Zur Analyse von Skills-Daten. Können Sie den Gorilla sehen?

Dies ist der vierte und letzte Teil einer Serie von Beiträgen über Skills. Falls Sie es noch nicht getan haben, empfehlen wir Ihnen, zuerst die anderen Beiträge zu lesen: Lassen wir mal den Bullshit weg und Sorry Leute, aber «Microsoft Office» ist KEINE Kompetenz sowie Der vergiftete Apfel der «einfachen» Skills-Daten – sind Sie bereit, auf diesen süssen Geschmack zu verzichten?
Im dritten Beitrag dieser Serie haben wir die Herausforderungen und Chancen von Daten aus Online-Stellenanzeigen (OJA) diskutiert.  » Lesen Sie mehr über: Zur Analyse von Skills-Daten. Können Sie den Gorilla sehen?  »

Der vergiftete Apfel der «einfachen» Skills-Daten – sind Sie bereit, auf diesen süssen Geschmack zu verzichten?

Dies ist der dritte Teil einer Serie von Beiträgen über Skills. Wenn Sie es noch nicht getan haben, lesen Sie zuerst die anderen Beiträge:
Lassen wir mal den Bullshit weg und Sorry Leute, aber «Microsoft Office» ist KEINE Kompetenz.

Im zweiten Beitrag dieser Serie haben wir über Skills und die Probleme bei deren Definition und Spezifizierung gesprochen. Angenommen, wir können uns auf ein gemeinsames Verständnis dieser wertvollen neuen Währung einigen, dann besteht der nächste Schritt darin einen Weg zu finden, aussagekräftige Skills- und Job-Daten zu erzeugen.

Wackelige Daten – wackelige Ergebnisse

Big Data von Online-Jobplattformen oder professionellen Networking-Sites können eine Fülle von Informationen mit einer viel höheren Granularität liefern als die üblichen Daten, die von nationalen Statistikämtern in Umfragen erhoben werden – insbesondere in Bezug auf Skills. Ein Grund dafür ist, dass Arbeitgebende im Gegensatz zu gedruckten Anzeigen für Online-Stellenausschreibungen nicht nach Platz bezahlen müssen und daher detailliertere Informationen über die von ihnen benötigten Kenntnisse und Fähigkeiten bereitstellen können. Diese Online-Daten ermöglichen auch die Überwachung einer viel grösseren Stichprobe in Echtzeit, was für Analysten und politische Entscheidungsträger sehr wertvoll sein kann, um ein zeitnahes und detaillierteres Verständnis der Bedingungen und Trends auf dem Arbeitsmarkt zu entwickeln.

Wenn wir jedoch mit Daten arbeiten, die online verfügbar sind, wie z. B. Online-Stellenanzeigen (OJA – online job advertisements) oder professionelle Profile (z. B. LinkedIn-Profile), müssen wir uns darüber im Klaren sein, dass diese Daten weder vollständig noch repräsentativ sind und daher müssen alle Ergebnisse immer mit Vorsicht interpretiert werden. Nicht nur wegen der offensichtlichen Tatsache, dass die Ergebnisse verzerrt sein werden, sondern vor allem wegen der Auswirkungen. Die Förderung bestimmter Skills auf Basis verzerrter Daten kann dem Arbeitsmarkt schaden: Wenn sich Arbeitnehmer auf den Erwerb dieser Skills konzentrieren – die naturgemäss aus Daten abgeleitet werden, die auf hochqualifizierte Fachkräfte ausgerichtet sind, z. B. in der IT-Branche und anderen Bereichen, die eine höhere Bildung erfordern –, ist es weniger wahrscheinlich, dass sie sich für Karrierewege entscheiden, die andere Skills beinhalten, die tatsächlich stark nachgefragt werden, z. B. im Handwerk, im Bauwesen, im Gesundheitswesen, in der Produktion usw. Und dies, obwohl die Digitalisierung in erster Linie besser ausgebildete Arbeitnehmer mit hohen Löhnen in den Industrieländern treffen wird, schlicht deshalb, weil es viel einfacher ist, zumindest einen Teil der Aufgaben in diesen Berufen zu digitalisieren oder zu automatisieren als in vielen Arbeiter- und Lehrberufen wie z. B. in der Schreinerei, der Pflege usw. Das Letzte, was man in der Arbeitsmarktpolitik will, ist, die ohnehin schon kritische Skill-Lücke in diesem Bereich zu verschärfen. Oder einen noch engeren Arbeitsmarkt für bestimmte Berufe, z. B. IT-Fachkräfte, zu schaffen.[1] Ebenso benötigen Bildungsanbieter, die ihre Lehrpläne an der Marktnachfrage ausrichten wollen, verlässliche Daten, um Skill-Lücken nicht zu verstärken, anstatt sie zu verringern. Und dennoch verlässt sich eine wachsende Zahl von öffentlichen Arbeitsverwaltungen auf diese oft wackeligen Daten für die Entscheidungsfindung und die Gestaltung der aktiven Arbeitsmarktpolitik.

So gibt es zum Beispiel mehrere Projekte, die darauf abzielen, alle verfügbaren OJA aus allen möglichen Quellen in einem bestimmten Arbeitsmarkt zu sammeln und zu analysieren und diese aggregierten Daten zu nutzen, um Empfehlungen zu geben, einschliesslich Prognosen zur zukünftigen Beschäftigungsfähigkeit und zum Skills-Bedarf. Aber die Skills werden typischerweise ohne jeden semantischen Kontext verarbeitet und präsentiert, was extrem irreführend sein kann.

Herausforderungen von OJA-Daten

Im Jahr 2018 veröffentlichte das ESSnet-Big-Data-Projekt des Europäischen Statistischen Systems einen Bericht über die Machbarkeit der Nutzung von OJA-Daten für die amtliche Statistik.[2] Ihre Schlussfolgerung lautete: «Die Qualitätsprobleme sind derart, dass es nicht klar ist, ob diese Daten in einer Weise integriert werden können, dass sie den von der amtlichen Statistik erwarteten Standards entsprechen.»

Werfen wir einen Blick auf einige der grundlegenden Herausforderungen von OJA-Daten.

  1. Unvollständig und verzerrt: Nicht alle offenen Stellen werden online ausgeschrieben. Ein beträchtlicher Anteil der Stellen wird besetzt, ohne dass sie überhaupt ausgeschrieben werden (manche sagen etwa 20 %, andere behaupten bis zu 85 % der offenen Stellen). Von denen, die ausgeschrieben werden, werden nicht alle online veröffentlicht. CEDEFOP berichtete, dass 2017 der Anteil der online veröffentlichten Stellen in den EU-Ländern sehr unterschiedlich war und von fast 100 % in Estland, Finnland und Schweden bis hin zu unter 50 % in Dänemark, Griechenland und Rumänien reichte.[3] Darüber hinaus werden einige Arten von Stellen mit höherer Wahrscheinlichkeit online ausgeschrieben als andere. Und grosse Unternehmen oder solche, die verpflichtet sind, offene Stellen zu veröffentlichen, sind typischerweise statistisch überrepräsentiert, während kleine Unternehmen, die oft andere Kanäle wie Printmedien, Mundpropaganda oder Schilder in Schaufenstern bevorzugen, unterrepräsentiert sind. Ein weiterer relevanter Punkt ist, dass bestimmte Märkte so ausgetrocknet sind, dass es sich schlichtweg nicht lohnt, offene Stellen zu inserieren, und stattdessen spezialisierte Headhunter eingesetzt werden. Zusammengefasst bedeutet dies, dass die OJA-Daten nicht nur viele offene Stellen nicht erfassen, sondern auch nicht repräsentativ für den gesamten Arbeitsmarkt sind.[4]
  2. Duplikate: In den meisten Ländern gibt es keine zentrale Quelle für OJA-Daten. In jedem Land gibt es zahlreiche Online-Stellenportale, von denen einige nur Originalanzeigen veröffentlichen, andere wiederum Anzeigen aus anderen Quellen, Hybridversionen, spezialisierte Seiten für bestimmte Branchen oder Karrierestufen usw. Um also eine angemessene Abdeckung zu gewährleisten, müssen die OJA-Daten im Allgemeinen aus mehreren Quellen bezogen werden. Dies führt unweigerlich zu vielen Duplikaten, die wirksam in den Griff bekommen werden müssen, um Arbeitsmarkttrends in der realen Welt zuverlässig messen zu können. So meldete das britische Nationale Statistikinstitut (NSI) in einem Projekt aus dem Jahr 2016 einen Duplikatanteil von 8–22 % je nach Portal und eine Gesamtduplizierungsrate von 10 %.[5] Im Rahmen des ESSnet-Big-Data-Projekts identifizierte das schwedische NSI 4–38 % Duplikate pro Portal und 10 % im zusammengeführten Datensatz.[6]
  3. Uneinheitlicher Detaillierungsgrad: Bestimmte Stellenausschreibungen bieten deutlich mehr explizite Informationen zu den geforderten Skills als andere, etwa je nach Branche (z. B. Technik/IT) oder Land (z. B. aufgrund von Gesetzen oder kulturellen Gewohnheiten). Zudem werden implizite Informationen nur in geringem Umfang erfasst und sind trotz ihrer hohen Relevanz statistisch unterrepräsentiert. Ein Grund dafür ist, dass US-Datenanbieter oft nicht erkennen, wie einzigartig detailliert OJA in den USA sind, und daher davon ausgehen, dass dies überall der Fall ist und ihre Methoden auf diese Annahme stützen. Dies ist jedoch alles andere als korrekt. Zum Beispiel wird eine Stellenbeschreibung wie die folgende, die in den USA recht typisch ist, in europäischen Ländern oft auf «Durchführung aller Malerarbeiten in den Bereichen Instandhaltung, Umbau und Renovierung; Einhaltung von Sicherheits- und Qualitätsvorschriften; mindestens drei Jahre Erfahrung oder abgeschlossene Berufsausbildung» verkürzt. Darüber hinaus müssen in solchen Stellenanzeigen viele der geforderten Skills aus den aufgeführten Aufgaben oder Verantwortlichkeiten abgeleitet werden. Dies zeigt, wie wichtig es ist, implizite Informationen zu extrahieren.

The poison apple of “easy” skills data – are you ready to give up that sweet taste?

Die Frage ist also, ob diese Probleme so gelöst werden können, dass dennoch aussagekräftige Daten erzeugt werden.

Die Antwort: mehr oder weniger. Beschränkungen der Repräsentativität können mit verschiedenen Ansätzen angegangen werden. Es gibt keine Einheitslösung, aber je nach verfügbaren Daten und spezifischem Arbeitsmarkt könnte eine statistische Gewichtung der Daten entsprechend der aus Arbeitskräfteerhebungen abgeleiteten Branchenstruktur vielversprechend sein, ebenso wie der Vergleich von Ergebnissen aus mehreren Datenquellen, um Robustheitsprüfungen durchzuführen, oder einfach die Fokussierung auf diejenigen Marktsegmente mit weniger problematischen Erfassungsbias.[7]

Probleme mit der Deduplikation können bis zu einem gewissen Grad technisch gelöst werden, und es gibt auf diesem Gebiet zahlreiche laufende Forschungsprojekte. Im Wesentlichen bestehen die meisten Methoden darin, gemeinsame Felder abzugleichen, Textinhalte zu vergleichen und dann eine Ähnlichkeitsmetrik zu berechnen, um die Wahrscheinlichkeit zu bestimmen, dass es sich bei zwei Stellenangeboten um Duplikate handelt. Einige Jobsuchaggregatoren versuchen auch, Duplikate selbst zu entfernen – mit unterschiedlichem Erfolg. Die Identifizierung von Duplikaten ist relativ einfach, wenn OJAs Backlinks zu einer Originalanzeige enthalten, da diese Links identisch sind. Andererseits stellen Stellenanzeigen, die auf mehreren Jobbörsen veröffentlicht wurden, eine grössere Herausforderung dar. Daher sollten idealerweise mehrere robuste Qualitätssicherungsprüfungen durchgeführt werden, z. B. eine manuelle Validierung über kleinere Datensätze.

Ernsthaft unterschätzt: die Herausforderung der Skills-Extraktion

Die dritte Herausforderung, der Detaillierungsgrad, scheint die am meisten unterschätzte zu sein. OJA aus den USA sind in der Regel viel detaillierter als anderswo. Viele Informationen werden explizit angegeben, die in OJA-Daten aus dem Vereinigten Königreich und anderen Ländern nur implizit vorhanden sind (z. B. durch Ausbildungsanforderungen oder Berufserfahrung abgedeckt) – oder überhaupt nicht angegeben werden. Aber selbst innerhalb der USA kann dies stark variieren.

The poison apple of “easy” skills data – are you ready to give up that sweet taste?

Es ist klar, dass selbst wenn wir die Probleme bezüglich Repräsentativität und Duplikaten lösen können, die blosse Aufzeichnung der expliziten Daten immer noch zu höchst unzuverlässigen Nowcasts oder Prognosen führen wird. Stattdessen müssen sowohl die expliziten als auch die impliziten Daten extrahiert werden – zusammen mit ihrem Kontext. Um die Verzerrungen in den erfassten Daten zu reduzieren, müssen wir sie präzise und semantisch abbilden. Dies kann mit einer umfangreichen Wissensrepräsentation geschehen, die nicht nur Skills oder Jobs, sondern auch Ausbildungen, Arbeitserfahrungen, Zertifizierungen und mehr sowie erforderliche Niveaus und die komplexen Beziehungen zwischen den verschiedenen Entitäten umfasst. Auf diese Weise können wir mehr implizite Skills erfassen, die in den Vorgaben zu Ausbildung, Qualifikationen und Erfahrung verborgen sind. Darüber hinaus ist die höhere Granularität der OJA-Daten nur dann wirklich nützlich, wenn die extrahierten Skills bei der nachfolgenden Verarbeitung nicht zu sehr geclustert oder verallgemeinert werden, z. B. zu Begriffen wie «Projektmanagement», «digitale Fähigkeiten» oder «Gesundheitswesen» (siehe unseren vorherigen Beitrag), weil mit zu stark vereinfachten Klassifikationen oder Taxonomien gearbeitet wird, anstatt umfassende Ontologien mit einem hohen Detailgrad zu nutzen.

Und dann ist da natürlich noch die Frage, wie man die Daten analysiert. Darauf werden wir im nächsten Beitrag näher eingehen, aber für den Moment lässt sich so viel sagen: Selbst wenn wir in der Lage sind, das perfekte System für die Extraktion aller relevanten Daten aus OJAs (und Kandidatenprofilen, wenn man so will) einzurichten, stehen wir immer noch vor der Herausforderung, die Ergebnisse zu interpretieren – oder auch nur die richtigen Fragen zu stellen. Wenn es um Arbeitsmarktanalysen, Nowcasting und Prognosen, z. B. des Skills-Bedarfs, geht, verspricht die Kombination von OJA-Daten mit externen Daten, z. B. aus Umfragen der NSI, robustere Ergebnisse, da die OJA-Daten gegengeprüft und somit besser kalibriert, gewichtet und stratifiziert werden können. Relevante und zeitnahe externe Daten sind jedoch äusserst rar. Und wir stehen möglicherweise vor einem weiteren Problem. Es ist viel einfacher und billiger, Arbeitssuchende z. B. mit einem Online-SEO-Kurs umzuschulen oder weiterzubilden als mit einer beruflichen oder technischen Ausbildung im MIG/MAG-Schweissen. Vielleicht also, nur vielleicht, sind einige von uns gar nicht so sehr am wahren Skills-Bedarf interessiert…

[1] Laut der Umfrage der Manpower Group 2020 stehen IT-Positionen in den USA ganz oben auf der Liste der am schwersten zu besetzenden Stellen, aber nicht überall sonst. In einigen Ländern, darunter auch in entwickelten Ländern wie Grossbritannien und der Schweiz, stehen IT-Fachkräfte überhaupt nicht auf der Top-10-Liste.
[2] https://ec.europa.eu/eurostat/cros/sites/crosportal/files/SGA2_WP1_Deliverable_2_2_main_report_with_annexes_final.pdf
[3] The feasibility of using big data in anticipating and matching skills needs, Section 1.1, ILO, 2020 https://www.ilo.org/wcmsp5/groups/public/—ed_emp/—emp_ent/documents/publication/wcms_759330.pdf
[4] Das ESSnet Big-Data-Projekt hat auch die Abdeckung der Daten untersucht; für die detaillierten Resultate siehe Anhänge C und G im Bericht von 2018..
[5] https://ec.europa.eu/eurostat/cros/content/WP1_Sprint_2016_07_28-29_Virtual_Notes_en
[6] https://ec.europa.eu/eurostat/cros/sites/crosportal/files/WP1_Deliverable_1.3_Final_technical_report.pdf
[7] Siehe z. B. Kureková et al.: Using online vacancies and web surveys to analyse the labour market: a methodological inquiry, IZA Journal of Labor Economics, 2015 https://izajole.springeropen.com/track/pdf/10.1186/s40172-015-0034-4.pdf

«Arbeitslose Kandidat*innen werden keinesfalls berücksichtigt» – die Krux der Arbeitslosigkeit.

Damals, im Jahr 2008, als wir mit der Entwicklung unserer Lösungen begannen, lieferte die Arbeit von Diamond, Mortenson und Pissarides die wissenschaftliche Grundlage für unsere Job- und Skill-Matching-Technologie. Mit ihrer nobelpreisgekrönten Arbeitsmarkttheorie und dem DMP-Modell lieferten sie einen ersten kohärenten, vollständigen Rahmen, um Arbeitsmarktdynamiken auf strukturierte Weise zu betrachten. In ihrer Theorie werden Arbeitsmärkte als Märkte mit Suchfriktionen betrachtet: Arbeitskräfte suchen nach geeigneten Arbeitsplätzen und Unternehmen nach geeigneten Arbeitnehmenden, wobei beide erhebliche Zeit und Mühe investieren; Suchfriktionen sind der Prozess bzw. der Zeitfaktor des Matchings der beiden.

Das DMP-Modell selbst beschreibt die Suchaktivität der Arbeitslosen, das Einstellungsverhalten der Unternehmen und die Lohnbildung. Wenn Stellensuchende und Unternehmen zueinander finden, handeln sie Löhne aus basierend auf der Arbeitsmarktsituation: die Anzahl der Arbeitslosen und die Anzahl der offenen Stellen, sowie andere Faktoren wie z. B. wie lange es dauert, diese Stelle zu finden, die Arbeitslosenunterstützung der Stellensuchenden und welchen Wert diese dem Umstand beimessen, während der Suche nicht arbeiten zu müssen. Das Modell kann somit verwendet werden, um die Auswirkungen verschiedener Arbeitsmarktfaktoren auf die Arbeitslosigkeit, die durchschnittliche Dauer der Arbeitslosigkeit, die Anzahl der offenen Stellen und den Reallohn zu schätzen. Solche Faktoren können die Höhe der Arbeitslosenunterstützung sein, der reale Zinssatz, die Effizienz der Arbeitsämter, Einstellungs- und Entlassungskosten usw.

On-the-job-Suche und ihre Auswirkungen auf Arbeitsmarktdynamiken

Dieser theoretische Rahmen hat das Verständnis dafür, wie Mismatch-Probleme und eine fehlende Symmetrie zwischen verschiedenen Suchmechanismen und das daraus resultierende Ungleichgewicht zwischen Angebot und Nachfrage die Funktionsweise des Arbeitsmarktes beeinflussen, erheblich gefördert. Ein wesentlicher Aspekt des Arbeitsmarktes wird hier jedoch völlig ausser Acht gelassen, nämlich dass nicht alle Stellensuchenden arbeitslos sind. Der Grossteil der Literatur konzentriert sich seither dennoch ebenfalls auf Arbeitslose, nicht nur, weil das Standard-DMP-Rahmenwerk die On-the-job-Suche, also die Stellensuche durch Erwerbstätige, nicht einbezieht, sondern auch aufgrund der begrenzten Verfügbarkeit von Daten zur On-the-job-Suche. In jüngerer Zeit hat die Forschung jedoch begonnen, die On-the-job-Suche und Job-Leiter einzubeziehen. Die Idee einer Jobleiter ist, dass alle (potenziellen) Arbeitnehmenden sich darüber einig sind, welche Stellen im Sinne von Arbeits- und Lohnzufriedenheit wünschenswert sind und langsam die Jobleiter von «schlechten» oder unbefriedigenden Jobs zu «guten» Jobs durch Job-zu-Job-Übergänge erklimmen. Gelegentlich werfen negative Schocks sie von der Leiter und zurück in die Arbeitslosigkeit. Eine wachsende Zahl von Studien hat die Bedeutung der On-the-job-Suche und der damit verbundenen Jobleiter-Dynamik für die makroökonomischen Ergebnisse dokumentiert.[1] Einige argumentieren, dass der Arbeitsmarkt insofern segmentiert ist, als dass erwerbstätige und arbeitslose Stellensuchende wahrscheinlich nicht direkt miteinander um Stellen konkurrieren, weil sie unterschiedliche arbeitsrelevante Merkmale haben und sich auf unterschiedliche Stellen bewerben. Longhi und Taylor (2013) geben z. B. an, dass sich Arbeitslose nur auf «schlechte» Stellen und Erwerbstätige auf «gute» Stellen bewerben und daher nicht miteinander konkurrieren. Sie untersuchen jedoch nicht die Gründe für dieses Verhalten. Es könnte durchaus sein, dass die Ursache mit dem Suchverhalten der erwerbstätigen Arbeitskräfte oder damit verbundenen Dynamiken zusammenhängt. So stellen sie beispielsweise fest, dass ein grösserer Anteil der Arbeitslosen im Vergleich zu den Erwerbstätigen eine Teilzeitbeschäftigung «bevorzugt» und erklären, dass dies ihre Behauptung eines segmentierten Arbeitsmarktes stützt. Dabei ignorieren sie die Tatsache, dass es sich möglicherweise nicht um eine inhärente «Präferenz» handelt, sondern um eine höhere Flexibilität seitens der Arbeitslosen, die auf einer dringenderen Notwendigkeit beruht, überhaupt eine Beschäftigung zu finden. Obwohl sie sogar selbst anmerken, dass Teilzeitbeschäftigte eher weiterhin auf Stellensuche sind, und den Grund darin vermuten, dass Teilzeitstellen «in Bezug auf Arbeitsangebotspräferenzen unbefriedigend» sind. Ebenso stellen sie fest, dass die beiden Gruppen dazu neigen, unterschiedliche Suchmethoden zu verwenden, wobei Erwerbstätige sich mehr auf die Nutzung ihrer Netzwerke konzentrieren und Arbeitslose sich mehr auf Jobcenter und Arbeitsvermittlungen verlassen. Sie verwenden dies als weiteres Argument für ihre Schlussfolgerung, dass sich diese Gruppen nicht auf die gleichen Stellen bewerben, weil die über diese verschiedenen Kanäle verfügbaren Stellen unterschiedlich sind. Die Nutzung verschiedener Kanäle könnte aber eher damit zusammenhängen, dass mit zunehmender Dauer der Arbeitslosigkeit die persönlichen und beruflichen Netzwerke Stellensuchender schwinden und Arbeitslose stärker auf institutionelle Unterstützung angewiesen sind. Es bedeutet nicht unbedingt, dass sich Arbeitslose tatsächlich auf verschiedene Stellen bewerben wollen.

Tatsächlich kommt die Mehrheit der neueren Literatur zu dem Ergebnis, dass die On-the-job-Suche einen deutlichen Einfluss auf die makroökonomischen Ergebnisse und die Chancen arbeitsloser Stellensuchender auf dem Arbeitsmarkt hat. Moscarini und Postel-Vinay (2019) sowie Faccini und Melosi (2019) bringen die On-the-job-Suche mit der Inflation in Verbindung und argumentieren, dass bei einer Konzentration der Erwerbstätigkeit am unteren Ende der Jobleiter, typischerweise nach einer Rezession, erwerbstätige Arbeitskräfte nach einem besseren Job suchen. Wenn Arbeitnehmende auf der Jobleiter aufsteigen, wird der Arbeitsmarkt enger und erzeugt durch Lohnverhandlungen Inflationsdruck. Eeckhout und Lindenlaub (2019) stellen eine elegante Theorie auf, nach der das Suchverhalten erwerbstätiger Arbeitskräfte durch eine strategische Ergänzung zwischen On-the-job-Suche und Stellenausschreibung starke Arbeitsmarktschwankungen selbst bei Abwesenheit anderer Schocks erzeugt. Nach dieser Theorie kann der Arbeitsmarkt selbst Zyklen erzeugen, im Gegensatz zur langjährigen Annahme (basierend auf dem DMP-Modell), dass solche Zyklen nur durch exogene Schocks erzeugt werden können. Die Autoren stellen fest, dass aktive On-the-job-Suche die Qualität des Bewerbendenpools verbessert, was die Stellenausschreibung durch Unternehmen fördert, was wiederum die On-the-job-Suche attraktiver macht. Dies entspricht einem Wirtschaftsboom mit wenig Mismatch, reichlich Arbeitsplatzschaffung und niedriger Arbeitslosigkeit. Während einer Rezession hingegen ist der Anteil der On-the-job-Suchenden im Bewerbendenpool viel geringer. Infolgedessen haben die Unternehmen weniger Anreize, offene Stellen auszuschreiben, was zu einer niedrigen Matching-Rate für Arbeitnehmende führt, welche die Kosten der On-the-job-Suche nicht kompensieren kann, was wiederum zu hohem Mismatch und hoher Arbeitslosigkeit führt. Die Autoren zeigen, dass ihre Theorie, insbesondere das Suchverhalten der Erwerbstätigen, viele wichtige Arbeitsmarktphänomene erklären kann, einschliesslich grosser Schwankungen in der Arbeitslosigkeit und der Tatsache, dass die Arbeitslosenquote viel länger braucht, um sich zu erholen als offene Stellen und Produktivität, z. B. nach einer Rezession.

Es mag kontraintuitiv erscheinen, dass das Verhalten der Erwerbstätigen die Arbeitslosigkeit erklären könnte. Aber diese haben typischerweise einen Anteil von mehr als 90 Prozent an der Erwerbsbevölkerung und bewerben sich auf demselben Arbeitsmarkt wie die Arbeitslosen auf offene Stellen. Daher hat jede geringfügige Änderung in ihrem Verhalten tiefgreifende Auswirkungen auf die Arbeitslosigkeit insgesamt. Auch wenn sie viel weniger intensiv suchen als Arbeitslose, wird im Durchschnitt fast die Hälfte der neuen Stellen von Erwerbstätigen besetzt. Besonders am Ende einer Rezession verdrängen die erwerbstätigen Suchenden die Arbeitslosen. Wenn die Schaffung von Arbeitsplätzen wieder anzieht, gehen die Stellen überproportional an On-the-job-Suchende und nicht an die Arbeitslosen. Die neue Aktivität führt also zunächst zu besseren Stellen für Erwerbstätige, aber nicht zu besseren Aussichten für Arbeitslose.

Basierend auf einer Umfrage, die sich auf das Stellensuchverhalten unabhängig vom Erwerbsstatus konzentriert, finden Faberman et al. (2020) in den folgenden drei Fakten Belege für die Theorie von Eeckhout und Lindenlaub: (1) On-the-job-Suche ist allgegenwärtig und auf den unteren Sprossen der Jobleiter intensiver; (2) Erwerbstätige sind bei der Jobsuche etwa viermal effizienter als Arbeitslose [2]; und (3) Erwerbstätige erhalten qualitativ hochwertigere Jobangebote als Arbeitslose.

Das Stigma der Arbeitslosigkeit

Was diese theoretischen Modelle und Studien nicht erwähnen, ist, warum Erwerbstätige bei der Stellensuche erfolgreicher sind und hochwertigere Jobangebote erhalten als Arbeitslose. Vieles davon könnte mit dem Stigma der Arbeitslosigkeit – insbesondere der Langzeitarbeitslosigkeit [3] – zu tun haben. Das Zitat im Titel dieses Artikels stammt aus einer Stellenausschreibung von Sony Ericsson, und dieses Unternehmen ist mit dieser Haltung in bester Gesellschaft. Verschiedene Studien (z. B. die hier und hier oder hier beschriebenen) haben im Laufe der Jahre immer wieder gezeigt, dass Personalverantwortliche gegenüber arbeitslosen Bewerbenden voreingenommen sind und oft davon ausgehen, dass Arbeitslose faul, weniger produktiv und weniger kompetent sind als erwerbstätige Kandidat*innen mit ansonsten gleichen Eigenschaften. Eine Studie aus dem Jahr 2019 ergab, dass Personalverantwortliche aufgrund der stereotypen Wahrnehmung arbeitsloser Bewerbenden sogar deren Charakter verurteilen: arbeitslose Jobkandidat*innen werden im Vergleich zu den erwerbstätigen als weniger warmherzig, weniger vertrauenswürdig, weniger gutmütig, weniger freundlich und weniger aufrichtig angesehen. Kein Wunder, dass sich Arbeitslose mit „schlechten Jobs“ begnügen müssen – wenn sie überhaupt eine Anstellung finden.

Und diese voreingenommene Perspektive findet sich nicht nur bei Personalverantwortlichen, sie scheint auch unter Forschern weit verbreitet zu sein. So ist der Kern der Theorie von Eeckhout und Lindenlaub die implizite Annahme, dass erwerbstätige Stellensuchende attraktiver und wertvoller seien als arbeitslose (aktive On-the-job-Suche verbessert die Qualität des Bewerberpools). Auch das DMP-Modell geht von einer stigmatisierten Sichtweise der Arbeitslosigkeit aus: Das Ergebnis, dass höhere Arbeitslosenunterstützung die Arbeitslosenquote erhöht, beruht auf der Annahme, dass ein höheres Einkommen durch Sozialleistungen die Motivation der Arbeitslosen zur Stellensuche und damit zum erfolgreichen Wiedereinstieg in den Arbeitsmarkt verringert. Zugespitzt formuliert geht das Modell davon aus, dass arbeitslose Arbeitskräfte Freizeit der Arbeit vorziehen (also faul sind) und schiebt ihnen die Schuld zu (ein motivierter Arbeitsloser könnte jederzeit einen Job finden).

Dies und die Tatsache, dass Studien zeigen, dass Langzeitarbeitslosigkeit auch zu langfristigen Schäden wie lebenslang niedrigeren Löhnen, vermehrten Gesundheitsproblemen, geringerer Lebensqualität und verminderter Lebenserwartung sowie einem erhöhten Selbstmordrisiko führt, zeigt deutlich, dass arbeitslose Stellensuchende geschützt werden sollten und dass die Anstrengungen verstärkt werden sollten, um weitere Arbeitslosigkeit zu verhindern und Langzeitarbeitslosigkeit einzudämmen. Ein kleiner, aber einfacher Schritt liegt bereits auf der Hand: die Förderung von Lösungen, die diese Vorurteile zumindest in den ersten Schritten des Auswahlprozesses von Kandidat*innen verhindern, indem Arbeitsvermittlungssysteme eingesetzt werden, die den Erwerbsstatus verschleiern. Viele der aktuellen Systeme und Plattformen, die von öffentlichen Arbeitsverwaltungen angeboten werden, bieten jedoch nur Zugang für arbeitslose Stellensuchende. Diese Systeme sind selten erfolgreich, oft werden sie von Unternehmen und potenziellen Arbeitgebenden kaum genutzt. Und das Stigma der Arbeitslosigkeit ist ein Hauptgrund für dieses Problem. Um langfristig tragfähig zu sein und arbeitslosen Stellensuchenden eine echte Chance auf eine Rückkehr ins Arbeitsleben zu bieten, muss eine gute PES-Plattform das gesamte Universum an Arbeitskräften und Experten aus allen Bereichen, Branchen und Kompetenzen umfassen.

Eine blosse Einführung der richtigen Software löst natürlich – entgegen der Behauptung einiger Softwareanbieter – weder das Problem der Diskriminierung von Arbeitslosen vollständig, noch kann sie die Arbeitslosigkeit allein verringern. Es handelt sich hierbei natürlich um ein komplexes Problem, das von vielen Faktoren abhängt und von verschiedenen Seiten angegangen werden muss. Dennoch können solche Lösungen als wirksamer Bestandteil einer gut durchdachten Arbeitsmarkt- und Anti-Diskriminierungspolitik dienen.

Wir bei JANZZ setzen nicht nur auf schnelle Marketing-Schlagzeilen, sondern entwickeln evidenzbasierte Lösungen und setzen diese bereits seit 2010 erfolgreich ein. Unsere Job- und Skill-Matching-Lösungen sind fair und diskriminierungsfrei und liefern völlig unvoreingenommene Ergebnisse gemäss den OECD-Grundsätzen zur KI. Das garantiert, dass jene*r Kandidat*in mit der besten Eignung in allen Einzelkriterien den besten Match erhält – unabhängig vom Erwerbsstatus oder anderen nicht relevanten Merkmalen wie Herkunft, Alter oder Geschlecht. Das ist einer der vielen Gründe, weshalb wir vertrauenswürdiger Partner einer stetig wachsenden Zahl von öffentlichen Arbeitsverwaltungen auf der ganzen Welt sind.

Wenn Sie diesen ersten Schritt machen wollen, um den Kreislauf zu durchbrechen und zu einem gerechteren Arbeitsmarkt für Arbeitslose beizutragen, kontaktieren Sie uns unter info@janzz.technology oder besuchen Sie unsere Produktseite für öffentliche Arbeitsverwaltungen.

[1] Christensen et al., (2005), Cahuc, Postel-Vinay, and Robin (2006), and Bagger and Lentz (2019), among others,
[2] Hätten sich die Autoren nur auf die Übergangsraten verlassen – ein in der Literatur üblicher Ansatz aufgrund fehlender Daten zum Aufwand der Arbeitssuche – hätten sie das gegenteilige Ergebnis von Fakt (2) gefunden, nämlich dass die Arbeitslosen etwa siebenmal effizienter sind.
[3] In den USA ist Langzeitarbeitslosigkeit definiert als (aktive) Arbeitslosigkeit von mehr als 6 Monaten, in der EU von mehr als 12 Monaten.