Berufsklassifikationen sind eine wesentliche Grundlage für die Arbeitsmarktstatistik und für wissenschaftliche Analysen des Arbeitsmarktgeschehen. Im Jahr 2011 wurde die für die deutsche Arbeitsmarktstatistik relevante Klassifikation der Berufe KlDB88 auf eine deutlich aktualisierte Fassung (KldB2010) umgestellt. Wegen erheblicher Unterschiede zwischen den Klassifikationen war die Erstellung einer eindeutigen Korrespondenz (Umsteigeschlüsssel) nicht möglich. Davon sind insbesondere Berufe betroffen, die in den vergangenen 20 Jahren stark an Bedeutung gewonnen haben und sich deswegen stark ausdifferenziert haben, z.B. Software-, Internet- und Datenbankspezialisten.

Um diese Lücke zu füllen, entwickeln und implementieren wir für die Beschäftigtenstatistik des IAB einen Imputationsalgorithmus zur Umschlüsselung in beide Richtungen (neu nach alt und alt nach neu). Wir schätzen - für jeden 3-Steller der alten Klassifikation - ein Random-Forest-Modell zur Prognose der jeweiligen Zielberufe der neuen Klassifikaton. Für die Gegenrichtung erfolgt die Schätzung separat für jeden 5-Steller. Die Hyperparameter der Random-Forests (Anzahl der Bäume und minimum-impurity-decrease) werden mittels 5-facher Kreuzvalidierung bestimmt. Bei der Implementation haben wir besonderes Gewicht auf die Generierung zahlreicher Prädiktoren mit hoher Prognosekraft gelegt. Neben bereits in den Rohdaten vorliegenden Merkmalen wie Alter, Arbeitsort, Geschlecht, Jobstatus (Teilzeit, Mini-Job), Bildung, Spelldauer und (Tages-)Lohnhöhe, leisten generierte Prädiktoren hohe Beiträge zur Prognoseqüte. Das sind z.B. (1) Beschäftigungsanteile der fünf wichtisten 3-Steller-Branchen im Betrieb, (2) Beschäftigungsanteile der fünf wichtigsten Ausländergruppen im Berieb, (3) Beschäftigungsanteile von Qualifikationsgruppen, TZ-Beschäftigten, Frauen, (4) rollierende Dauern (relativ zur Beschäftigungsdauer) von TZ-Beschäftigung, geringfügiger Beschäftigung und Nicht-Beschäftigung, und (5) Betriebszugehörigkeitsdauer. Die stochastische Imputation wird kombiniert mit deterministischer Extrapolation. D.h. wenn die Codes von alter und neuer Klassifikation für ein Beschäftigungsverhältnis simultan vorliegen, wir wird der code der alten Klassifikation in die Zukunft und der Code neuen in die Vergangenheit kopiert bis das Beschäftigungsverhältnis endet. Um zuverlässige Abschätzung des durch die Imputation induzierten Fehlers in Analysemodellen zu ermöglichen, erfolgt die Imputation multipel (mit fünf Replikationen).

Längere oder kürzere Arbeitszeiten? Bessere Work-Life-Balance, 4-Tage-Woche und mehr Zeit für Freunde, Familie, Hobbys, Reisen, ohne finanzielle Einbußen – das wünschen sich viele Erwerbstätige. Doch wie sieht es aus, wenn eine Reduzierung der Arbeitszeit mit einem entsprechend verringerten Einkommen verbunden ist, während umgekehrt eine Erhöhung der Arbeitszeit zu einem Verdienstanstieg führen würde? Gibt es hier einen gesellschaftlichen Wandel hin zu einem stärkeren Wunsch nach Arbeitszeitreduzierung trotz Verdienstausfall?

Genau diese Frage ist Gegenstand vieler Studien und Umfragen, ebenso wie auch der Mikrozensus Arbeitszeitwünsche von Erwerbstätigen unter Berücksichtigung entsprechender Verdienstanpassung erfasst. Allerdings hatten bereits frühere Untersuchungen zum Unterschied verschiedener Umfrageergebnisse gezeigt, wie sensibel befragte Personen auf Frageformulierungen, Fragereihenfolge und Abfragekontext bei der Ermittlung von Arbeitszeitwünschen reagieren. Mit der Neugestaltung des Mikrozensus ab 2020 wurde ein Multi-Mode-Erhebungsdesign geschaffen. Seitdem ist es möglich, den Mikrozensus online zu beantworten. Neben CAWI stehen jedoch weiterhin das persönliche Interview CAPI, das telefonische Interview CATI sowie der Papierfragebogen PAPI als Befragungsmethoden zur Verfügung.

Mit der Einführung des neuen Mikrozensus und in den nachfolgenden Berichtsjahren haben sich die Ergebnisse zu den Arbeitszeitwünschen der Erwerbstätigen erheblich verändert und im Vergleich zum Berichtsjahr 2019 sogar umgekehrt. Von den 10% Erwerbstätigen mit Arbeitszeitdiskrepanzen im Jahr 2019, wollten fast 66% ihre Arbeitszeit erhöhen, entsprechend umgekehrt knapp 34% von ihnen die Arbeitszeit verringern. Im Jahr 2023 lag die Diskrepanzenquote bei fast 14% der Erwerbstätigen und nur noch 24% wollten eine Arbeitszeiterhöhung (Unterbeschäftigte), rund 76% dagegen eine Arbeitszeitverringerung (Überbeschäftigte). Das Verhältnis von Unter- und Überbeschäftigten hat sich also umgekehrt.

Nach Corona-Pandemie, Work-Life-Balance-Diskussionen und zunehmender Arbeitsmarktbeteiligung der Generation Z wäre eine stärke Fokussierung auf mehr Freizeit denkbar. Auffällig ist andererseits, dass es in allen Altersklassen und nach Geschlecht deutliche Unterschiede zwischen den Ergebnissen von CAWI und NICHT CAWI gibt. Sind die veränderten Arbeitszeitwünsche also Abbildung der Realität oder ein Methodeneffekt? Dieser Beitrag versucht, eine Antwort darauf zu finden.

Die Veränderung des Saisonmusters kann bei verschiedenen soziodemographischen Größen beobachtet werden. In diesem Beitrag wird die Veränderung der Saison am Arbeitsmarkt dargestellt, die damit verbundenen Herausforderungen bei der Saisonbereinigung erörtert und der Versuch unternommen, Erklärungsansätze für die sich verändernde Saison am Arbeitsmarkt beizutragen.