MétaCan
Menu
Back to cohort
Record W2986587854

Fehlende Fachkräfte in Deutschland - Unterschiede in den Betrieben und mögliche Erklärungsfaktoren: Ergebnisse aus dem IAB-Betriebspanel 2018

2019· article· de· W2986587854 on OpenAlexaboutno aff
Eva Dettmann, Daniel Fackler, Steffen Müller, Georg Neuschäffer, Viktor Slavtchev, Ute Leber, Barbara Schwengler

Bibliographic record

VenueEconstor (Econstor) · 2019
Typearticle
Languagede
FieldHealth Professions
TopicSocial and Demographic Issues in Germany
Canadian institutionsnot available
Fundersnot available
KeywordsEconomic shortageQuarter (Canadian coin)Tertiary sector of the economyWork (physics)Labour economicsAgricultureEconomic sectorBusinessVocational educationDistribution (mathematics)Demographic economicsEconomicsAgricultural economicsEconomyEconomic growthGeography
DOInot available

Abstract

fetched live from OpenAlex

Seit der Überwindung der Wirtschaftskrise hat sich die wirtschaftliche Lage der Betriebe in West- und Ostdeutschland gleichermaßen verbessert. Gleichzeitig ist weiterhin ein positiver Beschäftigungstrend zu beobachten, der sich jedoch gegenüber dem Vorjahr etwas abgeschwächt hat. Der Fachkräftebedarf erreichte mit 2,7 Millionen Personen im Jahr 2018 einen neuen Höchststand. Nur noch etwa 60 Prozent des Bedarfs konnte gedeckt werden, was sich auch in einem erneuten Anstieg der Nichtbesetzungsquote äußert. Hinsichtlich der Verteilung dieses Indikators für Fachkräfteengpässe zeigen sich deutliche branchen- und größenspezifische Unterschiede in den Betrieben wie auch regionale Heterogenität. Mit mehr als der Hälfte unbesetzter Stellen ist im Baugewerbe und in der Land- und Forstwirtschaft der Fachkräfteengpass besonders akut. In einer multivariaten Analyse wird festgestellt, dass ein positiver Zusammenhang zwischen Fachkräfteengpässen und dem Einsatz von Leiharbeit, Arbeitszeitflexibilisierung sowie der Aus- oder Weiterbildungsbeteiligung eines Betriebes besteht. Die Tätigkeitsstruktur der Betriebe hat sich hinsichtlich formaler Qualifikationsanforderungen an die Beschäftigten in den vergangenen Jahren kaum verändert. Dagegen lässt sich ein deutlicher Trend zur Flexibilisierung der Arbeitsorganisation beobachten. So bieten etwa ein Viertel der Betriebe ihren Beschäftigten die Möglichkeit mobilen Arbeitens. Auch der Anteil der Teilzeitbeschäftigung nimmt bundesweit zu, insbesondere in Sektoren mit höherem Frauenanteil. Der Anteil geringfügiger Beschäftigung ist besonders hoch in Branchen, die eher unspezifische Qualifikationen erfordern oder stärker durch konjunkturelle und/oder saisonale Schwankungen gekennzeichnet sind - und in denen überdurchschnittliche Fachkräfteengpässe zu verzeichnen sind. Der Anteil ausbildungsberechtigter Betriebe ist im Jahr 2018 erstmals seit 2010 wieder gestie-gen − in Gesamtdeutschland auf 54 Prozent. In Ostdeutschland liegt der Anteil mit 49 Prozent deutlich darunter. Unter den berechtigten Betrieben liegt die Ausbildungsbeteiligung seit mehreren Jahren relativ stabil bei etwa der Hälfte. Sowohl erfolgreich besetzte Ausbildungsplätze wie auch unbesetzte Ausbildungsstellen verteilen sich sehr heterogen auf die verschiedenen Branchen. Die Übernahmequote erfolgreicher Ausbildungsabsolventen liegt bei knapp drei Viertel. In Betrieben mit Fachkräfteengpass ist sowohl die Ausbildungsbeteiligung als auch die Übernahmequote höher, was darauf schließen lässt, dass hier die Berufsausbildung schon verstärkt zur Fachkräfterekrutierung eingesetzt wird. Hinsichtlich der Weiterbildungsbeteiligung lässt sich feststellen, dass unverändert etwa die Hälfte aller Betriebe sich an der Weiterbildung ihrer Beschäftigten beteiligt. Die Weiterbildungsquote der Beschäftigten liegt bei etwa einem Drittel, in Ostdeutschland etwas höher. Die vergleichsweise höhere Weiterbildungsquote von Beschäftigten auf Einfacharbeitsplätzen in Betrieben mit Fachkräfteengpass deutet darauf hin, dass hier gezielt interne Ressourcen zur Deckung des Fachkräftebedarfs genutzt werden.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.006
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.118
Threshold uncertainty score0.234

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0030.006
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0020.004
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0000.002
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0060.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.026
GPT teacher head0.328
Teacher spread0.302 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations1
Published2019
Admission routes1
Has abstractyes

Explore more

Same venueEconstor (Econstor)Same topicSocial and Demographic Issues in GermanyFrench-language works237,207