Arbeitsmarktkonzentration misst, wie stark Neueinstellungen in einem lokalen Arbeitsmarkt auf wenige Betriebe konzentriert sind. Anhand von Sozialversicherungsdaten dokumentieren wir in unserer Studie erstmalig das Ausmaß der Arbeitsmarktkonzentration in Deutschland.

Wir zeigen, dass der durchschnittliche deutsche Arbeitsmarkt für Neueinstellungen – definiert für Kombinationen aus Berufsgruppen, Anforderungsniveaus und Pendlerzonen – stark konzentriert ist (HHI=0,257). Nach den kartellrechtlichen Schwellenwerten der EU weisen 56 Prozent dieser Arbeitsmärkte eine moderate oder hohe Konzentration auf. In diesen Märkten, die häufig nur vergleichsweise klein ausfallen, sind 9 Prozent der Erwerbstätigen beschäftigt. Wir dokumentieren außerdem, dass die durchschnittliche Arbeitsmarktkonzentration in unserem Analysezeitraum der Jahre 2012 bis 2023 relativ stabil geblieben ist.

Beruflich und regional bestehen große Unterschiede in der Arbeitsmarktkonzentration. In den akademischen Berufen, künstlerischen Berufen und Berufen des Verarbeitenden Gewerbes fällt der Anteil der Beschäftigten in konzentrierten Arbeitsmärkten überdurchschnittlich hoch aus. Besonders groß ist der Anteil außerdem in weiten Teilen Nord- und Ostdeutschlands.

Personen mit Spezialisten- oder Expertentätigkeiten sind am häufigsten in Arbeitsmärkten mit moderater oder hoher Konzentration tätig. Gleichzeitig sind Personen in Helfer-Jobs häufiger von moderater oder hoher Konzentration betroffen als Fachkräfte.

Vor dem Hintergrund, dass sich eine hohe Arbeitsmarktkonzentration häufig in niedrigeren Löhnen und einer geringeren Beschäftigungsqualität niederschlägt, verdeutlicht unsere Studie, dass bestehende Richtlinien für den Wettbewerb auf dem Gütermarkt explizit auch auf den Arbeitsmarkt angewandt werden sollten.

Das Ziel von {propop} ist die Erstellung von Bevölkerungsprojektionen mit der Kohortenkomponentenmethode. Die Funktion propop::propop() generiert Projektionen für unterschiedliche demografische Gruppen und kann für verschiedene Szenarien sowie auf unterschiedlichen räumlichen Ebenen (z.B. Land, Bezirke oder Gemeinden) angewendet werden.

Das Projekt „Bundesweite Kulturstatistik“ widmet sich seit 2014 im Auftrag der Kultusministerkonferenz (KMK) und der Beauftragten der Bundesregierung für Kultur und Medien (BKM) dem Aufbau eines konsistenten kulturstatistischen Datenangebotes. Ziel ist es, die Grundlage für eine evidenzbasierte Kulturpolitik zu stärken und langfristig ein belastbares Monitoring der kulturellen Entwicklung in Deutschland zu etablieren. Das bis Ende 2027 laufende Projekt verfolgt außerdem das Ziel, eine dauerhafte Kulturberichterstattung mit gesetzlicher Grundlage bereitzustellen.

Ein zentrales methodisches Anliegen besteht in der Harmonisierung heterogener Datenquellen und der Operationalisierung des vielschichtigen Kulturbegriffs für die amtliche Statistik. Hierzu wurde im Rahmen des Projekts ein indikatorenbasiertes Konzept entwickelt, das sich insbesondere auf öffentlich verfügbare Daten stützt. Die jährliche Veröffentlichung „Kulturindikatoren“ verdeutlicht, wie anhand statistischer Kennzahlen, etwa zu Ausgaben, Angebotsstrukturen oder Erwerbstätigkeit, kulturrelevante Informationen systematisiert und aufbereitet werden.

Ein ergänzendes methodisches Element bildet die im Jahr 2023/2024 durchgeführte Nutzendenumfrage, deren Ergebnis unter anderem zeigt, welche Anforderungen Kulturakteure an die Datenlage stellen. So besteht seitens der Nutzenden ein hohes Interesse an regional aufgeschlüsselten, aktuellen und vergleichbaren Daten sowie an der Abbildung kultureller Teilhabe.

Auf europäischer Ebene ist das Statistische Bundesamt in die Aktivitäten der Eurostat Expert Group on Culture Statistics eingebunden und bringt dort seine Fachexpertise zur konzeptionellen Abgrenzung und statistischen Erfassung kultureller Aktivitäten ein. Im Mittelpunkt steht derzeit die Überarbeitung des europäischen Kulturstatistik-Frameworks, das unter anderem eine Ausweitung auf die Kreativwirtschaft, die Weiterentwicklung funktionaler Abgrenzungen sowie die Anpassung an die überarbeitete europäische Wirtschaftszweigklassifikation NACE Rev. 2.1 vorsieht. Die dabei diskutierten Konzepte und Definitionen könnten auch Impulse für eine nationale Darstellung wirtschaftlicher Aktivitäten in der Kultur- und Kreativwirtschaft liefern.

Mobilfunkdaten sind aufgrund ihrer zeitlichen Aktualität sowie ihrer räumlichen Genauigkeit eine wertvolle Datenquelle und kommen bisher vor allem in Machbarkeitsstudien und experimenteller Statistik zum Einsatz. Besonders wertvoll ist die Verknüpfung von Mobilfunkdaten mit weiteren - sowohl neuen digitalen als auch traditionellen - Datenquellen, denn neben Qualitätsverbesserungen besteht auch Potenzial für neue Statistiken. Für eine mögliche Nutzung von Mobilfunkdaten in der amtlichen Statistik sind sowohl ebendiese Qualitätsverbesserungen als auch weiterführende Methodik notwendig. Im ESSnet-Projekt MNO-MINDS (Mobile Network Operator (data) - Methods for Integrating New Data Sources) werden mithilfe einer Feldanalyse die relevantesten Datenquellen identifiziert, die sich für eine Verknüpfung mit Mobilfunkdaten eignen. Zusätzlich wird ein methodischer Referenzrahmen und ein Fragebogen entwickelt, welche eine Verringerung von Messfehlern und Missklassifikation ermöglichen. In dem Beitrag werden einige Wochen vor Abschluss des Projekts viele wertvolle Ergebnisse vorgestellt.

Inattentive respondents pose a substantial threat to data quality in web surveys. In this study, we evaluate methods for preventing and detecting inattentive responding and investigate its impacts on substantive research. We use data from two large-scale non-probability surveys fielded in the US. Our analysis consists of four parts: First, we experimentally test the effect of asking respondents to commit to providing high-quality responses at the beginning of the survey on various data quality measures (attention checks, item nonresponse, break-offs, straightlining, speeding). Second, we conducted and additional experiment to compare the proportion of flagged respondents for two versions of an attention check item (instructing them to select a specific response vs. leaving the item blank). Third, we propose a timestamp-based cluster analysis approach that identifies clusters of respondents who exhibit different speeding behaviors and in particular likely inattentive respondents. Fourth, we investigate the impact of inattentive respondents on univariate, regression, and experimental analyses. First, our findings show that the commitment pledge had no effect on the data quality measures. As indicated by the timestamp data, many respondents likely did not even read the commitment pledge text. Second, instructing respondents to leave the item blank instead of providing a specific response significantly increased the rate of flagged respondents. Third, the timestamp-based clustering approach efficiently identified clusters of likely inattentive respondents and outperformed a related method, while providing additional insights on speeding behavior throughout the questionnaire. Fourth, we show that inattentive respondents can have substantial impacts on substantive analyses.

Statistical tools for detecting fraud in procurement processes have gained well-deserved attention. Detecting fraud not only saves considerable expenditures but also helps to avoid legal fees. Statistical ``markers'' that indicate misconduct hence are efficient and established means of protecting procurers. However, despite their popularity sometimes only little is known about their statistical properties and hence their potential to deliver correct signals. In this note, we will discuss the popular so-called relative distance measure (RDM). We show that it is prone to false-positive bias and suggest an amendment, pRDM, that improves its performance by up to one third.

Measuring carbon contents reliably, for products, firms and industries, is key for identifying climate change related transition risks. Phase 3 of the G20 Data Gaps Initiative requests the collection of emission data and multiregional Input-Output (IO) tables to enable the calculation of aggregate carbon contents. What sectoral distinctions do we need – and at what level of granularity? Do we need information on technology? How can statistical data be used in carbon accounting? Based on IO tables and company-level data from the United States (US), I construct a micro simulation environment that can act as a laboratory for answering these questions. The database consists of almost 5000 units located (with few exceptions) in the US and Canada. The analysis focuses on indirect emissions and carbon contents. For levels of aggregation typical of IO tables, the within-sector heterogeneity of carbon contents is very high in some industries. Still, averages can be very useful for company-level carbon accounting. Statistical data can provide consistent starting values for inputs in cases where direct information from providers is missing. Specifically, they may be used to approximate indirect emissions of suppliers, when company-level information on their direct emissions is available. This will be the standard case in the European Union (EU), once upcoming reporting requirements are in place..

Das bereits auf dem Comprehensive R Archive Network (CRAN) veröffentlichte R-Paket „deseats“ (deseasonalize time series) dient der vollkommen datengesteuerten Komponentenzerlegung von Zeitreihen in Trend-, Saison- und Restkomponente anhand lokal gewichteter Regression, deren benötigte Bandbreite zur simultanen Schätzung von Trend und Saisonalität anhand eines iterativen Plug-In-Algorithmus, getauft „DeSeaTS“, zuvor aus den Daten geschätzt wird. Bei dieser Bandbreitenauswahl werden kurzfristige Abhängigkeitsstrukturen im Fehlerterm erlaubt wie z.B. in Form von ARMA-Modellen, ohne dass jedoch eine solch explizite Fehlermodellform unterstellt wird, da notwendige Größen in der Bandbreite vollumfänglich nichtparametrisch ermittelt werden. Während etablierte Ansätze wie das Berliner Verfahren 4.1 (BV4.1), X-12-ARIMA und TRAMO-SEATS ausschließlich im Sinne volkswirtschaftlich wichtiger vierteljährlicher oder monatlicher Zeitreihen Anwendung finden, ist DeSeaTS auf Zeitreihen mit allen ganzzahligen saisonalen Frequenzen anwendbar.

Eine Erweiterung der Idee auf ein saisonales semiparametrisches ARMA-Modell bietet die Möglichkeit, die Residuen der Komponentenzerlegung durch ein ARMA-Modell zu analysieren, um anschließend Punkt- und Intervallprognosen zu bestimmen.

Empirische Anwendungen von DeSeaTS auf real beobachtete Zeitreihen aus verschiedenen Bereichen, wie unter anderem der Makroökonomie und der Umwelt, zeigen adäquate Komponentenzerlegungen, Saisonbereinigungen und plausible Punkt- und Intervallprognosen. Auch unter sich langsam verändernden Saisonkomponenten bleiben die Ergebnisse, obwohl in der Bandbreitenformel in DeSeaTS eine exakt periodische Saisonkomponente unterstellt wird, qualitativ gut. Eine abschließende Simulationsstudie bestätigt einerseits die Güte der Bandbreitenauswahl durch DeSeaTS und vergleicht die Performance zur Schätzung von Trend-, Saison- und kombinierter Trend-Saison-Komponente zwischen DeSeaTS, dem BV4.1-Basismodell, X-12-ARIMA, TRAMO-SEATS, STL und der R-internen Funktion „decompose“, wobei in allen Fällen nach Möglichkeit entweder in den Programmen auswählbare Automatisierungen oder in der Literatur empfohlene Einstellungen genutzt werden. Es zeigt sich anhand der Simulationsstudie, dass DeSeaTS mit lokal kubischem Trend für Trend, Saison und Trend-Saison konsistente Schätzer liefert, auch unter sich langsam verändernder Saisonalität, und anhand des MSE-Kriteriums entweder ähnlich gut oder teilweise besser funktioniert zur Schätzung dieser Komponenten als etablierte Zerlegungsmethoden.

Mobilfunkdaten erlauben wesentlich erweiterte Erkenntnisse im Bereich von Mobilitätsanalysen, weil sie hochaktuell, kleinräumig und dynamisch vorliegen. Bisherige Forschungsarbeiten dazu haben jedoch ergeben, dass die Kundenstruktur zwischen den in Deutschland aktiven Mobilfunknetzbetreibern systematische Differenzen aufweist, etwa nach Alter, Geschlecht und Wohnort. Weil die Daten der einzelnen Mobilfunkunternehmen zusätzlich Non-Probability-Stichproben sind, ist eine verlässliche Hochrechnung auf die Mobilität der Gesamtbevölkerung nicht ohne Zusatzinformationen möglich. Das vom Bundesministerium für Digitalisierung und Staatsmodernisierung (BMDS) im Rahmen der Innovationsinitiative „mFUND“ geförderte Projekt „Neue Daten für Mobilitätsanalysen“ (NeDaMo) zielt darauf ab, diese Verzerrungen in Mobilfunkdaten mit einer maßgeschneiderten Erhebung nach §7 Bundesstatistikgesetz auszugleichen. Dazu werden auf freiwilliger Basis bis zu 20.000 Einheiten zu ihrer Mobilfunknutzung und ihrem Mobilitätsverhalten befragt. Anschließend werden in Kombination mit weiteren Statistiken Verfahren zur statistisch validen Nutzung von Mobilfunkdaten entwickelt, um diese Datenquelle zur qualitativ hochwertigen Nutzung im Rahmen des Bundesverkehrswege- und Mobilitätsplan zu erschließen. Zuletzt werden qualitativ optimierte Verflechtungsmatrizen im Rahmen von Mikrosimulationen pilothaft für ausgewählte Regionen zur Prognose von Mobilitätsszenarien genutzt.

Projektsteckbrief bei „mFUND“: https://www.bmv.de/SharedDocs/DE/Artikel/DG/mfund-projekte/nedamo.html