Pourquoi vos salariés partent : ce que 60 ans de recherche dit vraiment sur les causes du turnover

Tapez « causes du turnover » dans Google. Vous obtiendrez une quinzaine d'articles qui listent à peu près les mêmes six raisons : le manque de reconnaissance, le salaire, le management, l'absence de perspectives, l'équilibre vie professionnelle-vie personnelle, l'ambiance. Aucun ne cite de source. Aucun ne dit dans quel ordre ces facteurs pèsent, ni si cet ordre change d'une entreprise à l'autre.

Ce n'est pas que ces listes soient fausses. C'est qu'elles sont inutilisables. Un DRH qui les lit sait déjà tout cela. Ce qu'il ne sait pas, c'est lequel de ces facteurs pèse chez lui, sur quelle population, et de combien un changement le ferait bouger. Une liste ne répond à aucune de ces trois questions.

La recherche académique sur le turnover existe depuis les années 1920 et a produit des milliers d'études quantitatives. Elle donne des réponses — mais des réponses d'une nature différente de celle qu'on attend, et c'est précisément ce décalage qui est intéressant.

Ce que la recherche a réellement établi

Le point de repère le plus solide dont on dispose aujourd'hui est la méta-analyse de Rubenstein, Eberly, Lee et Mitchell, publiée en 2018 dans Personnel Psychology. Une méta-analyse ne produit pas de données nouvelles : elle agrège statistiquement les résultats de centaines d'études antérieures pour estimer la force réelle d'une relation, en corrigeant les biais propres à chaque étude isolée.

Trois enseignements structurants en ressortent.

Aucun facteur ne domine

Les prédicteurs les plus robustes identifiés par les auteurs — l'engagement au travail, la sécurité de l'emploi perçue, l'engagement organisationnel — sont associés au départ de manière statistiquement fiable, mais avec des effets de taille modérée. Aucune variable ne se comporte comme un interrupteur. Personne ne part « à cause du salaire » : les gens partent au terme d'un enchaînement où le salaire peut jouer un rôle, direct ou indirect, plus ou moins fort selon ce qui se passe par ailleurs.

C'est décevant si l'on cherchait un levier unique. C'est en réalité une bonne nouvelle : cela signifie que plusieurs chemins d'action existent, et qu'une organisation qui n'a pas les moyens d'augmenter les rémunérations n'est pas pour autant sans prise.

Les effets sont conditionnels

La contribution la plus utile de Rubenstein et ses coauteurs n'est pas le classement des prédicteurs : c'est leur travail sur les modérateurs, ces conditions qui amplifient ou éteignent un effet. Un même facteur ne produit pas le même résultat selon le métier, l'ancienneté, le niveau de qualification, ou l'état du marché du travail local.

Le champ a changé de question

Dans leur rétrospective centenaire publiée en 2017 dans le Journal of Applied Psychology, Hom, Lee, Shaw et Hausknecht retracent l'évolution de la discipline. Les premiers travaux, au début du XX^e siècle, cherchaient des recettes de réduction du turnover. La théorisation s'est développée à partir du milieu du siècle. Et depuis les années 2000, une bascule s'opère : les chercheurs s'intéressent de plus en plus à la psychologie du fait de rester plutôt qu'à celle du fait de partir, et aux trajectoires d'attitudes dans le temps plutôt qu'aux mesures ponctuelles.

Cette bascule n'est pas cosmétique. « Pourquoi celui-là est-il parti ? » et « qu'est-ce qui retient les autres ? » ne sont pas deux formulations de la même question. La première mène à une enquête de sortie ; la seconde mène à un modèle.

Le cas français : ce que disent les chiffres

Les méta-analyses sont majoritairement anglo-saxonnes. Pour ancrer le sujet dans le contexte français, il faut se tourner vers les statistiques publiques. La DARES publie chaque trimestre les mouvements de main-d'œuvre du secteur privé, construits depuis 2019 sur la Déclaration Sociale Nominative — une base exhaustive, et non un sondage.

Quelques ordres de grandeur, sur le champ « France métropolitaine, secteur privé hors agriculture, intérim et particuliers employeurs » :

• Au 3^e trimestre 2025 : 419 300 démissions de CDI.
• Au 1^er trimestre 2025 : 989 800 embauches en CDI contre 1 049 500 fins de CDI, dont 445 800 démissions.

Le second chiffre mérite qu'on s'y arrête : sur ce trimestre, il s'est terminé plus de CDI qu'il ne s'en est signé. Le stock d'emplois stables s'est contracté — signe d'un marché qui se refroidit, pas d'une vague de démissions triomphantes. Cette précision compte pour la suite, parce que la conjoncture ne fait pas que déplacer le niveau du turnover : elle modifie le lien entre insatisfaction et départ.

Deuxième donnée utile, et sans doute la plus contre-intuitive : la rotation varie massivement selon le secteur. Sur les CDI, les taux d'entrée et de sortie sont d'environ 12 % dans l'industrie contre 21 % dans le tertiaire et la construction. Un même taux brut de 15 % signale donc une situation dégradée dans l'industrie et plutôt saine dans les services.

C'est le premier piège du tableau de bord : le taux global n'est pas un indicateur, c'est une moyenne de choses différentes.

Pourquoi une liste de causes ne suffit pas

Supposons que vous disposiez de la liste parfaite : les dix facteurs de turnover, classés par force d'effet, mesurés sur votre propre population. Vous n'auriez toujours pas ce qu'il faut pour décider. Trois raisons à cela.

Les facteurs ne sont pas indépendants

Une liste présente les facteurs côte à côte, comme s'ils s'additionnaient. Ils ne s'additionnent pas : ils s'enchaînent.

Prenons un exemple. Une charge de travail élevée dégrade la perception de reconnaissance — quand on travaille beaucoup pour un résultat qui passe inaperçu, le sentiment d'être reconnu chute. La reconnaissance dégradée affaiblit l'engagement organisationnel. L'engagement affaibli augmente la réceptivité aux offres externes. Et c'est cette réceptivité, en présence d'une opportunité concrète, qui produit le départ.

Dans cette chaîne, la charge de travail n'a aucun effet direct sur le départ. Elle agit entièrement à travers la reconnaissance et l'engagement. Une analyse qui régresse le départ sur la charge de travail trouvera bien une corrélation — et en conclura, à tort, qu'il faut réduire la charge. Or si le vrai goulot est la reconnaissance, une entreprise qui allège la charge sans rien changer à la reconnaissance ne verra pas son turnover bouger. Elle aura dépensé, et conclura que « ça ne marche pas ».

Les statisticiens appellent ces variables intermédiaires des médiateurs. Les identifier n'est pas un raffinement académique : c'est ce qui distingue une action efficace d'une action coûteuse et inerte.

Turnover volontaire — graphe et simulateur Voir cette chaîne charge → reconnaissance → engagement → départ comme un réseau manipulable ↗

Les effets peuvent se compenser

Deux mécanismes opposés peuvent coexister et s'annuler dans l'agrégat. Le télétravail en offre une illustration courante. Il réduit la fatigue liée aux trajets et améliore l'arbitrage vie professionnelle-vie personnelle, ce qui retient. Il affaiblit simultanément les liens informels avec les collègues, ce qui réduit ce que la littérature nomme l'ancrage dans l'organisation — et donc retient moins. Selon la population, l'un ou l'autre effet l'emporte.

Une analyse globale mesurera l'effet net, souvent faible, et conclura que le télétravail « n'a pas d'effet sur le turnover ». C'est faux : il en a deux, de signes opposés. La décision utile n'est pas « faut-il du télétravail ? » mais « pour qui l'effet net est-il positif, et que faut-il ajouter pour que l'autre effet ne l'annule pas ? ». Cette question exige un modèle où les deux chemins sont représentés séparément.

L'intention de partir n'est pas le départ

Le prédicteur individuel le plus fort du départ réel, dans toute la littérature, reste l'intention déclarée de partir. C'est ce que mesurent les baromètres sociaux : sous une forme ou une autre, ils évaluent une intention.

Mais « le meilleur prédicteur » ne veut pas dire « un bon prédicteur ». Allen, Weeks et Moffitt, dans le Journal of Applied Psychology, rappellent que les intentions de départ expliquent rarement plus de 10 à 15 % de la variance des départs réels. Autrement dit : 85 % au moins de ce qui détermine un départ échappe à la mesure d'intention.

Cet écart n'est pas du bruit aléatoire : il est structuré. Une méta-analyse publiée en 2020 dans le Journal of Management Studies montre que le lien entre intention et comportement varie selon le contexte culturel, et d'autres travaux établissent qu'il dépend également des conditions du marché du travail.

Ce que change une modélisation causale

Les trois problèmes précédents ont la même racine : une liste ou un tableau de bord traite les variables comme un ensemble plat, alors que les mécanismes réels ont une structure. Certaines variables en causent d'autres, certaines n'agissent qu'indirectement, certaines conditionnent l'effet des autres.

L'approche que nous utilisons consiste à représenter explicitement cette structure sous forme de graphe, puis à quantifier chaque relation à partir des données de l'organisation et de la littérature. Un réseau bayésien fait exactement cela : les nœuds sont les variables, les arcs sont les relations orientées, et chaque relation porte une distribution de probabilité plutôt qu'un coefficient unique.

Ce que ce type de modèle permet, et qu'un tableau de bord ne permet pas :

• Distinguer un symptôme d'une cause. Si l'absentéisme et le turnover ont une cause commune — une surcharge chronique, par exemple — ils seront fortement corrélés entre eux. Agir sur l'absentéisme ne fera pourtant rien au turnover. Le graphe rend cette différence visible avant qu'on ait dépensé le budget.
• Simuler une intervention. « Que se passerait-il si nous réduisions la charge de 15 % dans ce service ? » n'est pas une question d'observation, c'est une question contrefactuelle. Elle demande de propager un changement à travers la structure du modèle.
• Assumer l'incertitude au lieu de la cacher. Un modèle bayésien ne répond pas « le turnover passera à 9,2 % ». Il répond « le turnover se situera probablement entre 8 et 12 % ». C'est moins confortable à présenter, et infiniment plus honnête.
• Fonctionner avec peu de données. C'est souvent l'objection des structures de moins de 500 salariés, et c'est là que l'approche bayésienne se distingue du machine learning : la connaissance issue de la littérature peut être injectée comme information a priori, puis affinée par les données de l'entreprise. On ne part pas de zéro.

Ce qu'il ne faut pas conclure

Trois précautions, parce qu'un article qui ne dit pas ses limites doit être lu avec méfiance.

• Ceci n'est pas un argument contre les tableaux de bord. Un tableau de bord répond à une question légitime : « où en sommes-nous, et est-ce que ça bouge ? ». Il est indispensable, et un modèle causal ne le remplace pas. Les deux répondent à des questions différentes. Une organisation qui n'a pas encore de suivi fiable de son turnover doit commencer par là, pas par un modèle.
• Un modèle causal reste un modèle. Sa qualité dépend entièrement de la pertinence de sa structure. Si un mécanisme important est absent du graphe, aucune sophistication statistique ne le récupérera. C'est pourquoi la construction du graphe est un travail conjoint avec les personnes qui connaissent le terrain, et non un exercice technique isolé.
• Les méta-analyses citées décrivent des moyennes sur des populations larges, majoritairement anglo-saxonnes. Elles indiquent quels mécanismes sont plausibles et méritent d'être modélisés. Elles ne disent pas ce qui se passe dans votre organisation. C'est précisément le point : la recherche fournit la structure, vos données fournissent les paramètres. L'une sans l'autre ne décide rien.

Sources

• Rubenstein, A. L., Eberly, M. B., Lee, T. W., & Mitchell, T. R. (2018). Surveying the forest: A meta-analysis, moderator investigation, and future-oriented discussion of the antecedents of voluntary employee turnover. Personnel Psychology, 71(1), 23-65.
• Hom, P. W., Lee, T. W., Shaw, J. D., & Hausknecht, J. P. (2017). One hundred years of employee turnover theory and research. Journal of Applied Psychology, 102(3), 530-545.
• Allen, D. G., Weeks, K. P., & Moffitt, K. R. (2005). Turnover intentions and voluntary turnover: The moderating roles of self-monitoring, locus of control, proactive personality, and risk aversion. Journal of Applied Psychology, 90(5), 980-990.
• Griffeth, R. W., Hom, P. W., & Gaertner, S. (2000). A meta-analysis of antecedents and correlates of employee turnover. Journal of Management, 26(3), 463-488.
• Wong, C.-S. et al. (2020). The turnover intention–behaviour link: A culture-moderated meta-analysis. Journal of Management Studies.
• DARES. Les mouvements de main-d'œuvre des salariés du privé, publications trimestrielles 2025 (source : DSN). Les taux d'entrée et de sortie par secteur portent sur 2019.