Quand l'identité entre dans la fonction d'utilité

La ségrégation comme équilibre économique

La ségrégation de genre ne se réduit pas à des préférences individuelles. Elle émerge de l'interaction entre normes sociales, structures de marché, et comportements stratégiques. L'économie dispose d'outils formels pour modéliser ces dynamiques.

La contribution fondamentale d'Akerlof & Kranton (2000) est d'incorporer l'identité directement dans la fonction d'utilité — l'appartenance à une catégorie sociale (ici le genre) génère des gains ou des pertes selon l'adéquation du comportement aux prescriptions normatives.

Qu'est-ce que l'identité de genre dans ce cadre ?

Dans le modèle d'Akerlof & Kranton, chaque individu appartient à une catégorie sociale (ici : femme, homme, ou identité non-binaire). Chaque catégorie est associée à des prescriptions comportementales : les actions attendues, les métiers légitimes, les rôles familiaux. Adopter un comportement conforme renforce l'utilité identitaire ; s'en écarter la réduit.

Cette formalisation permet d'expliquer pourquoi des individus rationnels persistent dans des choix économiquement sous-optimaux — refus d'une promotion, sous-investissement en formation — lorsque ces choix preservent une identité sociale cohérente.

Modéliser la friction identitaire

Les modèles de ségrégation de genre reposent sur deux logiques complémentaires : les préférences exogènes (Becker) et les normes endogènes (Akerlof & Kranton). Voici leur architecture formelle.

Ségrégation occupationnelle : le modèle formel

Soit un marché du travail avec deux groupes (F, M) et deux types de postes (T₁ codé féminin, T₂ codé masculin). L'index de dissimilarité de Duncan (1955) mesure l'ampleur de la ségrégation :

Intensité des frictions identitaires par secteur

λ normativité : intensité estimée de la friction identitaire pour un individu qui entre dans un secteur non-conforme à son genre codé. Calculé via régressions sur données PISA, PIAAC & DARES.

L'écart de genre comme signal structurel

L'écart salarial de genre (gender pay gap) est la variable endogène centrale de la plupart des modèles empiriques. Mais décomposer cet écart requiert de distinguer la part expliquée (capital humain, secteur, temps partiel) de la part résiduelle — qui capte notamment les frictions identitaires.

Évolution historique des modèles théoriques

Du modèle au code

Les analyses empiriques de ségrégation de genre mobilisent un pipeline R standard : nettoyage des données DARES/Eurostat, calcul des indices, décomposition de Blinder-Oaxaca, et visualisation avec ggplot2. Voici l'architecture du projet.

# Calcul de l'indice de dissimilarité D (Duncan & Duncan, 1955)
# Données : part femmes/hommes par catégorie professionnelle ROME

library(dplyr)
library(readr)

compute_duncan_index <- function(data, group_col, cat_col) {
  data |>
    group_by({{ cat_col }}) |>
    summarise(
      f_share = sum(female) / sum(female + male),
      m_share = sum(male) / sum(female + male),
      .groups = "drop"
    ) |>
    summarise(D = 0.5 * sum(abs(f_share - m_share)))
}

# Charger les données DARES
emploi <- read_csv("data/dares_emploi.csv")

# Indice global
D_global <- compute_duncan_index(emploi, sector, occupation)

# Par secteur
D_par_secteur <- emploi |>
  group_by(secteur) |>
  group_modify(~ compute_duncan_index(.x, ., profession))

# Simulation de la fonction d'utilité avec composante identitaire
# U = u(gains matériels) + I(identité, norme, action)

identity_utility <- function(
    gain_materiel,       # revenu, statut
    ecart_norme,         # distance à la norme de genre [0,1]
    lambda = 0.8,        # intensité de l'identité
    alpha  = 1.5         # concavité de la perte identitaire
) {
  # Composante matérielle (log-utilité)
  u_mat <- log(gain_materiel + 1)
  
  # Perte identitaire : convexe en l'écart à la norme
  I_identity <- -lambda * ecart_norme ^ alpha
  
  # Utilité totale
  U_total <- u_mat + I_identity
  
  list(
    U_total    = U_total,
    u_mat      = u_mat,
    I_identity = I_identity,
    decision   = ifelse(U_total > 0, "accepter", "refuser")
  )
}

# Exemple : promotion dans un secteur non-conforme
res <- identity_utility(
  gain_materiel = 1.35,  # +35% de salaire
  ecart_norme   = 0.72,  # forte déviance normative
  lambda        = 1.1   # individu fortement identifié
)

library(oaxaca)
library(ggplot2)

# Décomposition de l'écart salarial F/M
model_oaxaca <- oaxaca(
  log_salaire ~ experience + education + secteur + temps_partiel | genre,
  data = enquete_salaires
)

# Résultats : part expliquée vs résidu
summary(model_oaxaca)

# Visualisation de la décomposition
plot(model_oaxaca, decomposition = "twofold", group.weight = -1) +
  theme_minimal(base_family = "IBM Plex Sans") +
  scale_fill_manual(values = c("#C8B97A", "#1C6FA3", "#5B8FC4")) +
  labs(
    title    = "Décomposition Blinder-Oaxaca de l'écart salarial",
    subtitle = "France · Données DARES 2022",
    x        = "Contribution (%)"
  )

Documentation R Markdown — Structure Quarto

Le site utilise Quarto (ou R Markdown + rmarkdown::render_site()) pour générer automatiquement les pages à partir des scripts R. Chaque section correspond à un .Rmd ou .qmd avec les outputs intégrés.

project:
  type: website
  output-dir: docs    # pour GitHub Pages

website:
  title: "Identité de Genre & Économie"
  navbar:
    left:
      - text: "Fondements"
        href: fondements.qmd
      - text: "Modèles"
        href: modeles.qmd
      - text: "Données"
        href: donnees.qmd
    right:
      - icon: github
        href: https://github.com/votre-user/identite-genre-economie

format:
  html:
    theme: [flatly, custom.scss]
    code-fold: true
    code-summary: "Voir le code R"
    toc: true

Pour aller plus loin

Références fondamentales classées par niveau de technicité — des articles fondateurs aux packages R spécialisés.