mais à manier avec précaution

technologies numériques et de les rendre plus abordables (par exemple avec des satellites basse orbite moins coûteux) ; (2) l’évaluation rigoureuse, dans les pays à faible revenu, de la composition des compétences et des effets des technologies numériques sur la croissance nette de l’emploi ; (3) les moyens efficaces pour aider les personnes les moins qualifiées à se former aux nouvelles technologies et pour développer et diffuser des technologies numériques pour les moins compétents ; (4) l’évaluation des effets de technologies numériques spécifiques sur les avantages comparatifs de l’Afrique subsaharienne ; (5) l’évaluation du temps qu’il faudrait pour que les technologies numériques les plus récentes aient plus d’effets sur la croissance et l’inclusion sociale en Afrique subsaharienne ; (6) un meilleur usage des sources d’informations non traditionnelles comme les mégadonnées, avec le renfort de l’apprentissage automatique, pour apporter des éléments aux réflexions sur les politiques d’action en Afrique subsaharienne. • Le rapport Digital Africa : Building the Infrastructure Foundations and

Facilitating the Adoption of Technologies for Jobs (Begazo-Gomez, Blimpo et Dutz, à paraître) et les recherches de longue date qui lui sont associées pourraient combler certaines lacunes dont pâtissent nos connaissances, notamment : (1) les principaux obstacles à la diffusion et l’adoption des technologies numériques en Afrique ; (2) comment mieux évaluer l’impact des technologies numériques sur la productivité, la production et l’emploi ; (3) comment mieux évaluer l’impact des technologies numériques sur la réduction de la pauvreté et l’inclusion sociale ; (4) les bénéfices d’une infrastructure numérique et d’une régulation du spectre africaines, ainsi que les mesures à prendre pour permettre leur mise en œuvre ; (5) enfin, ils pourraient nous donner un agenda pour le monde numérique de demain au niveau national, régional et continental.

Annexe 1A. Les données LinkedIn : une source bienvenue mais à manier avec précaution

Les données LinkedIn, que nous devons à une coopération entre le Groupe Banque mondiale et LinkedIn, offrent un panorama unique du marché du travail dans certains secteurs industriels parmi les plus dynamiques du monde. Elles proviennent d’un échantillon Web non aléatoire d’acteurs du marché de l’emploi de plus de cent pays, structuré sous la forme d’une taxonomie unique optimisée pour permettre des analyses comparatives entre pays et entre industries. Ces données non conventionnelles prennent le pouls du marché de l’emploi en temps réel en suivant ses tendances et l’évolution des compétences à partir des informations fournies par les utilisateurs de LinkedIn. Le recours à des ensembles de données issus du Web pour effectuer une analyse économique

du marché de l’emploi suscite de plus en plus d’intérêt car il permet de forger de nouveaux indicateurs permettant d’apporter un éclairage sur des aspects non couverts par les sources d’information traditionnelles (Hammer, Kostroch et Quiros, 2017). Ces dernières années, on a pu voir de nombreuses applications de ce type de données dans la littérature spécialisée (Antenucci et al., 2014 ; Askitas et Zimmermann, 2009, 2015 ; Chancellor et Counts, 2018 ; Gandomi et Haider, 2015 ; Guerrero et Lopez, 2017).

Les mégadonnées sont d’autant plus utiles dans le contexte de l’Afrique subsaharienne que nous ne disposons que de peu d’informations sur les nouveaux types de compétences comme les compétences numériques. Par exemple, sur les dix-sept pays du monde dans lesquels la Banque mondiale a mené des enquêtes sur les compétences, deux seulement sont des pays subsahariens, le Ghana (Enquête auprès des ménages de 2013) et le Kenya (Enquête auprès des entreprises de 2017). Si les données Web ont été utilisées pour des analyses du marché de l’emploi dans plusieurs pays, principalement aux États-Unis mais aussi récemment en Inde (Nomura et al., 2017), il n’existe semble-t-il aucune publication qui utilise ce type de données pour une analyse des compétences en Afrique subsaharienne. L’exploitation de mégadonnées en Afrique subsaharienne se limite à des initiatives de partage d’informations qui font appel à des données d’opérateurs de télécommunication et d’argent mobile (M-Pesa) pour mesurer l’impact de l’utilisation de ces services sur les finances personnelles (Mbiti et Weil, 2016).

L’utilisation de données LinkedIn et d’autres mégadonnées issues d’Internet a cependant ses limites et ses inconvénients. Tout d’abord, LinkedIn représente principalement les cols blancs qualifiés, employés pour l’essentiel dans des secteurs performants. Ensuite, il faut mettre en garde s’agissant des comparaisons entre pays et entre régions du monde. Par exemple, les différences entre pays dans la taille des échantillons et dans la distribution des emplois posent problème. Si ces différences sont prises en compte par les indicateurs qui figurent dans les ensembles de données, ce sont de potentielles sources de distorsion qu’il ne faut pas perdre de vue lors de l’interprétation. Lorsque c’est nécessaire, l’analyse présentée ici met en évidence les différences de composition des échantillons de membres dans les comparaisons entre pays et régions du monde. On trouvera des explications détaillées sur la représentativité des indicateurs et des données dans le document présentant la méthodologie utilisée par le tandem Banque mondiale – LinkedIn (Zhu, Fritzler et Orlowski, 2018).

Pour mieux mettre en lumière dans quelle mesure l’échantillon de membres LinkedIn est représentatif de la main-d’œuvre subsaharienne, ce rapport compare les informations des membres LinkedIn d’Afrique subsaharienne avec des données de l’Organisation internationale du travail sur la main-d’œuvre19 . La comparaison montre, d’une part, que les membres LinkedIn subsahariens sont très présents dans l’informatique, la finance, l’assurance et les activités