Wie Roboter die betriebliche Beschäftigungsstruktur verändern
Steffen Müller, Verena Plümpe
Wirtschaft im Wandel,
Nr. 1,
2025
Abstract
Der Einsatz von Robotern verändert die Arbeitswelt grundlegend – doch welche spezifischen Effekte hat dies auf die Beschäftigungsstruktur? Unsere Analyse untersucht die Folgen des Robotereinsatzes anhand neuartiger Mikrodaten aus deutschen Industriebetrieben. Diese Daten verknüpfen Informationen zum Robotereinsatz mit Sozialversicherungsdaten und detaillierten Angaben zu Arbeitsaufgaben. Auf Basis eines theoretischen Modells leiten wir insbesondere positive Beschäftigungseffekte für Berufe mit wenig repetitiven, programmierbaren Aufgaben ab, sowie für jüngere Arbeitskräfte, weil diese sich besser an technologische Veränderungen anpassen können. Die empirische, mikroökonomische Analyse des Robotereinsatzes auf Betriebsebene bestätigt diese Vorhersagen: Die Beschäftigung steigt für Techniker, Ingenieure und Manager und junge Beschäftigte, während sie bei geringqualifizierten Routineberufen sowie bei Älteren stagniert. Zudem steigt die Fluktuation bei geringqualifizierten Arbeitskräften signifikant an. Unsere Ergebnisse verdeutlichen, dass der Verdrängungseffekt von Robotern berufsabhängig ist, während junge Arbeitskräfte neue Tätigkeiten übernehmen.
Artikel Lesen
12.03.2025 • 9/2025
IWH präsentiert neues Prognose-Dashboard zur deutschen Wirtschaft
Das Leibniz-Institut für Wirtschaftsforschung Halle (IWH) stellt ein umfassendes Daten-Tool bereit, das einen interaktiven Vergleich unterschiedlicher Prognosen für die Wirtschaftsentwicklung in Deutschland erlaubt. Entscheider aus Politik und Wirtschaft sowie Interessierte aus Medien, Wissenschaft und Öffentlichkeit können das IWH Forecasting Dashboard kostenfrei nutzen.
Oliver Holtemöller
Lesen
IWH-Insolvenzforschung
IWH-Insolvenzforschung Die IWH-Insolvenzforschungsstelle bündelt die Forschungsergebnisse des IWH zum Thema Insolvenz und Marktaustritt und deren Folgen für betroffene…
Zur Seite
Wirtschaft im Wandel
Wirtschaft im Wandel Die Zeitschrift „Wirtschaft im Wandel“ unterrichtet die breite Öffentlichkeit über aktuelle Themen der Wirtschaftsforschung. Sie stellt wirtschaftspolitisch…
Zur Seite
Archiv
Medienecho-Archiv 2021 2020 2019 2018 2017 2016 Dezember 2021 IWH: Ausblick auf Wirtschaftsjahr 2022 in Sachsen mit Bezug auf IWH-Prognose zu Ostdeutschland: "Warum Sachsens…
Zur Seite
Forschungscluster
Drei Forschungscluster Jede IWH-Forschungsgruppe ist einem themenorientieren Forschungscluster zugeordnet. Die Cluster stellen keine eigenen Organisationseinheiten dar, sondern…
Zur Seite
Loose (Interview)
Als es in Halle noch kaum Wohnungen gab ... Brigitte Loose über die Gründung und Entwicklungen des IWH Frau Loose, wie haben Sie die Anfänge des IWH erlebt? Aus heutiger Sicht war…
Zur Seite
Projekte
Unsere Projekte 07.2022 ‐ 12.2026 Evaluierung des InvKG und des Bundesprogrammes STARK Bundesministerium für Wirtschaft und Klimaschutz (BMWK) Im Auftrag des Bundesministeriums…
Zur Seite
15.12.2021 • 30/2021
Gutachten bescheinigt Projektionen der Bundesregierung insgesamt gute Qualität
Die Projektgruppe Gemeinschaftsdiagnose hat untersucht, wie treffsicher die ökonomischen Vorhersagen der Bundesregierung in den vergangenen vier Jahren waren. Demnach schätzte der Bund die Entwicklung des Bruttoinlandsprodukts im Durchschnitt zu optimistisch ein, die der Staatseinnahmen zu vorsichtig. Allerdings haben die Prognosen laut Gutachten keine systematische Schwäche. Der Hauptgrund für Fehler liegt in der Corona-Pandemie.
Oliver Holtemöller
Lesen
Why are some Chinese Firms Failing in the US Capital Markets? A Machine Learning Approach
Gonul Colak, Mengchuan Fu, Iftekhar Hasan
Pacific-Basin Finance Journal,
June
2020
Abstract
We study the market performance of Chinese companies listed in the U.S. stock exchanges using machine learning methods. Predicting the market performance of U.S. listed Chinese firms is a challenging task due to the scarcity of data and the large set of unknown predictors involved in the process. We examine the market performance from three different angles: the underpricing (or short-term market phenomena), the post-issuance stock underperformance (or long-term market phenomena), and the regulatory delistings (IPO failure risk). Using machine learning techniques that can better handle various data problems, we improve on the predictive power of traditional estimations, such as OLS and logit. Our predictive model highlights some novel findings: failed Chinese companies have chosen unreliable U.S. intermediaries when going public, and they tend to suffer from more severe owners-related agency problems.
Artikel Lesen
