Skip to main content
Log in

Skill-relatedness und Resilienz: Fallbeispiel Saarland

Skill-Relatedness and Resilience: Case Study Saarland

  • Wissenschaftlicher Beitrag
  • Published:
Raumforschung und Raumordnung

Zusammenfassung

Die Resilienz einer regionalen Ökonomie hängt maßgeblich davon ab, inwiefern relevantes spezifisches Humankapital zwischen deren Wirtschaftsaktivitäten wieder verwertet werden kann. Zu diesem Zweck wird das Instrumentarium Industry Space, das sich auf die Ähnlichkeiten in der Nutzung von Humankapital bzw. Skill-Relatedness zwischen Branchen stützt, zur Beschreibung der Wissensbasis zwischen den vorhandenen Wirtschaftszweigen einer Region sowie zur Analyse von dessen Wachstumsperspektiven und Resilienz vorgestellt. Beim Industry Space handelt es sich um ein Netzwerk von Branchen, die skill-related sind. Am Beispiel des Saarlandes wird mithilfe dieses Instrumentariums für den Zeitraum 2008 bis 2012 gezeigt, dass dessen Resilienz durch die Spezialisierung auf traditionelle Industriezweige, welche miteinander skill-related sind, gestärkt wird. Aber die im Zuge des Strukturwandels dieser Altindustrieregion entstandenen jungen technologieintensiven Branchen sind nicht mit dem älteren verarbeitenden Gewerbe verbunden, so dass hierdurch regionale Wachstumspotenziale unausgeschöpft bleiben.

Abstract

The resilience of a region depends crucially on the extent to which industry-specific human capital can be redeployed across regional economy’s industries. To this end, we present a toolbox to analyze a region’s industrial structure, development prospects and economic resilience that highlights the human capital similarities, or skill-relatedness, among industries. The core of these analyses is the so-called industry space, a network that connects industries with similar human capital requirements. In a case study, we use this toolbox to identify the risks and opportunities for the economic perspectives and resilience of Germany’s state Saarland based on the time period 2008 to 2012. This analysis shows that one important concern for this former old-industrial region is that its traditional manufacturing base is almost unconnected in terms of skill-relatedness to the emerging high-technology activities that are central in the region’s innovation agenda.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Subscribe and save

Springer+ Basic
EUR 32.99 /Month
  • Get 10 units per month
  • Download Article/Chapter or Ebook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5

Notes

  1. Eine ausführliche Diskussion zu dieser Definition der regionalen Wissensbasis und deren Einordnung in den theoretischen Rahmen des ressourcenbasierten Ansatzes der Firma findet sich bei Neffke/Hartog/Boschma et al. (2013).

  2. Ein gutes Beispiel hierfür sind die Verbindungen zwischen der Landwirtschaft und der Lebensmittelindustrie. Betriebe aus der Lebensmittelindustrie können beispielsweise in ländlichen Regionen angesiedelt sein, um die Wertschöpfungskette landwirtschaftlicher Betriebe zu erweitern. Aber eine solche räumliche Nähe zwischen beiden Branchen ist nicht zwingend erforderlich, da Lebensmittel oftmals gekühlt werden, so dass sie sich über lange Distanzen transportieren lassen. Daher benötigt die Lebensmittelindustrie unter anderem Wissen über chemische und logistische Prozesse, welches für Betriebe aus der Landwirtschaft aber weniger relevant sein dürfte. Wegen der geringen Überschneidung ihrer beiden Wissensbasen ist eine Diversifizierung von ländlichen Regionen hin zur Lebensmittelbranche deshalb nicht per se gewinnbringend für diese.

  3. Mit einem gesonderten Verfahren (Hethey/Schmieder 2010; Neffke/Hidalgo/Otto et al. 2013) wurden künstliche Jobwechsel, welche mit den besonderen Regularien bei der Vergabe von Betriebsnummern an die Betriebe von Seiten der Bundesagentur für Arbeit oder mit betrieblichen Umstrukturierungen zusammenhängen, identifiziert. Im Durchschnitt der Jahre von 2008 bis 2010 ist dies gut ein Drittel aller interindustriellen Arbeitsplatzwechsel, welche dann bei der Berechnung des Skill-Relatedness-Indikators unberücksichtigt bleiben.

  4. Dies sind die folgenden Branchen aus der Wirtschaftszweigsystematik 2008: Ingenieurbüros Fachplanung/Ing.design (7112), FuE/Biotechnologie (7211), FuE/Sonst. Naturwissenschaften (7219), Großh./pharmazeutische Erzeugnisse (46461), Großh./medizinische Erzeugnisse (46462), Internetserviceprovider (61901), Web-page-Design (62011), Sonst. Softwareentwicklung (62019), IT Beratungsleistungen (62020), PC-Einrichtungen Management (62030), Sonst. IT Dienstl. (62090), Datenverarbeitung (63110) (vgl. Statistisches Bundesamt 2008).

  5. Neffke/Hidalgo/Otto et al. (2013) stellen fest, dass die Struktur der Skill-Relatedness zwischen den Branchen von 1999 bis 2008 robust ist und sich kaum ändert. Der in diesem Beitrag gebildete Durchschnittswert des Skill-Relatedness-Indikators von 2008 bis 2010 ist folglich ein guter Indikator, um die Skill-Relatedness zwischen den Branchen für den Analysezeitraum von 2008 bis 2012 darzustellen.

  6. Alle diese Unterschiede zwischen den intra- und intersektoralen Durchschnittswerten des Skill-Relatedness-Indikators sind auf dem 5-Prozent-Niveau statistisch signifikant.

  7. Dieser gibt für eine Branche an, inwiefern sich die Region auf die betreffende Branche im Vergleich zum nationalen Durchschnitt spezialisiert hat (Schätzl 2000: 65):

    \(L{{Q}_{ir}}=\frac{\frac{em{{p}_{ir}}}{em{{p}_{.r}}}}{\frac{em{{p}_{i.}}}{emp}}\)wobei \(em{{p}_{ir}}\)die Beschäftigung in der Branche i in Region r darstellt, \(em{{p}_{.r}}\)

    die Gesamtbeschäftigung in der Region r \(em{{p}_{i.}}\)die Beschäftigung der Branche i in Deutschland insgesamt und \(emp\)die Gesamtbeschäftigung in Deutschland angibt. Ein Wert größer 1 gibt an, dass sich die Region r QUOTE auf den betreffenden Wirtschaftszweig spezialisiert hat.

  8. Als Ergänzung zur Regressionsgleichung (1) wurde eine weitere Gl. 2 geschätzt, welche das Beschäftigungswachstum einer Branche i in einer Region r als unabhängige Variable enhält:

    \(\text{ln}\,( {em{{p}_{irt+n}}}/{em{{p}_{irt}}}\; )=\alpha +\beta \text{ln}\,\left( emp_{irt}^{rel} \right)+\gamma \text{ln}\,( em{{p}_{irt}} )+\delta \ln \,( em{{p}_{it}} )+\lambda \text{ln}\,( em{{p}_{rt}} )+{{e}_{irt}}\) als Beschäftigungswachstum zwischen t und \(t+n\), \(emp_{irt}^{rel}\) umfasst die Beschäftigung in allen verbundenen Branchen von Branche i in einer Region r, \(em{{p}_{it}}\) ist die Beschäftigung von Branche i in Deutschland und \(em{{p}_{rt}}\) ist die Gesamtbeschäftigung in Region r. Alle Größen gehen jeweils zum ersten Beobachtungsjahr t in die Regressionsschätzung ein. Die Ergebnisse dieser Regressionsschätzungen sind konsistent mit den in Tab. 1 aufgeführten Resultaten. Zum Beispiel: Bei einem time lag von vier Jahren erhöht sich das Beschäftigungswachstum von Branche i in einer Region um fünf Prozentpunkte, wenn sich die Beschäftigung in den mit Branche i verbundenen Branchen verdoppelt.

  9. Porter (2003: 559) unterscheidet zwischen zwei Branchengruppen: Es gibt lokale Branchen, welche vor Ort die Bevölkerung versorgen. Hierbei handelt es sich um personenorientierte und öffentliche Dienstleistungen. Diese Branchen weisen ein dezentrales Standortmuster auf. Die andere Branchengruppe stellt handelbare Güter und Leistungen her und weist eine räumlich konzentriertere Standortstruktur auf, weil die Betriebe dieser Branchen spezifische Standortanforderungen (z. B. spezialisierte Arbeitskräfte) haben. Als grobe Unterscheidung zwischen beiden Gruppen verwendet Porter (2003: 559) das räumliche Konzentrationsmaß GINI. Wenn dieser GINI < 0,3 ist, weist die Branche einen niedrigen räumlichen Konzentrationsgrad auf und zählt zu den lokalen Branchen. Dieser Schwellenwert wird ebenfalls verwendet, um zwischen diesen beiden Branchengruppen für die SWOT-Analyse in diesem Beitrag zu differenzieren. Hierfür wurde der gemittelte GINI-Koeffizient für alle 244 Branchen über alle Raumordnungsregionen 2008 bis 2012 berechnet. 162 Branchen weisen mit einem GINI ≥ 0,3 eine konzentrierte räumliche Verteilung auf und werden deshalb zur Gruppe, welche handelbare Güter und Leistungen erstellt, zugeordnet.

  10. Die Schwellwertsetzung mit 0,9 und 1,1 ermöglicht es etwas besser als ein Schwellwert von 1,0, zwischen niedrigen und hohen Werten der beiden Quotienten zu unterscheiden.

  11. Eine farbliche Umrandung erhalten allerdings nur diejenigen Branchen (Knoten), welche zum unteren/oberen Quartil in Bezug auf die Verteilung der Werte des Lokationsquotienten über alle Branchen gehören.

Literatur

  • Becker, G. S. (1962): Investment in Human Capital: A Theoretical Analysis. In: The Journal of Political Economy 70 (5), 9–49.

    Article  Google Scholar 

  • Bender, S.; Haas, A.; Klose, C. (2000): The IAB Employment Subsample 1975–1995. In: Schmollers Jahrbuch 120 (4), 649–662.

    Google Scholar 

  • Boschma, R. A.; Frenken, K. (2011): Technological relatedness and regional branching. In: Bathelt, H.; Feldman, M. P.; Kogler, D. F. (Hrsg.): Beyond Territory: Dynamic Geographies of Knowledge Creation, Diffusion, and Innovation. London, New York, 64–81.

  • Bundesagentur für Arbeit. (2013): Beschäftigtenstatistik. Nürnberg.

  • Christopherson, S.; Michie, J.; Tyler, P. (2010): Regional Resilience: theoretical and empirical perspectives. In: Cambridge Journal of Regions, Economy and Society 3 (1), 3–10.

    Article  Google Scholar 

  • Cohen, W. M.; Levinthal, D. A. (1990): Absorptive capacity: new perspective on learning and innovation. In: Administrative Science Quaterly 35 (1), 128–152.

    Article  Google Scholar 

  • Cooke, P. H.; Morgan, K. (1998): The Associational Economy. Firms, Regions, and Innovation. Oxford.

  • Elmas, H.; Wydra-Somaggio, G. (2012): Entwicklungen auf dem Arbeitsmarkt im Saarland vor dem Hintergrund des demografischen Wandels. Nürnberg. = IAB Regional 1/2012.

  • Frenken, K.; Boschma, R. A. (2007): A theoretical framework for evolutionary economic geography: industrial dynamics and urban growth as a branching process. In: Journal of Economic Geography 7 (5), 635–649.

    Article  Google Scholar 

  • Frenken, K.; van Oort, F.; Verburg, T. (2007): Related Variety, Unrelated Variety and Regional Economic Growth. In: Regional Studies 41 (5), 685–697.

    Article  Google Scholar 

  • Glaeser E. L.; Kallal, H. D.; Scheinkman, J. A.; Shleifer, A. (1992): Growth in Cities. In: Journal of Political Economy 100 (6), 1126–1152.

    Article  Google Scholar 

  • Grabher, G. (1993): The Weakness of Strong Ties: The Lock-in of Regional Development in the Ruhr Area. In: Grabher, G. (Hrsg.): The Embedded Firm. On the Socioeconomics of Industrial Networks. London, New York, 255–277.

  • Grant, R. M. (1996): Toward a knowledge-based theory of the firm. In: Strategic Management Journal 17, Special Issue, 109–122.

    Google Scholar 

  • Grant, R. M.; Spender, J.-C. (1996): Knowledge and the firm: overview. In: Strategic Management Journal 17, Special Issue, 5–9.

    Google Scholar 

  • Hausmann, R.; Hidalgo, C. A.; Bustos, S.; Coscia, M.; Simoes, A.; Yildirim, M. A. (2013): The atlas of economic complexity. Mapping paths to prosperity. Cambridge, MA.

    Google Scholar 

  • Hausmann, R; Neffke, F.; Otto, A. (2013): The workforce of pioneer plants. Barcelona. = Druid-Conference 2013, Discussion Paper.

  • Henderson, J. V. (2003): Marshall’s Scale Economies. In: Journal of Urban Economics 53 (1), 1–28.

    Article  Google Scholar 

  • Henderson, J. V.; Kuncoro, A.; Turner, M. (1995): Industrial development in cities. In: Journal of Political Economy 103 (5), 1067–1090.

    Article  Google Scholar 

  • Hethey, T.; Schmieder, J. F. (2010): Using worker flows in the analysis of establishment turnover. Evidence from German administrative data. Nürnberg. = FDZ Methodenreport 06/2010.

  • Leahy, D.; Neary, J. P. (2007): Absorptive capacity, R & D spillovers, and public policy. In: International Journal of Industrial Organization 25 (5), 1089–1108.

    Article  Google Scholar 

  • Martin, R. (2010): Roepke Lecture in Economic Geography – Rethinking Regional Path Dependence: Beyond Lock-in to Evolution. In: Economic Geography 86 (1), 1–27.

    Article  Google Scholar 

  • McCann, P.; Ortega-Argilés, R. (2013): Smart specialisation, regional growth and applications to European Union cohesion policy. In: Regional Studies, DOI:10.1080/00343404.2013.799769.

  • Neal, D. A. (1995): Industry-Specific Human Capital: Evidence from Displaced Workers. In: Journal of Labor Economics 13 (4), 653–677.

    Article  Google Scholar 

  • Neffke, F.; Henning, M. (2013): Skill-relatedness and firm diversification. In: Strategic Management Journal 34 (3), 297–316.

    Article  Google Scholar 

  • Neffke, F.; Burger, M.; van Oort, F.; Boschma, R. (2010): De evolutie van skill-gerelateerde bedrijfstakken in de Noordvleugel van de Randstad. Kansen en bedreigingen. Rotterdam. Mimeo.

    Google Scholar 

  • Neffke, F.; Henning, M.; Boschma, R. (2011): How do regions diversify over time? Industry relatedness and the development of new growth paths in regions. In: Economic Geography 87 (3), 237–265.

    Article  Google Scholar 

  • Neffke, F.; Hartog, M.; Boschma, R.; Henning, M. (2013): Agents of structural change. Mimeo.

  • Neffke, F.; Hidalgo, C. A.; Otto, A.; Weyh, A. (2013): Inter-industry labor flows. Mimeo.

  • Nooteboom, B. (2000): Learning and Innovation in Organizations and Economies. Oxford.

  • Parent, D. (2000): Industry‐Specific Capital and the Wage Profile: Evidence from the National Longitudinal Survey of Youth and the Panel Study of Income Dynamics. In: Journal of Labor Economics 18 (2), 306–323.

    Article  Google Scholar 

  • Pavan, R. (2011): Career Choice and Wage Growth. In: Journal of Labor Economics 29 (3), 549–587.

    Article  Google Scholar 

  • Porter, M. E. (1998): Clusters and the New Economics of Competition. In: Harvard Business Review, November-December, 77–90.

  • Porter, M. (2003): The economic performance of regions. In: Regional Studies 37 (6–7), 549–578.

    Google Scholar 

  • Rosenthal, S. S.; Strange, W. C. (2003): Geography, Industrial Organization, and Agglomeration. In: The Review of Economics and Statistics 85 (2), 377–393.

    Article  Google Scholar 

  • Schätzl, L. (2000): Wirtschaftsgeographie 2. Empirie. München.

    Google Scholar 

  • Simmie, J.; Martin, R. (2010): The economic resilience of regions: towards an evolutionary approach. In: Cambridge Journal of Regions, Economy and Society 3 (1), 27–43.

    Article  Google Scholar 

  • Statistisches Bundesamt. (2008): Klassifikation der Wirtschaftszweige mit Erläuterungen. Wiesbaden.

  • Topel, R. H. (1991): Specific Capital, Mobility, and Wages: Wages Rise with Job Seniority. In: Journal of Political Economy 99 (1), 145–176.

    Article  Google Scholar 

  • Trippl, M.; Otto, A. (2009): How to turn the fate of old industrial areas. A comparison of cluster-based renewal processes in Styria and the Saarland. In: Environment and Planning A 41 (5), 1217–1233.

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to Anne Otto.

Anhang: Berechnungsmethode: Index der Skill-Relatedness zwischen Branchen

Anhang: Berechnungsmethode: Index der Skill-Relatedness zwischen Branchen

Eine detaillierte Erläuterung der Berechnung des Skill-Relatedness-Indikators geben Neffke/Hartog/Boschma et al. (2013) und Hausmann/Neffke/Otto (2013). In einem ersten Schritt erfolgt eine Berechnung der baseline zum erwarteten Umfang der Arbeitskräfteströme zwischen allen Branchenpaaren i und j, wobei angenommen wird, dass die Jobwechsel zwischen den Branchen rein zufällig erfolgen. F ij beinhaltet die beobachteten Ströme zwischen den Branchen i und j (einseitig gerichtete Abgänge von Branche i zu Branche j). \({{F}_{i.}}=\sum\nolimits_{j}{{{F}_{ij}}}\) gibt die Summe aller beobachteten Abgänge aus der Branche i an, und \({{F}_{.j}}=\sum\nolimits_{i}{{{F}_{ij}}}\) umfasst die Summe aller beobachteten Zugänge in Branche j. F ist die Summe der Arbeitskräfteströme zwischen sämtlichen Branchenpaarkombinationen i und j in einer Wirtschaft. Wenn die Arbeitskräfteströme zwischen den Branchenpaaren i und j rein zufällig wären, ist zu erwarten, dass ein bestimmter Anteil von allen Abgängen, \(\frac{~{{F}_{.i}}}{F}\), von der Branche i ausgehen würde und dass ein bestimmter Anteil aller Zugänge, \(\frac{~{{F}_{.j}}}{F}\), auf die Branche j entfällt. Unter der Annahme rein zufällig stattfindender Jobwechsel entspricht die Abgangswahrscheinlichkeit eines Beschäftigten aus der Branche i \(\frac{{{F}_{i.}}}{F}\) und die Zugangswahrscheinlichkeit, mit der ein Arbeitnehmer in Branche j hineinwechselt, \(\frac{{{F}_{.j}}}{F}\). Unter der Annahme der vollständigen Zufälligkeit sind die Abgangs- und Zugangswahrscheinlichkeiten unabhängig voneinander. Die Wahrscheinlichkeit, mit der ein Arbeitnehmer von Branche i zu j wechselt, ergibt sich aus der von \(\frac{{{F}_{i.}}}{F}\) und \(\frac{{{F}_{.j}}}{F}\):

$ P(i\to j)=\frac{{{F}_{i.}}}{F}\frac{{{F}_{.j}}}{F} $

Insgesamt wechseln F Arbeitnehmer von einer Branche zur nächsten, so dass der erwartete Arbeitskräftestrom von Branche i zu j sich ergibt aus:

$ {{\hat{F}}_{ij}}=F\text{*}P(i\to j)=F\text{*}\frac{{{F}_{i.}}}{F}\frac{{{F}_{.j}}}{F}=\frac{{{F}_{i.}}{{F}_{.j}}}{F} $

Je größer nun der Unterschied zwischen dem mit dieser Basisberechnung prognostizierten Arbeitskräftestrom zwischen zwei Branchen i und j und den tatsächlich beobachteten Arbeitskräfteströmen zwischen diesem Branchenpaar ausfällt, umso stärker müssen beide miteinander skill-related sein. Das Maß der Skill-Relatedness zwischen zwei Branchen i und j ist also wie folgt definiert:

$ S{{R}_{ij}}=\frac{{{F}_{ij}}}{{{{\hat{F}}}_{ij}}} $

wobei Fij die beobachteten Ströme (aggregierte Daten für die Beobachtungsperiode) zwischen den Branchen i und j (einseitig gerichtete Abgänge von Branche i zu Branche j) und \({{\hat{F}}_{ij}}\) die prognostizierten Jobwechsel zwischen Branche i und Branche j beinhaltet. Wenn der Skill-Relatedness-Index größer als 1 ist, sind die beobachteten Ströme zwischen der Branche i und j größer als im Falle von rein zufälligen Ab- und Zugängen zwischen ihnen. Deshalb werden Branchenpaare mit einem Skill-Relatedness-Index größer als 1 als verbunden definiert. Ist der Wert kleiner gelten sie als unverbunden. Dieser Indikator kann Werte zwischen 0 und unendlich annehmen und weist eine sehr rechtsschiefe Verteilung auf. Aus diesem Grund werden alle Indikatorwerte transformiert, so dass sie Werte zwischen −1 und 1 annehmen (in Anlehnung an Neffke/Hartog/Boschma et al. 2013): \(SR_{ij}^{\text{*}}=\frac{S{{R}_{ij}}-1}{S{{R}_{ij}}+1}\)

Rights and permissions

Reprints and permissions

About this article

Cite this article

Otto, A., Nedelkoska, L. & Neffke, F. Skill-relatedness und Resilienz: Fallbeispiel Saarland. Raumforsch Raumordn 72, 133–151 (2014). https://doi.org/10.1007/s13147-014-0285-8

Download citation

  • Received:

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s13147-014-0285-8

Schlüsselwörter

Keywords

Navigation