Perspectives de l'emploi de l'OCDE 2026

Disparités géographiques en matière d’emploi et de revenu

Rapport

Perspectives de l'emploi de l'OCDE

7 juillet 2026

Disponible en:

English
français

Télécharger le PDF

2. Actifs, ménages, régions : disparités géographiques au regard des résultats sur le marché du travail et de la distribution des revenus des ménages

Copier le lien de 2. Actifs, ménages, régions : disparités géographiques au regard des résultats sur le marché du travail et de la distribution des revenus des ménages

Sebastian Königs

Sérgio Pinto

Javier Terrero-Dávila

Juan Andrés Álvarez Mejía

Description

Les possibilités d’emploi et le niveau de vie des individus dépendent du lieu où ils habitent. L’objet du présent chapitre est de décrire les inégalités géographiques en matière de résultats sur le marché du travail pour mieux comprendre le revenu disponible des ménages et la mobilité des revenus dans les petites régions des pays de l’OCDE. On étudiera tout d’abord l’étendue et les déterminants des disparités régionales du taux d’emploi, en examinant comment ce taux dépend de la concentration géographique de l’activité économique, mais aussi de la composition et des caractéristiques de la population locale, et en considérant le rôle de la mobilité interrégionale de la main-d’œuvre. On examinera les disparités régionales du revenu disponible médian des ménages ainsi que son lien avec le PIB régional par habitant et les résultats sur les marchés régionaux du travail, sous un angle transversal et temporel. Enfin, on chiffrera la part que les inégalités interrégionales représentent dans les inégalités globales de revenu entre les ménages, avant d’examiner l’incidence des disparités régionales sur les perspectives des individus de monter dans l’échelle des revenus.

En bref

Copier le lien de En bref

Principaux constats

Les possibilités d’emploi, la progression de carrière et, en définitive, le niveau de vie des individus dépendent du lieu où ils ont grandi et où ils vivent. L’existence d’importantes inégalités interrégionales à l’intérieur d’un pays a un coût en termes de croissance économique, car le potentiel des régions à la traîne reste sous-exploité. La cohésion sociale s’en trouve également mise à mal, dès lors que des pans entiers de la population ont l’impression – bien souvent à raison – de rétrograder par rapport aux segments démographiques équivalents des lieux plus prospères.

L’objet du présent chapitre est de décrire les inégalités géographiques en matière de résultats sur le marché du travail pour mieux comprendre la distribution du revenu disponible des ménages et la mobilité des revenus dans les petites régions des pays de l’OCDE, qui correspondent au niveau territorial 3 (TL3) de la classification de l’OCDE (ex. les divisions de recensement au Canada, les départements en France). Sur la base de données nouvellement recueillies auprès des administrations et à travers des enquêtes, qui complètent les statistiques fournies par les bases de données existantes de l’Organisation, ce chapitre fournit, pour la toute première fois, un tableau détaillé des relations réciproques qui existent à ce niveau géographique entre les disparités observées au regard des résultats sur le marché du travail, de la distribution des revenus des ménages et de la mobilité des revenus individuels.

Les principaux constats sont les suivants :

Les perspectives d’emploi des individus dépendent du lieu où ils vivent. Dans plus de la moitié des pays de l’OCDE, l’écart interrégional du taux d’emploi est supérieur à 20 points de pourcentage (p.p.). Les disparités régionales du chômage sont tout autant prononcées : en moyenne, les régions du quintile le plus bas affichent un taux de chômage qui est plus du double de celui enregistré dans les régions du quintile le plus haut. En Italie, en Belgique, au Canada et en République slovaque, il est même multiplié par plus de quatre.
Bien qu’ayant légèrement convergé un certain temps, les taux d’emploi restent très disparates entre les régions. Dans la plupart des pays, le taux d’emploi a plus fortement augmenté – par rapport au début des années 2010 - dans les régions où il était initialement le plus faible. Cela a réduit sa dispersion régionale d’environ 50 % en Slovénie, en Tchéquie, en Estonie, en Irlande, en République slovaque et au Costa Rica, et dans une proportion plus faible dans la plupart des autres pays. Seulement huit des 29 pays pour lesquels on dispose de données ont vu augmenter la dispersion du taux d’emploi.
Ces disparités n’ont pas simplement une explication démographique ; elles tiennent aussi aux possibilités offertes par les régions. Les différences observées entre les populations locales – quand on considère leur composition par âge, par genre et en fonction du niveau d’études et de la structure des ménages – expliquent entre un tiers et la moitié des écarts de taux d’emploi entre les régions. La performance économique régionale est un déterminant clé des possibilités d’emploi : les postes occupés dans les services à forte valeur ajoutée se concentrent dans un petit nombre de régions métropolitaines, parmi lesquelles figure généralement la région capitale.
La mobilité de la main-d’œuvre ne contribue guère à réduire les disparités de résultats entre les marchés du travail. Si les individus changent de région en fonction de la situation de l’emploi, ils le font à un rythme beaucoup trop lent pour que la seule mobilité de la main-d’œuvre constitue un moyen de réduire sensiblement les disparités observées entre les marchés du travail. Sachant que les régions les moins bien loties du point de vue du marché du travail sont généralement peu distantes les unes des autres, il faut bien souvent déménager très loin pour trouver de meilleures perspectives d’emploi. Comme les personnes qui quittent une région ont souvent un profil associé à des perspectives d’emploi plus solides, la mobilité de la main-d’œuvre risque de renforcer des disparités déjà existantes entre les marchés du travail.
Les disparités régionales sont nettement moindres en termes de revenu disponible qu’en termes de PIB par habitant. La variabilité interrégionale du revenu disponible médian des ménages est plus forte dans les grands pays qui comptent de nombreuses régions, comme l’Australie et le Canada, et dans les pays où les inégalités globales de revenus sont importantes, comme au Chili et en Israël. Dans ces pays, on observe un facteur de 2 ou plus entre les régions au revenu le plus élevé et celles au revenu le plus faible, contre 1.1 ou 1.2 dans plusieurs pays d’Europe centrale et pays nordiques. Partout, les disparités régionales du revenu disponible sont nettement plus faibles que les disparités du PIB par habitant, et, dans certains pays, les deux indicateurs sont peu corrélés. Le PIB par habitant, pourtant communément employé comme variable représentative du revenu, constitue donc un piètre indicateur du niveau de vie régional.
Les disparités régionales de revenu sont étroitement liées à celles de l’emploi. Dans la plupart des pays, il existe une corrélation positive à l’échelle régionale entre le revenu disponible médian des ménages et le taux d’emploi. Le scénario observé est pratiquement toujours le même : 10 des 14 pays dans lesquels les écarts entre les taux d’emploi régionaux se résorbent depuis le début des années 2010 affichent également une diminution de la dispersion des revenus entre les régions ; à l’inverse, les trois pays dans lesquels les écarts entre les taux d’emploi régionaux se sont creusés affichent également une augmentation de la dispersion des revenus entre les régions. C’est donc bien à travers le produit du travail que les conditions économiques régionales influent principalement sur le revenu des ménages. Il y a également lieu de penser que les mesures visant à réduire les disparités entre les marchés régionaux du travail peuvent avoir pour effet de résorber les écarts interrégionaux de niveau de vie.
Les revenus sont plus élevés et plus inégalement distribués dans les régions capitales que partout ailleurs, car ces régions attirent beaucoup plus que les autres les ménages à hauts revenus. En moyenne, les régions métropolitaines hors la région capitale affichent des niveaux médians de revenu et d’inégalité largement comparables aux valeurs nationales. Dans les régions non métropolitaines, en revanche, les niveaux médians du revenu et des inégalités sont généralement inférieurs à la moyenne nationale.
Cependant, la plupart des inégalités de revenu des ménages se trouvent principalement à l’intérieur des régions, et non entre les régions. Même dans les pays où le revenu varie fortement selon les régions, les écarts interrégionaux n’expliquent qu’une petite fraction du niveau global des inégalités, généralement de l’ordre de 5 %. En effet, le niveau d’inégalité est dû, pour les 95 % restants, aux – importants – écarts de revenu des ménages observés à l’intérieur d’une même région.
Les chances d’ascension sociale sont plus faibles dans les régions à faible revenu. Même si les disparités régionales de revenu ne représentent qu’une fraction modeste des inégalités de revenu, la population des régions à faible revenu y cumule les désavantages. En conséquence, les personnes qui vivent dans ces régions ont moins de chances de monter dans l’échelle des revenus sur la durée, elles sont exposées à un plus grand risque de stagnation des revenus et elles sont plus susceptibles de rester bloquées au bas de la distribution.

Introduction

Copier le lien de Introduction

Les perspectives d’emploi et le niveau de vie des individus dépendent du lieu où l’on vit. Les entreprises sont séduites par les infrastructures de qualité, la connectivité, les services et le capital humain qu’offrent les régions prospères (OCDE, 2024[1] ; OCDE, 2025[2]). Cela crée une boucle de rétroaction dans laquelle ces régions attirent davantage d’employeurs dans les activités à plus forte productivité, tandis que d’autres restent à la traîne (Moretti, 2012[3] ; Bilal, 2023[4]). Dans la mesure où, pour la plupart des ménages, l’emploi constitue la première source de revenus et le principal vecteur d’ascension sociale, les disparités de résultats observées entre les marchés régionaux du travail peuvent être synonymes d’inégalité dans les chances de progresser sur l’échelle des revenus tout au long de la vie et, en définitive, faire persister les disparités de niveau de vie. S’il est théoriquement possible de saisir sa chance ailleurs, dans la pratique, la mobilité géographique est freinée par des barrières financières et non financières, comme le coût du logement, le désir de ne pas perdre ses liens sociaux existants et le niveau élevé des frais de transport (Ganong et Shoag, 2017[5] ; Spring, Gillespie et Mulder, 2023[6] ; OCDE, 2025[7]). Comme les personnes qui quittent les régions en difficulté économique sont généralement jeunes et parmi les plus instruites (De la Roca, 2017[8] ; Causa et Pichelmann, 2020[9]), la mobilité géographique peut venir creuser les inégalités régionales.

La persistance des inégalités régionales est lourde de conséquences économiques et sociales. Une forte concentration des possibilités économiques nuit à la résilience d’une économie et empêche d’exploiter le potentiel de croissance dans les régions à la traîne (OCDE, 2012[10] ; Iammarino, Rodriguez-Pose et Storper, 2018[11] ; OCDE, 2024[1]). Or, si elles faisaient l’objet de politiques de développement judicieuses (OCDE, 2023[12] ; OCDE, 2025[13]), ces régions pourraient contribuer bien davantage au produit national. Pour les habitants des régions à la traîne, le développement d’un sentiment d’abandon économique au sein de la population peut saper la confiance dans les institutions démocratiques et économiques et éroder la cohésion sociale (McKay, Jennings et Stoker, 2021[14] ; Mitsch, Lee et Ralph Morrow, 2021[15] ; Stroppe, 2023[16]).

L’objet du présent chapitre est d’étudier les disparités régionales au regard des résultats sur le marché du travail pour mieux comprendre le revenu disponible des ménages et la mobilité des revenus dans les pays de l’OCDE. L’attention porte sur les disparités observées entre les petites régions, qui correspondent au niveau territorial 3 (TL3) de la classification de l’OCDE. Il s’agit d’un niveau géographique inférieur à celui pour lequel on dispose de microdonnées de différents pays. Ces données proviennent des résultats de l’EFT et de l’enquête SILC de l’UE, diffusés par Eurostat, de nombreuses enquêtes nationales sur la population active et de la plupart des enquêtes menées auprès des ménages dans les pays de l’OCDE. L’analyse présentée résulte d’un vaste effort de collecte de données, grâce auquel les statistiques fournies par les bases de données existantes de l’Organisation ont pu être complétées par une série de nouveaux indicateurs, établis à partir de microdonnées nouvellement recueillies auprès des administrations et à travers des enquêtes. Il a ainsi été possible, pour la toute première fois, d’obtenir un tableau détaillé des relations réciproques qui existent à ce niveau géographique entre les disparités observées au regard des résultats sur le marché du travail, de la distribution des revenus des ménages et de la mobilité des revenus individuels (pour une présentation détaillée des sources de données, voir l’Encadré 2.1 et de l’Annexe 2.A à l’Annexe 2.C). Ce niveau de détail présente un grand intérêt : plus l’unité géographique considérée est petite, plus elle révèle les disparités dues à la variabilité locale, autrement cachées dans la moyenne. La granularité fine des données permet en outre de cartographier les disparités qui sont observées entre les régions rurales et urbaines au regard des résultats sur le marché du travail et de la distribution des revenus des ménages, conformément à la typologie de l’OCDE qui classe les régions TL3 en fonction de l’accessibilité des villes (Fadic et al., 2019[17]). L’analyse porte sur les disparités régionales observées jusqu’à aujourd’hui depuis le début des années 2010, soit peu après le pic de la crise financière mondiale.

Cela faisait 20 ans que la géographie des marchés du travail n’avait pas fait l’objet d’un chapitre des Perspectives de l’emploi : le dernier, qui remonte à l’édition 2005, avait été consacré à la persistance des disparités régionales d’emploi et au rôle de la mobilité géographique (OCDE, 2005[18]). Celui qui nous occupe est le prolongement direct des travaux que l’OCDE mène autour de plusieurs axes : disparités géographiques au regard des résultats sur le marché du travail (OECD, à paraître[19]), de la distribution des revenus des ménages (OECD, à paraître[20]) et de la convergence régionale des revenus (Commission européenne, 2024[21]), et accessibilité des services essentiels (Almeida et al., 2024[22]). Il repose en outre sur un éventail de travaux que l’OCDE a précédemment consacrés aux marchés du travail au niveau TL3 et au niveau local (Cho et Jeon, 2025[23] ; OCDE, 2025[7] ; Ahrend et al., 2026[24] ; Ahrend et al., 2026[25]) ; sur le rôle des mégatendances dans la géographie des marchés du travail (OCDE, 2018[26] ; OCDE, 2023[27] ; OCDE, 2024[28]) ; et sur les disparités régionales du PIB et du revenu disponible des ménages par habitant à l’aide des données des comptes nationaux (OCDE, 2024[1] ; OCDE, 2024[29])1. Il s’inscrit dans les efforts que l’OCDE déploie plus largement en vue d’intégrer les données des administrations sur l’emploi et le revenu dans les analyses comparatives internationales des situations infranationales (OCDE, 2023[30] ; OCDE, 2025[2] ; OCDE, 2025[7] ; Ahrend et al., 2026[24]).

Le reste du chapitre est organisé comme suit. La section 2.1 contient des informations sur la persistance d’une forte hétérogénéité des résultats selon les marchés du travail, qui montrent que les disparités ne s’expliquent pas seulement par les caractéristiques de la population, mais tiennent aussi aux possibilités locales. Elle fait également ressortir les limites de la mobilité géographique comme moyen d’éliminer ces disparités. La section 2.2 met en évidence les disparités de distribution du revenu disponible des ménages, à travers l’examen du niveau des revenus des ménages et des inégalités qui existent entre eux à l’intérieur des régions. Il en ressort que les disparités régionales de revenu sont nettement plus faibles que les disparités de PIB par habitant et étroitement liées aux disparités d’emploi entre les régions. La section 2.3 montre que, dans les régions à faible revenu, la population a moins de chances qu’ailleurs de progresser sur l’échelle des revenus. Enfin, la section 2.4 contient des remarques de conclusion.

Encadré 2.1. Présentation des sources de données

Copier le lien de Encadré 2.1. Présentation des sources de données

L’analyse exposée dans ce chapitre résulte d’un vaste effort de collecte de données qui a permis de compléter les statistiques des marchés régionaux du travail issues de la Base de données de l’OCDE sur les régions, les villes et les localités, à l’aide d’indicateurs des résultats du marché du travail provenant de sources nationales. Cela a également été l’occasion de calculer de nouveaux indicateurs sur la distribution des revenus des ménages et la mobilité des revenus tout au long de la vie – tous au niveau des petites régions (niveau TL3). Plus précisément, les données exploitées dans les différentes parties du chapitre proviennent des sources suivantes :

L’analyse des disparités régionales dans les résultats sur le marché du travail, qui est exposée dans la section 2.1, repose sur des indicateurs statistiques extraits de la Base de données de l’OCDE sur les régions, les villes et les localités (https://www.oecd.org/fr/themes/regions-villes-et-statistiques-locales.html, pour 18 pays). Ces données ont été complétées d’indicateurs comparatifs dont les valeurs proviennent de l’office statistique national concerné (13 pays) ou ont été directement calculées à partir de microdonnées nationales (dans le cas du Chili).
L’analyse des disparités régionales de revenu disponible des ménages, qui est exposée dans la section 2.2, repose entièrement sur les données nouvellement recueillies au sujet du niveau et de la distribution du revenu disponible des ménages dans et entre les régions. Dans le cas de 15 pays, ces données ont été fournies par l’office statistique national sur la base des résultats d’enquête ou de microdonnées administratives. Pour neuf pays, l’OCDE a calculé les valeurs à l’aide de microdonnées provenant de sources administratives (pour quatre pays), de la base de données LIS (Luxembourg Income Study) (pour quatre pays), et de microdonnées issues d’enquêtes nationales (pour le Chili).
L’analyse des disparités régionales dans la mobilité des revenus des individus, qui est exposée dans la section 2.3, repose sur des valeurs calculées par l’OCDE (pour trois pays), à partir de microdonnées sur les revenus provenant de sources administratives de différents pays de l’OCDE et fournies par les autorités nationales (pour trois pays).

Certains éléments de l’analyse des résultats observés sur le marché du travail qui est exposée dans la section 2.1, reposent eux aussi sur les valeurs calculées par l’OCDE à partir de microdonnées provenant de sources administratives ou de la base de données LIS.

Étant donné que les résultats présentés dans ce chapitre reposent sur des données de différentes sources – principalement des registres administratifs (registres des impôts, de la sécurité sociale, de la population et dossiers des services publics de l’emploi) et parfois des recensements de la population ou des enquêtes de grande ampleur – ils sont moins homogènes que les statistiques officielles de l’OCDE sur le marché du travail et les revenus tirées des enquêtes très normalisées que sont les enquêtes sur la population active et les enquêtes auprès des ménages. Un soin considérable a été apporté à la sélection de sources de données suffisamment comparables, à l’harmonisation des microdonnées dans la mesure du possible et à la description des différences restantes de couverture et de définitions. On trouvera une présentation détaillée des sources de données utilisées dans diverses parties de l’analyse de l’Annexe 2.A à l’Annexe 2.C.

De façon générale, la comparaison des résultats régionaux entre les pays est compliquée par le fait que la taille et la population des régions TL3 peuvent varier sensiblement, même entre des pays comparables en population et en superficie. Cela peut se faire ressentir sur les comparaisons internationales, car, toutes choses égales par ailleurs, les inégalités régionales mesurées sont ordinairement plus marquées pour les unités géographiques d’analyse de plus petite taille. Ce problème est sans solution évidente. Il n’existe aucune classification territoriale pouvant offrir des unités géographiques plus homogènes à un niveau de granularité comparable. Les zones de migrations alternantes s’imposent à l’esprit, mais les données ne sont pas disponibles dans bon nombre de pays. D’autre part, lorsqu’elles sont disponibles, elles varient en taille et en population d’un pays à l’autre en raison des différences de méthodologie. Les zones urbaines fonctionnelles (ZUF) proviennent d’une méthodologie harmonisée, mais elles sont limitées aux zones urbaines et ne couvrent pas l’entièreté d’un territoire.

Il convient de garder à l’esprit, concernant la méthodologie, que la plupart des indicateurs du marché du travail présentés dans ce chapitre sont calculés au lieu de résidence et non pas au lieu de travail. Les déplacements domicile‑travail de chaque côté des frontières régionales, mais aussi des frontières nationales, peuvent fausser les statistiques du marché du travail régional étant donné que les travailleurs contribuent à l’activité économique d’une région où ils n’habitent pas. Dans ses précédents travaux d’analyse, l’OCDE a neutralisé ce problème en considérant comme une seule unité les régions TL3 métropolitaines dont au moins 50 % de la population de chaque région résidait dans une même ZUF d’au moins 250 000 habitants (OCDE, 2024[29]). Ce chapitre s’écarte de cette démarche : les statistiques du marché du travail des régions métropolitaines présentées dans la section 2.1 aurait effectivement pu être regroupées sans difficulté, mais il n’en va pas de même pour les revenus médians et les coefficients de Gini régionaux présentés dans la section 2.2. Par souci de cohérence, le chapitre considère donc les régions métropolitaines TL3 séparément, même si elles englobent la même ZUF, en attirant l’attention sur le rôle des migrations alternantes dans l’analyse des résultats s’il y a lieu.

2.1. Disparités régionales des résultats sur le marché du travail

Copier le lien de 2.1. Disparités régionales des résultats sur le marché du travail

L’emploi, source principale de revenus pour la plupart des ménages, est aussi le vecteur d’ascension sociale le plus important. Or, dans la majorité des pays de l’OCDE, les entreprises à forte productivité (Bilal, 2023[4] ; Menon et Vermeulen, 2026[31]), l’innovation (Usai, 2011[32]) et l’activité économique demeurent inégalement réparties entre les régions, ce qui pèse lourdement sur la répartition régionale des possibilités d’emploi (OCDE, 2024[1] ; OCDE, 2025[2]). À partir de statistiques globales sur le marché du travail au niveau régional (TL3) et de l’analyse des microdonnées de certains pays, cette section rend compte des disparités régionales des résultats sur le marché du travail et examine les mécanismes sous-jacents. L’analyse tend à indiquer que les perspectives d’emploi dépendent de la performance économique régionale. Elle montre également que la seule mobilité de la main-d’œuvre ne suffit pas pour réduire les disparités régionales et souligne la nécessité de politiques territorialisées.

2.1.1. Les perspectives d’emploi des individus dépendent du lieu où ils vivent

Malgré la situation favorable sur le marché du travail dans la plupart des pays de l’OCDE, les résultats sur le plan de l’emploi sont très différents selon la région dans laquelle vivent les personnes considérées. Les taux d’emploi et d’activité ont atteint des niveaux record dans la plupart des pays de l’OCDE (voir le chapitre 1), mais ces moyennes nationales masquent d’importantes disparités des taux d’emploi et de chômage entre les régions d’un même pays. Dans l’ensemble des économies de l’OCDE pour lesquelles on dispose de données comparables, l’écart moyen entre les régions à fort et à faible taux d’emploi (qui se situent, respectivement, dans les quintiles le plus haut et le plus bas des régions à l’intérieur de chaque pays) s’établit à 11.4 p.p. (Graphique 2.1, partie A) Les écarts régionaux de taux d’emploi varient sensiblement selon le pays : ils sont les plus marqués en Italie (24.8 p.p.), au Canada (17.4 p.p.) et en Israël (17.3 p.p.), mais bien plus faibles en Tchéquie (3.2 p.p.), en Suède (5.6 p.p.) et aux Pays‑Bas (5.8 p.p.). L’écart entre les régions s’établit tout de même à plus de 20 p.p. dans plus de la moitié des économies de l’OCDE. Les disparités régionales du taux de chômage sont elles aussi prononcées. En moyenne dans les pays de l’OCDE, le taux de chômage dans le quintile le plus bas des régions s’établit à plus du double du taux enregistré dans le quintile le plus haut ; il dépasse le quadruple en Italie, en Belgique, au Canada et en République slovaque (Graphique 2.1, partie B). Globalement, ces disparités régionales sont plus prononcées que celles observées dans de précédents travaux d’analyse de l’OCDE concernant les grandes régions TL2 (OCDE, 2023[27] ; OCDE, 2024[28] ; OCDE, 2025[2]), mettant ainsi en évidence l’importance d’un examen des résultats sur le marché du travail à une échelle géographique plus fine.

Graphique 2.1. Les disparités régionales des résultats sur le marché du travail sont prononcées dans la plupart des pays de l’OCDE
Copier le lien de Graphique 2.1. Les disparités régionales des résultats sur le marché du travail sont prononcées dans la plupart des pays de l’OCDE

Taux d’emploi et de chômage dans les régions TL3, 2024 ou dernière année connue

Les disparités régionales au regard de l’emploi correspondent souvent à des différences de productivité régionale observées de longue date (OCDE, 2024[29]), comme on le verra plus loin dans ce chapitre. Dans plusieurs pays, ces fossés suivent des lignes de fracture géographique persistantes : les taux d’emploi dans le Mezzogiorno italien continuent d’être distancés par ceux du nord plus industrialisé ; en Belgique, la Wallonie ne parvient pas à suivre la Flandre ; et les régions de l’est de l’Allemagne et de la Pologne n’ont pas encore résorbé l’écart d’emploi par rapport au reste du pays. Les régions qui englobent la capitale du pays ont tendance à être plus productives (OCDE, 2024[29]) et affichent des taux d’emploi plus élevés qu’ailleurs dans la plupart des pays de l’OCDE. La situation est plus nuancée dans le cas du chômage. Certaines régions isolées, particulièrement dans les pays nordiques et en Nouvelle‑Zélande, enregistrent un taux de chômage faible, mais leurs marchés du travail tendus témoignent principalement du manque de main-d’œuvre plutôt que de leur dynamisme économique. Les régions capitales d’Autriche, du Danemark et de Norvège enregistrent des taux de chômage élevés.

Bien que ces disparités de taux d’emploi à l’intérieur des pays soient, en moyenne, aussi prononcées que celles observées entre les économies de l’OCDE les plus et les moins performantes, bon nombre de politiques du marché du travail sont conçues et mises en œuvre au niveau national. Dans de nombreux pays de l’OCDE, un salaire minimum unique est pratiqué à l’échelle nationale, même si les mécanismes institutionnels de fixation des salaires sont souvent officiellement tenus d’en évaluer l’impact sur l’ensemble des zones géographiques. D’autres sphères de l’action publique, dont les politiques actives du marché du travail, sont elles aussi relativement centralisées en principe : les administrations infranationales ont des compétences officielles dans deux pays de l’OCDE sur cinq seulement (OCDE, 2023[33]). Dans la pratique, cependant, les autorités régionales et locales assument souvent un rôle plus important que celui que leur mandat officiel semble indiquer (OCDE, 2025[34]).

Ces grandes disparités régionales de résultats au regard de l’emploi persistent malgré une période de relative convergence depuis le début des années 2010. Les conséquences asymétriques de la crise financière mondiale (CFM) sur l’emploi régional ont intensifié les pressions à la restructuration industrielle dans bon nombre de marchés du travail locaux (Ahrend et al., 2026[25]) (voir également le chapitre 3). Les capitales ont ressenti le choc immédiat plus fortement (Dijkstra, Garcilazo et McCann, 2015[35]), mais les régions dont le marché du travail était moins dynamique avant la crise ont subi, somme toute, de plus lourdes pertes d’emplois (Fratesi et Rodríguez-Pose, 2016[36]). Dans toute l’Union européenne, la crise a soudainement aggravé les disparités régionales sur le marché du travail (Commission européenne, 2013[37] ; Commission européenne, 2014[38]). Cette dynamique a évolué à partir du début des années 2010, période pendant laquelle la croissance économique soutenue et l’amélioration de la situation du marché du travail ont contribué au resserrement des écarts régionaux de taux d’emploi dans la plupart des pays de l’OCDE.

Sur le plan empirique, ces processus de convergence peuvent être décrits en ayant recours à deux indicateurs bien établis (Barro et Sala‑i-Martin (1992[39]). On trouvera une description plus technique dans l’Encadré 2.2) :

La sigma ( $σ$ )-convergence, qui établit si la dispersion interrégionale des taux d’emploi diminue dans le temps. Elle est exprimée par la variation en pourcentage du coefficient de variation, qui mesure la dispersion par rapport à la moyenne et permet ainsi des comparaisons pertinentes entre les pays. Un pourcentage négatif indique que les taux d’emploi régionaux convergent vers la moyenne.
La bêta ( $β$ )-convergence, qui établit si l’écart interrégional de taux d’emploi se résorbe. Un coefficient négatif indique que les régions qui affichaient un taux d’emploi initial faible ont progressé plus rapidement.

Encadré 2.2. Mesurer la convergence interrégionale des résultats sur le marché du travail

Copier le lien de Encadré 2.2. Mesurer la convergence interrégionale des résultats sur le marché du travail

Ce chapitre fait appel à deux indicateurs complémentaires pour établir si les taux d’emploi des régions TL3 convergent dans le temps. Tous les indicateurs sont pondérés par la population d’âge actif pour tenir compte des fortes différences démographiques.

La sigma ( $σ$ )-convergence

La sigma-convergence établit si la dispersion interrégionale des taux d’emploi diminue dans le temps. Dans ce chapitre, elle est mesurée en utilisant la variation en pourcentage du coefficient de variation (CV). Le CV est calculé comme suit :

$C V = \frac{σ}{μ}$

où $σ$ et $μ$ correspondent à l’écart-type et à la moyenne des taux d’emploi des régions TL3, pondérés dans les deux cas par la population d’âge actif régionale. L’écart-type mesure l’écart habituel entre les taux d’emploi régionaux et la moyenne, les valeurs plus élevées indiquant une plus grande dispersion interrégionale. Les comparaisons internationales ou temporelles des écarts-types bruts sont toutefois difficiles, car une même dispersion absolue peut avoir des implications différentes en fonction du niveau de référence. Par exemple, un écart-type de 2 p.p. représente une plus grande dispersion relative dans un pays à faible taux d’emploi. Le coefficient de variation résout ce problème en produisant une grandeur sans unités qui exprime la dispersion en part du taux d’emploi régional moyen.

La variation en pourcentage du CV dans le temps $\frac{{C V}_{t} - {C V}_{t - n}}{{C V}_{t - n}}$ indique l’évolution de cette dispersion relative. Une valeur négative indique que les taux d’emploi régionaux sont devenus moins dispersés, c’est-à-dire qu’ils ont davantage convergé vers la moyenne.

La bêta ( $β$ )-convergence

La bêta-convergence établit si les régions qui affichent un taux d’emploi initial faible connaissent par la suite une croissance plus rapide. Un coefficient négatif est généralement un signe de rattrapage des régions à la traîne, mais il peut aussi indiquer le recul des régions en tête. Il est estimé en utilisant la régression suivante :

$\frac{1}{n} \frac{{E r a t e}_{i, t} - {E r a t e}_{i, t - n}}{{E r a t e}_{i, t - n}} = α + β {E r a t e}_{i, t - n} + ε_{i}$

où ${E r a t e}_{i, t}$ correspond au taux d’emploi dans la région TL3 $i$ au moment $t$ , ${E r a t e}_{i, t - n}$ correspond au taux d’emploi $n$ années plus tôt, et donc la variable dépendante représente la croissance annuelle moyenne du taux d’emploi sur la période considérée. Ici aussi, les observations sont pondérées par la population d’âge actif. Un coefficient $β$ négatif indique une $β$ -convergence : les régions qui affichaient un taux d’emploi initial faible ont progressé plus rapidement que les autres. La $β$ -convergence est nécessaire, mais insuffisante, pour la $σ$ -convergence. Si les régions qui affichaient un taux d’emploi initial faible progressent au point de distancer les autres, le reclassement qui s’ensuit peut laisser la dispersion globale inchangée ou encore plus large à la fin de la période.

Selon ces indicateurs, 21 des 29 pays pour lesquels le taux d’emploi régional peut être remonté jusqu’au début des années 2010 ont vu à la fois les régions à la traîne rattraper les autres (β-convergence) et les disparités interrégionales relatives diminuer (σ-convergence) (Graphique 2.2). La réduction de la dispersion a été particulièrement marquée dans des pays comme la Slovénie, la Tchéquie, l’Estonie et l’Irlande – proche de ou dépassant 50 % de la moyenne –, mais modeste dans la plupart des autres pays et presque négligeable en Allemagne, aux Pays‑Bas et au Royaume‑Uni. Seuls deux pays, la Lettonie et la Suisse, affichent l’inverse, à savoir l’augmentation de la dispersion et la progression continue des régions à taux d’emploi élevé. Enfin, le Chili, la Lituanie et la Norvège présentent des cas moins intuitifs, combinant les deux types de convergence. Cela se produit lorsque les régions qui affichaient un taux d’emploi initial faible devancent celles qui affichaient un taux d’emploi initial élevé, et que la dispersion est plus large à la fin qu’au début de la période considérée.

Graphique 2.2. Les régions à faible taux d’emploi ont rattrapé leur retard et réduit ainsi les disparités régionales
Copier le lien de Graphique 2.2. Les régions à faible taux d’emploi ont rattrapé leur retard et réduit ainsi les disparités régionales

Sigma-convergence (axe de gauche) et bêta-convergence (axe de droite), régions TL3, du début des années 2010 à la dernière année connue

Il est également fait état, dans des travaux universitaires précédents, d’importantes disparités géographiques au regard d’autres résultats sur le marché du travail. Des travaux empiriques récents semblent indiquer que les inégalités salariales entre les marchés du travail locaux ont plus ou moins doublé en Allemagne, au Canada et aux États-Unis depuis les années 1970, et plus que triplé au Royaume‑Uni (Bauluz et al., 2024[40]). Ce processus de divergence s’est inversé ou a marqué le pas au cours des dix dernières années dans les grandes économies européennes, exception faite du Canada et des États-Unis. On verra dans la section 2.2 de ce chapitre que les différences régionales sont également importantes au regard du revenu disponible des ménages, c’est-à-dire du revenu après redistribution par les impôts et les transferts publics.

Le fait que les disparités régionales dans les résultats sur le marché du travail restent si prononcées après des années de convergence fait apparaître des facteurs structurels des deux côtés du marché du travail. Du côté de l’offre, les travailleurs de certaines régions peuvent avoir des caractéristiques qui les rendent moins employables, notamment des niveaux de formation plus bas. Du côté de la demande, certaines régions bénéficient d’une concentration d’activité économique qui attire les entreprises productives, ce qui accroît la disponibilité d’emplois. Cette distinction est plus floue dans la pratique, car l’offre et la demande se renforcent mutuellement : les travailleurs qualifiés attirent les entreprises plus productives, et les entreprises productives attirent les travailleurs qualifiés (Moretti, 2010[41] ; Combes et Gobillon, 2015[42]). C’est en partie cette dynamique d’autorenforcement qui rend les disparités régionales d’emploi aussi persistantes.

Les deux sous-sections qui suivent présentent des données factuelles descriptives sur les dynamiques en jeu. Elles s’intéressent principalement aux taux d’emploi, la couverture des données de l’ensemble des pays de l’OCDE étant plus complète. Dans le droit fil des recherches empiriques récentes (Card, Rothstein et Yi, 2023[43]), les résultats donnent à penser que les caractéristiques des travailleurs expliquent une partie seulement des disparités géographiques au regard de l’emploi, et que des facteurs territoriaux entrent fortement en jeu.

2.1.2. Les travailleurs sont différents selon les régions, mais ce fait seul ne peut pas expliquer les disparités régionales au regard de l’emploi

Les travailleurs sont très différents d’une région à l’autre, mais cela n’explique qu’en partie les disparités régionales au regard de l’emploi. Les caractéristiques des personnes d’âge actif dans les régions à faible taux d’emploi, c’est-à-dire les régions appartenant au quintile de taux d’emploi le plus bas, sont en moyenne associées à des perspectives d’emploi moins favorables. Par exemple, elles risquent davantage d’avoir abandonné les études avant la fin du secondaire et d’être en situation de handicap (Graphique 2.3, parties A et B). Ces différences n’expliquent toutefois qu’en partie les disparités régionales. Dans la plupart des pays pour lesquels on dispose de microdonnées au niveau TL3, les habitants des régions à faible taux d’emploi continuent d’avoir nettement moins de chances d’être en emploi que ceux des régions à taux d’emploi élevé, même une fois pris en compte l’âge, le genre, le niveau d’études, la composition du ménage et l’origine migratoire (Graphique 2.3, partie C). Les différences de caractéristiques observables des personnes expliquent entre un tiers et la moitié seulement de l’écart interrégional de taux d’emploi observé dans les pays. Ces résultats vont dans le sens des précédentes recherches empiriques sur l’emploi à un niveau territorial supérieur au Royaume‑Uni (Overman et Xu, 2024[44]) et en Espagne (López‐Bazo et Motellón, 2013[45]). La Lituanie et la Tchéquie sont les seuls pays où l’écart de taux d’emploi régional devient statistiquement insignifiant après prise en compte des caractéristiques observables, ce qu’il faut toutefois interpréter avec prudence compte tenu de la taille relativement restreinte des échantillons.

Ces résultats masquent toutefois le fait que les travailleurs des régions moins bien loties sur le plan du marché du travail peuvent présenter des différences dont les données ne rendent pas compte, comme les aptitudes innées, la motivation ou la propension à prendre des risques. Les recherches empiriques qui tiennent compte de cette limite, notamment en suivant les personnes qui changent de région et en observant l’évolution de leurs résultats sur le marché du travail, parviennent néanmoins à des conclusions similaires. Les données factuelles en provenance des États-Unis semblent indiquer que la sélection des travailleurs très qualifiés dans les marchés du travail plus dynamiques explique à peu près la moitié seulement des différences territoriales de rémunération (Card, Rothstein et Yi, 2023[43]), tandis que les données en provenance de la France suggèrent que la sélection n’intervient pas autant dans l’explication des différences territoriales de taux de perte d’emploi (Bilal, 2023[4]). Ces résultats pourraient même minimiser l’importance du facteur géographique, car ils ne tiennent pas compte des compétences supplémentaires acquises par les travailleurs au fil du temps en vivant dans des régions plus productives (Roca et Puga, 2016[46]).

L’influence du territoire sur les perspectives d’emploi est particulièrement forte pour les groupes moins attachés au marché du travail, comme les jeunes, les personnes qui ont un niveau de formation plus bas, et les femmes. Le taux d’emploi de ces groupes est souvent plus faible partout, mais les écarts sont généralement plus marqués dans les régions où le marché du travail est plus faible. Au Chili, par exemple, l’écart de taux d’emploi entre les genres s’établit à 18.2 dans les régions à taux d’emploi élevé, mais il atteint 27.9 points dans les régions à faible taux d’emploi. De même, en République slovaque, l’écart de taux d’emploi entre les personnes qui ont et n’ont pas fait d’études supérieures ne dépasse pas 1.7 point dans les régions à fort taux d’emploi, mais il atteint presque 20 points dans les régions à faible taux d’emploi.

Graphique 2.3. Les caractéristiques observables des travailleurs expliquent une partie seulement des disparités régionales des résultats au regard de l’emploi
Copier le lien de Graphique 2.3. Les caractéristiques observables des travailleurs expliquent une partie seulement des disparités régionales des résultats au regard de l’emploi

Différences de caractéristiques de la population active (parties A et B) et de probabilité d’emploi (partie C) entre les régions TL3 à taux d’emploi élevé et faible, 2024 ou dernière année connue

2.1.3. Les résultats économiques régionaux sont un déterminant majeur des disparités d’emploi entre les régions

Les résultats économiques des régions ont une influence capitale sur les disparités géographiques de résultats sur le marché du travail. Deux mécanismes interdépendants sont à l’œuvre. Premièrement, les entreprises plus productives ont tendance à être concentrées dans les régions à plus forte productivité (Lindenlaub, Oh et Peters, 2022[47] ; Bilal, 2023[4]). Une partie de cette variation régionale de la productivité témoigne de différences de capital humain, comme indiqué dans la section précédente, mais les études empiriques donnent à penser que ces différences expliquent 20 % à 35 % seulement de l’écart aux États-Unis (Hanushek, Ruhose et Woessmann, 2017[48]), et moins encore en Europe (Beugelsdijk, Klasing et Milionis, 2017[49]). Le reste tient à des facteurs territoriaux, dont les infrastructures, le capital et les institutions locales. Deuxièmement, une fois établis, les pôles de haute productivité génèrent des économies d’agglomération – appariement accéléré des employeurs et des salariés, transferts de connaissances entre les entreprises, et réseaux de fournisseurs et de clients plus denses (Combes et Gobillon, 2015[42]) – et rendent les régions encore plus productives et attractives.

Ce mécanisme peut entraîner un cercle vertueux qui renforce les perspectives d’emploi dans les régions les plus dynamiques : les régions plus productives attirent les entreprises productives, ce qui accroît la disponibilité et la qualité des emplois. Dans le cas des régions à la traîne, cette dynamique est inversée. Avec le départ des entreprises productives pour des régions plus développées, l’emploi dans les territoires délaissés se contracte et les entreprises qui restent ont tendance à offrir des perspectives d’emploi moins intéressantes. Il ressort de travaux de recherche antérieurs de l’OCDE, fondés sur des données au niveau des entreprises concernant l’Italie et l’Espagne, que les entreprises des régions moins développées sont de plus petite taille et 20 à 30 % moins productives que des entreprises comparables ailleurs (Menon et Vermeulen, 2026[31]).

En effet, dans les pays de l’OCDE, les résultats sur le plan de l’emploi sont étroitement liés à la production régionale : les régions qui n’ont pas décollé du premier quintile des PIB par travailleur en 15 ans affichent un taux d’emploi inférieur de 4.5 p.p. à celui des régions plus productives (Graphique 2.4, partie A). L’Autriche et la Suisse affichent des disparités d’emploi prononcées dans le sens inverse. En Autriche, cette situation témoigne d’une forte mobilité pendulaire entre Vienne et les régions environnantes. L’emploi étant mesuré au lieu de résidence et la productivité au lieu d’activité professionnelle (voir l’Encadré 2.1), les travailleurs pendulaires font augmenter le taux d’emploi et le revenu global dans les régions où ils vivent tandis que leur production est enregistrée à Vienne. Par conséquent, Vienne conjugue une forte productivité avec un taux d’emploi assez faible, et notamment une surreprésentation de personnes moins attachées au marché du travail, à savoir d’étudiants et d’immigrés récents (OCDE, 2025[7]). En Suisse, Genève et Bâle‑Ville doivent leur forte productivité à la concentration d’entreprises financières et pharmaceutiques. Les taux d’emploi des habitants dans les deux cantons sont étouffés par une importante population née à l’étranger et moins attachée au marché du travail, en particulier chez les femmes (Lacroix et Vidal-Coso, 2018[50]). Le chômage de longue durée est une autre manifestation du manque d’emplois dans les régions peu productives : les taux sont presque deux fois plus élevés dans les régions les moins productives que dans les régions les plus productives dans les pays pour lesquels on dispose de données (Graphique 2.4, partie B). L’ampleur de cet écart varie selon les pays : il est bien moins prononcé dans les pays d’Europe du Nord et plus important en Europe du Sud, en Hongrie et en République slovaque.

Graphique 2.4. Les résultats sur le marché du travail sont nettement moins favorables dans les régions à faible PIB par travailleur
Copier le lien de Graphique 2.4. Les résultats sur le marché du travail sont nettement moins favorables dans les régions à faible PIB par travailleur

Écart de résultats sur le marché du travail entre les régions TL3 dont le PIB par travailleur demeure élevé/faible, 2024 ou dernière année connue

La transformation progressive des pays de l’OCDE en économies à forte intensité de connaissances engagée dans les années 1970 a contribué à la concentration de l’emploi très productif dans un plus petit nombre de régions. Les entreprises manufacturières étaient souvent géographiquement dispersées, en fonction de la disponibilité locale d’infrastructures, de matières premières et de main-d’œuvre à bas prix. Avec la baisse du coût des transports, cette dispersion de la production s’est encore accrue (Glaeser et Kohlhase, 2004[51]). Les secteurs à forte intensité de connaissances fonctionnent différemment. Leur productivité dépend de la densité de travailleurs qualifiés et des interactions en face à face qui stimulent l’innovation et l’apprentissage à des lieux précis, souvent des grandes villes (Moretti, 2012[3]). Au cours des décennies qui ont précédé, ces dynamiques ont entraîné une concentration accrue d’entreprises très productives dans un plus petit nombre de zones métropolitaines (Clarke, Martin et Tyler, 2016[52] ; Kemeny et Storper, 2020[53]), même en dépit d’un certain degré de convergence régionale des résultats sur le plan de l’emploi au cours des dernières années grâce au redressement du marché du travail depuis la crise financière mondiale (Graphique 2.2). Dans l’intervalle, les régions autrefois spécialisées dans l’industrie manufacturière ont été poussées à changer de structure industrielle (Ahrend et al., 2026[24]) et sont devenues de plus en plus vulnérables aux chocs de l’emploi, lesquels laissent souvent des marques profondes sur les marchés du travail locaux (Autor, Dorn et Hanson, 2016[54] ; Celli, Cerqua et Pellegrini, 2023[55] ; Vermeulen et Braakmann, 2023[56]) (voir également le chapitre 3).

Dans la plupart des pays de l’OCDE, l’emploi dans les services à forte valeur ajoutée est beaucoup plus concentré dans les régions capitales ; la part de ces emplois dans d’autres régions métropolitaines est plus proche de celle enregistrée dans les régions non métropolitaines. Contrairement au taux d’emploi, l’emploi sectoriel est mesuré par lieu de travail et les chiffres obtenus permettent de localiser l’activité à forte valeur ajoutée. En moyenne dans les pays de l’OCDE pour lesquels on dispose de données, 26.6 % de tous les emplois dans les régions capitales concernent les services à forte valeur ajoutée, à comparer avec 17.8 % dans les autres régions métropolitaines, et 12.5 % seulement dans les régions non métropolitaines. La Suisse et l’Australie, deux pays dont la capitale est de relativement petite taille par rapport à d’autres centres urbains, font exception. En Suisse, les emplois dans les services à forte valeur ajoutée sont concentrés dans les grandes régions métropolitaines, comme Genève et Zurich, plutôt qu’à Berne. En Australie, plusieurs grandes régions métropolitaines en dehors de Canberra, dont Melbourne et Sydney, représentent une part importante de ce type d’emplois. En Belgique, en Grèce, en Italie et aux Pays‑Bas, les régions capitales dominent, mais les services à forte valeur ajoutée sont répartis entre les autres régions métropolitaines de manière plus uniforme qu’ils ne le sont généralement dans les pays de l’OCDE.

Bien que beaucoup moins prononcé, le schéma est comparable pour les taux d’emploi de manière plus générale. Dans les pays pour lesquels on dispose de données, les régions capitales ont tendance à afficher des taux d’emploi relativement plus élevés, tandis que les autres régions métropolitaines et non métropolitaines obtiennent des résultats généralement voisins (Graphique d’annexe 2.E.1). Les différences de prospérité des régions métropolitaines transparaissent également dans la dynamique démographique : la population des régions métropolitaines de l’OCDE a progressé en moyenne de 15 % entre 2001 et 2021, devançant les régions non métropolitaines. Cependant, plus d’une région métropolitaine sur cinq a vu sa population diminuer sur la même période (OCDE, 2025[57]).

Graphique 2.5. Les emplois dans les services à forte valeur ajoutée sont beaucoup plus concentrés dans les régions capitales
Copier le lien de Graphique 2.5. Les emplois dans les services à forte valeur ajoutée sont beaucoup plus concentrés dans les régions capitales

Part de l’emploi dans les services à forte valeur ajoutée par type de région, 2023 ou dernière année connue

2.1.4. La mobilité des travailleurs n’est pas suffisante pour réduire les disparités régionales de résultats sur le marché du travail

La mobilité à l’intérieur d’un pays pourrait, en principe, contribuer à resserrer les écarts régionaux de résultats au regard de l’emploi si les personnes dont les perspectives sont limitées déménageaient pour accéder à un marché du travail plus dynamique. On sait que le soutien à la mobilité des personnes souhaitant changer de région en quête de meilleures perspectives professionnelles améliore l’adéquation entre l’offre et la demande d’emploi (OCDE, 2025[7]), et devrait donc faire partie des stratégies plus globales pour réduire les déséquilibres régionaux du marché du travail (voir également le chapitre 3). Or, les données factuelles présentées dans cette section donnent à penser que la mobilité de la main-d’œuvre n’est pas suffisante pour combler les écarts régionaux de taux d’emploi, et qu’elle peut même parfois les creuser.

La mobilité vers les régions de fort emploi est assez limitée. Dans l’ensemble des pays pour lesquels on dispose de données, les régions où l’emploi demeure faible (celles qui sont restées dans le quintile le plus bas des taux d’emploi dans chaque pays pendant la plus grande partie des 15 dernières années) ont enregistré une émigration nette annuelle de 0.25 % de leur population, tandis que les régions de fort emploi ont enregistré une immigration interrégionale nette annuelle d’environ 0.15 % (voir le Graphique 2.6). La mobilité est considérablement plus prononcée en République slovaque, en Corée et en Estonie, ce qui tire la moyenne de l’OCDE vers le haut ; elle très limitée dans bon nombre de grandes économies comme le Japon, l’Allemagne et l’Espagne. Des taux de mobilité aussi bas ont pour conséquence que même si tous les émigrés des régions à faible taux d’emploi étaient au chômage, ces flux de population seraient trop peu importants pour réduire de manière significative les disparités régionales de résultats sur le marché du travail dont il est question en début de chapitre. D’autre part, dans des pays comme l’Autriche, Israël et la Tchéquie, les régions de fort emploi enregistrent des flux d’émigration.

Graphique 2.6. La mobilité des régions à faible taux d’emploi vers les régions à taux d’emploi élevé est lente
Copier le lien de Graphique 2.6. La mobilité des régions à faible taux d’emploi vers les régions à taux d’emploi élevé est lente

Taux moyen de migration interrégionale (% de la population) dans les régions TL3 à taux d’emploi faible et élevé, du début des années 2010 à la dernière année connue

Le manque de mobilité s’explique en partie par les difficultés que pose un changement de région. Le coût financier peut être conséquent, surtout lorsque la destination est une région offrant de meilleures perspectives d’emploi. Le prix généralement plus élevé du logement dans ces régions dissuade les travailleurs peu qualifiés de déménager (Ganong et Shoag, 2017[5] ; OCDE, 2020[58] ; Causa, Abendschein et Cavalleri, 2021[59]). L’accès aux prestations sociales conditionnées à la région de résidence, ainsi que le prix supérieur des services de garde d’enfants, viennent s’ajouter aux contre‑incitations à la mobilité (OCDE, 2025[7]). La recherche d’un emploi peut être elle‑même coûteuse et, ce coût augmentant avec la distance, la plupart des demandeurs d’emploi limitent leur recherche aux environs de leur lieu de résidence (Manning et Petrongolo, 2017[60] ; Gobillon et Selod, 2021[61]). Ces obstacles peuvent être allégés au moyen d’interventions publiques. L’assouplissement des règles d’occupation des sols pourrait alléger les contraintes pesant sur l’offre de logements et diminuer ainsi le coût de l’installation dans des régions à taux d’emploi élevé. L’immobilité pourrait être réduite en rendant les droits au logement social plus facilement transférables d’une région à une autre. (Causa, Abendschein et Cavalleri, 2021[59] ; OCDE, 2021[62]) Par exemple, dans l’État australien de Victoria, les locataires de logements sociaux peuvent demander un transfert si un changement dans leur emploi nécessite qu’ils partent très loin de leur lieu de résidence actuel. Permettre ce type de transfert à plus grande échelle, en particulier lorsque le logement social dépend d’administrations régionales différentes, favoriserait encore la mobilité des personnes moins attachées au marché du travail. En ce qui concerne la recherche d’emploi, les aides au transport des demandeurs d’emploi (Franklin, 2017[63]) et les aides directes au déménagement (Caliendo, Künn et Mahlstedt, 2017[64])ont eu des effets positifs, sachant toutefois que ces mesures peuvent s’avérer coûteuses à grande échelle. D’autres obstacles sont beaucoup plus problématiques, ne serait-ce que parce qu’ils traduisent des préférences légitimes, comme la proximité de relations sociales établies (Spring, Gillespie et Mulder, 2023[6]) ou les responsabilités familiales qui nous attachent à un endroit particulier (Artamonova et Syse, 2021[65]). Des travaux récents de l’OCDE s’intéressent de plus près à ces obstacles à la mobilité et aux interventions publiques possibles (OCDE, 2020[58] ; OCDE, 2021[62] ; OCDE, 2025[7]).

Une autre difficulté réside dans le fait que les régions dont le marché du travail manque de dynamisme ont tendance à être géographiquement regroupées. Déménager en quête de bien meilleures perspectives d’emploi nécessite donc souvent de partir loin, ce qui amplifie les obstacles dont il est question plus haut. Ce propos peut être illustré par le I de Moran, un indicateur communément utilisé pour mesurer le regroupement spatial dans les variables économiques (Patacchini et Rice, 2007[66] ; Cracolici, Cuffaro et Nijkamp, 2008[67] ; Furková et Chocholatá, 2020[68] ; OCDE, 2024[1]). Il existe deux I de Moran distincts, qui apportent des éclairages complémentaires sur ces schémas spatiaux (voir la description technique dans l’Encadré 2.3).

Le I de Moran global mesure le degré total de regroupement spatial dans un pays en comparant la valeur de chaque région à la moyenne pondérée de ses régions voisines. Les valeurs varient de ‑1 à 1 ; une valeur positive indique que les régions qui affichent des valeurs similaires ont tendance à être proches les unes des autres, tandis qu’une valeur négative indique que des régions voisines ont tendance à avoir des valeurs dissemblables.
Le I de Moran local établit où se produisent les regroupements spatiaux, et localise avec précision les groupes particuliers de régions dont les valeurs demeurent supérieures (Haut-Haut) ou inférieures (Bas-Bas) à la moyenne globale.

L’application de ces indicateurs aux taux de chômage régionaux révèle un regroupement spatial conséquent dans la plupart des grandes économies de l’OCDE, le taux de chômage des régions étant fortement corrélé avec ceux de leurs régions voisines (Graphique 2.7, partie A)2. Le regroupement global, mesuré par le I de Moran global, est fort, par exemple, en Italie et en Türkiye. Les disparités entre pays doivent néanmoins être interprétées avec prudence compte tenu des différences de taille et de nombre de régions. Le Japon fait quelque peu figure d’exception, le regroupement étant faible et peu significatif statistiquement.

Ce regroupement global se traduit souvent par des écarts très prononcés à l’intérieur des pays, mesurés par le I de Moran local (Graphique 2.7, partie B). En Allemagne, les zones de faible chômage sont concentrées dans les régions prospères du sud du pays, comme la Bavière et certaines parties du Bade‑Wurtemberg, tandis que les zones de fort chômage se trouvent en Allemagne de l’Est – sur laquelle pèse encore l’héritage structurel de la réunification – et dans la région de la Ruhr, marquée par des décennies de déclin des industries du charbon et de l’acier. En Italie, le regroupement reproduit la fracture bien établie entre Nord et Sud, les régions du Mezzogiorno ne suivant qu’avec retard le nord industrialisé. La fracture Est-Ouest en Pologne est comparable à celle de l’Allemagne : des zones de fort chômage dans les régions moins développées de l’Est, tributaires de la petite agriculture et caractérisées par des niveaux d’études inférieurs. Aux États-Unis, les zones de faible chômage s’étalent sur les régions des grandes plaines et de l’Upper Midwest, tandis que les zones de fort chômage sont concentrées dans le Deep South, où le manque d’investissement dans les infrastructures et le capital humain nuit depuis longtemps aux résultats sur le marché du travail. En Türkiye, les zones de fort chômage sont concentrées dans le sud-est, témoignant d’écarts de développement régional persistants ; au Japon, quelques zones de faible chômage sont observées dans la région du grand Chūbu, qui possède un secteur manufacturier solide (cartes non fournies).

Encadré 2.3. Mesurer le regroupement spatial : le I de Moran global et local

Copier le lien de Encadré 2.3. Mesurer le regroupement spatial : le I de Moran global et local

La statistique du I de Moran est une méthode courante de mesure du regroupement spatial, qui évalue le degré auquel des régions qui affichent des valeurs voisines d’une variable donnée sont géographiquement proches l’une de l’autre (Moran, 1950[69] ; Anselin, 1995[70]).

Deux I de Moran livrent des éclairages complémentaires :

Le I de Moran global

Il mesure le degré global de regroupement spatial. Il est défini comme suit :

$I = \frac{n}{S_{0}} \times \frac{\sum_{i = 1}^{n} \sum_{j = 1}^{n} w_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{\sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2}}$

où $n$ représente le nombre de régions, $x_{i}$ est la valeur de la variable d’intérêt (ici : le taux de chômage) dans la région $i$ , $\bar{x}$ correspond à la moyenne de cette variable pour l’ensemble des régions, $w_{i j}$ est la corrélation spatiale décrivant la force du lien entre les régions $i$ et $j$ , et $S_{0} = \sum_{i} \sum_{j} w_{i j}$ est la somme de toutes les pondérations spatiales. Essentiellement, l’indice mesure le degré de covariance entre la valeur de chaque région et celles de ses voisines, selon la matrice de pondération spatiale. Les pondérations spatiales utilisées dans ce chapitre sont fonction de l’existence d’une frontière commune (un concept appelé contiguïté rook en termes techniques). Chaque voisine a un poids égal, de telle sorte que chaque région est comparée à la moyenne simple des valeurs de ses voisines.

La valeur du I de Moran global varie de −1 (dispersion parfaite) à +1 (regroupement parfait), les valeurs proches de zéro indiquant l’absence de schéma spatial systémique. Pour le visualiser, ce chapitre trace la courbe représentant la variation du taux de chômage de chaque région en fonction du taux moyen des régions voisines (Graphique 2.7, partie A). L’inclinaison de la droite ajustée sur ce diagramme de dispersion est identique à la statistique du I de Moran global. La signification statistique est évaluée par un test de permutation, lequel réorganise les valeurs de manière répétée entre les régions pour déterminer l’improbabilité que le schéma spatial observé se soit produit par hasard.

Le I de Moran local

Si la statistique globale résume le degré général de regroupement, le I de Moran local détermine quant à lui où des regroupements particuliers ou des valeurs aberrantes se produisent. Pour chaque région i, il est défini comme suit :

$I_{i} = \frac{(x_{i} - \bar{x})}{S^{2}} \times \sum_{j = 1}^{n} w_{i j} (x_{j} - \bar{x})$

où $I_{i}$ est le I de Moran local pour la région $i$ , $x_{i}$ est de nouveau la valeur de la variable d’intérêt dans la région $i$ , $\bar{x}$ est la moyenne de $x$ pour l’ensemble des régions, $w_{i j}$ correspond à la pondération spatiale, se résumant à 1 qui décrit le lien relatif entre les régions $i$ et $j$ , et $S^{2}$ est la variance de $x$ sur toutes les régions. La division par la variance normalise l’écart de chaque région par rapport à la moyenne pour assurer la comparabilité. Essentiellement, l’indice détermine si le taux de chômage d’une région et ceux des régions voisines s’écartent tous de la moyenne globale.

En fonction du signe et de l’ampleur de $I_{i}$ ainsi que de la valeur de la région $i$ , quatre types de regroupements statistiquement significatifs peuvent être identifiés. Une région peut appartenir à un regroupement de valeurs similaires : Haut-Haut (région à taux de chômage élevé entourée de régions voisines à taux de chômage élevé) ou Bas-Bas (région à taux de chômage faible, entourée de régions voisines à taux de chômage faible). Il peut aussi s’agir d’un point aberrant : Haut-Bas (région à taux de chômage élevé entourée de régions à taux de chômage faible) ou Bas-Haut (l’inverse). Comme dans le cas de la statistique globale, la signification statistique est évaluée par des tests de permutation. Par souci de simplicité, ce chapitre s’intéresse aux regroupements statistiquement significatifs Haut-Haut et Bas-Bas (Graphique 2.7, partie B).

Graphique 2.7. Les régions à taux de chômage élevé sont regroupées sur le plan géographique
Copier le lien de Graphique 2.7. Les régions à taux de chômage élevé sont regroupées sur le plan géographique

*I de Moran global* et *local* pour les taux de chômage des régions TL3 dans quelques grandes économies de l’OCDE, 2022 ou dernière année connue

Ces schémas de regroupement géographique limitent les emplois disponibles à proximité des lieux de résidence des demandeurs d’emploi. Non seulement ils découragent la mobilité en faisant augmenter le coût d’un déménagement, mais ils rendent aussi la migration pendulaire impossible pour combler l’écart entre les lieux affichant un excédent de travailleurs et ceux où des emplois sont ouverts.

D’autre part, il est peu probable que la mobilité seule réduise les inégalités régionales sur le marché du travail, car les personnes qui changent de région en fonction de la situation de l’emploi sont souvent celles qui jouissent des meilleures perspectives d’emploi. Cette situation témoigne en partie du fait que les obstacles financiers à la mobilité pèsent surtout sur les personnes moins attachées au marché du travail. Un vaste corpus de recherches empiriques montre que les personnes qui changent de région (Panichella et Impicciatore, 2024[71]), et plus particulièrement celles qui le font pour améliorer leurs perspectives d’emploi (Combes, Duranton et Gobillon, 2008[72] ; De la Roca, 2017[8]), ont en moyenne un niveau d’études plus élevé, sont mieux rémunérées dans leur emploi précédent, et exercent des métiers plus qualifiés que les personnes qui ne bougent pas. Les estimations de l’OCDE d’après les sources de données administratives de la Belgique et de l’Estonie confirment que les personnes au chômage ne sont pas plus susceptibles de changer de région que les personnes occupées (Encadré 2.4). Les personnes qui changent de région à cause de la situation de l’emploi dans ces pays ont en outre tendance à être plus jeunes, à être plus fréquemment actives et à avoir fait de plus longues études L’émigration de ces travailleurs peut entraîner la lente érosion de la base de capital humain dans les régions à faible taux d’emploi, ce qui affaiblit encore les marchés du travail dans ces régions. Par conséquent, s’ils ne sont pas bien gérés, les schémas migratoires régionaux peuvent creuser, au lieu de combler, les disparités régionales sur les marchés du travail.

Il ne faut pas interpréter ces résultats comme sous-entendant que la mobilité des travailleurs ne devrait pas être encouragée. Ils mettent plutôt en évidence la nécessité de réduire les obstacles à la mobilité pour les personnes dont les perspectives d’emploi sont moins favorables et qui ont également tendance à avoir des revenus plus modestes. Cependant, même si ces obstacles étaient réduits et si la mobilité convergeait vers celle des groupes dont les perspectives d’emploi sont plus favorables, les changements de région resteraient probablement limités et une petite proportion seulement de demandeurs d’emploi partirait. Aussi, les politiques territorialisées demeurent un levier important pour réduire les inégalités régionales sur le marché du travail (OCDE, 2025[13]).

Encadré 2.4. Qui quitte les régions à faible taux d’emploi ? Données factuelles tirées de sources administratives de la Belgique et de l’Estonie

Copier le lien de Encadré 2.4. Qui quitte les régions à faible taux d’emploi ? Données factuelles tirées de sources administratives de la Belgique et de l’Estonie

Cet encadré s’appuie sur les données des recensements et des sources administratives pour examiner les schémas de mobilité de la population d’âge actif en Belgique et en Estonie. Dans le droit fil des études empiriques précédentes (Combes, Duranton et Gobillon, 2008[72] ; Fendel, 2014[73] ; De la Roca, 2017[8] ; Panichella et Impicciatore, 2024[71]), il montre que les personnes les plus susceptibles de changer de région à cause de la situation de l’emploi ne sont pas celles qui ont les moins bonnes perspectives professionnelles, mais plutôt celles dont les chances d’être en emploi sont relativement bonnes.

Ce propos peut être illustré simplement, en comparant les caractéristiques des personnes qui quittent les régions du premier quintile des taux d’emploi avec celles des personnes qui restent. La couverture géographique ou la taille d’échantillon des enquêtes sont généralement insuffisantes pour rendre compte de telles transitions de manière fiable. Or, les sources de données administratives de la Belgique et de l’Estonie rendent possible un suivi géographique annuel de l’entièreté de la population et, partant, ce type de comparaisons. L’analyse par régression peut ensuite isoler l’effet indépendant des différentes caractéristiques observables, à savoir l’âge, le niveau de formation ou le statut au regard de l’emploi, net de l’influence d’autres caractéristiques – sans, bien entendu, tenir compte de facteurs non observables dans les données, comme la motivation ou les compétences particulières des personnes.

Dans les régions à faible taux d’emploi de la Belgique et de l’Estonie, il est moins probable que les travailleurs seniors, ceux qui ont un niveau de formation inférieur et ceux qui sont inactifs ou au chômage une année donnée seront partis pour des marchés du travail plus dynamiques un an plus tard (Graphique 2.8). L’âge est de loin le plus fort prédicteur, la probabilité de départ des travailleurs âgés de 45 à 54 ans étant près de 70 % inférieure à celle des travailleurs âgés de 25 à 34 ans. L’éducation joue également un rôle non négligeable : les personnes d’âge actif qui ont au plus un diplôme du deuxième cycle du secondaire sont environ 6 % moins susceptibles de quitter les régions à faible taux d’emploi en Belgique, et environ 20 % en Estonie par rapport à leurs homologues diplômés de l’enseignement supérieur. Il apparaît avant tout que les inactifs ne sont pas ceux qui quittent les régions à faible taux d’emploi. Dans les deux pays, ils ont moins tendance à changer de région que les actifs. En Belgique, les personnes au chômage sont également 11.5 % moins susceptibles de partir que les personnes occupées, tandis qu’elles sont tout aussi susceptibles de partir que les personnes occupées en Estonie.

Graphique 2.8. Les personnes dont les perspectives d’emploi sont plus favorables ont davantage tendance à quitter les régions à faible taux d’emploi
Copier le lien de Graphique 2.8. Les personnes dont les perspectives d’emploi sont plus favorables ont davantage tendance à quitter les régions à faible taux d’emploi

Différences de probabilité de départ des régions TL3 à faible taux d’emploi d’une année à l’autre, par caractéristiques socioéconomiques, Belgique et Estonie

2.2. Des résultats sur le marché du travail à la distribution des revenus des ménages : les inégalités régionales en matière de niveau de vie

Copier le lien de 2.2. Des résultats sur le marché du travail à la distribution des revenus des ménages : les inégalités régionales en matière de niveau de vie

Le lieu où l’on vit influence non seulement les chances de trouver du travail et les types d’emploi disponibles, mais aussi le revenu pouvant être généré et le niveau de vie auquel on peut prétendre. Le travail étant de loin la plus grande source de revenu de la plupart des ménages, les écarts régionaux de taux d’emploi et de rémunération sont les principaux déterminants des différences de niveau de vie. Les différences prononcées et persistantes de niveau de vie d’une région à l’autre sont importantes pour plusieurs raisons : elles témoignent souvent de facteurs structurels plus profonds, qu’il s’agisse de l’éloignement géographique, d’une faible agglomération, du manque de secteurs d’activité à forte valeur, ou de la disponibilité et de la qualité des infrastructures et services essentiels. Ces facteurs influencent les perspectives offertes aux habitants des régions. Ils créent des obstacles qui empêchent les individus de saisir les chances économiques qui s’offrent à eux indépendamment de leur lieu de résidence, ce qui met à mal l’investissement dans le capital humain, l’innovation et la prise de risques. Ils peuvent alimenter le mécontentement social et fragiliser la résilience sociétale, et ils peuvent aussi compliquer la conception de politiques du marché du travail, de politiques de la formation et de politiques sociales qui soient à la fois efficaces et bien ciblées. Comprendre l’ampleur, la structure et les déterminants des disparités de revenu des ménages et des niveaux de vie est dès lors un premier pas nécessaire pour les pouvoirs publics désireux d’y remédier.

Malgré cette pertinence pour l’action publique, les données factuelles internationalement comparables sur les disparités géographiques dans la distribution du revenu des ménages demeurent très peu abondantes à un niveau de granularité plus fin. Dans bon nombre de pays, les enquêtes auprès des ménages – source habituelle de données internationales sur les revenus et les niveaux de vie – sont représentatives uniquement au niveau des grandes régions (TL2), compte tenu de la taille restreinte des échantillons3. Aussi, l’OCDE et Eurostat compilent des données sur la distribution des revenus au niveau TL2/NUTS2 uniquement (Eurostat, 2025[74] ; OCDE, 2026[75]). Les travaux de recherche empirique se sont surtout intéressés, par conséquent, aux disparités de revenus entre les grandes régions (Piacentini, 2014[76] ; Castells-Quintana, Ramos et Royuela, 2015[77] ; Royuela, Veneri et Ramos, 2018[78] ; Veneri et Murtin, 2018[79] ; Erfurth, 2023[80] ; Commission européenne, 2024[81] ; Savoia, 2024[82] ; OCDE, 2025[2]). Dans un nombre de pays limité, mais croissant, des études par pays sont allées plus loin et ont examiné les distributions des revenus à une échelle géographique plus fine en s’appuyant sur des données issues des registres nationaux 4. L’exemple le plus saillant est celui des travaux de Chetty et al. (2014[83]) dans le cadre du projet Opportunity Insights aux États-Unis. En Europe, Bonnet, d’Albis et Sotura (2021[84]) utilisent les données des registres des impôts pour observer les inégalités entre les départements français au cours du siècle dernier, tandis que Dzhavatova et al. (2025[85]) décrivent les distributions des revenus entre les communes danoises, finlandaises, norvégiennes et suédoises5.

Les comptes nationaux ont aussi été utilisés pour mesurer les revenus régionaux. Un très grand nombre d’études prennent le PIB par habitant comme indicateur indirect très courant du revenu (Iammarino, Rodriguez-Pose et Storper, 2018[11] ; Gbohoui, Lam et Lledo, 2019[86] ; Pina et Sicari, 2021[87] ; Rosés et Wolf, 2021[88] ; OCDE, 2024[1] ; Commission européenne, 2024[81] ; Chan, Ellingsen et Simpson, 2025[89]). Cela témoigne, en grande partie, du fait que les données sur le PIB par habitant offrent une couverture géographique et temporelle bien plus large que les enquêtes auprès des ménages. En tant qu’indicateur des résultats économiques plutôt que du revenu des ménages, elles constituent néanmoins une mesure indirecte du niveau de vie imparfaite. Pour 14 pays de l’OCDE, les comptes régionaux fournissent des statistiques au niveau TL3 sur le revenu disponible des ménages par habitant (OCDE, 2024[29] ; OCDE, 2025[90]). Or, ces données au niveau macro-économique ne tiennent pas compte de la structure des ménages individuels et ne fournissent pas d’informations sur la distribution intrarégionale des revenus des ménages. On trouvera une analyse approfondie dans OCDE (2024[1])6.

Cette section présente, pour la première fois, des statistiques comparables sur les niveaux et sur les distributions des revenus dans les petites régions (TL3) à partir des microdonnées de 24 pays de l’OCDE. Elle rapproche ces schémas des différences régionales d’activité économique, mesurée par le PIB par habitant, et des disparités de résultats entre les marchés du travail dont il est fait état dans la section 2.1. Tout au long de cette section, le terme « revenu des ménages » est utilisé pour désigner le revenu disponible équivalent des ménages, c’est-à-dire le revenu après impôts, cotisations de sécurité sociale et transferts publics, corrigé de la taille du ménage. L’analyse puise dans les statistiques sur la distribution des revenus récemment tirées de sources administratives et d’enquêtes auprès des ménages. On trouvera un récapitulatif des sources de données et de leur couverture dans l’Annexe 2.B.

2.2.1. Les disparités régionales des revenus varient d’un pays à l’autre et concordent peu avec les écarts de PIB par habitant

Bon nombre de pays de l’OCDE affichent des disparités conséquentes des niveaux de revenu des ménages entre les régions. La partie A du Graphique 2.9 montre le revenu disponible médian des ménages dans les régions TL3 – le revenu de la personne située exactement au milieu de la distribution des revenus de chaque région – exprimé par rapport à la médiane nationale. Dans la plupart des pays de l’OCDE, le revenu disponible de la personne médiane dans la région qui affiche les plus hauts revenus est supérieur d’environ 10 à 30 % à la médiane nationale. La région qui affiche les plus hauts revenus est souvent la région capitale d’un pays : Paris en France, Tokyo au Japon, Vilnius en Lituanie et Wellington en Nouvelle‑Zélande. L’Autriche et la Belgique sont deux exceptions : dans les deux pays, la région capitale enregistre le plus faible revenu médian, ce qui témoigne du fait que les deux régions capitales sont entourées de régions suburbaines nanties7. Dans quelques pays, les régions qui affichent les plus hauts revenus doivent leur position à leur richesse en ressources naturelles, comme dans le cas de la Division n° 16 de l’Alberta (Canada), de l’extrême sud de la Terre de Feu au Chili et de l’Outback au nord de l’Australie‑Occidentale. À l’autre extrémité de la distribution, la personne médiane dans la région qui affiche les revenus les plus bas a un revenu disponible inférieur d’environ 10 à 20 % à la médiane nationale dans la plupart des pays. En moyenne, dans les 24 pays de l’OCDE considérés, les revenus médians dans les régions qui affichent les plus hauts et les plus bas revenus diffèrent d’un facteur d’environ 1.60 – ce qui signifie que la personne médiane dans la région qui affiche les plus hauts revenus a un revenu disponible supérieur d’environ 60 % à celui de son équivalent dans la région qui affiche les plus bas revenus.

Cependant, les variations de disparités régionales des revenus d’un pays à l’autre sont considérables et traduisent les différences de taille des pays, de nombre de régions et d’inégalités globales de revenus. Les disparités sont les plus prononcées dans les pays de grande superficie comptant un grand nombre de régions – comme l’Australie et le Canada, où le rapport interdécile des revenus régionaux varie entre 2.1 et 3.0 – ainsi que dans les pays qui comptent un grand nombre de régions par rapport à leur taille, comme la Grèce (rapport de 2.1), et dans les pays très peuplés comme la France, le Japon et l’Espagne, où les rapports s’établissent entre 1.6 et 1.7 (Graphique 2.9, partie A)8. Les niveaux élevés d’inégalités globales de revenu sont également liés à des disparités régionales plus générales : le Chili affiche un rapport interdécile des revenus de 2.6, tandis que ce rapport s’établit entre 1.7 et 2.0 en Israël, au Costa Rica et en Lituanie9. En revanche, les disparités régionales de revenus sont les moins prononcées dans les régions de plus petite taille et plus égalitaires. Dans plusieurs pays d’Europe centrale – Slovénie, Autriche et Tchéquie – le rapport interdécile des revenus ne dépasse pas 1.1 à 1.2, et de petits écarts comparables sont enregistrés aux Pays‑Bas et en République slovaque (1.3 dans les deux cas) ainsi que dans les pays nordiques : Norvège (1.1), Suède (1.2), Finlande (1.2) et Danemark (1.3).

La granularité plus fine des données utilisées dans ce chapitre révèle un tableau plus différencié des disparités régionales de revenus que les études internationales antérieures fondées sur les régions TL2. Dans l’étude plus ancienne de Piacentini (2014[76]), les rapports interdécile s’établissaient à moins de 1.5 dans la plupart des pays : le Mexique était le seul pays à dépasser un rapport de 2 et les écarts entre les pays étaient relativement plus resserrés. Le passage aux régions TL3 révèle des disparités bien plus profondes.

Graphique 2.9. Les disparités régionales du revenu médian des ménages varient fortement entre les pays, mais elles sont bien moins prononcées que les disparités du PIB par habitant
Copier le lien de Graphique 2.9. Les disparités régionales du revenu médian des ménages varient fortement entre les pays, mais elles sont bien moins prononcées que les disparités du PIB par habitant

Revenu disponible médian (partie A) et rapport entre le revenu disponible médian et le PIB par habitant dans quelques pays de l’OCDE (partie B), régions TL3, 2024 ou dernière année connue

Le lien entre les revenus des ménages et le PIB par habitant au niveau régional est bien plus faible que l’on pense. La partie B du Graphique 2.9 illustre ce propos pour quelques pays de l’OCDE, en traçant la courbe du revenu disponible médian des ménages à l’échelle régionale par rapport au PIB par habitant, tous deux exprimés relativement à leurs valeurs au niveau national. Pour les pays restants, qui comptent pour la plupart un plus petit nombre de régions, les disparités du PIB par habitant apparaissent dans le coefficient de corrélation $ρ$ du rapport entre les revenus médians et le PIB par habitant est indiqué dans le Tableau d’annexe 2.E.1. Deux constats se dégagent :

Les disparités régionales du revenu des ménages sont nettement moins prononcées que les disparités du PIB par habitant, ce qui cadre avec le constat antérieur de disparités de revenu disponible par habitant moins prononcées que les disparités du PIB par habitant entre les régions métropolitaines et non métropolitaines, d’après les données des comptes régionaux (OCDE, 2024[29]). Ce schéma traduit en partie la concentration géographique de l’activité économique à forte valeur ajoutée dans certaines régions, dont un exemple est l’effet dit « de siège » qui se produit lorsque l’activité économique des grandes entreprises à établissements multiples est attribuée à la région d’implantation de leurs sièges sociaux. Les revenus des personnes qui traversent des frontières régionales pour se rendre au travail, ainsi que la valeur économique qu’elles génèrent, peuvent être enregistrés dans des régions différentes. Enfin, l’effet redistributif du système de prélèvements et de prestations resserre les inégalités de revenus entre les ménages et, partant, entre les régions également.
Dans quelques pays, la corrélation entre le revenu des ménages et le PIB par habitant au niveau régional est faible. Dans bon nombre de pays, comme l’Espagne et la France, le PIB par habitant correspond de près au revenu des ménages à l’échelle régionale (coefficient de corrélation $ρ$ de 0.78 et 0.71 respectivement). Dans quatre pays, cependant, il n’existe aucune corrélation entre le revenu médian des ménages et le PIB par habitant à l’échelle régionale : en Autriche, en Belgique, au Danemark et aux Pays‑Bas, $ρ$ est insignifiant et proche de zéro, voire négatif. Ce sont, pour la plupart, des pays de relativement petite taille, densément peuplés et dotés d’infrastructures de transport bien développées, où bon nombre de personnes traversent des frontières régionales pour se rendre au travail. Tous les quatre sont en outre dotés de systèmes redistributifs efficaces qui resserrent encore les différences interrégionales de revenus.

Ces résultats font ressortir que le PIB par habitant, bien qu’il soit souvent utilisé comme un indicateur indirect du revenu d’un individu représentatif dans une région (Pina et Sicari, 2021[87] ; OCDE, 2024[1]), est probablement un piètre indicateur du niveau de vie régional. Dans les six pays de la partie B du Graphique 2.9, la dispersion du PIB par habitant est, en moyenne, 3.5 fois plus large que celle du revenu médian des ménages lorsqu’elle est mesurée par le coefficient de variation non pondéré (absent du graphique). Ces différences sont, une fois de plus, sensiblement plus importantes que celles exposées par Piacentini (2014[76]) pour les grandes régions TL2, témoignant du fait que tant les revenus que le PIB par habitant peuvent varier considérablement entre les petites régions TL3 nichées à l’intérieur d’une même région TL2. Dans quelques cas, un PIB régional par habitant élevé coïncide avec un revenu médian des ménages faible, et inversement. La Belgique en est une illustration frappante : la Région de Bruxelles-Capitale affiche à la fois le plus haut PIB par habitant de toutes les régions et le plus bas revenu disponible médian des ménages, tandis que l’on observe exactement l’inverse pour le Pays d’Arlon, une région wallonne à la frontière du Luxembourg.

Même les données sur le revenu disponible des ménages ne permettent cependant pas de dresser un tableau complet des disparités du niveau de vie. Les statistiques de revenus présentées dans ce chapitre ne tiennent pas compte des différences régionales de coût de la vie. Dans la mesure où les prix – et surtout les prix du logement – sont plus élevés dans les régions où les revenus sont plus élevés, les différences de revenus illustrées dans le Graphique 2.9 surestiment les différences de niveau de vie10. Les indices des prix infranationaux couvrant les régions de l’OCDE, en cours d’élaboration par l’Organisation, pourraient contribuer à remédier à ce problème à l’avenir (Alasia, Amann et Horvat, 2025[91]). Les différences régionales de revenus peuvent aussi interagir avec les disparités géographiques d’accessibilité et de qualité des services et infrastructures publics essentiels, un autre déterminant important du niveau de vie (OCDE, 2021[92] ; OCDE, 2024[1]). Une étude récente de l’OCDE constate que les personnes qui vivent dans des régions affichant un faible PIB par habitant doivent faire de plus longs trajets pour accéder aux services essentiels, dont les services publics de l’emploi, les écoles primaires et les établissements d’éducation et d’accueil des jeunes enfants (Encadré 2.5 et Almeida et al., (2024[22])).

Encadré 2.5. Les disparités d’accessibilité des services essentiels aggravent les disparités régionales des revenus

Copier le lien de Encadré 2.5. Les disparités d’accessibilité des services essentiels aggravent les disparités régionales des revenus

Outre les revenus, l’accessibilité des services essentiels – accueil et éducation des jeunes enfants, santé, emploi et aide sociale – à proximité du lieu d’habitation est un déterminant fondamental du niveau de vie, et un vecteur d’activité. Dans l’enquête « Des risques qui comptent » menée par l’OCDE en 2022, moins de la moitié des personnes interrogées estimaient pouvoir accéder à des services publics de bonne qualité à un prix abordable dans des domaines comme l’éducation, l’emploi et l’aide aux familles (OCDE, 2023[93]). Lors de la Réunion ministérielle de l’OCDE sur l’emploi et le travail de 2022, les ministres ont souligné leur engagement à améliorer l’accessibilité et la réactivité des services de l’emploi afin de faciliter la transition vers des emplois plus verts pour les demandeurs d’emploi et les entreprises, mais aussi leur engagement à fournir des systèmes d’accueil accessibles et à des prix abordables pour réduire les écarts entre les genres au regard de l’emploi, de la rémunération et de la progression professionnelle (OCDE, 2022[94]).

Une étude récente de l’OCDE (Almeida et al., 2024[22]) cartographie l’accessibilité physique de certains services essentiels dans les pays européens de l’OCDE, et constate qu’elle est sensiblement plus limitée dans les régions à faible PIB par habitant. Cette étude estimait les temps de trajet jusqu’à l’établissement le plus proche pour trois catégories de services essentiels (services publics de l’emploi [SPE], éducation et accueil des jeunes enfants, et enseignement primaire) en combinant les données sur l’emplacement des établissements avec les données sur la densité de population et les informations sur le réseau routier¹. Les différences régionales d’accessibilité des services sont prononcées et étroitement liées au PIB par habitant : dans les régions de France et d’Allemagne qui enregistrent un PIB par habitant élevé, par exemple, presque tout le monde peut se rendre dans un centre de SPE en un maximum de 15 minutes en voiture, contre moins de 50 % dans les pays qui affichent le plus faible PIB par habitant. La situation est similaire au regard de l’accès à l’établissement d’éducation et d’accueil des jeunes enfants et à l’école primaire les plus proches, en un maximum de 15 minutes à pied.

Ces disparités témoignent en partie de différences entre les régions métropolitaines et non métropolitaines, mais le rapport entre l’accessibilité des services et le PIB par habitant se vérifie de manière plus générale. Les régions métropolitaines affichent, en moyenne, un PIB par habitant plus élevé et des temps de trajet plus courts pour se rendre au centre de SPE le plus proche, ce qui témoigne essentiellement d’une plus forte densité de population et de meilleures infrastructures de transport. L’analyse par régression confirme cependant un rapport positif statistiquement significatif entre l’accessibilité des services et le PIB par habitant, même après neutralisation d’une série de caractéristiques régionales, dont l’accès aux grandes villes, la densité de population, les niveaux de population et la croissance démographique, la croissance du PIB par habitant, le taux de chômage, et les effets fixes par pays. Sur 661 régions dans 16 pays, un PIB par habitant plus élevé de 10 % est corrélé avec une proportion de personnes pouvant accéder à un centre de SPE en un maximum de 15 minutes en voiture supérieure de 2 p.p.

Cette analyse montre que différents aspects des disparités régionales peuvent se renforcer l’un l’autre (voir également OCDE (2025[2]))^2. Les habitants des régions à faible revenu ont non seulement moins de perspectives d’emploi et moins de revenus, mais aussi un moins bon accès aux services et infrastructures essentiels qui déterminent le niveau de vie et leur permettent de saisir les opportunités économiques qui se présentent³.

	% de personnes à un maximum de 15 minutes en voiture du centre de SPE le plus proche
	(1)	(2)	(3)	(4)
Taux de chômage en 2019 (%)	0.233			0.807***
	(0.307)			(0.253)
Enfants âgés de 5 à 9 ans en 2022 (%)
PIB par h. en 2019 (Ln)		23.389***		20.531***
		(2.920)		(4.029)
Croissance annuelle du PIB par h. 2005-2019 (%)		‑2.951***		‑4.028***
		(0.866)		(0.987)
Population totale en 2022 (Ln)			8.744***	0.480
			(0.755)	(1.331)
Croissance annuelle de la population en 2015-2022 (%)			2.325	‑7.631***
			(1.467)	(2.021)
Densité de population en 2022 (Ln)				6.615***
				(1.157)
2. Métropolitaine – Moyenne				‑2.797
				(3.153)
3. Non métropolitaine – Moyenne				‑4.510
				(3.838)
4. Non métropolitaine – Petite				‑3.867
				(4.017)
5. Non métropolitaine – Éloignée				‑9.723**
				(4.557)
Effets fixes par pays	Oui	Oui	Oui	Oui
Nombre d’observations	692	922	1 612	661
Nombre de pays	18	25	32	16
R-carré ajusté	0.383	0.455	0.546	0.617

Note : Les erreurs types robustes figurent entre parenthèses *** p<0.01, ** p<0.05, * p<0.1 Le nombre de pays inclus dans les régressions varie d’un modèle à l’autre en fonction de la disponibilité des données. Les observations régionales sont pondérées par l’inverse du nombre de régions à l’intérieur d’un pays, de telle sorte que tous les pays ont le même poids. Les données relatives au PIB par habitant et au chômage sont mesurées en 2019 pour éviter d’éventuelles distorsions causées par la crise du COVID‑19. La catégorie de référence pour l’accès aux grandes villes est constituée des grandes régions métropolitaines.

Source : Almeida et al. (2024[22]), « Geographic inequalities in accessibility of essential services », https://doi.org/10.1787/12bab9fb-en.

1. En s’intéressant plus particulièrement aux temps de déplacement, cette analyse rend compte uniquement de l’accessibilité physique des services essentiels ; elle ne tient pas compte d’autres aspects de l’accessibilité, comme la capacité, les horaires d’ouverture ou la qualité. Le travail de suivi en cours examine l’accessibilité compétitive – un indicateur combinant la distance physique et la capacité des services relativement à la demande locale – des services d’éducation et d’accueil des jeunes enfants et des établissements d’enseignement primaire en Estonie et aux Pays‑Bas (Almeida et al., 2026[95]).

2. Cette analyse n’est pas censée estimer un quelconque rapport causal entre l’accessibilité des services et l’activité économique régionale, ce qui nécessiterait une approche considérablement plus complexe. Plus particulièrement, un modèle type de MCO ne peut pas rendre compte d’effets potentiels de rétroaction allant de l’accessibilité des services à l’activité économique.

3. Dans les pays de l’OCDE, les SPE ont considérablement progressé en matière de dématérialisation des services et des opérations, réduisant ainsi la nécessité de visites en personne aux centres de SPE. Cependant, même à l’ère du numérique, l’accessibilité physique demeure importante pour un accompagnement inclusif et efficace, surtout dans le cas des demandeurs d’emploi défavorisés, c’est-à-dire les personnes qui possèdent des compétences numériques limitées, les personnes en situation de handicap, et celles qui bénéficient d’un contact en personne.

2.2.2. Les revenus médians sont plus élevés dans les régions où les taux d’emploi sont plus élevés

Les revenus médians régionaux sont fortement et positivement corrélés avec les taux d’emploi régionaux dans bon nombre de pays, ce qui donne à penser que les disparités régionales des résultats sur le marché du travail sont un vecteur important des disparités de revenu des ménages. Le Graphique 2.10 illustre ce rapport pour quelques pays de l’OCDE comptant un nombre suffisant de régions TL3, en traçant la courbe des revenus disponibles médians des ménages par rapport aux taux d’emploi régionaux. Pour le reste des pays, le coefficient de corrélation entre les revenus médians et les taux d’emploi est lui aussi indiqué dans le Tableau d’annexe 2.E.1. Le rapport est fortement positif dans la plupart des pays pour lesquels on dispose de données sur les deux variables, et relativement plus fort dans l’ensemble que le rapport entre revenu médian et PIB par habitant illustré dans la partie B du Graphique 2.9. Comme dans le cas du PIB par habitant, cependant, quelques pays – l’Autriche étant un exemple notable – n’affichent pas de corrélation manifeste entre taux d’emploi et revenus médians à l’échelle régionale.

Graphique 2.10. À l’échelle régionale, le revenu médian augmente avec le taux d’emploi dans la plupart des pays
Copier le lien de Graphique 2.10. À l’échelle régionale, le revenu médian augmente avec le taux d’emploi dans la plupart des pays

Revenu médian disponible des ménages et taux d’emploi dans les régions TL3, quelques pays, 2023 ou dernière année connue

La corrélation entre revenu médian et taux d’emploi au niveau régional, relativement plus forte que la corrélation entre revenu médian et PIB par habitant, témoigne probablement du rôle central du revenu du travail, voie principale par laquelle la situation économique régionale se traduit en revenu des ménages et, par ricochet, en niveau de vie. Le PIB par habitant rend compte d’un plus large éventail d’activités économiques – dont l’intensité capitalistique des secteurs d’activité locaux et la valeur ajoutée produite par les travailleurs pendulaires – qui ne donne pas nécessairement lieu à des revenus plus élevés pour les ménages résidents. Les taux d’emploi régionaux, à l’inverse, indiquent directement la part des adultes d’âge actif qui ont accès à un revenu du travail, principale source de revenus de la majorité des ménages et premier déterminant de leur niveau de vie. Il est probable que les différences interrégionales de niveau de revenu du travail – causées par la variation de la composition sectorielle, les gains de productivité associés à l’agglomération, l’intensité de compétences et la situation du marché du travail local – renforcent plus encore ce rapport, comme le laisse entendre le constat précédent voulant que les emplois à forte valeur ajoutée soient surtout concentrés dans les régions capitales. Ces résultats cadrent avec des travaux antérieurs concernant la productivité dans les régions capitales (OCDE, 2024[29]) et la concentration territoriale des travailleurs très qualifiés dans les grandes villes (Autor, 2019[96]).

2.2.3. La convergence régionale des revenus dans la plupart des pays pour lesquels on dispose de données témoigne de la convergence des taux d’emploi

Au-delà des disparités transversales des niveaux de revenus dont il est question plus haut, la question se pose pour les politiques publiques de savoir si les régions à la traîne rattrapent les régions plus prospères ou aggravent leur retard. Faute de données, les recherches sur l’évolution interne des disparités régionales a principalement porté sur le PIB par habitant. Elles brossent au mieux un tableau contrasté. Les travaux de l’OCDE couvrant la période qui commence avant la crise financière mondiale constatent que les disparités interrégionales du PIB par habitant se sont creusées dans environ la moitié des pays de l’OCDE pour lesquels on dispose de données (OCDE, 2020[97] ; OCDE, 2024[1]). Le plus récent Rapport sur la cohésion de l’UE présente également des données contrastées et fait état d’une forte convergence dans cinq pays européens de l’OCDE, mais d’une divergence dans six autres (Commission européenne, 2024[81]). Sur un horizon temporel plus long, Ganong et Shoag (2017[5]) montrent que la convergence à long terme des revenus des États américains – décrite pendant la plus grande partie du vingtième siècle par Barro et Sala‑i‑Martin (1992[39]) – a fortement diminué au cours des 30 dernières années.

L’analyse présentée dans cette section dresse un tableau relativement plus encourageant lorsqu’il s’agit du revenu disponible médian des ménages pour la période commençant aux alentours de 2010. La majorité des 19 pays de l’OCDE pour lesquels on dispose de séries chronologiques de données ont connu une convergence du revenu disponible médian des ménages à l’échelle régionale, selon les deux indicateurs de convergence dont il est question dans la section 2.1 (voir le Graphique 2.11, partie A). Pour être plus précis, une $σ$ ‑convergence – une baisse de la dispersion relative des revenus médians régionaux – est observée dans 13 des 19 pays, et une $β$ ‑ convergence – une croissance de rattrapage des régions qui affichaient un revenu médian relativement plus bas au début de la période d’observation – dans 15 des 19 pays. La Tchéquie, la Slovénie et le Chili ont enregistré les plus fortes réductions de la dispersion régionale : leurs coefficients de variation ont baissé de plus de 20 % sous l’effet, dans l’ensemble des cas, d’une croissance de rattrapage dans les régions à plus faible revenu. La République slovaque a rattrapé son retard plus rapidement que les autres pays, mais la dispersion globale du revenu médian régional a diminué relativement plus lentement.

La divergence régionale des revenus, pour les deux indicateurs, s’est limitée à un petit nombre de pays. Les cas les plus notables sont la Lituanie, où la dispersion relative du revenu médian régional a presque doublé pendant la période d’observation, ainsi que la Suède et le Costa Rica, où elle a augmenté d’environ 23 % et 12 % respectivement. Dans ces pays, l’élargissement de la dispersion du revenu régional témoigne d’une combinaison de croissance accélérée du revenu dans les régions capitales qui enregistrent les plus hauts revenus (Vilnius, Stockholm et Central) et d’une croissance moyenne plus lente que la moyenne dans bon nombre des régions à la traîne au début de la période11.

Ces résultats font apparaître une convergence relativement large des revenus régionaux depuis 2010, mais l’ampleur de cette convergence est modeste dans la plupart des pays. Ce constat est particulièrement notable sachant que la période d’observation coïncide avec une progression soutenue de l’emploi dans la plupart des pays de l’OCDE, ce qui pourrait donner lieu d’anticiper un resserrement plus marqué des disparités régionales de revenus. Cela étant dit, les résultats indiqués dans le Graphique 2.11 sous-estiment probablement la convergence réelle des niveaux de vie, car l’analyse corrige des variations des prix au niveau national, mais pas des variations différentielles des niveaux de prix entre les régions. Si le niveau des prix à l’échelle régionale, et des prix du logement en particulier, a augmenté plus rapidement dans les régions à haut revenu, comme le suggèrent, par exemple, des travaux antérieurs sur l’Allemagne (Ahrend et Lembcke, 2016[98]) et les États-Unis (Hsieh et Moretti, 2019[99] ; Fraisse et Pionnier, 2020[100] ; Hornbeck et Moretti, 2024[101]), la convergence des niveaux de vie a été plus forte que ne le laisse paraître le Graphique 2.11.

Les schémas de convergence régionale des revenus reproduisent de près ceux des taux d’emploi (Graphique 2.11, partie B), renforçant ainsi le constat de la sous-section précédente, à savoir que l’emploi est fondamental pour réduire les écarts régionaux de revenu des ménages. Ce lien étroit se traduit par un coefficient de corrélation $ρ$ relativement élevé, de 0.67. La plupart des pays sont regroupés dans le quadrant inférieur gauche : 10 pays sur 14 qui ont vu diminuer la dispersion des taux d’emploi régionaux ont également vu la dispersion régionale des revenus se réduire ; dans les 3 pays où les disparités régionales de taux d’emploi se sont creusées, ce phénomène a été lié à au creusement simultané des disparités régionales de revenus (quadrant supérieur droit). Le rapport n’atteint toutefois pas un pour un : la droite de régression est moins pentue que la ligne à 45 degrés, indiquant que la convergence des taux d’emploi ne se traduit que partiellement en convergence des revenus médians. Cela pourrait tenir à des disparités dans le type d’emplois créés selon le niveau de revenu des régions, ainsi qu’aux effets égalisateurs des systèmes de prélèvements et de prestations redistributifs. La Suède est une exception notable : la dispersion régionale des taux d’emploi a considérablement diminué, tandis que la dispersion régionale des revenus a nettement augmenté. Ce constat indique une divergence d’ampleur comparable des revenus marchands, c’est-à-dire des revenus des ménages avant prélèvements et prestations – une croissance particulièrement rapide étant observée à Stockholm et une croissance plus lente que la moyenne dans la plupart des autres régions – qui fait plus que compenser l’effet égalisateur de la convergence des taux d’emploi. Ce schéma est probablement lié au creusement marqué des inégalités de revenu globales en Suède pendant la même période : une hausse du coefficient de Gini de 2.5 points ou environ 10 %, attribuée en partie aux coupes dans les prestations sociales et aux baisses de la redistribution ainsi causées (Causa et Hermansen, 2017[102] ; Søgaard et al., 2018[103]).

Les schémas de convergence régionale des revenus suivent aussi globalement les évolutions correspondantes de la dispersion du PIB par habitant pendant la même période, bien que le rapport soit beaucoup plus ténu (Graphique 2.11, partie C), avec un coefficient de corrélation $ρ$ de 0.29 seulement. La plupart des pays qui ont connu une baisse de la dispersion régionale du PIB régional par habitant ont également vu diminuer la dispersion des revenus médians régionaux, comme indiqué par le groupe de pays dans le quadrant inférieur gauche de la partie C du Graphique 2.11. À l’opposé, la Lituanie, qui a connu la plus forte divergence des revenus médians régionaux, a également vu diverger les PIB par habitant régionaux (quadrant supérieur droit). Pour plusieurs pays, cependant, les deux schémas de convergence ne concordent pas : l’Autriche, la Lettonie, les Pays‑Bas et la Suède combinent tous divergence régionale des revenus et convergence du PIB par habitant – ce qui les situe dans le quadrant supérieur gauche – tandis que l’inverse se produit en France et en Slovénie. Ce rapport faible et imparfait concorde avec le constat précédent, à savoir que la corrélation entre la dispersion régionale du PIB par habitant et des revenus disponibles médians des ménages n’est pas toujours forte en coupe transversale (Graphique 2.9). Par conséquent, il ne faut pas interpréter les tendances de la dispersion du PIB régional par habitant régional comme un indicateur indirect fiable des variations du revenu des ménages ou du niveau de vie.

L’analyse présentée dans cette section souffre d’un défaut important dans la mesure où le constat d’une convergence des revenus relativement large, bien que modeste, ne se généralisera pas forcément au-delà des pays considérés ici. L’analyse porte sur 19 pays de l’OCDE pour lesquels des données de séries chronologiques sur le revenu disponible médian des ménages ont pu être recueillies ; la corrélation des variations de la convergence des revenus médians et du PIB par habitant dans la partie C du Graphique 2.11 s’appuie sur un échantillon plus restreint de 15 pays pour lesquels des séries chronologiques comparables sur le PIB par habitant sont également disponibles. Ces échantillons de pays peuvent ne pas être représentatifs des variations entre les pays de l’OCDE de manière plus générale. En effet, dans des travaux antérieurs (OCDE, 2020[97] ; OCDE, 2024[1]) l’OCDE avait mis en lumière un creusement des disparités du PIB par habitant datant d’avant la crise financière mondiale dans plusieurs pays qui ne sont pas considérés dans la présente analyse faute de données comparables sur les revenus régionaux, notamment la Pologne, le Royaume‑Uni et les États‑Unis.

Graphique 2.11. Les revenus médians convergent entre les régions depuis 2010 dans la plupart des pays, et la convergence des revenus suit de près celle des taux d’emploi
Copier le lien de Graphique 2.11. Les revenus médians convergent entre les régions depuis 2010 dans la plupart des pays, et la convergence des revenus suit de près celle des taux d’emploi

Sigma-convergence (axe de gauche) et bêta-convergence (axe de droite) des revenus disponibles médians (partie A) et rapport entre la variation relative du coefficient de variation du revenu disponible médian par rapport au taux d’emploi (partie B) et au PIB par habitant (partie C), régions TL3, 2010 à 2024 ou dernières années connues

2.2.4. Les régions capitales sont caractérisées à la fois par des revenus plus élevés et des inégalités plus prononcées, mais il n’existe pas de lien manifeste entre les niveaux de revenu et les inégalités à l’échelle régionale, de manière plus générale

La sous-section qui précède montrait que la convergence régionale des revenus est étroitement corrélée avec la convergence des taux d’emploi, mais que le rapport n’atteint pas un pour un. Ce constat donne à penser que les différences de type et de qualité des emplois entre les régions, notamment la concentration d’emploi à forte valeur ajoutée dans les régions capitales dont il est fait état dans la section 2.1.3, comptent au même titre que les différences de niveaux d’emploi. Cette section examine une autre dimension des disparités régionales des revenus dont les taux d’emploi et les revenus médians seuls ne peuvent pas rendre compte : la distribution intrarégionale des revenus des ménages. En effet, pour étudier les disparités régionales des revenus, les microdonnées administratives ou d’enquêtes ont précisément l’avantage, par rapport aux données des comptes régionaux, de pouvoir mettre en évidence les inégalités de revenus intrarégionales, en plus des différences interrégionales de niveaux de revenu. Outre l’apport d’éléments d’observation supplémentaires sur le rôle du tri spatial pour, à la fois, les niveaux de revenu régional et les inégalités intrarégionales, cela aide à établir le lien entre les disparités régionales de revenus et les inégalités globales de revenus des ménages.

Les inégalités de revenus intrarégionales, mesurées par le coefficient de Gini régional exprimé par rapport au coefficient de Gini national, varient d’un pays à l’autre à un degré comparable à la dispersion du revenu médian dont il est question plus haut. Dans bon nombre de pays de l’OCDE, le coefficient de Gini dans la région la plus inégalitaire est environ 10 à 30 % supérieur au coefficient de Gini national, tandis que les régions les moins inégalitaires enregistrent généralement des niveaux d’inégalités environ 10 à 20 % inférieurs aux niveaux nationaux (Graphique 2.12, partie A). Les régions capitales sont souvent les plus inégalitaires, tandis que les moins inégalitaires sont presque toujours des régions non métropolitaines. Les différences de disparités régionales d’inégalités de revenu entre les pays ne correspondent que partiellement aux données antérieures produites au niveau des régions TL2 (OCDE, 2022[104]), et quelques pays qui comptent beaucoup de régions TL3, comme le Canada, affichent une bien plus grande hétérogénéité dans les données plus granulaires.

Graphique 2.12. Les inégalités de revenu intrarégionales varient elles aussi considérablement et sont souvent plus criantes dans les régions à hauts revenus dans bon nombre de pays
Copier le lien de Graphique 2.12. Les inégalités de revenu intrarégionales varient elles aussi considérablement et sont souvent plus criantes dans les régions à hauts revenus dans bon nombre de pays

Coefficient de Gini fondé sur le revenu disponible (partie A) et son rapport avec le revenu disponible médian dans quelques pays de l’OCDE (partie B), régions TL3, 2024 ou dernière année connue

Il n’existe pas de rapport universel entre le niveau de revenu d’une région et le degré d’inégalités intrarégionales dans les pays pour lesquels on dispose de données. Cela dit, un rapport positif, voulant que les distributions des revenus soient plus inégales dans les régions à revenu élevé, est plus courant. Tel est le cas, par exemple, au Chili, en France, en Espagne et en Suède, où les régions les plus peuplées affichent souvent des niveaux de revenu élevés et de fortes inégalités (Graphique 2.12, partie B). Ce schéma se vérifie également dans la plupart des pays (11 sur 14) comptant un plus petit nombre de régions, pour lesquels le coefficient de corrélation est également indiqué dans le Tableau d’annexe 2.E.1, sachant toutefois que le rapport sera plus probablement causé par des observations extrêmes dans ces cas. La relation inverse est constatée en Autriche et en Belgique, où les régions capitales de Vienne et de Bruxelles enregistrent des revenus médians faibles en même temps que des inégalités relativement fortes. Comme indiqué plus haut, ces revenus médians faibles témoignent en partie du fait que les zones urbaines fonctionnelles de Vienne et Bruxelles s’étalent sur plusieurs petites régions, les banlieues les plus aisées appartenant aux régions voisines de la région capitale12. Aucune relation systématique n’est apparente aux Pays‑Bas et au Japon, où le revenu médian et les niveaux d’inégalités ne diffèrent pas de manière constante entre les régions métropolitaines et non métropolitaines.

En moyenne, les régions capitales se démarquent par des niveaux de revenus plus élevés et des inégalités de revenus plus marquées par rapport au reste du pays. Dans la plupart des pays (15 sur 22), leur revenu médian est au moins 10 % plus élevé que le revenu médian national, mais l’écart est bien plus important que dans des pays comme l’Australie, la France, la Lituanie et le Chili (Graphique 2.13, partie A).13 Ces résultats concordent avec l’écart de revenu disponible par habitant entre les régions métropolitaines et non métropolitaines constaté dans les données issues des comptes régionaux (OCDE, 2024[29]). L’Autriche et la Belgique sont à nouveau les principales exceptions : dans les deux pays, la région capitale enregistre des revenus médians sensiblement inférieurs au revenu médian national et à ceux d’autres types de régions. Dans la plupart des pays, le revenu médian plus élevé dans les régions capitales coïncide avec des inégalités de revenu nettement plus prononcées (Graphique 2.13, partie B), ce qui témoigne souvent de grandes disparités entre les centres urbains et les zones de migration pendulaire qui les entourent (OCDE, 2024[29]). Les exceptions notables sont l’Australie et la République slovaque : Canberra et Bratislava affichent à la fois des revenus médians très élevés et de faibles inégalités. Hors capitale, les régions métropolitaines affichent des revenus médians et des niveaux d’inégalités qui correspondent globalement aux valeurs nationales, tandis que les régions non métropolitaines enregistrent des niveaux moindres à la fois de revenus médians et d’inégalités. Ces moyennes cachent néanmoins des variations importantes à l’intérieur des deux groupes, comme l’illustre le Graphique 2.12, et concordent avec les travaux antérieurs sur les inégalités de revenus au sein des zones urbaines fonctionnelles (Boulant, Brezzi et Veneri, 2016[105]).

Graphique 2.13. En moyenne, les régions capitales enregistrent des revenus médians plus élevés et des inégalités plus marquées
Copier le lien de Graphique 2.13. En moyenne, les régions capitales enregistrent des revenus médians plus élevés et des inégalités plus marquées

Revenus médians disponibles au niveau régional (partie A) et coefficients de Gini (partie B), en moyenne, pour les régions TL3 métropolitaines et non métropolitaines, 2024 ou dernière année connue

Le plus fort degré d’inégalités observé dans les régions capitales témoigne de la concentration des ménages à hauts revenus. Dans la plupart des pays pour lesquels on dispose de données, les ménages qui appartiennent aux 5 % du haut de la distribution des revenus sont largement surreprésentés dans les régions capitales par rapport aux autres régions métropolitaines et non métropolitaines (Graphique 2.14). Les exceptions sont une fois de plus l’Autriche et la Belgique, où, comme indiqué plus haut, la région capitale est entourée de régions suburbaines nanties. La distribution des ménages modestes, c’est-à-dire qui appartiennent aux 20 % du bas de la distribution, suit un schéma comparable, mais moins prononcé : dans la plupart des pays, ces ménages sont sous-représentés dans les régions capitales et surreprésentés dans les régions non métropolitaines. L’Autriche et la Belgique font à nouveau exception et sont rejointes par le Danemark.

Graphique 2.14. Les ménages à revenu élevé sont surreprésentés et les ménages modestes sous-représentés dans les régions capitales
Copier le lien de Graphique 2.14. Les ménages à revenu élevé sont surreprésentés et les ménages modestes sous-représentés dans les régions capitales

Part de la population appartenant aux 5 % du haut (partie A) et aux 20 % du bas (partie B) de la distribution des revenus, par type de région, 2024 ou dernière année connue

2.2.5. La plupart des inégalités de revenu des ménages sont intrarégionales plutôt qu’interrégionales

Les disparités régionales dont il est question dans ce chapitre sont criantes dans plusieurs pays, mais il est utile de les remettre dans leur contexte en évaluant leur contribution aux inégalités globales de revenu des ménages. Une méthode courante consiste à décomposer les inégalités globales de revenus en deux parties : la partie qui traduit des différences interrégionales de revenus moyens et celle due à des différences intrarégionales de revenus. L’indice de Gini, l’indicateur des inégalités de revenus le plus utilisé, notamment plus haut dans ce chapitre pour caractériser les distributions intrarégionales des revenus, ne peut pas être décomposé de cette manière. Cette décomposition produit en effet un terme d’interaction résiduel qui ne peut pas être attribué à l’une ou à l’autre partie. D’autres indicateurs des inégalités couramment utilisés, de la famille des indices d’entropie généralisée, comme l’indice de Theil et l’écart logarithmique moyen, ne souffrent pas de cette restriction et peuvent être décomposés additivement en composantes interrégionale et intrarégionale (Bourguignon, 1979[106] ; Shorrocks, 1980[107]). L’Encadré 2.6 donne une description technique de la décomposition de l’indice de Theil utilisée dans cette sous-section.

Encadré 2.6. Décomposition des inégalités globales de revenu des ménages en composantes interrégionale et intrarégionale

Copier le lien de Encadré 2.6. Décomposition des inégalités globales de revenu des ménages en composantes interrégionale et intrarégionale

Une méthode couramment employée pour évaluer la contribution des disparités régionales aux inégalités globales de revenus consiste à décomposer l’indice de Theil – l’un des indicateurs des inégalités de revenu les plus largement utilisés avec le coefficient de Gini – en composantes interrégionale et intrarégionale.

L’indice de Theil est défini comme suit :

$Τ = \sum_{r} \sum_{i} (\frac{y_{r i}}{Y}) l n (\frac{y_{r i} / Y}{n_{r i} / N}),$

où $y_{r i}$ est le revenu du ménage i qui réside dans la région r, et les ratios $y_{r i} / Y$ et $n_{r i} / N$ donnent le revenu et la population du ménage i en parts du revenu national total Y et de la population totale N.

Cet indice peut être décomposé ainsi $Τ_{T o t a l} = Τ_{B e t w e e n} + Τ_{W i t h i n}$ , où :

$Τ_{B e t w e e n} = \sum_{r} (\frac{Y_{r}}{Y}) l n (\frac{Y_{r} / Y}{N_{r} / N})$

est l’indice de Theil interrégional, $Y_{r}$ dénotant le revenu total de la région r, et les ratios $Y_{r} / Y$ et $N_{r} / N$ donnant le revenu et la population de la région r en parts des totaux nationaux ; et

$Τ_{W i t h i n} = \sum_{r} (\frac{Y_{r}}{Y}) Τ_{r}$

est la composante intrarégionale, définie comme une moyenne pondérée par le revenu des indices de Theil, calculée pour les ménages à l’intérieur de chaque région r, avec $Τ_{r} = \sum_{i \in r} (\frac{y_{r i}}{Y_{r}}) l n (\frac{y_{r i} / Y_{r}}{n_{r i} / N_{r}})$

L’analyse couvre une sélection de 20 pays pour lesquels les indices de Theil pourraient être calculés au niveau TL3.

Cette décomposition montre que les disparités régionales représentent une petite part seulement des inégalités globales de revenu disponible des ménages. Dans les pays de l’OCDE pour lesquels on dispose de données, les différences de revenu moyen entre les régions expliquent, en moyenne, environ 5 % des inégalités totales de revenu des ménages ; les 95 % restants traduisent des différences de revenu des ménages vivant dans la même région (Graphique 2.15)14. La part d’inégalités interrégionales est la plus importante dans les pays caractérisés par de grandes disparités régionales de revenu médian, comme Israël, la Grèce, la Lituanie, le Chili et l’Australie (voir le Graphique 2.9). Or, même en Israël – le seul pays où elle dépasse 10 % – la composante intrarégionale l’emporte de loin. À l’opposé, la part interrégionale est négligeable en Nouvelle‑Zélande, en Autriche, en Norvège, au Danemark et en Finlande, où elle représente entre 1 % et 3 % seulement des inégalités totales.

Graphique 2.15. Les différences interrégionales représentent une petite partie seulement des inégalités globales de revenu des ménages
Copier le lien de Graphique 2.15. Les différences interrégionales représentent une petite partie seulement des inégalités globales de revenu des ménages

Part des inégalités totales de revenu des ménages découlant des inégalités *interrégionales* ou *intrarégionales*, régions TL3, 2024 ou dernière année connue

Ce constat cadre avec un volet de travail de plus longue haleine sur la décomposition des inégalités de revenu entre les composantes interrégionale et intrarégionale (Shorrocks et Wan, 2005[108] ; Novotný, 2007[109] ; Carrascal-Incera et al., 2020[110]), bien que la plupart des études antérieures aient porté sur le PIB par habitant et/ou des unités géographiques de plus grande taille15. Dans son étude des disparités régionales de revenu disponible des ménages dans les pays de l’OCDE, Piacentini (2014[76]) constate que les différences interrégionales au niveau TL2 représentent entre 1 % et 6 % des inégalités globales de revenus dans huit pays européens pour lesquels on dispose de données. Une étude qui exploite des données plus granulaires du Chili attribue 5.6 % des inégalités globales de revenu disponible à des variations entre les régions au niveau TL2, 2.2 % à des variations entre les provinces au niveau TL3 et 9 % à des variations entre les communautés locales. Les 83 % restants correspondent aux différences de revenu entre des ménages de la même communauté (Paredes, Iturra et Lufin, 2014[111]). Ensemble, ces résultats donnent à penser que l’influence de la situation géographique sur les inégalités de revenus augmente à mesure que l’unité d’analyse s’affine, mais que les inégalités entre les ménages au sein d’une même zone demeurent dominantes à tous les niveaux d’agrégation. Des résultats comparables sont obtenus pour le revenu du travail : Bauluz et al. (2024[40]) constatent que 2 % à 8 % les inégalités salariales nationales dans cinq pays de l’OCDE tiennent à des différences de de salaire moyen entre les marchés du travail locaux. Une perspective internationale renforce ce tableau : Blanchet, Chancel et Gethin (2022[112]) utilisent une décomposition de Theil pour montrer qu’environ 3 % seulement des inégalités de revenu avant prélèvements aux États-Unis peuvent être attribuées à des variations entre les États, tandis qu’en Europe, 17 % de ces inégalités correspondent à des variations entre les pays plutôt qu’à des variations internes.

Cependant, la mince part des variations interrégionales des revenus dans les inégalités globales ne doit pas être considérée comme une preuve que le lieu de résidence est sans importance. Elle témoigne, avant tout, du fait que toute agrégation régionale groupera des ménages dont les revenus et les niveaux de vie sont très différents, et que ces différences intrarégionales dominent fortement les différences interrégionales de revenu moyen. Ce propos est illustré dans le Graphique d’annexe 2.E.3, lequel trace la courbe de distribution du revenu disponible des ménages des régions TL3 en Belgique et en Estonie en s’appuyant sur des microdonnées de sources administratives. Le revenu disponible médian des ménages varie considérablement d’une région à l’autre dans les deux pays : de 81 % du revenu médian national dans la Région de Bruxelles-Capitale qui affiche les revenus les plus bas, à 121 % dans la région d’Arlon où les revenus sont les plus élevés, et de 75 % dans le nord-est de l’Estonie à 116 % dans le nord. Ces variations représentent pourtant peu de choses comparées à la répartition des revenus dans chaque région, comme l’indiquent les marqueurs des 10^e et 90^e centiles. Par conséquent, les répartitions régionales des revenus coïncident fortement. Les données du Chili citées plus haut (Paredes, Iturra et Lufin, 2014[111]) donnent par ailleurs à penser que la part de ces variations intrarégionales au niveau TL3 traduisent des différences de revenu entre les communautés locales, ce qui signifie que l’étude d’unités spatiales plus précises pourrait révéler une plus grande contribution des disparités géographiques aux inégalités globales de revenus. Les calculs de l’OCDE concernant deux pays pour lesquels les indices de Theil au niveau local ont pu être recueillis, indiquent également que cela est le cas : pour l’Autriche et la Finlande, la composante interterritoriale augmente, passant respectivement de 0.7 % à 2.3 % et de 2.3 % à 3.8 %, entre le niveau TL3 et le niveau LAU (OECD, à paraître[20]), d’où l’importance d’une collecte de données fine pour mesurer avec précision les conditions de vie des populations.

D’autre part, cette analyse de décomposition ne livre qu’un aperçu des inégalités territoriales, sans s’intéresser à l’influence des disparités régionales sur les trajectoires de revenu des individus dans le temps. Même dans les pays où les écarts régionaux de revenu médian sont relativement modestes, les perspectives économiques des habitants des régions à faible revenu sont plus limitées. L’accumulation de ces contraintes tout au long de leur vie se traduit par de moindres perspectives de mobilité ascendante et un plus grand risque de mobilité descendante. La section qui suit s’intéresse à cette dimension dynamique.

2.3. Ascension sur l’échelle des revenus : les disparités régionales en matière de mobilité des revenus

Copier le lien de 2.3. Ascension sur l’échelle des revenus : les disparités régionales en matière de mobilité des revenus

Comme nous l’avons vu plus haut dans ce chapitre, un lien étroit existe entre niveaux élevés de revenu régional et meilleures perspectives d’emploi (voir le Graphique 2.10). Une étude précédente utilisant le PIB par habitant comme indicateur indirect des revenus constate que les régions à faible revenu sont désavantagées de plusieurs façons dans d’autres dimensions et que ces désavantages se renforcent les uns les autres ; parmi eux, des services essentiels moins accessibles (voir l’Encadré 2.5), des infrastructures de moindre qualité et des institutions moins efficaces (Charron, Dijkstra et Lapuente, 2014[113] ; OCDE, 2024[1] ; OCDE, 2024[29] ; OCDE, 2025[2]). Les faibles taux de mobilité interrégionale dont il est question plus haut dans ce chapitre (voir le Graphique 2.6) laissent entendre qu’il est peu probable que les travailleurs changent de région en quête de meilleures perspectives d’emploi. Les perspectives économiques plus restreintes dans les régions à faible revenu pourraient donc signifier, pour les habitants de ces régions, des possibilités de progression salariale elles aussi plus limitées.

Cette section présente des données factuelles sur ces disparités régionales de mobilité des revenus pour quelques pays, en s’appuyant sur une nouvelle infrastructure de l’OCDE pour l’étude de la dynamique des revenus (voir l’Annexe 2.C). L’infrastructure en question tire parti des registres des impôts et autres sources de données administratives appariés qui suivent la population entière – ou de grands échantillons de la population – dans le temps, permettant ainsi d’observer les revenus et le lieu de résidence des personnes sur de plus longues périodes. L’analyse s’inscrit dans le prolongement de travaux antérieurs de l’OCDE utilisant cette infrastructure, qui étudiaient la mobilité des revenus au niveau national (Königs et Terrero-Dávila, 2025[114]). Il s’agit de la première analyse internationale de la mobilité des revenus disponibles tout au long de la vie au niveau TL3. Elle s’ajoute aux précédentes données d’observation qui mettaient en évidence le rôle du territoire dans la mobilité intergénérationnelle des revenus (OCDE, 2025[2] ; Chetty et al., 2026[115]).

Les habitants des régions à faible revenu connaissent, en moyenne, une plus faible mobilité ascendante de leur revenu tout au long de la vie que les habitants des régions à haut revenu ; constat qui témoigne des inégalités des chances d’un territoire à l’autre. Pour illustrer ce propos, l’analyse suit la dynamique des revenus des personnes d’âge actif à faible revenu sur une période de six ans. Elle s’intéresse aux personnes qui se situent aux alentours du 15^e centile de la distribution nationale des revenus et qui ne changent pas de région pendant cette période. Cela permet de comparer des personnes à faible revenu, dont le revenu de départ est le même, mais qui sont exposées de manière continue à des situations locales différentes16. Compte tenu de la mobilité interrégionale limitée dans les pays de l’OCDE (Graphique 2.6), cependant, les résultats ne changent pas sensiblement lorsque les personnes qui changent de région sont incluses.

Parmi ces personnes à revenu modeste, celles qui vivent dans des régions à faible revenu – les régions qui appartiennent au quintile le plus bas des revenus médians régionaux – connaissent une plus faible mobilité à la fois relative et absolue du revenu. En particulier, ces personnes :

Progressent moins, en moyenne, dans la distribution des revenus de leur pays. Par exemple, en Finlande, les personnes à revenu modeste qui vivent dans les régions à faible revenu progressent, en moyenne, de 10 centiles sur six ans, tandis que leurs équivalents dans la région capitale de Helsinki‑Uusimaa progressent en moyenne de 17 centiles (Graphique 2.16, partie A). L’écart entre les habitants des régions à faible et à haut revenu est également important en Estonie et en Espagne, relativement moindre en Norvège, et minime au Canada. La progression moyenne dans la distribution des revenus est un indicateur fréquemment utilisé de la mobilité relative (Loisel et Sicsic, 2024[116] ; Chetty et al., 2014[83])17.
Sont exposées à un plus grand risque de stagnation de leur niveau de vie. Dans la plupart des pays, la part de personnes dont le revenu ne progresse pas en six ans est également plus élevée dans les régions à faible revenu (Graphique 2.16, partie B). En Belgique, par exemple, 31 % des bas salaires qui vivent à La Louvière, une région wallonne à faible revenu, ne connaissent aucune progression de revenu après correction de l’inflation, par rapport à 22 % dans la région flamande à haut revenu de Roeselare. Les disparités régionales sont moins prononcées dans les pays nordiques et en Autriche.

Par conséquent, on observe également une plus grande persistance des revenus modestes dans les régions à faible revenu. Dans tous les pays pour lesquels on dispose de données, les personnes au bas de la distribution des revenus qui vivent dans des régions à faible revenu ont tendance à avoir un revenu modeste pendant plus longtemps que celles qui vivent dans les régions à haut revenu (Graphique 2.16, partie C). Globalement, la persistance au bas de la distribution sur une période de six ans est la plus forte en Norvège (42 % dans les régions à faible revenu et 37 % dans les régions à haut revenu) et la plus faible en Estonie (27 % et 18 %).

Le degré inférieur de mobilité ascendante dans les régions à faible revenu pourrait refléter en partie les caractéristiques des habitants de ces régions ; ils pourraient être plus âgés, par exemple, ou avoir un moindre niveau de formation. Tout porte néanmoins à croire que les disparités régionales de caractéristiques des habitants ne sont pas le déterminant principal des différences de mobilité des revenus. Des travaux antérieurs menés par l’OCDE pour la Belgique (OCDE, 2025[2]) en utilisant les mêmes microdonnées administratives constatent des différences régionales de mobilité des revenus persistantes, même après prise en compte des caractéristiques individuelles ; constat qui cadre avec une étude plus ancienne en provenance des États-Unis qui utilisait une méthodologie comparable (Auten et Gee, 2009[117]). Les résultats donnent plutôt à penser que les perspectives économiques et professionnelles plus limitées dans les régions à faible revenu (voir la section 2.1) donnent lieu à moins de possibilités de progression des revenus et, partant, à un niveau de vie inférieur tout au long de la vie.

Les habitants des régions moins dynamiques sur le plan économique sont également plus exposés aux risques de mobilité descendante, notamment de perte d’emploi. Lors des récessions passées, les régions caractérisées par une moindre part de l’emploi dans les secteurs peu productifs (Di Caro, 2014[118] ; Crescenzi, Luca et Milio, 2016[119]) et des marchés du travail moins dynamiques (Fratesi et Rodríguez-Pose, 2016[36]) ont subi les plus lourdes pertes d’emplois. Il ressort également des travaux de recherche que les travailleurs des régions à faible taux d’emploi sont plus menacés de suppressions d’emplois (Bilal, 2023[4]). Pour les personnes qui perdent leur emploi, le taux d’emploi initialement plus élevé et le moindre nombre d’entreprises très productives sur le marché du travail local sont corrélés avec de plus longues périodes de chômage et des pertes de revenus plus lourdes et plus persistantes (Jacobson, Lalonde et Sullivan, 1993[120] ; Athey et al., 2024[121]) (voir également le chapitre 3).

Graphique 2.16. Les régions à faible revenu offrent moins de perspectives de mobilité économique ascendante
Copier le lien de Graphique 2.16. Les régions à faible revenu offrent moins de perspectives de mobilité économique ascendante

Résultats en matière de mobilité au cours des cinq années suivantes pour les personnes initialement situées dans le 15^e centile de la distribution nationale des revenus, régions TL3, 2017 à 2022

2.4. Conclusions

Copier le lien de 2.4. Conclusions

La persistance des inégalités régionales est lourde de conséquences économiques et sociales. Une telle situation peut rendre une économie moins résiliente et empêcher l’exploitation du potentiel de croissance dans les régions à la traîne. L’existence d’un sentiment d’abandon économique au sein de la population de ces régions peut éroder la cohésion sociale et saper la confiance dans les institutions démocratiques et économiques.

Il faut, pour décrire ces inégalités dans le détail, des données qui dépassent ce que les enquêtes sur la population active et les enquêtes auprès des ménages dans bon nombre de pays peuvent offrir. Les données d’enquêtes demeurent le fondement de l’analyse des marchés du travail présentée dans ce chapitre, mais l’analyse des revenus des ménages et de la mobilité des revenus puise dans les microdonnées de registres, témoignant ainsi de l’immense potentiel de ces données pour l’analyse internationale dans ce domaine. Les microdonnées administratives sur les trajectoires d’emploi et de revenu ainsi que sur les caractéristiques des entreprises sont désormais au cœur des travaux sur la dynamique du marché du travail, la mobilité professionnelle et la productivité que l’OCDE mène dans le cadre du projet LinkEED 2.018. Le chapitre 3 des présentes Perspectives de l’emploi, consacré aux incidences du changement structurel sur les marchés locaux du travail, est l’un des résultats de ce projet. Il ressort de l’analyse exposée dans ce chapitre que ces données sont tout aussi pertinentes pour analyser les inégalités de revenu et la mobilité des revenus dans plusieurs pays. Si cela est possible, c’est grâce aux progrès réalisés dans de nombreux pays de l’OCDE lorsqu’il s’agit de relier les unes aux autres différentes sources de données administratives et de les mettre à disposition pour les besoins de la recherche et de l’analyse des politiques. Par comparaison avec la plupart des enquêtes, leur bien plus grand nombre d’observations permet d’analyser avec un niveau de détail élevé les segments de la distribution des revenus, les groupes sociodémographiques et les lieux géographiques. De plus, leur dimension longitudinale permet de suivre l’évolution de la situation des individus et des ménages sur de longues périodes. La conjugaison de ces propriétés ouvre de grandes possibilités pour, à l’avenir, étudier dans plusieurs pays les trajectoires de revenu, le rôle des ménages et des systèmes de protection sociale face aux chocs de prix ainsi que les facteurs qui déterminent les niveaux de vie tout au long de l’existence.

À partir de ces différentes sources de données, ce chapitre explique les fortes disparités régionales que l’on observe dans de nombreux pays de l’OCDE au regard des résultats sur le marché du travail et de la distribution des revenus des ménages. Il montre que les perspectives professionnelles des individus dépendent du lieu où ils vivent et que les disparités régionales en matière d’emploi s’étendent aux revenus des ménages et, par ricochet, aux niveaux de vie. Si les écarts interrégionaux de revenu moyen ne représentent qu’une fraction du niveau global des inégalités de revenu des ménages à un moment donné, il ressort également de ce chapitre que la mobilité des revenus est moins favorable dans les régions à faible revenu. En effet, vivre dans une région caractérisée par un marché du travail plus faible, une dynamique économique plus lente et un accès plus limité aux infrastructures et services essentiels revient à cumuler les pertes de chances économiques tout au long de sa vie, avec à la clé une pérennisation des niveaux de vie modestes.

Ce constat souligne l’importance de mener des politiques territoriales qui garantissent l’accès au marché du travail et aux possibilités économiques, indépendamment du lieu où l’on vit. De telles politiques sont de nature à réduire l’inadéquation spatiale entre les effectifs et les entreprises, à aligner l’offre de compétences et de main-d’œuvre sur la demande locale, à améliorer l’infrastructure et les services disponibles à l’échelle régionale et à aider les régions à s’adapter aux transformations structurelles qui ont des effets territoriaux inégaux. L’OCDE a produit des données probantes essentielles au sujet de l’incidence que les mégatendances ont sur le marché du travail du point de vue géographique. Parmi les mégatendances étudiées figurent l’automatisation (OCDE, 2018[26]), les transitions vers des économies bas carbone (OCDE, 2023[27]), l’essor de l’IA générative (OCDE, 2024[28]) et la transition démographique (OCDE, 2025[122]). Le récent rapport Place‑based Policies for the Future (Des politiques territoriales pour l’avenir) donne une synthèse des informations actuellement disponibles sur la conception et l’évaluation des interventions territoriales (OCDE, 2025[13]) ; la Recommandation de l’OCDE sur la politique de développement régional et la boîte à outils élaborée pour permettre sa mise en œuvre (OCDE, 2023[12]) définissent les principes directeurs qui doivent régir les politiques de développement régional, concernant le renforcement des capacités, la gouvernance pluriniveaux, et le rôle de la fiscalité régionale et locale, des transferts budgétaires et des mécanismes de péréquation dans la réduction des disparités régionales. Il est essentiel que de telles politiques viennent compléter celles engagées à l’échelle nationale pour développer les compétences et l’employabilité de la population, pour faire grimper la productivité et les salaires ainsi que pour assurer une protection sociale adéquate et une redistribution efficace (voir également le chapitre 3).

Références

[24] Ahrend, R. et al. (2026), « Measuring industrial restructuring pressure in regions: An employment-based index », Documents de travail de l’OCDE sur le développement économique et la création locale d’emplois, n° 2026/01, Éditions OCDE, Paris, https://doi.org/10.1787/14baf9f3-en.

[25] Ahrend, R. et al. (2026), « Resilient, bouncing back or trapped?: Mapping responses to industrial restructuring pressure », Documents de travail de l’OCDE sur le développement économique et la création locale d’emplois, n° 2026/02, Éditions OCDE, Paris, https://doi.org/10.1787/1817c1cc-en.

[98] Ahrend, R. et A. Lembcke (2016), « Does It Pay to Live in Big(ger) Cities?: The Role of Agglomeration Benefits, Local Amenities, and Costs of Living », Documents de travail de l’OCDE sur le développement régional, n° 2016/9, Éditions OCDE, Paris, https://doi.org/10.1787/e0490ba8-en.

[91] Alasia, A., J. Amann et P. Horvat (2025), « Towards measuring purchasing power parity across OECD regions », Methodological background note submitted to the 49th Meeting of the Working Party on Territorial Indicators, CFE/RDPC/TI(2025)4.

[95] Almeida, V. et al. (2026), « Geographic disparities in service accessibility in Estonia and the Netherlands - How transport modes, proximity and capacity shape accessibility across cities, towns and rural areas », Documents de travail de l’OCDE sur les affaires sociales, l’emploi et les migrations, Éditions OCDE, Paris, https://doi.org/10.1787/63b9abef-en.

[22] Almeida, V. et al. (2024), « Geographic inequalities in accessibility of essential services », Documents de travail de l’OCDE sur les affaires sociales, l’emploi et les migrations, n° 307, Éditions OCDE, Paris, https://doi.org/10.1787/12bab9fb-en.

[70] Anselin, L. (1995), « Local Indicators of Spatial Association—LISA », Geographical Analysis, vol. 27/2, pp. 93-115, https://doi.org/10.1111/j.1538-4632.1995.tb00338.x.

[65] Artamonova, A. et A. Syse (2021), « Do older parents’ assistance needs deter parent-child geographic divergence in Norway? », Health & Place, vol. 70, p. 102599, https://doi.org/10.1016/j.healthplace.2021.102599.

[121] Athey, S. et al. (2024), « The Heterogeneous Earnings Impact of Job Loss Across Workers, Establishments, and Markets », NBER Working Paper 34946, https://www.nber.org/system/files/working_papers/w34946/w34946.pdf.

[117] Auten, G. et G. Gee (2009), « Income Mobility in the United States: New Evidence from Income Tax Data », National Tax Journal, vol. 62/2, pp. 301-328, https://doi.org/10.17310/ntj.2009.2.05.

[96] Autor, D. (2019), « Work of the Past, Work of the Future », AEA Papers and Proceedings, vol. 109, pp. 1-32, https://doi.org/10.1257/pandp.20191110.

[54] Autor, D., D. Dorn et G. Hanson (2016), « The China Shock: Learning from Labor-Market Adjustment to Large Changes in Trade », Annual Review of Economics, vol. 8/1, pp. 205-240, https://doi.org/10.1146/annurev-economics-080315-015041.

[39] Barro, R. et X. Sala-i-Martin (1992), « Convergence », Journal of Political Economy, vol. 100/2, pp. 223-251, https://doi.org/10.1086/jpe.100.2.2138605.

[40] Bauluz, L. et al. (2024), « Inégalités salariales territoriales en Amérique du Nord et en Europe de l’Ouest : variations entre et au sein des zones géographiques 1975-2019 », Document de travail de la Banque de France n° 957, https://www.banque-france.fr/fr/publications-et-statistiques/publications/inegalites-salariales-territoriales-en-amerique-du-nord-et-en-europe-de-louest-variations-entre-et.

[49] Beugelsdijk, S., M. Klasing et P. Milionis (2017), « Regional economic development in Europe: the role of total factor productivity », Regional Studies, vol. 52/4, pp. 461-476, https://doi.org/10.1080/00343404.2017.1334118.

[4] Bilal, A. (2023), « The Geography of Unemployment », The Quarterly Journal of Economics, vol. 138/3, pp. 1507–1576, https://doi.org/10.1093/qje/qjad010.

[112] Blanchet, T., L. Chancel et A. Gethin (2022), « Why Is Europe More Equal than the United States? », American Economic Journal: Applied Economics, vol. 14/4, pp. 480-518, https://doi.org/10.1257/app.20200703.

[84] Bonnet, F., H. d’Albis et A. Sotura (2021), « Les inégalités de revenu entre les départements français depuis cent ans », Economie et Statistique / Economics and Statistics 526-527, pp. 49-69, https://doi.org/10.24187/ecostat.2021.526d.2052.

[105] Boulant, J., M. Brezzi et P. Veneri (2016), « Income Levels And Inequality in Metropolitan Areas: A Comparative Approach in OECD Countries », Documents de travail de l’OCDE sur le développement régional, n° 2016/6, Éditions OCDE, Paris, https://doi.org/10.1787/5jlwj02zz4mr-en.

[106] Bourguignon, F. (1979), « Decomposable Income Inequality Measures », Econometrica, vol. 47/4, p. 901, https://doi.org/10.2307/1914138.

[128] Breau, S. et R. Saillant (2016), « Regional income disparities in Canada: exploring the geographical dimensions of an old debate », Regional Studies, Regional Science, vol. 3/1, pp. 463-481, https://doi.org/10.1080/21681376.2016.1244774.

[64] Caliendo, M., S. Künn et R. Mahlstedt (2017), « The return to labor market mobility: An evaluation of relocation assistance for the unemployed », Journal of Public Economics, vol. 148, pp. 136-151, https://doi.org/10.1016/j.jpubeco.2017.02.008.

[43] Card, D., J. Rothstein et M. Yi (2023), Location, Location, Location, National Bureau of Economic Research, Cambridge, MA, https://doi.org/10.3386/w31587.

[110] Carrascal-Incera, A. et al. (2020), « UK interregional inequality in a historical and international comparative context », National Institute Economic Review, vol. 253, pp. R4-R17, https://doi.org/10.1017/nie.2020.26.

[77] Castells-Quintana, D., R. Ramos et V. Royuela (2015), « Income inequality in European Regions: Recent trends and determinants », Review of Regional Research, vol. 35/2, pp. 123-146, https://doi.org/10.1007/s10037-015-0098-4.

[59] Causa, O., M. Abendschein et M. Cavalleri (2021), « The laws of attraction: Economic drivers of inter-regional migration, housing costs and the role of policies », Documents de travail du Département des affaires économiques de l’OCDE, n° 1679, Éditions OCDE, Paris, https://doi.org/10.1787/da8e368a-en.

[102] Causa, O. et M. Hermansen (2017), « Income redistribution through taxes and transfers across OECD countries », Documents de travail du Département des affaires économiques de l’OCDE, n° 1453, Éditions OCDE, Paris, https://doi.org/10.1787/bc7569c6-en.

[9] Causa, O. et J. Pichelmann (2020), « Should I stay or should I go? Housing and residential mobility across OECD countries », Documents de travail du Département des affaires économiques de l’OCDE, n° 1626, Éditions OCDE, Paris, https://doi.org/10.1787/d91329c2-en.

[55] Celli, V., A. Cerqua et G. Pellegrini (2023), « The long-term effects of mass layoffs: do local economies (ever) recover? », Journal of Economic Geography, vol. 23/5, pp. 1121–1144, https://doi.org/10.1093/jeg/lbad012.

[89] Chan, J., S. Ellingsen et H. Simpson (2025), « Spatial Inequality, Regional Growth and Economic Geography », Bank of England Staff Working Paper, vol. 1152, https://www.bankofengland.co.uk/-/media/boe/files/working-paper/2025/spatial-inequality-regional%20growth-and-economic-geography.pdf.

[113] Charron, N., L. Dijkstra et V. Lapuente (2014), « Mapping the Regional Divide in Europe: A Measure for Assessing Quality of Government in 206 European Regions », Social Indicators Research, vol. 122/2, pp. 315-346, https://doi.org/10.1007/s11205-014-0702-y.

[115] Chetty, R. et al. (2026), « The Opportunity Atlas: Mapping the Childhood Roots of Social Mobility », American Economic Review, vol. 116/1, pp. 1-51, https://doi.org/10.1257/aer.20200108.

[83] Chetty, R. et al. (2014), « Where is the land of Opportunity? The Geography of Intergenerational Mobility in the United States * », The Quarterly Journal of Economics, vol. 129/4, pp. 1553–1623, https://doi.org/10.1093/qje/qju022.

[23] Cho, J. et H. Jeon (2025), « The geography of opportunity: Job accessibility and income in 10 Functional Urban Areas in the United States », OECD Regional Development Papers, n° 157, Éditions OCDE, Paris, https://doi.org/10.1787/51094842-en.

[52] Clarke, G., R. Martin et P. Tyler (2016), « Divergent cities? Unequal urban growth and development », Cambridge Journal of Regions, Economy and Society, vol. 9/2, pp. 259-268, https://doi.org/10.1093/cjres/rsw011.

[72] Combes, P., G. Duranton et L. Gobillon (2008), « Spatial wage disparities: Sorting matters! », Journal of Urban Economics, vol. 63/2, pp. 723-742, https://doi.org/10.1016/j.jue.2007.04.004.

[42] Combes, P. et L. Gobillon (2015), « The Empirics of Agglomeration Economies », dans Handbook of Regional and Urban Economics, Elsevier, https://doi.org/10.1016/b978-0-444-59517-1.00005-2.

[21] Commission européenne (2024), Employment and Social Developments in Europe: Upward Social Convergence in the EU and the Role of Social Investment, Office des publications de l’Union européenne, https://employment-social-affairs.ec.europa.eu/employment-and-social-developments-europe-2024_en.

[81] Commission européenne (2024), Neuvième rapport sur la cohésion économique, sociale et territoriale, Office des publications de l’Union européenne, https://doi.org/10.2776/598901.

[38] Commission européenne (2014), Investissement dans l’emploi et la croissance : La promotion du développement et de la bonne gouvernance dans les régions et villes de l’UE, Office des publications de l’Union européenne, Bruxelles, https://data.europa.eu/doi/10.2776/79633.

[37] Commission européenne (2013), La dimension régionale et urbaine de la crise : Huitième rapport d’étape sur la cohésion économique, sociale et territoriale, Office des publications de l’Union européenne, Bruxelles, https://op.europa.eu/s/Aiqv.

[67] Cracolici, M., M. Cuffaro et P. Nijkamp (2008), « A spatial analysis on Italian unemployment differences », Statistical Methods and Applications, vol. 18/2, pp. 275-291, https://doi.org/10.1007/s10260-007-0087-z.

[119] Crescenzi, R., D. Luca et S. Milio (2016), « The geography of the economic crisis in Europe: national macroeconomic conditions, regional structural factors and short-term economic performance », Cambridge Journal of Regions, Economy and Society, vol. 9/1, pp. 13-32, https://doi.org/10.1093/cjres/rsv031.

[8] De la Roca, J. (2017), « Selection in initial and return migration: Evidence from moves across Spanish cities », Journal of Urban Economics, vol. 100, pp. 33-53, https://doi.org/10.1016/j.jue.2017.04.004.

[118] Di Caro, P. (2014), « Recessions, recoveries and regional resilience: evidence on Italy », Cambridge Journal of Regions, Economy and Society, vol. 8/2, pp. 273-291, https://doi.org/10.1093/cjres/rsu029.

[35] Dijkstra, L., E. Garcilazo et P. McCann (2015), « The effects of the global financial crisis on European regions and cities », Journal of Economic Geography, vol. 15/5, pp. 935-949, https://doi.org/10.1093/jeg/lbv032.

[85] Dzhavatova, K. et al. (2025), « Nordic spatial variations in demographic, social, and economic characteristics: A visual guide », Nordregio Working Paper 2025:2, https://doi.org/10.6027/wp2025:2.1403-2511.

[127] Elbers, C. et al. (2007), « Reinterpreting between-group inequality », The Journal of Economic Inequality, vol. 6/3, pp. 231-245, https://doi.org/10.1007/s10888-007-9064-x.

[80] Erfurth, P. (2023), « Is income inequality converging at the regional level? Evidence from LIS data », Journal of Economic Geography, vol. 24/3, pp. 375-392, https://doi.org/10.1093/jeg/lbad029.

[74] Eurostat (2025), Revenu disponible des ménages privés, par région NUTS 2, https://doi.org/10.2908/TGS00026.

[17] Fadic, M. et al. (2019), « Classifying small (TL3) regions based on metropolitan population, low density and remoteness », Documents de travail de l’OCDE sur le développement régional, n° 2019/06, Éditions OCDE, Paris, https://doi.org/10.1787/b902cc00-en.

[73] Fendel, T. (2014), « Work-related Migration and Unemployment », Journal for Labour Market Research, vol. 47/3, pp. 233-243, https://doi.org/10.1007/s12651-014-0160-7.

[126] Florida, R. et C. Mellander (2014), « The Geography of Inequality: Difference and Determinants of Wage and Income Inequality across US Metros », Regional Studies, vol. 50/1, pp. 79-92, https://doi.org/10.1080/00343404.2014.884275.

[100] Fraisse, A. et P. Pionnier (2020), « Location, location, location – House price developments across and within OECD countries », OECD Statistics, https://oecdstatistics.blog/2020/07/10/location-location-location-house-price-developments-across-and-within-oecd-countries/.

[63] Franklin, S. (2017), « Location, Search Costs and Youth Unemployment: Experimental Evidence from Transport Subsidies », The Economic Journal, vol. 128/614, pp. 2353–2379, https://doi.org/10.1111/ecoj.12509.

[36] Fratesi, U. et A. Rodríguez-Pose (2016), « The crisis and regional employment in Europe: what role for sheltered economies? », Cambridge Journal of Regions, Economy and Society, vol. 9/1, pp. 33-57, https://doi.org/10.1093/cjres/rsv032.

[68] Furková, A. et M. Chocholatá (2020), « Spatial econometric approach to the EU regional employment process », Central European Journal of Operations Research, vol. 29/3, pp. 1037-1056, https://doi.org/10.1007/s10100-020-00714-5.

[5] Ganong, P. et D. Shoag (2017), « Why has regional income convergence in the U.S. declined? », Journal of Urban Economics, vol. 102, pp. 76-90, https://doi.org/10.1016/j.jue.2017.07.002.

[86] Gbohoui, W., W. Lam et V. Lledo (2019), « The Great Divide: Regional Inequality and Fiscal Policy », Douments de travail du FMI, vol. 19/88, p. 1, https://doi.org/10.5089/9781498311625.001.

[51] Glaeser, E. et J. Kohlhase (2004), « Cities, regions and the decline of transport costs », Papers in Regional Science, vol. 83/1, pp. 197-228, https://doi.org/10.1007/s10110-003-0183-x.

[61] Gobillon, L. et H. Selod (2021), « Spatial Mismatch, Poverty, and Vulnerable Populations », dans Handbook of Regional Science, Springer Berlin Heidelberg, Berlin, Heidelberg, https://doi.org/10.1007/978-3-662-60723-7_7.

[48] Hanushek, E., J. Ruhose et L. Woessmann (2017), « Knowledge Capital and Aggregate Income Differences: Development Accounting for US States », American Economic Journal: Macroeconomics, vol. 9/4, pp. 184-224, https://doi.org/10.1257/mac.20160255.

[101] Hornbeck, R. et E. Moretti (2024), « Estimating Who Benefits from Productivity Growth: Local and Distant Effects of City Productivity Growth on Wages, Rents, and Inequality », Review of Economics and Statistics, vol. 106/3, pp. 587-607, https://doi.org/10.1162/rest_a_01208.

[99] Hsieh, C. et E. Moretti (2019), « Housing Constraints and Spatial Misallocation », American Economic Journal: Macroeconomics, vol. 11/2, pp. 1-39, https://doi.org/10.1257/mac.20170388.

[11] Iammarino, S., A. Rodriguez-Pose et M. Storper (2018), « Regional inequality in Europe: evidence, theory and policy implications », Journal of Economic Geography, vol. 19/2, pp. 273-298, https://doi.org/10.1093/jeg/lby021.

[120] Jacobson, L., R. Lalonde et D. Sullivan (1993), « Earnings Losses of Displaced Workers », The American Economic Review, vol. 83/4, pp. 685-709, https://www.jstor.org/stable/2117574.

[53] Kemeny, T. et M. Storper (2020), « Superstar cities and left-behind places: disruptive innovation, labor demand, and interregional inequality », vol. III Working Paper 41/International Inequalities Institute, London School of Economics and Political Science, https://doi.org/10.21953/lse.8uvxv9nscxrc.

[114] Königs, S. et J. Terrero-Dávila (2025), « Who climbs the income ladder?: Cross-country evidence on income mobility from tax record data », Documents de travail de l’OCDE sur les affaires sociales, l’emploi et les migrations, n° 322, Éditions OCDE, Paris, https://doi.org/10.1787/eadbbcbf-en.

[50] Lacroix, J. et E. Vidal-Coso (2018), « Differences in Labor Supply by Birthplace and Family Composition in Switzerland: the Role of Human Capital and Household Income », Journal of International Migration and Integration, vol. 20/3, pp. 659-684, https://doi.org/10.1007/s12134-018-0623-8.

[47] Lindenlaub, I., R. Oh et M. Peters (2022), Firm Sorting and Spatial Inequality, National Bureau of Economic Research, Cambridge, MA, https://doi.org/10.3386/w30637.

[116] Loisel, T. et M. Sicsic (2024), « La mobilité des individus le long de l’échelle des revenus en France sur la période 2003‑2021 », Economie et Statistique/Economics and Statistics, vol. 545, pp. 65-82, https://www.insee.fr/fr/statistiques/fichier/8561915/04_ES545_Loisel-Siscic_FR.pdf.

[45] López‐Bazo, E. et E. Motellón (2013), « The regional distribution of unemployment: What do micro‐data tell us? », Papers in Regional Science, vol. 92/2, pp. 383-406, https://doi.org/10.1111/j.1435-5957.2012.00456.x.

[60] Manning, A. et B. Petrongolo (2017), « How Local Are Labor Markets? Evidence from a Spatial Job Search Model », American Economic Review, vol. 107/10, pp. 2877–2907, https://doi.org/10.1257/aer.20131026.

[125] Marchand, Y., J. Dubé et S. Breau (2020), « Exploring the Causes and Consequences of Regional Income Inequality in Canada », Economic Geography, vol. 96/2, pp. 83-107, https://doi.org/10.1080/00130095.2020.1715793.

[14] McKay, L., W. Jennings et G. Stoker (2021), « Political Trust in the “Places That Don’t Matter” », Frontiers in Political Science, vol. 3, https://doi.org/10.3389/fpos.2021.642236.

[31] Menon, C. et W. Vermeulen (2026), « What drives regional productivity differentials?: Evidence from firm-level data in Italy and Spain », Documents de travail de l’OCDE sur le développement économique et la création locale d’emplois, n° 2026/03, Éditions OCDE, Paris, https://doi.org/10.1787/8fba4b12-en.

[15] Mitsch, F., N. Lee et E. Ralph Morrow (2021), « Faith no more? The divergence of political trust between urban and rural Europe », Political Geography, vol. 89, p. 102426, https://doi.org/10.1016/j.polgeo.2021.102426.

[124] Moller, S., A. Alderson et F. Nielsen (2009), « Changing Patterns of Income Inequality in U.S. Counties, 1970–2000 », American Journal of Sociology, vol. 114/4, pp. 1037–1101, https://doi.org/10.1086/595943.

[69] Moran, P. (1950), « Biometrika, 37(1/2) », Biometrika 37(1/2), pp. 17-23, https://www.jstor.org/stable/2332142.

[3] Moretti, E. (2012), The New Geography of Jobs, Houghton Mifflin Harcourt.

[41] Moretti, E. (2010), Local Labor Markets, National Bureau of Economic Research, Cambridge, MA, https://doi.org/10.3386/w15947.

[109] Novotný, J. (2007), « On the measurement of regional inequality: does spatial dimension of income inequality matter? », The Annals of Regional Science, vol. 41/3, pp. 563-580, https://doi.org/10.1007/s00168-007-0113-y.

[75] OCDE (2026), Base de données sur les régions, villes et zones locales de l’OCDE (Inégalité de revenu - Régions), https://www.oecd.org/fr/themes/regions-villes-et-statistiques-locales.html.

[7] OCDE (2025), Addressing Regional Labour Market Imbalances in Austria, OECD Reviews on Local Job Creation, Éditions OCDE, Paris, https://doi.org/10.1787/0cf6186b-en.

[90] OCDE (2025), Base de données sur les régions, villes et zones locales de l’OCDE, https://www.oecd.org/fr/themes/regions-villes-et-statistiques-locales.html.

[57] OCDE (2025), « OECD guidelines on the multi-level governance of demographic change », OECD Regional Development Papers, n° 164, Éditions OCDE, Paris, https://doi.org/10.1787/f66426ea-en.

[129] OCDE (2025), OECD Income Distribution Database, https://www.oecd.org/en/data/datasets/income-and-wealth-distribution-database.html.

[13] OCDE (2025), Place-Based Policies for the Future, OECD Regional Development Studies, Éditions OCDE, Paris, https://doi.org/10.1787/e5ff6716-en.

[122] OCDE (2025), Shrinking Smartly and Sustainably: Strategies for Action, OECD Rural Studies, Éditions OCDE, Paris, https://doi.org/10.1787/f91693e3-en.

[34] OCDE (2025), « The role of subnational governments in adult skills systems », Documents de travail de l’OCDE sur le développement économique et la création locale d’emplois, n° 2025/02, Éditions OCDE, Paris, https://doi.org/10.1787/d452e8b7-en.

[2] OCDE (2025), To Have and Have Not – How to Bridge the Gap in Opportunities, Éditions OCDE, Paris, https://doi.org/10.1787/dec143ad-en.

[28] OCDE (2024), Job Creation and Local Economic Development 2024: The Geography of Generative AI, Éditions OCDE, Paris, https://doi.org/10.1787/83325127-en.

[29] OCDE (2024), OECD Regions and Cities at a Glance 2024, Éditions OCDE, Paris, https://doi.org/10.1787/f42db3bf-en.

[1] OCDE (2024), Perspectives régionales de l’OCDE 2023 : une géographie persistante des inégalités, Éditions OCDE, Paris, https://doi.org/10.1787/faadf21c-fr.

[33] OCDE (2023), « “Who does what” for active labour market policies : A zoom on the role of subnational governments », Documents de travail de l’OCDE sur le développement économique et la création locale d’emplois, n° 2023/09, Éditions OCDE, Paris, https://doi.org/10.1787/d8d6868d-en.

[27] OCDE (2023), Job Creation and Local Economic Development 2023: Bridging the Great Green Divide, Éditions OCDE, Paris, https://doi.org/10.1787/21db61c1-en.

[93] OCDE (2023), Main Findings from the 2022 OECD Risks that Matter Survey, Éditions OCDE, Paris, https://doi.org/10.1787/70aea928-en.

[30] OCDE (2023), « Migration and regional productivity: Evidence from individual wages in Australia », OECD Regional Development Papers, n° 60, Éditions OCDE, Paris, https://doi.org/10.1787/7bc64c78-en.

[12] OCDE (2023), Recommandation du Conseil sur la politique de développement régional, OECD/LEGAL/0492, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0492.

[94] OCDE (2022), Conclusions politiques Surmonter la crise du COVID-19 et améliorer le fonctionnement du marché du travail, au service de tous, OECD/LEGAL/0477, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0477.

[104] OCDE (2022), OECD Regions and Cities at a Glance 2022, Éditions OCDE, Paris, https://doi.org/10.1787/14108660-en.

[92] OCDE (2021), Delivering Quality Education and Health Care to All: Preparing Regions for Demographic Change, OECD Rural Studies, Éditions OCDE, Paris, https://doi.org/10.1787/83025c02-en.

[62] OCDE (2021), Pierre par pierre : Bâtir de meilleures politiques du logement, Éditions OCDE, Paris, https://doi.org/10.1787/78520651-fr.

[58] OCDE (2020), Housing and Inclusive Growth, Éditions OCDE, Paris, https://doi.org/10.1787/6ef36f4b-en.

[97] OCDE (2020), OECD Regions and Cities at a Glance 2020, Éditions OCDE, Paris, https://doi.org/10.1787/959d5ba0-en.

[26] OCDE (2018), Job Creation and Local Economic Development 2018: Preparing for the Future of Work, Éditions OCDE, Paris, https://doi.org/10.1787/9789264305342-en.

[10] OCDE (2012), Promoting Growth in All Regions, OECD Regional Development Studies, Éditions OCDE, Paris, https://doi.org/10.1787/9789264174634-en.

[18] OCDE (2005), Perspectives de l’emploi de l’OCDE 2005, Éditions OCDE, Paris, https://doi.org/10.1787/empl_outlook-2005-fr.

[19] OECD (à paraître), Geographic disparities in labour market outcomes in EU and OECD countries, Éditions OCDE, Paris.

[20] OECD (à paraître), The geography of income inequalities in OECD countries, Éditions OCDE, Paris.

[44] Overman, H. et X. Xu (2024), « Spatial disparities across labour markets », Oxford Open Economics, vol. 3/Supplement_1, pp. i585-i610, https://doi.org/10.1093/ooec/odae005.

[71] Panichella, N. et R. Impicciatore (2024), « The selectivity of internal movers: An analysis of the relationship between education, social origin, and geographical mobility in Europe », Population Studies, vol. 78/3, pp. 393-411, https://doi.org/10.1080/00324728.2024.2388555.

[111] Paredes, D., V. Iturra et M. Lufin (2014), « A Spatial Decomposition of Income Inequality in Chile », Regional Studies, vol. 50/5, pp. 771-789, https://doi.org/10.1080/00343404.2014.933798.

[123] Partridge, M. (2005), « Does Income Distribution Affect U.S. State Economic Growth? », Journal of Regional Science, vol. 45/2, pp. 363-394, https://doi.org/10.1111/j.0022-4146.2005.00375.x.

[66] Patacchini, E. et P. Rice (2007), « Geography and Economic Performance: Exploratory Spatial Data Analysis for Great Britain », Regional Studies, vol. 41/4, pp. 489-508, https://doi.org/10.1080/00343400600928384.

[76] Piacentini, M. (2014), « Measuring Income Inequality and Poverty at the Regional Level in OECD Countries », OECD Statistics Working Papers, n° 2014/3, Éditions OCDE, Paris, https://doi.org/10.1787/5jxzf5khtg9t-en.

[87] Pina, Á. et P. Sicari (2021), « Enhancing regional convergence in the European Union », Documents de travail du Département des affaires économiques de l’OCDE, n° 1696, Éditions OCDE, Paris, https://doi.org/10.1787/253dd6ee-en.

[46] Roca, J. et D. Puga (2016), « Learning by Working in Big Cities », The Review of Economic Studies, vol. 84/1, pp. 106-142, https://doi.org/10.1093/restud/rdw031.

[88] Rosés, J. et N. Wolf (2021), « Regional growth and inequality in the long-run: Europe, 1900–2015 », Oxford Review of Economic Policy, vol. 37/1, pp. 17-48, https://doi.org/10.1093/oxrep/graa062.

[78] Royuela, V., P. Veneri et R. Ramos (2018), « The short-run relationship between inequality and growth: evidence from OECD regions during the Great Recession », Regional Studies, vol. 53/4, pp. 574-586, https://doi.org/10.1080/00343404.2018.1476752.

[82] Savoia, F. (2024), « Income inequality convergence among EU regions », Socio-Economic Planning Sciences, vol. 92, p. 101803, https://doi.org/10.1016/j.seps.2024.101803.

[107] Shorrocks, A. (1980), « The Class of Additively Decomposable Inequality Measures », Econometrica, vol. 48/3, p. 613, https://doi.org/10.2307/1913126.

[108] Shorrocks, A. et G. Wan (2005), « Spatial decomposition of inequality », Journal of Economic Geography, vol. 5/1, pp. 59-81, https://doi.org/10.1093/jnlecg/lbh054.

[103] Søgaard, J. et al. (2018), Increasing Income Inequality in the Nordics, Nordic Council of Ministers, Copenhague, https://doi.org/10.6027/tn2018-519.

[6] Spring, A., B. Gillespie et C. Mulder (2023), « Internal migration following adverse life events: Assessing the likelihood of return migration and migration toward family », Population, Space and Place, vol. 30/3, https://doi.org/10.1002/psp.2711.

[16] Stroppe, A. (2023), « Left behind in a public services wasteland? On the accessibility of public services and political trust », Political Geography, vol. 105, p. 102905, https://doi.org/10.1016/j.polgeo.2023.102905.

[32] Usai, S. (2011), « The Geography of Inventive Activity in OECD Regions », Regional Studies, vol. 45/6, pp. 711-731, https://doi.org/10.1080/00343401003792492.

[79] Veneri, P. et F. Murtin (2018), « Where are the highest living standards? Measuring well-being and inclusiveness in OECD regions », Regional Studies, vol. 53/5, pp. 657-666, https://doi.org/10.1080/00343404.2018.1463091.

[56] Vermeulen, W. et N. Braakmann (2023), « How do mass lay-offs affect regional economies? », Documents de travail de l’OCDE sur le développement économique et la création locale d’emplois, n° 2023/01, Éditions OCDE, Paris, https://doi.org/10.1787/99d48aeb-en.

Annexe 2.A. Sources des données relatives aux résultats sur les marchés du travail régionaux

Copier le lien de Annexe 2.A. Sources des données relatives aux résultats sur les marchés du travail régionaux

L’analyse présentée dans la section 2.1 s’appuie sur les taux régionaux d’emploi et de chômage. Pour 18 des 32 pays considérés, ces indicateurs sont tirés de la Base de données de l’OCDE sur les régions, les villes et les localités (https://www.oecd.org/fr/themes/regions-villes-et-statistiques-locales.html) et concernent la population âgée de 15 à 64 ans. Pour les pays restants, les données ont été recueillies sur les sites des autorités de la statistique, ce qui a permis d’étendre la couverture de données ou d’inclure des années plus récentes. Les exceptions sont le Chili (propres calculs à partir de l’enquête CASEN) et la Pologne (données fournies par les autorités nationales). Les données nouvellement recueillies sont principalement tirées des enquêtes sur la population active et, pour certains pays, des recensements ou des sources administratives pour atteindre le niveau TL3 de détail. Il est donc possible que la comparabilité internationale des résultats à partir de ces sources soit légèrement inférieure à celle des indicateurs de l’OCDE, compte tenu des différentes définitions de la situation au regard de l’emploi. En France, par exemple, les données de recensement, sachant que la situation au regard de l’emploi est autodéclarée, débouchent sur des taux de chômage plus élevés et des taux d’emploi plus bas que les données des enquêtes sur la population active. Au Danemark, les taux de chômage calculés à partir des données de registres, qui comptent comme chômeurs uniquement les personnes inscrites auprès du service public de l’emploi, sont inférieurs aux estimations tirées des enquêtes sur la population active. Il convient donc d’interpréter les comparaisons internationales avec prudence lorsque les sources de données sous-jacentes sont différentes. Pour la plupart des pays, les données concernent les personnes âgées de 15 à 64 ans ou un groupe d’âge voisin (16 à 64 ans pour le Danemark). Dans les cas où seules les données d’un groupe d’âge très différent sont disponibles, ce fait est indiqué dans le chapitre. Le Tableau d’annexe 2.A.1 ci-dessous donne une synthèse complète des sources de données.

Pays	Sources de données	Années	Groupe d’âge
AUS	Téléchargées depuis le site du Bureau australien de statistiques (ABS, Australian Bureau of Statistics). Données sous-jacentes : enquête nationale sur la population active + modèle d’estimation	2012, 2024	15‑64
AUT	Emploi : Base de données de l’OCDE sur les régions, villes et localités. Chômage : AMS (Arbeitsmarktservice)	2010, 2024	Emploi : 15‑64 Chômage : Potentiel de main-d’œuvre
BEL	Téléchargées depuis le site de l’Institut wallon de l’évaluation, de la prospective et de la statistique (IWEPS) Données sous-jacentes : enquête nationale sur la population active + calibrage par rapport aux sources administratives	2010, 2022	15‑64
CAN	Téléchargées depuis le site de Statistique Canada Données sous-jacentes : recensement de la population	2021	15‑64
CHE	Téléchargées depuis le site du Bureau fédéral de la statistique Données sous-jacentes : recensement de la population	2010, 2024	15‑64
CHL	Propres calculs à partir des microdonnées de l’enquête CASEN	2011, 2022	15‑64
CZE	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2023	15‑64
DEU	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2023	15‑64
DNK	Téléchargées depuis le site de Statistics Denmark Données sous-jacentes : sources administratives	2010, 2024	16‑64
ESP	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2024	15‑64
EST	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2024	15‑64
FIN	Téléchargées depuis le site de Statistics Finland Données sous-jacentes : enquête nationale sur la population active	2010, 2024	Emploi : 15‑64 Chômage : 15‑74
FRA	Téléchargées depuis le site de l’INSEE Données sous-jacentes : recensement de la population	2010, 2022	15‑64
GBR	Téléchargées depuis le site du Bureau national de la statistique (Office for National Statistics) Données sous-jacentes : enquête nationale sur la population active	2010, 2024	16‑64
HUN	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2024	15‑64
IRL	Base de données de l’OCDE sur les régions, villes et localités.	Emploi : 2010, 2024 Chômage : 2010, 2023	15‑64
ISR	Base de données de l’OCDE sur les régions, villes et localités.	2010-2023	15‑64
ITA	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2024	15‑64
JPN	Téléchargées depuis le site e‑Stat Japan Données sous-jacentes : enquête nationale sur la population active + modèle d’estimation	2010-2024	15+
KOR	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2023	15‑64
LTU	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2024	15‑64
LVA	Téléchargées depuis le site du Bureau central de la statistique Données sous-jacentes : enquête nationale sur la population active	2010-2023	15‑64
NLD	Bureau central de la statistique Données sous-jacentes : enquête nationale sur la population active	2013-2023	15‑75
NOR	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2023	15‑64
NZL	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2023	15‑64
POL	Tabulations fournies par Statistics Poland Données sous-jacentes : sources administratives	Emploi : 2023 Chômage : 2024	Emploi : 15‑64 Chômage (hommes) : 18‑65 Chômage (femmes) : 18‑60
SVK	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2024	15‑64
SVN	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2022	15‑64
SWE	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2024	15‑64
TUR	Données sous-jacentes : enquête nationale sur la population active	2023	15+
USA	Base de données de l’OCDE sur les régions, villes et localités.	2010, 2019	15‑64

* En Autriche, le potentiel de main-d’œuvre est calculé en tant que somme du nombre de personnes sans emploi et occupées inscrites auprès des institutions d’assurance sociale.

Annexe 2.B. Sources des données sur les distributions régionales des revenus

Copier le lien de Annexe 2.B. Sources des données sur les distributions régionales des revenus

La section 2.2 présente des statistiques nouvellement recueillies sur la distribution des revenus dans les régions TL3 pour 22 pays de l’OCDE. Pour 13 pays (Allemagne, Autriche, Belgique, Canada, Danemark, Espagne, Estonie, Finlande, France, Grèce, Irlande, Norvège, Pays‑Bas et Suède), les données sur la distribution des revenus sont basées sur des registres administratifs, principalement les dossiers fiscaux, souvent appariés avec d’autres sources de données administratives. Pour les 11 pays restants (Australie, Chili, Costa Rica, Israël, Japon, Lettonie, Lituanie, Nouvelle‑Zélande, République slovaque, Slovénie et Tchéquie), les données sur les revenus proviennent d’enquêtes contenant des informations au niveau TL3 (voir la synthèse dans le Tableau d’annexe 2.B.1).

Pays	Fournisseur de données	Sources de données	Années
AUS	Bureau australien de statistiques (ABS, Australian Bureau of Statistics)	Enquête sur les revenus et le logement	2020
AUT	Statistics Austria	Administratives	2012-2022
BEL	Calculs de l’OCDE à partir de sources administratives (voir le Tableau d’annexe 2.C.1)	Administratives	2016-2023
CAN	Statistique Canada	Administratives	2010, 2015, 2020
CHL	Institut national de la statistique (Instituto Nacional de Estadística)	Enquête Casen (Encuesta de Caracterización Socioeconómica Nacional)	2011, 2022
CRI	Institut national de la statistique et du recensement (Instituto Nacional de Estadística y Censos)	Enquête nationale auprès des ménages (Encuesta Nacional de Hogares)	2010, 2023
CZE	Bureau tchèque de la statistique et LIS	EU-SILC et LIS (basée sur EU-SILC)	2010-2023
DNK	Statistics Denmark et LIS	Administratives	2010-2023
ESP	Calculs de l’OCDE à partir de sources administratives (voir le Tableau d’annexe 2.C.1)	Administratives	2016-2022
EST	Calculs de l’OCDE à partir de sources administratives (voir le Tableau d’annexe 2.C.1)	Administratives	2017-2024
FIN	Statistics Finland	Administratives	2010-2024
FRA	Institut national de la statistique et des études économiques (Insee)	Administratives	2012-2021
GRC	Calculs de l’OCDE à partir de sources administratives (voir le Tableau d’annexe 2.C.1)	Administratives	2017-2023
IRL	Bureau central de statistique (Central Statistics Office).	Administratives	2022
ISR	Calculs de l’OCDE fondés sur l’enquête LIS	Enquête LIS (basée sur l’enquête sur les dépenses des ménages)	2010-2022
JPN	Bureau de la statistique du ministère des Affaires internes et des Communications	Enquête nationale sur les revenus, la consommation et le patrimoine des familles	2019
LTU	Statistics Lithuania et calculs de l’OCDE fondés sur l’enquête LIS	EU-SILC et LIS (basée sur EU-SILC)	2010-2021, 2023
LVA	Bureau central des statistiques (CSP, Centrālā statistikas pārvalde) de Lettonie ;	UE‑SILC	2010-2023
NLD	Statistics Netherlands	Administratives	2011-2023
NOR	Statistics Norway	Administratives	2023
NZL	Stats NZ, fournies à l’OCDE par le ministère des Finances de la Nouvelle‑Zélande	Enquête sur l’économie des ménages	2019-2024
SVK	Calculs de l’OCDE fondés sur l’enquête LIS	Enquête LIS (basée sur EU-SILC)	2010, 2013-2018
SVN	Bureau de la statistique de la République de Slovénie	UE‑SILC	2010-2023
SWE	Statistics Sweden	Administratives	2011-2024

Les données administratives peuvent avoir plusieurs avantages par rapport aux données d’enquêtes pour étudier les répartitions régionales des revenus – notamment leur bien plus grand nombre d’observations –, ce qui permet de cartographier les revenus des ménages avec beaucoup de précision. Elles ne sont cependant pas sans présenter certaines limites du fait qu’elles sont dérivées de processus administratifs, comme la collecte d’impôts, au lieu d’être produites dans l’intention explicite de faciliter l’analyse empirique. Par conséquent, les données administratives sont moins normalisées que les données « traditionnelles » d’enquêtes auprès des ménages, notamment en ce qui concerne leur couverture des sources de revenus et leur définition du ménage comme unité d’observation.

Un grand soin a été apporté au degré de comparabilité entre les données sur les revenus issues d’enquêtes et les données issues de registres utilisées dans ce chapitre, ainsi qu’à l’explication des éventuelles différences restantes de couverture des données et de définitions. En effet, pour tous les pays considérés dans l’analyse, les sources de données utilisées dans ce chapitre couvrent largement les sources principales de données sur le revenu des ménages, ce qui permet un calcul fiable des revenus disponibles (voir la synthèse dans le Tableau d’annexe 2.B.2). En particulier :

Le revenu du travail, constitué du travail salarié et du travail indépendant, mais aussi des recettes publiques, est généralement entièrement représenté par les données, tout comme le sont les impôts correspondants et les cotisations versées au régime de sécurité sociale.
Le revenu du capital est lui aussi bien couvert, même si la couverture n’est que partielle dans quelques pays (Autriche, Belgique, Finlande, Irlande). Cette source de revenus représente probablement une part plus importante du revenu disponible des ménages situés en haut de la distribution des revenus, mais la couverture partielle n’affecterait probablement pas de manière significative les revenus médians.
Les transferts publics, les retraites privées/professionnelles, et les transferts entre ménages sont entièrement couverts dans la plupart des pays. Les écarts pouvant exister représentent probablement une petite proportion seulement des revenus disponibles des ménages.

Toutes les statistiques relatives à la distribution des revenus présentées dans la section 2.2 ont été calculées en attribuant à chaque personne le revenu disponible équivalent du ménage dans lequel vit cette personne. Dans la plupart des pays, les revenus des ménages ont été corrigés de la taille du ménage en divisant le revenu disponible du ménage par la racine carrée de la taille du ménage ; dans certains, l’échelle modifiée de l’OCDE ou les échelles d’équivalence nationales ont été employées.

Dans l’analyse présentée dans la section 2.2, les disparités régionales de niveaux de revenus et les inégalités sont dans tous les cas exprimées relativement aux valeurs nationales, plutôt qu’en valeurs monétaires absolues ou en coefficient de Gini. Ces valeurs relatives sont probablement moins sensibles aux plus légères différences de méthodologie ou de couverture de certaines sources de revenus dans les pays.

	AUS	AUT	BEL	CAN	CHL
Sources de données	Enquête	Administratives	Administratives	Administratives	Enquête
Échelle d’équivalence	Rac. carrée	Mod. OCDE	Rac. carrée	Rac. carrée	Rac. carrée
Revenus salariés	Oui	Oui	Oui	Oui	Oui
Revenu du travail indépendant	Oui	Oui	Oui	Oui	Oui
Revenus du capital / fonciers	Oui	Partielle	Partielle	Oui	Oui
Systèmes publics de retraite	Oui	Oui	Oui	Oui	Oui
Retraites privées/professionnelles	Oui	Partielle	Partielle	Oui	Oui
Transferts entre ménages nets (ex. pension alimentaire)	Oui	Non	Oui	Oui	Oui
Revenus après impôts sur le travail et la retraite (déduits)	Oui	Oui	Oui	Oui	Oui
Après impôts sur les revenus du capital (déduits)	Oui	Oui	Oui	Oui	Oui
Après cotisations de sécurité sociale (déduites)	Oui	Oui	Oui	Non	Oui
Allocations de chômage	Oui	Oui	Oui	Oui	Oui
Prestations familiales/parentales	Oui	Oui	Oui	Oui	Oui
Prestations maladie et invalidité	Oui	Oui	Oui	Oui	Oui
Prestations liées à l’éducation	Oui	Non	Non	Oui	Oui
Allocations de logement	Oui	Non	Non	Oui	Oui
Autres prestations de vieillesse et de réversion	Oui	Non	Oui	Oui	Oui
Autres prestations d’aide sociale	Oui	Oui	Oui	Oui	Oui
	CRI	CZE	DNK	ESP	EST
Sources de données	Enquête	Enquête	Administratives	Administratives	Administratives
Échelle d’équivalence	Rac. carrée	Rac. carrée	Mod. OCDE	Rac. carrée	Rac. carrée
Revenus salariés	Oui	Oui	Oui	Oui	Oui
Revenu du travail indépendant	Oui	Oui	Oui	Oui	Oui
Revenus du capital / fonciers	Oui	Oui	Oui	Oui	Oui
Systèmes publics de retraite	Oui	Oui	Oui	Oui	Oui
Retraites privées/professionnelles	Oui	Partielle	Oui	Oui	Oui
Transferts entre ménages nets (ex. pension alimentaire)	Partielle	Oui	Oui	Oui	Oui
Revenus après impôts sur le travail et la retraite (déduits)	Oui	Oui	Oui	Oui	Oui
Après impôts sur les revenus du capital (déduits)	Non	Oui	Oui	Oui	Oui
Après cotisations de sécurité sociale (déduites)	Oui	Oui	Oui	Oui	Oui
Allocations de chômage	Oui	Oui	Oui	Oui	Oui
Prestations familiales/parentales	Non	Oui	Oui	Oui	Oui
Prestations maladie et invalidité	Non	Oui	Oui	Oui	Non
Prestations liées à l’éducation	Oui	Oui	Oui	Oui	Oui
Allocations de logement	Oui	Oui	Oui	Oui	Oui
Autres prestations de vieillesse et de réversion	Oui	Oui	Oui	Oui	Oui
Autres prestations d’aide sociale	Non	Oui	Oui	Oui	Oui
	FIN	FRA	GRC	IRL	ISR
Sources de données	Administratives	Administratives	Administratives	Administratives	Enquête
Échelle d’équivalence	Mod. OCDE	Mod. OCDE	Rac. carrée	Rac. carrée	Rac. carrée
Revenus salariés	Oui	Oui	Oui	Oui	Oui
Revenu du travail indépendant	Oui	Oui	Oui	Oui	Oui
Revenus du capital / fonciers	Partielle	Oui	Oui	Partielle	Oui
Systèmes publics de retraite	Oui	Oui	Oui	Oui	Oui
Retraites privées/professionnelles	Oui	Partielle	Oui	Oui	Oui
Transferts entre ménages nets (ex. pension alimentaire)	Oui	Oui	Non	Non	Oui
Revenus après impôts sur le travail et la retraite (déduits)	Oui	Oui	Oui	Oui	Oui
Après impôts sur les revenus du capital (déduits)	Oui	Oui	Oui	Oui	Oui
Après cotisations de sécurité sociale (déduites)	Oui	Oui	Oui	Oui	Oui
Allocations de chômage	Oui	Oui	Oui	Oui	Oui
Prestations familiales/parentales	Oui	Oui	Oui	Oui	Oui
Prestations maladie et invalidité	Oui	Oui	Oui	Oui	Oui
Prestations liées à l’éducation	Oui	Oui	Non	Oui	Oui
Allocations de logement	Oui	Oui	Oui	Oui	Oui
Autres prestations de vieillesse et de réversion	Oui	Oui	Oui	Oui	Oui
Autres prestations d’aide sociale	Oui	Oui	Oui	Oui	Oui
	JPN	LTU	LVA	NLD	NOR
Sources de données	Enquête	Enquête	Enquête	Administratives	Administratives
Échelle d’équivalence	Rac. carrée	Rac. carrée/Mod. OCDE	Mod. OCDE	Échelle nationale	Rac. carrée
Revenus salariés	Oui	Oui	Oui	Oui	Oui
Revenu du travail indépendant	Oui	Oui	Oui	Oui	Oui
Revenus du capital / fonciers	Oui	Oui	Oui	Oui	Oui
Systèmes publics de retraite	Oui	Oui	Oui	Oui	Oui
Retraites privées/professionnelles	Oui	Oui	Oui	Oui	Oui
Transferts entre ménages nets (ex. pension alimentaire)	Oui	Partielle	Oui	Oui	Oui
Revenus après impôts sur le travail et la retraite (déduits)	Oui	Oui	Oui	Oui	Oui
Après impôts sur les revenus du capital (déduits)	Oui	Oui	Oui	Oui	Oui
Après cotisations de sécurité sociale (déduites)	Oui	Oui	Oui	Oui	Oui
Allocations de chômage	Oui	Oui	Oui	Oui	Oui
Prestations familiales/parentales	Oui	Oui	Oui	Oui	Oui
Prestations maladie et invalidité	Oui	Oui	Oui	Oui	Oui
Prestations liées à l’éducation	Oui	Oui	Oui	Oui	Oui
Allocations de logement	Oui	Oui	Oui	Oui	Oui
Autres prestations de vieillesse et de réversion	Oui	Oui	Oui	Oui	Oui
Autres prestations d’aide sociale	Oui	Oui	Oui	Oui	Oui
	NZL	SVK	SVN	SWE
Sources de données	Enquête	Enquête	Enquête	Administratives
Échelle d’équivalence	Rac. carrée	Rac. carrée	Mod. OCDE	Échelle nationale
Revenus salariés	Oui	Oui	Oui	Oui
Revenu du travail indépendant	Oui	Oui	Oui	Oui
Revenus du capital / fonciers	Oui	Oui	Oui	Oui
Systèmes publics de retraite	Oui	Oui	Oui	Oui
Retraites privées/professionnelles	Oui	Oui	Oui	Oui
Transferts entre ménages nets (ex. pension alimentaire)	Partielle	Oui	Oui	Oui
Revenus après impôts sur le travail et la retraite (déduits)	Oui	Oui	Oui	Oui
Après impôts sur les revenus du capital (déduits)	Oui	Oui	Oui	Oui
Après cotisations de sécurité sociale (déduites)	s.o.	Oui	Oui	Oui
Allocations de chômage	Oui	Oui	Oui	Oui
Prestations familiales/parentales	Oui	Oui	Oui	Oui
Prestations maladie et invalidité	Oui	Oui	Oui	Oui
Prestations liées à l’éducation	Oui	Oui	Oui	Oui
Allocations de logement	Partielle	Oui	Oui	Oui
Autres prestations de vieillesse et de réversion	Oui	Oui	Oui	Oui
Autres prestations d’aide sociale	Oui	Oui	Oui	Oui

Annexe 2.C. Sources des données sur la mobilité régionale des revenus

Copier le lien de Annexe 2.C. Sources des données sur la mobilité régionale des revenus

La section 2.3 présente des données sur la mobilité interrégionale du revenu disponible des ménages dans 9 pays de l’OCDE, en s’appuyant sur une nouvelle infrastructure de données de l’OCDE pour l’étude de la dynamique des revenus. Cette infrastructure prend appui sur des données administratives, principalement les registres des impôts reliés à d’autres données administratives sur les revenus et aux registres de population, ce qui permet de suivre les personnes à la fois dans l’espace géographique et dans le temps. Dans cinq pays (AUT, BEL, ESP, EST, GRC), l’OCDE a accès aux microdonnées administratives et les résultats présentés dans ce chapitre proviennent de ses calculs. Pour les quatre autres pays (CAN, FIN, NOR, SWE), les résultats proviennent de tabulations fournies par les autorités nationales, préparées spécialement pour ce chapitre. Le Tableau d’annexe 2.C.1 ci‑après en donne une synthèse complète.

Un grand soin a été apporté au degré de comparabilité des sources administratives de pays différents, même si l’analyse présentée des disparités de la mobilité des revenus à l’intérieur des pays est probablement moins sensible aux petites différences de méthodologie ou de couverture des revenus d’un pays à l’autre. La définition du revenu disponible reprend celle utilisée dans la section 2.2, et les microdonnées administratives sous-jacentes sont les mêmes dans les deux sections. On trouvera une description détaillée des éléments du revenu et des impôts couverts dans les données de chaque pays dans le Tableau d’annexe 2.B.2.

Pays	Sources de données
AUT	Propres calculs à partir de sources administratives de Statistics Austria, en particulier : LUE – Integrierte Lohn- und Einkommensteuerstatistik (LUE – Statistiques intégrées sur les salaires et les impôts sur le revenu des personnes) AEST REGZ – Abgestimmte Erwerbsstatistik und Registerzählung (AEST REGZ – Statistiques de l’emploi et recensement sur registre coordonnés).
BEL	Calculs de l’OCDE à partir de sources administratives de StatBel, en particulier : Base de données administratives sur les revenus disponibles Recensement de la population
CAN	Tabulations fournies par Statistique Canada, fondées sur les dossiers fiscaux et les registres de la population
ESP	Calculs de l’OCDE à partir de sources administratives de l’Institut d’études fiscales, en particulier : Panel de Hogares (panel de ménages) Muestra Continua de Vidas Laborales (échantillon continu de vies actives)
EST	Calculs de l’OCDE à partir de sources administratives de Statistics Estonia, en particulier : Base de données administrative EUROMOD-SILC
FIN	Tabulations fournies par Esa Karonen (Université de Turku) à partir des dossiers fiscaux et des registres de la population, en collaboration avec les ministères finlandais des Affaires économiques et de l’Emploi et des Affaires sociales et de la Santé
GRC	Calculs de l’OCDE reproduits par le ministère du Travail et de la Sécurité sociale à partir de sources administratives, en particulier : Dossiers fiscaux (AADE)
NOR	Tabulations fournies par Statistics Norway, fondées sur les dossiers fiscaux et les registres de la population
SWE	Tabulations fournies par Statistics Sweden, fondées sur les dossiers fiscaux et les registres de la population

Annexe 2.D. Régions exclues de l’analyse

Copier le lien de Annexe 2.D. Régions exclues de l’analyse

Graphique	Régions exclues de l’analyse
Graphique 2.1. Les disparités régionales des résultats sur le marché du travail sont prononcées dans la plupart des pays de l’OCDE (Partie A. Emploi)	Régions manquant de données : AUS : AU510 (Western Australia – Outback (North), AU511 (Western Australia – Outback (South) CHE : CH054 (Appenzell Innerrhoden) CHL : CL012 (Tamarugal), CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL114 (General Carrera), CL122 (Antártica Chilena), CL152 (Parinacota) DEU : DEG04 (Suhl, Kreisfreie Stadt), DEG0B (Schmalkalden-Meiningen), DEG0F (Ilm-Kreis), DEG0H (Sonneberg), DEG0I (Saalfeld-Rudolstadt), DEG0N (Eisenach, Kreisfreie Stadt), DEG0P (Wartburgkreis) ESP : ES531 (Eivissa y Formentera), ES532 (Mallorca), ES533 (Menorca), ES703 (El Hierro), ES704 (Fuerteventura), ES705 (Gran Canaria), ES706 (La Gomera), ES707 (La Palma), ES708 (Lanzarote), ES709 (Tenerife) FRA : FRY50 (Mayotte) GBR : UKM61 (Caithness & Sutherland and Ross & Cromarty), UKM62 (Inverness & Nairn and Moray, Badenoch & Strathspey), UKM63 (Lochaber, Skye & Lochalsh, Arran & Cumbrae and Argyll & Bute), UKM64 (Eilean Siar (Western Isles)), UKM65 (Orkney Islands), UKM66 (Shetland Islands), UKE13 (North and North East Lincolnshire), UKF25 (North Northamptonshire), UKN06 (Belfast), UKN07 (Armagh City, Banbridge and Craigavon), UKN08 (Newry, Mourne and Down), UKN09 (Ards and North Down), UKN0A (Derry City and Strabane), UKN0B (Mid Ulster), UKN0C (Causeway Coast and Glens), UKN0D (Antrim and Newtownabbey), UKN0E (Lisburn and Castlereagh), UKN0F (Mid and East Antrim), UKN0G (Fermanagh and Omagh) ITA : ITG2D (Sassari), ITG2E (Nuoro), ITG2F (Cagliari), ITG2G (Oristano), ITG2H (Sud Sardegna) KOR : KR054 (Sejong) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) NZL : NZ016 (Hawke’s Bay Region), NZ022 (West Coast Region) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.1. Les disparités régionales des résultats sur le marché du travail sont prononcées dans la plupart des pays de l’OCDE (partie B. Chômage)	Régions manquant de données : AUS : AU510 (Western Australia – Outback (North), AU511 (Western Australia – Outback (South) CHE : CH054 (Appenzell Innerrhoden) CHL : CL012 (Tamarugal), CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL114 (General Carrera), CL122 (Antártica Chilena), CL152 (Parinacota) DEU : DEG04 (Suhl, Kreisfreie Stadt), DEG0B (Schmalkalden-Meiningen), DEG0F (Ilm-Kreis), DEG0H (Sonneberg), DEG0I (Saalfeld-Rudolstadt), DEG0N (Eisenach, Kreisfreie Stadt), DEG0P (Wartburgkreis) ESP : ES531 (Eivissa y Formentera), ES532 (Mallorca), ES533 (Menorca), ES703 (El Hierro), ES704 (Fuerteventura), ES705 (Gran Canaria), ES706 (La Gomera), ES707 (La Palma), ES708 (Lanzarote), ES709 (Tenerife) FIN : FI1D5 (Central Ostrobothnia), FI1D8 (Kainuu), FI200 (Åland) FRA : FRY50 (Mayotte) ITA : ITG2D (Sassari), ITG2E (Nuoro), ITG2F (Cagliari), ITG2G (Oristano), ITG2H (Sud Sardegna) KOR : KR054 (Sejong) BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.2. Les régions à faible taux d’emploi ont rattrapé leur retard et réduit ainsi les disparités régionales	Régions manquant de données : AUS : AU510 (Western Australia – Outback (North), AU511 (Western Australia – Outback (South) CHE : CH054 (Appenzell Innerrhoden) CHL : CL012 (Tamarugal), CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL114 (General Carrera), CL122 (Antártica Chilena), CL152 (Parinacota) DEU : DEG04 (Suhl, Kreisfreie Stadt), DEG0B (Schmalkalden-Meiningen), DEG0F (Ilm-Kreis), DEG0H (Sonneberg), DEG0I (Saalfeld-Rudolstadt), DEG0N (Eisenach, Kreisfreie Stadt), DEG0P (Wartburgkreis) ESP : ES531 (Eivissa y Formentera), ES532 (Mallorca), ES533 (Menorca), ES703 (El Hierro), ES704 (Fuerteventura), ES705 (Gran Canaria), ES706 (La Gomera), ES707 (La Palma), ES708 (Lanzarote), ES709 (Tenerife) FRA : FRY50 (Mayotte) GBR : UKM61 (Caithness & Sutherland and Ross & Cromarty), UKM62 (Inverness & Nairn and Moray, Badenoch & Strathspey), UKM63 (Lochaber, Skye & Lochalsh, Arran & Cumbrae and Argyll & Bute), UKM64 (Eilean Siar (Western Isles)), UKM65 (Orkney Islands), UKM66 (Shetland Islands), UKE13 (North and North East Lincolnshire), UKF25 (North Northamptonshire), UKN06 (Belfast), UKN07 (Armagh City, Banbridge and Craigavon), UKN08 (Newry, Mourne and Down), UKN09 (Ards and North Down), UKN0A (Derry City and Strabane), UKN0B (Mid Ulster), UKN0C (Causeway Coast and Glens), UKN0D (Antrim and Newtownabbey), UKN0E (Lisburn and Castlereagh), UKN0F (Mid and East Antrim), UKN0G (Fermanagh and Omagh) ITA : ITG2D (Sassari), ITG2E (Nuoro), ITG2F (Cagliari), ITG2G (Oristano), ITG2H (Sud Sardegna) KOR : KR054 (Sejong) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.3. Les caractéristiques observables des travailleurs expliquent une partie seulement des disparités régionales des résultats au regard de l’emploi	Régions manquant de données : CHL : CL012 (Tamarugal), CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL114 (General Carrera), CL122 (Antártica Chilena), CL152 (Parinacota) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft)
Graphique 2.4. Les résultats sur le marché du travail sont nettement moins favorables dans les régions à faible PIB par travailleur	Régions manquant de données : CHE : CH054 (Appenzell Innerrhoden) DEU : DEG04 (Suhl, Kreisfreie Stadt), DEG0B (Schmalkalden-Meiningen), DEG0F (Ilm-Kreis), DEG0H (Sonneberg), DEG0I (Saalfeld-Rudolstadt), DEG0N (Eisenach, Kreisfreie Stadt), DEG0P (Wartburgkreis) ESP : ES531 (Eivissa y Formentera), ES532 (Mallorca), ES533 (Menorca), ES703 (El Hierro), ES704 (Fuerteventura), ES705 (Gran Canaria), ES706 (La Gomera), ES707 (La Palma), ES708 (Lanzarote), ES709 (Tenerife) FRA : FRY50 (Mayotte) GBR : UKN06 (Belfast), UKN07 (Armagh City, Banbridge and Craigavon), UKN08 (Newry, Mourne and Down), UKN09 (Ards and North Down), UKN0A (Derry City and Strabane), UKN0B (Mid Ulster), UKN0C (Causeway Coast and Glens), UKN0D (Antrim and Newtownabbey), UKN0E (Lisburn and Castlereagh), UKN0F (Mid and East Antrim), UKN0G (Fermanagh and Omagh) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : NZL : NZ016 (Hawke’s Bay Region), NZ022 (West Coast Region)
Graphique 2.6. La mobilité des régions à faible taux d’emploi vers les régions à taux d’emploi élevé est lente	Régions manquant de données : DEU : DEG04 (Suhl, Kreisfreie Stadt), DEG0B (Schmalkalden-Meiningen), DEG0F (Ilm-Kreis), DEG0H (Sonneberg), DEG0I (Saalfeld-Rudolstadt), DEG0N (Eisenach, Kreisfreie Stadt), DEG0P (Wartburgkreis) ESP : ES531 (Eivissa y Formentera), ES532 (Mallorca), ES533 (Menorca), ES703 (El Hierro), ES704 (Fuerteventura), ES705 (Gran Canaria), ES706 (La Gomera), ES707 (La Palma), ES708 (Lanzarote), ES709 (Tenerife) ITA : ITG2D (Sassari), ITG2E (Nuoro), ITG2F (Cagliari), ITG2G (Oristano), ITG2H (Sud Sardegna) KOR : KR054 (Sejong)
Graphique 2.7. Les régions à taux de chômage élevé sont regroupées sur le plan géographique (partie A)	Régions sans régions voisines : USA : US008 (Anchorage, AK), US074 (Honolulu, HI) JPN : JPJ47 (Okinawa), JPA01 (Hokkaido) Régions manquant de données : DEU : DEG04 (Suhl, Kreisfreie Stadt), DEG0B (Schmalkalden-Meiningen), DEG0F (Ilm-Kreis), DEG0H (Sonneberg), DEG0I (Saalfeld-Rudolstadt), DEG0N (Eisenach, Kreisfreie Stadt), DEG0P (Wartburgkreis)
Graphique 2.7. Les régions à taux de chômage élevé sont regroupées sur le plan géographique (partie B)	Régions sans régions voisines : USA : US008 (Anchorage, AK), US074 (Honolulu, HI) Régions manquant de données : DEU : DEG04 (Suhl, Kreisfreie Stadt), DEG0B (Schmalkalden-Meiningen), DEG0F (Ilm-Kreis), DEG0H (Sonneberg), DEG0I (Saalfeld-Rudolstadt), DEG0N (Eisenach, Kreisfreie Stadt), DEG0P (Wartburgkreis)
Graphique 2.9. Les disparités régionales du revenu médian des ménages varient fortement entre les pays, mais elles sont bien moins prononcées que les disparités du PIB par habitant (Partie A. Revenu disponible médian équivalent régional dans les régions TL3)	Régions manquant de données : CHL : CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL122 (Antártica Chilena), CL152 (Parinacota) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.9. Les disparités régionales du revenu médian des ménages varient fortement entre les pays, mais elles sont bien moins prononcées que les disparités du PIB par habitant (Partie B. Revenu disponible médian vs PIB par habitant dans les régions TL3, quelques pays de l’OCDE)	Régions manquant de données : ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife)
Graphique 2.10. À l’échelle régionale, le revenu médian augmente avec le taux d’emploi dans la plupart des pays	Régions manquant de données : CHL : CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL122 (Antártica Chilena), CL152 (Parinacota) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre), ES703 (El Hierro), ES704 (Fuerteventura), ES706 (La Gomera), ES707 (La Palma), ES708 (Lanzarote), ES531 (Eivissa y Formentera), ES532 (Mallorca), ES533 (Menorca), ES705 (Gran Canaria), ES709 (Tenerife) FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft)
Graphique 2.11 (Partie A. Variation du coefficient de variation et β-convergence)	Régions manquant de données : BEL : BE335 (Arr. Verviers – Communes francophones), BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) CHL : CL052 (Isla de Pascua), CL104 (Palena), CL122 (Antártica Chilena) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) NZL : NZ015 (Gisborne), NZ016 (Hawke’s Bay), NZ021 (Tasman‑Nelson‑Marlborough), NZ022 (West Coast) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.11 (Partie B. Revenu médian vs. taux d’emploi)	Régions manquant de données : CHL : CL012 (Tamarugal), CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL114 (General Carrera), CL122 (Antártica Chilena), CL152 (Parinacota) ESP : ES531 (Eivissa y Formentera), ES532 (Mallorca), ES533 (Menorca), ES703 (El Hierro), ES704 (Fuerteventura), ES705 (Gran Canaria), ES706 (La Gomera), ES707 (La Palma), ES708 (Lanzarote), ES709 (Tenerife), ES211 (Araba/Álava), ES212 (Gipuzkoa), E213 (Biscay), ES220 (Navarre) FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte)
Graphique 2.11 (Partie C. Revenu médian vs. PIB par habitant)	Régions manquant de données : CHL : CL052 (Isla de Pascua), CL104 (Palena), CL122 (Antártica Chilena) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.12. Les inégalités de revenu intrarégionales varient elles aussi considérablement et sont souvent plus criantes dans les régions à hauts revenus dans bon nombre de pays (partie A. Coefficient de Gini)	Régions manquant de données : AUS : AU315 (Outback, Qld) CHL : CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL122 (Antártica Chilena), CL152 (Parinacota) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.12. Les inégalités de revenu intrarégionales varient elles aussi considérablement et sont souvent plus criantes dans les régions à hauts revenus dans bon nombre de pays (partie B. Coefficient de Gini vs revenu médian)	Régions manquant de données : AUS : AU315 (Outback, Qld), AU204 (Hume, Vic), AU217 (Warrnambool and S.W., Vic) CHL : CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL122 (Antártica Chilena), CL152 (Parinacota) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.13. En moyenne, les régions capitales enregistrent des revenus médians plus élevés et des inégalités plus marquées (partie A. Revenu médian)	Régions manquant de données : AUS : AU315 (Outback, Qld) CHL : CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL122 (Antártica Chilena), CL152 (Parinacota) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.13. En moyenne, les régions capitales enregistrent des revenus médians plus élevés et des inégalités plus marquées (partie B. Coefficient de Gini)	Régions manquant de données : AUS : AU315 (Outback, Qld) CHL : CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL122 (Antártica Chilena), CL152 (Parinacota) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.14. Les ménages à revenu élevé sont surreprésentés et les ménages modestes sous-représentés dans les régions capitales.	ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). CHL : CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL122 (Antártica Chilena), CL152 (Parinacota) Régions regroupées faute de données : ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife)
Graphique 2.15. Les différences interrégionales représentent une petite partie seulement des inégalités globales de revenu des ménages	Régions manquant de données : AUS : AU315 (Outback, Qld), AU204 (Hume, Vic), AU217 (Warrnambool and S.W., Vic), AU308 (Central, Qld), AU201 (Ballarat, Vic), AU113 (Riverina, NSW) CHL : CL052 (Isla de Pascua), CL104 (Palena), CL113 (Capitán Prat), CL122 (Antártica Chilena), CL152 (Parinacota) ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). FRA : FRY10 (Guadeloupe), FRY20 (Martinique), FRY30 (French Guiana), FRY40 (La Réunion), FRY50 (Mayotte) NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife) NZL : NZ016 (Hawke’s Bay Region) regroupée avec NZ015 (Gisborne Region) ; NZ022 (West Coast Region) regroupée avec NZ021 (Tasman – Nelson – Marlborough)
Graphique 2.16. Les régions à faible revenu offrent moins de perspectives de mobilité économique ascendante	Régions manquant de données : ESP : ES211 (Araba/Álava), ES212 (Gipuzkoa), ES213 (Biscay), ES220 (Navarre). NOR : NO0B1 (Jan Mayen), NO0B2 (Svalbard) Régions regroupées faute de données : BEL : BE335 (Arr. Verviers – communes francophones) regroupée avec BE336 (Bezirk Verviers – Deutschsprachige Gemeinschaft) ESP : ES704 (Fuerteventura) et ES708 (Lanzarote) regroupées avec ES705 (Gran Canaria) ; ES706 (La Gomera), ES703 (El Hierro) et ES707 (La Palma) regroupées avec ES709 (Tenerife)

Annexe 2.E. Autres résultats

Copier le lien de Annexe 2.E. Autres résultats

Graphique d’annexe 2.E.1. Les régions capitales affichent souvent des taux d’emploi plus élevés
Copier le lien de Graphique d’annexe 2.E.1. Les régions capitales affichent souvent des taux d’emploi plus élevés

Typologie des emplois par accès aux grandes villes, 2024 ou dernière année connue

Graphique d’annexe 2.E.2. Les disparités régionales du PIB par habitant sont prononcées dans bon nombre de pays de l’OCDE
Copier le lien de Graphique d’annexe 2.E.2. Les disparités régionales du PIB par habitant sont prononcées dans bon nombre de pays de l’OCDE

PIB par habitant, régions TL3 pour quelques pays de l’OCDE, 2024 ou dernière année connue

Graphique d’annexe 2.E.3. Les distributions régionales des revenus coïncident très largement
Copier le lien de Graphique d’annexe 2.E.3. Les distributions régionales des revenus coïncident très largement

Médiane, 10^e et 90^e centiles de la distribution des revenus disponibles des ménages en Belgique en 2023 (Partie A) et en Estonie en 2024 (Partie B), régions TL3

Pays	Nombre de régions de niveau TL3	Coefficient de corrélation ρ du revenu médian par rapport au PIB par habitant	Coefficient de corrélation ρ du revenu médian par rapport au taux d’emploi	Coefficient de corrélation ρ du revenu médian par rapport au coefficient de Gini
AUS	49	s.o.	0.40	0.36
AUT	35	0.05	0.02	‑0.67
BEL	42	0.06	0.60	‑0.57
CAN	293	s.o.	s.o.	0.15
CHL	51	s.o.	0.84	0.86
CRI	6	s.o.	0.79	0.22
CZE	14	0.74	0.26	0.58
DNK	11	0.18	0.91	0.46
ESP	50	0.78	0.68	0.32
EST	5	0.82	0.96	0.95
FIN	19	0.80	0.68	0.91
FRA	96	0.71	0.62	0.72
GRC	52	0.60	s.o.	0.58
IRL	8	0.64	0.45	0.89
ISR	6	s.o.	0.99	‑0.73
JPN	47	0.57	0.64	‑0.10
LTU	10	0.96	0.85	0.40
LVA	6	0.60	0.91	0.73
NLD	40	‑0.07	0.69	0.07
NOR	11	s.o.	0.59	0.69
NZL	10	0.82	0.47	0.65
SVK	8	0.85	0.86	‑0.75
SVN	12	0.51	0.65	s.o.
SWE	21	0.76	0.20	0.92

Note : « s.o. » dénote l’absence de données au niveau TL3 sur les taux d’emploi, le PIB par habitant ou le coefficient de Gini. Le nombre de régions correspond au nombre de régions TL3 couvertes par les microdonnées. Pour en savoir plus sur les années d’observation et les sources de données, voir le Graphique 2.9, le Graphique 2.10 et le Graphique 2.12.

Source : Indicateurs sur la distribution des revenus recueillis auprès des autorités nationales (AUT, CAN, CRI, DNK, FIN, FRA, IRL, JPN, LVA, NLD, NOR, NZL, SVN, SWE) et calculs de l’OCDE à partir de microdonnées de sources administratives (BEL, ESP, EST, GRC), de la base de données LIS (CZE, ISR, LTU, SVK) et de l’enquête CASEN (CHL). Les données sur le PIB par habitant proviennent de la base de données de l’OCDE sur les régions, les villes et les localités, https://www.oecd.org/fr/themes/regions-villes-et-statistiques-locales.html (consultée en février 2026).

Notes

Copier le lien de Notes

← 1. Ces données sont disponibles dans la Base de données de l’OCDE sur les régions, les villes et les localités (https://www.oecd.org/fr/themes/regions-villes-et-statistiques-locales.html).

← 2. Des schémas de regroupement comparables sont également observés pour les taux d’emploi.

← 3. Concerne notamment l’enquête EU-SILC et la plupart des enquêtes de la Luxembourg Income Study (LIS), les deux sources les plus importantes de microdonnées internationales sur le revenu des ménages.

← 4. Dans quelques pays non européens, des études des inégalités géographiques de revenus ont également été menées en utilisant les données d’enquêtes de grande ampleur, dont l’enquête CASEN au Chili (Paredes, Iturra et Lufin, 2014[111]), le recensement canadien (Breau et Saillant, 2016[128] ; Marchand, Dubé et Breau, 2020[125]), le recensement des États-Unis (Partridge, 2005[123] ; Moller, Alderson et Nielsen, 2009[124]) et l’enquête sur les communautés américaines aux États-Unis (Florida et Mellander, 2014[126]).

← 5. Dans une étude plus ancienne réalisée par l’OCDE, Boulant, Brezzi et Veneri (2016[105]) utilisent des données administratives micro‑agrégées pour évaluer les inégalités de revenus, mais uniquement dans les grandes zones urbaines fonctionnelles (avec une population d’au moins 500 000 habitants).

← 6. Des études connexes examinent les inégalités géographiques de résultats au regard de l’emploi ou de rémunération : on se rapportera, par exemple, à Bauluz et al. (2024[40]) au sujet de l’évolution à long terme des disparités territoriales de rémunération entre et à l’intérieur des marchés du travail au Canada, en France, en Allemagne de l’Ouest, au Royaume‑Uni et aux États‑Unis, et à Cho et Jeon (2025[23]) sur les disparités d’emplois et de rémunération entre les zones urbaines fonctionnelles aux États‑Unis.

← 7. En Autriche, les deux banlieues de Vienne – Wiener Umland/Nordteil et Wiener Umland/Südteil – sont les régions du pays qui affichent les plus hauts revenus. En Belgique, les deux régions qui entourent Bruxelles, à savoir Louvain et Halle‑Vilvoorde, se situent à la 2^e et à la 4^e place sur l’échelle des plus hauts revenus médians du pays, respectivement Des travaux antérieurs de l’OCDE ont agrégé ces régions en une seule unité aux fins de l’analyse empirique (voir l’Box 2.1), mais cette méthode n’est pas possible avec les revenus médians régionaux et les coefficients de Gini.

← 8. Des pays considérés ici, le Canada a de loin le plus grand nombre de régions (293, toutes couvertes), suivi de la France (101, 96 couvertes), de l’Espagne (59, 50 couvertes), du Chili (56, 51 couvertes), de la Grèce (52, toutes couvertes) et de l’Australie (50, 49 couvertes).

← 9. Le Costa Rica, le Chili, la Lituanie et Israël comptent parmi les pays de l’OCDE où sont observées les plus profondes inégalités de revenus, avec des coefficients de Gini de 0.46, 0.45, 0.35 et 0.34 respectivement, par rapport à la moyenne de l’OCDE de 0.31 (OCDE, 2025[129]).

← 10. La même chose est toutefois vraie pour les distributions habituelles des revenus au niveau national, qui ne tiennent pas non plus compte du fait que les ménages à différents niveaux de revenus peuvent faire face à un coût de la vie systématiquement différent en fonction du lieu où ils vivent.

← 11. L’Autriche est un cas moins intuitif combinant $β$ ‑convergence et $σ$ ‑divergence. À l’instar des taux d’emploi dans la section 2.1.1, cela se produit lorsque les régions qui enregistrent initialement des revenus médians faibles devancent rapidement les régions qui enregistraient initialement des revenus médians élevés, mais la dispersion à la fin de la période est plus large qu’au début.

← 12. Dans les deux pays, si l’on fait abstraction de la région capitale, le rapport observé dans la partie B du Figure 2.12 est atténué, mais le coefficient de corrélation prend encore des valeurs très proches de zéro.

← 13. Ces écarts sont nettement moins marqués, une fois de plus, que ceux observés pour le PIB par habitant : dans le cas des pays pour lesquels ont disposé de données pour les deux indicateurs, l’écart moyen de revenus médians entre région capitale et région non métropolitaine s’élève à 17 % du revenu médian national, soit moins d’un tiers de l’écart de 59 % observé dans le cas du PIB par habitant. Ce chiffre repose sur un nombre de pays relativement plus petit que ceux qui figurent dans le , faute de données sur le PIB régional par habitant au niveau TL3 pour l’Australie, le Canada, le Chili et la Norvège.

← 14. Elbers et al. (2007[127]) ont proposé une autre mesure de ce type de décomposition des inégalités qui tient compte du nombre de groupes différents ainsi que de leurs tailles relatives. Cependant, comme l’indiquent les auteurs, si la plus grande région représente moins de 30 % de la population, cette autre mesure donne des résultats quasi identiques à ceux de la méthode de décomposition conventionnelle suivie ici. Des 780 régions de 20 pays pour lesquels on dispose de données pour la décomposition de Theil, sept seulement représentent plus de 30 % de la population du pays et deux seulement plus de 33 %.

← 15. Des travaux d’analyse connexes de l’OCDE portant sur le rôle des régions dans les disparités du PIB par habitant, dans les pays de l’OCDE et de l’UE, constatent une baisse globale des inégalités au cours des 20 dernières années, mais une convergence ralentie entre les pays – mesurée par l’indice de Theil entre les pays – et une divergence à l’intérieur des pays – mesurée par l’indice de Theil entre les régions TL3 à l’intérieur des pays (Pina et Sicari, 2021[87] ; OCDE, 2024[1] ; OCDE, 2024[29]).

← 16. L’utilisation d’un intervalle étroit de centiles de la distribution nationale évite de comparer des individus dont les revenus de départ sont différents. En effet, si l’on s’intéresse à des groupes plus larges, comme le premier quintile, les différences interrégionales de revenus sont déjà importantes. Lorsque la répartition nationale (plutôt que régionale) des revenus est utilisée comme point de référence pour la mobilité, dans les régions à faible revenu, les personnes d’un centile national donné se situent plus haut dans la répartition régionale des revenus que leurs équivalents dans les régions nanties. Lorsque les inégalités de revenus sont marquées, les individus comparés peuvent présenter des différences importantes et avoir des perspectives de mobilité elles aussi différentes. Cependant, l’utilisation des distributions régionales ne permettrait pas non plus d’effectuer des comparaisons d’égal à égal : les individus comparés auraient des revenus de départ absolus très différents, ce qui se répercuterait directement sur les estimations de la mobilité. D’autre part, les différences observées dans la forme des répartitions régionales des revenus risqueraient de traduire des gains de revenu égaux en des schémas de mobilité relative différents d’une région à l’autre. Surtout, cette approche masquerait les variations régionales que l’analyse cherche à cerner, à savoir que dans les régions à faible revenu, un revenu plus élevé peut être structurellement hors d’atteinte.

L’échantillon exclut également les personnes dont le revenu est nul ou négatif une année quelconque de la fenêtre de mobilité. Cela sert à limiter l’influence des différences d’un pays à l’autre dans la manière dont les sources administratives traitent les revenus nuls et manquants, à exclure les personnes qui arrivent dans le pays en cours d’année, et à supprimer celles dont l’important revenu négatif du capital pour une période compense le revenu du capital positif pour d’autres périodes, biaisant ainsi les transitions de mobilité dans les niveaux de vie « réels ».

← 17. En moyenne, les personnes au bas de la distribution ont tendance à progresser vers le haut au fil du temps, tandis que celles au haut de l’échelle ont tendance à descendre ; un phénomène appelé « réversion à la moyenne ».

← 18. Voir https://www.oecd.org/en/about/projects/linkeed-200.html.

Thèmes clés

Agriculture et pêcheries

Changement climatique

Développement

Développement régional, urbain et rural

Échanges

Économie

Éducation et compétences

Emploi

Environnement

Finances et investissement

Fiscalité

Gouvernance

Industrie, entreprises et entrepreneuriat

Numérique

Santé

Science, technologie et innovation

Société

Énergie

Énergie nucléaire

Transport

Thèmes clés

Agriculture et pêcheries

Changement climatique

Développement

Développement régional, urbain et rural

Échanges

Économie

Éducation et compétences

Emploi

Environnement

Finances et investissement

Fiscalité

Gouvernance

Industrie, entreprises et entrepreneuriat

Numérique

Santé

Science, technologie et innovation

Société

Énergie

Énergie nucléaire

Transport

Pays A - C

Pays D - I

Pays J - M

Pays N - R

Pays S - T

Pays U - Z

Engagement régional et global

Pays

Pays A - C

Pays D - I

Pays J - M

Pays N - R

Pays S - T

Pays U - Z

Engagement régional et global

Publications

Publications

Gros plan

Données

Données

Gros plan

Actualités & événements

Actualités et événements

Gros plan

À propos

À propos

Engagement

Rejoignez-nous

Thèmes clés

Agriculture et pêcheries

Changement climatique

Développement

Développement régional, urbain et rural

Échanges

Économie

Éducation et compétences

Emploi

Environnement