}_t^j \] \end{document} , suivant l’équation (4):

où w_gt représente la part de la population dans le groupe démographique g à l’instant t, et πgtj \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} \[ \pi_{gt}^j \] \end{document} la part du groupe démographique g dans la situation j à l’instant t.

La variation de la part de la population dans la situation j peut être décomposée au moyen des équations (5) et (6):

Une décomposition plus poussée de l’équation (5) s’écrit:

Le premier terme, ∑g wg1Δπg0j \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} \[ \sum\nolimits_g {\,{w_{g1}}\Delta \pi_{g0}^j} \] \end{document} , représente l’effet de taille ou de composition du groupe. Il fait ressortir l’impact des variations des parts de population des groupes démographiques au fil du temps, tout en maintenant la structure démographique de la situation j au niveau de référence. Le deuxième terme, ∑g Δwg0πg1j \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} \[ \sum\nolimits_g {\,\Delta {w_{g0}}\pi_{g1}^j} \] \end{document} , est l’effet de propension, qui fait apparaître les variations de la part des individus au sein des groupes dans la situation j. Le dernier terme, ∑g Δwg1πg1j \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} \[ \sum\nolimits_g {\,\Delta {w_{g1}}\pi_{g1}^j} \] \end{document} , est l’effet d’interaction, ajouté pour cerner la concomitance de l’évolution démographique et de la propension.

L’effet de composition porte sur la manière dont l’évolution de la structure démographique de la population influence les tendances de l’emploi, en examinant plus précisément comment les variations d’âge, de niveau d’éducation et entre les sexes ont un effet sur la répartition de l’emploi dans les professions. En revanche, l’effet de propension correspond à l’évolution dans le temps de la probabilité que des individus appartenant à des groupes démographiques spécifiques exercent certaines professions. Alors que l’effet de composition se concentre sur la taille de ces groupes, l’effet de propension s’intéresse à l’évolution de leurs préférences professionnelles. Il est mesuré en maintenant les parts de population de tous les groupes démographiques à un niveau de référence, tout en permettant aux propensions de chaque groupe de varier.

Le tableau 3 présente la décomposition des variations de la part de l’emploi dans différentes catégories d’emplois entre 2012 et 2022. Il s’agit des emplois analytiques cognitifs non routiniers, des emplois interactifs cognitifs non routiniers, des emplois cognitifs routiniers, des emplois manuels non routiniers et des personnes de 16 à 64 ans qui ne travaillent pas (qu’elles soient au chômage ou hors de la population active). Les deux premières colonnes montrent les parts d’emploi dans ces catégories en 2012 et en 2022. Les colonnes (4) à (6) présentent les résultats de la décomposition en trois effets: composition, propension et interaction.

Nous constatons que presque 6 pour cent de la population qui était soit au chômage, soit en dehors de la main-d’œuvre en 2012 a accédé à un emploi rémunéré au cours de la décennie suivante, la part de la catégorie de ceux qui ne travaillent pas diminuant de 53 pour cent en 2012 à 47,1 pour cent en 2022. Nous pouvons nous attendre à ce que cette croissance de l’emploi modifie la composition des tâches, et à d’éventuels transferts entre les emplois nécessitant différents ensembles de compétences. Les données montrent une croissance notable de l’emploi dans les postes interactifs cognitifs non routiniers, de 2,9 pour cent environ. Ces emplois, notamment dans les domaines de la gestion, de l’enseignement, des soins de santé, du service à la clientèle et des professions juridiques, exigent généralement des niveaux de qualification élevés et de solides compétences relationnelles. L’augmentation de l’intensité des tâches interpersonnelles non routinières correspond aux tendances observées dans de nombreux pays développés et en développement, comme le relèvent Caunedo, Keller et Shin (2023).

L’emploi dans les professions manuelles non routinières enregistre la deuxième plus forte hausse, 1,5 pour cent environ. Ces postes impliquent des tâches physiques qui reposent moins sur la routine, telles que la construction et le travail manuel de base. Les professions cognitives routinières augmentent légèrement d’environ 1,1 pour cent, tandis que les fonctions analytiques cognitives non routinières enregistrent la hausse la plus faible, d’environ 0,4 pour cent. Ces tendances reflètent une évolution plus large sur le marché du travail, induite par l’évolution de la demande de compétences et des structures professionnelles. De même, Caunedo, Keller et Shin (2023) constatent que les parts d’emploi par profession et le contenu des tâches déterminent conjointement l’évolution de la structure des emplois dans les différents pays.

Pour les emplois analytiques cognitifs non routiniers, l’augmentation relève principalement d’un effet de composition positif (+1,0), indiquant une croissance des groupes démographiques susceptibles de les exercer. Toutefois, les effets négatifs de propension (–0,5) et d’interaction (–0,2) entraînent une légère diminution de la probabilité d’emploi, réduisant ainsi la part globale de l’emploi. En revanche, la croissance de l’emploi dans les postes interactifs cognitifs non routiniers est principalement due à un fort effet de composition (+4,5), reflétant une croissance significative dans les groupes démographiques concernés. Toutefois, l’effet de propension négatif (–1,1) et une légère réduction de l’effet d’interaction négatif (–0,6) diminuent la probabilité d’emploi dans ces postes.

S’agissant des emplois cognitifs routiniers, la hausse modérée de la part de l’emploi est due à des effets positifs de composition (+0,5) et de propension (+0,3), indiquant une croissance à la fois dans les groupes démographiques concernés et de leur probabilité d’emploi. Un léger effet d’interaction positif (+0,2) renforce cette tendance. En revanche, l’augmentation de la part des emplois manuels non routiniers est due à un fort effet de propension positif (+4,2), montrant une probabilité accrue de travailler dans ces métiers, malgré l’effet de composition négatif (–3,3), qui indique une contraction démographique pour ces emplois.

Le tableau 1 fournit des éléments de contexte pour ces résultats. Il montre que l’emploi féminin est principalement concentré dans les professions interactives cognitives non routinières et manuelles non routinières, en hausse d’environ 3,4 et 4,1 pour cent respectivement, qui représentent 80 pour cent de l’ensemble de l’emploi féminin en 2022. Ces tendances sont cohérentes avec les résultats de la décomposition, en particulier l’effet de propension positif dans les emplois manuels non routiniers, un changement principalement dû à l’augmentation du taux d’activité des femmes. Le tableau 1 met également en évidence une diminution de la part des hommes dans les emplois manuels non routiniers, ce qui souligne encore le rôle central des femmes dans la croissance de l’emploi dans ce secteur.

La tendance illustrée dans la figure 2 confirme également cette interprétation, indiquant que la part d’emploi des femmes augmente de manière plus marquée aux deux extrémités de la répartition des salaires. Les emplois interactifs cognitifs non routiniers, situés à l’extrémité supérieure de l’échelle salariale, intègrent de nombreuses femmes hautement qualifiées entrant sur le marché du travail. À l’inverse, les emplois manuels non routiniers, concentrés à l’extrémité inférieure de la répartition des salaires et comprenant des tâches telles que la cuisine, les soins et le nettoyage, attirent une part importante de nouvelles travailleuses, en particulier celles qui ont un faible niveau de qualifications. Cette dynamique se retrouve dans l’augmentation disproportionnée de l’emploi féminin dans les deux déciles inférieurs de la répartition des salaires.

Dans l’ensemble, ces résultats mettent en évidence le double impact de l’évolution démographique. Les professions interactives cognitives non routinières et manuelles non routinières jouent toutes les deux un rôle essentiel dans la dynamique du marché du travail, reflétant des tendances plus larges et soulignant l’influence croissante de la participation des femmes au marché du travail. Ce phénomène est bien documenté dans la littérature, puisque le rôle des différences fondées sur le sexe dans la configuration du marché du travail est devenu un sujet qui occupe de plus en plus de place. Dans ce contexte, notre analyse situe cette étude dans un cadre plus large qui prend en compte des facteurs allant au-delà de l’hypothèse de la routinisation pour expliquer la polarisation des emplois.

Nous avons utilisé des microdonnées détaillées afin d’apporter un nouvel éclairage sur la polarisation des emplois en Türkiye depuis le début des années 2000. Les professions hautement et faiblement qualifiées ont enregistré une forte croissance depuis 2012, entraînant une vaste redistribution de l’emploi. La part des emplois aux tâches abstraites bien rémunérés et des emplois manuels peu rémunérés a augmenté, tandis que celle des emplois routiniers moyennement rémunérés a diminué. Les données confirment l’hypothèse d’une polarisation pour la période 2012-2022, sous l’influence de facteurs tels que l’informatisation, l’élévation du niveau d’éducation et l’augmentation du taux d’activité des femmes. Toutefois, depuis 2016, les politiques actives en matière de salaire minimum ont eu un effet sur le degré de polarisation des salaires, qui ont été moins sensibles aux forces du marché.

À partir des données de l’enquête du PIAAC, nous avons examiné comment des facteurs tels que le capital humain individuel, les caractéristiques démographiques et les exigences techniques de l’emploi expliquent les tâches effectuées par les travailleurs. Les variables fictives de l’éducation sont significatives dans la plupart des régressions, les coefficients augmentant en termes absolus avec le nombre d’années d’études. En outre, nos résultats indiquent que la relation entre l’éducation et les catégories de tâches varie selon l’affectation professionnelle. Il est à noter que le niveau d’études des parents est corrélé positivement avec les scores des tâches abstraites, mais négativement avec les scores des tâches routinières et manuelles. Cela souligne qu’il est possible que les parents transmettent leur capital social à leurs enfants, entraînant une réduction de la mobilité professionnelle intergénérationnelle.

Si notre analyse s’est concentrée sur les principaux moteurs des tendances professionnelles, d’autres facteurs peuvent également jouer un rôle, comme le commerce international et l’immigration, qui ont enregistré une forte croissance depuis le milieu des années 2010. Toutefois, le manque de données et la durée relativement courte de notre étude ne nous ont pas permis d’évaluer complètement leurs effets. Avec un accès à des données plus complètes, de futures recherches pourraient étudier ces éventuelles contributions.

Les politiques du marché du travail devraient donner la priorité aux possibilités d’apprentissage tout au long de la vie, pour que les travailleurs puissent actualiser leurs compétences et en acquérir de nouvelles au cours de leur carrière, ce qui faciliterait leur transition d’un poste routinier à un poste exigeant des capacités avancées. Les décideurs politiques devraient également promouvoir les technologies qui complètent les compétences humaines plutôt que de les remplacer. La mise en œuvre de ces solutions nécessitera d’ajuster les politiques actuelles aux besoins et aux ressources au niveau local, ainsi qu’une collaboration entre les pouvoirs publics, les secteurs d’activité, les établissements d’enseignement, les organisations syndicales et les travailleurs. Il est important que ces stratégies soient conçues pour s’adapter aux contextes nationaux et locaux. Plutôt que d’être considérées comme des choix binaires, elles peuvent être combinées dans le cadre d’une approche plus globale, afin de remédier efficacement à la polarisation du marché du travail et d’améliorer la mobilité professionnelle.