Abstracts 2014

Paper

Skill-Match und Mismatch in Österreich: Ausmaß, Determinanten und Auswirkungen im Lichte beruflicher Spezialisierung

Hintergrund:

Der Zusammenhang zwischen der Ausrichtung von Bildungssystemen (allgemein vs. beruflich) und der Passung von Qualifikationsangebot- und Nachfrage wird derzeit vor dem Hintergrund der hohen (Jugend-) Arbeitslosigkeit diskutiert, u.a. weil in Ländern mit traditionell ausgeprägten dualen Ausbildungssystemen die Arbeitslosigkeit vergleichsweise niedrig ist. Die bislang vorliegenden Forschungsergebnisse sind jedoch kontrovers. Einerseits stützen die Befunde die Hypothese, dass der Übertritt in den Arbeitsmarkt für Personen mit berufsspezifischen Abschlüssen einfacher und der Mismatch geringer ist als bei Personen mit allgemeiner Bildung. Andererseits wurde bei beruflichen AbsolventInnen ein erhöhtes Risiko einer unterqualifizierten Beschäftigung festgestellt weil in vielen Ländern die Anforderungen in der Berufsbildung niedriger sind und die Personen im Durchschnitt über ein geringeres Kompetenzniveau verfügen (Quintini, 2011).

Das österreichische Bildungssystem ist neben seiner hierarchischen Struktur entlang beruflicher Spezialisierungen differenziert. Die vielfältigen beruflichen Spezialisierungen sind auch innerhalb von Bildungsebenen mit unterschiedlichen Arbeitsmarkt- und Einkommenschancen verbunden. Bisher liegen für Österreich keine detaillierten Informationen über das Ausmaß von Match und Mismatch nach den verschiedenen Bildungsebenen und Fachrichtungen vor. Es gibt lediglich Auswertungen über den qualifikatorischen Mismatch auf aggregierter Ebene, wobei die Ergebnisse je nach verwendeter Messmethode stark variieren. Die PIAAC-Daten bieten für Österreich die Möglichkeit der direkten Mismatch-Messung, wobei die getesteten Fähigkeiten mit den im Job geforderten Tätigkeiten verglichen werden können.

Folgende Forschungsfragen werden analysiert:

1. Wie hoch ist der Mismatch unter AbsolventInnen verschiedener schulischer und hochschulischer Bildungsprogramme? Gibt es signifikante Unterschiede?

2. Welche Faktoren auf der individuellen Ebene und auf der Ebene der Bildungsprogramme beeinflussen den Mismatch?

3. Wie wirkt sich der Mismatch auf die Zufriedenheit im Job und auf das Einkommen aus?

Methodische Vorgangsweise:

Zunächst erfolgt eine deskriptive Darstellung der verschiedenen Mismatch-Konstrukte nach Bildungsebene, Fachrichtung sowie demografischen Merkmalen. Dabei wird eine Ausbildungsklassifikation herangezogen, die Ebenen und Fachrichtungen kombiniert. Zusätzlich zur direkten Messung wird auf die Selbsteinschätzung der Befragten im Hinblick auf das im Job erforderliche formale Bildungsniveau (qualifikatorisches Matching) als auch auf die erforderlichen Fähigkeiten und Fertigkeiten (Skills-Matching) abgestellt.

In einem zweiten Schritt werden im Rahmen von multivariaten Regressions- und Zweiebenenmodellen die Determinanten von Match, Mismatch und Arbeitslosigkeit auf der individuellen Ebene (1.Ebene) sowie auf der Ebene der Ausbildungen (2.Ebene: Ausbildungsklassifikation) ermittelt. Während auf der individuellen Ebene die üblichen demografischen Variablen berücksichtigt werden (Geschlecht, Alter, Migration, etc.) liegt der Fokus auf der Ebene der Ausbildungen auf Faktoren, die als relevant für den Arbeitsmarkterfolg eingeschätzt werden: u.a. berufliche Spezialisierung und Selektivität. Die berufliche Spezialisierung wird anhand des Gini-Index gemessen, der das Ausmaß der Streuung bzw. Konzentration der einzelnen Bildungsprogramme auf die Berufe misst. Einen hohen Gini-Index weisen Bildungsprogramme auf, deren AbsolventInnen in relativ wenigen Berufen beschäftigt sind, d.h. empirisch eine hohe berufliche Spezialisierung aufweisen. Informationen über die Selektivität bzw. Segregation (Anteile nach Geschlecht, Migration, Alter) werden den PISA-Schulfragebögen bzw. der Bildungsstatistik entnommen.

Die Mismatch-Variablen fungieren einerseits als abhängige Variablen zur Beantwortung der zweiten Fragestellung, sowie als unabhängige Variablen wenn Unterschiede in der Arbeitszufriedenheit bzw. im Einkommen erklärt werden (Fragestellung 3). Bei den Analysen wird sowohl dem komplexen Sampling-Design von PIAAC als auch den imputierten Kompetenzwerten (10 plausible values je Domäne) Rechnung getragen, um adäquate Populationsparameter und Standardfehler schätzen zu können.