Chômage, emplois vacants et avènement de l’IA

Analyse territoriale de Loiret, CVL, France

0.1 Contexte et problématique

En novembre 2022, le lancement public de ChatGPT marque un tournant dans l’histoire de l’intelligence artificielle générative. Pour la première fois, des outils IA accessibles à tous automatisent des tâches cognitives jusqu’alors exclusivement humaines.

Cette étude combine deux niveaux d’analyse :

• Macro : Comment la demande d’emploi a-t-elle évolué avant et après novembre 2022, observe-t-on une divergence entre le Loiret, la CVL et la France?
• Micro : Les emplois vacants par secteur évoluent-ils différemment depuis l’avènement de l’IA ? Certains secteurs résistent mieux que d’autres ?

Sources de données :

---

0.2 Packages et parametres

suppressPackageStartupMessages({
  library(tidyverse)    # manipulation données + ggplot2
  library(sf)           # géométries spatiales
  library(leaflet)      # carte interactive
  library(scales)       # formatage axes (%, milliers)
  library(readxl)       # lecture fichier INSEE .xlsx
  library(knitr)        # tableaux dans Quarto
  library(kableExtra)   # style des tableaux HTML
  library(patchwork)    # combinaison de graphiques ggplot2
})

# Charte graphique
couleurs <- c("Loiret" = "#003189", "CVL" = "#e63946", "France" = "#adb5bd")
couleurs_loiret <- c(
  "Gien"      = "#003189", "Montargis" = "#e63946",
  "Orléans"   = "#f4a261", "Pithiviers" = "#2a9d8f"
)
couleurs_ere <- c("Pré-IA" = "#adb5bd", "Ère IA" = "#7b2d8b")
couleurs_secteur <- c(
  "Industrie"            = "#e63946",
  "Construction"         = "#f4a261",
  "Tertiaire marchand"   = "#003189",
  "Tertiaire non-marchand" = "#2a9d8f"
)

# Constantes
codes_loiret  <- c("2407", "2409", "2410", "2411")
couleurs_loiret_map <- c(
  "Gien" = "#003189", "Montargis" = "#e63946",
  "Orléans" = "#f4a261", "Pithiviers" = "#2a9d8f"
)

DATE_IA <- as.Date("2022-10-01")   # T4 2022

f_cvl <- "../data/dares_cvl.xls"
f_ze  <- "../data/dares_zones_emploi.xls"
f_ev  <- "../data/dares_emploivacants_brut_emploisvacants.csv"
f_geo <- "../data/georef-france-zone-emploi-2020.geojson"

0.3 Chargement des données

dares_cvl <- read.csv(f_cvl, sep = ";", encoding = "UTF-8")
dares_ze  <- read.csv(f_ze,  sep = ";", encoding = "UTF-8")
zones_geo <- st_read(f_geo,  quiet = TRUE)
ev_raw <- read.csv(f_ev, sep = ";", encoding = "UTF-8", check.names = FALSE)
names(ev_raw) <- names(ev_raw) %>%
  str_replace_all("\ufeff", "") %>% str_trim()

cat("Dares CVL       :", nrow(dares_cvl), "lignes\n")

#> Dares CVL       : 5760 lignes

cat("Dares ZE        :", nrow(dares_ze),  "lignes\n")

#> Dares ZE        : 378550 lignes

cat("Emplois vacants :", nrow(ev_raw),    "lignes\n")

#> Emplois vacants : 3300 lignes

cat("GeoJSON         :", nrow(zones_geo), "zones\n")

#> GeoJSON         : 306 zones

0.4 Préparation des données

dares_cvl_clean <- dares_cvl %>%
  filter(Variable == "Catégorie A", Année >= 2019) %>%
  mutate(
    Valeur     = as.numeric(Valeur),
    Date       = as.Date(paste0(Date, "-01")),
    territoire = case_when(
      Territoire == "Loiret"                ~ "Loiret",
      Territoire == "CENTRE-VAL DE LOIRE"   ~ "CVL",
      Territoire == "FRANCE MÉTROPOLITAINE" ~ "France",
      TRUE ~ NA_character_
    ),
    ere = if_else(Date >= DATE_IA, "Ère-IA", "Pré-IA")
  ) %>%
  filter(!is.na(territoire))

cat("dares_cvl_clean :", nrow(dares_cvl_clean), "lignes\n")

#> dares_cvl_clean : 84 lignes

cat("Période :", format(min(dares_cvl_clean$Date), "%Y"),
    "", format(max(dares_cvl_clean$Date), "%Y"), "\n")

#> Période : 2019  2025

dares_ze_clean <- dares_ze %>%
  filter(
    Catégorie       == "A",
    Sexe            == "Total",
    Tranche.d.âge  == "Total",
    Ancienneté     == "Total",
    Type.de.données == "Brutes"
  ) %>%
  mutate(
    Date    = as.Date(paste0(Date, "-01"), format = "%Y-%m-%d"),
    code_ze = as.character(Code.zone.d.emploi),
    nb      = as.numeric(gsub("[[:space:]]", "",
                              Nombre.de.demandeurs.d.emploi))
  ) %>%
  select(Date, code_ze, Zone.d.emploi, nb)

dernier_mois <- max(dares_ze_clean$Date, na.rm = TRUE)
cat("Dernier mois :", format(dernier_mois, "%B %Y"), "\n")

#> Dernier mois : février 2026

trim_to_date <- function(x) {
  annee <- as.integer(substr(x, 1, 4))
  trim  <- as.integer(substr(x, 7, 7))
  as.Date(paste0(annee, "-", sprintf("%02d", (trim - 1) * 3 + 1), "-01"))
}

ev_clean <- ev_raw %>%
  rename(
    date         = `Date`,
    champ        = `Champ`,
    nomenclature = `Nomenclature`,
    code_naf     = `Code NAF`,
    libelle_naf  = `Libellé NAF`,
    type_donnees = `Type de données`,
    nb_vacants   = `Nombre d'emplois vacants`,
    taux_vacants = `Taux d'emplois vacants (en %)`
  ) %>%
  mutate(
    Date         = trim_to_date(date),
    nb_vacants   = as.numeric(nb_vacants),
    taux_vacants = as.numeric(taux_vacants),
    ere          = if_else(Date >= DATE_IA, "Ère IA", "Pré-IA")
  ) %>%
  filter(
    !is.na(Date),
    !is.na(nb_vacants),
    Date >= as.Date("2019-01-01")
  )

ev_total <- ev_clean %>%
  filter(nomenclature == "A1 - Ensemble", champ == "Ensemble")

ev_a4 <- ev_clean %>%
  filter(nomenclature == "A4", champ == "Plus de 10 salariés") %>%
  mutate(libelle_naf = str_trim(libelle_naf))

ev_a21 <- ev_clean %>%
  filter(nomenclature == "A21", champ == "Plus de 10 salariés")

cat("Emplois vacants total France :", nrow(ev_total), "trimestres\n")

#> Emplois vacants total France : 27 trimestres

cat("Secteurs A4  :", n_distinct(ev_a4$code_naf), "\n")

#> Secteurs A4  : 4

cat("Secteurs A21 :", n_distinct(ev_a21$code_naf), "\n")

#> Secteurs A21 : 17

cat("Période :", format(min(ev_clean$Date), "%Y"),
    "→", format(max(ev_clean$Date), "%Y"), "\n")

#> Période : 2019 → 2025

codes_loiret <- c("2407", "2409", "2410", "2411")

ze_stat <- dares_ze_clean %>%
  filter(Date == dernier_mois) %>%
  group_by(code_ze, Zone.d.emploi) %>%
  summarise(inscrits_catA = sum(nb, na.rm = TRUE), .groups = "drop") %>%
  mutate(is_loiret = code_ze %in% codes_loiret)

ze_map <- zones_geo %>%
  filter(reg_code == "24") %>%
  left_join(ze_stat, by = c("ze2020_code" = "code_ze")) %>%
  mutate(is_loiret = ze2020_code %in% codes_loiret)

ze_map_wgs84 <- st_transform(ze_map, 4326)

0.5 Axe 1 : Demande d’emploi avant et après l’avènement de l’IA

0.5.1 Évolution relative de CVL, Loiret, France

serie_ia <- dares_cvl_clean %>%
  group_by(territoire) %>%
  arrange(Date) %>%
  mutate(
    base_ia   = Valeur[Date == DATE_IA][1],
    indice_ia = (Valeur / base_ia) * 100
  ) %>%
  ungroup()

ggplot(serie_ia, aes(x = Date, y = indice_ia,
                     color = territoire, group = territoire)) +
  # Zone pré-IA
  annotate("rect",
           xmin = min(serie_ia$Date), xmax = DATE_IA,
           ymin = -Inf, ymax = Inf, fill = "#adb5bd", alpha = 0.08) +
  annotate("text", x = as.Date("2020-07-01"), y = 107,
           label = "Pré-IA", color = "grey50", size = 3.2, fontface = "italic") +
  # Zone post-IA
  annotate("rect",
           xmin = DATE_IA, xmax = max(serie_ia$Date),
           ymin = -Inf, ymax = Inf, fill = "#7b2d8b", alpha = 0.05) +
  annotate("text", x = as.Date("2024-01-01"), y = 107,
           label = "Ère IA", color = "#7b2d8b", size = 3.2, fontface = "italic") +
  # Ligne pivot
  geom_vline(xintercept = DATE_IA, linetype = "dashed",
             color = "#7b2d8b", linewidth = 1) +
  annotate("text", x = DATE_IA + 30, y = 103,
           label = "Novembre 2022\nChatGPT", color = "#7b2d8b",
           size = 2.8, hjust = 0, fontface = "bold") +
  geom_hline(yintercept = 100, linetype = "dotted", color = "grey60") +
  geom_line(linewidth = 1.2) +
  geom_point(data = serie_ia %>% filter(Date == DATE_IA),
             size = 3, shape = 21, fill = "white", stroke = 1.5) +
  scale_color_manual(values = couleurs, name = NULL) +
  scale_x_date(date_breaks = "6 months", date_labels = "%b %Y") +
  scale_y_continuous(labels = label_number(suffix = "")) +
  labs(
    title    = "Demandeurs d'emploi categorie A avant et après l'avènement de l'IA",
    subtitle = "Base 100 = T4 2022 (lancement de ChatGPT en novembre 2022)",
    x = NULL, y = "Indice"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    legend.position  = "top",
    panel.grid.minor = element_blank(),
    axis.text.x      = element_text(angle = 45, hjust = 1),
    plot.title       = element_text(face = "bold")
  )

0.5.2 Comparaison pré-IA / ère IA par territoire

# Valeur moyenne des inscrits cat. A par ère et territoire.

dares_cvl_clean %>%
  group_by(territoire, ere) %>%
  summarise(moy = mean(Valeur, na.rm = TRUE), .groups = "drop") %>%
  mutate(ere = factor(ere, levels = c("Pré-IA", "Ère IA"))) %>%
  ggplot(aes(x = territoire, y = moy, fill = ere)) +
  geom_col(position = "dodge", width = 0.6) +
  geom_text(aes(label = label_number(big.mark = " ", accuracy = 1)(moy)),
            position = position_dodge(0.6), vjust = -0.4,
            size = 3.2, fontface = "bold") +
  scale_fill_manual(values = couleurs_ere, name = NULL) +
  scale_y_continuous(labels = label_number(big.mark = " "),
                     expand = expansion(mult = c(0, 0.15))) +
  labs(
    title    = "Moyenne des demandeurs d'emploi de catégorie A par ère.",
    subtitle = "Pré-IA : avant T4 2022 | Ère IA : T4 2022 et après",
    x = NULL, y = "Moyenne (nb inscrits)"
  ) +
  theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold"),
        legend.position = "top",
        panel.grid.minor = element_blank())

0.5.3 Évolution par zone d’emploi - Loiret

# Evolution mensuelle par zone d'emploi du Loiret. Base 100 = T4 2022."

dares_ze_clean %>%
  filter(code_ze %in% codes_loiret,
         Date    >= as.Date("2019-01-01")) %>%
  group_by(code_ze, Zone.d.emploi) %>%
  arrange(Date) %>%
  mutate(
    base_ia = nb[Date == DATE_IA][1],
    indice  = (nb / base_ia) * 100
  ) %>%
  ungroup() %>%
  ggplot(aes(x = Date, y = indice, color = Zone.d.emploi)) +
  annotate("rect",
           xmin = as.Date("2019-01-01"), xmax = DATE_IA,
           ymin = -Inf, ymax = Inf, fill = "#adb5bd", alpha = 0.08) +
  annotate("rect",
           xmin = DATE_IA, xmax = max(dares_ze_clean$Date),
           ymin = -Inf, ymax = Inf, fill = "#7b2d8b", alpha = 0.05) +
  geom_vline(xintercept = DATE_IA, linetype = "dashed",
             color = "#7b2d8b", linewidth = 0.9) +
  annotate("text", x = DATE_IA + 30, y = max(
    dares_ze_clean %>%
      filter(code_ze %in% codes_loiret, Date >= as.Date("2019-01-01")) %>%
      group_by(code_ze) %>%
      mutate(base_ia = nb[Date == DATE_IA][1],
             indice  = (nb / base_ia) * 100) %>%
      pull(indice), na.rm = TRUE) * 0.97,
    label = "ChatGPT\nNovembre 2022", color = "#7b2d8b",
    size = 2.6, hjust = 0, fontface = "bold") +
  geom_vline(xintercept = as.Date("2025-01-01"),
             linetype = "dotted", color = "#e63946", linewidth = 0.7) +
  annotate("text", x = as.Date("2025-02-01"), y = 108,
           label = "Rupture\n2025", color = "#e63946",
           size = 2.5, hjust = 0, fontface = "italic") +
  geom_hline(yintercept = 100, linetype = "dotted", color = "grey60") +
  geom_line(linewidth = 1.1) +
  scale_color_manual(values = couleurs_loiret_map, name = NULL) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  labs(
    title    = "Inscrits cat. A - Zones d'emploi du Loiret",
    subtitle = "Base 100 = T4 2022 (lancement ChatGPT)",
    x = NULL, y = "Indice"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    legend.position  = "top",
    panel.grid.minor = element_blank(),
    axis.text.x      = element_text(angle = 45, hjust = 1),
    plot.title       = element_text(face = "bold")
  )

0.6 Axe 2 - Emplois vacants : dimension micro-économique

0.6.1 Vue d’ensemble - France entière

# Emplois vacants France entière (ensemble des secteurs)."

ggplot(ev_total, aes(x = Date, y = nb_vacants / 1000)) +
  annotate("rect",
           xmin = min(ev_total$Date), xmax = DATE_IA,
           ymin = -Inf, ymax = Inf, fill = "#adb5bd", alpha = 0.07) +
  annotate("rect",
           xmin = DATE_IA, xmax = max(ev_total$Date),
           ymin = -Inf, ymax = Inf, fill = "#7b2d8b", alpha = 0.05) +
  geom_vline(xintercept = DATE_IA, linetype = "dashed",
             color = "#7b2d8b", linewidth = 1) +
  annotate("text", x = DATE_IA + 30, y = max(ev_total$nb_vacants / 1000) * 0.95,
           label = "Novembre 2022", color = "#7b2d8b",
           size = 3, hjust = 0, fontface = "bold") +
  geom_line(color = "#003189", linewidth = 1.2) +
  geom_area(fill = "#003189", alpha = 0.08) +
  scale_y_continuous(labels = label_number(suffix = " k", accuracy = 1)) +
  scale_x_date(date_breaks = "2 years", date_labels = "%Y") +
  labs(
    title    = "Emplois vacants en France entre 2019 et 2025",
    subtitle = "Ensemble des secteurs (B à S, hors administration publique)",
    x = NULL, y = "Emplois vacants (milliers)"
  ) +
  theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold"),
        panel.grid.minor = element_blank())

0.6.2 Taux d’emplois vacants par grand secteur avant vs après IA

ev_a4 %>%
  filter(Date >= as.Date("2019-01-01")) %>%
  group_by(libelle_naf, ere) %>%
  summarise(taux_moy = mean(taux_vacants, na.rm = TRUE), .groups = "drop") %>%
  mutate(
    ere        = factor(ere, levels = c("Pré-IA", "Ère IA")),
    libelle_naf = str_wrap(libelle_naf, 20)
  ) %>%
  ggplot(aes(x = reorder(libelle_naf, taux_moy), y = taux_moy, fill = ere)) +
  geom_col(position = "dodge", width = 0.65) +
  geom_text(aes(label = paste0(round(taux_moy, 2), "%")),
            position = position_dodge(0.65),
            hjust = -0.1, size = 3, fontface = "bold") +
  coord_flip(clip = "off") +
  scale_y_continuous(labels = label_percent(scale = 1, accuracy = 0.1),
                     expand = expansion(mult = c(0, 0.2))) +
  scale_fill_manual(values = couleurs_ere, name = NULL) +
  labs(
    title    = "Taux d'emplois vacants par grand secteur",
    subtitle = "Pré-IA : 2019–T3 2022 | Ère IA : T4 2022–2025",
    x = NULL, y = "Taux moyen (%)"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title       = element_text(face = "bold"),
    legend.position  = "top",
    panel.grid.minor = element_blank()
  )

0.6.3 Évolution trimestrielle par secteur A4

ev_a4 %>%
  filter(Date >= as.Date("2019-01-01")) %>%
  ggplot(aes(x = Date, y = taux_vacants, color = libelle_naf)) +
  annotate("rect",
           xmin = DATE_IA, xmax = max(ev_a4$Date),
           ymin = -Inf, ymax = Inf, fill = "#7b2d8b", alpha = 0.05) +
  geom_vline(xintercept = DATE_IA, linetype = "dashed",
             color = "#7b2d8b", linewidth = 0.9) +
  annotate("text", x = DATE_IA + 30, y = max(ev_a4$taux_vacants, na.rm = TRUE) * 0.95,
           label = "Novembre 2022", color = "#7b2d8b",
           size = 2.8, hjust = 0, fontface = "bold") +
  geom_line(linewidth = 1.1) +
  scale_color_manual(values = couleurs_secteur, name = NULL) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  scale_y_continuous(labels = label_percent(scale = 1, accuracy = 0.1)) +
  labs(
    title    = "Taux d'emplois vacants par grand secteur entre 2019 et 2025",
    subtitle = "Ligne pointillée violette = avènement de ChatGPT (T4 2022)",
    x = NULL, y = "Taux d'emplois vacants (%)"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    legend.position  = "top",
    panel.grid.minor = element_blank(),
    axis.text.x      = element_text(angle = 45, hjust = 1),
    plot.title       = element_text(face = "bold")
  )

0.6.4 Zoom secteurs exposés à l’IA - A21

# Secteurs les plus exposés à l'automatisation IA (littérature académique)
secteurs_ia <- c("J", "M", "K")

ev_a21 %>%
  filter(Date >= as.Date("2019-01-01"),
         code_naf %in% secteurs_ia) %>%
  mutate(libelle_court = case_when(
    code_naf == "J" ~ "Info. & Communication",
    code_naf == "M" ~ "Act. spécialisées & techniques",
    code_naf == "K" ~ "Activités financières",
    TRUE ~ libelle_naf
  )) %>%
  ggplot(aes(x = Date, y = taux_vacants, color = libelle_court)) +
  annotate("rect",
           xmin = DATE_IA, xmax = max(ev_a21$Date, na.rm = TRUE),
           ymin = -Inf, ymax = Inf, fill = "#7b2d8b", alpha = 0.06) +
  geom_vline(xintercept = DATE_IA, linetype = "dashed",
             color = "#7b2d8b", linewidth = 0.9) +
  annotate("text", x = DATE_IA + 30,
           y = max(ev_a21 %>% filter(code_naf %in% secteurs_ia) %>%
                     pull(taux_vacants), na.rm = TRUE) * 0.95,
           label = "ChatGPT\nNovembre 2022", color = "#7b2d8b",
           size = 2.8, hjust = 0, fontface = "bold") +
  geom_line(linewidth = 1.2) +
  geom_point(size = 2, shape = 21, fill = "white", stroke = 1) +
  scale_color_manual(
    values = c("Info. & Communication"         = "#003189",
               "Act. spécialisées & techniques" = "#e63946",
               "Activités financières"          = "#f4a261"),
    name = NULL
  ) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  scale_y_continuous(labels = label_percent(scale = 1, accuracy = 0.1)) +
  labs(
    title    = "Secteurs exposés à l'IA - taux d'emplois vacants",
    subtitle = "Info & com, Act. spécialisées, Finance les plus susceptibles d'être transformés",
    x = NULL, y = "Taux d'emplois vacants (%)",
    caption  = "Source : DARES - A21 · L. CISSE"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    legend.position  = "top",
    panel.grid.minor = element_blank(),
    axis.text.x      = element_text(angle = 45, hjust = 1),
    plot.title       = element_text(face = "bold")
  )

0.6.5 Variation pré / post IA par secteur A21

delta_secteur <- ev_a21 %>%
  filter(Date >= as.Date("2019-01-01")) %>%
  mutate(libelle_court = str_extract(libelle_naf, "^[^(]+") %>% str_trim()) %>%
  group_by(code_naf, libelle_court, ere) %>%
  summarise(taux_moy = mean(taux_vacants, na.rm = TRUE), .groups = "drop") %>%
  pivot_wider(names_from = ere, values_from = taux_moy) %>%
  mutate(
    delta     = `Ère IA` - `Pré-IA`,
    direction = if_else(delta > 0, "Hausse", "Baisse")
  ) %>%
  arrange(delta)

delta_secteur %>%
  ggplot(aes(x = reorder(libelle_court, delta),
             y = delta, fill = direction)) +
  geom_col() +
  geom_text(aes(label = paste0(if_else(delta > 0, "+", ""),
                               round(delta, 2), " pts"),
                hjust = if_else(delta > 0, -0.1, 1.1)),
            size = 3, fontface = "bold") +
  coord_flip(clip = "off") +
  scale_fill_manual(values = c("Hausse" = "#7b2d8b", "Baisse" = "#e63946"),
                    name = NULL) +
  scale_y_continuous(expand = expansion(mult = c(0.2, 0.2))) +
  labs(
    title    = "Variation du taux d'emplois vacants - Ère IA vs Pré-IA",
    subtitle = "Différence de taux moyen (en points de %) - secteurs A21",
    x = NULL, y = "Variation (points de %)"
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title       = element_text(face = "bold"),
    legend.position  = "top",
    panel.grid.minor = element_blank()
  )

Variation du taux moyen d’emplois vacants entre les deux ères par secteur.

1 Axe 3 - Cartographie territoriale

1.0.1 Carte choroplèthe - CVL

ggplot(ze_map) +
  geom_sf(aes(fill = inscrits_catA), color = "white", linewidth = 0.4) +
  geom_sf(data = ze_map %>% filter(is_loiret),
          fill = NA, color = "#003189", linewidth = 1.2) +
  geom_sf_label(aes(label = ze2020_name),
                size = 2.2, fill = "white", alpha = 0.75,
                label.size = 0, check_overlap = TRUE) +
  scale_fill_distiller(palette = "YlOrRd", direction = 1,
                       name    = "Inscrits\ncat. A",
                       labels  = label_number(big.mark = " "),
                       na.value = "#dddddd") +
  labs(
    subtitle = paste0(format(dernier_mois, "%B %Y"),
                      " | Contour bleu = Loiret")
  ) +
  theme_void(base_size = 12) +
  theme(plot.subtitle   = element_text(hjust = 0.5, color = "grey50"),
        legend.position = "right")

1.1 Synthèse

1.1.1 Limites et perspectives

Limites :

• Le pivot novembre 2022 est corrélationnel, non causal, l’avènement de l’IA coïncide avec d’autres facteurs (contexte macro, fin des aides COVID, inflation).
• Les emplois vacants DARES concernent les établissements de plus de 10 salariés, sous-représentant l’économie des indépendants et TPE.
• Rupture de série janvier 2025 : loi pour le plein emploi comparaisons avant/après à interpréter avec précaution.

Pistes d’approfondissement :

Axe	Source	Valeur ajoutée
Emplois vacants par métier (ROME)	France Travail Open Data	Identifier les métiers en tension post-IA
Formations suivies par les inscrits	DARES	Mesurer l’adaptation des compétences
Revenus et pauvreté	INSEE Filosofi	Croiser fragilités territoriales
Automatisation par métier	OCDE / McKinsey	Scorer l’exposition IA des ZE

---