Zusammenfassung
Zur Analyse des Effektes einer Weiterbildungsteilnahme auf die Tätigkeitsstruktur (Hypothesen E1 bis E5) wird in Anlehnung an die existierende empirische Forschung folgendes lineares Modell aufgestellt:
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
In einem Working-Paper sind Teile dieser Arbeit in einer früheren Version dargestellt (Zeyer-Gliozzo 2020), die anschließend weiterentwickelt wurden. Die empirischen Analysen dort umfassen den Effekt einer Weiterbildungsteilnahme auf Veränderungen in beruflichen Tätigkeiten und in der Automatisierungswahrscheinlichkeit. Da die vorliegende Arbeit auf dem damaligen Arbeitsstand basiert, finden sich Überschneidungen, insbesondere bei der Beschreibung der Methode. Die hier dargestellten empirischen Ergebnisse (siehe Abschnitt 8.2.1) weichen von den dort aufgeführten teilweise ab, u. a. durch Änderungen in der Stichprobe und Methodik.
- 2.
Die nachfolgenden Ausführungen basieren auf Brüderl (2010) und Wooldridge (2013, Abschnitt 14.1).
- 3.
Die Konstante wird weggelassen, da sie mit dem zeitkonstanten, personenspezifischen Fehler \(e_i\) kollinear wäre: \(e_i\) kann als personenspezifische Konstante gedeutet werden (Brüderl 2010, S. 967).
- 4.
Bei T=2 und somit vorliegend stellt serielle Korrelation bei FE-Regressionen allerdings kein Problem dar (Wooldridge 2002, S. 274).
- 5.
Alle drei Werte – Within, Between und Overall \(R^2\) – sind quadrierte Korrelationen, beim Within-\(R^2\) entspricht diese der quadrierten Korrelation zwischen \((y_{it}-\overline{y}_{i})\) und \((\hat{y}_{it}-\hat{\overline{y}}_{i})\). Eine Eigenschaft des \(R^2\) einer OLS-Schätzung ist, dass es gleich der quadrierten Korrelation zwischen \(\hat{y}\) und y und gleich dem Anteil der durch \(\hat{y}\) erklärten Varianz von y ist (StataCorp 2019b, S. 453). Da bei der FE-Schätzung die Within-Transformation mit einer üblichen OLS-Schätzung berechnet wird, entspricht das Within-\(R^2\) dem Anteil der erklärten Varianz von \((y_{it}-\overline{y}_{i})\) durch \((\hat{y}_{it}-\hat{\overline{y}}_{i})\).
- 6.
In den vorliegenden Analysen wird Bildung nicht anhand der Bildungsjahre s sondern mittels des höchsten erreichten schulischen und beruflichen Abschlusses gemessen. Aufgrund der Verwendung eines FE-Schätzers wird diese Variable jedoch im vorliegenden Lohnmodell nicht berücksichtigt, da sie unter Personen ohne abgeschlossene formale Weiterbildung über die vier betrachteten Jahre quasi konstant ist (bei Personen mit einem Abschluss formaler Weiterbildung wird der höhere Bildungsabschluss über die Variable zur Weiterbildung berücksichtigt). Nur bei einer Person mit hoher Automatisierungswahrscheinlichkeit und drei Personen mit hoher Routineintensität hat sich der höchst erreichte Bildungsabschluss ohne formale Weiterbildung geändert (in der Regel im Rahmen der Erstausbildung).
- 7.
Beim FE-Logit-Modell fallen alle Personen aus den Analysen heraus, die keinen Wechsel in der abhängigen Variablen aufweisen (Cameron und Trivedi 2005, S. 796; Allison 2009, S. 29). Da dadurch ein substantieller Teil der Stichprobe nicht berücksichtigt werden könnte, wird diese Methode hier nicht verwendet.
- 8.
Die Unterschiede im Tätigkeitswandel von Arbeitnehmer*innen mit hohem Automatisierungsrisiko, die non-formale Weiterbildungen beendet haben (vs. Nicht-Teilnehmenden), unterscheiden sich nur marginal von den dargestellten Unterschieden hinsichtlich der Teilnahme an entsprechenden Kursen, siehe Abbildung C.1 im elektronischen Zusatzmaterial. Bei formalen Weiterbildungen ergeben sich teilweise größere Abweichungen danach, ob ein Besuch oder Abschluss entsprechender Kurse betrachtet wird.
- 9.
Der Signifikanztest basiert auf einer gewichteten linearen Regression mit robusten Standardfehlern.
- 10.
Der Signifikanztest beruht auf einer linearen Regression von der Automatisierungswahrscheinlichkeit (und nachfolgend den beruflichen Tätigkeiten) auf den jeweiligen Weiterbildungsindikator, einen Indikator für Welle 7 und einen Interaktionsterm zwischen beiden Indikatoren (mit gewichteten Daten und Cluster-robusten Standardfehlern). Ist die Interaktion signifikant, unterscheidet sich der Wandel der Automatisierungswahrscheinlichkeit zwischen diesen 4 Jahren signifikant zwischen Teilnehmer*innen und Nicht-Teilnehmer*innen beruflicher Weiterbildung. Alternativ kann man auch hier schon eine FE-Regression mit der Automatisierungswahrscheinlichkeit als abhängiger und der Weiterbildungsteilnahme und einem Indikator für Welle 7 als unabhängige Variablen schätzen. Der geschätzte Koeffizient der Weiterbildungsteilnahme, der dabei angibt, wie sich die Automatisierungswahrscheinlichkeit im Schnitt unter Weiterbildungsteilnehmer*innen im Vergleich zu Nicht-Teilnehmer*innen ändert, ist dabei gleich dem Koeffizienten der Interaktion (mit minimalen Unterschieden in den Standardfehlern). Allerdings werden für beide Berechnungen jeweils unterschiedliche Gewichtungsvariablen herangezogen. Bei der linearen Regression können für die Beobachtungen aus unterschiedlichen Wellen Querschnittsgewichte der jeweiligen Welle herangezogen werden; bei der FE-Regression kann pro Individuum nur ein Gewicht berücksichtigt werden (wobei hier aufgrund eines fehlenden adäquaten Längsschnittgewichts das Gewicht aus Welle 7 herangezogen wird, siehe Abschnitt 6.1.3). Aus diesem Grund sind die Ergebnisse beider Vorgehensweisen nicht identisch. Da die angegebenen Mittelwerte aus Abbildung 8.1 auch die jeweiligen Gewichte aus der zugehörigen Welle berücksichtigen, beziehen sich hier die Ergebnisse der Signifikanztests auf erstere Vorgehensweise.
- 11.
Eine Ausnahme stellen Beschäftigte mit hohem Automatisierungsrisiko dar, die formale Weiterbildungen beendet haben. Unter ihnen fällt der Rückgang der Automatisierungswahrscheinlichkeit geringfügig schwächer aus als unter Nicht-Absolvent*innen.
- 12.
Ausnahme ist der Effekt einer weniger komplexen Computernutzung, der in einer schwach negativen Beziehung zum Umfang der geschätzten Automatisierungswahrscheinlichkeit steht.
- 13.
Der Effekt beendeter formaler Weiterbildung auf den Umfang verübter manueller Tätigkeiten ist schließlich nicht nur kleiner, sondern auch insignifikant.
- 14.
Hier zeigt sich die einzig signifikante Differenz zwischen den Effekten formaler Weiterbildung und den anderen Weiterbildungsformen auf Routinetätigkeiten; genauer zwischen dem Effekt des Besuchs formaler Weiterbildung und dem Effekt von Kongressteilnahmen.
- 15.
Die Ergebnisse für die Interaktionen zwischen dem Abschluss von formaler und non-formaler Weiterbildung und dem Abitur fallen in der Tendenz weitgehend gleich aus (siehe Tabelle C.7 im elektronischen Zusatzmaterial). Bei beendeten formalen Weiterbildungen ist noch deutlicher erkennbar, dass Beschäftigte ohne Abitur hinsichtlich eines Wandels beruflicher Tätigkeiten mehr von diesen profitieren als höherqualifizierte Beschäftigte, so ist der Haupt- und Interaktionseffekt bei interaktiven Tätigkeiten größer und signifikant. Arbeitnehmende mit Abitur erlebten aber einen durchschnittlich geringeren Anstieg in analytischen Tätigkeiten nach dem Abschluss einer formalen Weiterbildung (anders als nach einem Besuch, die Effekte sind jedoch nach wie vor nicht signifikant).
- 16.
Eine bevorstehende Beförderung wird mit einer Proxy-Variablen gemessen, die die (selbst eingeschätzte) Wahrscheinlichkeit einer Beförderung in den nächsten 2 Jahren widerspiegelt. Alle Personen, die in Welle 3, 4 oder 5 angaben, dass eine Beförderung wahrscheinlich ist, erhalten einen Wert von 1 für die Beförderungsvariable (im Jahr 2015; im Jahr 2011 wird der Wert für alle auf 0 gesetzt). Der Gesundheitszustand wird operationalisiert über eine Selbsteinschätzung zur Zufriedenheit mit der eigenen Gesundheit, wobei die Skala von 0 (völlig unzufrieden) bis 10 (völlig zufrieden) reicht.
- 17.
Gleiches zeigt sich auch, wenn die Einflüsse betrieblicher und individueller non-formaler Weiterbildung sowie spezifischer informeller Weiterbildungsformen betrachtet werden, siehe Tabelle C.9 im elektronischen Zusatzmaterial. Lediglich der vorab schwach signifikante Effekt von Vortragsbesuchen auf interaktive Tätigkeiten ist nicht mehr signifikant (\(p=0{,}12\)), dafür ist der Einfluss informellen Lernens mit Medien etwas größer und statistisch bedeutsam.
- 18.
Nur die schwach signifikante Interaktion zwischen betrieblicher non-formaler Weiterbildung und dem Vorhandensein eines Abiturs auf den Umfang verübter manueller Tätigkeiten fällt geringfügig kleiner aus und knapp ist nicht mehr signifikant (\(p=0{,}11\)); die Interaktion zwischen informellem Lernen mit Medien und dem Vorhandensein eines Abiturs auf interaktive Tätigkeiten wird demgegenüber schwach signifikant (ist bezüglich der Größenordnung jedoch gleich).
- 19.
Die Signifikanztests basieren auf einer linearen Regression von dem Bruttomonatslohn auf einen Indikator für Welle 7 für die jeweilige Gruppe (mit gewichtete Daten und Cluster-robusten Standardfehlern). Zur Überprüfung, ob sich die Veränderungen über die Zeit signifikant zwischen Teilnehmenden und Nicht-Teilnehmenden an beruflicher Weiterbildung unterscheiden, werden lineare Regressionen von dem Bruttomonatslohn auf den jeweiligen Weiterbildungsindikator, einen Indikator für Welle 7 und einen Interaktionsterm zwischen beiden Indikatoren geschätzt (ebenso mit gewichtete Daten und Cluster-robusten Standardfehlern).
- 20.
Jedoch können auch Personen mit angegebener Erwerbstätigkeit Arbeitslosigkeitsepisoden berichtet haben, wodurch die Quoten bereits im Jahr 2011 ungleich 0 sein können.
- 21.
Eine Ausnahme stellt die Dauer von Erwerbstätigkeit und Arbeitslosigkeit zwischen 2011 und 2015 von Beschäftigten mit hohem Automatisierungsrisiko dar, die mit Medien bzw. nicht mit Medien lernten. Hier waren z. T. Arbeitnehmer*innen ohne Weiterbildungsteilnahme länger in Beschäftigung und kürzer in Arbeitslosigkeit als Arbeitnehmer*innen mit Weiterbildungsteilnahme; die Differenzen sind jedoch durchweg insignifikant.
- 22.
Zum Test auf Signifikanz wird eine lineare Regression der Variablen in Erwerbstätigkeit / Arbeitslosigkeit zu sein und Anzahl der Erwerbsmonate / Monate in Arbeitslosigkeit zwischen Welle 3 und 7 auf die Teilnahme an der jeweiligen Weiterbildungsform geschätzt (mit gewichteten Daten und robusten Standardfehlern). Wird alternativ mit einem Wald-Test getestet (StataCorp 2019a, S. 2708), ob sich der Unterschied in den (gewichteten) Anteilen von Personen in Erwerbstätigkeit bzw. in Arbeitslosigkeit zu sein zwischen den Gruppen signifikant von 0 unterscheidet, erhält man die gleichen Resultate.
- 23.
Der prozentuale Effekt berechnet sich durch \((\exp (\beta )-1)*100\).
- 24.
Der Unterschied zwischen den Effekten formaler und informeller Weiterbildung unter routineintensiven Beschäftigten hingegen schon.
- 25.
Die Effekte der beruflichen Tätigkeiten haben eine vergleichbare Größenordnung und die gleiche Richtung wie die vorab berichteten.
- 26.
Auch die berechneten signifikanten Differenzen zwischen den Effekten formaler Weiterbildung und informeller Weiterbildung unter routineintensiven Beschäftigten sowie zwischen beendeter formaler und beendeter non-formaler Weiterbildung sowie informeller Weiterbildung erweisen sich als robust (hier wird sogar die Differenz zwischen den Effekten des Besuchs formaler und non-formaler Weiterbildung für routineintensive Beschäftigte signifikant). Das gleiche gilt für die Interaktionseffekte, siehe Tabellen D.13 und D.14 im elektronischen Zusatzmaterial.
- 27.
Auch die berechneten signifikanten Effekte beendeter formaler und non-formaler Weiterbildungen auf die Beschäftigungssicherheit werden bestätigt (siehe Tabelle D.15 im elektronischen Zusatzmaterial); ebenso die signifikanten Differenzen zwischen den Effekten betrieblicher und individueller Weiterbildung auf die Anzahl der Monate in Erwerbstätigkeit (bei beiden Gruppen) und auf die Anzahl der Monate in Arbeitslosigkeit zwischen 2011 und 2015 bei Beschäftigten mit hoher Automatisierungswahrscheinlichkeit. Der Unterschied zwischen den Effekten individueller und betrieblicher non-formaler Weiterbildung auf die Erwerbswahrscheinlichkeit ist hier unter Beschäftigten mit hoher Automatisierungswahrscheinlichkeit nicht mehr signifikant.
- 28.
Ebenso die Differenzen zwischen den Effekten formaler und informeller Weiterbildung sowie beendeter formaler und beendeter non-formaler Weiterbildung werden in vielen Fällen insignifikant.
- 29.
Hier erweist sich die gefundene signifikante Differenz zwischen den Effekten betrieblicher und individueller non-formaler Weiterbildung auf die Anzahl der Monate in Erwerbstätigkeit zwischen 2011 und 2015 nur für Beschäftigte mit hoher Routineintensität als robust, bei Arbeitnehmer*innen mit hoher Automatisierungswahrscheinlichkeit ist dieser Unterschied, ebenso hinsichtlich der Effekte auf die Anzahl an Monaten in Arbeitslosigkeit, nicht mehr signifikant.
Author information
Authors and Affiliations
Corresponding author
8.1 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). Weiterbildungserträge 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_8
Download citation
DOI: https://doi.org/10.1007/978-3-658-41722-2_8
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)