Prévoir la durée du chômage

Prévoir la durée du chômage et en particulier le risque de chômage de longue durée est important pour le service public de l’emploi et pour les chômeurs. Traditionnellement, pour de telles prédictions, l’assurance chômage utilise des méthodes statistiques ou un « profilage » des chômeurs réalisé par les conseillers en charge de l’accompagnement. Chaque demandeur d’emploi est ainsi classé dans une catégorie correspondant à une durée anticipée de chômage. Récemment, l'assurance chômage s’est aussi tournée vers les méthodes d'apprentissage automatique (machine learning) pour effectuer ce type de prédictions. Dans une étude récente1, nous comparons trois types de prédictions concernant la probabilité de trouver un emploi dans les six mois suivant l'entrée au chômage : les auto- évaluations par les chômeurs, les évaluations par les conseillers, et les prédictions basées sur un algorithme de machine learning. Cette analyse est basée sur des données administratives de l'Agence fédérale pour l'emploi allemande, incluant les décisions des conseillers, fusionnées avec des données d'enquête sur un échantillon de chômeurs. En Allemagne, les conseillers des services de l’emploi appliquent une approche de profilage dite « soft » pour catégoriser les individus entrant au chômage. Pendant notre période d'observation, les conseillers classaient les demandeurs d'emploi en six catégories de risque distinctes. Les deux premières catégories correspondent à un retour à l'emploi dans les 6 mois tandis que les catégories trois à six correspondent à un retour à l'emploi au-delà de cette limite. Pour notre analyse, nous utilisons également des données d'enquête basées sur un échantillon de nouveaux chômeurs répartis dans cinq régions différentes. Ces derniers ont été interrogés peu après leur entrée en chômage. Il leur a été demandé entre autres de fournir une évaluation subjective de leur probabilité de retrouver un emploi dans les 6 mois. Pour entraîner l'algorithme de machine learning, nous utilisons l'ensemble des nouveaux entrants en chômage. Nos résultats montrent qu’aucune méthode ne domine véritablement les deux autres. Ainsi, une combinaison des différentes approches peut s’avérer plus efficace pour prédire la durée du chômage et pour identifier avec plus de précision les personnes risquant de basculer dans le chômage de longue durée. D'un point de vue pratique, les résultats de notre recherche soulignent l’intérêt d’utiliser un algorithme de machine learning dans l’accompagnement des demandeurs d’emploi dès leur entrée au chômage. Ils soulignent aussi qu’un tel algorithme devrait intégrer l'évaluation du conseiller. Il serait également souhaitable d'obtenir une auto-évaluation de son devenir par chaque nouveau chômeur et de l’intégrer également dans l’algorithme afin d’améliorer la prédiction globale.