Essais en Macroéconomie et Marché du Travail

Essays on Macroeconomics and Labor Markets

• Auteur / Autrice : Miren Azkarate-Askasua
• Direction : Christian Hellwig
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance le 30/09/2020
• Etablissement(s) : Toulouse 1
• Ecole(s) doctorale(s) : École Doctorale Toulouse Sciences Économiques
• Partenaire(s) de recherche : Equipe de recherche : TSE-R (Toulouse)

Mots clés

Mots clés contrôlés

Syndicats

Macroéconomie

Marché du travail

Mots clés libres

Pouvoir du marché

Détermination des salaires

Résumé

Ce travail de thèse est composé de trois chapitres traitant du marché du travail et de macroéconomie avec une emphase particulière sur le pouvoir du marché et la détermination des salaires. Dans le premier chapitre, Miguel Zerecero et moi étudions les effets du pouvoir du marché des employeurs et les syndicats sur l’efficience et le bien-être. Nous utilisons des données du secteur de la production industrielle française pour documenter premièrement la relation négative entre concentration d’emploi avec les salaires et la partie de la valeur ajoutée qui va au paiement du travail. Au niveau micro, nous identifions les effets de la concentration d’emploi grâce à un choc de licenciement aux compétiteurs. À la suite nous construisons un modèle de négociations en équilibre général avec pouvoir de marché des employeurs et les syndicats. Ce modèle délivre des wedges structurelles hétérogènes à travers des entreprises que génère potentiellement une mis-allocation des ressources. Nous proposons une estimation qu’identifie séparément chaque source de pouvoir du marché au marché de travail. En outre nous permettons que les paramètres soient flexibles à travers des secteurs ce qui contribue à l’hétérogénéité des wedges. Nous montrons que l’observation des salaires et niveau d’emploi est suffisant pour calculer des contrefactuelles relatives à la base. Nous évaluons le coût des distorsions du marché du travail. Éliminer le pouvoir du marché des employeurs et les syndicats augmente la production en 1.6% et la partie qui va au paiement de la main d’œuvre en 21 points pourcentuelles ce qui signifie une augmentation significative du bien-être des salariés. La mobilité géographique est la clé pour réaliser les gains de la compétition. Dans le second chapitre, Miguel Zerecero et moi proposons une méthode de correction de biais qui apparait dans les estimations des formes quadratiques des paramètres de modèles linéaires. Ce biais de faible échantillonnage apparait quand nous voulons faire une décomposition de variance comme par exemple pour décomposer les sources des inégalités salariales. Quand le nombre de variables indépendantes est grand, le calcul direct du biais n’est pas faisable. Nous proposons une méthode de bootstrap pour corriger le biais. Notre méthode s’adapte à différentes hypothèses de la structure des erreurs comme heteroscdecasticité et autocorrélation. Nous pouvons corriger le biais de plusieurs formes quadratiques d’un modèle linéaire sans augmenter le coût des calculs. Nous montrons à travers de simulations de Monte Carlo que notre procédure de bootstrap effectivement corrige le biais et nous le comparons à d’autres méthodes de la littérature. Nous misons en application notre méthode avec des données administratives françaises pour faire une décomposition de la variance des salaires avec effets fixes de travailleur et entreprise. Nous trouvons que les effets de personne et entreprise sont moins importants une fois nous avons corrigé pour le biais. Dans le dernier chapitre, j’étudie l’effet des collègues au lieu de travail. En particulier, comment collègues potentielles déterminent l’emplacement et les salaires futures des travailleurs. Je démêle empiriquement entre les effets d’apprentissage et réseau. De la même façon que la littérature je documente l’importance de l’apprentissage pour les plus jeunes qui n’ont pas eu le temps de former leur réseau. Je propose un modèle structural pour comprendre les mécanismes d’apprentissage. Le but est de quantifier l’effet de l’apprentissage des collègues sur l’allocation entre firmes, l’allocation géographique et l’augmentation des inégalités salariales à travers des entreprises.

This thesis contains three essays on the macroeconomic effects of labor markets with a special emphasis on market power and the determination of wages. In the first chapter, Miguel Zerecero and I study the efficiency and welfare effects of employer and union labor market power. We use data of French manufacturing firms to first document a negative relationship between employment concentration and wages and labor shares. At the micro-level, we identify the effects of employment concentration thanks to mass layoff shocks to competitors. Second, we develop a bargaining model in general equilibrium that incorporates employer and union labor market power. The model features structural labor wedges that are heterogeneous across firms and potentially generate misallocation of resources. We propose an estimation strategy that separately identifies the structural parameters determining both sources of labor market power. Furthermore, we allow different parameters across industries which contributes to the heterogeneity of the wedges. We show that observing wage and employment data is enough to compute counterfactuals relative to the baseline. Third, we evaluate the efficiency and welfare losses from labor market distortions. Eliminating employer and union labor market power increases output by 1.6% and the labor share by 21 percentage points translating into significant welfare gains for workers. Workers’ geographic mobility is key to realize the output gains from competition. In the second chapter, Miguel Zerecero and I propose a bias correction method for estimations of quadratic forms in the parameters of linear models. It is known that those quadratic forms exhibit small-sample bias that appears when one wants to perform a variance decomposition such as decomposing the sources of wage inequality. When the number of covariates is large, the direct computation for a bias correction is not feasible and we propose a bootstrap method to estimate the correction. Our method accommodates different assumptions on the structure of the error term including general heteroscedasticity and serial correlation. Our approach has the benefit of correcting the bias of multiple quadratic forms of the same linear model without increasing the computational cost and being very flexible. We show with Monte Carlo simulations that our bootstrap procedure is effective in correcting the bias and we compare it to other methods in the literature. Using administrative data for France, we apply our method by doing a variance decomposition of a linear model of log wages with person and firm fixed effects. We find that the person and firm effects are less important in explaining the variance of log wages after correcting for the bias. In the third chapter, I study peer effects at the workplace. I focus on how potential peers determine a worker’s location and her future wage profile. I empirically disentangle if workplace peers affect each other through learning or network effects. Similarly to the literature, I document the importance of learning which is more pronounced for the youngest cohorts arguably with no networks. I propose a structural model to understand the mechanism behind learning. The final goal of the model is to quantify the impact of peer learning the firm geographical allocation of workers, and on the rising between firm wage inequality.