Zusammenfassung
Für die Analysen, ob und in welchem Ausmaß sich die Weiterbildungsaktivitäten von Arbeitnehmer*innen mit hohem und geringem Automatisierungsrisiko unterscheiden, werden vorliegend dichotome Variablen mit binären Antwortkategorien (Besuch formaler und non-formaler Weiterbildungen und Durchführung informeller Weiterbildungsaktivitäten) als abhängige Variablen herangezogen. Diese Variablen messen das Eintreten (\(y=1\)) oder Nicht-Eintreten (\(y=0\)) eines Ereignisses y, wie der Besuch mindestens einer non-formalen Weiterbildung zwischen 2011 und 2012. Bei solchen binären Antwortmodellen liegt das Interesse in der Modellierung der Auftrittswahrscheinlichkeit des jeweiligen Ereignisses (Wooldridge 2002, 453). Dazu werden in der Weiterbildungsbildungsforschung vor allem Logit- oder Probit-Regressionen eingesetzt (siehe Abschnitt 4.1).
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
In einem Artikel für einen Konferenzbeitrag (Zeyer-Gliozzo 2022) finden sich weiterführende Analysen zu den hier dargestellten. Darin wird die Weiterbildungsteilnahme von Beschäftigten mit hoher Routineintensität im Folgejahr untersucht, wobei nicht nur wie hier die Weiterbildungsteilnahme zwischen den Jahren 2011 und 2012, sondern zusätzlich auch zwischen den Jahren 2015 und 2016 betrachtet wird. Bei der Beschreibung der zugehörigen Methode gibt es teilweise Überschneidungen mit den vorliegenden Darstellungen.
- 2.
Die Ergebnisse von Logit- oder Probit-Regressionen sind hinsichtlich der geschätzten Wahrscheinlichkeiten nahezu identisch (Best und Wolf 2012, S. 380).
- 3.
\(\boldsymbol{x}^\prime \) stellt die Transponierte des Spaltenvektors \(\boldsymbol{x}\) dar. Eine alternative Notation ist \(\boldsymbol{x}^T\).
- 4.
Auf das Qualifikationsniveau der Belegschaft und die Beschäftigungsdauer wird hier verzichtet, da dazu keine Daten vorliegen.
- 5.
Eine Einschränkung, die sowohl die Kurse aus spVocTrain und spCourse als auch formale Weiterbildungen betrifft, ist, dass der Start der Weiterbildungen bereits vor 2011 stattgefunden haben kann. Bei den Kursen aus spVocTrain könnte man diese Kurse zwar entfernen, allerdings ist der Anteil an Weiterbildungen aus spVocTrain an allen non-formalen Weiterbildungskursen sehr gering (4 %), so dass auf dieses Vorgehen verzichtet wird. Bei den Kursen aus spCourse wird zwar erfragt, ob diese zum Interviewzeitpunkt andauern, es wird allerdings nicht erhoben, ob die jeweiligen Weiterbildungen bereits beim letzten Interview angegeben wurden und demnach eine Fortführung darstellen. Allerdings beträgt die durchschnittliche Dauer beendeter non-formaler Weiterbildungen 18 Stunden (spCourse) bzw. 3 Monate (spVocTrain), 90 % der beendeten Weiterbildungen dauern 36 Stunden bzw. 6 Monate oder weniger und nur 7 % der Weiterbildungen (mit detaillierten Informationen, siehe Abschnitt 6.2.4) dauern zum Interviewzeitpunkt noch an (gewichtete Angaben; Grundlage sind alle Weiterbildungen zwischen Welle 3 und 7 aus der jeweiligen Stichprobe). Das Problem umgekehrter Kausalität, das daraus resultieren kann, wird somit als sehr klein eingestuft.
- 6.
Bei metrischen Variablen entspricht der marginale Effekte der partiellen Ableitung der Wahrscheinlichkeitsfunktion \(P(y=1|\boldsymbol{x})=G( \boldsymbol{x}^\prime \boldsymbol{\beta })\) in Bezug auf die jeweilige unabhängige Variable, unter Konstanthaltung aller anderen Variablen. Bei kategorialen Variablen wird statt der marginalen Veränderung eine diskrete Veränderung betrachtet, d. h. die Veränderung in der Wahrscheinlichkeit, wenn die unabhängige Variable um eine Einheit steigt, wiederum unter Konstanthaltung der anderen Variablen (Long 1997, S. 71–75). Bei letzterem handelt es sich somit genau genommen nicht um den durchschnittlichen marginalen, sondern, wie es bei StataCorp (2019a, S. 1400) genannt wird, durchschnittlichen partiellen Effekt. Stata berechnet mit dem margins-Befehl für kategoriale Variablen automatisch die diskrete Differenz und für kontinuierliche Variablen eine marginale Differenz (StataCorp 2019a, S. 1400). Der Einfachheit halber werden hier unter durchschnittlichen marginalen Effekten zwei verschiedene Arten von Effekten subsumiert.
- 7.
Es gibt noch alternative Berechnungsmethoden für AIC und BIC (Long und Freese 2014, S. 123 f.). Die ausgewiesenen Formeln entsprechen den in StataCorp (2019a, S. 106) definierten Formeln und sind die Grundlage der Kennzahlen, die in den späteren Tabellen ausgewiesen werden.
- 8.
Die zugrunde liegenden Fallzahlen sind bei betrieblich und individuell finanzierter Weiterbildung aufgrund fehlender Werte geringer, siehe Abschnitt 6.2.4.
- 9.
Der Signifikanztest besteht hier – für eine Vergleichbarkeit der Resultate mit den multivariaten Analysen – aus einem Test der AME eines bivariaten gewichteten logistischen Regressionsmodells mit jeweils der betrachteten Weiterbildungsform als abhängiger Variable und einer Indikatorvariable für eine hohe Routineintensität bzw. eine hohe Automatisierungswahrscheinlichkeit als unabhängiger Variable.
- 10.
Die jeweiligen Unterschiede sind allerdings beim längeren Zeithorizont größer und werden nur dort in Bezug auf alle Merkmale, somit Anzahl, Dauer der Kurse aus spCourse und Dauer der Kurse aus spVocTrain, signifikant.
- 11.
- 12.
Unter Arbeitnehmenden mit hoher Automatisierungswahrscheinlichkeit ist der Anteil zudem höher (32 %) als unter Arbeitnehmenden mit hohem Routinegrad (29 %).
- 13.
Die Resultate unterscheiden sich hinsichtlich der zentralen Variablen (hohe Routineintensität und hohe Automatisierungswahrscheinlichkeit) nur geringfügig in Bezug auf die geschätzten Wahrscheinlichkeiten non-formale Weiterbildungen abzuschließen (siehe Tabelle B.1 im elektronischen Zusatzmaterial). Der Einfluss einer hohen Routineintensität besitzt bei beendeten formalen Weiterbildungen (siehe Tabelle B.2 im elektronischen Zusatzmaterial) ein umgekehrtes Vorzeichen, ist aber in beiden Fällen (Besuch und Abschluss) insignifikant. Darüber hinaus sind die Effekte einer hohen Routineintensität bzw. einer hohen Automatisierungswahrscheinlichkeit teilweise etwas kleiner.
- 14.
Der Zusammenhang ist jedoch nur in Bezug auf die Weiterbildungsteilnahme im Folgejahr signifikant.
- 15.
Sobald in Stata Stichprobengewichte (pweights) spezifiziert werden, werden automatisch robuste Standardfehler geschätzt (StataCorp 2019d, S. 300 f.)
- 16.
Nachfolgend wird vereinfachend von Arbeitnehmer*innen mit und ohne Abitur gesprochen, wobei das Vorhandensein eines Fachabiturs immer miteinbezogen ist.
- 17.
Einzige Ausnahme stellt der Unterschied nach Bildungsgrad für den Weiterbildungszeitraum zwischen 2011 und 2015 dar, der in manchen Konstellationen signifikant ausfällt.
- 18.
Es kann auch sein, dass der Effekt der Automatisierungswahrscheinlichkeit einen Zusammenhang in einem anders gelagerten Bereich aufdeckt, somit etwa Teilnahmeunterschiede insbesondere zwischen Personen mit einer besonders geringen Automatisierungswahrscheinlichkeit und allen anderen Personen vorliegen.
- 19.
Ein Jobwechsel meint hier eine neue Erwerbsepisode in NEPS. Es kann sein, dass Personen zwischendurch erwerbslos waren und danach wieder den gleichen Beruf aufgenommen haben; dies kann aber nicht genau zugeordnet werden, so dass sie nach einem „Wechsel der Erwerbstätigkeit“ hier nicht berücksichtigt werden. Der Anteil an Personen in der Stichprobe, die zwischen 2011 und 2015 überhaupt Monate ohne Erwerbstätigkeit aufwiesen, ist mit knapp unter 6 % allerdings sehr gering.
- 20.
Bei Kursen, die schon vor dem Erhebungszeitpunkt 2011 begannen, kann nicht ausgeschlossen werden, dass sie auch während anderer Erwerbstätigkeiten starteten. Da die Dauer non-formaler Weiterbildungskurse aber in der Regel sehr kurz ist, wird zumindest bei dieser Weiterbildungsform davon ausgegangen, dass dies nur auf wenige Personen zutrifft.
- 21.
Aus der Gesamtstichprobe von 3660 (2608) Personen haben zwischen 2011 und 2012 (2011 und 2015) 1356 (1727) Beschäftigte mindestens einen non-formalen Weiterbildungskurs besucht. Berücksichtigt man nur die Kurse, die im Rahmen der Haupterwerbstätigkeit besucht wurden, gibt es 1264 (1513) Personen, die im Rahmen dieser Erwerbstätigkeit mindestens einer non-formalen Weiterbildung nachgegangen sind. Aus allen einzelnen 2413 (5927) Kursen in der Stichprobe, die zwischen 2011 und 2012 (2011 und 2015) besucht wurden, werden 195 (994) nicht gezählt, da diese im Rahmen anderer Erwerbstätigkeiten stattgefunden haben bzw. bei spVocTrain während anderer oder mehrerer Erwerbstätigkeiten gleichzeitig starteten.
- 22.
Es gibt innerhalb der jeweiligen Stichproben niemanden, der zwischen 2011 und 2012 oder 2011 und 2015 formale Weiterbildungen besucht hat und im Jahr 2011 in „sonstigen“ Branchen arbeitete. Zudem gibt es niemanden in der Stichprobe, der zwischen 2011 und 2015 formale Weiterbildungen besucht hat und 2011 in Helfer- und Anlerntätigkeiten beschäftigt war. Diese Personen werden bei den jeweiligen Schätzungen der Wahrscheinlichkeit an formaler Weiterbildung zwischen 2011 und 2012 bzw. 2011 und 2015 teilgenommen zu haben nicht berücksichtigt. Aus diesem Grund ist die Zahl der Beobachtungen bei diesen Modellen geringer als bei den anderen Weiterbildungsformen.
- 23.
Allerdings ist hier die Differenz zwischen den Effekten einer hohen Routineintensität auf die Wahrscheinlichkeit (betriebliche) non-formale Weiterbildungen zu besuchen (beenden) nach dem Bildungsgrad nicht signifikant.
- 24.
Nur bei formalen Weiterbildungen zwischen 2011 und 2015 besitzt hier – anders als im Hauptmodell – eine hohen Automatisierungswahrscheinlichkeit einen signifikant negativen Effekt für Beschäftigte mit Abitur. Zudem ist der Effekt einer hohen Automatisierungswahrscheinlichkeit auf die Wahrscheinlichkeit im Folgejahr non-formale Weiterbildungen zu besuchen unter Personen mit Abitur nicht mehr signifikant.
- 25.
Der Unterschied in den Effekten einer hohen Routineintensität nach Bildungsgrad fällt hier insignifikant aus; die meisten Abweichungen in den AME eines hohen Routinegrads nach Umfang verübter analytischer Tätigkeiten sind nach wie vor signifikant.
- 26.
Die Differenzen in den Effekten einer hohen Routineintensität nach dem Umfang verübter analytischer Tätigkeiten sind dafür in vielen Fällen signifikant. Auch die Unterschiede in den AME eines hohen Routinegrads auf die Wahrscheinlichkeit individuelle Weiterbildungen zu absolvieren nach dem Umfang verübter interaktiver Tätigkeiten und nach Bildungsgrad sind größer und teilweise (schwach) signifikant. Die Interaktion zwischen einer hohen Routineintensität und analytischen Tätigkeiten zeigt in eine andere Richtung als im Hauptmodell, ist aber nach wie vor insignifikant.
Author information
Authors and Affiliations
Corresponding author
7.1 Elektronische Zusatzmaterial
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Zeyer-Gliozzo, B. (2023). Weiterbildungsteilnahme von Beschäftigten mit hohem Automatisierungsrisiko. In: Digitalisierung und die Rolle von Weiterbildung. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-41722-2_7
Download citation
DOI: https://doi.org/10.1007/978-3-658-41722-2_7
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-41721-5
Online ISBN: 978-3-658-41722-2
eBook Packages: Education and Social Work (German Language)