Navigation – Plan du site
2019
136

Mauvais appariement spatial, niveau de scolarité et connaissances linguistiques dans la métropole bruxelloise : une analyse

Ruimtelijke mismatch, scholing en talenkennis in de Brusselse metropool: een analyse
Spatial mismatch, education and language skills in the Brussels metropolis: an analysis
Tobias Theys, Nick Deschacht, Stef Adriaenssens et Dieter Verhaest
Traduction de Céline Ponsard
Cet article est une traduction de :
Ruimtelijke mismatch, scholing en talenkennis in de Brusselse metropool: een analyse [nl]
Autre(s) traduction(s) de cet article :
Spatial mismatch, education and language skills in the Brussels metropolis: an analysis [en]

Résumés

Le mauvais appariement spatial – les demandeurs d’emploi ne résident pas là où se trouvent les emplois – peut constituer une entrave importante sur le marché du travail, surtout pour les groupes vulnérables. Dans cette étude, nous examinons le rôle de cette inadéquation spatiale dans la métropole bruxelloise. À l’aide d’un indice de pondération amélioré, le distance-weighted spatial mismatch index, qui intègre l’inadéquation induite par la localisation, nous comparons le mauvais appariement spatial entre le marché de l’emploi hautement et faiblement qualifié et le marché de l’emploi faiblement qualifié avec et sans connaissances linguistiques. Au sens le plus large de la métropole bruxelloise, les résultats montrent un mauvais appariement spatial jusqu’à 50 % plus élevé pour les demandeurs d’emploi faiblement qualifiés par rapport aux hautement qualifiés. Pour les faiblement qualifiés sans connaissances linguistiques, il apparaît jusqu’à 115 % plus élevé par rapport aux faiblement qualifiés avec connaissances linguistiques. Cette différence découle principalement d’un excédent relatif de demandeurs d’emploi faiblement qualifiés (sans connaissances linguistiques) en Région de Bruxelles-Capitale et d’un déficit relatif dans les communes de la première ceinture autour de la Région.

Haut de page

Notes de l’auteur

Projet subsidié par la Région de Bruxelles-Capitale – Innoviris.

Texte intégral

Introduction

1L’agglomération bruxelloise se caractérise par un taux de chômage très élevé, et ce depuis longtemps. Cette zone qui, selon l’interprétation administrative, coïncide avec les frontières de la Région de Bruxelles-Capitale (RBC), affichait en 2014 un taux de chômage de 18,5 %. Ce pourcentage est sensiblement plus élevé que dans les deux autres Régions belges : il était alors de 12 % en Région wallonne et de 5,1 % en Région flamande [Statbel, 2018]. Sur le marché de l’emploi peu qualifié, la situation est encore plus alarmante : en 2014, le taux de chômage parmi les personnes faiblement qualifiées s’élevait à 30,9 % en RBC, contre 9,2 % en Région flamande et 21,6 % en Région wallonne. La métropole bruxelloise ne fait pas exception en matière de chômage élevé : dans le monde entier, les aires métropolitaines luttent depuis des décennies contre ce problème [Elhorst, 2003].

2En 1968, John Kain [1968] a introduit le concept de « spatial mismatch » ou « mauvais appariement spatial », afin d’expliquer le rôle de la localisation dans le chômage élevé qui frappait la population noire des centres urbains. Après le déménagement d’une part considérable de la population blanche des centres-villes vers les quartiers périphériques, de nombreuses entreprises ont opéré le même mouvement, qualifié de « suburbanisation » des emplois. La population noire, restée dans les centres urbains en raison de la ségrégation sur le marché du logement, a ainsi perdu l’accès direct à une partie considérable du marché de l’emploi. L’hypothèse du mauvais appariement spatial qui en découla soutient qu’une cause importante du chômage, principalement parmi les groupes démographiques défavorisés, réside dans la distance géographique entre le lieu de résidence des demandeurs d’emploi et les quartiers où se trouvent les offres d’emploi. Cette hypothèse est étroitement liée à la théorie des « neighbourhood effects », effets induits par le quartier où vit un individu [Durlauf, 2004]. Ces effets peuvent avoir une influence négative sur les opportunités d’emploi des habitants de quartiers défavorisés et se manifester de diverses manières, dont des réseaux sociaux moins utiles, un enseignement moins qualitatif, la stigmatisation sociale ou la pression négative du groupe.

3Depuis Kain [1968], l’hypothèse du mauvais appariement spatial a été éprouvée dans de multiples contextes (voir notamment Gobillon, Selod et Zenou [2007] et Ihlanfeldt et Sjoquist [1998] pour une revue étendue de la littérature). Dujardin, Selod et Thomas [2008] ont étudié précédemment l’impact des effets de quartier et du mauvais appariement spatial dans la région bruxelloise et ont conclu, sur la base des données de recensement de 1991, que les effets de quartier jouaient un rôle important dans l’explication des opportunités d’emploi.

4Cet article analyse le degré de mauvais appariement spatial pour les demandeurs d’emploi au sein de la métropole bruxelloise, en s’attachant particulièrement aux faiblement qualifiés et à leurs connaissances linguistiques. À l’aide d’un indice d’inadéquation, nous mesurons l’accès de ces demandeurs d’emploi à des offres d’emploi adaptées dans la Région de Bruxelles-Capitale et sa zone avoisinante.

1. Problème de recherche

5La métropole bruxelloise se distingue par sa diversité linguistique, tandis que la langue véhiculaire dans la majeure partie de la Flandre est le néerlandais et en Wallonie le français. En Région de Bruxelles-Capitale (RBC), région officiellement bilingue, la lingua franca est le français. Pour les demandeurs d’emploi de l’agglomération bruxelloise, cette spécificité représente un obstacle supplémentaire : un nombre considérable d’offres d’emploi dans la région exige en effet la connaissance des deux langues.

6En 2014, année faisant l’objet de l’analyse de mauvais appariement spatial abordée dans cet article, la RBC comptait 1 163 486 d’habitants [Hermia, 2014], soit 10,5 % de la population belge. Sur l’ensemble des 19 communes, le taux de chômage moyen était de 19 %. Bien que les limites de la métropole bruxelloise coïncident administrativement avec celles de la RBC, sa sphère d’influence urbaine dépasse ces frontières. Afin d’analyser le degré de mauvais appariement spatial, il est dès lors recommandé d’appliquer une délimitation de la métropole plus proche des interdépendances économiques et sociales existantes. Ce point de départ nécessite de prendre également en considération la situation dans l’hinterland. La littérature propose différentes formules pour délimiter cet hinterland [Dujardin, Thomas et Tulkens, 2007 ; Thomas et al., 2012], mais il n’existe pas de consensus à ce jour. Étant donné que cette délimitation joue un rôle important dans la mesure du mauvais appariement spatial, nous choisissons de réaliser notre analyse sur trois niveaux géographiques, avec différentes frontières extérieures.

7En premier lieu, nous limitons la mesure aux 19 communes de la RBC, ce qui correspond également à la zone urbaine fonctionnelle (Functional Urban Area) d’Eurostat [Eurostat, 2017]. Ensuite, nous répétons l’analyse pour l’Extended Urban Area (EUA) [Dujardin, Selod et Thomas, 2008], constituée sur la base de la densité de population et de travailleurs et du comportement de déplacement (navette) vers la RBC. L’EUA élargit la métropole à 41 communes. Ces 22 communes supplémentaires, dont 5 wallonnes et 17 flamandes, comptaient en 2014 un total de 551 740 habitants et affichaient un taux de chômage moyen de 7,7 %. Enfin, nous examinons le bassin d’emploi local (BEL) [Vanderbiesen, Herremans et Sels, 2013], composé sur la base des flux de navettes. Le BEL correspond à la définition la plus large que nous utilisons pour la zone métropolitaine bruxelloise et comprend 88 communes, dont toutes les communes de l’EUA. Les 47 communes supplémentaires, dont 20 en Wallonie et 27 en Flandre, comptaient en 2014 un total de 901 820 habitants et affichaient un taux de chômage moyen de 8,6 %. La méthodologie utilisée par Vanderbiesen, Herremans et Sels (2013) fait en sorte que les bassins d’emploi locaux ne sont pas contigus. C’est le cas pour le bassin d’emploi local englobant la RBC, où quatre communes wallonnes créent une rupture géographique.

8Les chiffres illustrent le canevas typique d’un noyau et de son hinterland : le noyau est dominé par un taux de chômage élevé (moyenne de 19 %), tandis que le chômage dans l’hinterland est significativement plus bas (avoisinant les 8 %, selon la délimitation). La figure 1 montre la localisation et la composition des trois zones (l’appendice 1 dresse la liste des communes par zone).

Figure 1. La métropole bruxelloise : trois délimitations possibles.

Figure 1. La métropole bruxelloise : trois délimitations possibles.

Note : les communes indiquées en gris forment la Région de Bruxelles-Capitale, les communes en gris et vert clair forment l’Extended Urban Area (EUA) [Dujardin, Selod et Thomas, 2008], les communes en gris, vert clair et vert foncé forment le bassin d’emploi local [Vanderbiesen, Herremans et Sels, 2013].

9L’hypothèse centrale de cet article soutient qu’un mauvais appariement spatial joue un rôle important dans le contexte du chômage élevé au sein du noyau de la zone métropolitaine bruxelloise. Lorsque nous ventilons le marché de l’emploi en fonction du niveau de formation, nous supposons un degré plus important de mauvais appariement spatial sur le marché de l’emploi peu qualifié, avec une forte proportion de demandeurs d’emploi dans les communes du cœur de la zone métropolitaine (RBC), où le chômage est élevé, tandis que la suburbanisation des emplois ferait en sorte qu’une grande partie des offres d’emploi adaptées se trouve dans la périphérie. Cette inadéquation oblige les demandeurs d’emploi (peu qualifiés) de la RBC à élargir leur champ de recherche pour augmenter leurs chances sur le marché du travail. Pour étayer cette hypothèse de manière chiffrée, une comparaison est opérée avec le mauvais appariement spatial pour les personnes hautement qualifiées. Pour ce groupe, nous escomptons une répartition plus équilibrée des offres d’emploi et des demandeurs d’emploi sur l’ensemble de la région, entraînant une plus faible inadéquation spatiale. En outre, la distance exerce un impact plus négatif sur les faiblement qualifiés, étant donné que les hautement qualifiés jouissent d’un plus vaste rayon de recherche et sont plus mobiles [Amior, 2017].

2. Méthodologie

10Afin de calculer le degré de mauvais appariement spatial, nous utilisons le distance-weighted spatial mismatch index (DSMI) [Theys, Deschacht, Adriaenssens et Verhaest, 2018]. Ce DSMI est une extension du spatial mismatch index [Martin, 2001]. Alors que l’indice original ne distingue pas la distance domicile-travail, le DSMI tient également compte de la distance entre ces deux lieux. Il est calculé en trois étapes.

11Lors de la première étape, on calcule la différence entre la part de demandeurs d’emploi et la part d’offres d’emploi dans chaque commune de la région :

12dei et oei représentant le nombre de demandeurs d’emploi et le nombre d’offres d’emploi dans la commune i et de et oe représentant le nombre de demandeurs d’emploi et le nombre d’offres d’emploi dans l’ensemble de la région. Les communes avec un si positif (négatif) présentent un excédent (déficit) relatif de demandeurs d’emploi par rapport au nombre d’offres d’emploi. Pour éliminer ce mauvais appariement, deux possibilités existent. D’une part, les demandeurs d’emploi peuvent déménager ou faire la navette depuis les communes affichant un excédent relatif de demandeurs d’emploi vers les communes souffrant d’un déficit relatif. D’autre part, les entreprises à la recherche de travailleurs peuvent s’installer dans les régions comptant un nombre relativement élevé de demandeurs d’emploi. Afin d’éviter toute confusion, précisons que la suite de l’exposé de la méthodologie et la discussion des résultats se basent sur des travailleurs qui se déplacent (navetteurs).

13Lors de la deuxième étape, les efforts requis pour ces déplacements sont calculés sur la base de la distance à parcourir par les navetteurs. Les déplacements sur une longue distance pèsent ainsi plus lourd que les déplacements sur une courte distance. Cette distance est standardisée en fonction de la taille de la zone analysée. Étant donné que cette standardisation est directement liée à la zone considérée, il n’est pas possible de comparer le degré de mauvais appariement spatial, pour un même groupe, entre différentes zones. Par contre, le rapport entre deux groupes peut être comparé entre les zones. Le trajet total est égal à

14sij représentant les navetteurs d’une commune en excédent i vers une commune en déficit j et dij représentant la distance (standardisée) entre les deux communes. Nous supposons que les navetteurs se déplacent de manière rationnelle et que leur trajet total est limité au strict minimum. Le calcul du DSMI s’entend donc comme un processus de minimisation :

15La valeur du DSMI se situe entre 0 et 1, sachant qu’un DSMI de 0 représente une situation où les offres d’emploi et les demandeurs d’emploi sont répartis de façon parfaitement uniforme sur les communes, tandis qu’un DSMI de 1 représente une situation où les demandeurs d’emploi et les offres d’emploi sont aussi éloignés que possible.

16Le DSMI est essentiellement une combinaison du SMI original et d’un critère de mesure de la distance à parcourir, et peut également être décomposé en ces deux facteurs : DSMI = SMI x D, le SMI étant la part de navetteurs parmi la population et D la distance moyenne (standardisée) que doivent parcourir ces navetteurs.

3. Données

17Cette contribution utilise des données relatives aux offres d’emploi et aux demandeurs d’emploi. Comme, en Belgique, la responsabilité de l’emploi est une matière régionale, il existe des services distincts par région, à savoir Actiris, le VDAB et le Forem pour, respectivement, la Région de Bruxelles-Capitale, la Région flamande et la Région wallonne. Ces services disposent également de bases de données distinctes, ce qui implique quelques limitations pour les données. Les calculs du degré de mauvais appariement spatial sont effectués sur la base des demandeurs d’emploi inscrits début 2014 auprès des trois services et sur la base des offres d’emploi transmises directement à ces services par les employeurs tout au long de l’année 2014. Sachant que les demandeurs d’emploi sont tenus de s’inscrire auprès du service de l’emploi compétent pour prétendre à une allocation de chômage, nous pouvons supposer que ces données sont relativement complètes. Les employeurs, par contre, ne sont pas tenus de transmettre leurs offres d’emploi à l’office régional de l’emploi, ce qui peut entraîner une sous-estimation du nombre réel de ces offres. Toutefois, dès lors que cette sous-estimation n’est pas propre à une région, elle ne constitue pas un problème étant donné que les calculs sont réalisés sur la base de chiffres relatifs. En outre, dans ces analyses, seules sont reprises les offres d’emploi dont la localisation est définie au niveau communal. Ceci peut engendrer une sous-estimation du nombre réel d’offres d’emploi pour les données flamandes et, dans une moindre mesure, pour les données wallonnes, puisqu’une série d’offres d’emploi ne spécifie qu’une localisation régionale. Par ailleurs, en raison d’indications limitées concernant les exigences linguistiques requises pour les offres d’emploi, nous nous limitons dans cette étude à une distinction entre le marché du travail pour les bilingues ou trilingues (marché de l’emploi avec connaissances linguistiques) et celui pour les demandeurs d’emploi maîtrisant maximum une langue officielle (le néerlandais ou le français) (marché de l’emploi sans connaissances linguistiques).

18En ce qui concerne les demandeurs d’emploi, les données du VDAB et du Forem représentent une moyenne du nombre de demandeurs d’emploi inscrits au cours du premier trimestre 2014. Pour les données d’Actiris, il s’agit, en raison d’un échantillon limité, des chiffres disponibles début 2014. Tandis que les variables du VDAB relatives aux connaissances linguistiques sont binaires, Actiris et le Forem utilisent, pour leur part, les échelles de Likert. Pour ces données, il est supposé qu’un demandeur d’emploi maîtrise suffisamment une langue pour entrer en ligne de compte pour une offre d’emploi exigeant au minimum une connaissance « moyenne ». De plus, les données relatives à la langue sont essentiellement autorapportées (seule une petite minorité dispose des attestations officielles), ce qui peut entraîner une surestimation des connaissances réelles.

19La définition de l’Observatoire bruxellois de l’Emploi [2011] relative au niveau de scolarité est suivie : les personnes faiblement qualifiées sont celles qui ne possèdent pas de diplôme de l’enseignement secondaire ou qui n’ont pas terminé de contrat d’apprentissage. Par personnes hautement qualifiées, il faut entendre celles qui possèdent un diplôme de l’enseignement supérieur. Les demandeurs d’emploi dont le diplôme n’est pas (encore) reconnu sont réputés faiblement qualifiés.

20Le critère de pondération des déplacements est double : comme mesure de base, nous calculons la distance euclidienne entre les points centraux des communes. Pour la deuxième approche, nous utilisons le temps de parcours en transport en commun entre les hôtels de ville de chaque commune. En choisissant les hôtels de ville comme point de départ, nous évitons les points de départ éloignés de toute forme de transport en commun, comme ce pourrait être le cas en partant de points géographiques centraux. Le choix des transports en commun est délibéré : en effet, une part considérable des demandeurs d’emploi (faiblement qualifiés) ne dispose pas d’une voiture. De plus, l’heure de pointe du matin autour de Bruxelles rend le transport automobile moins attractif pour un gain de temps potentiel. Nous choisissons également, pour chaque combinaison de communes, le temps de parcours le plus court, avec un temps d’arrivée au plus tard à neuf heures. Les temps de parcours entre les communes sont calculés à l’aide de la Google Maps Distance Matrix API. Vingt connexions sont impossibles ; 19 d’entre elles ont Silly pour destination finale, l’autre concerne la liaison entre Villers-la-Ville et Binche. Ces liaisons se voient donc attribuer dans la matrice une valeur artificiellement élevée, de façon à ce qu’elles ne puissent pas ressortir dans une solution optimale.

4. Résultats et discussion

21Les indices de mauvais appariement spatial indiquent dans quelle mesure les offres d’emploi et les demandeurs d’emploi sont répartis différemment entre les communes de la région. Ils ne disent cependant rien sur la pénurie de main-d’œuvre pour la région dans son ensemble. Avant d’examiner les résultats de ces indices, nous parcourons la pénurie de main-d’œuvre dans les trois zones.

4.1. Concurrence sur le marché du travail

22Le tableau 1 présente les offres d’emploi et les demandeurs d’emploi en Région de Bruxelles-Capitale (RBC), dans les 22 communes ajoutées à l’Extended Urban Area (EUA) (ceinture EUA) et dans les 47 communes composant le bassin d’emploi local (BEL) mais pas l’EUA (ceinture BEL). Les chiffres rapportés pour les trois zones sont exprimés en pourcentages du nombre total d’offres d’emploi et de demandeurs d’emploi dans l’ensemble de la région. Les figures 2-5 indiquent la répartition, corrigée selon la taille des communes, des offres d’emploi et des demandeurs d’emploi faiblement et hautement qualifiés dans l’ensemble de cette région.

Figure 2. Répartition des offres d’emploi pour personnes faiblement qualifiées dans les communes du bassin d’emploi local

Figure 2. Répartition des offres d’emploi pour personnes faiblement qualifiées dans les communes du bassin d’emploi local

Figure 3. Répartition des demandeurs d’emploi faiblement qualifiés dans les communes du bassin d’emploi local

Figure 3. Répartition des demandeurs d’emploi faiblement qualifiés dans les communes du bassin d’emploi local

Figure 4. Répartition des offres d’emploi pour personnes hautement qualifiées dans les communes du bassin d’emploi local

Figure 4. Répartition des offres d’emploi pour personnes hautement qualifiées dans les communes du bassin d’emploi local

Figure 5. Répartition des demandeurs d’emploi hautement qualifiés dans les communes du bassin d’emploi local

Figure 5. Répartition des demandeurs d’emploi hautement qualifiés dans les communes du bassin d’emploi local

23Dans l’ensemble de la région prise en considération (égale au BEL), on dénombre 4,1 demandeurs d’emploi par offre d’emploi. Ces chiffres masquent cependant d’importantes différences entre les marchés du travail : sur le marché de l’emploi hautement qualifié, on compte 1,6 demandeur d’emploi par offre d’emploi, contre 5,8 sur le marché de l’emploi faiblement qualifié.

24Tant les offres d’emploi que les demandeurs d’emploi sont le plus fortement concentrés en RBC. Sur le marché de l’emploi hautement qualifié, 60,8 % des demandeurs d’emploi et 51,3 % des offres d’emploi se trouvent en RBC, ce qui représente 1,8 demandeur d’emploi par offre d’emploi, tandis qu’une différence notable est observée sur le marché de l’emploi faiblement qualifié (74,4 % et 42,1 %), soit 10,3 demandeurs d’emploi par offre d’emploi.

25En dehors de la RBC, les offres d’emploi sont réparties de manière relativement proportionnelle entre la ceinture EUA, les 22 communes de l’EUA situées autour de la RBC, et la ceinture BEL, les 47 communes du BEL situées en dehors de l’EUA. La ceinture BEL compte cependant une proportion sensiblement plus élevée de demandeurs d’emploi, notamment sur le marché de l’emploi peu qualifié. Il en résulte, sur le marché de l’emploi hautement qualifié, une pénurie de main-d’œuvre comparable dans les ceintures EUA et BEL (respectivement 1,1 et 1,4 demandeur d’emploi par offre d’emploi), tandis que le marché de l’emploi faiblement qualifié présente une plus grande différence (respectivement 1,3 et 3,7 demandeurs d’emploi par offre d’emploi).

26Il ressort de ces chiffres que la pénurie de main-d’œuvre sur le marché du travail est étroitement liée au choix que nous posons concernant la taille de la zone métropolitaine. Lorsque nous y englobons la ceinture EUA, où vit un nombre limité de demandeurs d’emploi mais où se trouvent de nombreuses offres, la situation moyenne s’améliore considérablement pour les demandeurs d’emploi. Quant à la ceinture BEL, son inclusion représente surtout une progression pour les demandeurs d’emploi faiblement qualifiés. Tout ceci suggère bien que les emplois faiblement qualifiés sont relativement éloignés, renforçant donc le mauvais appariement spatial.

27Si nous observons le marché de l’emploi faiblement qualifié et opérons une distinction entre la situation des demandeurs d’emploi avec connaissances linguistiques et sans connaissances linguistiques, nous constatons que les personnes faiblement qualifiées avec connaissances linguistiques sont nettement mieux loties. Au sein du BEL, on dénombre 3,2 demandeurs d’emploi par offre d’emploi contre 5,9 pour les faiblement qualifiés sans connaissances linguistiques. Les personnes faiblement qualifiées avec connaissances linguistiques sont particulièrement avantagées en RBC : on y dénombre, par offre d’emploi, 4,6 demandeurs d’emploi contre 11,3 demandeurs d’emploi sans exigences linguistiques.

Tableau 1. Part de demandeurs d’emploi et d’offres d’emploi en RBC et dans les deux élargissements de la métropole.

Tableau 1. Part de demandeurs d’emploi et d’offres d’emploi en RBC et dans les deux élargissements de la métropole.

RBC = Région de Bruxelles-Capitale. Ceinture EUA = les 22 communes de l’Extended Urban Area qui ne font pas partie de la Région de Bruxelles-Capitale. Ceinture BEL = les 47 communes du bassin d’emploi local qui ne font pas partie de l’Extended Urban Area. Rapport = nombre de demandeurs d’emploi par offre d’emploi.

Source : Actiris, VDAB, Forem

4.2 Mauvais appariement spatial sur le marché de l’emploi

28Les tableaux 2 à 4 montrent les résultats des indices de mauvais appariement spatial pour les différentes définitions de la zone métropolitaine, tandis que les figures 6 et 7 représentent les déficits et excédents relatifs sur le marché de l’emploi faiblement et hautement qualifié dans le bassin d’emploi local (BEL).

Figure 6. Excédents et déficits relatifs de demandeurs d’emploi sur le marché de l’emploi faiblement qualifié

Figure 6. Excédents et déficits relatifs de demandeurs d’emploi sur le marché de l’emploi faiblement qualifié

Figure 7. Excédents et déficits relatifs de demandeurs d’emploi sur le marché de l’emploi hautement qualifié

Figure 7. Excédents et déficits relatifs de demandeurs d’emploi sur le marché de l’emploi hautement qualifié

29Avant de parcourir les résultats, il est important de répéter que les indices peuvent uniquement être comparés entre les marchés de l’emploi au sein d’une même zone et pas entre différentes zones, étant donné que le calcul est directement lié à la zone analysée. Les rapports entre les différents groupes, par exemple faiblement qualifiés et hautement qualifiés, peuvent par contre être comparés entre les zones.

30Une comparaison superficielle entre les résultats pour l’ensemble du marché du travail et ceux pour les hautement et faiblement qualifiés révèle que le marché de l’emploi pris dans son ensemble masque les tendances à l’œuvre sur les marchés du travail subdivisés. Dans la discussion des résultats, nous nous concentrons dès lors sur les marchés de l’emploi ventilés.

31Le tableau 2 rapporte les résultats des indices pour la Région de Bruxelles-Capitale (RBC). Selon la manière dont le déplacement est mesuré, le degré de mauvais appariement spatial est 8,3 % (distance) à 21,6 % (temps de parcours) plus élevé pour les faiblement qualifiés que pour les hautement qualifiés. Si nous ventilons cet indice sur la base d’une inadéquation pure et simple (les offres d’emploi ne se situent pas dans les communes où résident les demandeurs d’emploi) ou d’une inadéquation induite par la localisation (des communes similaires sont proches les unes des autres), nous voyons que c’est principalement l’inadéquation pure et simple, telle que mesurée par le SMI, qui provoque le mauvais appariement spatial : le SMI est 17 % plus élevé pour les faiblement qualifiés.

32À l’aide des résultats des tableaux 1 et 2, nous pouvons soutenir que les personnes faiblement qualifiées subissent une concurrence sensiblement plus forte au sein de la RBC (10,3 demandeurs d’emploi par offre d’emploi contre 1,8 pour les personnes hautement qualifiées) et que la répartition des offres d’emploi et des demandeurs d’emploi entre les communes est également plus inégale.

Tableau 2. Résultats des distance-weighted spatial mismatch indices pour les marchés de l’emploi en Région de Bruxelles-Capitale.

Région de Bruxelles-Capitale

DSMI (%)

SMI (%)

Distance moyenne à parcourir

Distance

Temps de parcours

Distance (km)

Temps de parcours (minutes)

Marché de l’emploi total

8,4

9,1

25,6

4

23,9

Marché de l’emploi hautement qualifié

9,6

8,8

25,3

4,7

23,7

Marché de l’emploi faiblement qualifié

10,4

10,7

29,6

4,3

24,5

Marché de l’emploi faiblement qualifié avec connaissances linguistiques

11,3

11,6

33,7

4,1

23,3

Marché de l’emploi faiblement qualifié sans connaissances linguistiques

10,4

11,1

28,4

4,5

26,3

DSMI = distance-weighted spatial mismatch index. SMI = spatial mismatch index.

Source : Actiris, VDAB, Forem.

33Lorsque nous ventilons le marché de l’emploi faiblement qualifié sur la base des connaissances linguistiques, nous observons que les personnes faiblement qualifiées avec connaissances linguistiques subissent une plus grande inadéquation. Cette différence découle de l’inadéquation pure et simple, qui est 18,7 % plus élevée pour les faiblement qualifiés avec connaissances linguistiques. Cette inadéquation pure et simple s’explique essentiellement par le déficit relatif considérable de demandeurs d’emploi avec connaissances linguistiques dans la commune de Bruxelles : par rapport à la moyenne de la RBC de 4,6 demandeurs d’emploi par offre d’emploi, on ne dénombre dans cette commune que 2,1 demandeurs d’emploi par offre d’emploi. Ce déficit relatif est responsable de 20,2 points de pourcentage des 33,7 % de pure inadéquation spatiale. Sur le marché de l’emploi faiblement qualifié sans connaissances linguistiques, ce déficit relatif ne représente que 13,0 points de pourcentage des 28,4 % de pure inadéquation spatiale. La distance et le temps de parcours moyens, nécessaires pour éliminer le mauvais appariement spatial, sont cependant moins élevés pour les faiblement qualifiés avec connaissances linguistiques.

34Sur la base des résultats des tableaux 1 et 2, nous pouvons dès lors conclure que la  concurrence pour les demandeurs d’emploi faiblement qualifiés sans connaissances linguistiques est plus forte en RBC, mais que la répartition des offres d’emploi et des demandeurs d’emploi sur les 19 communes de la RBC est plus équilibrée pour eux.

35Le tableau 3 montre les résultats des indices pour les 41 communes qui forment l’Extended Urban Area (EUA). Au sein de cette zone, les faiblement qualifiés subissent un mauvais appariement spatial 31,6 % ou 16,5 % supérieur à celui des hautement qualifiés, selon le critère de mesure de la distance utilisé. À nouveau, l’inadéquation pure et simple est ici la principale cause : pour les faiblement qualifiés, le SMI est 23,8 % plus élevé que pour les hautement qualifiés.

Tableau 3. Résultats des distance-weighted spatial mismatch indices pour les marchés de l’emploi de l’Extended Urban Area

Extended Urban Area

DSMI (%)

SMI (%)

Distance moyenne à parcourir

Distance

Temps de parcours

Distance (km)

Temps de parcours (minutes)

Marché de l’emploi total

7,6

8,6

32,5

7,1

29,9

Marché de l’emploi hautement qualifié

7,9

9,7

32,0

7,5

34,6

Marché de l’emploi faiblement qualifié

10,4

11,3

39,6

7,9

32,4

Marché de l’emploi faiblement qualifié avec connaissances linguistiques

9,3

10,9

39,2

7,2

31,7

Marché de l’emploi faiblement qualifié sans connaissances linguistiques

11,4

11,8

40,3

8,5

33,3

DSMI = distance-weighted spatial mismatch index. SMI = spatial mismatch index.

Source : Actiris, VDAB, Forem.

36À l’aide du tableau 1 et de ces résultats, nous pouvons conclure que le marché de l’emploi faiblement qualifié connaît une forte baisse de la concurrence relative au sein de l’EUA, avec 6,8 demandeurs d’emploi par offre d’emploi contre 10,3 en Région de Bruxelles-Capitale. La baisse pour les hautement qualifiés est moins marquée (de 1,8 à 1,6 demandeur d’emploi par offre d’emploi). La différence de mauvais appariement spatial entre les deux groupes augmente lorsque nous mesurons les déplacements sur la base de la distance, mais diminue quand nous les mesurons sur la base du temps de parcours.

37Sur le marché de l’emploi faiblement qualifié ventilé selon les connaissances linguistiques, nous observons que les personnes peu qualifiées sans connaissances linguistiques ne bénéficient plus d’une plus faible inadéquation. Au contraire : les demandeurs d’emploi sans connaissances linguistiques subissent dans l’EUA une inadéquation supérieure de 22,6 % par rapport aux faiblement qualifiés avec connaissances linguistiques. La différence provient dans ce cas essentiellement de l’inadéquation induite par la localisation : les personnes faiblement qualifiées sans connaissances linguistiques doivent parcourir une plus grande distance et leur temps de parcours est plus long.

38Enfin, le tableau 4 indique les valeurs des indices pour le bassin d’emploi local (BEL). Là aussi, le mauvais appariement spatial est sensiblement plus élevé pour les demandeurs d’emploi faiblement qualifiés : quand nous mesurons les déplacements sur la base de la distance parcourue, l’inadéquation totale est 50,1 % plus élevée, contre 39,2 % sur la base du temps de parcours. Le mauvais appariement spatial est principalement dû à l’inadéquation pure et simple, qui est 34,3 % plus forte pour les faiblement qualifiés. Ces derniers doivent en outre effectuer en moyenne un trajet plus long, tant en temps qu’en distance. Au sein du BEL, la concurrence sur le marché de l’emploi faiblement qualifié est moins forte que dans l’EUA (5,8 demandeurs d’emploi par offre d’emploi contre 6,8 dans l’EUA) ; elle reste comparable pour les hautement qualifiés (1,6 demandeur d’emploi par offre d’emploi). Bien que la différence de concurrence sur les deux marchés du travail ait donc diminué, le mauvais appariement spatial a sensiblement augmenté : la différence entre les deux marchés de l’emploi a augmenté de 19,5 ou 22,7 points de pourcentage, selon le critère de mesure de la distance utilisé.

Tableau 4. Résultats des distance-weighted spatial mismatch indices pour les marchés de l’emploi du bassin d’emploi local

Bassin d'emploi local

DSMI (%)

SMI (%)

Distance moyenne à parcourir

Distance

Temps de parcours

Kilomètres

Minutes

Marché de l’emploi total

6,7

8,1

35,2

15,0

45,9

Marché de l’emploi hautement qualifié

5,5

7,4

32,1

13,4

45,7

Marché de l’emploi faiblement qualifié

8,3

10,3

43,1

15,1

47,7

Marché de l’emploi faiblement qualifié avec connaissances linguistiques

4,6

6,9

38,1

9,5

36,2

Marché de l’emploi faiblement qualifié sans connaissances linguistiques

9,9

11,8

46,5

16,7

50,6

DSMI = distance-weighted spatial mismatch index. SMI = spatial mismatch index.

Source : Actiris, VDAB, Forem.

39Ce résultat n’est pas surprenant, puisqu’une part considérable des offres (30,4 %) sur le marché de l’emploi faiblement qualifié se situe dans la ceinture BEL, tandis qu’y résident moins de 20 % des demandeurs d’emploi : une partie des demandeurs d’emploi de la Région de Bruxelles-Capitale devra donc se déplacer vers la ceinture BEL pour contrer les effets du mauvais appariement spatial.

40Une comparaison entre les situations pour les demandeurs d’emploi faiblement qualifiés avec et sans connaissances linguistiques fait apparaître une différence significative : le mauvais appariement spatial est 115,2 % ou 71 % plus élevé pour les faiblement qualifiés sans connaissances linguistiques. Dans ce cas, l’inadéquation est principalement le fait d’une inadéquation induite par la localisation : les faiblement qualifiés sans connaissances linguistiques doivent parcourir un trajet sensiblement plus long, tant en temps qu’en distance. Ce résultat peut s’expliquer par la concentration des offres d’emploi exigeant des connaissances linguistiques en RBC, avec sa position centrale. En outre, la concurrence est sensiblement plus faible pour les faiblement qualifiés avec connaissances linguistiques : pour ce groupe, on dénombre 3,2 demandeurs d’emploi par offre d’emploi au sein du BEL, contre 5,9 pour les faiblement qualifiés sans connaissances linguistiques.

Conclusion

41Dans cette étude, nous avons analysé le degré de mauvais appariement spatial sur le marché de l’emploi dans la zone métropolitaine bruxelloise, à l’aide du distance-weighted spatial mismatch index (DSMI). Étant donné qu’il n’existe pas de consensus sur la délimitation de cette zone urbaine, les analyses ont été réalisées pour trois alternatives : la Région de Bruxelles-Capitale (RBC), l’Extended Urban Area (EUA) et le bassin d’emploi local (BEL).

42Les résultats montrent que le mauvais appariement spatial, quelle que soit la définition de la zone métropolitaine, est plus élevé pour les faiblement qualifiés. Cette inadéquation découle principalement du fait que les demandeurs d’emploi ne résident pas dans les communes où se trouvent les offres d’emploi. Lorsque nous comparons la situation des faiblement qualifiés avec et sans connaissances linguistiques, le mauvais appariement spatial pour les faiblement qualifiés sans connaissances linguistiques s’avère moins important en RBC, principalement en raison d’un déficit relatif considérable de faiblement qualifiés avec connaissances linguistiques dans la commune de Bruxelles, mais plus élevé lorsque nous englobons la périphérie, vu la grande concentration d’offres d’emploi exigeant des connaissances linguistiques en RBC.

43Sur la base de ces résultats, nous pouvons tout d’abord conclure que les demandeurs d’emploi gagnent à investir dans l’acquisition de connaissances (linguistiques) : non seulement la concurrence sur le marché du travail est moins forte pour les faiblement qualifiés avec connaissances linguistiques, mais la répartition des demandeurs d’emploi et des offres d’emploi est également mieux proportionnée. Il en va de même pour le marché de l’emploi hautement qualifié, comparé au marché de l’emploi faiblement qualifié.

44Une deuxième conclusion qui s’impose est l’importance cruciale de la mobilité : pour éliminer le mauvais appariement spatial, il est inévitable qu’un pourcentage considérable des faiblement qualifiés de la RBC se déplace vers les communes des ceintures entourant la RBC.

  • 1 SMI x nombre total de demandeurs d’emploi
  • 2 Le nombre de demandeurs d’emploi faiblement qualifiés en RBC est 32,3 pour cent plus élevé que le n (...)

45Une connexion fluide entre la RBC et les 22 communes périphériques de l’EUA semble particulièrement importante : sur les 42 5611 demandeurs d’emploi faiblement qualifiés qui doivent se déplacer vers une autre commune afin de contrer les effets du mauvais appariement spatial dans le BEL, 74,9 %2 quittent la RBC pour la périphérie. En principe, deux tiers de ces demandeurs d’emploi peuvent se rendre dans une commune de la ceinture EUA, étant donné que le déficit relatif y est élevé. L’importance de la mobilité ne se limite cependant pas à la RBC et à la ceinture EUA : un tiers des faiblement qualifiés qui quittent la RBC doit se déplacer vers la ceinture BEL (les 47 communes du BEL qui ne se situent pas dans l’EUA). Ne perdons donc pas non plus de vue les 25,1 % restants de ces navetteurs faiblement qualifiés : eux aussi doivent se déplacer pour éliminer totalement le mauvais appariement spatial. Dans un scénario où les personnes qui quittent la RBC vont en grande partie travailler dans la ceinture EUA, une partie de ce groupe résiduel parcourra inévitablement un trajet plus long.

46Bien que le déplacement des demandeurs d’emploi vers des lieux comptant un nombre relativement élevé d’offres soit l’approche la plus évidente pour lutter contre le mauvais appariement spatial, il existe également des alternatives. La dynamique inverse, selon laquelle les entreprises à la recherche de travailleurs s’installent là où se trouvent un grand nombre de travailleurs, peut également constituer une partie de la solution. De même, la progression du télétravail pourrait atténuer l’impact du mauvais appariement spatial.

47Enfin, il est important d’attirer l’attention sur le contexte institutionnel. L’un des mécanismes pouvant expliquer pourquoi une plus grande distance des offres d’emploi a un effet négatif sur les opportunités de travail des demandeurs d’emploi tient à la difficulté croissante d’obtenir des informations sur ces postes éloignés [Gobillon, Selod en Zenou, 2007]. Malgré les efforts considérables déjà consentis pour améliorer la collaboration et la communication réciproques, il est probable que l’existence de trois offices de l’emploi distincts dans la région complique la récolte d’informations pour les demandeurs d’emploi. En RBC, où un grand nombre de demandeurs d’emploi doit se déplacer pour réduire le mauvais appariement spatial, l’office de l’emploi compétent n’est pas celui qui est actif dans les deux ceintures où doivent se rendre ces demandeurs d’emploi. En outre, la langue véhiculaire des offres d’emploi auprès du VDAB est souvent le néerlandais, alors que la majorité des demandeurs d’emploi de la RBC ne parlent pas néerlandais. L’élargissement et l’approfondissement de la collaboration entre les trois offices, pouvant aboutir à une disponibilité automatique des offres d’emploi dans la langue du demandeur d’emploi, peuvent dès lors représenter un quick win pour lutter contre le mauvais appariement spatial.

48Bien que les résultats de cette étude démontrent clairement l’importance du mauvais appariement spatial, les conclusions qui peuvent être tirées sur la base de cette étude ne constituent qu’une première ébauche de mesures susceptibles de réduire l’impact du mauvais appariement spatial. Afin de relever les défis constatés dans cette étude, il est nécessaire de combiner les enseignements de celle-ci avec des recherches placées sous d’autres perspectives, comme l’aménagement du territoire et le transport.

Haut de page

Bibliographie

AMIOR, M., 2019. Education and Geographical Mobility: The Role of Wage Rents. Londres : LSE US Center. Working paper.

DUJARDIN, C., SELOD, H., et THOMAS, I., 2008. Residential Segregation and Unemployment: The Case of Brussels. In : Urban Studies. 01/01/2008. Vol. 45, n° 1, pp. 89-113.

DUJARDIN, C., THOMAS, I., et TULKENS H., 2007. Quelles frontières pour Bruxelles ? Une mise à jour. In : Reflets et Perspectives de la Vie économique. 2007. Vol. 46, n2-3, pp. 155-176.

DURLAUF, Steven N., 2004. Neighborhood effects. In : THISSE, Jean-François et HENDERSON, Vernon (dir.). Handbook of Regional and Urban Economics. Amsterdam : Elsevier Science, pp. 2173-2242.

ELHORST, J. P., 2003. The mystery of regional unemployment differentials: Theoretical and empirical explanations. In : Journal of Economic Surveys. 12/11/2003. Vol. 17, no 5, pp. 709-748.

EUROSTAT, 2017. Methodological manual on city statistics: 2017 edition. Luxembourg : Office des publications de l’Union européenne.

GOBILLON, L., SELOD, H., et ZENOU, Y., 2007. The mechanisms of spatial mismatch. In : Urban Studies. 11/2007. Vol. 44, no 12, pp. 2401-2427.

HERMIA, J.-P., 2014. Baromètre démographique 2013 de la Région de Bruxelles-Capitale. Bruxelles : Institut bruxellois de Statistique et d’Analyse. Focus no 3.

IHLANFELDT, K. R., et SJOQUIST, D. L., 1998. The spatial mismatch hypothesis: A review of recent studies and their implications for welfare reform. In : Housing Policy Debate. 1998. Vol. 9, no 4, pp. 849-892.

KAIN, John F., 1968. Housing segregation, Negro employment and metropolitan decentralization. In : The Quarterly Journal of Economics. 05/1968. Vol. 82, no 2, pp. 175-197.

MARTIN, R. W., 2001. The adjustment of black residents to metropolitan employment shifts: How persistent is spatial mismatch? In : Journal of Urban Economics. 07/2001. Vol. 50, no 1, pp. 52-76.

OBSERVATOire bruxellois de l’emploi, 2011. Portrait statistique de la jeunesse bruxelloise à son arrivée sur le marché du travail. Bruxelles : Observatoire bruxellois de l’Emploi.

STATBEL, 2018. Indicateurs annuels du marché du travail selon l’âge et le sexe – Chiffres absolus et relatifs (1999 - 2016). In : Statbel – Emploi et chômage – plus de chiffres [en ligne]. [Consulté le 29/11/2018]. Disponible à l’adresse : https://statbel.fgov.be/fr/themes/emploi-formation/marche-du-travail/emploi-et-chomage/plus

THEYS, T., DESCHACHT, N., ADRIAENSSENS, S., et VERHAEST, D., 2018. The evolution of inter-regional spatial mismatch in the USA: The role of skills and spatial structure. In : Urban Studies. https://doi.org/10.1177/0042098018803017

THOMAS, I., COTTEELS, C., JONES, J., et PEETERS, D., 2012. Revisiting the extension of the Brussels urban agglomeration: new methods, new data… new results? In : Belgeo. 2012. N° 1-2, pp. 1-15.

VANDERBIESEN, W., HERREMANS, W., et SELS, L., 2013. Afbakening en profiel van lokale arbeidsmarkten in Vlaanderen. Louvain : Steunpunt Werk en Sociale Economie.

Haut de page

Annexe

Annexe 1 – Liste des communes de chaque zone

Région de Bruxelles-Capitale

1ère ceinture

2ième ceinture

Anderlecht

Beersel

Affligem

Malines

Auderghem

Braine-l’Alleud

Asse

Manage

Berchem-Sainte-Agathe

Dilbeek

Biévène

Meise

Bruxelles

Drogenbos

Binche

Merchtem

Etterbeek

Grimbergen

Bonheiden

Mont-Saint-Guibert

Evere

Hal

Boortmeerbeek

Morlanwelz

Forest

Hoeilaart

Braine-le-Château

Ninove

Ganshoren

Kraainem

Braine-le-Comte

Nivelles

Ixelles

La Hulpe

Chastre

Opwijk

Jette

Lasne

Cortenbergh

Ottignies-Louvain-la-Neuve

Koekelberg

Leeuw-Saint-Pierre

Court-Saint-Etienne

Pepingen

Molenbeek-Saint-Jean

Linkebeek

Denderleeuw

Putte

Saint-Gilles

Machelen

Enghien

Rebecq

Saint-Josse-ten-Noode

Overijse

Gammerages

Roosdaal

Schaerbeek

Rhode-Saint-Genèse

Grammont

Silly

Uccle

Rixensart

Gooik

Steenokkerzeel

Watermael-Boitsfort

Tervuren

Hérinnes

Ternat

Woluwe-Saint-Lambert

Vilvorde

Ittre

Tubize

Woluwe-Saint-Pierre

Waterloo

Kampenhout

Villers-la-Ville

Wemmel

Keerbergen

Walhain

Wezembeek-Oppem

La Louvière

Wavre

Zaventem

Le Roeulx

Wavre-Sainte-Catherine

Lennik

Zemst

Liedekerke

Haut de page

Notes

1 SMI x nombre total de demandeurs d’emploi

2 Le nombre de demandeurs d’emploi faiblement qualifiés en RBC est 32,3 pour cent plus élevé que le nombre d’offres d’emploi pour faiblement qualifiés. 32,3 % du nombre total de demandeurs d’emploi dans le BEL doivent donc quitter la RBC pour y obtenir un pourcentage équivalent de demandeurs d’emploi et d’offres d’emploi. Le calcul du déficit au sein de la ceinture BEL s’opère de la même manière.

Haut de page

Table des illustrations

Titre Figure 1. La métropole bruxelloise : trois délimitations possibles.
Légende Note : les communes indiquées en gris forment la Région de Bruxelles-Capitale, les communes en gris et vert clair forment l’Extended Urban Area (EUA) [Dujardin, Selod et Thomas, 2008], les communes en gris, vert clair et vert foncé forment le bassin d’emploi local [Vanderbiesen, Herremans et Sels, 2013].
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-1.png
Fichier image/png, 95k
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-2.png
Fichier image/png, 5,5k
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-3.png
Fichier image/png, 5,5k
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-4.png
Fichier image/png, 14k
Titre Figure 2. Répartition des offres d’emploi pour personnes faiblement qualifiées dans les communes du bassin d’emploi local
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-5.png
Fichier image/png, 153k
Titre Figure 3. Répartition des demandeurs d’emploi faiblement qualifiés dans les communes du bassin d’emploi local
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-6.png
Fichier image/png, 148k
Titre Figure 4. Répartition des offres d’emploi pour personnes hautement qualifiées dans les communes du bassin d’emploi local
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-7.png
Fichier image/png, 155k
Titre Figure 5. Répartition des demandeurs d’emploi hautement qualifiés dans les communes du bassin d’emploi local
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-8.png
Fichier image/png, 149k
Titre Tableau 1. Part de demandeurs d’emploi et d’offres d’emploi en RBC et dans les deux élargissements de la métropole.
Légende RBC = Région de Bruxelles-Capitale. Ceinture EUA = les 22 communes de l’Extended Urban Area qui ne font pas partie de la Région de Bruxelles-Capitale. Ceinture BEL = les 47 communes du bassin d’emploi local qui ne font pas partie de l’Extended Urban Area. Rapport = nombre de demandeurs d’emploi par offre d’emploi.
Crédits Source : Actiris, VDAB, Forem
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-9.png
Fichier image/png, 72k
Titre Figure 6. Excédents et déficits relatifs de demandeurs d’emploi sur le marché de l’emploi faiblement qualifié
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-10.png
Fichier image/png, 156k
Titre Figure 7. Excédents et déficits relatifs de demandeurs d’emploi sur le marché de l’emploi hautement qualifié
URL http://journals.openedition.org/brussels/docannexe/image/2793/img-11.png
Fichier image/png, 155k
Haut de page

Pour citer cet article

Référence électronique

Tobias Theys, Nick Deschacht, Stef Adriaenssens et Dieter Verhaest, « Mauvais appariement spatial, niveau de scolarité et connaissances linguistiques dans la métropole bruxelloise : une analyse », Brussels Studies [En ligne], Collection générale, n° 136, mis en ligne le 17 juin 2019, consulté le 20 juillet 2019. URL : http://journals.openedition.org/brussels/2793 ; DOI : 10.4000/brussels.2793

Haut de page

Auteurs

Tobias Theys

Tobias Theys est chercheur doctorant à la Faculté d’économie et business de la KU Leuven, campus de Bruxelles. Économiste du travail, ses recherches abordent les inadéquations spatiales, linguistiques et éducatives sur les marchés du travail (urbains), leurs interactions et les dynamiques à l’œuvre sur les marchés de l’emploi hautement et faiblement qualifié. Dans ses travaux récents (Theys et al., 2018, dans Urban Studies), il a développé une mesure améliorée du mauvais appariement spatial incluant des facteurs induits par la localisation.

Nick Deschacht

Nick Deschacht est professeur assistant d’économie à la KU Leuven et professeur invité d’économie du travail à l’Université d’Anvers. Ses recherches ciblent la discrimination, la formation des salaires, le chômage, la migration et l’économie politique des marchés du travail. Il a récemment étudié les schémas migratoires en Flandre et à Anvers au 19e siècle (Deschacht et Winter, 2019, Journal of Migration History) et l’importance du temps de travail dans les écarts de genre lors de promotions (Deschacht, 2017, Journal of Labor Research).

Stef Adriaenssens

Sociologue économique, Stef Adriaenssens enseigne la sociologie (économique) et la politique à la KU Leuven, campus de Bruxelles. Il s’intéresse principalement aux activités économiques clandestines, informelles et mal protégées ainsi qu’au travail peu qualifié, allant de l’évasion fiscale et du travail au noir aux activités ou groupes souvent à peine assimilés à du travail, comme la mendicité et la prostitution. Publication récente : Adriaenssens, Stef, et Hendrickx, Jef. (2019). 'Bad jobs': a case study of toilet attendants. Employee Relations.
doi:10.1108/ER-11-2017-0263

Dieter Verhaest

Dieter Verhaest (docteur en économie) est professeur assistant d’économie à la KU Leuven, campus de Bruxelles, où il est membre du groupe de recherche ECON. Il est également membre du groupe Leuven Economics of Education Research (KU Leuven) et professeur invité d’économie du travail à l’Université de Gand. Ses recherches portent, entre autres, sur l’économie de l’éducation et les activités de formation postscolaire, les inadéquations sur le marché du travail, et le marché de l’emploi des jeunes.

Haut de page

Droits d’auteur

Licence Creative Commons Licence CC BY

Haut de page
  • Logo BSI
  • Logo Innoviris
  • Logo Région Bruxelles-Capitale
  • Logo DOAJ - Directory of Open Access Journals
  • OpenEdition Journals