Elizabeth B. Li, Giorgio Topa et Jacob P. Weber
Les mesures de tension sur le marché du travail (LMT) décrivent à quel point il est difficile pour les entreprises de trouver des travailleurs. Le marché du travail est considéré comme tendu s’il y a peu de demandeurs d’emploi disponibles par rapport aux offres d’emploi, ce qui implique des pressions salariales plus fortes alors que les employeurs se disputent les rares demandeurs d’emploi. Ainsi, de bonnes mesures du LMT sont importantes pour prédire l’inflation des salaires et calibrer la politique monétaire. Récemment, la plateforme de recrutement LinkedIn a commencé à produire trois mesures LMT innovantes basées sur ses données utilisateur. Dans cet article, nous utilisons les données publiques de l'enquête sur les offres d'emploi et la rotation de la main-d'œuvre (JOLTS) et du Bureau of Labor Statistics (BLS) pour évaluer la capacité de ces nouvelles mesures à prédire l'inflation des salaires et des prix par rapport aux mesures LMT existantes, constatant que l'une d'elles se démarque comme particulièrement utile et opportune.
Comment sont construites les nouvelles mesures LinkedIn ?
Nous étudions trois mesures LinkedIn du LMT : l'indice d'emploi par candidature (JPAI), l'indice d'emploi par demandeur d'emploi (JPJI), tel que défini par McCrory et Huang (2025), et le taux d'embauche LinkedIn (LHR), tel que défini par Chua et Kantenga (2024) et publié pour la première fois en 2017.
Le JPAI est défini comme le nombre d'offres d'emploi attractives au cours d'un mois donné divisé par le nombre de candidatures soumises sur LinkedIn. Une offre d'emploi attrayante sur LinkedIn est définie comme satisfaisant deux conditions : l'auteur de l'offre d'emploi a soit payé pour promouvoir le poste, soit répertorié manuellement le poste sur LinkedIn, et a ainsi payé le coût d'opportunité de son temps, et, dans un délai donné. tl'offre d'emploi a reçu une candidature d'un membre de LinkedIn sur le marché du travail où se situe l'emploi. Ici, une candidature est soit soumise directement via la fonctionnalité Easy Apply de LinkedIn, soit déduite parce que le membre a cliqué sur un lien pour postuler au poste en dehors de la plateforme LinkedIn.
Le JPJI est défini comme le nombre d’offres d’emploi attractives ce mois-là divisé par le nombre de demandeurs d’emploi ayant soumis au moins une candidature sur LinkedIn ce mois-là. Un emploi attractif et une candidature à un emploi sont tous deux définis de la même manière que pour le JPAI.
Enfin, le LHR est défini comme le nombre de membres LinkedIn qui ont ajouté un nouvel employeur à leur profil divisé par la base de membres LinkedIn concernée (par exemple, les membres situés aux États-Unis). Ce nombre est indexé sur la moyenne mensuelle de 2016 ; par exemple, un indice de 1,05 indique un taux d'embauche supérieur de 5 % à la moyenne mensuelle de 2016. Dans notre analyse, nous utilisons les données désaisonnalisées du LHR, telles que produites par LinkedIn.
Les trois mesures mensuelles ont l’avantage d’être plus rapides que les mesures standards. Par exemple, les données d’août 2026 pourraient être disponibles au cours de la première semaine de septembre, bien plus tôt que les données JOLTS qui sont disponibles avec un décalage d’environ cinq semaines. Cependant, ces mesures ne sont pas nécessairement représentatives de l’économie américaine dans son ensemble, puisqu’elles ne capturent que les emplois publiés et postulés sur LinkedIn, ce qui soulève la question suivante : dans quelle mesure sont-elles corrélées aux mesures existantes du LMT, et sont-elles utiles pour prédire l’inflation des salaires et des prix ?
Comparaison des mesures nouvelles et existantes
Comment les mesures LinkedIn LMT se comparent-elles à leurs homologues plus connues ? Comme référence, nous utilisons le ratio postes vacants/chômage (V/U), une mesure largement utilisée de la tension du marché du travail définie comme le nombre de postes vacants (le nombre d'offres d'emploi publiées par les employeurs chaque mois, tel que mesuré par JOLTS) divisé par le nombre de personnes au chômage. Nous comparons également le LHR avec le taux d’embauche de JOLTS. Dans toutes les analyses, nous limitons notre attention à la période commençant en juillet 2019 (étant donné la disponibilité limitée des données historiques pour le JPJI et le JPAI) et se terminant en avril 2026.
Le panneau de gauche du graphique ci-dessous montre que le JPJI suit bien V/U. La corrélation entre les deux mesures est de 0,733. Le JPJI est légèrement supérieur au V/U au début de la pandémie de COVID-19, et légèrement inférieur de fin 2022 à mi-2024. Le panneau de droite du graphique montre que les taux d'embauche LHR et JOLTS sont également très étroitement liés ; en commençant la série de données à partir du début de 2021 (à l’exclusion des mouvements importants survenus au début de la COVID-19), la corrélation entre les deux variables (normalisées) est de 0,95.
Le JPJI et le V/U suivent de près au fil du temps, tout comme le taux d'embauche du LHR et du JOLTS.
Sources : LinkedIn ; Enquête sur les offres d'emploi et la rotation de la main-d'œuvre (JOLTS) ; Bureau des statistiques du travail.
Remarques : Toutes les variables sont normalisées sous forme de scores Z sur la période tracée (centrées autour de leur moyenne et divisées par leur écart type). Le JPJI est l'indice d'emploi par demandeur d'emploi, V/U est le ratio postes vacants/chômage et LHR est le taux d'embauche LinkedIn.
Quelle est la qualité des nouvelles mesures de prévision immédiate et prévisionnelle ?
Nous examinons maintenant les propriétés de prévision immédiate et de prévision des mesures LinkedIn pour prédire l'inflation des prix et des salaires en temps réel. Pour ces exercices, nous utilisons respectivement les données mensuelles de l’indice des prix à la consommation (IPC) et les données trimestrielles de l’indice du coût de l’emploi (ECI). Dans l’exercice de prévision immédiate, nous évaluons la capacité des mesures LMT à prédire les valeurs actuelles de l’IPC et de l’ICE. La prévision immédiate est utile pour aider les décideurs politiques à prédire l’inflation avant la publication des données officielles. En pratique, nous effectuons des régressions glissantes de l’inflation jusqu’à la période t-1 (les données officielles de la dernière période sont disponibles) sur les mesures LMT. Nous utilisons ensuite l'inflation prévue sur la période t (en utilisant les mesures LMT à travers t) comme notre prévision immédiate.
Comment pouvons-nous évaluer la « qualité de l’ajustement » de nos mesures de prévision immédiate ? Nous utilisons l’erreur quadratique moyenne (RMSE) comme mesure pour déterminer dans quelle mesure la prévision immédiate correspond à l’inflation réelle. Après avoir prévu les valeurs de l'inflation de l'IPC et de l'ECI, nous calculons le RMSE pour déterminer avec quelle précision chaque mesure d'inflation prévue par le LMT suit l'inflation réelle. Nous prenons ensuite le RMSE moyen de chaque mesure et comparons leur performance par rapport au RMSE moyen de V/U comme référence.
Le graphique ci-dessous montre que le JPJI et le LHR sont systématiquement les plus performants. Le JPJI présente l’erreur de prévision immédiate la plus faible, avec de meilleurs résultats que V/U pour prédire l’inflation des prix et des salaires. Le LHR est plus performant que le V/U pour l’IPC mais moins bon pour l’ECI. Les taux d'embauche JPAI et JOLTS sont systématiquement inférieurs à ceux de V/U.
Le JPJI a la meilleure performance de prévision immédiate en matière de prévision de l'inflation de l'IPC et de l'ECI
Inflation mensuelle de l'IPC : erreur de prévision immédiate (V/U = 100)
Inflation trimestrielle de l'ICE : erreur de prévision immédiate (V/U = 100)
Sources : LinkedIn ; Enquête sur les offres d'emploi et la rotation de la main-d'œuvre (JOLTS) ; Bureau des statistiques du travail.
Notes : Les erreurs de prévision immédiate impliquent de comparer l'erreur quadratique moyenne (RMSE) moyenne de chaque mesure par rapport à la RMSE moyenne du rapport postes vacants/chômage (V/U). L’inflation de l’indice des prix à la consommation (IPC) est une mesure mensuelle, tandis que l’inflation de l’indice du coût de l’emploi (ECI) est trimestrielle. Les embauches font référence au taux d'embauche JOLTS tandis que l'indice d'emploi par demandeur d'emploi (JPJI), l'indice d'emploi par candidature (JPAI) et le taux d'embauche LinkedIn (LHR) proviennent de LinkedIn.
Nous effectuons le même exercice de prévision. Ici, nous régressons chaque mesure d'inflation sur les valeurs décalées d'une période de nos mesures LMT au cours de la période. tpour construire une prévision pour t+1 inflation. De la même manière que nous l'avons fait avec notre exercice de prévision immédiate, nous évaluons l'efficacité des nouvelles mesures de LinkedIn en calculant le RMSE pour déterminer avec quelle précision chaque mesure d'inflation prévue par le LMT suit l'inflation réelle. Nous prenons ensuite le RMSE moyen de chaque mesure et comparons leur performance par rapport au RMSE moyen de V/U.
Le graphique ci-dessous montre que, comme pour la prévision immédiate, le JPJI est la mesure la plus performante, avec une erreur de prévision inférieure à V/U pour prédire l’inflation des prix et des salaires. Il convient de noter que le LHR obtient également de meilleurs résultats que le V/U dans la prévision des deux mesures d'inflation, bien qu'il soit encore moins bon que le JPJI. Et encore une fois, le JPAI et le taux d’embauche JOLTS sont les mesures les moins performantes, bien que le JPAI soit plus performant que le V/U dans la prévision de l’inflation de l’ICE.
Le JPJI a également les meilleures performances de prévision pour l’inflation de l’IPC et de l’ECI.
Inflation mensuelle de l’IPC : erreur de prévision (V/U = 100)
Inflation trimestrielle de l'ICE : erreur de prévision (V/U) = 100
Sources : LinkedIn ; Enquête sur les offres d'emploi et la rotation de la main-d'œuvre (JOLTS) ; Bureau des statistiques du travail.
Notes : Les erreurs de prévision impliquent la comparaison de l’erreur quadratique moyenne (RMSE) moyenne de chaque mesure par rapport à la RMSE moyenne du rapport postes vacants/chômage (V/U). L’inflation de l’indice des prix à la consommation (IPC) est une mesure mensuelle, tandis que l’inflation de l’indice du coût de l’emploi (ECI) est trimestrielle. Les embauches font référence au taux d'embauche JOLTS tandis que l'indice d'emploi par demandeur d'emploi (JPJI), l'indice d'emploi par candidature (JPAI) et le taux d'embauche LinkedIn (LHR) proviennent de LinkedIn.
Conclusion
Dans cet article, nous avons étudié les performances de trois nouvelles mesures de tension sur le marché du travail produites par LinkedIn pour prédire l’inflation des salaires et des prix. Nous constatons que le JPJI et le LHR non seulement suivent bien les mesures existantes du LMT, mais ont également un RMSE comparable ou meilleur que les mesures LMT fiables et existantes telles que V/U dans la prévision immédiate et la prévision de l'inflation des prix et des salaires. Surtout, ces mesures sont également plus opportunes que le taux d’embauche JOLTS et les mesures traditionnelles de rigueur, telles que V/U.
Elizabeth B. Li est analyste de recherche au sein du groupe de recherche et de statistiques de la Banque fédérale de réserve de New York.
Giorgio Topa est conseiller en recherche économique au sein du groupe de recherche et de statistiques de la Banque fédérale de réserve de New York.
Jacob P. Weber est économiste de recherche au sein du groupe de recherche et de statistiques de la Banque fédérale de réserve de New York.
Comment citer cet article :
Elizabeth B. Li, Giorgio Topa et Jacob P. Weber, « Évaluation des nouveaux indicateurs de resserrement du marché du travail sur LinkedIn », Banque de réserve fédérale de New York Économie de Liberty Street30 octobre 2026, https://doi.org/10.59576/lse.20261030
BibTeX : Afficher |
Clause de non-responsabilité
Les opinions exprimées dans cet article sont celles des auteurs et ne reflètent pas nécessairement la position de la Federal Reserve Bank de New York ou du Federal Reserve System. Toute erreur ou omission relève de la responsabilité du ou des auteurs.
