Analyse transnationale des liens entre temps de travail et état de l’environnement

Mehtap AKGÜÇ; Mehtap Akgüç

doi:10.16995/ilrf.23792

Les articles paraissant dans la Revue internationale du Travail n’engagent que leurs auteurs, de même que les désignations territoriales qui y sont utilisées, et leur publication ne signifie pas que l’OIT souscrit aux opinions qui y sont exprimées.

Titre original: «A Cross-Country Analysis of Linkages between Working Hours and Environmental Impacts» (International Labour Review, vol. 165 n^o 2). Traduit par Isabelle Croix. Également disponible en espagnol (Revista Internacional del Trabajo, vol. 145, n^o 2).

1. Introduction

À l’heure de l’urgence climatique, il est indispensable de réduire radicalement les émissions de gaz à effet de serre pour éviter une situation catastrophique et irréversible. Dans le même temps, la forte dégradation de l’environnement et l’appauvrissement de la biodiversité induites par l’industrialisation rapide imposent de trouver un nouveau modèle économique, garantissant une croissance de l’économie sans consommation de ressources supplémentaires. Pour relever ces défis environnementaux, les responsables de l’action publique ont principalement cherché à favoriser le remplacement de sources d’énergie polluantes par des énergies à la fois renouvelables et plus propres. Toutefois, pour réussir la transition écologique et garantir la durabilité environnementale, il peut être nécessaire d’agir également dans d’autres domaines, dont celui du marché du travail et de l’offre de main-d’œuvre. Comme le souligne Ostrom (2009), par définition, les activités économiques s’inscrivent dans le cadre d’un système socioécologique, ce qui signifie qu’il existe des liens entre les marchés du travail et l’environnement. Ces interactions, conjuguées à la crise climatique en cours, impliquent de repenser l’organisation du travail (OIT, 2019).

Dans cet article, à l’instar de Schor (2005), Knight, Rosa et Schor (2013), Kreinin et Aigner (2022) et Fitzgerald, Givens et Briscoe (2024), nous avançons que, étant donné ces liens, la réduction du temps de travail pourrait constituer un bon outil face au changement climatique et à ses effets négatifs sur l’environnement. Pour évaluer la viabilité de cette stratégie – qui est une stratégie d’atténuation des effets du changement climatique parmi d’autres –, nous tentons de définir et de quantifier la relation entre le nombre d’heures travaillées et plusieurs indicateurs environnementaux dans un échantillon de pays européens au cours des quelques décennies écoulées.

Le Pacte vert pour l’Europe et le train de mesures dénommé «Ajustement à l’objectif 55» qui l’accompagne établissent une feuille de route pour parvenir à la neutralité carbone au sein de l’Union européenne (UE). Ailleurs dans le monde, beaucoup de pays ont emprunté une voie comparable afin de réduire les émissions et, dans une mesure variable, de limiter l’extraction de ressources. Ces dispositifs reposent toutefois souvent sur des niveaux de consommation et de croissance économique inchangés, lesquels ont pourtant déjà contribué à l’urgence climatique et vont de pair avec une forte consommation d’énergie et de ressources. Cette dynamique risque de nuire un peu plus encore à la planète, quand bien même des efforts sont déployés pour renoncer aux sources d’énergie polluantes au profit de solutions plus écologiques (Bohnenberger, 2022; Urban, Chapman et Rizos, 2024). Bien que les travaux de recherche récents reconnaissent de plus en plus l’impact de la décarbonation sur les modes de travail et, plus généralement, le marché du travail, le débat public tend à se focaliser sur les conséquences des restructurations qui ont lieu dans les secteurs d’activité gourmands en énergies fossiles, souvent concentrés dans certaines régions et exigeant par conséquent des approches locales (Black, McKinnish et Sanders, 2005; Beckfield et al., 2020; Hanson, 2023; OCDE, 2024). Or, pour réussir la transition vers la neutralité carbone et ne pas franchir les limites planétaires, il faut aller au-delà de la transition énergétique (Schor, 2005) et agir en vue de «transformations radicales des systèmes de production et de consommation des pays» (Hanson, 2023).

Étant donné l’impact global qu’elle pourrait avoir sur l’environnement par l’intermédiaire de divers canaux, la réduction du temps de travail est une piste prometteuse. Parmi les mécanismes souvent préconisés pour la concrétiser figure la redistribution des gains de productivité. Les partisans de la diminution de la durée du travail estiment en effet possible de traduire les gains de productivité non négligeables enregistrés ces dernières décennies en baisse du nombre d’heures travaillées tout en conservant le même niveau de production totale – ou, dans certains pays industrialisés à haut revenu, en produisant moins. Les travailleurs verraient ainsi augmenter leur temps libre, qui est une ressource précieuse mais rare associée à plus de bien-être (Hayden et Schandra, 2009; Schor, 2010). En d’autres termes, compléter l’action en faveur de la transition énergétique par des mesures de réduction du temps de travail serait bon pour l’environnement et le climat et aurait dans le même temps des répercussions positives sur le bien-être des travailleurs (Schor, 2005; Knight, Rosa et Schor, 2013). Qui plus est, cette réduction pourrait encourager les individus, les ménages et les organisations à adopter de nouveaux comportements, ce qui pourrait aboutir à des modes de vie et de consommation plus respectueux de l’environnement. Ces mécanismes peuvent influer indépendamment les uns des autres ou de manière complémentaire sur la relation entre durée du travail et nuisances à l’environnement.

S’engager sur cette voie pour lutter contre le changement climatique suppose cependant de tenir compte de deux éléments. Premièrement, si la productivité a effectivement connu une progression constante au cours des décennies récentes, plusieurs études (Draghi, 2025; Eurostat, 2025) montrent qu’elle a stagné voire régressé ces dernières années, en particulier au sein de l’UE. La marge de manœuvre pourrait donc être limitée, d’autant que le contexte géopolitique et économique actuel pèse sur la croissance. Dès lors, même si les différences de productivité et de potentiel de croissance entre pays laissent penser que certains d’entre eux disposent encore d’une certaine latitude, c’est sans doute davantage en raison de ses effets comportementaux que la réduction du temps de travail peut être un moyen de lutter contre le changement climatique. Deuxièmement, il faut tenir compte des activités auxquelles le temps libre acquis sera occupé. Certaines activités de loisir peuvent avoir des effets importants sur l’environnement (par exemple les voyages en avion) et ne pas être moins polluantes que le travail. De plus en plus de données révèlent cependant qu’un temps de travail moins long s’accompagne généralement de comportements moins émetteurs de gaz à effet de serre (par exemple parce que les trajets en voiture entre domicile et lieu de travail sont moins nombreux ou parce que les achats vestimentaires diminuent) (Hanbury, Bader et Moser, 2019; Neubert et al., 2022).

Dans cet article, nous nous appuyons sur la littérature de plus en plus abondante consacrée aux liens entre le temps de travail et la situation de l’environnement et reproduisons puis enrichissons les analyses empiriques existantes afin de quantifier ces liens potentiellement divers en nous intéressant à un échantillon de pays européens relativement grand couvrant les quelques décennies écoulées. Notre contribution à la recherche réside dans le fait que nous explorons d’éventuelles variations des effets du temps de travail en fonction du niveau (plus précisément des quantiles) de la distribution d’indicateurs environnementaux en tenant compte de l’impact d’une série de variables indépendantes (par exemple composition sectorielle, intensité énergétique et part des sources renouvelables dans la consommation d’énergie) au niveau macro. L’hétérogénéité des relations entre temps de travail et variables environnementales à différents niveaux de la distribution de ces indicateurs indique les domaines dans lesquels il existe une marge de manœuvre suffisante pour utiliser la réduction du temps de travail afin d’agir en faveur de l’environnement.

Nos principales constatations confirment l’existence d’une relation significative et positive entre le nombre d’heures travaillées et les nuisances à l’environnement dans les différents pays d’Europe. Les relations les plus stables concernent les variables correspondant aux émissions de dioxyde de carbone (CO₂) et à l’empreinte carbone. En d’autres termes, toutes choses égales par ailleurs, un temps de travail plus long est synonyme de plus d’émissions de CO₂ et d’une empreinte carbone plus forte. Nos résultats sont robustes en présence d’une dépendance transversale et d’une hétérogénéité des pentes, de même que lorsque nous incluons des variables de contrôle supplémentaires (évitant ainsi le biais de variable omise). Bien qu’il subsiste une possibilité de causalité inverse en raison d’éventuelles autres variables omises ou de l’absence de variables instrumentales strictement exogènes dans un cadre macrocomparatif, la stabilité de la relation empirique entre temps de travail et plusieurs indicateurs environnementaux laisse penser que la réduction du temps de travail pourrait, au total, être positive pour l’environnement et atténuer ainsi une cause importante du changement climatique.

Le reste de l’article est organisé comme suit. Dans la deuxième partie, nous proposons une revue de la littérature et mettons en lumière l’apport de notre article à la recherche. Dans la troisième partie, nous décrivons notre méthodologie, à savoir le cadre théorique retenu et la stratégie empirique utilisée pour nos estimations économétriques, puis les principales variables et les sources de données. La quatrième partie présente l’analyse descriptive et les principaux résultats des estimations, ainsi que l’interprétation des résultats du modèle augmenté et des tests de robustesse. La cinquième partie fait office de conclusion.

2. Revue de la littérature

Il y a peu de temps encore, les travaux de recherche consacrés à la durabilité, par exemple aux émissions de gaz à effet de serre, à l’appauvrissement de la biodiversité et à la pollution de l’air, étaient circonscrits au champ de l’écologie (Schor, 2005 et 2010; Urban, Chapman et Rizos, 2024). Grossman et Krueger (1995) ont cependant avancé qu’il existait une version environnementale de la courbe de Kuznets, décrivant une relation dynamique (en forme de U inversé) entre divers indicateurs de dégradation de l’environnement et le revenu par habitant, à savoir que le développement économique est, dans un premier temps, nuisible à l’environnement, mais que cette relation s’inverse et devient négative à partir d’un certain taux de croissance.

Les études démontrant la nature anthropique du changement climatique et de la dégradation de l’environnement se multipliant – par exemple les divers rapports du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC)¹ –, d’autres disciplines des sciences sociales ont été mobilisées pour la recherche de solutions face au changement climatique, dont les politiques du marché du travail, jusqu’alors rarement prises en compte (Bohnenberger, 2022). La réduction du temps de travail est l’une de ces politiques (Knight, Rosa et Schor, 2013; Fitzgerald, Schor et Jorgenson, 2018; Fitzgerald, Givens et Briscoe, 2024). L’exploration du lien entre durée du travail et environnement, qui suppose de relier deux pans de la recherche jusqu’alors séparés par une frontière étanche, commence à susciter un intérêt, d’abord parmi les chercheurs en sciences sociales, soucieux de mieux comprendre l’impact des comportements humains sur la planète. Cette curiosité de plus en plus grande concerne principalement le rôle de ces comportements dans la crise climatique et, comme le souligne l’édition 2023 du rapport du GIEC, les travaux sont facilités par la quantité croissante de données comparables et harmonisées disponibles.

Réduire le temps de travail consiste à diminuer le nombre d’heures de travail accomplies au cours d’une période donnée (la journée, la semaine, le mois ou l’année), avec ou sans perte de salaire en fonction de l’entreprise, du secteur, de la région ou du pays. Pour diminuer le temps de travail, il est possible de réduire le nombre d’heures journalier tout en conservant le même nombre de jours de travail par semaine, de diminuer le nombre hebdomadaire de jours de travail sans modifier le temps de travail journalier ou encore d’abaisser à la fois la durée journalière et la durée hebdomadaire de travail, par exemple. La réduction du temps de travail est un thème de recherche émergent, en particulier en économie du travail, en sociologie du travail, en théorie des organisations et dans les travaux en psychologie portant sur la conciliation entre vie privée et vie professionnelle. Plusieurs études ont été consacrées à ses effets potentiels sur divers aspects, notamment sur l’emploi (Victor, 2008) et la productivité (Garnero, Tondini et Batut, 2022) ou encore sur la satisfaction professionnelle et l’équilibre entre vie privée et travail (Lepinteur, 2019). Pour l’essentiel, elles montrent qu’au niveau individuel un temps de travail plus court est associé à une plus grande satisfaction dans l’emploi, à un meilleur équilibre entre vie professionnelle et vie privée, à des gains de productivité et à une amélioration du bien-être des travailleurs grâce à une diminution du stress (De Spiegelaere et Piasna, 2020; Lepinteur, 2019; Hanbury et al., 2023). À un niveau plus global, l’impact économique de la réduction du temps de travail est encore mal compris, même s’il existe des indices de l’existence d’effets légèrement positifs sur l’emploi (Raposo et van Ours, 2010) et la valeur ajoutée (Batut, Garnero et Tondini, 2023), ce qui pourrait être le signe que la possibilité de redistribuer les gains de productivité comporte des limites, en particulier dans les pays où les marges sont faibles et où le paradigme traditionnel de la croissance économique domine.

Un temps de travail plus long pourrait avoir plusieurs conséquences sur l’environnement². Premièrement, il peut induire une plus grande consommation d’énergie et de ressources sur le lieu de travail (par exemple chauffage ou climatisation des locaux, consommation d’électricité, d’eau, de fournitures de bureau, etc.) et entraîner ainsi directement une hausse des émissions de gaz à effet de serre (Schor, 2010; De Spiegelaere et Piasna, 2020; Eurofound, 2022). Deuxièmement, il peut influer sur les déplacements, donc sur les émissions dues au transport (Cerqueira et al., 2020). Troisièmement, la durée du travail a un impact sur l’équilibre entre vie privée et vie professionnelle (Persson, Larsson et Nässén, 2022), et sa diminution pourrait être positive pour le bien-être, ce qui pourrait conduire les individus à faire des choix plus respectueux de l’environnement (Neubert et al., 2022). À un niveau plus global, les partisans de la décroissance estiment qu’un temps de travail plus court freine la croissance économique et que ce ralentissement a des répercussions positives sur les plans social et environnemental (Fitzgerald, Jorgenson et Clark, 2015). La relation entre le temps de travail – et sa diminution – et l’environnement est cependant complexe et dépend de divers facteurs contextuels, tels que le secteur d’activité, le lieu, les institutions et la situation individuelle. Antal et ses coauteurs (2021) proposent une revue complète et critique de la littérature consacrée à cette thématique.

Par ailleurs, les études existantes mettent en lumière plusieurs méthodes appropriées pour analyser le lien entre environnement et temps de travail. Certains auteurs examinent cette relation au niveau de l’individu ou du ménage, faisant souvent appel à des données sur l’emploi du temps afin de mettre en rapport les habitudes de consommation, de production et de loisir avec divers indicateurs environnementaux tels que la consommation d’énergie et les caractéristiques des déplacements (Fremstad, Paul et Underwood, 2019; Nässén et Larsson, 2015; Neubert et al., 2022; Persson, Larsson et Nässén, 2022). D’autres chercheurs s’intéressent aux liens entre des variables environnementales (par exemple émissions de carbone, particules fines) et le temps de travail moyen dans différentes régions d’un pays, en particulier dans divers États des États-Unis (Fitzgerald, Schor et Jorgenson, 2018; Fitzgerald, 2022; Jorgenson et al., 2020; Mallinson et Cheng, 2022). Un troisième groupe d’auteurs fait le choix d’effectuer des macrocomparaisons entre pays en mettant des variables environnementales de niveau agrégé comme les émissions de gaz à effet de serre, l’empreinte carbone et la consommation d’énergie en rapport avec des variables macroéconomiques classiques, telles que le produit intérieur brut (PIB), la taille de la population et le taux d’emploi (Hayden et Shandra, 2009; Knight, Rosa et Schor, 2013; Fitzgerald, Jorgenson et Clark, 2015; Fitzgerald, Givens et Briscoe, 2024).

Quel que soit le niveau d’analyse retenu, la plupart des études existantes portent sur les pays à revenu élevé (Schor, 2005; Knight, Rosa et Schor, 2013; Shao, 2015; Shao et Shen, 2017; Fitzgerald, Givens et Briscoe, 2024), même si plusieurs auteurs suggèrent d’inclure également dans leur échantillon des pays à faible revenu et à revenu intermédiaire (Fan et al., 2006; Fitzgerald, Jorgenson et Clark, 2015). Certains articles ont pour objet de fournir une comparaison du nombre total d’heures travaillées entre l’Europe et les États-Unis (Alesina, Glaeser et Sacerdote, 2005) et de mettre en lumière les conséquences qui en découlent pour l’environnement (Rosnick et Weisbrot, 2007), tandis que d’autres sont axés sur les aspects méthodologiques de l’étude des liens entre durée du travail et situation de l’environnement (par exemple Shao, 2015; Shao et Shen, 2017).

S’agissant des études réalisées au niveau des ménages, Fremstad, Paul et Underwood (2019) se basent sur l’intensité carbone des biens calculée au moyen de tableaux entrées-sorties et mise en rapport avec des données sur les dépenses; ils constatent qu’aux États-Unis les ménages qui accomplissent davantage d’heures de travail ont une forte probabilité d’émettre plus de CO₂. Nässén et Larsson (2015) font appel à des données suédoises sur la consommation et l’emploi du temps des ménages et estiment qu’une diminution du temps de travail de 1 pour cent est susceptible de réduire la consommation d’énergie de 0,7 pour cent et les émissions de gaz à effet de serre de 0,8 pour cent. Dans une étude longitudinale concernant des salariés suisses, Neubert et ses coauteurs (2022) observent qu’une baisse du temps de travail va de pair avec une diminution des comportements émetteurs de gaz à effet de serre et une hausse du bien-être individuel. S’appuyant sur une enquête suédoise conduite auprès d’employés municipaux à Göteborg, Persson, Larsson et Nässén (2022) montrent qu’une durée de travail plus courte a pour corollaire une amélioration des résultats socioécologiques des personnes ayant des activités relativement peu émettrices. Ainsi, et même s’il est difficile de tirer des conclusions générales à partir d’études menées au niveau des ménages, ces différents travaux apportent un éclairage complémentaire aux études conduites à un niveau plus global, présentées ci-après.

Pour ce qui est des études réalisées au niveau des États aux États-Unis, Fitzgerald, Schor et Jorgenson (2018) analysent le lien entre émissions de CO₂ et temps de travail au cours de la période 2007-2013 et concluent à l’existence d’une relation forte et positive entre le nombre d’heures travaillées et les émissions au niveau de l’État après prise en compte des facteurs politiques, économiques et démographiques susceptibles d’exercer une influence sur les émissions. Mallinson et Cheng (2022) reproduisent cette étude et en confirment les résultats, mettant même en évidence des relations plus fortes à partir de données portant sur la période 2014-2017. Fitzgerald (2022) développe les conclusions des études antérieures en montrant que les inégalités atténuent le lien entre temps de travail moyen et émissions de CO₂ dans les différents États.

À un niveau plus global, Hayden et Shandra (2009) font appel à un cadre comparant l’empreinte écologique de différents pays pour examiner si le temps de travail a des effets sur l’environnement à partir de données se rapportant à 45 pays. Ils avancent que l’empreinte écologique est l’un des meilleurs indicateurs agrégés disponibles pour mesurer les effets environnementaux sur la base de la consommation et confirment que cette empreinte est d’autant plus forte que la durée du travail est longue. Toutefois, leurs données ne se rapportent qu’à une année (2000), ce qui constitue l’une des principales faiblesses de leur étude. Knight, Rosa et Schor (2013) s’appuient sur un cadre plus large et étudient 29 pays à revenu élevé membres de l’Organisation de coopération et de développement économiques (OCDE) au cours de la période 1970-2007. Ils constatent qu’il existe un lien fort entre le temps de travail et les nuisances à l’environnement mesurées par l’empreinte écologique, l’empreinte carbone et les émissions de CO₂. Fitzgerald, Jorgenson et Clark (2015) retiennent une autre variable et utilisent des données relatives à des pays développés ou en développement au cours de la période 1990-2008 pour examiner la relation entre consommation d’énergie et temps de travail et son évolution dans le temps. Ils concluent que l’impact du temps de travail sur la consommation d’énergie augmente au fil du temps dans tous les pays de leur échantillon. Fitzgerald, Givens et Briscoe (2024) retiennent deux indicateurs composites relativement nouveaux pour mesurer la durabilité, à savoir l’intensité en carbone du bien-être et l’intensité écologique du bien-être, qu’ils rapportent à l’espérance de vie moyenne. Leurs résultats, obtenus à partir de données longitudinales portant sur la période 1970-2017 et sur un échantillon de pays de l’OCDE à revenu élevé, révèlent l’existence d’un lien positif entre une durée de travail plus longue et leurs indicateurs environnementaux après prise en compte d’autres facteurs sociaux et économiques.

Dans cet article, nous retenons une stratégie semblable à celle employée par Knight, Rosa et Schor (2013) et par Fitzgerald, Givens et Briscoe (2024), à quelques nuances près. Premièrement, notre échantillon de pays est légèrement différent, puisqu’il comprend les pays de l’UE, la Norvège, le Royaume-Uni et la Suisse, et la période étudiée est plus longue que celle sur laquelle portent la plupart de ces études (hormis Fitzgerald, Givens et Briscoe, 2024)³. Deuxièmement, nous proposons une extension du cadre théorique habituellement utilisé, en y ajoutant des variables de contrôle supplémentaires relatives au secteur d’activité et à l’énergie, parce que nous supposons qu’elles sont fortement associées aux nuisances à l’environnement et ont donc un impact sur le lien entre le temps de travail et les variables environnementales. Troisièmement, nous utilisons un plus grand nombre d’indicateurs environnementaux, à savoir les émissions de CO₂, l’empreinte carbone et l’empreinte écologique (comme Knight, Rosa and Schor, 2013), mais aussi la consommation totale d’énergie (comme Fitzgerald, Jorgenson et Clark, 2015). De plus, notre spécification empirique dynamique est semblable à un modèle utilisant des variables dépendantes retardées en niveaux. Elle s’apparente donc dans une certaine mesure à la spécification utilisée par Fitzgerald, Givens et Briscoe (2024), qui estiment un modèle en première différence incluant une variable dépendante retardée, mais diffère de celle retenue par Knight, Rosa et Schor (2013), qui estiment un modèle en première différence sans variable dépendante retardée. Enfin, pour analyser les disparités entre pays, nous examinons la distribution des variables environnementales en estimant des régressions quantiles. Cette procédure nous permet d’examiner l’hétérogénéité du lien entre durée du travail et variables environnementales selon le niveau de la distribution des indicateurs environnementaux au sein d’un cadre macrocomparatif.

3. Méthodologie empirique

3.1. Cadre théorique

Notre cadre théorique repose sur le modèle IPAT, initialement proposé par Ehrlich et Holdren (1971), puis modifié par Dietz et Rosa (1994). Ce cadre, par la suite adopté par d’autres auteurs, comme Hayden et Shandra (2009) et Knight, Rosa et Schor (2013), permet d’appréhender les effets de divers facteurs de niveau macro sur l’environnement. Il a fait l’objet d’une reformulation stochastique, qui a donné le modèle connu sous le nom de STIRPAT. Le modèle STIRPAT «considère l’impact (I) d’un pays quelconque sur son environnement comme le produit de sa population (P), de son niveau de richesse (A pour l’anglais affluence) et des dommages causés par certaines technologies à l’origine de cette richesse (T)» (Hayden et Shandra, 2009, p. 583). Il permet de tester dans un cadre de régression une hypothèse concernant les effets de la population, de la richesse et des technologies sur l’environnement. Il peut s’écrire:

$I it = a . P it b . A it c . T it d . e it$ (1)

où i est l’unité d’observation, à savoir un pays, et où t désigne une période. Dans cette formulation, a est un facteur d’échelle, P_it est la taille de la population du pays i en t, A_it désigne la richesse, souvent mesurée par le PIB du pays i en t; T_it désigne la technologie⁴ du pays i en t. Enfin, e_it est le terme d’erreur. La transformation logarithmique du modèle STIRPAT dans l’équation (1) donne:

$ln (I i t) = a ′ + b ln (P i t) + c ln (A i t) + d ln (T i t) + ϵ i t$ (2)

où $a ′ = ln (a)$ est le terme constant, et $ϵ i t = ln (e i t)$ le terme d’erreur. Une formulation plus réaliste du terme d’erreur doit inclure des effets fixes doubles (two-way fixed effects), à savoir des effets fixes pays (ϕ_i) et année (γ_t). Elle peut être la suivante, sachant que θ_it rend compte du bruit résiduel du modèle:

$ϵ i t = ϕ i + γ t + θ i t .$ (3)

De plus, l’utilisation d’une transformation logarithmique permet d’obtenir un modèle d’élasticité comprenant une fonction multiplicative des variables initiales (P, A, T) et dans lequel les coefficients qui figurent devant les variables (b, c, et d) peuvent être interprétés comme des élasticités. L’impact sur l’indicateur environnemental peut alors être analysé comme la variation, en pourcentage, de l’indicateur induite par une modification de 1 pour cent de la variable correspondante (P, A ou T) lorsque toutes les autres variables sont constantes.

Le modèle STIRPAT a ceci d’intéressant qu’il met des variables socio-économiques en relation avec des variables écologiques tout en tenant compte des effets indirects de la durée du travail sur la consommation (Knight, Rosa et Schor, 2013). L’équation (2) ne le permet cependant pas directement. Pour établir un lien empirique entre le nombre d’heures travaillées et la situation de l’environnement, nous suivons van Ark (2002) et utilisons une reformulation algébrique qui permet de décomposer le PIB par habitant en trois composantes multiplicatives: la productivité horaire, le nombre moyen d’heures travaillées par salarié et la part de l’emploi dans la population. Algébriquement, cette procédure revient à exprimer le PIB par habitant ( $Y P$ ) de la manière suivante (Y désigne le PIB et P la population):

$Y P = Y H . H E . E P$ (4)

En utilisant cette décomposition du PIB par habitant et en remplaçant A_it et le terme d’erreur dans l’équation (2), nous obtenons:

$ln (I i t) = a ′ + b ln (P i t) + c 1 ln (P r o d u c t i v i t é h o r a i r e i t) + c 2 ln (N b . m o y e n d' h e u r e s t r a v a i l l é e s p a r s a l a r i é i t) + c 3 ln (E m p l o i i t) + d ln (T i t) + ϕ i + γ t + θ i t$ (5)

L’équation (5) fournit donc de manière parcimonieuse le principal lien théorique existant entre le nombre d’heures travaillées et l’état de l’environnement dans un pays à une date donnée. De surcroît, comme expliqué précédemment, tous les éléments de l’équation étant exprimés en termes logarithmiques, les coefficients estimés peuvent être analysés comme une variation, exprimée en pourcentage. Ici, le principal coefficient d’intérêt est le coefficient c₂ de l’équation (5), qui renseigne sur le lien entre le nombre d’heures travaillées et les effets sur l’environnement dans les divers pays.

3.2. Méthode d’estimation

L’estimation de l’équation (5) établit un lien théorique entre le nombre d’heures travaillées et les effets sur l’environnement. Dans la littérature, elle est souvent réalisée au moyen d’une méthode statique à effets fixes doubles appliquée à des données de panel représentant un grand nombre d’unités (N) et d’observations temporelles (T). Comme le souligne Thombs (2022), cette stratégie risque d’engendrer des biais et des incohérences en présence d’une mauvaise spécification dynamique ou de dépendance transversale.

Premièrement, les données étant longitudinales, les observations sont vraisemblablement corrélées les unes avec les autres au fil du temps, d’où un risque d’autocorrélation. Lorsque l’autocorrélation provient d’une erreur de mesure, il est possible d’y remédier en utilisant des erreurs types robustes groupées ou la méthode des moindres carrés généralisés (Jorgenson et Clark, 2012; Thombs, 2021). Toutefois, comme exposé par Thombs, Huang et Fitzgerald (2022, p. 5), dans les séries de données de panel de taille moyenne, il est fréquent que «l’autocorrélation soit due au caractère autorégressif des séries, c’est-à-dire au fait que la valeur contemporaine d’une variable dépend de ses valeurs passées, ce qui entraîne un biais de variable omise en l’absence de modélisation appropriée (King et Roberts, 2015; Pickup, 2015)». En pareil cas, l’utilisation d’erreurs types robustes groupées n’est pas suffisante pour éliminer ce biais à cause de l’absence de variables retardées dans le modèle. C’est pourquoi nous formulons une version dynamique de l’équation (5) en incluant du côté droit une version retardée des variables dépendantes, obtenant ainsi l’équation ci-après, c’est-à-dire un modèle à variable dépendante retardée avec effets fixes dynamiques doubles (two-way dynamic fixed effects – 2DFE)⁵:

$ln (I i t) = a ′ + γ ln (I i, t – 1) + b ln (P i t) + c 1 ln (P r o d u c t i v i t é h o r a i r e i t) + c 2 ln (N b . m o y e n d ′ h e u r e s t r a v a i l l é e s p a r s a l a r i é i t) + c 3 ln (E m p l o i i t) + d ln (T i t) + ϕ i + γ t + θ i t .$ (6)

Thombs (2022) et d’autres ont également mis en évidence un risque de dépendance transversale plus ou moins forte lorsque les unités transversales sont corrélées entre elles (Chudik et Pesaran, 2015). L’inclusion d’effets temporels, qui est une stratégie souvent mobilisée pour traiter la dépendance transversale dans les modèles reposant sur des données de panel, peut être insuffisante pour refléter les facteurs structurels (par exemple pandémie, progrès technologique) dont les effets diffèrent d’un pays à l’autre (Thombs, 2022). Plusieurs études économétriques proposent des méthodes pour tester la dépendance transversale ou pour estimer des modèles en présence de cette dépendance (Pesaran, 2006; Chudik et Pesaran, 2015). L’un des estimateurs proposés pour remédier à la dépendance transversale dans un cadre macrocomparatif est l’estimateur des effets corrélés communs dynamiques (dynamic common correlated effects – DCCE), particulièrement adapté lorsque la série temporelle est de longueur moyenne (Thombs, 2022).

Avant de déterminer laquelle de ces deux méthodes d’estimation retenir (2DFE ou DCCE), nous commençons par tester la dépendance transversale dans les diverses spécifications. Comme le montre Thombs (2022) au moyen de simulations de Monte Carlo, lorsque la série temporelle est de longueur moyenne (T~30) et les variables indépendantes nombreuses, il arrive que les degrés de liberté soient limités, bien que les deux méthodes entraînent les mêmes biais, même en présence de dépendance transversale ou d’hétérogénéité des pentes. Dans ce type de scénario, l’estimateur 2DFE peut être plus approprié (Thombs, 2022). En conséquence, lorsque la dépendance transversale est faible ou inexistante, le 2DFE est préféré, tandis que le DCCE est retenu en présence d’une forte dépendance transversale et lorsque la série temporelle est suffisamment longue.

Nous estimons l’équation (6) en niveaux et relions donc la durée du travail moyenne à l’échelon du pays aux indicateurs environnementaux au moyen d’une régression linéaire multivariée sur des données de panel couvrant plusieurs pays. Le modèle de référence suit le cadre STIRPAT dans sa version parcimonieuse, sans ajout de variables de contrôle supplémentaires. En revanche, pour tenir compte d’éventuels biais dus à des variables omises, nous incluons dans la version étendue du modèle des variables de contrôle telles que la part du secteur des services dans le PIB, le taux d’urbanisation, l’intensité énergétique et la part des énergies renouvelables. Ces variables, conjuguées aux effets fixes année, reflètent une partie des facteurs technologiques (T_it) dans l’équation (6). Les erreurs types robustes regroupées au niveau pays, qui permettent de tenir compte de l’hétéroscédasticité et des effets pays invariants dans le temps, sont indiquées⁶.

Enfin, pour explorer les hétérogénéités à partir de la distribution des indicateurs d’impact environnemental, nous estimons l’équation (6) à l’aide d’un modèle de régression quantile. La régression quantile est une méthode statistique employée pour estimer comment différentes parties de la distribution (les quantiles – 10^e, 25^e, 90^e quantile, par exemple) de la variable de résultat (comme les émissions de CO₂ et la consommation d’énergie) changent sous l’influence des variables indépendantes (par exemple le nombre d’heures travaillées). À la différence d’une régression ordinaire, qui estime la variation du résultat moyen, elle fournit des informations sur les liens entre la variable de résultat et les variables explicatives aux différents niveaux de la distribution de la variable de résultat (extrémités, quantile médian, etc.). En l’espèce, elle nous permet d’examiner si le lien entre durée du travail et variables environnementales diffère d’un niveau à l’autre de la distribution (dans le quantile inférieur, central ou supérieur, par exemple) des indicateurs environnementaux qui nous intéressent.

3.3. Variables et sources de données

Notre analyse empirique repose sur des données de panel dans lesquelles chaque observation correspond à une paire pays-année. L’échantillon concerne la période 1950-2019 et couvre 30 pays, à savoir les pays de l’UE, la Norvège, le Royaume-Uni et la Suisse. Comme dans l’étude de Fitzgerald, Givens et Briscoe (2024), le nombre d’observations utilisé dans les modèles varie, l’objectif étant d’obtenir la couverture des données la plus large possible. Alors que les variables macroéconomiques (comme la productivité, l’emploi, la population et la durée de travail) sont faciles à obtenir, d’autres, par exemple la part du secteur d’activité dans le PIB, l’intensité énergétique et la part des énergies renouvelables, le sont plus ou moins, ce qui réduit la taille de l’échantillon dans certains modèles. Les indicateurs environnementaux pour lesquels les données sont les plus complètes sont les émissions de CO₂, puis la consommation d’énergie, l’empreinte carbone et l’empreinte écologique. Les modèles les plus complets – c’est-à-dire incluant toutes les variables de contrôle – ont été estimés à partir de panels couvrant une période plus courte, commençant aux environs de 1990 et se terminant au début des années 2000. Cette méthode limite certes la taille de l’échantillon, mais elle permet d’obtenir une série de données plus équilibrée et évite l’apparition de problèmes dus à des ruptures structurelles au début de la décennie 1990. Le tableau 1 indique les sources de données et l’année à partir de laquelle les données sont disponibles.

Tableau 1. Liste des variables et sources de données

Variable	Unité	Source	Année à partir de laquelle les données sont disponibles
Émissions de CO₂	Mégatonnes (Mt)	Global Carbon Budget	1950
Empreinte carbone totale	Milliards d’hectares globaux	Global Footprint Network	1961
Empreinte écologique totale	Hectares globaux (milliards hag)	Global Footprint Network	1961
Consommation d’énergie totale	Kilogrammes équivalent pétrole (milliards)	Banque mondiale	1960
Nombre annuel d’heures travaillées	Heures	The Conference Board	1950
PIB horaire	Dollars É.-U. de 2017 corrigés des parités de pouvoir d’achat (PPA) (millions)	Penn World Tables	1950
Population	Millions d’habitants	Penn World Tables	1950
Emploi	Pourcentage de la population	Penn World Tables	1950
Taux d’urbanisation	Pourcentage de la population	Banque mondiale	1960
Secteur des services	Valeur ajoutée du secteur des services en pourcentage du PIB	Banque mondiale	1960
Intensité énergétique	Kilogrammes équivalent pétrole par millier d’euros en standards de pouvoir d’achat (SPA)	Eurostat (nrg_ind_ei)	1990
Part de l’énergie issue de sources renouvelables	Pourcentage	Eurostat (n rg_ind_ren)	2004

3.3.1. Variables dépendantes

Plusieurs indicateurs indirects peuvent être utilisés comme variables dépendantes pour mesurer l’impact environnemental dans l’équation (6): les émissions de CO₂ produites par la combustion d’énergies fossiles, mesurées en mégatonnes, qui constituent l’indicateur le plus couramment utilisé; l’empreinte carbone, définie comme la surface de terre biologiquement productive nécessaire pour absorber les émissions nationales dues à la consommation, en hectares globaux (hag) (un hectare global correspond à un hectare ayant une capacité de production égale à la moyenne mondiale); l’empreinte écologique, qui est un indicateur plus large tenant compte de cinq domaines de consommation (alimentation, logement, transport, biens et services) convertis en hectares globaux de terres et d’eau nécessaires compte tenu des niveaux de consommation correspondants; enfin, la consommation d’énergie totale, exprimée en kilogrammes équivalent pétrole, qui est notre dernier indicateur d’impact environnemental.

3.3.2. Variables indépendantes

Les principales variables indépendantes figurant du côté droit de l’équation (6) utilisées dans le modèle de référence sont le nombre annuel moyen d’heures travaillées, le PIB par heure travaillée⁷ (ou productivité horaire du travail), la taille de la population et la part de l’emploi dans la population totale. Dans la version étendue du modèle, nous ajoutons plusieurs variables explicatives. La première est la part de la population vivant en milieu urbain, une urbanisation plus forte pouvant entraîner une sollicitation supplémentaire de ressources limitées dans les centres urbains et avoir des répercussions négatives sur l’environnement, ce qui est une question empirique. La deuxième est la part du secteur des services dans le PIB, qui peut donner une idée du niveau de développement technologique d’un pays, le secteur des services (par opposition au secteur manufacturier) constituant un large pan de l’économie dans les pays à revenu élevé. Enfin, nous incluons deux variables de contrôle supplémentaires en lien avec la demande d’énergie et sa composition, à savoir l’intensité énergétique et la part de l’énergie provenant de sources renouvelables⁸.

4. Résultats

4.1. Analyse descriptive

Le tableau 2 présente les principales statistiques synthétiques concernant les variables utilisées dans l’analyse empirique. À noter qu’elles correspondent à des moyennes calculées pour l’échantillon groupé, et peuvent différer selon le pays et l’année. Étant donné le niveau relativement élevé des valeurs pour les variables concernant l’impact sur l’environnement (le nombre de chiffres est nettement supérieur à ce qui est habituel), nous les exprimons en milliards d’unités. Les estimations empiriques ont été converties en logarithmes.

Tableau 2. Statistiques synthétiques

	N	Moyenne	Écart type
Émissions de CO₂ (Mt)	2 100	127	200
Empreinte carbone totale (milliards hag)	1 129	3 051 934	5 941 546
Empreinte écologique totale (milliards hag)	1 455	3 496 855	7 327 204
Consommation d’énergie totale (milliards kg)	1 452	56,93	76,88
Nombre annuel moyen d’heures travaillées	1 580	1825,4	229,2
PIB par heure travaillée (dollars É.-U./PPA)	1 516	32,56	19,86
Population (millions)	2 160	15 787 995	20 481 224
Part de l’emploi (pourcentage de la population)	2 160	45,3	7,65
Taux d’urbanisation (pourcentage de la population)	1 800	67,8	14
Services, valeur ajoutée (pourcentage du PIB)	985	59,4	8,8
Intensité énergétique (kg par millier d’euros, PPA)	781	185	86,2
Part de l’énergie issue de sources renouvelables (pourcentage)	505	19,9	14,6

Source: Calculs de l’autrice.

Il ressort de la figure 1, qui représente la distribution globale du nombre annuel d’heures travaillées pour l’ensemble des pays de l’échantillon au cours de la période 1950-2020, que la durée annuelle du travail est, en moyenne, légèrement supérieure à 1 800 heures.

Figure 1. Distribution globale du nombre annuel d’heures travaillées (1950-2020)

Source: Calculs réalisés par l’autrice à partir de données issues de la base de données de l’économie totale du Conference Board (1950-2020).

La figure 2 présente la distribution de la durée annuelle du travail par décennie afin de mettre en évidence son évolution au fil du temps. Elle montre que le nombre d’heures travaillées régresse de manière régulière depuis 1950 – il est passé de plus de 2 200 heures en 1950 à environ 1 600 heures en 2020.

Figure 2. Distribution du nombre d’heures travaillées, par décennie

Source: Calculs réalisés par l’autrice à partir de données issues de la base de données de l’économie totale du Conference Board (1950-2020).

Alors que le temps de travail moyen a diminué régulièrement, la productivité du travail a fortement augmenté (figure 3), sans doute sous l’effet d’avancées technologiques rapides.

Figure 3. Productivité du travail moyenne

Notes: La productivité du travail annuelle moyenne est égale au PIB par heure travaillée au cours d’une année donnée, tous pays confondus.

Source: Calculs réalisés par l’autrice à partir de données issues des Penn World Tables (1950-2020)

La figure 4 représente l’évolution des quatre principaux indicateurs environnementaux retenus dans notre analyse empirique. Dans leur majorité, ils augmentent fortement jusqu’aux années 1990, avant de se stabiliser puis de régresser, faiblement pour ce qui est des émissions de CO₂ et de manière relativement nette s’agissant de l’empreinte carbone et de l’empreinte écologique⁹. La consommation d’énergie se démarque des autres indicateurs: elle suit une trajectoire le plus souvent ascendante jusqu’aux années 2010, avant de commencer à régresser.

Figure 4. Évolution des variables environnementales

Notes: Les droites de régression linéaire ont été ajoutées aux trajectoires logarithmiques de la variable environnementale concernée. Des ruptures temporelles sont observées au début des années 1970 (crise pétrolière) pour la consommation d’énergie totale et au début des années 1990 (dissolution de l’ex-Union soviétique) pour l’empreinte carbone, l’empreinte écologique et la consommation d’énergie (ce qui n’est pas le cas pour les émissions de CO₂).

Source: Calculs réalisés par l’autrice à partir de données du Global Carbon Budget (émissions de CO₂), du Global Footprint Network (empreinte carbone et écologique) et de la Banque mondiale (consommation d’énergie).

4.2. Résultats des estimations de référence

Les résultats des estimations de référence sont récapitulés dans le tableau 3, et les coefficients du nombre d’heures travaillées et des variables de contrôle incluses dans la version de référence de l’équation (6) sont représentés graphiquement par la figure 5 pour chacun des indicateurs environnementaux, ce qui permet de visualiser immédiatement le principal coefficient d’intérêt (celui du nombre d’heures travaillées). Ce modèle permet d’évaluer l’impact du temps de travail sur l’environnement via sa contribution à la production (PIB), mesurant donc son effet d’échelle conformément au cadre STIRPAT¹⁰. Les résultats laissent penser qu’il existe une relation statistiquement significative et positive entre l’augmentation du nombre annuel d’heures travaillées et tous les indicateurs environnementaux lorsque nous utilisons la méthode 2DFE, tandis que les coefficients obtenus pour l’empreinte écologique et la consommation d’énergie ne sont pas statistiquement significatifs lorsque la méthode employée est la DCCE. En d’autres termes, une diminution du temps de travail va de pair avec un recul des dommages à l’environnement mesurés par les émissions de CO₂ et l’empreinte carbone¹¹. À titre d’exemple, une augmentation de 1 pour cent du nombre annuel moyen d’heures travaillées se traduit par une hausse des émissions de CO₂ égale à 0,236 pour cent avec la méthode 2DFE (colonne 1) et à 0,443 pour cent avec la méthode DCCE (colonne 2). De même, le coefficient obtenu pour l’impact des heures travaillées sur l’empreinte carbone est positif et statistiquement significatif. Les autres coefficients sont pour l’essentiel conformes aux attentes; c’est par exemple le cas de celui calculé pour la variable dépendante retardée, qui est significatif et positif dans tous les modèles estimés avec la méthode 2DFE.

Tableau 3. Estimation de l’impact du nombre d’heures travaillées sur les indicateurs environnementaux (modèle de référence)

	Émissions de CO₂		Empreinte carbone totale		Empreinte écologique totale		Consommation d’énergie totale
	1	2	3	4	5	6	7	8
Nombre d’heures travaillées	0,236*** (0,058)	0,443** (0,198)	0,190*** (0,048)	0,682*** (0,199)	0,273*** (0,045)	0,730 (0,532)	0,149*** (0,046)	0,100 (0,209)
Production horaire	0,070*** (0,014)	0,263*** (0,081)	0,079*** (0,020)	0,135 (0,121)	0,070*** (0,010)	0,091 (0,246)	0,058*** (0,014)	0,164*** (0,063)
Part de l’emploi	0,103*** (0,028)	0,368 (0,261)	0,161*** (0,036)	0,541 (0,336)	0,064** (0,029)	–0,230 (0,963)	0,090*** (0,028)	0,561*** (0,173)
Population	0,018 (0,032)	0,215 (0,414)	0,102* (0,050)	1,062** (0,471)	0,158*** (0,032)	1,181 (1,629)	0,034 (0,043)	–0,216 (0,566)
Variables dépendantes retardées
Émissions de CO₂ (t–1)	0,939*** (0,009)	0,303*** (0,055)
Empreinte carbone totale (t–1)			0,930*** (0,008)	0,301*** (0,060)
Empreinte écologique totale (t–1)					0,882*** (0,012)	–0,006 (0,079)
Consommation d’énergie totale (t–1)							0,923*** (0,011)	0,113 (0,113)
Observations	1 501	1 117	1 016	768	1 224	1 162	1 214	968
Effets année	Oui	Oui	Oui	Oui	Oui	Oui	Oui	Oui
Effets fixes pays	Oui	–	Oui	–	Oui	–	Oui	–
R²	0,99	0,99	0,99	0,99	0,99	0,98	0,99	0,99

Notes: Une transformation logarithmique a été réalisée pour tous les modèles, et tous incluent des effets année. Colonnes 1, 3, 5 et 7: les résultats ont été obtenus au moyen de la méthode 2DFE, et les erreurs types robustes groupées sont présentées. Colonnes 2, 4, 6 et 8: les résultats ont été obtenus au moyen de la méthode DCCE et de l’estimateur du groupe moyen (MG). Interprétation des estimations des coefficients: quand le temps de travail augmente de 1 pour cent, les émissions de CO₂ progressent de 0,236 pour cent (colonne 1), etc. Les erreurs types robustes groupées figurent entre parenthèses.

* Statistiquement significatif au seuil de 10 pour cent. ** Statistiquement significatif au seuil de 5 pour cent. *** Statistiquement significatif au seuil de 1 pour cent.

Source: Calculs de l’autrice.

Figure 5. Diagrammes des coefficients issus des estimations du modèle de référence

Note: Les diagrammes reposent sur les résultats figurant dans le tableau 3 (colonnes 1, 3, 5 et 7); les modèles ont fait l’objet d’une transformation logarithmique et ont été estimés au moyen de la méthode 2DFE. Interprétation des estimations des coefficients: quand le temps de travail augmente de 1 pour cent, les émissions de CO₂ progressent de 0,236 pour cent (diagramme situé en haut à gauche), etc. Des résultats plus détaillés figurent dans le tableau 3.

Source: Calculs de l’autrice.

4.3. Estimations de la version augmentée du modèle

Pour mieux comprendre les liens qui ne sont pas analysés dans la version de base du modèle, nous incluons des variables de contrôle supplémentaires (par exemple taux d’urbanisation, structure sectorielle, intensité énergétique et composition du bouquet énergétique). Cette procédure nous aide à évaluer la robustesse de l’association entre durée du travail et indicateurs environnementaux. Le tableau 4 présente deux séries d’estimations par variable de résultat, l’une excluant la part des énergies renouvelables et l’autre l’incluant – à noter que cette deuxième série est obtenue pour un échantillon de plus petite taille en raison du manque d’observations temporelles. Étant donné que l’échantillon est de petite taille (T<30) et que les tests ne rejettent en général pas l’hypothèse nulle de faiblesse de la dépendance transversale – en particulier dans les modèles les plus complets –, nous avons préféré l’estimateur 2DFE au DCCE, parce qu’il est plus efficace asymptotiquement dans de telles conditions (Thombs, 2022).

Tableau 4. Estimation de l’impact du nombre d’heures travaillées sur les indicateurs environnementaux (modèle enrichi)

	Émissions de CO₂		Empreinte carbone totale		Empreinte écologique totale		Consommation d’énergie totale
	1	2	3	4	5	6	7	8
Temps de travail	0,434*** (0,112)	0,446** (0,199)	0,260** (0,124)	0,329* (0,183)	0,188 (0,125)	0,130 (0,219)	0,249** (0,108)	0,197 (0,184)
Production horaire	0,096 (0,066)	0,199* (0,113)	0,227*** (0,034)	0,256*** (0,056)	0,051* (0,030)	0,163** (0,067)	0,230*** (0,071)	0,486*** (0,101)
Part de l’emploi	0,225 (0,134)	0,279* (0,140)	0,593*** (0,062)	0,771*** (0,106)	0,178*** (0,058)	0,242** (0,101)	0,471*** (0,076)	0,761*** (0,109)
Population	0,002 (0,076)	0,034 (0,131)	0,421*** (0,069)	0,489*** (0,106)	0,131** (0,059)	0,102 (0,110)	0,280*** (0,081)	0,550*** (0,141)
Variables dépendantes retardées
Émissions de CO₂ (t–1)	0,780*** (0,051)	0,687*** (0,062)
Empreinte carbone totale (t–1)			0,634*** (0,028)	0,519*** (0,046)
Empreinte écologique totale (t–1)					0,725*** (0,032)	0,596*** (0,050)
Consommation d’énergie totale (t–1)							0,523*** (0,045)	0,321*** (0,052)
Variables de contrôle supplémentaires
Secteur des services en pourcentage du PIB	–0,171* (0,099)	–0,187 (0,117)	–0,037 (0,071)	–0,058 (0,110)	–0,181*** (0,064)	–0,167 (0,116)	–0,048 (0,076)	–0,042 (0,098)
Taux d’urbanisation	–0,104 (0,106)	–0,245 (0,222)	–0,031 (0,092)	0,024 (0,213)	–0,006 (0,099)	–0,234 (0,251)	–0,170* (0,098)	–0,039 (0,165)
Intensité énergétique	0,071 (0,056)	0,285** (0,109)	0,179*** (0,029)	0,328*** (0,050)	0,031 (0,023)	0,167*** (0,056)	0,194** (0,070)	0,494*** (0,073)
Part de l’énergie issue de sources renouvelables		–0,043*** (0,011)		–0,038** (0,039)		–0,052*** (0,012)		–0,042*** (0,009)
Observations	725	448	506	286	638	364	602	329
Effets année	Oui	Oui	Oui	Oui	Oui	Oui	Oui	Oui
Effets fixes pays	Oui	Non	Oui	Non	Oui	Non	Oui	Non
Statistique CD (valeur p)	0,085	0,608	0,004	0,023	0,015	0,131	0,017	0,219
R²	0,9976	0,9942	0,9985	0,9972	0,9995	0,9984	0,9980	0,9927

Notes: Tous les modèles ont fait l’objet d’une transformation logarithmique et ont été estimés au moyen de la méthode 2DFE. Comme il n’est pas possible de rejeter l’hypothèse nulle de faiblesse de la dépendance transversale au seuil de 1 pour cent pour toutes les spécifications (la colonne 3 fait exception) et comme la dimension temporelle des données de panel est relativement courte, il n’était pas pertinent d’utiliser l’estimateur DCCE. Interprétation des estimations des coefficients: quand le temps de travail augmente de 1 pour cent, les émissions de CO₂ progressent de 0,434 pour cent (colonne 1), etc. Les erreurs types robustes groupées figurent entre parenthèses.

* Statistiquement significatif au seuil de 10 pour cent. ** Statistiquement significatif au seuil de 5 pour cent. *** Statistiquement significatif au seuil de 1 pour cent.

Source: Calculs de l’autrice.

D’après le tableau 4, le temps de travail est lié par une relation significative et positive avec les émissions de CO₂ et l’empreinte carbone, même après prise en compte de variables dépendantes retardées et de variables de contrôle comme la part du secteur des services dans le PIB, le taux d’urbanisation, l’intensité énergétique et la part des énergies renouvelables. La part de l’emploi et la taille de la population sont également associées de manière significative et positive aux nuisances à l’environnement dans la plupart des modèles. Dans le cas de l’urbanisation, le lien n’est pas significatif statistiquement, peut-être parce que les variables relatives à la taille de la population et à l’emploi reflètent déjà son impact. La part du secteur des services n’a une relation significative, en l’occurrence négative, que dans la spécification incluant l’empreinte écologique, ce qui confirme qu’un secteur des services plus grand est associé à un impact environnemental plus faible en raison du niveau de développement technologique caractéristique des pays industrialisés (même si ce constat ne se vérifie pas toujours). À l’inverse, l’intensité énergétique, qui reflète l’activité manufacturière, a un lien positif fort avec les nuisances à l’environnement. Enfin, il existe un lien significatif et négatif entre la part des sources renouvelables dans le bouquet énergétique et les effets sur l’environnement, les énergies renouvelables atténuant ces effets. Toutefois, l’inclusion de cette variable entraîne la disparition de la significativité de la durée du travail – probablement parce que le type d’énergie utilisé explique une grande partie de la variation des indicateurs environnementaux. La figure 6 fournit une représentation synthétique des principaux coefficients reflétant le lien entre le temps de travail et les différents indicateurs environnementaux; deux indicateurs sont présentés, l’un excluant la variable relative aux énergies renouvelables et l’autre l’incluant, comme dans le tableau 4.

Figure 6. Diagrammes des coefficients représentant l’impact du temps de travail sur les indicateurs environnementaux (modèles enrichis)

Notes: Les diagrammes reposent sur les résultats figurant dans le tableau 4; les modèles ont fait l’objet d’une transformation logarithmique et ont été estimés au moyen de la méthode 2DFE. Ils ne présentent que les estimations des coefficients du temps de travail. Plus précisément, les estimations représentées par un carré bleu reposent sur les résultats figurant dans les colonnes 1, 3, 5 et 7 du tableau 4, tandis que celles représentées par un rond rouge reposent sur les résultats figurant dans les colonnes 2, 4, 6 et 8 du tableau 4, c’est-à-dire tenant compte de variables de contrôle supplémentaires. Interprétation des estimations des coefficients (par exemple pour le diagramme situé en haut à gauche): quand le temps de travail augmente de 1 pour cent, les émissions de CO₂ progressent de 0,434 pour cent (carré bleu) dans la spécification parcimonieuse (colonne 1, tableau 4) et de 0,446 (rond rouge) dans la spécification comprenant le plus grand nombre de variables supplémentaires (colonne 2, tableau 4).

Source: Calculs de l’autrice.

4.4. Régressions quantiles des variables environnementales sur le nombre d’heures travaillées

Jusqu’à présent, nous avons estimé la relation entre la durée du travail et la moyenne conditionnelle des indicateurs environnementaux. Dans cette dernière partie, nous enrichissons notre modèle en faisant appel à la régression quantile pour examiner la variation de ce lien le long de la distribution des indicateurs. La figure 7 synthétise ces résultats. Elle fait apparaître l’impact estimé de la durée du travail pour différents quantiles; les zones bleutées représentent les intervalles de confiance.

Figure 7. Régressions quantiles de l’impact du nombre d’heures travaillées sur les indicateurs environnementaux

Notes: Tous les modèles ont fait l’objet d’une transformation logarithmique et ont été estimés par régression quantile aux 1^er, 20^e, 40^e, 60^e, 80^e et 99^e quantiles, au moyen de la spécification de référence. Seules les estimations du coefficient représentant l’impact du nombre d’heures travaillées sur la distribution des indicateurs environnementaux sont représentées (les zones bleutées représentent les intervalles de confiance).

Source: Calculs de l’autrice.

S’agissant des émissions de CO₂, le coefficient de la durée du travail suit une pente abrupte, à savoir que l’impact estimé du temps de travail est plus fort dans les quantiles inférieurs de la distribution des émissions de CO₂ que dans les quantiles supérieurs. Autrement dit, il est plus marqué dans les pays relativement peu émetteurs. Les pays où le temps de travail est relativement long pourraient donc disposer d’une marge de manœuvre plus ample pour s’engager dans une réduction de la durée du travail, laquelle pourrait avoir un fort impact sur les émissions (lien causal potentiel). Il est aussi possible que les pays les plus prospères conjuguent diminution des émissions par habitant et réduction du temps de travail, et que la courbe environnementale de Kuznets décroisse nettement quand le temps de travail commence à diminuer. La trajectoire est également descendante pour l’empreinte carbone et la consommation d’énergie – même si elle est légèrement plus plate que pour les émissions de CO₂. Ainsi, l’augmentation du nombre d’heures travaillées a un lien significatif avec l’empreinte carbone entre les 20^e et 60^e quantiles environ, mais le coefficient estimé n’est pas significatif aux extrémités (droite comme gauche) de la distribution. Concernant la consommation d’énergie, une augmentation du nombre d’heures travaillées est associée à une hausse (certes de moins en moins forte) de cette consommation sur la majeure partie de la distribution, mais ce lien n’est pas observé dans les quantiles les plus élevés (le dernier cinquième de l’extrémité droite). Il est possible que, dans les pays les plus consommateurs d’énergie, d’autres facteurs structurels – par exemple la production et/ou les habitudes de consommation – expliquent le niveau élevé de la demande d’énergie, si bien que même une diminution du temps de travail ne compense pas cet impact.

5. Conclusions

Face à la multiplication des données démontrant l’origine anthropique du changement climatique, l’action publique visant à le contrer a dépassé le champ de l’écologie. Dans cet article, nous examinons le rôle du temps de travail sur l’état de l’environnement, enrichissant ainsi un pan émergent de la recherche, situé à l’intersection entre l’économie du travail et la recherche sur l’environnement. Nous exploitons des données de panel harmonisées couvrant 30 pays européens pendant plusieurs décennies pour étudier le lien entre le nombre d’heures travaillées et quatre indicateurs environnementaux, en l’occurrence les émissions de CO₂, l’empreinte carbone, l’empreinte écologique et la consommation d’énergie. Certaines estimations reposent sur des panels couvrant une période plus courte pour des raisons de disponibilité des données. Nous enrichissons de nouvelles dimensions un cadre théorique issu de travaux de recherche antérieurs pour fournir des estimations quantitatives de l’impact de la durée du travail sur l’environnement. Nous examinons aussi la façon dont cette relation varie le long de la distribution des indicateurs environnementaux retenus, mettant en lumière son hétérogénéité et les domaines dans lesquels les pouvoirs publics pourraient agir.

Notre analyse descriptive montre que, si la durée moyenne du travail a diminué ces dernières décennies, la productivité horaire a progressé. Par ailleurs, les indicateurs environnementaux se sont dégradés jusqu’aux années 1980 ou 1990, mais se sont dans l’ensemble stabilisés depuis lors. Notre modèle économétrique de référence repose sur les travaux existants, par exemple ceux de Knight, Rosa et Schor (2013) et de Fitzgerald, Givens et Briscoe (2024). Nous l’enrichissons en appliquant une version dynamique du modèle STIRPAT et effectuons des tests pour détecter la présence d’une dépendance transversale et d’asymétrie directionnelle. Nos résultats révèlent l’existence d’une relation positive significative entre la durée du travail et la plupart des indicateurs environnementaux retenus, en particulier les émissions de CO₂. De manière générale, l’ajout de variables de contrôle ne modifie pas cette relation, sauf pour la consommation d’énergie. L’analyse de l’hétérogénéité du lien en fonction du niveau de la distribution des indicateurs met en lumière un impact plus fort du temps de travail dans les quantiles inférieurs de la distribution des émissions de CO₂. À notre connaissance, cette étude est la première à explorer ces dimensions relatives à la distribution des indicateurs et fournit ainsi des pistes de recherche prometteuses.

Bien que le lien empirique établi entre la durée du travail et les nuisances à l’environnement soit robuste et reste significatif après diverses extensions du modèle utilisé, notre analyse présente des limites. Premièrement, nous sommes allée au-delà du modèle théorique STIRPAT en incluant des variables dépendantes retardées et des variables de contrôle supplémentaires – évitant ainsi dans une certaine mesure le biais de variable omise –, et les tests de robustesse confirment la stabilité des résultats, mais nous ne pouvons pas être affirmative concernant leur causalité. Pour étendre le modèle théorique et explorer d’éventuels liens de causalité, il faudrait réaliser des travaux supplémentaires et des études quasi expérimentales à partir des mesures de réduction du temps de travail adoptées dans un ou plusieurs pays. Deuxièmement, il faudrait s’intéresser à l’ampleur de la réduction du temps de travail et examiner si des effets de rebond sont possibles (par exemple en raison de l’augmentation d’activités qui ont une forte empreinte écologique, comme les voyages en avion ou l’achat de produits de luxe), même si des travaux existants montrent qu’ils ne sont pas inévitables (Neubert et al., 2022). Qui plus est, la possibilité d’utiliser la réduction du temps de travail pour lutter contre la crise climatique et la pertinence de cette stratégie dépendent du contexte institutionnel et économique d’un pays – par exemple de sa capacité à maintenir la production économique à un niveau constant pour que les gains de productivité puissent être traduits en réduction du nombre d’heures travaillées –, et supposent qu’ils disposent encore d’une marge de manœuvre pour redistribuer les gains de productivité sous la forme d’une réduction du temps de travail. Dans le même ordre d’idées, l’impact de la diminution du temps de travail sur l’environnement dépend aussi de la façon dont elle s’applique (par exemple facultative ou non, applicable au niveau sectoriel ou national, avec ou sans perte de salaire).

Nous restons donc prudente concernant l’interprétation causale des liens empiriques mis en évidence, parce que nos constatations pourraient aussi être dues à une forte décroissance de la courbe environnementale de Kuznets sous l’influence de la diminution du temps de travail. En d’autres termes, les relations constatées pourraient refléter les caractéristiques d’une courbe environnementale de Kuznets correspondant à une situation dans laquelle les pays relativement riches (hormis des pays comme les États-Unis) agissent à la fois en réduisant le temps de travail et en faisant reculer les émissions par habitant. En pareil cas, l’association observée pourrait s’expliquer par le modèle structurel de développement et ne serait pas nécessairement le signe que la réduction du temps de travail est un instrument de politique environnementale efficace. D’autres travaux sont donc nécessaires pour examiner la relation entre réduction du temps de travail et état de l’environnement.

Remerciements

Nous tenons à exprimer toute notre reconnaissance à Jakob Wall pour la qualité de son travail d’assistance à la recherche et pour son concours en ce qui concerne la collecte et la préparation des données durant les premières phases de la rédaction de cet article. Nous avons également grandement apprécié les commentaires reçus à l’occasion de la conférence intitulée A just transition beyond growth?, qui s’est tenue en décembre 2022 à l’Institut syndical européen, de la huitième conférence de l’OIT sur la réglementation du travail décent (Regulating Decent Work Conference), en juillet 2023, du webinaire du réseau European Work-Time Network, en septembre 2023, de la réunion du réseau Trade Union Related Economists, en juin 2024, du congrès de l’association internationale des relations professionnelles et du travail (International Labour and Employment Relations Association – ILERA), en juin 2024, et de la conférence du Centre de recherche interuniversitaire sur la mondialisation et le travail (CRIMT), en novembre 2024. Enfin, nous remercions les deux évaluateurs anonymes pour leurs observations extrêmement utiles et constructives, qui nous ont été d’une grande aide pour améliorer cet article.

Conflits d’intérêts

Les auteurs n’ont pas d’intérêts concurrents à déclarer.

Notes

Voir le dernier rapport en date, publié en 2023: https://www.ipcc.ch/report/sixth-assessment-report-cycle/. ⮭
Le développement de modalités de travail à distance telles que le télétravail a fait évoluer l’organisation et la durée du travail, les habitudes en matière de mobilité, les choix résidentiels et autres formes de consommation, qui, toutes, ont une empreinte environnementale spécifique. Pour une analyse plus détaillée du télétravail et de ses liens avec la transition verte, voir Akgüç, Galgóczi et Meil (2023). ⮭
La plupart des variables dépendantes ont été mesurées avant la pandémie de COVID-19, ce qui empêche de fournir une estimation exacte du lien entre nombre d’heures travaillées et environnement en 2020. Différents rapports (ETUI et CES, 2021; Eurostat, 2021; AIE, 2021) mettent en évidence une diminution du nombre d’heures de travail (dans le cadre de dispositifs de maintien de l’emploi) et des émissions (en raison des confinements) au cours des premiers mois de la pandémie. ⮭
Dans les applications courantes du modèle IPAT, la composante T (technologie) est souvent considérée comme un «facteur lié à des paramètres techniques comme l’efficience» (Vélez-Henao, Vivanco et Hernández-Riveros, 2019, p. 1373; Dietz et Rosa, 1994). Toutefois, dans les versions étendues du modèle, elle peut inclure, plus largement, les facteurs culturels, institutionnels et politiques. ⮭
Dans les tests de robustesse, nous avons aussi estimé des spécifications incluant des retards supplémentaires (deuxième et troisième) de la variable dépendante. Comme les coefficients obtenus pour ces deux versions retardées ne sont pas statistiquement significatifs, nous n’avons fourni que les résultats obtenus avec la première version. ⮭
Dans d’autres tests de robustesse (dont les résultats ne sont pas présentés), nous avons estimé des modèles avec erreurs types corrigées par panel (panel-corrected standard errors – PCSE) (régression de Prais-Winsten, avec corrélations autorégressives d’ordre 1). Les résultats obtenus sont dans une large mesure similaires. ⮭
Calculé au moyen d’informations sur le PIB, la population, la part de l’emploi et le nombre d’heures travaillées. ⮭
Comme les données relatives à ces deux dernières variables de contrôle supplémentaires se rapportent à une période plus récente, la taille des échantillons est beaucoup plus petite que dans le modèle de référence, ce qui a sensiblement réduit les degrés de liberté et nous a empêchée d’employer la méthode DCCE. C’est pourquoi nous ne rapportons que les estimations obtenues avec la méthode 2DFE en ce qui concerne les résultats du modèle augmenté. ⮭
La discontinuité observée dans les données relatives à l’empreinte carbone et à l’empreinte écologique est due à l’augmentation du nombre de pays contenus dans l’échantillon après la chute de l’Union soviétique. L’ajout de pays qui faisaient partie de l’Union soviétique a entraîné une diminution de l’empreinte moyenne, d’où la discontinuité observée à partir des années 1990. Toutefois, ces ruptures n’auront pas d’incidence sur les modèles étendus, les données relatives à certaines des variables de contrôle n’étant disponibles qu’à compter du début de la décennie 1990. ⮭
Dans les spécifications supplémentaires (dont les résultats ne sont pas rapportés) formulées légèrement différemment du modèle STIRPAT de référence, nous estimons également l’effet de composition du temps de travail sur les variables environnementales, hors impact du temps de travail sur le revenu (mesuré par le PIB par habitant), suivant Knight, Rosa et Schor (2013) et Fitzgerald, Givens et Briscoe (2024). Dans ces spécifications, nous remplaçons la production horaire et la part de l’emploi par le PIB par habitant, et nous cherchons à savoir si un revenu plus élevé va de pair avec une augmentation de la consommation, susceptible d’entraîner plus de nuisances environnementales. Le coefficient des heures travaillées sur les quatre variables de résultat, calculé avec la méthode 2DFE, est statistiquement significatif et positif, ce qui laisse penser que, même lorsque l’on garde le PIB par habitant constant, un temps de travail plus long s’accompagne d’une hausse des nuisances à l’environnement en raison d’une plus forte intensité en ressources de la consommation. ⮭
Pour valider l’existence de cet effet inverse, nous avons réalisé des tests supplémentaires de l’asymétrie directionnelle, qui ont confirmé la validité des interprétations symétriques des estimations. ⮭

Références

AIE (Agence internationale de l’énergie). 2021. «Global Energy Review: CO₂ Emissions in 2020», 2 mars 2021. https://www.iea.org/articles/global-energy-review-co2-emissions-in-2020.

Akgüç, Mehtap, Béla Galgóczi et Pamela Meil. 2023. «Remote Work and the Green Transition», dans The Future of Remote Work, publ. sous la dir. de Nicola Countouris, Valerio De Stefano, Agnieszka Piasna et Silvia Rainone, 45-60. Bruxelles: Institut syndical européen.

Alesina, Alberto, Edward Glaeser et Bruce Sacerdote. 2005. «Work and Leisure in the U.S and Europe: Why So Different?», NBER Working Paper No. 11278. Cambridge (États-Unis): National Bureau of Economic Research.

Antal, Miklós, Barbara Plank, Judit Mokos et Dominik Wiedenhofer. 2021. «Is Working Less Really Good for the Environment? A Systematic Review of the Empirical Evidence for Resource Use, Greenhouse Gas Emissions and the Ecological Footprint», Environmental Research Letters, 16 (1): article n^o 013002. http://doi.org/10.1088/1748-9326/abceec.

Batut, Cyprien, Andrea Garnero et Alessandro Tondini. 2023. «The Employment Effects of Working Time Reductions: Sector-Level Evidence from European Reforms», Industrial Relations: A Journal of Economy and Society, 62 (3): 217-232. http://doi.org/10.1111/irel.12323.

Beckfield, Jason W., D. A. Evrard, Robert J. Sampson et Mary C. Waters. 2020. «Social Impacts of Energy Transition», MIT CEEPR Working Paper Series. Cambridge (États-Unis): MIT Center for Energy and Environmental Policy Research.

Black, Dan, Terra McKinnish et Seth Sanders. 2005. «The Economic Impact of the Coal Boom and Bust», Economic Journal, 115 (503): 449-476. http://doi.org/10.1111/j.1468-0297.2005.00996.x.

Bohnenberger, Katharina. 2022. «Greening Work: Labor Market Policies for the Environment», Empirica, 49 (2): 347-368. http://doi.org/10.1007/s10663-021-09530-9.

Cerqueira, Eugênia Dória Viana, Benjamin Motte-Baumvol, Leslie Belton Chevallier et Olivier Bonin. 2020. «Does Working from Home Reduce CO₂ Emissions? An Analysis of Travel Patterns as Dictated by Workplaces», Transportation Research Part D: Transport and Environment, 83 (juin): article n^o 102338. http://doi.org/10.1016/j.trd.2020.102338.

Chudik, Alexander, et M. Hashem Pesaran. 2015. «Common Correlated Effects Estimation of Heterogeneous Dynamic Panel Data Models with Weakly Exogenous Regressors», Journal of Econometrics, 188 (2): 393-420. http://doi.org/10.1016/j.jeconom.2015.03.007.

De Spiegelaere, Stan, et Agnieszka Piasna. 2020. Le pourquoi et le comment de la réduction du temps de travail. Bruxelles: Institut syndical européen.

Dietz, Thomas, et Eugene A. Rosa. 1994. «Rethinking the Environmental Impacts of Population, Affluence and Technology», Human Ecology Review, 1 (2): 277-300.

Draghi, Mario. 2025. L’avenir de la compétitivité européenne. Partie A: une stratégie de compétitivité pour l’Europe. Luxembourg: Office des publications de l’Union européenne.

Ehrlich, Paul R., et John P. Holdren. 1971. «Impact of Population Growth», Science, 171 (3977): 1212-1217. http://doi.org/10.1126/science.171.3977.1212.

ETUI (Institut syndical européen) et CES (Confédération européenne des syndicats). 2021. Benchmarking Working Europe. 2021: Unequal Europe. Bruxelles: ETUI.

Eurofound. 2022. «Is Telework Really “Greener”? An Overview and Assessment of its Climate Impacts», Working Paper WPEF22031. Dublin.

Eurostat. 2021. a, 7 mai 2021. https://ec.europa.eu/eurostat/web/products-eurostat-news/-/ddn-20210507-1.

Eurostat. 2025. «Productivity Trends Using Key National Accounts Indicators», 27 mars 2025. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Productivity_trends_using_key_national_accounts_indicators#Context.

Fan, Ying, Lan-Cui Liu, Gang Wu et Yi-Ming Wei. 2006. a, Environmental Impact Assessment Review, 26 (4): 377-395. http://doi.org/10.1016/j.eiar.2005.11.007.

Fitzgerald, Jared Berry. 2022. «Working Time, Inequality and Carbon Emissions in the United States: A Multi-Dividend Approach to Climate Change Mitigation», Energy Research & Social Science, 84 (février): article n^o 102385. http://doi.org/10.1016/j.erss.2021.102385.

Fitzgerald, Jared Berry, Jennifer E. Givens et Michael D. Briscoe. 2024. «Working Time and the Environmental Intensity of Well-Being: A Cross-National Analysis of High-Income OECD Countries, 1970–2019», Sociology of Development, 10 (3): 282-309. http://doi.org/10.1525/sod.2023.0048.

Fitzgerald, Jared Berry, Andrew K. Jorgenson et Brett Clark. 2015. «Energy Consumption and Working Hours: A Longitudinal Study of Developed and Developing Nations, 1990–2008», Environmental Sociology, 1 (3): 213-223. http://doi.org/10.1080/23251042.2015.1046584.

Fitzgerald, Jared Berry, Juliet B. Schor et Andrew K. Jorgenson. 2018. «Working Hours and Carbon Dioxide Emissions in the United States, 2007–2013», Social Forces, 96 (4): 1851-1874. http://doi.org/10.1093/sf/soy014.

Fremstad, Anders, Mark Paul et Anthony Underwood. 2019. «Work Hours and CO2 Emissions: Evidence from U.S. Households», Review of Political Economy, 31 (1): 42-59. http://doi.org/10.1080/09538259.2019.1592950.

Garnero, Andrea, Alessandro Tondini et Cyprien Batut. 2022. «The Employment Effects of Working Time Reductions in Europe», Vox EU/CEPR, 19 décembre 2022. https://cepr.org/voxeu/columns/employment-effects-working-time-reductions-europe.

Grossman, Gene M., et Alan B. Krueger. 1995. «Economic Growth and the Environment», The Quarterly Journal of Economics, 110 (2): 353-377. http://doi.org/10.2307/2118443.

Hanbury, Hugo, Christoph Bader et Stephanie Moser. 2019. «Reducing Working Hours as a Means to Foster Low(er)-Carbon Lifestyles? An Exploratory Study on Swiss Employees», Sustainability, 11 (7): 2024. http://doi.org/10.3390/su11072024.

Hanbury, Hugo, Patrick Illien, Eva Ming, Stephanie Moser, Christoph Bader et Sebastian Neubert. 2023. «Working Less for More? A Systematic Review of the Social, Economic, and Ecological Effects of Working Time Reduction Policies in the Global North», Sustainability: Science, Practice and Policy, 19 (1): article n^o 2222595. http://doi.org/10.1080/15487733.2023.2222595.

Hanson, Gordon H. 2023. «Local Labor Market Impacts of the Energy Transition: Prospects and Policies», NBER Working Paper No. 30871. Cambridge (États-Unis): National Bureau of Economic Research.

Hayden, Anders, et John M. Shandra. 2009. «Hours of Work and the Ecological Footprint of Nations: An Exploratory Analysis», Local Environment, 14 (6): 575-600. http://doi.org/10.1080/13549830902904185.

Jorgenson, Andrew K., et Brett Clark. 2012. «Are the Economy and the Environment Decoupling? A Comparative International Study, 1960–2005», American Journal of Sociology, 118 (1): 1-44. http://doi.org/10.1086/665990.

Jorgenson, Andrew K., Jared B. Fitzgerald, Ryan P. Thombs, Terrence D. Hill, Jennifer E. Givens, Brett Clark, Juliet B. Schor et al. 2020. «The Multiplicative Impacts of Working Hours and Fine Particulate Matter Concentration on Life Expectancy: A Longitudinal Analysis of US States», Environmental Research, 191 (décembre): article n^o 110117. http://doi.org/10.1016/j.envres.2020.110117.

King, Gary, et Margaret E. Roberts. 2015. «How Robust Standard Errors Expose Methodological Problems They Do Not Fix, and What to Do About It», Political Analysis, 23 (2): 159-179. http://doi.org/10.1093/pan/mpu015.

Knight, Kyle W., Eugene A. Rosa et Juliet B. Schor. 2013. «Could Working Less Reduce Pressures on the Environment? A Cross-National Panel Analysis of OECD Countries, 1970–2007», Global Environmental Change, 23 (4): 691-700. http://doi.org/10.1016/j.gloenvcha.2013.02.017.

Kreinin, Halliki, et Ernest Aigner. 2022. «From “Decent Work and Economic Growth” to “Sustainable Work and Economic Degrowth”: A New Framework for SDG 8», Empirica, 49 (2): 281-311. http://doi.org/10.1007/s10663-021-09526-5.

Lepinteur, Anthony. 2019. «The Shorter Workweek and Worker Wellbeing: Evidence from Portugal and France», Labour Economics, 58 (juin): 204-220. http://doi.org/10.1016/j.labeco.2018.05.010.

Mallinson, Daniel J., et Kent Jason G. Cheng 2022. «The Relationship Between State-Level Carbon Emissions and Average Working Hours in the United States: A Replication Study», Environmental Sociology, 8 (1): 88-93. http://doi.org/10.1080/23251042.2021.1975350.

Nässén, Jonas, et Jörgen Larsson. 2015. «Would Shorter Working Time Reduce Greenhouse Gas Emissions? An Analysis of Time Use and Consumption in Swedish Households», Environment and Planning C: Government and Policy, 33 (4): 726-745. http://doi.org/10.1068/c12239.

Neubert, Sebastian, Christoph Bader, Hugo Hanbury et Stephanie Moser. 2022. «Free Days for Future? Longitudinal Effects of Working Time Reductions on Individual Well-Being and Environmental Behaviour», Journal of Environmental Psychology, 82 (août): article n^o 101849. http://doi.org/10.1016/j.jenvp.2022.101849.

OCDE (Organisation de coopération et de développement économiques). 2024. Perspectives de l’emploi de l’OCDE 2024: transition vers la neutralité carbone et marché du travail. Paris: Éditions OCDE.

OIT. 2019. Travailler sur une planète plus chaude: l’impact du stress thermique sur la productivité du travail et le travail décent. Genève: BIT.

Ostrom, Elinor. 2009. «A General Framework for Analyzing Sustainability of Social-Ecological Systems», Science, 325 (5939): 419-422. http://doi.org/10.1126/science.1172133.

Persson, Ola, Jörgen Larsson et Jonas Nässén. 2022. «Working Less by Choice: What are the Benefits and Hardships?», Sustainability: Science, Practice and Policy, 18 (1): 81-96. http://doi.org/10.1080/15487733.2021.2023292.

Pesaran, M. Hashem. 2006. «Estimation and Inference in Large Heterogeneous Panels with a Multifactor Error Structure», Econometrica, 74 (4): 967-1012. http://doi.org/10.1111/j.1468-0262.2006.00692.x.

Pickup, Mark. 2015. Introduction to Time Series Analysis. Thousand Oaks: SAGE Publications.

Raposo, Pedro S., et Jan C. van Ours. 2010. «How Working Time Reduction Affects Jobs and Wages», Economics Letters, 106 (1): 61-63. http://doi.org/10.1016/j.econlet.2009.10.001.

Rosnick, David, et Mark Weisbrot. 2007. «Are Shorter Work Hours Good for the Environment? A Comparison of U.S. and European Energy Consumption», International Journal of Health Services, 37 (3): 405-417. http://doi.org/10.2190/D842-1505-1K86-9882.

Schor, Juliet B. 2005. «Sustainable Consumption and Worktime Reduction», Journal of Industrial Ecology, 9 (1-2): 37-50. http://doi.org/10.1162/1088198054084581.

Schor, Juliet B. 2010. Plenitude: The New Economics of True Wealth. New York: Penguin Press. [Traduit en français sous le titre La véritable richesse: une économie du temps retrouvé. Paris, Charles Léopold Mayer, 2013.]

Shao, Qinglong. 2015. «Effect of Working Time on Environmental Pressures: Empirical Evidence From EU–15, 1970–2010», Chinese Journal of Population Resources and Environment, 13 (3): 231-239. http://doi.org/10.1080/10042857.2015.1033803.

Shao, Qinglong, et Shiran Shen. 2017. «When Reduced Working Time Harms the Environment: A Panel Threshold Analysis for EU–15, 1970–2010», Journal of Cleaner Production, 147 (mars): 319-329. http://doi.org/10.1016/j.jclepro.2017.01.115.

Thombs, Ryan P. 2021. «In-and-Beyond State Power: How Political Equality Moderates the Economic Growth–CO₂ Emissions Relationship, 1990–2014», The Sociological Quarterly, 62 (3): 528-547. http://doi.org/10.1080/00380253.2020.1776174.

Thombs, Ryan P. 2022. «A Guide to Analyzing Large N, Large T Panel Data», Socius: Sociological Research for a Dynamic World, 8. http://doi.org/10.1177/23780231221117645.

Thombs, Ryan P., Xiaorui Huang et Jared Berry Fitzgerald. 2022. «What Goes Up Might Not Come Down: Modeling Directional Asymmetry with Large–N, Large–T Data», Sociological Methodology, 52 (1): 1-29. http://doi.org/10.1177/00811750211046307.

Urban, Patricia, Francesca Chapman et Vasileios Rizos. 2024. «Creating Sustainable Labour Markets through Eco-Social Policies», CEPS In-Depth Analysis No. 2024–12. Bruxelles: Centre for European Policy Studies.

van Ark, Bart. 2002. «Understanding Productivity and Income Differentials Among OECD Countries: A Survey», dans The Review of Economic Performance and Social Progress, 2002: Towards a Social Understanding of Productivity, publ. sous la dir. d’Andrew Sharpe, France St-Hilaire et Keith Banting, 69-92. Montréal: Institute for Research on Public Policy.

Vélez-Henao, Johan-Andrés, David Font Vivanco et Jesús-Antonio Hernández-Riveros. 2019. «Technological Change and the Rebound Effect in the STIRPAT Model: A Critical View», Energy Policy, 129 (juin): 1372-1381. http://doi.org/10.1016/j.enpol.2019.03.044.

Victor, Peter A. 2008. Managing without Growth: Slower by Design, Not Disaster. Cheltenham: Edward Elgar.