"IAB-Kompetenz-Kompass" Bereitstellung von Stellentext-Daten als strukturierter Datensatz

Stops, Michael et al. Research Report "IAB-Kompetenz-Kompass" Bereitstellung von StellentextDaten als strukturierter Datensatz IAB-Forschungsbericht, No. 1/2025 Provided in Cooperation with: Institute for Employment Research (IAB) Suggested Citation: Stops, Michael et al. (2025) : "IAB-Kompetenz-Kompass" Bereitstellung von Stellentext-Daten als strukturierter Datensatz, IAB-Forschungsbericht, No. 1/2025, Institut für Arbeitsmarktund Berufsforschung (IAB), Nürnberg, https://doi.org/10.48720/IAB.FB.2501 This Version is available at: https://hdl.handle.net/10419/313030 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by-sa/4.0/deed.de IAB-FORSCHUNGSBERICHT Aktuelle Ergebnisse aus der Projektarbeit des Instituts für Arbeitsmarktund Berufsforschung 1|2025 "IAB-Kompetenz-Kompass“ Bereitstellung von Stellentext-Daten als strukturierter Datensatz Michael Stops, Asma Ahmed EzElDin, Marie-Christine Heckel, Pascal Heß, Hauke Klevinghaus, Verena Malfertheiner, Lina-Jeanette Metzger, Lennert Peede ISSN 2195-2655 "IAB-Kompetenz-Kompass“ Bereitstellung von Stellentext-Daten als strukturierter Datensatz Michael Stops (IAB) Pascal Heß (IAB) Lennert Peede (IAB) Asma Ahmed EzElDin (IAB) Marie-Christine Heckel (IAB) Verena Malfertheiner (IAB) Lina-Jeanette Metzger (IAB) Hauke Klevinghaus (IAB) Unter Mitwirkung von Kathrin Ungerer (IAB) und Pauline Raabe (IAB) In der Reihe IAB-Forschungsberichte werden empirische Analysen und Projektberichte größeren Umfangs, vielfach mit stark datenund methodenbezogenen Inhalten, publiziert. The IAB Research Reports (IAB-Forschungsberichte) series publishes larger-scale empirical analyses and project reports, often with heavily dataand method-related content. IAB-Forschungsbericht 1|2025 3 In aller Kürze •Dieser Forschungsbericht beschreibt die Ergebnisse eines zweijährigen Projektes, in dem Methoden zur Gewinnung von strukturierten Informationen aus Stellenanzeigen weiterentwickelt und neu erarbeitet wurden. •Das Projekt wurde ermöglicht durch das Bundesministerium für Arbeit und Soziales im Rahmen der Datenlabor-Initiative der Bundesregierung mit Mitteln des Programms „NextGenerationEU“ der Europäischen Union. •Es wurde eine Datenbasis mit monatsgenauen Informationen für alle Berufe erarbeitet. Dabei wurden Methoden zur Extraktion von und Auswertungsergebnisse zur Nachfrage nach fachlichen Kompetenzen, Sprachkenntnisse, Kompetenzen für Künstliche Intelligenz, Kompetenzen für nachhaltige Wasserstofftechnologien sowie das Angebot an Home-Office beschrieben. •Daneben wurde untersucht, inwiefern inhaltliche Analysen repräsentativ für den deutschen Arbeitsmarkt sind. Der Vergleich mit den Daten der IAB-Stellenerhebung zeigt, dass die Verteilung der Stellen über Anforderungsniveaus, Regionen oder Wirtschaftszweige hinweg hinreichend gut übereinstimmen. •Um Stellenanzeigen der Arbeitnehmerüberlassung zuverlässig zu erkennen, wurde ein Machine-Learning basiertes Klassifikationsverfahren entwickelt, das die Informationen aus der Unternehmensbeschreibung in den Stellentexten nutzt. •Schließlich haben wir eine Reihe von Verbesserungen für das Auswertungsverfahren vorgenommen, die zu einer schnelleren und genaueren Aufbereitung der Stellentextdaten beitragen. IAB-Forschungsbericht 1|2025 4 Inhalt In aller Kürze ............................................................................................................................ 3 Inhalt ........................................................................................................................................ 4 Zusammenfassung ................................................................................................................... 8 Summary .................................................................................................................................. 8 Danksagung .............................................................................................................................. 9 1 Nicht-technisches Management Summary ........................................................................ 10 1.1 Einleitung .................................................................................................................................. 10 1.2 Datenbasis, Datenprüfung und Datenaufbereitung ................................................................ 11 1.3 Aus den Stellentexten extrahierte Informationen ................................................................... 12 1.3.1 Nachfrage nach fachlichen Kompetenzen ............................................................. 12 1.3.2 Nachfrage nach Sprachkenntnissen ....................................................................... 13 1.3.3 Nachfrage nach Kompetenzen im Zusammenhang mit Künstlicher Intelligenz .. 13 1.3.4 Nachfrage nach Kompetenzen im Zusammenhang mit nachhaltigen Wasserstofftechnologien ........................................................................................ 14 1.3.5 Angebot an Home-Office ......................................................................................... 14 1.4 Ausblick ..................................................................................................................................... 14 2 Einleitung ......................................................................................................................... 15 2.1 Potenzieller Nutzen von Stellendatenanalysen ...................................................................... 15 2.2 Vorstudie „Machbarkeitsstudie Kompetenz-Kompass“ ......................................................... 15 2.3 Erhöhung der inhaltlichen Reichweite .................................................................................... 16 2.4 Weiterentwicklung der Datenaufbereitung ............................................................................. 17 2.5 Hochfrequente Messungen in turbulenten Zeiten .................................................................. 18 2.5.1 Überblick ................................................................................................................. 18 2.5.2 Covid-19-Pandemie ................................................................................................. 18 2.5.3 Russischer Angriffskrieg .......................................................................................... 19 2.5.4 Konjunkturund Rezessionsphasen von 2019 bis 2023 ......................................... 20 2.5.5 Zusammenfassung der verschiedenen Einflüsse ................................................... 21 2.6 Weitere Struktur des Forschungsberichtes ............................................................................. 21 3 Die Daten der BA-JOBBÖRSE bzw. der BA-Jobsuche ......................................................... 21 3.1 Überblick................................................................................................................................... 21 3.2 Zeitreihenaufbereitung ............................................................................................................ 22 3.2.1 Überblick ................................................................................................................. 22 3.2.2 Metadaten................................................................................................................ 23 3.2.3 Text-Daten ............................................................................................................... 25 IAB-Forschungsbericht 1|2025 5 3.3 Segmentierung und Pre-Processing ........................................................................................ 26 3.4 Identifikation von Stellen der Arbeitnehmerüberlassung anhand des Stellentextes ........... 27 3.4.1 Problembeschreibung und Lösungsvorschlag....................................................... 27 3.4.2 Beschreibung des klassifizierten Datensatzes ....................................................... 28 3.5 Repräsentativität der BA-Stellenbörsedaten .......................................................................... 30 3.5.1 Einführung ............................................................................................................... 30 3.5.2 Datenquellen und Abgrenzungen ........................................................................... 31 3.5.3 Vergleichende Analysen der Repräsentativität für alle Stellen ............................. 33 3.5.4 Vergleichende Analysen der Repräsentativität für Stellen mit Vermittlungsauftrag ................................................................................................ 39 3.5.5 Metrischer Vergleich unterschiedlicher Datenabgrenzungen der BAStellenbörsedaten im Hinblick auf die Repräsentativität ..................................... 46 3.5.6 Fazit ......................................................................................................................... 48 4 Deskriptive Analysen des erzeugten Stellendatensatzes ................................................... 48 5 Stellentextbasierte Auswertungen.................................................................................... 55 5.1 Überblick................................................................................................................................... 55 5.2 Fachliche Kompetenzen ........................................................................................................... 57 5.2.1 Vorbemerkung ......................................................................................................... 57 5.2.2 Wörterbuch für fachliche Kompetenzen ................................................................ 57 5.2.3 Nachfrage nach fachlichen Kompetenzen ............................................................. 61 5.2.4 Zum Wandel der einzelnen fachlichen Kompetenzanforderungen ...................... 69 5.2.5 Zum Wandel der fachlichen Kompetenzanforderungen auf Berufsebene ........... 72 5.2.6 Fazit und Ausblick ................................................................................................... 74 5.3 Sprachkenntnisse ..................................................................................................................... 75 5.3.1 Einführung ............................................................................................................... 75 5.3.2 Wörterbuch für Sprachkenntnisse .......................................................................... 77 5.3.3 Nachfrage nach Sprachkenntnissen ....................................................................... 77 5.3.4 Fazit und Ausblick ................................................................................................... 95 5.4 Kompetenzen im Zusammenhang mit Technologien der Künstlichen Intelligenz (KIKompetenzen) .......................................................................................................................... 96 5.4.1 Einführung ............................................................................................................... 96 5.4.2 KI-Wörterbuch ......................................................................................................... 96 5.4.3 Nachfrage nach KI-Kompetenzen ........................................................................... 99 5.4.4 Fazit und Ausblick ................................................................................................. 115 5.5 Kompetenzen im Zusammenhang mit nachhaltigen Wasserstofftechnologien ................. 116 5.5.1 Einführung ............................................................................................................. 116 5.5.2 Methode ................................................................................................................. 118 5.5.3 Nachfrage nach Wasserstofftechnologie-Kompetenzen ..................................... 122 5.5.4 Fazit und Ausblick ................................................................................................. 128 5.6 Home-Office ............................................................................................................................ 129 5.6.1 Einführung ............................................................................................................. 129 IAB-Forschungsbericht 1|2025 6 5.6.2 Wörterbuch für das Angebot an Home-Office ...................................................... 129 5.6.3 Das Angebot an Home-Office ................................................................................ 130 5.6.4 Fazit und Ausblick ................................................................................................. 136 6 Fazit ............................................................................................................................... 137 7 Ausblick .......................................................................................................................... 139 Literatur ............................................................................................................................... 140 Anhang ................................................................................................................................. 145 8 Definition der Anforderungsniveaus ............................................................................... 145 9 Konjunkturelle Entwicklung von 2019 bis 2023 ............................................................... 146 10 Analyse der Berufsbezeichnungen .................................................................................. 146 11 Segmentierung ............................................................................................................... 147 12 Pre-Processing von Stellentexten und Wörterbüchern .................................................... 148 12.1 Bisheriges Vorgehen ............................................................................................................... 148 12.2 Auflösen von Aufzählungen.................................................................................................... 149 12.3 Weiterentwicklung des Stemming-Verfahrens ...................................................................... 151 12.3.1 Vergleiche des alten und neuen Stemming-Verfahrens anhand des Wörterbuchs der fachlichen Kompetenzen .......................................................... 154 12.3.2 Möglicher Weiterentwicklungsbedarf des Pre-Processing-Verfahrens ............... 154 12.3.3 Evaluation der Änderung ...................................................................................... 155 13 Metriken zur Bewertung von Machine-Learning-Modellen .............................................. 157 14 Machine Learning-Verfahren zur binären Klassifizierung von Stellentexten .................... 157 15 Details zur Identifikation von Stellen der Arbeitnehmerüberlassung .............................. 160 15.1 Überblick................................................................................................................................. 160 15.2 Binäre Klassifizierung in „Arbeitnehmerüberlassung“ und „NichtArbeitnehmerüberlassung“.................................................................................................... 161 15.2.1 Textverarbeitungsablauf für die Klassifizierung der Stellentexte ....................... 161 15.2.2 Konfiguration des Modells .................................................................................... 161 15.2.3 Bestimmung des optimalen Schwellenwerts ...................................................... 165 15.2.4 Qualität der finalen Klassifizierung ...................................................................... 166 15.2.5 Arbeitnehmerüberlassung und Stellen mit und ohne Vermittlungsauftrag ....... 168 16 Definition der Berufssegmente ....................................................................................... 170 17 Weitere deskriptive Tabellen für alle Stellen einschließlich Arbeitnehmerüberlassung .. 171 18 Das Verfahren der konsensuellen Validierung ................................................................. 175 19 Die neuen fachlichen Kompetenzen ................................................................................ 178 IAB-Forschungsbericht 1|2025 7 20 Berechnung des Kompetenzwandel-Indikators .............................................................. 221 21 Details zu den Auswertungen zu Sprachen ...................................................................... 222 21.1 Begriffe im Wörterbuch für die Sprachkenntnisse ................................................................ 222 21.2 Weitere Tabellen ..................................................................................................................... 225 21.3 Zur Nachfrage von Fremdsprachenkenntnissen nach Berufssegmenten ............................ 226 22 Details zu den Auswertungen der KI-Kompetenzen ......................................................... 231 22.1 Begriffe im KI-Wörterbuch ..................................................................................................... 231 22.2 Ergänzende Auswertungen zur Nachfrage nach KI-Kompetenzen ....................................... 235 23 Details zur Klassifizierung von Stellen der Wasserstofftechnologie ................................. 243 23.1 Qualitätsprüfung auf Basis eines manuell gelabelten Datensatzes ..................................... 243 23.2 Binäre Klassifizierung in „mit Bezug“ oder „ohne Bezug“ zu Wasserstofftechnologie ....... 246 23.2.1 Konfiguration des Modells .................................................................................... 246 23.2.2 Zweistufiges Trainingsverfahren .......................................................................... 248 23.2.3 Stärken und Schwächen des Machine Learning-Ansatzes .................................. 251 24 Das Wörterbuch für „Home-Office“ ................................................................................. 253 Abbildungsverzeichnis .......................................................................................................... 254 Tabellenverzeichnis .............................................................................................................. 257 IAB-Forschungsbericht 1|2025 8 Zusammenfassung Dieser Forschungsbericht beschreibt die Ergebnisse eines zweijährigen Projektes, in dem Methoden zur Gewinnung von strukturierten Informationen aus Stellenanzeigen weiterentwickelt und neu erarbeitet wurden. Das Projekt wurde durch das Bundesministerium für Arbeit und Soziales (BMAS) im Rahmen der Datenlabor-Initiative der Bundesregierung mit Mitteln des Programms „NextGenerationEU“ der Europäischen Union ermöglicht und baut auf der „Machbarkeitsstudie Kompetenz-Kompass“ auf (Stops et al., 2020). Im Rahmen dieses Projekts wurde ein Datensatz erstellt, der auf allen zwischen April 2019 und Dezember 2023 zugegangenen Stellenanzeigen bei der Bundesagentur für Arbeit (BA) basiert, die auf der Stellenwebseite der BA veröffentlicht oder für die ein Vermittlungsauftrag für die BA bestand. Aus Vergleichen mit der IAB-Stellenerhebung geht hervor, dass der Datensatz Analysen zu vielen Fragestellungen erlaubt, die repräsentativ für den deutschen Arbeitsmarkt sind. Wir beschreiben die Entwicklung der Nachfrage nach fachlichen Kompetenzen; Sprachkenntnissen; Kompetenzen, die mit Technologien der Künstlichen Intelligenz sowie Wasserstofftechnologie im Zusammenhang stehen. Außerdem untersuchen wir das Angebot an Home-Office. Der Bericht schließt mit einem Ausblick auf die mögliche inhaltliche und methodische Weiterentwicklung der Forschung mit Stellendaten. Summary This research report presents the findings of a two-year project dedicated to the development and refinement of methods for extracting structured information from job advertisements. The project was funded by the Federal Ministry of Labour and Social Affairs (BMAS) as part of the German government’s Data Lab initiative, using resources from the European Union’s “NextGenerationEU” program. It builds upon the “Feasibility Study Competence Compass” (Stops et al., 2020). As part of this project, the project team created a dataset based on the universe job advertisements received by the Federal Employment Agency (BA) between April 2019 and December 2023, either published on the BA’s job portal or associated with a placement mandate for the BA. Comparisons with the IAB Job Vacancy Survey indicate that this dataset enables analyses representative of the German labor market for many research questions. We describe trends in the demand for professional competencies, language skills, and skills related to artificial intelligence technologies and hydrogen technology. Additionally, we examine the availability of home-office opportunities. The report concludes with an outlook on potential future directions for both substantive and methodological advancements in research using job advertisement data. IAB-Forschungsbericht 1|2025 15 Aus inhaltlicher Perspektive bieten die präsentierten Analysen eine Basis für weitere vertiefende Forschung, die auch durch die Verknüpfung der BA-Stellenbörsedaten mit weiteren administrativen Daten der Bundesagentur für Arbeit möglich werden. Generell wäre es wünschenswert, wenn ein Ansatz gefunden wird, wie der von uns aufbereitete Datensatz sowohl der scientific community, der Fachöffentlichkeit, als auch zum Nutzen der Allgemeinheit zur Verfügung gestellt werden könnte. 2 Einleitung 2.1 Potenzieller Nutzen von Stellendatenanalysen Kenntnisse über aktuelle Kompetenzanforderungen und deren Veränderungen bieten wichtige Grundlagen für alle Arbeitsmarktakteure. Für Akteure der öffentlichen Hand tragen sie zu einer validen und aktuellen Beobachtung der Nachfrageseite des Arbeitsmarktes bei und erhöhen die Transparenz am Arbeitsmarkt durch die Präsentation der Ergebnisse in entsprechenden Berichtssystemen. Unter anderem können solche Ergebnisse auch zum besseren Einsatz und zur besseren Ausrichtung von (regionalen) Weiterbildungsprogrammen beitragen. Beschäftigte und Arbeitsuchende können sich an den Erkenntnissen über aktuelle Kompetenzanforderungen für die Planung ihrer eigenen Karriereund Weiterbildungswege orientieren. Daneben ergibt sich ein enormes Forschungspotenzial. Insbesondere eine Verknüpfung mit weiteren Datenquellen über die erhobenen Strukturmerkmale (z. B. Region, Beruf, Wirtschaftszweig, Betrieb etc.) bietet die Möglichkeit, vielfältige ökonomische und sozialwissenschaftliche Fragestellungen zu bearbeiten, bspw.: • Wie entwickelt sich die Nachfrage nach Fertigkeiten und Fähigkeiten in Stellenanzeigen? Gibt es regionale Unterschiede? • Was sind die Ursachen für diese Entwicklungen (z. B. Maßnahmen der Politik)? • Wie hängt die Nachfrage nach bestimmten Kompetenzen oder das Angebot bestimmter Arbeitsbedingungen mit betrieblichen Eigenschaften zusammen und lassen sich Effekte auf individuelle Erwerbsbiographien erkennen? Aufgrund ähnlicher Überlegungen wurde bereits eine Vorstudie „Machbarkeitsstudie KompetenzKompass“ in den Jahren 2019 und 2020 durchgeführt (Stops et al., 2020). 2.2 Vorstudie „Machbarkeitsstudie Kompetenz-Kompass“ Mit Unterstützung des BMAS hat das IAB vom 1. Juni 2019 bis 30. Mai 2020 das Projekt „Machbarkeitsstudie: Kompetenz-Kompass“ durchgeführt. Im Teilprojekt 2 wurde der Frage nachgegangen, wie Kenntnisse darüber generiert werden können, welche Kompetenzen von Arbeitgebern gegenwärtig bei der Besetzung neuer Stellen gefordert werden. Im Rahmen des Projektes wurde ein Verfahren zur Identifikation und strukturierten Auswertung aktueller fachlicher und überfachlicher Kompetenzanforderungen aus veröffentlichten Stellenangeboten der JOBBÖRSE der Bundesagentur für Arbeit entwickelt. IAB-Forschungsbericht 1|2025 16 Das Verfahren kombiniert eine Lösung zur Erschließung und Speicherung der sehr großen, unstrukturierten Stellentextdaten mit einer Infrastruktur zur Aufbereitung und Analyse der Daten. Die Datenaufbereitung selbst erfolgt auf einer eigens erstellten Datenaufbereitungspipeline und wird an bestimmten Stellen um manuelle Validierungstätigkeiten ergänzt. Dabei werden zur Vorstrukturierung und Standardisierung der Stellentexte Textmining-Verfahren verwendet. Zur Identifikation der Jobbeschreibung als den für die Extraktion von Kompetenzanforderungen relevanten Teil der Stellentexte wird ein auf Machine-Learning basierendes Klassifikationsverfahren eingesetzt. Zum Verfahren gehört auch ein Vorgehensvorschlag, der darauf abzielt, die eingesetzten Referenzwörterbücher für die Kompetenzen mit weiteren Suchwörtern zu versehen und insbesondere im Falle der fachlichen Kompetenzen auch um weitere Kompetenzen zu erweitern. Dabei erzeugt ein auf ein neuronales Netz basierendes Word Embedding Verfahren mit Hilfe der Stellentextdaten die Erweiterungsvorschläge, die dann im Rahmen einer konsensuellen Validierung von Fachexpert*innen überprüft werden. Die Studie fokussierte auf drei Berufsgruppen mit Einzelberufen, die die Hauptbetätigungsfelder der Branchen des Maschinenbaus, der Informationsdienstleistungen und des Gesundheitsund Sozialwesens abdecken. Anhand ausgewählter Analysen wird gezeigt, dass es mit dem neu entwickelten Datenaufbereitungsverfahren potenziell möglich ist, die Entwicklung von Kompetenzanforderungen in Stellenanzeigen mit hoher Aktualität und mit hoher Validität entlang von Berufen, Anforderungsniveaus und Regionen nachzuzeichnen. Der Projektbericht ist im November 2020 erschienen (Stops et al., 2020). Wir haben nun dank einer zweijährigen Projektunterstützung durch die Datenlabor-Initiative der Bundesregierung und des BMAS sowie finanziert mit Mitteln der Europäischen Union im Rahmen des Programmes „NextGenerationEU“ die Datenaufbereitungsverfahren weiterentwickelt. Die Ergebnisse werden in diesem Forschungsbericht beschrieben. 2.3 Erhöhung der inhaltlichen Reichweite Im Vergleich zur Vorstudie ist die augenscheinlichste Veränderung die Ausweitung zu einer längeren, hochfrequenten Datenbasis und die Erweiterung der Analysen auf alle Berufe. Diese Ausweitung ist eine notwendige Voraussetzung, um die Daten in Zukunft für die Forschung und Praxis bereitstellen zu können. Zunächst haben wir die Auswertungen der fachlichen Kompetenzen wie in der Vorstudie für alle Berufshauptgruppen repliziert und beispielsweise um Auswertungen zur Entwicklung der Kompetenznachfrage über die Zeit ergänzt. Basis dieser Auswertungen ist das in der Vorstudie entwickelte Wörterbuch der fachlichen Kompetenzen. Generell ist die Idee hinter den wörterbuchbezogenen Auswertungen, die verzeichneten Kompetenzanforderungen mithilfe der dazu verzeichneten Suchwörter und Suchwortgruppen in den Stellentexten zu finden. Für unsere finalen Auswertungen haben wir dieses Wörterbuch um weitere, relevante und noch nicht verzeichnete Kompetenzanforderungen sowie zusätzliche Suchwörter erweitert. Um die inhaltliche Reichweite der Analysen, neben der Erweiterung auf alle Berufe, zu erhöhen, wurden vier neue Wörterbücher angelegt. Für jedes dieser Wörterbücher haben wir entsprechende Suchwortkataloge manuell aufbereitet, um die Stellentexte inhaltlich getrennt nach spezifischen Inhalten zu durchsuchen. Für die Auswertungen in diesem Forschungsbericht IAB-Forschungsbericht 1|2025 17 wurden jeweils die Datenauswahl – hier insbesondere der zu durchsuchende Teil in den Stellenanzeigen – sowie die Schritte zur Datenaufbereitung des Textmaterials (das sog. Preprocessing) individuell festgelegt. Das erste neu angelegte Wörterbuch beinhaltet sprachliche Kompetenzen. Die Nennung bestimmter Sprachkenntnisse wird nicht zuletzt durch die Binnenmigration in der Europäischen Union ein immer wichtigerer Bestandteil von Stellenangeboten. Unsere Analysen zeigen jedoch nicht nur die Nachfrage nach bestimmten Fremdsprachenkenntnissen, sondern auch explizit nach Deutschkenntnissen. Die Analysen können dazu beitragen, Sprachkenntnisse gezielter zu fördern und mögliche Fachkräfteengpässe aufgrund fehlender sprachlicher Kompetenzen frühzeitig zu entdecken. Das zweite Wörterbuch beinhaltet Kompetenzen, die auf die Entwicklung, die Einführung oder die Anwendung von Technologien der künstlichen Intelligenz (KI) hinweisen. Die mediale Aufmerksamkeit für KI ist insbesondere mit dem Auftreten sog. Large-Language-Modelle (LLM) wie z. B. ChatGPT oder Aleph Alpha stark gestiegen und richtet sich insbesondere auf Fragen der tatsächlichen Anwendungsbereiche. Damit verbunden sind Befürchtungen, dass KI menschliche Arbeitskraft ersetzen könnte, aber auch gleichzeitig Hoffnungen, dass der Einsatz von KI bestehende Fachkräfteengpässe verringert. Unsere Analysen über die Nachfrage nach solchen Kompetenzen können zu einer rationaleren öffentlichen Debatte zum Umgang mit künstlicher Intelligenz am Arbeitsmarkt beitragen. Das dritte Wörterbuch beinhaltet Kompetenzen zur Verwendung von nachhaltigen Wasserstofftechnologien. Wasserstofftechnologien werden aufgrund ihrer Vielseitigkeit und ihrem potenziellen Beitrag zur Klimaneutralität durch die öffentliche Hand gefördert. Doch inwiefern sich diese Investitionen auf die Arbeitsnachfrage und die Nachfrage nach spezifischen Kompetenzen auswirken, ist bislang kaum erforscht. Die vorliegenden Daten und Analysen sollen die Entwicklung der Nachfrage nach Kompetenzen mit Bezug zu nachhaltigen Wasserstofftechnologien nachzeichnen. Das vierte und damit letzte neu angelegte Wörterbuch zielt auf das Angebot an Home-Office in Stellenanzeigen. Die Home-Office Angebote der Betriebe können als nicht-monetärer Vergütungsbestandteil angesehen werden. Daten und Analysen auf beruflicher sowie betrieblicher Ebene können ein vollständiges Bild der Möglichkeiten zum Home-Office in Deutschland zeichnen. 2.4 Weiterentwicklung der Datenaufbereitung Im Vergleich zur Machbarkeitsstudie von Stops et al. (2020), für die lediglich zwei ZweiMonatszeiträume genutzt werden konnten, umfasst unser Beobachtungszeitraum zum Zeitpunkt der Berichtslegung insgesamt 57 Monate. Dies machte eine Optimierung des Datenaufbereitungsverfahrens hinsichtlich der Laufzeiten notwendig. Auch das Verfahren der Ziehung der Daten haben wir an die nun verfügbaren Daten angepasst. Eine weitere wichtige Weiterentwicklung betrifft die verfeinerte Auswahl des relevanten und bei der Veröffentlichung der jeweiligen Stellenanzeige gültigen Stellentextes. Beim Pre-Processing, also des Aufbereitens der Texte in den Stellenanzeigen sowie der Begriffe in den Wörterbüchern, schlagen wir unter anderem ein Verfahren zur Auflösung von Aufzählungen vor. Daneben haben IAB-Forschungsbericht 1|2025 18 wir das Verfahren der Segmentation optimiert. Das Verfahren markiert Teile des Stellentextes entweder als „Jobbeschreibung“ oder „Sonstiges“. Durch die Optimierung, die im Pre-Processing stattfindet und die das bessere Erkennen von Satzstrukturen betrifft, können diese beiden Stellenteile besser identifiziert werden. Die nähere Untersuchung der Daten ergab, dass das Merkmal, das Stellenanzeigen der Arbeitnehmerüberlassung kennzeichnen soll, nicht für alle Stellen valide auswertbar ist. In vielen Kontexten der Forschung zur Arbeitsnachfrage ist es wichtig, zwischen Stellenanzeigen, die direkt zur Besetzung betrieblicher Positionen ausgeschrieben werden, und Stellenanzeigen, die der Gewinnung von Arbeitskräften für die Arbeitnehmerüberlassung dienen, zu unterscheiden. Wir wenden daher ein Machine-Learning basiertes Klassifikationsverfahren an, das, basierend auf der Unternehmensbeschreibung, eine Identifikation von Stellenanzeigen der Arbeitnehmerüberlassung ermöglicht. Schließlich haben wir verschiedene Abgrenzungen der aufbereiteten BA-Stellenbörsedaten hinsichtlich ihrer Repräsentativität für den deutschen Arbeitsmarkt näher untersucht. 2.5 Hochfrequente Messungen in turbulenten Zeiten 2.5.1 Überblick Die hochfrequenten Daten der BA-JOBBÖRSE bzw. der BA-Jobsuche ermöglichen es uns potenziell, die Stellendaten in ihrer Entwicklung tagesgenau vom Anfang des zweiten Quartals 2019 bis zum Ende des vierten Quartals 2023 zu betrachten. In unseren Analysen zeigen wir monatsgenaue oder über die Zeit höher aggregierte Auswertungen. Ein Beobachtungszeitraum von mehr als vier Jahren, wie er uns vorliegt, bietet die Möglichkeit makroökonomische Tendenzen und Entwicklungen nachzuzeichnen. Im untersuchten Beobachtungszeitraum waren gleich mehrere Ereignisse zu verzeichnen, die sich wirtschaftlich und gesellschaftlich besonders stark auswirkten. Die hinsichtlich ihrer Schockwirkung bemessenen größten Ereignisse waren die Covid-19Pandemie und der russische Angriffskrieg auf die Ukraine. In beiden Fällen wurde nicht nur die konjunkturelle Entwicklung massiv beeinträchtigt, sondern auch die Arbeitsnachfrage. Die konjunkturelle Lage betrachten wir gesondert, da sich wirtschaftliche Aufund Abschwünge auch auf den Umfang und die Struktur von Arbeitsangebot und Arbeitsnachfrage auswirken. Somit ergeben sich sowohl direkte als auch indirekte Effekte auf die Stellendaten. Dabei können wir in diesem Forschungsbericht lediglich erste Indizien für solche Effekte aufzeigen. Tiefergehende Analysen bleiben der künftigen Forschung vorbehalten. 2.5.2 Covid-19-Pandemie3 Das erste Mal wurde das Corona-Virus bei einem Menschen in Deutschland am 27. Januar 2020 festgestellt. Die rasche und unkontrollierte Ausbreitung bewog den deutschen Bundestag dazu am 25. März 2020 die „epidemische Lage von nationaler Tragweite“ festzustellen, die dann ununterbrochen bis zum 25. November 2021 galt. In diesem Rahmen wurden insgesamt vier gesetzliche Maßnahmenpakete beschlossen, um die Bevölkerung vor der weiteren Ausbreitung 3 Die Informationen zum Verlauf der Pandemie und der damit verbundenen die wirtschaftlichen Aktivitäten einschränkenden Maßnahmen sind Bundesministerium für Gesundheit (2024) entnommen. IAB-Forschungsbericht 1|2025 19 des Virus und seinen Folgen zu schützen. Am 7. April 2023 wurde die letzte im Zusammenhang mit der Covid-19-Pandemie einschränkende Maßnahme beendet. Insbesondere die sog. Lockdowns, also weitgehende Einschränkungen für das öffentliche Leben, wirkten sich auf die wirtschaftlichen Aktivitäten und die Arbeitsnachfrage aus. Von Mitte März bis Anfang Mai 2020 wurde der erste Lockdown verhängt. Ab November 2020 wurden erneut Kontaktbeschränkungen bzw. ab Mitte Dezember 2020 erhebliche Einschränkungen eingeführt und erst ab März 2021 regional spezifisch und schrittweise gelockert. Die regionale Härte der Kontaktbeschränkungen ergab sich aus der Zahl der neu-infizierten Personen relativ zur Gesamtbevölkerung, der sog. Inzidenz. Es folgte die dritte und letzte Lockdown-Phase zwischen Ende April 2021 und Ende Juni 2021. Auch hier war die Inzidenz maßgebend für die Härte der Maßnahmen. Durch die danach flächendeckend verfügbaren Impfungen und den Rückgang der Belastung der Krankenhäuser wurde von weiteren Lockdowns abgesehen. In diesem Bericht wollen wir insbesondere die Dynamik der Kompetenznachfrage als Reaktion auf die bundesweit geregelten Lockdowns betrachten. Möchte man die Auswirkungen der Pandemie nun auf die Stellendaten betrachten, ist es naheliegend zu erwarten, dass die Arbeitsnachfrage in verschiedenen Branchen asymmetrisch beeinflusst wurde. Beispielsweise würden wir für systemrelevante Sektoren keinen Einbruch der Arbeitsnachfrage erwarten. Für die nicht-systemrelevanten Branchen, z. B. der Gastronomie, dürften die durch die Pandemie verhängten Kontaktbeschränkungen deutlich negative Auswirkungen auf die Arbeitsnachfrage gehabt haben.4 2.5.3 Russischer Angriffskrieg Der russische Angriffskrieg auf die Ukraine begann am 24. Februar 2022 (Bundeszentrale für politische Bildung, 2024) und setzte sich weiter über das Jahr 2023 hinaus fort und damit auch über das Ende unseres Beobachtungszeitraumes. Durch den Beginn dieses Kriegs wurde die deutsche Wirtschaft in mehreren Teilen einer drastischen Veränderung ausgesetzt. Zunächst ergeben sich Lieferengpässe, die in Form von knappen Rohstoffen zu einem Rückgang der wirtschaftlichen Aktivitäten führen.5 Des Weiteren haben die politischen Reaktionen auf den Angriffskrieg dazu geführt, dass Russland als wichtigster Energielieferant und Handelspartner für in Deutschland ansässige Unternehmen weitestgehend wegfällt. Neben weiteren Entwicklungen, haben diese beiden Veränderungen signifikant dazu beigetragen, dass die Inflation in Deutschland teilweise mehr als 8 Prozent betrug. Sowohl die Lieferengpässe, als auch der Wegfall Russlands als Handelspartner können sich negativ auf die gesamtwirtschaftliche Arbeitsnachfrage auswirken. Auch regionale Unterschiede können durch die heterogene wirtschaftliche Verschränkung mit Russland auftreten. Auf der anderen Seite können die durch den Krieg ausgelösten Neuinvestitionen in Kriegsgeräte in bestimmten Regionen und Branchen zu einem Zuwachs in der Arbeitsnachfrage geführt haben. 4 Für eine Übersicht über die Auswirkungen der Covid-19-Pandemie auf den deutschen Arbeitsmarkt und die arbeitsmarktpolitische Rekation siehe auch Herzog-Stein et al. (2022). 5 Hierfür können viele Beispiele benannt werden. So berichtete das Handelsblatt bereits im Mai 2022 über die Kriegsbedingten Schwierigkeiten der Unternehmen, ausreichend Stahlprodukte, Lebensmittelrohstoffe sowie Holz und Verpackungen zu importieren (Schlautmann 2022). IAB-Forschungsbericht 1|2025 20 2.5.4 Konjunkturund Rezessionsphasen von 2019 bis 2023 Innerhalb unseres Beobachtungszeitraums können wir zwei konjunkturelle Aufschwungbzw. Erholungsphasen vom zweiten Quartal 2019 bis zum vierten Quartal 2019 und vom zweiten Quartal 2021 bis zum ersten Quartal 2023 sowie zwei Abschwungphasen vom ersten Quartal 2020 bis ersten Quartal 2021 und vom zweiten Quartal 2023 bis zum vierten Quartal 2023 beobachten. Abbildung 1 zeigt zunächst für 2019 einen preisbereinigten Index des Bruttoinlandsproduktes von über 105 und in allen Quartalen ein positives BIP-Wachstum gegenüber den jeweiligen Vorjahresquartalen. Das bedeutet, dass das BIP relativ zum Ausgangsjahr 2015 um etwa 5 Prozent gewachsen ist. Bereits im ersten Quartal 2020 zeigt sich ein negatives BIP-Wachstum, was durch die flankierenden Maßnahmen der Corona-Pandemie im zweiten Quartal 2020 weniger als -10 Prozent beträgt. Auch wenn kein stark negatives Wachstum nach dem zweiten Quartal ersichtlich wird, bleibt die Wirtschaft in Deutschland bis einschließlich erstem Quartal 2021 in der ersten Abschwungphase. Erst mit dem zweiten Quartal 2021 steigt die Wirtschaftsleistung in Deutschland relativ zum Vorjahresquartal wieder an. Das darauffolgende Wirtschaftswachstum ist stabil und liegt im Bereich von 2 bis 4 Prozent gegenüber dem jeweiligen Vorjahresquartal. Ab dem zweiten Quartal 2023 zeigt sich dann die zweite Abschwungphase. Abbildung 1: Preisbereinigtes Bruttoinlandsprodukt (Index und Wachstumsraten zum Vorjahresquartal) Anmerkung: Die Abbildung zeigt den Verlauf des preisbereinigten Index des Bruttoinlandsproduktes relativ zum Basisjahr 2015 (Indexwerte (2015=100)) und die jährlichen Wachstumsraten dieses Index (Veränderung gegenüber dem Vorjahresquartal). Die grauen Flächen zeigen die beiden Zeiträume mit negativem BIP-Wachstum (erstes Quartal 2020 bis erstes Quartal 2021 und zweites Quartal 2023 bis viertes Quartal 2023). Für die exakten Werte siehe auch Tabelle 30 im Anhang 9. Quelle: DESTATIS (2024). Eigene Berechnungen. IAB-Forschungsbericht 1|2025 21 2.5.5 Zusammenfassung der verschiedenen Einflüsse Wie bereits erwähnt, wirken sich die beschriebenen Lockdown-Phasen, die im Zuge der Covid-19Pandemie verhängt wurden, und auch der Russische Angriffskrieg sowohl direkt als auch indirekt auf die Arbeitsnachfrage aus. Die direkte Wirkung sollte sich beispielsweise bei einer Betrachtung von relevanten Branchen oder Angeboten bemerkbar machen, während die allgemeine Entwicklung der Konjunktur sich auf das gesamtwirtschaftliche Stellenangebot auswirken sollte. Insgesamt müssen die verschiedenen Einflüsse gemeinsam betrachtet werden, um ein vollständiges Bild der Arbeitsnachfrage und den nachgefragten Kompetenzen zu erhalten. Es ist zu erwarten, dass sich die verschiedenen Ereignisse gegenseitig beeinflussen und sowohl positiv als auch negativ miteinander interagieren können. Die Ereignisse müssen demnach mit spezifischen Analysestrategien betrachtet werden, die teilweise über den Umfang dieses Forschungsberichts hinausgehen. 2.6 Weitere Struktur des Forschungsberichtes Der Forschungsbericht setzt sich wie folgt fort: In Abschnitt 3 dokumentieren wir unser methodisches Vorgehen hinsichtlich der Aufbereitung und der Prüfung der Daten der BAJOBBÖRSE bzw. der BA-Jobsuche. In Abschnitt 4 tragen wir deskriptive Befunde aus den Metadaten zu unseren aufbereiteten Stellendaten zusammen. Abschnitt 5 dokumentiert die inhaltlichen Erkenntnisse aus der Informationsextraktion aus den Stellentexten. Aufgrund der Fülle des Materials müssen wir uns beschränken und legen daher den Fokus auf Inhalte, die sich aus der Erweiterung der Analyse auf alle Berufsgruppen und entlang des Beobachtungszeitraumes ergeben. Abschnitt 6 fasst den Bericht zusammen und Abschnitt 7 gibt einen Ausblick. 3 Die Daten der BA-JOBBÖRSE bzw. der BAJobsuche 3.1 Überblick Bei der Bereitstellung von Daten, die über administrative Prozesse generiert und nicht originär für wissenschaftliche Auswertungen gesammelt werden, müssen die Rohdaten so aufbereitet werden, dass sie für wissenschaftliche Analysen verwendbar sind. Hierzu gehört unter anderem die Überprüfung der Datenqualität, woraus sich wichtige Schlüsse für die Aufbereitung ziehen lassen. Die vorausgegangene Machbarkeitsstudie „Kompetenz-Kompass“ (Stops et al., 2020) fokussierte auf generelle Fragen der Auswertbarkeit der Daten und sah daher auch von einer weitergehenden inhaltlichen Interpretation der präsentierten Ergebnisse ab. Zudem waren die Daten beschränkt auf lediglich zwei Zwei-Monats-Zeiträume innerhalb eines Jahres und die Analysen waren auf nur wenige Berufshauptgruppen beschränkt, so dass kaum Aussagen zur generellen Datenqualität möglich waren. Dies ist mit den nun verfügbaren Daten möglich. IAB-Forschungsbericht 1|2025 22 In der vorliegenden Studie haben wir daher den Fragen zur Datenaufbereitung und Datenqualität mehr Platz eingeräumt. Zunächst haben wir das bisherige Vorgehen bei der Datenaufbereitung noch einmal kritisch überprüft und dort, wo wir es als sinnvoll und begründbar einschätzten, Änderungen vorgenommen. Abschnitt 3.2 beschreibt dabei unser Vorgehen. Die Überprüfung ergab zudem, dass ein wichtiges Merkmal für bestimmte Stellenarten nicht valide ist. Hierbei handelt es sich um das Merkmal, das Stellen der Arbeitnehmerüberlassung kennzeichnet. Das trifft insbesondere für Stellen zu, für die kein Vermittlungsauftrag besteht. Das Merkmal speist sich aus der Information zum Wirtschaftszweig des Betriebs, das aber vor allem bei Stellenangeboten ohne Vermittlungsauftrag nicht immer bekannt ist. Wenn ein Betrieb aktiv von der Bundesagentur für Arbeit betreut wird6, ist der Wirtschaftszweig bekannt. Bei Unbekanntheit des Wirtschaftszweigs wurde das Merkmal standardmäßig bislang auf „keine Arbeitnehmerüberlassung“ gesetzt. Da wir aber insbesondere auch die Stellen ohne Vermittlungsauftrag in unsere Untersuchungen einbeziehen möchten, haben wir ein Machine-Learning-basiertes binäres Klassifikationsverfahren entwickelt, das es uns auf Basis der in den Stellenanzeigen präsentierten Unternehmensinformationen ermöglicht, Stellen der Arbeitnehmerüberlassung hinreichend genau zu identifizieren. Abschnitt 3.4 geht näher auf die Problematik und die Genauigkeit des Klassifikationsverfahrens ein. Ziel unserer Analysen ist es, über die Arbeitsnachfragestruktur für den deutschen Arbeitsmarkt zu berichten. Die gewonnenen Erkenntnisse sind allerdings nur dann verallgemeinerbar, wenn die Daten der Stellenbörse der BA als repräsentativ angesehen werden können. Unsere Repräsentativitätsanalysen basieren auf einem Vergleich der BA-Stellenbörsedaten mit den Daten der IAB-Stellenerhebung. Abschnitt 3.5 beschreibt hierzu unsere Ergebnisse und bietet eine quantitative Einordnung dieser, die auch das darauffolgende Vorgehen in den Analysen beeinflusst. 3.2 Zeitreihenaufbereitung 3.2.1 Überblick Die Stellendaten der BA-JOBBÖRSE bzw. BA-Jobsuche werden seit April 2019 mit umfangreichen Metadaten in unterschiedlichen Tabellen im Data-Ware-House der Bundesagentur für Arbeit zur Verfügung gestellt. Zu den Metadaten gehören bspw. die Stellenzahl, die Arbeitsorte für die ausgeschriebenen Stellenanzeigen und die Wirtschaftszweige von Arbeitgeber*innen der Stellenanzeige. Für diesen Bericht haben wir die Daten vom 1. April 2019 bis 31. Dezember 2023 berücksichtigt. In mehreren Aufbereitungsschritten werden zwei Datensätze erstellt: Der erste Datensatz speist sich aus den Metadaten; im Folgenden bezeichnen wir diesen als „Stellen-Metadatensatz“ und der zweite Datensatz enthält die Stellentexte; im Folgenden als „Stellenanzeigentext-Datensatz“ bezeichnet. Für die Analysen können beide Datensätze über einen eindeutigen Stellen6 Eine Übernahme in Betreuung durch die Bundesagentur für Arbeit kann unterschiedliche Gründe haben. In der Regel zielt sie auf die Vermittlung von Arbeitsuchenden. Der Arbeitgeber-Service der Bundesagentur für Arbeit bietet daneben auch weitere Dienstleistungen an, beispielsweise Beratung zu Förderleistungen. IAB-Forschungsbericht 1|2025 23 Identifikator verknüpft werden. Die Aufbereitungsschritte und die Entscheidungen, die dafür notwendig waren, werden im Folgenden im Detail dargestellt. 3.2.2 Metadaten Der Stellen-Metadatensatz bildet die Grundlage für alle weiteren Analysen, die die Stellen nach bestimmten Merkmalen untersuchen. In diesem Datensatz werden grundsätzlich alle Stellenangebote berücksichtigt, die entweder auf der BA-JOBBÖRSE bzw. der BA-Jobsuche oder innerhalb einer Agentur für Arbeit bzw. gemeinsamen Einrichtung für die Arbeitsvermittlung zwischen dem 01.04.2019 und dem 31.12.2023 nutzbar gemacht wurden. Für die Zählung des Zugangsdatums gilt das Datum der Veröffentlichung. Berücksichtigt werden Stellenanzeigen für die Ausschreibung von sozialversicherungspflichtiger und geringfügig Beschäftigung.7 Die Berufsinformationen liegen in der Regel für jedes Stellenangebot im Datensatz vor, da sie bei der Erstellung der Stellenanzeige als Pflichtfeld hinterlegt werden müssen. Die Berufsinformation wird nach der Klassifikation der Berufe 2010 (KldB 2010) kodiert. Wir verwenden diese Berufsinformationen bis zur Ebene der Berufsgattung bzw. dem 5-stelligen Berufscode der KldB 2010, was uns bspw. auch die Unterscheidung von Anforderungsniveaus ermöglicht, die sich aus der fünften Stelle des Berufscodes ergeben.8 Auch bei sorgfältiger Eingabe der Berufsinformation durch die inserierenden Betriebe kann es sein, dass es zu Fehlauswertungen kommt. Wir haben dies für zwei Zeiträume und jeweils für Stellenanzeigen mit und ohne Vermittlungsauftrag mit Stichproben von jeweils 100 zufällig ausgewählten Stellenanzeigen (insgesamt 400) näher untersucht. Dabei haben wir Vergleiche zwischen der codierten Berufsbezeichnung in unserem Metadatenfeld und der im StellentextTitel enthaltenen Berufsangabe sowie mit den im Stellentext auffindbaren Berufsinformationen vorgenommen. Demnach stimmten für die Stellenanzeigen mit Vermittlungsauftrag etwa 92 Prozent und für die Stellenanzeigen ohne Vermittlungsauftrag etwa 91 Prozent der Berufscodes exakt überein mit der Berufsangabe im Stellentext und im Stellentext-Titel. Die Anteile für den Vergleich der Berufscodes mit dem Stellentext sind noch höher – sie liegen bei 93 Prozent für die Stellenanzeigen mit Vermittlungsauftrag und bei 94 Prozent für die Stellenanzeigen ohne Vermittlungsauftrag. So können wir von einer hohen Qualität der Berufsinformationen ausgehen; gleichwohl sehen wir in der Art und Weise wie die Vergabe von Berufstiteln durch die Arbeitgeber*innen erfolgt auch einen interessanten Inhalt für künftige grundlegende Forschung.9 Der Wirtschaftszweig kann an die BA-Stellenbörsedaten zugespielt werden, wenn der Betrieb aktiv von der Bundesagentur für Arbeit betreut wird. Des Weiteren wird der Datensatz mit den zum Zeitpunkt des Zugangs angegebenen Arbeitsorten, die zu einem Stellenangebot gehören, angereichert. Wir filtern die Stellenangebote auf Deutschland und schließen Stellenangebote ohne gültige Ortsangabe von den Analysen aus. Anschließend werden die Ortsinformationen auf verschiedenen regionalen Ebenen zugespielt (insb. Ort, Gemeinde, Kreis, Regierungsbezirk und Bundesland). 7 Nur etwa 2 Prozent der Stellenanzeigen beziehen sich auf eine geringfügige Beschäftigung. Daher gehen wir nicht davon aus, dass die Ergebnisse auf dieser Basis stark verzerrt sind. Gleichwohl wäre es in künftigen Arbeiten auch möglich, Stellenanzeigen für geringfügige Beschäftigung auszuschließen. 8 Siehe auch Abschnitt 8 im Anhang. 9 Siehe zu weiteren Details zur Überprüfung der Qualität der Berufsbezeichnung Abschnitt 10 im Anhang. IAB-Forschungsbericht 1|2025 24 Wenn Arbeitgeber*innen mehrere Betriebsstätten aufweisen, kann es zu dem Fall kommen, dass Stellen für mehrere Orte ausgeschrieben werden. Eine eindeutige Zuordnung ist deshalb nicht immer möglich. Um solche Stellen nicht für jeden potenziellen Ort duplizieren zu müssen und somit die Arbeitsnachfrage zu überschätzen, verwenden wir eine einfache Entscheidungsregel. Zunächst entnehmen wir die Anzahl der ausgeschriebenen Stellen und die zugeordneten Orte aus dem Metadatenkranz der BA-Stellenbörsedaten, um danach die Anzahl der Stellen und die Anzahl der zugeordneten Orte zu vergleichen. Entspricht nun die Zahl der Stellen der Anzahl der angegebenen Orte, so wird jeweils eine Stelle je Ort angenommen (siehe Tabelle 1, Stellenangebots-ID A). Ist die Stellenzahl allerdings höher als die Anzahl der zugewiesenen Orte, so wird die Anzahl der Stellen prinzipiell auf alle Orte gleich verteilt. Gibt es nach der Gleichverteilung einen Rest an Stellen deren Anzahl geringer ist als die Anzahl der zugeordneten Orte, so verteilen wir die restlichen Stellen zufällig auf die zugeordneten Orte (siehe Tabelle 1, Stellenangebots-ID B). Potenziell kann die Stellenzahl auch niedriger als die Anzahl der Stellenlokationen sein. In diesem Fall werden die Stellen zufällig auf die Orte verteilt, wobei die überzähligen Lokationen wegfallen (siehe Tabelle 1, Stellenangebots-ID C). Tabelle 1: Beispielhafte Darstellung der Verteilung von Stellen auf Stellenlokationen Stellenangebots-ID Anzahl Stellen Zugeordnete Orte Beispielhafte Zuordnung A 2 Ort 1 Ort 2 1 Stelle auf Ort 1 1 Stelle auf Ort 2 B 3 Ort 1 Ort 2 1 Stelle auf Ort 1 Stellen auf Ort 2 C 2 Ort 1 Ort 2 Ort 3 1 Stelle auf Ort 1 1 Stelle auf Ort 2 Keine Stelle auf Ort 3 Quelle: Eigene Darstellung. Zuletzt wird das Merkmal zur Identifikation von Stellenangeboten zum Zwecke der Arbeitnehmerüberlassung an die BA-Stellenbörsedaten herangespielt. Eine Stelle wird als Stelle zum Zwecke der Arbeitnehmerüberlassung identifiziert bzw. erhält den Wert „1“, wenn eine Information über den Wirtschaftszweig vorliegt und das jeweilige Stellenangebot zu einem Betrieb der „Vermittlung von Arbeitskräften“, „Befristete Überlassung von Arbeitskräften“ oder „Sonstige Überlassung von Arbeitskräften“ (Gruppen 781, 782 oder 783 nach der Klassifikation der Wirtschaftszweige 2008) gehört. Alle anderen Stellen werden als Stellen ohne Überlassungsabsicht definiert bzw. erhalten den Wert „0“, auch wenn keine Information zum Wirtschaftszweig vorliegt. Für Stellenanzeigen ohne Wirtschaftszweiginformation stellt das Merkmal damit keine verwendbaren Informationen zur Verfügung. Die Machbarkeitsstudie von Stops et al. (2020) hatte das Merkmal noch unverändert übernommen. Für diesen Forschungsbericht verfeinern wir die Ausprägungen zu den Stellen der Arbeitnehmerüberlassung, indem wir der Gruppe ohne Informationen zum Wirtschaftszweig einen Fehlercode („9998“) zuweisen.10 Nach Durchführung aller Aufbereitungsschritte, erhalten 10 Darüber hinaus schlagen wir in Abschnitt 3.4 ein Klassifikationsverfahren vor, das auf Basis der Stellentexte Stellenanzeigen der Arbeitnehmerüberlassung identifiziert. IAB-Forschungsbericht 1|2025 31 Beratungsempfänger*innen für die Stärken und Schwächen der Daten zu sensibilisieren. Zum einen sollen die Analysen zeigen, welche grundlegenden Aussagen über die Bedeutung von Kompetenzanforderungen getroffen werden können. Zum anderen erleichtert es Forschenden ihre empirischen Auswertungen besser an die Daten anzupassen, um unverzerrte Ergebnisse zu erzielen. 3.5.2 Datenquellen und Abgrenzungen Um die Repräsentativität messen zu können, vergleichen wir die BA-Stellenbörsedaten mit den Daten der IAB-Stellenerhebung, die im Folgenden näher beschrieben wird.18 Weil ein Vergleich zwischen BA-Stellenbörsedaten und der IAB-Stellenerhebung nur dann zweckmäßig ist, wenn beiden Quellen ähnliche Definitionen zugrunde liegen, gehen wir im Nachgang auf die BAStellenbörsedaten und deren Unterschied zu den Daten der IAB-Stellenerhebung ein. Das IAB untersucht mit der IAB-Stellenerhebung quartalsweise das gesamte Stellenangebot in Deutschland, also auch jene Stellen, die den Agenturen für Arbeit nicht gemeldet werden. Die IAB-Stellenerhebung ist unseres Wissens nach die einzige Datenquelle, deren Ziel es ist, repräsentative Informationen über das gesamtwirtschaftliche Stellenangebot zu liefern. Für den beabsichtigten Vergleich mit den BA-Stellenbörsedaten ist der Zeitraum zwischen dem zweiten Quartal 2019 und dem vierten Quartal 2023 relevant. Die Grundgesamtheit der Befragung besteht aus allen Betrieben bzw. Verwaltungsstellen mit mindestens einem sozialversicherungspflichtig Beschäftigten. Aus dieser Grundgesamtheit wird anhand des Adressenbestands der Beschäftigtenstatistik der Bundesagentur für Arbeit einmal jährlich eine disproportional geschichtete Zufallsstichprobe von rund 110.000 Betrieben/Verwaltungen gezogen. Die Schichtung erfolgt getrennt für Ostund Westdeutschland nach sechs Betriebsgrößenklassen (Anzahl der sozialversicherungspflichtigen Beschäftigten) und Wirtschaftszweigen der Klassifikation der Wirtschaftszweige 2008. Im vierten Quartal eines Jahres erhalten alle Betriebe dieser Stichprobe einen Brief mit einem Fragebogen sowie einer kurzen Erläuterung zur Befragung. Alle Angeschriebenen werden gebeten, den Fragebogen bis Anfang November auszufüllen und an das Erhebungsinstitut zurückzusenden. Die Betriebe und Verwaltungen, die an der schriftlichen Befragung im vierten Quartal des Vorjahres teilgenommen haben, werden im ersten, zweiten und dritten Quartal eines Jahres telefonisch interviewt, um die Entwicklungen der Arbeitskräftenachfrage unterjährig zu aktualisieren. Im Durchschnitt dauern diese telefonischen Befragungen fünf Minuten. Da die IAB-Stellenerhebung nicht nach Zugängen, sondern nach dem Bestand19 fragt und dementsprechend den Bestand hochrechnet, ist ein Vergleich nur dann sinnvoll, wenn die BAStellenbörsedaten ebenfalls Bestandsdaten sind. Die zur Analyse der Repräsentativität Stellenerhebung aus den IV. Quartalen der gleichen Jahre; dabei konnten Sie auch über eine geeignete Verknüpfung mit Betriebsdaten die Verteilungen über Wirtschaftszweige vergleichen. Während sich die Verteilungen über die Anforderungsniveaus ähneln, zeigen ebda. zudem, dass in den Daten von Stellen mit Vermittlungsauftrag der BA-JOBBÖRSE Stellenangebote der Arbeitnehmerüberlassung überrepräsentiert sind. Ebda. nehmen aus diesem Grund die Arbeitnehmerüberlassung aus ihren Hauptanalysen aus. 18 Siehe https://iab.de/das-iab/befragungen/iab-stellenerhebung/methodik/, zuletzt abgerufen am 06.08.2024 19 Die konkrete Frage im Fragebogen für das vierte Quartal eines Jahres lautet: “6. Suchen Sie derzeit aktiv neue Arbeitskräfte? […] Wenn ja, wie viele?“, vgl. https://doku.iab.de/fragebogen/IABSE_Papier-Fragebogen_IV_2023.pdf, zuletzt abgerufen am 31.7.2024. Die Fragen für das Telefoninterview in den übrigen Quartalen sind ähnlich formuliert. IAB-Forschungsbericht 1|2025 32 verwendeten BA-Stellenbörsedaten unterscheiden sich demnach von der sonst verwendeten Zugangsstichprobe insofern, als dass sie eine Bestandstichprobe darstellen. Um eine Bestandsstichprobe zu erhalten, ziehen wir zum statistischen Stichtag der Bundesagentur für Arbeit eines jeden Monats von April 2019 bis Dezember 2023 den Stellenbestand aus den BA-Stellenbörsedaten. Daraus wird der durchschnittliche Bestand für jedes Quartal berechnet. Dieses Vorgehen kommt dem Vorgehen der IAB-Stellenerhebung nahe, die Befragungen zu unterschiedlichen Zeiten innerhalb eines Quartals verwendet, um eine Hochrechnung für jedes Quartal zu erstellen. Den Vergleich der BA-Stellenbörsedaten mit den Daten der IAB-Stellenerhebung nehmen wir entlang verschiedener Dimensionen und Datenabgrenzungen vor (vgl. Abbildung 2). Abbildung 2: Überblick zu den Datenabgrenzungen und vorgenommenen Analysen zur Repräsentativität Anmerkung: Die Abbildung gibt einen Überblick über die Analysen zur Repräsentativität. Es werden Analysen zur gesamtwirtschaftlichen Entwicklung der Stellenzahlen, der regionalen Entwicklung, der Entwicklung der Anforderungsniveaus sowie der Wirtschaftszweige durchgeführt. Alle Analysen werden jeweils für alle Stellen oder lediglich für Stellen mit Vermittlungsauftrag durchgeführt. Innerhalb dieser Gruppe werden alle Analysen jeweils noch einmal inklusive und exklusive Stellen der Arbeitnehmerüberlassung durchgeführt. Da die Information zum Wirtschaftszweig des Betriebs lediglich für Stellen mit Vermittlungsauftrag verfügbar ist, weisen wir die Analysen zum Wirtschaftszweig nur für Stellen mit Vermittlungsauftrag aus. Quelle: Eigene Darstellung. So betrachten wir alle Stellen der BA-Stellenbörsedaten für die Gesamtzahl der Stellen, Stellen in Westund Ostdeutschland und Stellen nach Anforderungsniveaus und vergleichen diese mit den Daten der IAB-Stellenerhebung. Für die Stellen der BA-Stellenbörsedaten mit Vermittlungsauftrag können wir die Auswertungen um die Dimension der Wirtschaftszweige erweitern. Diese Art der Stellen sind durch ihre Verknüpfbarkeit zu den administrativen oder Befragungsdaten der Betriebe am IAB insbesondere für die Forschung wertvoll. Für die folgenden Analysen legen wir dieselben Schritte zugrunde wie für unsere Zugangsstichprobe (siehe Abschnitt 3.2). Zusätzlich zum engen Stellenfilter, der nur die auf der Website BA-JOBBÖRSE bzw. BA-Jobsuche veröffentlichten Stellen zählt, verwenden wir teilweise auch eine etwas breitere Definition von Stellen, die neben der Veröffentlichung auf der Webseite auch im Vermittlungsportal der BA sichtbar sein können. IAB-Forschungsbericht 1|2025 33 3.5.3 Vergleichende Analysen der Repräsentativität für alle Stellen 3.5.3.1 Gesamtwirtschaft Zunächst vergleichen wir die beiden Datenquellen hinsichtlich der absoluten Zahl der Stellen, sowie deren Entwicklung. Dieser Bestandsvergleich hilft, die Größenordnungen der Datenquellen zu vergleichen. Im betrachteten Zeitraum liegt der monatliche BA-Stellenbörsedatenbestand mit dem offiziellen Stellenfilter des Datenaufbereitungsverfahrens zwischen 597.084 und 1,098 Mio. Stellenanzeigen; dies entspricht einer Stellenzahl zwischen 1,062 Mio.und 1,729 Mio. (siehe Abbildung 3a). In unseren Analysen zur Repräsentativität legen wir im Folgenden die Stellenzahl zugrunde. In den betrachteten Quartalen der IAB-Stellenerhebung wurden zwischen 12.815 und 20.525 Arbeitgeber befragt (vgl. Kubis, 2024). Es ergaben sich zwischen 844.000 und 1,985 Mio. offene Stellen (siehe Abbildung 3). Abbildung 3 zeigt den Verlauf der absoluten Stellenzahl der BA-Stellenbörsedaten mit den beiden vorher definierten Filtern, sowie der IAB-Stellenerhebung (Abbildung 3a und Abbildung 3c). Die ausgewiesenen absoluten Zahlenwerte sind in 1.000 Stellen angegeben. Die Abbildung 3(b) und Abbildung 3(d) zeigen den Verlauf der indizierten Stellenzahl, wobei das zweite Quartal 2019 den Wert 100 zugewiesen bekommt. IAB-Forschungsbericht 1|2025 34 Abbildung 3: Vergleich der Stellen der Stellenbörsendaten mit allen Stellen der IAB-Stellenerhebung, Insgesamt Anmerkung: Die Abbildung zeigt den Verlauf der Stellenzahl in den BA-Stellenbörsedaten und der IAB-Stellenerhebung für das zweite Quartal 2019 bis zum vierten Quartal 2023. Die Abbildungen (a) und (Abbildung 3c) tragen die absolute Stellenzahl über die Zeit hinweg ab, während Abbildungen (Abbildung 3b) und (d) eine indizierte Zeitreihe darstellen. Die indizierte Zeitreihe zeigt demnach die Veränderung relativ zum Ausgangspunkt an, hier: Quartal II/2019.Die Abbildungen (a) und (b) zeigen die Ergebnisse für die Stellenzahl mit Stellen der Arbeitnehmerüberlassung. Die Abbildungen (c) und (d) zeigen die Ergebnisse für die Stellenzahl ohne Stellen der Arbeitnehmerüberlassung. Die blau (grün) gestrichelten Linien weisen die Monatswerte der BAStellenbörsedaten mit weitem (engem) Filter aus. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Bestandsstichprobe, April 2019 bis Dezember 2023. IABStellenerhebung (Kubis, 2024), Befragungswellen 2018, 2019, 2020, 2021, 2022, 2023. Eigene Berechnungen. Abbildung 3(a) zeigt, dass sich die Niveaus der jeweiligen Stellenanzahl zwischen den BAStellenbörsedaten und der IAB-Stellenerhebung zu Beginn der betrachteten Zeitreihen nicht sehr stark voneinander unterscheiden. Im Quartal 2019 beträgt die Stellenzahl in der IABStellenerhebung etwa 1,4 Mio. sofort zu besetzende Stellen. Die BA-Stellenbörsedaten hingegen weisen zwischen 1,45 und 1,5 Mio. offene Stellen aus. Allerdings zeigen sich im weiteren Verlauf teils deutliche Unterschiede zwischen den BA-Stellenbörsedaten und der IAB-Stellenerhebung. Während im ersten Quartal nach Ausbruch der Pandemie die Stellenzahl in der IABStellenerhebung deutlich einbricht, sinkt der Bestand in den BA-Stellenbörsedaten nur leicht. Dies könnte damit zu tun haben, dass die Stellenanzeigen bei Suchabbruch in den BAStellenbörsedaten nicht direkt von der Plattform genommen werden, sondern stattdessen auf die automatische Beendigung gewartet wird. Eine weitere mögliche Erklärung könnte die Überrepräsentation der Arbeitnehmerüberlassung20 in den BA-Stellenbörsedaten sein. Vergleicht man die absoluten Zahlen der Stellen mit und ohne Stellen der Arbeitnehmerüberlassung in den 20 Vergleiche hierzu und für das Folgende auch Abschnitt 3.4, der sich mit der Identifikation der Stellenanzeigen der Arbeitnehmerüberlassung befasst und dessen Ergebnisse auch hier genutzt werden. IAB-Forschungsbericht 1|2025 35 BA-Stellenbörsedaten, erkennt man, dass die Arbeitnehmerüberlassung etwa 500.000 bis 600.000 Stellen ausmacht. Nach Ausschluss der Stellen der Arbeitnehmerüberlassung erkennt man in der indizierten Sichtweise der Abbildung 3(d) eine deutlich stärkere Übereinstimmung der Trends der BA-Stellenbörsedaten im Vergleich zur IAB-Stellenerhebung als in Abbildung 3(b). Aufgrund der vielfältigen Verwendungsmöglichkeiten zur Beratung und Forschung ist es sinnvoll, die Repräsentativität der Daten anhand weiterer Merkmale zu prüfen. Deshalb betrachten wir die Repräsentativität zusätzlich zu den gesamtwirtschaftlichen Aggregationen im Folgenden in Bezug auf die Dimensionen Region und Anforderungsniveau.21 3.5.3.2 Analysen nach Westund Ostdeutschland Um die regionale Dimension zu untersuchen, unterteilen wir die BA-Stellenbörsedaten in Stellen aus Westund Ostdeutschland. Diese Unterscheidung mag zunächst recht grob erscheinen, ist aber hinsichtlich ihres Aussagegehalts sinnvoll. Eine regional kleinteiligere Unterscheidung würde womöglich zur Überinterpretation von Ausreißern führen. Die Aggregation nach West und Ost bietet einen weniger starken Einfluss von Ausreißern auf die Gesamtzahl der Stellen bei gleichzeitig starken Unterschieden am Arbeitsmarkt. Nachfragende Betriebe in Westund Ostdeutschland unterscheiden sich beispielsweise in ihrer sektoralen Struktur, wodurch sich unterschiedliche Level in Bezug auf die Zahl der Stellenangebote sowie unterschiedliche Dynamiken ergeben können. Abbildung 4 zeigt den Verlauf der absoluten Stellenzahl für die BA-Stellenbörsedaten und die IABStellenerhebung, getrennt nach Westund Ostdeutschland und mit dem engen Filter für die Stellen der BA-Stellenbörsedaten (Abbildung 4a, c, e und g). Die ausgewiesenen absoluten Zahlenwerte sind in 1.000 Stellen angegeben. Die Abbildungen Abbildung 4 (b), (d), (f) und (h) zeigen den Verlauf der indizierten Stellenzahl, wobei das zweite Quartal 2019 den Wert 100 zugewiesen bekommt. 21 Wir beschränken uns hier auf die u.E. nach wichtigsten Dimensionen; über die Verknüpfbarkeit eines Teils der Stellenbörsendaten mit administrativen Daten erweitern sich die möglichen Dimensionen. Bei der Aggregationstiefe bieten die Stellenbörsendaten mehr Spielraum als die IAB-Stellenerhebung. Daher orientieren wir uns an die mögliche Aggregationstiefe der IAB-Stellenerhebung. IAB-Forschungsbericht 1|2025 36 Abbildung 4: Vergleich der Stellen der BA-Stellenbörsedaten mit allen Stellen der IAB-Stellenerhebung, nach Westund Ostdeutschland Anmerkung: Die Abbildung zeigt den Verlauf der Stellenzahl der BA-Stellenbörsedaten und der IAB-Stellenerhebung für das zweite Quartal 2019 bis zum vierten Quartal 2023. Die Abbildungen (a) bis (d) zeigen Ergebnisse für Westdeutschland, während die Abbildungen (e) bis (h) Ergebnisse für Ostdeutschland zeigen. Die Abbildungen (a), (c), (e) und (Abbildung 4g) tragen die absolute Stellenzahl über die Zeit hinweg ab, während die Abbildungen (b), (d), (f) und (h) eine indizierte Zeitreihe darstellen. Die indizierte Zeitreihe zeigt demnach die Veränderung relativ zum Ausgangspunkt an, hier: Quartal II/2019. Die Abbildungen (a), (b), (e) und (Abbildung 4f) zeigen die Ergebnisse für die Stellenzahl mit Stellen der Arbeitnehmerüberlassung. Die Abbildungen (c), (d), (g) und (h) zeigen die Ergebnisse für die Stellenzahl ohne Stellen der Arbeitnehmerüberlassung. Die grün gestrichelten Linien weisen die Monatswerte der BA-Stellenbörsedaten mit engem Filter aus. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Bestandsstichprobe, April 2019 bis Dezember 2023. IABStellenerhebung (Kubis, 2024), Befragungswellen 2018, 2019, 2020, 2021, 2022, 2023. Eigene Berechnungen. IAB-Forschungsbericht 1|2025 37 Abbildung 4(a) zeigt, dass sich die Zahl der offenen Stellen zwischen den beiden Datenquellen in Westdeutschland zu Beginn nur leicht unterscheidet, zum Ende des Beobachtungszeitraums aber dann deutlicher divergiert. Im zweiten Quartal 2019 weisen beide Datenquellen für Westdeutschland etwa 1,1 Mio. Stellen aus. Abbildung 4(e) zeigt ähnliche Ergebnisse für Ostdeutschland, wobei das Niveau der Anzahl der offenen Stellen unter dem Niveau Westdeutschlands liegt. Ostdeutschland zeigt grundsätzlich eine höhere Übereinstimmung der BA-Stellenbörsedaten mit der IAB-Stellenerhebung als Westdeutschland. In beiden Regionen zeigen sich im Zeitverlauf erneut deutliche Unterschiede zwischen der IAB-Stellenerhebung und der BA-Stellenbörsedaten speziell während der Corona-Pandemie. Auch getrennt nach Ostund Westdeutschland wird der Unterschied der Daten mit und ohne Stellen der Arbeitnehmerüberlassung deutlich (Abbildung 4c und g). In Westdeutschland macht der Ausschluss der Arbeitnehmerüberlassung in der BA-Stellenbörse etwa 500.000 Stellen aus und in Ostdeutschland etwa 100.000 Stellen. Ähnlich wie für Deutschland insgesamt (Abbildung 3) lässt sich in den BA-Stellenbörsedaten auch bei der Betrachtung von Westdeutschland keine Trendänderung im zweiten Quartal 2020 nach Ausschluss der Arbeitnehmerüberlassung erkennen (Abbildung 4b). In Ostdeutschland zeigen sich über den Beobachtungszeitraum hinweg relativ übereinstimmende Trends, auch bereits vor der Pandemie und sowohl mit als auch ohne Stellen der Arbeitnehmerüberlassung (Abbildung 4f und h). 3.5.3.3 Anforderungsniveaus Das nächste untersuchte Merkmal ist das Anforderungsniveau22 des Berufes, für den die Stellen jeweils ausgeschrieben wurden. Die Datenstruktur der IAB-Stellenerhebung ist hinsichtlich der Anforderungsniveaus anders strukturiert als die BA-Stellenbörsedaten. Die Frage nach den Anforderungsniveaus wird nur im ersten Survey erhoben, sodass eine quartalsweise Betrachtung entfällt. Die Anforderungsniveaus werden deshalb nur für das vierte Quartal 2019 und das vierte Quartal 2023 ausgewertet. In der folgenden Abbildung 5 vergleichen wir die jeweiligen Anteile der Stellenzahl in den verschiedenen Kategorien des Anforderungsniveaus zwischen den BA-Stellenbörsedaten und der IAB-Stellenerhebung unterscheidet. Weichen die Anteile deutlich voneinander ab, kann das darauf hindeuten, dass die BA-JOBBÖRSE bzw. BA-Jobsuche selektiv für bestimmte Qualifikationsniveaus genutzt wurde bzw. wird. Aus Studien zu anderen Job-Plattformen ist bekannt, dass diese Plattformen vor allem Jobs mit hohem Anforderungsniveaus begünstigen (Fernandez Macias und Sostero, 2024). Wie bereits vorher erwähnt wurde, können die BAStellenbörsedaten nach den vier Anforderungsniveaus „Helferund Anlerntätigkeiten“, „Fachlich ausgerichtete Tätigkeiten“, „Komplexe Spezialistentätigkeiten“ sowie „Hoch komplexe Tätigkeiten“ ausgewiesen werden. Die IAB-Stellenerhebung jedoch verwendet keine Anforderungsniveaus für die Hochrechnungen, sondern Qualifikationsniveaus, die aber durchaus mit den Anforderungsniveaus vergleichbar sind (im Folgenden bezeichnen wir die Qualifikationsniveaus als Anforderungsniveaus) und fasst die letzten beiden Qualifikationsniveaus zusammen (im Folgenden „Spezialistenoder Expertentätigkeiten“). Die IAB-Stellenerhebung unterscheidet damit nur drei Anforderungsbzw. Qualifikationsniveaus; 22 Zur Definition der Anforderungsniveaus siehe Abschnitt 8 im Anhang. IAB-Forschungsbericht 1|2025 38 entsprechend passen wir unsere Analysen der IAB-Stellenerhebung an und vergleichen die Anteile der drei Anforderungsniveaus.23 Abbildung 5 zeigt die Anteile der Stellen in den drei Anforderungsniveaus für das vierte Quartal 2019 (Abbildung 5a und c) und das vierte Quartal 2023 (Abbildung 5b und d) jeweils mit bzw. ohne Stellen der Arbeitnehmerüberlassung. Abbildung 5: Vergleich der Stellen der BA-Stellenbörsedaten mit allen Stellen der IAB-Stellenerhebung, nach Anforderungsniveau Anmerkung: Abbildung 5 zeigt die Anteile der Anforderungsniveaus in den BA-Stellenbörsedaten für das vierte Quartal 2019 und das vierte Quartal 2023 für alle Stellen sowie Stellen ohne Arbeitnehmerüberlassung. Die Abbildungen (a) und (c) zeigen die Anteile der Stellen in den drei Anforderungsniveaus für das vierte Quartal 2019, während die Abbildungen (b) und (d) die Anteile der Stellen für das vierte Quartal 2023 ausweisen. Die Abbildungen (a) und (b) zeigen Auswertungen mit Stellen der Arbeitnehmerüberlassung, die Abbildungen (c) und (d) zeigt Auswertungen ohne Stellen der Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Bestandsstichprobe, Oktober 2019 bis Dezember 2019 und Oktober 2023 bis Dezember 2023. IAB-Stellenerhebung (Kubis, 2024), Befragungswellen 2019 und 2023. Eigene Berechnungen. Abbildung 5 zeigt, dass die Anteile der verschiedenen Anforderungsniveaus zwischen den BAStellenbörsedaten und der IAB-Stellenerhebung über die Zeitpunkte hinweg und sowohl mit als auch ohne Arbeitnehmerüberlassung voneinander abweichen. Während die fachlich ausgerichteten Tätigkeiten der BA-Stellenbörsedaten in allen Auswertungen leicht unterrepräsentiert sind, sind die Spezialistenoder Expertentätigkeiten etwas überrepräsentiert und kommen etwa 5 bis 10 Prozentpunkte häufiger vor als in der IAB-Stellenerhebung. Im 23 Aspekte der inhärenten Überoder Unterqualfizierung in Stellenanzeigen können wir in diesem Forschungsbericht nicht berücksichtigen. Beispielsweise kann in den Metadaten des Stellengesuchs ein Beruf mit hoch komplexen Tätigkeiten hinterlegt sein, aber im Stellentext wird erwähnt, dass statt eines Hochschulabschlusses bereits eine duale Berufsausbildung ausreichend wäre. IAB-Forschungsbericht 1|2025 39 Gegensatz zur IAB-Stellenerhebung kommen in den BA-Stellenbörsedaten auch die Helferund Anlerntätigkeiten etwas seltener vor, wobei der größte Unterschied im vierten Quartal 2023 und ohne Arbeitnehmerüberlassung zu sehen ist. Wie auch andere Online-Plattformen, haben die BAStellenbörsedaten demnach eine nach zunehmenden Anforderungsniveau positive Selektivität der Stellen, die es für Auswertungen zu beachten gilt. 3.5.4 Vergleichende Analysen der Repräsentativität für Stellen mit Vermittlungsauftrag Neben den insgesamt verfügbaren Daten, können Stellenausschreibungen der BAStellenbörsedaten mit Betriebsdaten verknüpft werden, wenn für diese Stellen ein Vermittlungsauftrag erteilt wurde. Die Verknüpfung ermöglicht eine deutlich breitere Verwendung der Daten für die Forschung, da sich damit auch betriebliche Merkmale mit Bezug zu den Stellenanzeigen auswerten lassen. Da die Erteilung eines Vermittlungsauftrags aber freiwillig ist, könnte sich aufgrund der verschiedenen Anreize hierfür starke Selektionseffekte einstellen. Im Folgenden möchten wir deshalb analysieren, ob die Stellen mit Vermittlungsauftrag ähnlich repräsentativ sind wie die insgesamt verfügbaren Daten. Hierzu nehmen wir die gleichen Analysen wie in Abschnitt 3.5.3 vor. Zusätzlich betrachten wir nun auch Wirtschaftszweige, für die wir bei den Stellen mit Vermittlungsauftrag valide Informationen haben. 3.5.4.1 Gesamtwirtschaft Abbildung 6 zeigt den Verlauf der absoluten Stellenzahl mit Vermittlungsauftrag in den BAStellenbörsedaten mit dem engen bzw. weiteren Filter, sowie aller Stellen der IABStellenerhebung (Abbildung 6a und Abbildung 6c). Wie in Abschnitt 3.2 definiert, zählt der enge Filter nur die auf der Website der BA-JOBBÖRSE veröffentlichten Stellen. Der weite Filter verwendet zusätzlich auch Stellen, die lediglich im Vermittlungsportal der BA sichtbar sind. Die absoluten Zahlenwerte sind erneut in 1.000 Stellen ausgewiesen. Die Abbildung 6(b) und (d) stellen den Verlauf der indizierten Stellenzahl dar, wobei das zweite Quartal 2019 den Wert 100 zugewiesen bekommt. IAB-Forschungsbericht 1|2025 40 Abbildung 6: Vergleich der Stellen mit Vermittlungsauftrag der BA-Stellenbörsedaten mit allen Stellen der IAB-Stellenerhebung, Insgesamt Anmerkung: Die Abbildung zeigt den Verlauf der Stellenzahl mit Vermittlungsauftrag in den BA-Stellenbörsedaten und den Verlauf der Stellenzahl aller Stellen in der IAB-Stellenerhebung für das zweite Quartal 2019 bis zum vierten Quartal 2023. Die Abbildungen (a) und (c) tragen die absolute Stellenzahl über die Zeit hinweg ab, während die Abbildungen (b) und (d) indizierte Zeitreihen darstellen. Die indizierte Zeitreihe zeigt demnach die Veränderung relativ zum Ausgangspunkt an, hier: Quartal II/2019. Die Abbildungen (a) und (b) zeigen die Ergebnisse für die Stellenzahl mit Stellen der Arbeitnehmerüberlassung. Die Abbildungen (c) und (d) zeigen die Ergebnisse für die Stellenzahl ohne Stellen der Arbeitnehmerüberlassung. Die blau (grün) gestrichelten Linien weisen die Monatswerte der BA-Stellenbörsedaten mit weitem (engem) Filter aus. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Bestandsstichprobe, April 2019 bis Dezember 2023. IABStellenerhebung (Kubis, 2024), Befragungswellen 2018, 2019, 2020, 2021, 2022, 2023. Eigene Berechnungen. Abbildung 6(a) belegt, dass sich das Niveau der Stellenanzahl zwischen den BAStellenbörsedaten und der IAB-Stellenerhebung nun deutlich unterscheidet. Im Quartal 2019 beträgt die Stellenzahl in der IAB-Stellenerhebung etwa 1,4 Mio. sofort zu besetzenden Stellen. Die BA-Stellenbörsedaten hingegen weisen zwischen 600.000 und 650.000 offene Stellen aus. Erneut ergeben sich im Zeitverlauf deutliche Unterschiede zwischen der IABStellenerhebung und der BA-Stellenbörsedaten, vor allem während der Pandemie und ab dem Jahr 2022. Während im ersten Quartal nach Ausbruch der Pandemie die Stellenzahl in der IABStellenerhebung deutlich einbricht, sinkt der Bestand in den BA-Stellenbörsedaten nicht ganz so stark. Vergleicht man die absolute Zahl der Stellen mit und ohne Stellen der Arbeitnehmerüberlassung in den BA-Stellenbörsedaten (Abbildung 6a und c), so erkennt man, dass sowohl die BA-Stellenbörsedaten als auch die IAB-Stellenerhebung etwa 200.000 Stellen der Arbeitnehmerüberlassung verlieren. Auch nach Ausschluss der Arbeitnehmerüberlassung sehen wir keine signifikante Trendänderung über die Zeit hinweg. Die indizierten Zeitreihen zeigen für IAB-Forschungsbericht 1|2025 47 aber kleiner Gruppen lediglich innerhalb einer Aggregationsebene sinnvoll. Für die metrischen Analysen verwenden wir, anders als für die graphischen Analysen, für jede Aggregationsebene alle jeweils verfügbaren Quartale. Tabelle 8: Mittlere Abweichung zwischen aggregierten Metriken der BA-JOBBÖRSE und der IABStellenerhebung Leere Zelle Datenabgrenzung (BA-Stellenbörsedaten und IAB-Stellenerhebung) Arbeitnehmerüberlassung eingeschlossen ausgeschlossen Absolut in 1.000 Indiziert (2019 = 0) Anteilig in PP Absolut in 1.000 indiziert Anteilig in PP Datenabgrenzung (nur BA-Stellenbörsedaten) Alle Stellen Gesamtwirtschaftlich 171 16 n.a. 486 10 n.a. West-/Ostdeutschland 88 13 2,2 227 14 2,1 Anforderungsniveaus 66 16 4,3 137 15 6,2 Stellen mit Vermittlungsauftrag Gesamtwirtschaftlich 861 11 n.a. 873 7 n.a. West-/Ostdeutschland 430 10 1,9 437 11 1,7 Anforderungsniveaus 263 16 2,1 266 16 3,3 Wirtschaftszweige 79 15 3,4 80 15 2,2 Anmerkung: Die Tabelle gibt einen Überblick mit welchen Kombinationen aus dem Datenauszug Repräsentativität angenommen werden kann. Als Metrik wird die mittlere Abweichung verwendet. Die aufgeführten Kombinationen beinhalten alle Stellen und lediglich Stellen mit Vermittlungsauftrag gekreuzt mit bzw. ohne Stellen der Arbeitnehmerüberlassung. Die betrachteten Aggregatlevel sind „Gesamtwirtschaftlich“, „Regional“, Anforderungsniveaus“ und „Wirtschaftszweige“. Vergleiche der Repräsentativität sind nur innerhalb des Aggregatlevels sinnvoll, z. B. die mittleren Abweichungen auf dem Aggregatlevel „Gesamtwirtschaftlich“. Kleinere Werte bedeuten geringere Abweichung der BA-Stellenbörsedaten von der IABStellenerhebung und damit höhere Repräsentativität. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Bestandsstichprobe, April 2019 bis Dezember 2023. IABStellenerhebung (Kubis, 2024), Befragungswellen 2018, 2019, 2020, 2021, 2022, 2023. Eigene Berechnungen. Tabelle 8 zeigt, dass für die absolute Zahl an Stellen und für alle Stellen und inklusive Arbeitnehmerüberlassung die durchschnittliche Differenz zwischen BA-Stellenbörsedaten und IAB Stellenerhebung bei 171.000 Stellen pro Quartal liegt. Erwartungsgemäß fallen die präsentierten Zahlen für die Aggregationsebenen West-/Ostdeutschland und die Anforderungsniveaus geringer aus. Die Kennzahlen erhöhen sich ebenfalls erwartungsgemäß mit weiteren Einschränkungen in der Datenabgrenzung für jede Gruppe. So liegt der MAE bei Stellen mit Vermittlungsauftrag und ohne Stellen der Arbeitnehmerüberlassung bei 873.000 Stellen pro Quartal. Diese Betrachtung allein würde, wie bereits erwähnt, jedoch dazu führen, dass man die Repräsentativität der Daten falsch einschätzt, da ein absolut näherer Wert nicht aussagt, ob die Dynamiken oder Strukturen ähnlich sind. Bezüglich der Repräsentativität der Dynamiken sollten die indizierten Werte herangezogen werden. Hier zeigt sich für unsere Daten kein einheitliches Bild. Die gesamtwirtschaftliche Dynamik würden am besten die Stellen mit Vermittlungsauftrag, aber ohne Stellen der Arbeitnehmerüberlassung widerspiegeln. Hierbei lässt sich eine mittlere absolute Abweichung von 7 Prozentpunkten pro Quartal feststellen. Die Aggregationsebene West-/Ostdeutschland repräsentieren die Stellen mit Vermittlungsauftrag ebenfalls besser, wobei die mittleren absolute Abweichungen für Stellen einschließlich Arbeitnehmerüberlassung mit 10 Prozentpunkten sehr ähnlich ist zu den Stellen ohne Arbeitnehmerüberlassung mit 11 Prozentpunkten. Für eine IAB-Forschungsbericht 1|2025 48 Differenzierung der Dynamik nach Anforderungsniveaus bringt die Abgrenzung von Stellen mit Vermittlungsauftrag eher eine „Verschlechterung“ gegenüber der Betrachtung aller Stellen. Das trifft sowohl für die Datenabgrenzung inklusive Arbeitnehmerüberlassung als auch ohne Arbeitnehmerüberlassung zu. Bei den Wirtschaftszweigen ist lediglich ein Vergleich zwischen Stellen mit Vermittlungsauftrag einschließlich Arbeitnehmerüberlassung und ohne Arbeitnehmerüberlassung möglich. Hier ergibt sich mit 15 Prozentpunkten eine identische mittlere Abweichung. Ein etwas eindeutigeres Bild ergeben die mittleren Abweichungen auf Basis der anteiligen Werte. Für alle betrachteten Dimensionen repräsentieren die jeweils anteiligen Werte der Stellen mit Vermittlungsauftrag eher die von der IAB-Stellenerhebung gemessenen gesamtwirtschaftlichen Stellenstruktur. Dabei sind die mittleren Abweichungen für die Stellen ohne Arbeitnehmerüberlassung für West-/Ostdeutschland sowie die Wirtschaftszweige noch etwas geringer und für die Anforderungsniveaus etwas höher als die mittleren Abweichungen für die Stellen mit Arbeitnehmerüberlassung. Für sich genommen ergibt die metrische Analyse somit kein klares Bild, welche Datenabgrenzung für alle Fälle die bessere ist. Dies hängt von der vorliegenden Forschungsfrage ab. Für unsere Stellendaten lässt sich schlussfolgern, dass die Stellen mit Vermittlungsauftrag bevorzugt werden können, wenn es darum geht, auf eine Stichprobe zurückzugreifen, die die Stellenstruktur entlang der betrachteten Dimensionen bestmöglich abbildet. Wenn es dagegen um dynamische Aspekte geht, kommt insbesondere bei der Betrachtung der Anforderungsniveaus auch der Rückgriff auf alle Stellen in Betracht. 3.5.6 Fazit Insgesamt zeigen die Analysen aus diesem Abschnitt, dass die BA-Stellenbörsedaten generell in ihrer Dynamik und Struktur gut mit den Daten der IAB-Stellenerhebung übereinstimmen. In einigen Fällen sollten Datennutzende jedoch beachten, dass die Auswahl bestimmter Teilpopulationen in den Stellenangeboten zu einer Verzerrung führen können. Es scheint keine starke Selektivität zwischen Westund Ostdeutschland zu geben. Dies gilt für alle Stellen und für Stellen mit Vermittlungsauftrag gleichermaßen. Der Wirtschaftszweig der Arbeitnehmerüberlassung zeigt allerdings deutliche Abweichungen in den Anteilen der Stellen im Vergleich zur IAB-Stellenerhebung. Forschende sollten prüfen, ob eine Aufnahme in die jeweiligen Analysen sinnvoll ist. Davon abgesehen kann also Repräsentativität für die Daten angenommen werden, was insbesondere auch für die Teilpopulation der Stellen mit Vermittlungsauftrag gilt. Trotz dieser positiven Ergebnisse sollten Vergleichsanalysen möglichst für den jeweils ausgewählten Analysezeitraum vorgenommen werden. 4 Deskriptive Analysen des erzeugten Stellendatensatzes Im Folgenden wollen wir einige grundlegende Eigenschaften der aufbereiteten BAStellenbörsedaten beschreiben. Die Erkenntnisse aus Abschnitt 2.5, insbesondere zu den Zeiten IAB-Forschungsbericht 1|2025 49 negativen Wirtschaftswachstums werden wir im Zeitverlauf berücksichtigen und bei Abbildungen in Form grau unterlegter Areale kennzeichnen. Wir werden unsere Analysen außerdem primär für die Stellen ohne Arbeitnehmerüberlassung präsentieren. Analysen mit allen Stellen einschließlich der Arbeitnehmerüberlassung weisen wir an bestimmten Stellen aus, wenn sich völlig andere Ergebnisse zeigen. Abbildung 10 zeigt die Anzahl der zugegangenen Stellenangebote und daraus resultierenden Stellen pro Quartal für Deutschland und ohne Stellen der Arbeitnehmerüberlassung.25 Abbildung 10: Anzahl der zugegangenen Stellenangebote bzw. Stellen je Monat für Deutschland ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildungen (a) und (b) zeigen die Stellenzahlen und Stellenangebotszahlen im Zeitverlauf. Abbildung (a) zeigt die jeweiligen absoluten Zahlen und Abbildung (b) zeigt diese Zahlen als indizierte Zeitreihe, also jeweils relativ zum Basisquartal (zweites Quartal 2019). Bei beiden Graphiken stellt die durchgehende Linie jeweils den Quartalsdurchschnitt dar und die gestrichelten Linien stellen die Zahlen pro Monat dar. Die grauen Flächen markieren Zeiträume mit negativem BIPWachstum (preisbereinigt). Diese Zeiträume umfassen das erste Quartal 2020 bis erstes Quartal 2021 sowie das zweite Quartal 2023 bis viertes Quartal 2023. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche, Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023; DESTATIS (2024). Eigene Berechnungen. Aus Abbildung 10(a) lässt sich schlussfolgern, dass mit jedem veröffentlichten Stellenangebot etwa 1,3bis 1,5 Stellen ausgeschrieben werden. Über dem gesamten Zeitraum wurden im Durchschnitt 1,37 Stellen je Stellenangebot ausgeschrieben; diese Zahl ergibt sich aus 14.374.799 Stellenangeboten für 19.634.936 Stellen (siehe auch Tabelle 7). Sowohl die Zeitreihe der Stellenangebote als auch der einzelnen Stellen zeigt zunächst eine Seitwärtsbewegung bis zum vierten Quartal 2020. Nach dem vierten Quartal 2020 kann man eine zunächst steigende Tendenz beobachten, wobei es ab dem zweiten Quartal 2023 einen negativen Trend gibt. Die Dynamiken der beiden Größen sind bis zum dritten Quartal 2021 nahezu identisch (siehe Abbildung 10b). Ab diesem Quartal divergieren die beiden Zeitreihen allerdings, was darauf schließen lässt, dass es weniger Stellen pro Stellenanzeige gab als zuvor. Die genauen Ursachen dafür müssen künftige Analysen zeigen. 25 Auswertungen für alle Stellenangebote und Stellen inklusive Arbeitnehmerüberlassung sind im Anhang in Abbildung 47 zu finden. IAB-Forschungsbericht 1|2025 50 Neben der zeitlichen Dimension der Verläufe der Stellenangebote und Stellen, ist für das Verständnis der Daten ebenso eine Betrachtung nach der regionalen Dimension zweckmäßig. Tabelle 9 stellt die absolute Zahl der Stellen und die Stellenanteile nach Bundesland dar. Die Tabelle geht gesondert auf die bundeslandspezifische Zahl Stellen ohne Berufsinformation ein.26 Tabelle 9: Stellenzahl pro Bundesland über den gesamten Zeitraum (April 2019 bis Dezember 2023) ohne Arbeitnehmerüberlassung Bundesland Stellen Anzahl Anteil an Stellen insgesamt [%] ... davon ohne Berufsinformation Schleswig-Holstein 590.851 3,01 2 Hamburg 587.193 2,99 0 Niedersachsen .497.655 7,63 3 Bremen 93.230 0,98 0 Nordrhein-Westfalen 3.749.227 19,09 4 Hessen 1.748.338 8,90 69 Rheinland-Pfalz 782.306 3,98 3 Baden-Württemberg 2.877.067 14,65 57 Bayern 3.461.334 17,63 54 Saarland 160.264 0,82 0 Berlin 1.101.281 5,61 6 Brandenburg 514.249 2,62 41 Mecklenburg-Vorpommern 321.325 1,64 159 Sachsen 1.144.318 5,83 3 Sachsen-Anhalt 421.226 2,15 0 Thüringen 485.072 2,47 2 Gesamt 19.634.936 100,00 403 Anmerkung: Die Tabelle zeigt die Stellenzahlen im gesamten betrachteten Zeitraum (April 2019 bis Dezember 2023) pro Bundesland. Die Tabelle weist außerdem die Anteile der Stellen je Bundesland an den gesamten Stellen und die jeweilige absolute Anzahl an Stellen aus, für die keine Berufsinformation vorliegt. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche, Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Aus Tabelle 9 lässt sich entnehmen, dass die meisten Stellen in Nordrhein-Westfalen, Bayern und Baden-Württemberg ausgeschrieben werden. Die wenigsten ausgeschriebenen Stellen findet man im Saarland und in Bremen. Von den ausgeschriebenen Stellen haben MecklenburgVorpommern, Hessen und Baden-Württemberg die höchste Anzahl an Stellen ohne Berufsinformation. Diese absoluten Werte sind aber mit 159 (0,049%), 69 (0,00390039%) und 57 (0,0020%) im vernachlässigbaren Bereich. Stellen aus Hamburg, Bremen, dem Saarland und Sachsen-Anhalt weisen gar keine fehlende Berufsinformation aus. 26 Auswertungen für alle Stellenangebote und Stellen inklusive Arbeitnehmerüberlassung sind im Anhang in Tabelle 45 zu finden. IAB-Forschungsbericht 1|2025 51 Eine weitere wichtige Dimension für detaillierte Auswertungen im Hinblick auf die allgemeine Deskription der Daten stellen die Berufssegmente dar. Berufssegmente sind Gruppen von Einzelberufen, die ähnliche Tätigkeiten aufweisen.27 Tabelle 10 zeigt die Stellenangebotssowie Stellenzahl pro Berufssegment.28 Tabelle 10: Zahl der Stellenangeboteund der damit ausgeschriebenen Stellenzahl je Berufssegment (gesamter Zeitraum), ohne Arbeitnehmerüberlassung Berufssegment Angebote Anteil an gesamten Angeboten [%] Stellen Anteil an gesamten Stellen [%] Land-, Forstund Gartenbauberufe 168.532 1,17 197.209 1,00 Fertigungsberufe 476.500 3,31 614.576 3,13 Fertigungstechnische Berufe 1.806.454 12,57 2.335.585 11,90 Bauund Ausbauberufe 847.952 5,90 1.171.232 5,97 Lebensmittelund Gastgewerbeberufe 1.106.182 7,70 1.323.224 6,74 Medizinische u. nicht-medizinische Gesundheitsberufe 1.394.619 9,70 1.929.124 9,83 Soziale und kulturelle Dienstleistungsberufe 1.033.690 7,19 1.386.495 7,06 Handelsberufe 1.839.804 12,80 2.705.563 13,78 Berufe in Unternehmensführung und -organisation 1.438.674 10,01 1.755.038 8,94 Unternehmensbezogene Dienstleistungsberufe 1.428.013 9,93 1.763.646 8,98 ITund naturwissenschaftliche Dienstleistungsberufe 1.504.236 10,46 2.327.862 11,86 Sicherheitsberufe 132.312 0,92 277.685 1,41 Verkehrsund Logistikberufe 838.713 5,83 1.387.121 7,06 Reinigungsberufe 358.941 2,50 460.173 2,34 Alle Berufe 14.374.622 100,00 19.634.533 100,00 Anmerkung: Die Tabelle stellt die Stellen pro Berufssegment im gesamten Zeitraum dar. Der Anteil bezieht sich auf die Stellen pro Berufssegment relativ zu allen geschalteten Stellen.29 Stellen ohne Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche, Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Tabelle 10 zeigt erwartungsgemäß, dass alle Berufssegmente in den über 14,3 Mio. ausgeschriebenen Stellenangeboten für 19,6 Mio. Stellen der BA-Jobbörse zu finden sind. Der größte Anteil mit über 1,8 Mio. Stellenangeboten für 2,7 Mio. Stellen entfällt auf die Handelsberufe (13,78% aller ausgeschriebenen Stellen). Die fertigungstechnischen Berufe und die ITund naturwissenschaftlichen Dienstleistungsberufe folgen auf Rang 2 und 3 mit jeweils mehr als 2,3 Mio. offenen Stellen. Betrachtet man bei diesen beiden Berufssegmenten die Differenz bei den Anteilen der Stellenangebote und die Differenz bei den Anteilen an den tatsächlichen Stellen, so sieht man, dass es zwischen den Berufssegmenten erhebliche Unterschiede in der Zahl der Stellen pro Stellenausschreibung geben kann. Weitere Beispiele für 27 Genauer werden die Berufshauptgruppen (Zweistelliger Code der Klassifizierung der Berufe 2010) zu Berufssegmenten zugeordnet; Anhang 16. 28 Die Auswertungen für alle Stellenangebote und Stellen inklusive Arbeitnehmerüberlassung sind im Anhang in Tabelle 46 zu finden. 29 Die Abweichung der Anzahl über alle Berufe gegenüber der oben als Grundgesamtheit dargestellten Zahlen ohne Arbeitnehmerüberlassung ergibt sich daraus, dass für 177 Stellenangebote mit 403 dahinterstehenden Stellen die Berufsangabe in den Daten fehlen. IAB-Forschungsbericht 1|2025 52 erhebliche Differenzen in den Anteilen sind die Verkehrsund Logistikberufe, deren jeweilige Anteile an allen Stellenangeboten 5,83 Prozent und an allen Stellen 7,06 Prozent beträgt. Auch aufgrund solcher Diskrepanzen ist es geboten Analysen auf einer Ebene – entweder den Stellenangeboten oder der Stellen – durchzuführen. Jedoch ist zu beachten, dass Stellenangebote, wenn sie mehrere Arbeitsorte aufweisen, nicht mehr sinnvoll regional auswertbar sein könnten. Vergleicht man die Zahlen aus Tabelle 10 mit allen Stellen einschließlich der Arbeitnehmerüberlassung (Tabelle 46 im Anhang), so erkennt man, dass bei den Stellen mit Arbeitnehmerüberlassung vor allem Stellen in „Fertigungsberufen“ und „Verkehrsund Logistikberufen“ zu finden. Einen leichten Zuwachs an Stellenanteilen können auch die „medizinischen und nicht-medizinischen Gesundheitsberufe“ verzeichnen. Mit den „ITund naturwissenschaftlichen Dienstleistungsberufen“, den „Handelsberufen“, und den „sozialen und kulturellen Dienstleistungsberufen“ verlieren drei große Berufssegmente Anteile an allen Stellen. Tabelle 10 bietet einen guten Überblick über die Unterschiede zwischen den Berufssegmenten, ist aber statisch und ignoriert damit den dynamischen Charakter der Nachfrage nach Berufssegmenten über den Konjunkturzyklus. Deshalb stellt Abbildung 11 die Rangfolge der Berufssegmente nach der Zahl der zugegangenen Stellen ohne Arbeitnehmerüberlassung quartalsweise über den Beobachtungszeitraum dar.30 30 Die Auswertungen für alle Stellenangebote und Stellen inklusive Arbeitnehmerüberlassung sind in Abbildung 48 im Anhang zu finden. IAB-Forschungsbericht 1|2025 53 Abbildung 11: Rangfolge der Berufssegmente nach Zahl der zugegangenen Stellen ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildung zeigt für jedes Quartal den Rang des jeweiligen Berufssegmentes, der ihm basierend auf der Stellenzahl im Verhältnis zu den Stellen der anderen Berufssegmente zugeordnet wird. Die grauen Flächen markieren Zeiträume mit negativem BIP-Wachstum (preisbereinigt). Diese Zeiträume umfassen das erste Quartal 2020 bis erstes Quartal 2021 sowie das zweite Quartal 2023 bis viertes Quartal 2023. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche, Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023; DESTATIS (2024). Eigene Berechnungen. Aus Abbildung 11 wird ersichtlich, dass die Dynamik in den Rangfolgen zum Teil stark durch die Pandemie beeinflusst wurde, sich die Position der einzelnen Berufssegmente nach der Pandemie aber durchaus auf bestimmten Rängen einpendeln. Beispiele dafür sind die „medizinischen und nicht-medizinischen Gesundheitsberufe“ oder die „Verkehrsund Logistikberufe“. Berufssegmente, die zu Beginn des Beobachtungszeitraums weiter unten angesiedelt sind, haben eine relativ statische Entwicklung über die Zeit hinweg. Dazu zählen beispielsweise „Fertigungsberufe“ oder „Reinigungsberufe“. Die Rangfolge bei den unteren vier Berufssegmenten ändert sich im Verlauf des Beobachtungszeitraums nur vier Mal. Bei den oberen vier Berufssegmenten ändert sich der Rang der einzelnen Segmente häufig sogar in mehreren aufeinanderfolgenden Quartalen. Nun werten wir die BA-Stellenbörsedaten nach Anforderungsniveaus aus. Abbildung 12 beschreibt die zeitliche Entwicklung der Stellenzahlen nach Anforderungsniveau und ohne Stellen der Arbeitnehmerüberlassung. Abbildung 12(a) zeigt die absolute Zahl der Stellen nach Anforderungsniveau in 1.000 Stellen und Abbildung 12(b) die indizierte Zeitreihe, wobei das zweite Quartal 2019 den Wert 100 erhält.31 31 Die Auswertungen für alle Stellenangebote und Stellen inklusive Arbeitnehmerüberlassung sind im Anhang in Abbildung 49 zu finden. IAB-Forschungsbericht 1|2025 54 Abbildung 12: Stellenzahl nach Anforderungsniveaus pro Monat ohne Arbeitnehmerüberlassung Anmerkung: Die grauen Flächen markieren Zeiträume mit negativem BIP-Wachstum (preisbereinigt). Diese Zeiträume umfassen das erste Quartal 2020 bis erstes Quartal 2021 sowie das zweite Quartal 2023 bis viertes Quartal 2023. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche, Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023; DESTATIS (2024). Eigene Berechnungen. Abbildung 12(a) zufolge sind fachlich ausgerichteten Tätigkeiten am häufigsten nachgefragt. Hierbei hat der nach der Covid-Pandemie stattfindende Aufschwung zu einer Erhöhung der Nachfrage nach fachlich ausgerichteten Tätigkeiten geführt, durch die jüngste Rezession aus dem Jahr 2023 wurde diese zusätzliche Nachfrage aber wieder abgebaut; siehe auch Abbildung 12(b). Eine deutlich geringere absolute Nachfrage erkennt man für die drei anderen Anforderungsniveaus, wobei Helferund Anlerntätigkeiten am seltensten nachgefragt werden. Die komplexen Spezialistentätigkeiten und die hoch komplexen Tätigkeiten liegen in der absoluten Nachfrage eng zusammen und entwickeln sich auch augenscheinlich ähnlicher als anderen beiden Anforderungsniveaus. Insgesamt erkennt man bei allen Anforderungsniveaus, außer bei den komplexen Spezialistentätigkeiten und den hoch komplexen Tätigkeiten, eine Polarisierung in der Nachfragestruktur. Während Helferund Anlerntätigkeiten um etwa 25 Prozent steigen, bleiben die fachlich ausgerichteten Tätigkeiten über den gesamten Beobachtungszeitraum hinweg auf ähnlichem Niveau. Zudem steigt auch die Nachfrage nach komplexen Spezialistentätigkeiten und hoch komplexen Tätigkeiten deutlich um 75 Prozent an. Ein Vergleich der Abbildung 12 mit Abbildung 49 im Anhang zeigt, dass bei Hinzunahme der Stellen der Arbeitnehmerüberlassung nicht nur, wie erwartbar, die absolute Zahl der Stellen in den einzelnen Anforderungsniveaus wächst, jedoch in unterschiedlichen Relationen. So zeigt Abbildung 49(a), dass die Zahl der Stellen bei den Helferund Anlerntätigkeiten nun deutlich über den komplexen Spezialistentätigkeiten und den hoch komplexen Tätigkeiten liegen. Bei der Betrachtung der Stellen ohne Arbeitnehmerüberlassung liegt die absolute Nachfrage nach Helferund Anlerntätigkeiten deutlich unter der nach komplexen Spezialistentätigkeiten und nach hoch komplexen Tätigkeiten (Abbildung 12a). Auch die Dynamik unterscheidet sich deutlich. So verzeichnet Abbildung 49(b) einen negativen Trend bei den Stellen der fachlich ausgerichteten Tätigkeiten. Gleichzeitig fallen die relativen Zuwächse bei den übrigen Anforderungsniveaus über den Beobachtungszeitraum hinweg deutlich geringer aus. IAB-Forschungsbericht 1|2025 55 5 Stellentextbasierte Auswertungen 5.1 Überblick Das Ziel dieser Studie ist es, zum einen Kompetenzanforderungen verschiedener Kategorien aus Stellenangeboten und ihre Veränderungen nach verschiedenen Dimensionen wie Berufe oder Regionen aufzubereiten und auszuweisen. Zu den Kategorien gehören • Fachliche Kompetenzen (5.2) • Sprachkenntnisse (Abschnitt 5.3) • Kompetenzen im Zusammenhang mit – Technologien der Künstlichen Intelligenz (KI-Kompetenzen, Abschnitt 5.4) – nachhaltigen Wasserstofftechnologien (Wasserstofftechnologie-Kompetenzen, Abschnitt 5.5) Außerdem untersuchen wir das Angebot an Home-Office in Stellenanzeigen (Abschnitt 5.6). Bei unseren Analysen berechnen wir im Wesentlichen zwei Arten von Kenngrößen: • Wir messen die Bedeutung der in den Stellenanzeigen genannten Kompetenzanforderungen anhand der durchschnittlichen Anzahl ihrer Nennungen je Stellenangebot (im Folgenden auch „relative Nennungen“ oder „relative Häufigkeit der Nennungen“). Somit ist es möglich, Vergleiche in der Nachfrage zu verschiedenen Zeitpunkten anzustellen und zu ermitteln, ob eine bestimmte Kompetenzanforderung an Bedeutung gewonnen oder verloren hat. • Wir messen die Bedeutung der Nachfrage einer bestimmten Kompetenz-Kategorie wie bspw. die Nachfrage nach KI-Kompetenzen oder nach nachhaltigen WasserstofftechnologieKompetenzen sowie das Angebot an Home-Office anhand des Anteils der Stellen, die solche Anforderungen bzw. Angebote enthalten, an allen Stellen. Zum Kompetenzbegriff orientieren wir uns im Wesentlichen an den Definitionen von Stops et al. (2020, S.22 f.): • Bezüglich der Begriffe „Kompetenz“ und der daraus abgeleiteten „Kompetenzanforderungen“ lehnt die Studie sich an Weinert (2001, S. 27) an. Demnach sind Kompetenzen „die bei Individuen verfügbaren oder durch sie erlernbaren kognitiven Fähigkeiten und Fertigkeiten, um bestimmte Probleme zu lösen, sowie die damit verbundenen motivationalen, volitionalen und sozialen Bereitschaften und Fähigkeiten, um Problemlösungen in variablen Situationen erfolgreich und verantwortlich nutzen zu können […]“. • „Kompetenzanforderungen“ sind die in den Stellenanzeigen von Arbeitgebern formulierten Erwartungen über Kompetenzen der Arbeitskräfte, die rekrutiert werden sollen. Diese Definition schließt Tätigkeitsbeschreibungen mit ein, da eine begriffsscharfe Trennung zwischen Anforderungen und Tätigkeitsbeschreibungen weder in den Stellenanzeigen noch in den verschiedenen Kompetenzkategorien vorgenommen wird. Außerdem können Formulierungen von Tätigkeitsbeschreibungen als implizite Anforderungen verstanden werden. IAB-Forschungsbericht 1|2025 56 Wie bereits Stops et al. (2020) betonen, ist davon auszugehen, dass die Auswertungspotentiale von Informationen aus Stellenanzeigen einerseits immens sind, andererseits muss man sich über die Reichweite der Interpretationsmöglichkeiten bewusst sein. In Infokasten I zitieren wir daher noch mal die Überlegungen von ebda., S. 23. Infokasten I – Zur Interpretation der Information aus Stellenanzeigen „Wir nehmen an, dass Arbeitgeber bei weitem nicht alle Kernanforderungen in Stellenanzeigen benennen, die sie für eine bestimmte Stelle vorsehen. Wir nehmen des Weiteren an, dass Arbeitgeber gerade dann Kernanforderungen explizit benennen, wenn sie diese als unabdingbar für die Ausübung der Tätigkeiten auf der von ihnen ausgeschriebenen Stelle halten. Hinzu kommen weitere Bedingungen: • die Arbeitgeber halten diese Anforderungen für untypisch, also üblicherweise nicht zum Berufsbild gehörend. Das kann der Fall sein, wenn sie Kompetenzen als „neue“ Anforderungen für ihre ausgeschriebenen Stellen ansehen; oder • die Arbeitgeber stellen fest, dass Bewerber in einem bestimmten Berufsbild häufig die von ihnen gewünschten Kompetenzen nicht aufweisen; oder • die Arbeitgeber suchen gar nicht nach einer bestimmten Berufsgruppe, sondern interessieren sich für Bewerber, die einen Großteil der Kompetenzanforderungen abdecken. Wir gehen davon aus, dass den in Stellenanzeigen explizit genannten Kompetenzanforderungen generell ein hohes Gewicht bei der Rekrutierung von Arbeitskräften zukommt. Das gilt zwar auch für die mit der Nennung einer Berufsbezeichnung verbundenen Erwartungen an die damit typischerweise einhergehenden Kompetenzen. Eine explizite Nennung spezifischer Kompetenzanforderungen in einer Stellenanzeige betont jedoch die Relevanz dieser Anforderung für die Ausübung der zu erledigenden Aufgaben besonders.“ (Stops et al., 2020, S. 23) Das Wörterbuch für die fachlichen Kompetenzen haben wir weiterentwickelt. Für die übrigen Kompetenz-Kategorien und das Angebot an Home-Office haben wir Wörterbücher jeweils völlig neu erarbeitet. Unser spezifisches Vorgehen dabei beschreiben wir in den jeweiligen Abschnitten. Generell erfolgt die Identifikation der Informationskategorien in den Stellentexten über einen exakten Abgleich mit den im Pre-Processing aufbereiteten Einzelbegriffen in den Stellentexten (Abschnitt 3.3). Dabei haben wir in der Regel nur die Segmente in den Stellentexten ausgewertet, die die „Jobbeschreibung“ enthalten. Lediglich für Home-Office sind wir davon abgewichen und haben den gesamten Stellentext in die Auswertung einbezogen; siehe zur Segmentation der Stellentexte ebenfalls Abschnitt 3.3. Die Wörterbücher enthalten auch Kompetenzen, für deren Identifikation mehr als ein Suchwort existiert. Für diese Kompetenzen war eine Entscheidung über die maximale Suchwortdistanz zu treffen. Dahinter steht die Entscheidung, ob die Suchwörter nur dann die jeweilige Kompetenzanforderung kennzeichnen, wenn sie im Stellentext exakt nebeneinanderstehen oder ob zwischen den Suchwörtern auch andere für die Kompetenzanforderung nicht relevante Wörter stehen dürfen. Die Machbarkeitsstudie von Stops et al. (2020) hat dafür einige Varianten für die maximale Suchwortdistanz erprobt. Dabei ging es um das Problem, dass der Verzicht auf die Festlegung einer Suchwortdistanz dazu führen kann, dass vermeintlich zu einer Kompetenzanforderung IAB-Forschungsbericht 1|2025 63 Tabelle 14: Zahl der genannten Kompetenzen pro Berufssegment, ohne Arbeitnehmerüberlassung Code und Berufssegment Zahl der gefundenen fachlichen Kompetenzen je Stelle Zahl der insgesamt gefundenen distinkten Kompetenzen 04-12/2019 04-12/2023 Differenz 04-12/2019 04-12/2023 Differenz S11 Land-, Forstund Gartenbauberufe 2,37 3,35 0,98 1.468 1.684 216 S12 Fertigungsberufe 2,92 4,06 1,14 2.642 3.049 407 S13 Fertigungstechnische Berufe 4,96 5,90 0,94 3.386 3.734 348 S14 Bauund Ausbauberufe 3,60 5,24 1,64 2.523 2.838 315 S21 Lebensmittelund Gastgewerbeberufe 1,47 1,63 0,16 1.837 2.118 281 S22 Medizinische und nichtmedizinische Gesundheitsberufe 1,81 2,68 0,86 2.334 2.695 361 S23 Soziale und kulturelle Dienstleistungsberufe 2,32 2,83 0,52 2.980 3.404 424 S31 Handelsberufe 2,25 3,01 0,76 2.693 3.011 318 S32 Unternehmensführung und - organisation 4,02 5,40 1,37 3.292 3.801 509 S33 Unternehmensbezogene Dienstleistungsberufe 3,38 5,28 1,90 3.360 3.579 219 S41 ITund naturwissenschaftliche Dienstleistungsberufe 6,50 7,20 0,71 3.438 3.755 317 S51 Sicherheitsberufe 1,98 3,09 1,11 1.176 1.591 415 S52 Verkehrsund Logistikberufe 1,85 2,68 0,83 2.082 2.468 386 S53 Reinigungsberufe 1,21 1,54 0,33 703 907 204 Insgesamt 3,14 4,25 1,11 5.854 5.897 43 Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum Dezember 2019, Dezember 2023. Eigene Berechnung. Tabelle 14 zeigt, dass sich in allen Berufssegmenten die Zahl der genannten Kompetenzen je Stelle über die Zeit, von jeweils April bis Dezember 2019 auf April bis Dezember 2023, erhöht hat. Dabei haben die „Unternehmensbezogenen Dienstleistungsberufe“ (+1,90 Kompetenzen je Stelle) am meisten zugelegt, gefolgt von den „Bauund Ausbauberufen“ (+1,64) sowie den Berufen der „Unternehmensführung und -organisation“ (+1,37). Am Den geringsten Anstieg verzeichneten die „Lebensmittelund Gastgewerbeberufe“ (+0,16), die „Reinigungsberufe“ (+0,33) sowie die „Sozialen und kulturellen Dienstleistungsberufe“ (+0,52). Mehr Kompetenznachfrage in Stellenanzeigen kann dadurch getrieben sein, dass manche Betriebe nun auch Kompetenzen für erforderlich halten, die in der Branche bereits von anderen Betrieben gefragt waren. Möglich ist aber auch, dass nunmehr Kompetenzen zusätzlich nachgefragt werden, die bisher für das jeweilige Berufssegment irrelevant waren. Diese Frage können wir in diesem Bericht nicht vollständig beleuchten, etwas Aufschluss dazu bietet die rechte Seite der Tabelle 14, in der die Anzahl der gefundenen distinkten Kompetenzen für jeweils April bis Dezember 2019 und April bis Dezember 2023 je Berufssegment aufgelistet ist. Demnach war in allen Berufssegmenten auch ein Anstieg der Zahl der genannten Kompetenzen insgesamt zu verzeichnen. Einen besonders hohen Anstieg ist in den Berufssegmenten IAB-Forschungsbericht 1|2025 64 „Unternehmensführung und -organisation“ (+509), „Soziale und kulturelle Dienstleistungen“ (+424) sowie die „Sicherheitsberufe“ (+415) festzustellen. Am geringsten ist der Anstieg im Berufssegment „Reinigungsberufe“ (+204), „Land-, Forst-, und Gartenbauberufe“ (+216) und „Unternehmensbezogene Dienstleistungen“ (+219). Damit sind hier zum Teil andere Berufssegmente am Anfang und Ende der Verteilung zu finden als bei den Entwicklungen zu den relativen Nennungen der fachlichen Kompetenzen. Das zeigt auch, dass nicht notwendigerweise eine starke relative Veränderung der Nennungen der fachlichen Kompetenzen mit einer entsprechend gleichen Veränderung der gefundenen distinkten Kompetenzen einher gehen muss. Es lässt sich aber annehmen, dass die hier beschriebenen Veränderungen auf Veränderungen der Tätigkeitsstrukturen innerhalb der Berufe hinweisen. Wir vertiefen diesen Gedanken im Abschnitt 5.2.4. Tabelle 14 zeigt zuletzt auch, dass in den Monaten April bis Dezember 2019 und April bis Dezember 2023 insgesamt nicht mehr als 5.897 Kompetenzen in den Stellentexten gefunden wurden. Diese Zahl erscheint im Vergleich zu allen im Wörterbuch verzeichneten Kompetenzen (7.837) niedrig. Eine Auswertung über den gesamten Erhebungszeitraum ergab jedoch, dass insgesamt 7.069 der im Wörterbuch verzeichneten Kompetenzen gefunden werden. Die Zahl der Kompetenzen ohne Nennung beschränkt sich somit auf 768 Kompetenzen. Wir vermuten, dass manche Kompetenzen des Wörterbuchs aufgrund ihres Spezifikationsgrad nicht genannt werden (z. B. Programmnamen wie CAD-Anwendung Bravo, CAD-Anwendung CADDS 5), hierfür aber ein Überbegriff in den Stellenanzeigen vorkommt (z. B. CAD (Computer Aided Design) - Systeme anwenden). Weiter gehen wir davon aus, dass Kompetenzen ohne Nennung überholt sind, beziehungsweise, dass diese nur in Nischenund künstlerischen (Handwerks-)Berufen nachgefragt werden (z. B. Hutformen, Fassmalen, etc.). Nun befassen wir uns mit der Frage, welche konkreten fachlichen Kompetenzen am häufigsten nachgefragt werden. Abbildung 14 dokumentiert in den Word-Clouds die jeweils 20 meistgenannten fachlichen Kompetenzen in jedem Berufssegment im Zeitraum April bis Dezember 2023, also den letzten Beobachtungszeitraum in unseren Analysedaten für diesen Bericht. Die Relation der Schriftgrößen der dargestellten Kompetenzen gibt einen Hinweis auf die Reihenfolge der Kompetenzen nach der Häufigkeit ihrer Nennungen im jeweiligen Berufssegment. Die Word-Clouds veranschaulichen die fachliche Einschlägigkeit der geforderten Kompetenzen. Beispielweise werden im Berufssegment „Land-, Forstund Gartenwirtschaft“ häufig die Kompetenzen „Baumpflege, Baumschnitt“ sowie „Garten-, Grünflächenpflege“ genannt. Im Berufssegment „Medizinische und nichtmedizinische Berufe“ werden vor allem Pflegekompetenzen wie „Krankenpflege“, „Altenpflege“ und „Grundpflege“ nachgefragt. Über alle Berufssegmente kann man erkennen, dass einzelne Kompetenzen eine hohe Wichtigkeit haben und in nahezu allen Berufssegmenten gefragt werden, wie beispielsweise die Kompetenzen „Planung“, und „Entwicklung“. Diese Kompetenzanforderungen sind sehr allgemein formuliert und können verschiedenartig kontextualisiert sein. Beispielsweise kann „Entwicklung“ einerseits die Tätigkeit der Software-Entwicklung beschreiben, andererseits aber auch die Entwicklung von Strategien, Prozessen, etc. Des Weiteren ist ersichtlich, dass Kenntnisse von „Microsoft Office“ nun in allen Berufssegmenten häufiger gefragt sind, was auf eine erhöhte Digitalisierung der Produktionsprozesse hinweisen kann. IAB-Forschungsbericht 1|2025 65 In vorwiegend technischen Berufen erkennt man, dass vermehrt die Kompetenz „Wartung, Reparatur und Instandhaltung“ nachgefragt wird. Dies erlaubt den Schluss auf Tätigkeiten mit vielfältigen Maschinen, wie z. B. bei den „Land-, Forstund Gartenbauberufen“, den „Fertigungsberufen“, den „Fertigungstechnischen Berufen“, den „Bauund Ausbauberufen“, den „Verkehrsund Logistikberufen“, den „ITund naturwissenschaftliche Dienstleistungsberufen“ sowie den „Reinigungsberufen“. Im Gegensatz dazu sind bei betriebsoder verwaltungswirtschaftlichen Berufen administrative und analytische Tätigkeiten (z. B. „Controlling“, „Tabellenkalkulation Excel (MS Office)“, „Analyse“) nachgefragt und in sozialen Berufen eher interaktive Tätigkeiten und Tätigkeiten der Dokumentation (z. B. „Pflege“, „Sozialarbeit“, „Kinder (Betreuung etc.)“). IAB-Forschungsbericht 1|2025 66 Abbildung 14: Die 20 am häufigsten genannten fachlichen Kompetenzen je Berufssegment im April bis Dezember 2023, ohne Arbeitnehmerüberlassung S11 Land-, Forstund Gartenbauberufe S12 Fertigungsberufe S13 Fertigungstechnische Berufe S14 Bauund Ausbauberufe S21 Lebensmittelund Gastgewerbeberufe S22 Medizinische und nichtmedizinische Gesundheitsberufe S23 Soz. und kulturelle Dienstleistungsberufe S31 Handelsberufe S32 Unternehmensführung und -organisation S33 Unternehmensbezogene Dienstleistungsberufe S41 ITund naturwissenschaftliche Dienstleistungsberufe S51 Sicherheitsberufe S52 Verkehrsund Logistikberufe S53 Reinigungsberufe Anmerkung: Für die Erstellung der gezeigten Word-Clouds wird die jeweilige relative Nennung der Kompetenzen pro Stellenanzeige in jedem Berufssegment ermittelt. Die Schriftgröße einer Kompetenz ist umso größer, je größer die Zahl der relativen Nennungen dieser Kompetenz ist. Schriftgrößen können nur innerhalb eines Berufssegments verglichen werden, nicht aber zwischen den Berufssegmenten. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: April-Dezember 2023. Eigene Berechnungen. IAB-Forschungsbericht 1|2025 67 Nach dem generellen Überblick befassen wir uns mit der Kompetenznachfrage auf der Ebene der Berufshauptgruppen mit dem Ziel, Gemeinsamkeiten bzw. Unterschiede in der Nachfrage nach fachlichen Kompetenzen zwischen den verschiedenen Berufshauptgruppen herauszuarbeiten (Zweisteller der Klassifikation der Berufe 2010, die auch in Abschnitt 16 näher aufgeführt sind). Wir beschränken uns in den Auswertungen auf die 30 am häufigsten nachgefragten fachlichen Kompetenzen für April bis Dezember 2023. Alle Auswertungen sind in einem Excel-Supplement zu finden38. Eine Analyse dieser Auswertungen ergibt, dass ein Großteil der am häufigsten genannten fachlichen Kompetenzen für die jeweilige Berufshauptgruppe spezifisch sind und die Tätigkeitsfelder innerhalb der Berufshauptgruppen abdecken. Im Zeitraum April bis Dezember 2023 werden insgesamt knapp 25 Prozent (275/1110) der Top-30-Kompetenzen über alle Berufshauptgruppen in einer der Berufshauptgruppen (Zwei-Steller) nachgefragt. Nur ein kleiner Teil der Kompetenzen (1,6%) wird in zehn oder mehr Berufshauptgruppen nachgefragt. Das zeigt, dass die meisten Kompetenzen sehr spezifisch sind. Einen Überblick über die Spezifität der Kompetenzen zeigt Tabelle 15. In den Tabellenüberschriften sind die Codes der Berufshauptgruppen (1 bis 37) und der Berufsbereiche (0 bis 9) zu finden. Tabelle 15(a) beschränkt sich auf Kompetenzanforderungen, die lediglich in nur einer Berufshauptgruppe vorkommen. Dies sind z. B. die Kompetenzen „Pflanzenschutz“ in der Berufshauptgruppe 11 („Land-, Tier und Forstwirtschaft“); und die Kompetenz „CNC-Kenntnisse, CNC-Programmieren“ für die Berufe in der Berufshauptgruppe 24 („Metallerzeugung und -bearbeitung, Metallbauberufe“). In Tabelle 15(b) sind die Kompetenzanforderungen aufgelistet die in mehr als 30 Berufshauptgruppen vorkommen. Hierfinden sich eher abstrakt formulierte Kompetenzanforderungen. Insgesamt finden wir nur vier Kompetenzen; das sind „Organisation, „Entwicklung“ „Planung“ und „Microsoft Office“. 38 Excel-Datei: fb0125_Online-Appendix_1. Die Exceldatei beinhaltet für jede der 37 Berufshauptgruppen jeweils ein Tabellenblatt. IAB-Forschungsbericht 1|2025 68 Tabelle 15: Beispiele für mindestens in einer Berufshauptgruppe häufig genannten Kompetenzanforderungen nach Spezifität, April bis Dezember 2023, ohne Arbeitnehmerüberlassung. Anmerkung: Die Tabelle beschreibt beispielhaft Kompetenzanforderungen nach ihrer Spezifität. Die Tabelle ist in 2 Teilen unterteilt und illustriert (a) welche Kompetenzen sehr spezifisch für eine Berufshauptgruppe und nur einmal in den Top-30 Kompetenzen nachgefragt wird und (b) welche Kompetenzen in mehr als 30 Berufshauptgruppen zu den Top-30 Kompetenzen zählen. Zur Benennung der Berufshauptgruppen siehe auch Tabelle 44 im Anhang. Die Berufsbereiche sind wie folgt bezeichnet: 0: Militär; 1: Land-, Forstund Tierwirtschaft und Gartenbau; 2: Rohstoffgewinnung, Produktion und Fertigung; 3: Bau, Architektur, Vermessung und Gebäudetechnik; 4: Naturwissenschaft, Geografie und Informatik; 5: Verkehr, Logistik, Schutz und Sicherheit; 6: Kaufmännische Dienstleistungen, Warenhandel, Vertrieb, Hotel und Tourismus; 7: Unternehmensorganisation, Buchhaltung, Recht und Verwaltung; 8: Gesundheit, Soziales, Lehre und Erziehung; 9: Sprach-, Literatur-, Geistes-, Gesellschaftsund Wirtschaftswissenschaften, Medien, Kunst, Kultur und Gestaltung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: Dezember 2023. Eigene Berechnungen. Fachliche Kompetenzen Berufshauptgruppen (Zweistelliger Code der Klassifizierung der Berufe 2010) 01 11 12 21 22 23 24 25 26 27 28 29 31 32 33 34 41 42 43 51 52 53 54 61 62 63 71 72 73 81 82 83 84 91 92 93 94 Berufsbereiche (Einstelliger Code der Klassifizierung der Berufe 2010) 0 1 2 3 4 5 6 7 8 9 Beispiele für Kompetenzen, die sehr häufig nur in einer Berufshauptgruppen vorkommen (insgesamt 364 von 436 jeweils häufig in den Berufshauptgruppen nachgefragte Kompetenzen) Pflanzenschutz Leere Zell e x Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Baumpflege, Baumschnitt Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e CNC-Kenntnisse, CNC-Programmieren Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Konstruktiver Ingenieurbau Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Umweltmanagement Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Supply-Chain-Management Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Einzelhandel Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Rechtswissenschaften Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Innere Medizin Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Vorschularbeit, -erziehung Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Tontechnik Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e Leere Zell e X (b) Beispiele für Kompetenzen, die in sehr häufig in mindestens 30 Berufshauptgruppen gefragt sind Entwicklung x x x x x x x x x x x x x Leere Zell e Leere Zell e Leere Zell e x x x x Leere Zell e x Leere Zell e x x x x x x x x x x x x x x Organisation x x x x x x Leere Zell e x x x x x x x x x x x x x x x x x x x x Leere Zell e x x x x x x x x x Planung x x x x x x X x x x x x x x x x x x x x Leere Zell e x x x x x x x x x x x x x x x x Microsoft Office X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X IAB-Forschungsbericht 1|2025 69 Nun untersuchen wir die 30 am häufigsten nachgefragten fachlichen Kompetenzen je Anforderungsniveau für April bis Dezember 2023. Die Auswertungen sind ebenfalls in einem Excel-Supplement zu finden.39Rund 21 der 30 meistgefragten fachlichen Kompetenzen kommen lediglich bei Helferund Anlerntätigkeiten vor und beschreiben meist sehr konkrete Verrichtungen. Hierzu gehören beispielsweise „Kommissionieren“, „Sortieren“, „Servieren“, „Auffüllen“, oder „Verpacken“. In den höheren Anforderungsniveaus scheinen die nachgefragten Kompetenzen weniger spezifisch zu sein. In den höhsten Anforderungsnivau sind die gefragten Kompetenzanforderungen eher abstrakten Kompetenzen und umfassen Tätigkeiten wie „Entwicklung“, „Planung“, „Management“, „Organisation“ oder „Analyse“. Abschließend betrachten wir die Berufshauptgruppen in der Kombination mit den Anforderungsniveaus. Dies erlaubt uns nachzuvollziehen, inwiefern sich die Tätigkeiten in einer Berufshauptgruppe innerhalb der Anforderungsniveaus unterscheiden. Dabei beschränken wir uns auf Auswertungen der 10 am häufigsten nachgefragten fachlichen Kompetenzen für den Zeitraum April bis Dezember 2023. Alle Auswertungen sind in einem weiteren Excel-Supplement zu finden.40 Inhaltlich kann auch hier zusammenfassend festgehalten werden, dass sich die Spezifität der Kompetenzbedarf in den einzelnen Anforderungsniveaus unterscheidet. Das bereits beobachtete Muster bestätigt sich auch weiterhin: in höheren Anforderungsniveau werden häufiger Kompetenzen allgemeiner Natur, wie „Organisation“, „Planung“, und „Entwicklung“ genannt und es werden zusätzlich sehr häufig berufsgruppenspezifische Überbegriffe gesucht (z. B. „Architektur“, oder „Konstruktiver Ingenieurbau“ in Berufshauptgruppe 31 „Bauplanungs-, Architekturund Vermessungsberufen“. Umgekehrt ist es bei Kompetenzanforderungen mit einem niedrigeren Anforderungsniveaus, hier werden häufig sehr spezifische Tätigkeiten nachgefragt, z. B. „Ausschachten“ oder „Kabelverlegung“ in der Berufshauptgruppe 32 „Hochund Tiefbau“. Schließlich werden manche Kompetenzanforderungen in allen Anforderungsniveaus nachgefragt und sind somit unabhängig vom Anforderungsniveau relevant, wie beispielsweise „Verkauf“ in der Berufshauptgruppe 62 „Verkaufsberufe“, oder „Wartung, Reparatur und Instandhaltung“ in der Berufshauptgruppe 34 „Gebäudeund versorgungstechnische Berufe“. 5.2.4 Zum Wandel der einzelnen fachlichen Kompetenzanforderungen Im folgenden Abschnitt möchten wir den Wandel der einzelnen fachlichen Kompetenzanforderungen anhand eines aussagekräftigen Analyserahmen präsentieren. Wir greifen hierfür auf die von Stops et al. (2020) entwickelte einfache Typisierung der Entwicklungsverläufe zurück. In unserer Analyse vergleichen wir die relativen Nennungen der Kompetenzanforderungen im Zeitraum April bis Dezember 2019 und den Zeitraum April bis Dezember 2023. Mit der Verwendung dieses Zeitraums versuchen wir unterjährige Verlaufsmuster (Saisonelle Veränderungen, Jahreszeiten, etc.) zu beachten. 39 Excel-Datei: fb0125_Online-Appendix_2. Die Exceldatei beinhaltet für jedes der vier Anforderungsniveaus jeweils ein Tabellenblatt. 40 Excel-Datei: fb0125_Online-Appendix_3. Die Exceldatei beinhaltet für jede der 37 Berufshauptgruppen jeweils ein Tabellenblatt. IAB-Forschungsbericht 1|2025 70 Das Ziel der Typisierung ist es, den Bedarf und die Entwicklung der einzelnen Kompetenzanforderungen auf den Arbeitsmarkt zu illustrieren. Für die Berechnung nutzen wir einerseits die Zahl der Nennungen einer Kompetenz in den Stellenanzeigen um den Bedarf zu messen. Andererseits nutzen wir die Veränderung zwischen zwei gegebenen Zeitpunkten in der Zahl der Nennungen einer Kompetenz in den Stellenanzeigen. Wir positionieren jede gefundene Kompetenzanforderung entlang dieser Größen und erhalten vier Felder (Entwicklungstypen), die in Abbildung 15 veranschaulicht werden. Abbildung 15: Typisierung der Entwicklungsverläufe von Kompetenznennungen in Stellenanzeigen Anmerkung: In der Matrix positionieren wir die Kompetenzen je nach ihrer Bedeutung am Arbeitsmarkt. Auf der x-Achse der Graphik sind die relativen Nennungen zum ersten Erhebungszeitpunkt (April bis Dezember 2019) dargestellt. Auf der y-Achse ist die Kompetenzdynamik, der Differenz der relativen Nennungen der Kompetenzen vom letzten Erhebungszeitpunkt (April bis Dezember 2023) im Vergleich zum ersten Erhebungszeitpunkt (April bis Dezember 2019), abgebildet. Wir unterscheiden vier Felder: Typ (I), Typ (II), Typ (III), und Typ (IV). Je nach Häufigkeit der relativen Nennungen werden die Kompetenzen positioniert, z. B. eine Kompetenz, die zu Beginn wenig genannt wird (wenige Nennungen), aber über den Zeitraum hinweg an Bedeutung gewinnt (Anteil steigt), wird in Typ (I) lokalisiert. In der Abbildung erkennen wir Pfeile, die aufzeigen, welchen Weg Kompetenzen über einen gedachten Lebenszyklus am Arbeitsmarkt durchlaufen. Eine neue Kompetenz findet man in Typ (I), bleibt die Nachfrage hoch, verschiebt sich die Position in Typ (II). Sobald die Nachfrage abnimmt, ist die Kompetenz in Typ (III) und sinkt der Anteil der Kompetenz weiter ab, in Typ (IV), bis sie aus dem Arbeitsmarkt wieder ausscheidet. Quelle: Stops et al. (2020, S. 56) Für unsere Analysen haben wir die Zeiträume April bis Dezember 2019 und April bis Dezember 2023 betrachtet. Insgesamt finden wir in den zwei Zeiträumen 6.224 Kompetenzen in den Stellenanzeigen (Tabelle 16). In der tabellarischen Darstellung sind die Zahl der Kompetenzenanforderungen bereits in der von uns definierten Entwicklungstypen gelistet. Dabei unterschieden wir die Kompetenzanforderungen, deren Anteil zwischen den zwei Erhebungszeiträumen gestiegen bzw. deren Anteil gesunken ist und welche Kompetenzen zum Anfangszeitpunkt „wenige“ und „viele“ Nennungen vermessen. Die Trennlinie entspricht dem arithmetischen Mittel der relativen Nennungen der Kompetenzen in 2019 und liegt bei etwa 0,005. Obwohl es sich um einen sehr geringen Wert handelt, liegen die relativen Nennungen der IAB-Forschungsbericht 1|2025 71 meisten Kompetenzen (86,53%) unterhalb dieses Wertes Das deutet darauf hin, dass der Großteil der Kompetenzen eher spezifisch ist. Bei den Kompetenzanforderungen mit „vielen“ Nennungen (Typ II, Typ III) handelt es sich im Gegenzug um allgemeinere Kompetenzen, die auch in den unterschiedlichen Berufshauptgruppen oft wiederkehren. Tabelle 16: Die Verteilung der Zahl der Kompetenzen auf die abgeleiteten Entwicklungstypen Kompetenzgruppen Einordnung der Kompetenzen: Veränderung der relativen Nennungen April-Dezember 2019 im Vergleich zu April-Dezember 2023 Zahl der genannten Kompetenzen insgesamt Anteil gestiegen Anteil gesunken „Wenige“ Nennungen Typ (I) „Viele“ Nennungen Typ (II) „Viele“ Nennungen Typ III „Wenige“ Nennungen Typ IV Absolut 3.302 616 222 2.084 6.224 In % 53,05 9,90 3,57 33,48 100 Anmerkung: Die Tabelle teilt die gefundenen Kompetenzen vom Zeitraum April bis Dezember 2019 und April bis Dezember 2023 in die verschiedenen Entwicklungstypen ein. Die Zahl der genannten Komptenzen insgesamt (6.224) unterscheidet sich dabei von den Zahlen der genannten Kompetenzen insgesamt der Tabelle 14 im Zeitraum April bis Dezember 2019 (5.854) und April bis Dezember 2023 (5.897). Dies ist darauf zurückzuführen, dass wir für die Analyse im Abschnitt 5.2.4 die Kompetenzen beider Zeiträume zusammenführen. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: April-Dezember 2019 und AprilDezember 2023. Eigene Berechnungen. Um das Ergebnis zu veranschaulichen, haben wir in Abbildung 16 die Typisierung der Entwicklungsverläufe der Kompetenzanforderungen graphisch dargestellt. In den Abbildungen (a) bis (d) zeigen wir die Kompetenzanforderungen in den einzelnen Entwicklungstypen der Typisierung (I, II, III, IV) und geben einen Eindruck der Streuung der Kompetenznachfrage und - veränderungen über den Erhebungszeitraum hinweg. Deutlich erkennbar ist, dass Kompetenzen, die häufiger genannt werden (Typ II, Typ III) eine größere positive (bis zu 6 Prozenpunkte) und negative Veränderung aufweisen (bis zu 1 Prozentpunkte). Exemplarisch zeigen wir die fünf Kompetenzen nach Entwicklungstyp, die die größte positive oder negative Veränderung aufweisen. Für die Typen mit „wenig“ Nennungen sind das „Versionsverwaltungsprogramm GitLab“ „Konfigurationsmanagementsoftware Terraform“, „Fotovoltaik“, „Entstören“, und „MCSE (Microsoft Certified Solutions Expert)“ in Typ (I), und „Webbrowser Internet Explorer“, „Genetik“, „Wettannahme, Lotterieannahme“, „Haarschnitt“ und „De-Mail“ in Typ (IV). Bei der Gruppe der Kompetenzen, die „viele“ Nennungen ausweisen, verzeichnen die folgenden Kompetenzen den höchsten bzw. den niedrigsten Zuwachs in den relativen Nennungen: „Microsoft Office“, „Planung“, „Entwicklung“, „Management“ sowie „Wartung, Reparatur, Instandhaltung“ in Typ (II), bzw. „Grundpflege“, „Kundenberatung, - betreuung“, „Behandlungspflege“, „Servieren“ und „Verkauf“ in Typ (III). Besonders auffällig sind dabei die zwei Kompetenzen „Microsoft Office“ und „Verkauf“. Beide Kompetenzen wurden im April 2019 in jeweils etwa 10 Prozent aller Stellenanzeigen nachgefragt. Für „Microsoft Office“ nahm die Nachfrage um 6 Prozentpunkte zu. Die positive Entwicklung kann stark durch die Digitalisierung, und der Einführung des stärker cloudund abonnementbasierten Microsoft 365 bedingt sein. IAB-Forschungsbericht 1|2025 72 Anders ist es bei der Kompetenz „Verkauf“. Für diese Kompetenze ist die Nachfrage um etwa 0,6 Prozentpunkte gesunken. Hier mag die Zunahme an Online-Käufen eine starke Rolle spielen, sowie die Covid19-Pandemie und damit einhergehend der Rückgang von persönlichen Einkäufen im stationären Einzelhandel Kaufgeschäften. Die Kompetenz „Verkauf“ wurde im Zeitraum April bis Dezember 2019 in 13 Berufshauptgruppen mit am Häufigsten nachgefragt wurde und von April bis Dezember 2023 nur noch in zehn Berufshauptgruppen. Abbildung 16: Relative Nennung der fachlichen Kompetenzen im Zeitraum April bis Dezember 2019 und ihre Entwicklung im Vergleich zum Zeitraum April bis Dezember 2023 Anmerkung: In den Abbildungen (a) bis (d) wird die Streuung der Kompetenzanforderungen nach ihrer relativen Nennung in den Stellenangeboten nach den vier verschiedenen Entwicklungstypen dargestellt. Die Kompetenzen mit der höchsten positiven oder negativen Veränderung über den betrachteten Zeitraum hinweg (April-Dezember 2019 – April-Dezember 2023) werden in den jeweiligen Entwicklungstyp benannt. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: April bis Dezember 2019 und April bis Dezember 2023. Eigene Berechnungen. 5.2.5 Zum Wandel der fachlichen Kompetenzanforderungen auf Berufsebene Bereits in Abschnitt 5.2.3 haben wir diskutiert, dass sich über die Zeit die Zahl der Kompetenzen, die in Stellenanzeigen genannt werden erhöht hat. Wir wollen noch etwas genauer untersuchen, ob und wie unterschiedlich sich die Dynamik der Kompetenzanforderungen in den verschiedenen Berufshauptgruppen darstellt. IAB-Forschungsbericht 1|2025 79 Abbildung 17: Anteil der Stellen mit Sprachkenntnissen gemessen an allen Stellen Anmerkung: Die Abbildung zeigt die Verläufe des jeweiligen Stellenanteils in Prozent von Stellen in denen Sprachkenntnisse nachgefragt werden von Stellen ohne Arbeitnehmerüberlassung (a) und allen Stellen einschließlich Arbeitnehmerüberlassung (b) für den Beobachtungszeitraum April 2019 bis Dezember 2023. Dabei wird differenziert nach Deutschkenntnissen, Fremdsprachenkenntnissen und Sprachkenntnissen insgesamt. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Vergleichen wir diese Ergebnisse mit den Ergebnissen von Gerhards et al. (2015) für 2015 so zeigt sich, dass wir insgesamt niedrigere Anteile an Fremdsprachenkenntnisse in Stellenanzeigen finden. Während ebda. feststellte, dass in insgesamt 20 Prozent der Stellenanzeigen, die in der Berliner Morgenpost und in der FAZ veröffentlicht wurden, Fremdsprachenkenntnisse gefordert werden, ist der Wert in unserer Untersuchung im Mittel rund 7 Prozentpunkte niedriger. Wie wir im weiteren Verlauf dieses Abschnitts noch zeigen werden, lässt sich das mit der positiv selektierten Grundgesamtheit der Stellenanzeigen bei Gerhards et al. (2015) erklären. Nach diesem Überblick über den Anteil der Stellen mit der Nachfrage nach Sprachkenntnissen, wollen wir nun auf verschiedene weitere Aspekte eingehen. Dabei fokussieren wir auf die explizite Nennung der jeweiligen Sprachkenntnisse. Hierfür werden wir die Nachfrage nach Fremdsprachenkenntnissen (Kapitel 5.3.3.2) bzw. Deutschkenntnissen (Kapitel 5.3.3.3) separat betrachten. 5.3.3.2 Zur Nachfrage nach Fremdsprachenkenntnissen Tabelle 18 zeigt den Stellenanteil der Fremdsprachenkenntnisse nach Berufssegmenten43 ohne Stellen der Arbeitnehmerüberlassung.44 Demnach werden Fremdsprachenkenntnisse in den ITund naturwissenschaftlichen Dienstleistungsberufen (42,37%), den Fertigungstechnischen Berufen (30,55%) sowie in den Berufen in der Unternehmensführung und -organisation (27,79%) am stärksten nachgefragt. Darauf folgen Unternehmensbezogene Dienstleistungsberufe (21,91%), sowie Sicherheitsberufe (16,62%). Im Vergleich dazu werden am seltensten 43 Zur Zuordnung der berufsfachlich ähnlichen Berufshauptgruppen zu Berufssegmenten siehe auch Matthes et al. 2015 und Tabelle 44 im Abschnitt 16 im Anhang. 44 Ergebnisse für alle Stellen einschließlich Arbeitnehmerüberlassung sind in Tabelle 50 im Anhang zu finden. Dabei ist der Anteil der Stellen mit Fremdsprachenkenntnissen in vielen Berufssegmenten durchaus vergleichbar mit in der Regel einem etwas höheren Anteil für Stellen ohne Arbeitnehmerüberlassung. Besonders große Unterschiede ergeben sich dabei für die Fertigungstechnischen Berufe, die Fertigungsberufe und die Bauund Ausbauberufe. Im Gegensatz dazu weisen die Handelsberufe für alle Stellen einschließlich Arbeitnehmerüberlassung einen höheren Stellenanteil mit Fremdsprachenkenntnissen auf.) IAB-Forschungsbericht 1|2025 80 Fremdsprachkenntnisse in Land-, Forstund Gartenbauberufen (4,33%), in den medizinischen und nicht-medizinischen Gesundheitsberufen (3,00%) und in den Reinigungsberufen (1,07%) nachgefragt. Tabelle 18: Relative Häufigkeit der Fremdsprachennachfrage nach Berufssegmenten – ohne Arbeitnehmerüberlassung (Ranking nach Höhe des Anteils) Rang Berufssegment Anzahl der Nennungen insgesamt Anzahl der Stellen insgesamt Fremdsprachenkenntnisse (Stellenanteil in Prozent) 1 ITund naturwissenschaftliche Dienstleistungsberufe 986.302 2.327.862 42,37 2 Fertigungstechnische Berufe 713.611 2.335.585 30,55 3 Berufe in Unternehmensführung und - organisation 487.803 1.755.038 27,79 4 Unternehmensbezogene Dienstleistungsberufe 386.455 1.763.646 21,91 5 Sicherheitsberufe 46.138 277.685 16,62 6 Lebensmittelund Gastgewerbeberufe 139.244 1.323.224 10,52 7 Handelsberufe 284.455 2.705.563 10,51 8 Verkehrsund Logistikberufe 126.148 1.387.121 9,09 9 Fertigungsberufe 54.760 614.576 8,91 10 Soziale und kulturelle Dienstleistungsberufe 89.821 1.386.495 6,48 11 Bauund Ausbauberufe 61.408 1.171.232 5,24 12 Land-, Forstund Gartenbauberufe 8.532 197.209 4,33 13 Medizinische u. nicht-medizinische Gesundheitsberufe 57.874 1.929.124 3,00 14 Reinigungsberufe 4.903 460.173 1,07 Leere Zelle Gesamt 3.447.454 19.634.533 17,55 Anmerkung: Die Tabelle zeigt die relative Häufigkeit der Nachfrage nach Fremdsprachenkenntnissen [%] differenziert nach den 14 Berufssegmenten. Hierbei wird der Durchschnitt der Nennungen gemessen an allen Stellen in der BA-JOBBÖRSE und der BAJobsuche für die den Betrachtungszeitraum von April 2019 bis Dezember 2023 berechnet. Die Reihenfolge der Berufssegmente orientiert sich entlang der jeweiligen Nachfrage nach Fremdsprachenkenntnissen; beginnend mit dem Berufssegment, für das Fremdsprachenkenntnisse am häufigsten nachgefragt werden bis hin zum Berufssegment, in dem am seltensten Fremdsprachenkenntnisse gefragt sind. Stellen ohne Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Abbildung 18(a) zeigt die Nachfrage nach Fremdsprachenkenntnissen im Zeitverlauf nach Anforderungsniveaus für die Stellen ohne Arbeitnehmerüberlassung. Während lediglich zwischen 1,26 und 7,51 Prozent der Stellen für Helferund Anlerntätigkeiten Fremdsprachenkenntnisse nachgefragt werden, liegen die Werte bei den fachlich ausgerichteten Stellen zwischen 5,93 und 13,02 Prozent. Eine deutlich höhere Nachfrage lässt sich bei den komplexen Spezialistentätigkeiten mit Anteilswerten zwischen 13,13 und 28,92 Prozent und bei den hoch komplexen Tätigkeiten zwischen 23,12 und 40,18 Prozent erkennen. Daraus schließen wir, dass mit einem höheren Anforderungsniveaus eine höhere Nachfrage nach Fremdsprachenkenntnissen einhergeht. Dieses Ergebnis deckt sich bspw. mit den Befunden von Gerhards et al. (2015), wonach der berufliche Einsatz von Fremdsprachen mit Zunahme des Bildungsniveaus steigt. IAB-Forschungsbericht 1|2025 81 Zu Beginn des Beobachtungszeitraums verzeichnen wir bis zum Juli 2019 zunächst einen Rückgang, der von einem kurzzeitigen Anstieg abgelöst wird. Je nach Anforderungsniveau erreichen die Werte im September bzw. Oktober 2019 zunächst ihren Höhepunkt und sinken bis Juni bzw. Juli 2020 insbesondere bei den fachlich ausgerichteten Tätigkeiten mit 5,93 Prozent und bei den komplexen Spezialistentätigkeiten mit 13,13 Prozent auf ihr jeweiliges Minimum. Durch den anschließenden Aufschwung erreichen zunächst die komplexen Spezialistentätigkeiten im August 2022 mit 28,92 Prozent und die hoch komplexen Tätigkeiten im August 2022 mit 40,18 Prozent ihr Maximum im Beobachtungszeitraum. Im Oktober 2022 bzw. April 2023 erreicht die Nachfrage nach Helferund Anlerntätigkeiten mit 7,5 Prozent bzw. nach fachlich ausgerichteten Tätigkeiten mit 13,02 Prozent ihr jeweiliges Maximum. Von den makroökonomischen Schocks abgesehen, zeigt sich eine relativ geringe Volatilität der Nachfrage. Vergleicht man die Stellen ohne Arbeitnehmerüberlassung (Abbildung 18a) mit allen Stellen, einschließlich Stellen der Arbeitnehmerüberlassung (Abbildung 18b), so zeigen beide Abbildungen einen ähnlichen Verlauf über die Anforderungsniveaus hinweg. Wir beobachten mit Stellen der Arbeitnehmerüberlassung jedoch eine etwas stärkere Zunahme der Nachfrage nach Fremdsprachenkenntnissen für höhere Anforderungsniveaus. Insbesondere zwischen März 2021 und Mai 2021 ist eine sprunghafte Zunahme erkennbar. Im Mai 2021 macht der Anteil an zugegangenen Stellen, die zur Arbeitnehmerüberlassung gehören, fast ein Drittel (31,72%) aller Stellen mit der Nachfrage nach Fremdsprachen aus. Dabei handelt es sich vor allem auch um Stellen für die Fertigungstechnische sowie die ITund naturwissenschaftlichen Dienstleistungsberufe: Von den insgesamt 9.839 Stellen, die zur Arbeitnehmerüberlassung gehören, entfallen allein 5.973 Stellen (3.341 bzw. 2.632) allein auf diese beiden Berufssegmente. Abbildung 18: Stellenanteil der Fremdsprachennachfrage – differenziert nach Anforderungsniveau Anmerkung: Die Abbildung zeigt den Verlauf des Stellenanteils mit der Nachfrage nach Fremdsprachenkenntnissen in den Stellen ohne Arbeitnehmerüberlassung (a) und in allen Stellen einschließlich Arbeitnehmerüberlassung (b) für den Beobachtungszeitraum April 2019 bis Dezember 2023, differenziert nach den Anforderungsniveaus „Helfer und Anlerntätigkeiten“, „fachlich ausgerichtete Tätigkeiten“, „komplexe Spezialistentätigkeiten“ und „hoch komplexe Tätigkeiten“. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Im Folgenden untersuchen wir die Verteilung der Nachfrage nach Fremdsprachenkenntnissen nach Kreisen. Abbildung 19 zeigt die regionalen Unterschiede in der Nachfrage nach IAB-Forschungsbericht 1|2025 82 Fremdsprachen, wobei Abbildung 19(a) Auswertungen für die zugegangenen Stellen von April bis Dezember 2019 zeigt und Abbildung 19(b) für zugegangene Stellen von April bis Dezember 2023.45 Abbildung 19(c) zeigt die Differenz der Nachfrage nach Fremdsprachen für den jeweiligen Zeitraum April bis Dezember der Jahre 2023 und 2019. Von April bis Dezember 2019 wurden in den Kreisen Fremdsprachenkenntnisse von 2,04 Prozent (Peine) bis 38,81 Prozent (Bodenseekreis) der Stellen nachgefragt. Aus Abbildung 19(a) ergibt sich, dass in den Regionen in der nördlichen Hälfte Deutschlands die Nachfrage nach Fremdsprachenkenntnissen mehrheitlich bei etwas niedrigeren Werten liegt als in der südlichen Hälfte. Die höchste Nachfrage lässt sich u.a. in den Regionen Bodenseekreis (38,82%), Soest (36,16%) oder auch Dresden (31,96%) finden. Im Gegensatz zu 2019 können 2023 in ganz Deutschland Regionen beobachtet werden, in denen niedrigere Nachfragewerte verzeichnet werden (b). Am wenigsten wurden Fremdsprachenkenntnisse im Altmakkreis Salzwedel (1,02%), gefolgt vom Unstrut-Hainich-Kreis (1,99%), Uelzen (2,37%) und Nordhausen (2,43%) nachgefragt. Demnach weisen die Regionen tendenziell eher einen Rückgang der Nachfrage nach Fremdsprachen (272 von 401 Regionen) als eine Zunahme (129 von 401 Regionen) auf. Dabei ist in großflächigen Gebieten, wie z. B. in Schleswig-Hollstein, Sachsen-Anhalt oder in großen Teilen Nordrhein-Westfalens, die Nachfrage zurückgegangen (Abbildung 19c). Den stärksten Rückgang können wir in der Region Soest (22,55 PP), Birkenfeld (21,11 PP) oder Ansbach (20,38 PP) verzeichnen. Gleichzeitig weisen einige Regionen insbesondere in der Mitte Deutschlands einen Zuwachs der Nachfrage. Die höchsten Zuwächse verzeichnen Holzminden (13,14 PP), Kusel (10,08 PP), Wolfsburg (8,53 PP) und der Enzkreis (8,53 PP). 45 Gründe für die Auswahl der Zeiträume: Erstens wollen wir zwei möglichst lange Beobachtungszeiträume miteinander vergleichen. Zweitens sollen diese Zeiträume möglichst weit auseinanderliegen und Anfangsund Endperiode sollten mit betrachtet werden (also April 2019 und Dezember 2023). Drittens wollten wir die Zeiträume periodengerecht, also möglichst ohne etwaige saisonal bedingte Unterschiede vergleichen. IAB-Forschungsbericht 1|2025 83 Abbildung 19: Geographische Verteilung der Nachfrage nach Fremdsprachenkenntnissen insgesamt, ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildung zeigt die geographische Verteilung der Nachfrage nach Fremdsprachenkenntnissen über sämtliche Regionen innerhalb Deutschlands für die Beobachtungszeiträume April bis Dezember 2019 (a) und April bis Dezember 2023 (b) sowie die Entwicklung vom Jahr 2019 im Vergleich zum Jahr 2023 (c). Da der Kreis Eisenach nach 2021 aufgrund einer Gebietsreform in den Kreis Wartburgkreis eingegliedert wurde, haben wir die Nachfrage nach Fremdsprachenkenntnissen und gesamten Stellen dieser beiden Kreise jeweils für die betrachteten Zeiträume aufsummiert und so einen gemeinsamen Fremdsprachen-Stellenanteil für die betrachteten Zeiträume berechnet. Stellen ohne Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. IAB-Forschungsbericht 1|2025 84 Auf Basis der BA-Stellenbörsedaten und ihrer Vielzahl an Beobachtungen können wir nicht nur die Nachfrage nach Fremdsprachen in aggregierter Form beobachten, sondern die Fremdsprachen auch einzeln betrachten. Tabelle 19 listet die zehn Fremdsprachen, die am häufigsten nachgefragt werden, nach der relativen Häufigkeit ihrer Nennung auf. Die relative Häufigkeit entspricht hier dem Anteil der Summe aller Nennungen einer Fremdsprache in den Stellen an allen Stellen46. Die Auswertungen zeigen, dass Englischkenntnisse mit einem Stellenanteil von 16,59 Prozent am häufigsten nachgefragt werden. Weit dahinter folgen Französisch (ca. 0,31%), Spanisch- (ca. 0,11%) und Italienischkenntnisse (ca. 0,09%). Es fällt zudem auf, dass offizielle Amtssprachen deutscher Nachbarländer in dieser Liste vorkommen, insbesondere Französisch, Polnisch und Niederländisch/Flämisch. Tabelle 19: Relative Nennungen der 10 am häufigsten nachgefragten Fremdsprachen, ohne Arbeitnehmerüberlassung Rang Sprache Relativer Anteil in Prozent 1 Englisch 16,59 2 Französisch 0,31 3 Spanisch 0,11 4 Italienisch 0,09 5 Arabisch 0,05 6 Niederländisch/Flämisch 0,05 7 Türkisch 0,04 8 Russisch 0,04 9 Polnisch 0,03 10 Chinesisch 0,03 Anmerkung: Die Tabelle zeigt die relative Häufigkeit der Nachfrage der 10 am häufigsten durch den Arbeitgeber nachgefragten Fremdsprachen [%]. Hierbei wird der Durchschnitt der Nennungen gemessen an allen Stellen in der BA-JOBBÖRSE und der BAJobsuche für die den Betrachtungszeitraum von April 2019 bis Dezember 2023 berechnet. Anhand der Nachfrage der jeweiligen Fremdsprache wird eine Rangfolge von der Fremdsprache, in dem am häufigsten nachgefragt wird hin zur Fremdsprache, die unter den TOP 10 am seltensten nachgefragt wird. Die Abbildung enthält nur Stellen ohne Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Disaggregiert man die Stellen weiter nach Anforderungsniveaus, so zeigt sich, dass Englisch über alle Anforderungsniveaus am häufigsten nachgefragt wird (Tabelle 20). Der Anteil der Stellen mit Englischkenntnissen beträgt dabei für die Helferund Anlerntätigkeiten 3,63 Prozent, für die fachlich ausgerichteten Tätigkeiten 9,12 Prozent, für die komplexen Spezialistentätigkeiten 22,38 Prozent und für die hoch komplexen Tätigkeiten 32,75 Prozent. Ein anderes Muster lässt sich bspw. bei der Nachfrage nach Spanischkenntnissen erkennen. Während diese in den Helferund Anlerntätigkeiten mit 0,021 Prozent nur auf Rang 8 liegen, gewinnen sie mit steigendem Anforderungsniveau an Bedeutung. So werden sie in den fachlich ausgerichteten Tätigkeiten bereits am vierthäufigsten nachgefragt (0,083%). In den komplexen Spezialistentätigkeiten und den hoch komplexen Tätigkeiten werden Spanischkenntnisse mit 0,130 und 0,172 Prozent am zweithäufigsten nachgefragt. Im Gegensatz dazu verliert Russisch 46 Wenn eine Fremdsprache in einer Stelle mehrmals genannt ist, wird dies als eine Nennung gezählt. IAB-Forschungsbericht 1|2025 85 mit steigendem Anforderungsniveau an Bedeutung. Während Russisch in den Helferund Anlerntätigkeiten (0,032%) und in den fachlich ausgerichteten Tätigkeiten (0,047%) noch jeweils auf Rang 6 liegt, nehmen sie in den komplexen Spezialistentätigkeiten (0,033%) und den hoch komplexen Tätigkeiten (0,036%) bereits nur noch Rang 8 und Rang 10 ein. Neben diesen Trends gibt es auch Sprachen, die jeweils nur in einem Anforderungsniveau so häufig nachgefragt werden, dass sie unter den zehn Fremdsprachen, die am häufigsten nachgefragt werden, zu finden sind. Beispielsweise wird Ukrainisch häufig nur bei Stellen für Helferund Anlerntätigkeiten genannt, während zum Beispiel Persisch/Dari/Farsi lediglich bei den hoch komplexen Tätigkeiten vorkommt. Zudem sind Chinesischkenntnisse nur in den komplexen Spezialistentätigkeiten und in den hoch komplexen Tätigkeiten häufig gefragt. Tabelle 20: Anteil der Fremdsprachenkenntnisse nach Anforderungsniveau, ohne Arbeitnehmerüberlassung (a) Helferund Anlerntätigkeiten Rang Sprache Häufigkeit in Prozent 1 Englisch 3,633 2 Französisch 0,074 3 Türkisch 0,044 4 Italienisch 0,043 5 Arabisch 0,035 6 Russisch 0,032 7 Ukrainisch 0,024 8 Spanisch 0,021 9 Niederländisch/Flämisch 0,019 10 Polnisch 0,018 (c) Komplexe Spezialistentätigkeiten Rang Sprache Häufigkeit in Prozent 1 Englisch 22,387 2 Französisch 0,378 3 Spanisch 0,130 4 Italienisch 0,100 5 Niederländisch/Flämisch 0,074 6 Chinesisch 0,040 7 Polnisch 0,037 8 Russisch 0,033 9 Türkisch 0,030 10 Arabisch 0,030 (b) Fachlich ausgerichtete Tätigkeiten Rang Sprache Häufigkeit in Prozent 1 Englisch 9,120 2 Französisch 0,258 3 Italienisch 0,087 4 Spanisch 0,083 5 Niederländisch/Flämisch 0,047 6 Russisch 0,047 7 Türkisch 0,042 8 Arabisch 0,038 9 Polnisch 0,037 10 Tschechisch 0,018 (d) Hoch komplexe Tätigkeiten Rang Sprache Häufigkeit in Prozent 1 Englisch 32,755 2 Französisch 0,483 3 Spanisch 0,172 4 Arabisch 0,112 5 Italienisch 0,096 6 Türkisch 0,060 7 Niederländisch/Flämisch 0,050 8 Chinesisch 0,049 9 Persisch/Dari/Farsi 0,046 10 Russisch 0,036 Anmerkung: Die Tabelle zeigt die relative Häufigkeit der Nachfrage der 10 am häufigsten durch den Arbeitgeber nachgefragten Fremdsprachen [%] ausdifferenziert nach Anforderungsniveau. Hierbei wird der Durchschnitt der Nennungen gemessen an allen Stellen in der BA-JOBBÖRSE und der BA-Jobsuche für die den Betrachtungszeitraum von April 2019 bis Dezember 2023 berechnet. Anhand der Nachfrage der jeweiligen Fremdsprache innerhalb des jeweiligen Anforderungsniveaus der „Helfer und Anlerntätigkeiten“, der „fachlich ausgerichtete Tätigkeiten“, der „komplexe Spezialistenätigkeiten“ und der „hoch komplexe Tätigkeiten“ wird eine Rangfolge von der Fremdsprache, die am häufigsten nachgefragt wird hin zur Fremdsprache, die unter den TOP 10 am seltensten nachgefragt wird. Stellen ohne Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Wir haben ebenfalls untersucht, ob sich Besonderheiten in der Sprachennachfrage über Berufssegmente hinweg zeigen. Wir betrachten hierfür zunächst die aggregierten Daten des gesamten Beobachtungszeitraums von April 2019 bis Dezember 2023. Zusätzlich vergleichen wir IAB-Forschungsbericht 1|2025 86 hier noch die zwei Zeiträume April bis Dezember 2019 und April bis Dezember 2023, um Aussagen zu Entwicklungstendenzen ableiten zu können. Wir fokussieren auf die fünf am häufigsten nachgefragten Fremdsprachen. Über sämtliche Berufssegmente hinweg (siehe Tabelle 51 im Anhang) werden Englischkenntnisse am stärksten nachgefragt, auch wenn sie in den relativen Nennungen zwischen den Berufssegmenten variieren. Am wenigsten nachgefragt werden Englischkenntnisse im Berufssegment der Reinigungsberufe (0,92%). Geringe Werte zeigen sich bspw. auch bei medizinischen und nicht-medizinischen Dienstleistungsberufen (2,67%), Land-, Tierund Forstwirtschaftsberufen (3,77%) oder in den Bauund Ausbauberufen (4,85%). Am häufigsten wird Englisch im Berufssegment der ITund naturwissenschaftlichen Dienstleistungsberufe nachgefragt (39,23%). Auf Rang 2 liegen, wie wir bereits auch schon in Tabelle 20 gesehen haben, zumeist die Fremdsprachenkenntnisse Französisch, Polnisch aber auch Arabisch. Im Vergleich zu den Englischkenntnissen fällt die Nachfrage nach Französischoder Polnischkenntnisse deutlich geringer aus. So bewegen sich die Nachfrage nach Französisch zwischen einem Minimum in den medizinischen und nicht-medizinischen Dienstleistungsberufen (0,04%) und einem Maximum in den Berufen in der Unternehmensführung und -organisation (0,80%), nach Polnisch mit einer Nachfrage von 0,04 Prozent in den Fertigungsberufen und 0,25 Prozent in den Verkehrsund Logistikberufe oder Arabisch in den Sicherheitsberufen (0,13%) oder in sozialen und kulturellen Dienstleistungsberufen (0,27%). Vergleichen wir die aggregierten Werte aus dem 3. Quartal 2019 mit den Werten aus dem 3. Quartal 2023 (Tabelle 52 im Anhang) dann können wir erkennen, dass die Nachfrage nach Fremdsprachenkenntnissen in allen Berufssegmenten gestiegen ist. So liegt der Mittelwert im 3. Quartal 2019 bei 0,36 Prozent und im 3. Quartal 2023 bei 0,44 Prozent. Betrachten wir nun die, Top 5 Fremdsprachen dann zeigt sich, dass die Nachfrage nach Englischkenntnissen in allen Berufssegmente steigt.47 Zudem können je nach Berufssegment unterschiedliche Fremdsprachenkenntnisse bedeutsam sein. So spielt Russisch, gemessen am Stellenanteil, in den Land-, Tierund Forstwirtschaftsberufen (0,15 %), den Fertigungsberufen (0,07 %), oder in den Verkehrsund Logistikberufen (0,16 %) eine vergleichsweise wichtige Rolle. Ebenso ist in den Land-, Tierund Forstwirtschaftsberufen (0,10 %), Verkehrsund Logistikberufen (ca. 0,10 %) oder den Reinigungsberufen (0,03 %) Rumänisch von Relevanz. Wohingegen Französisch durch die Arbeitgeber unter anderem in den Handelsberufen (0,49 %), den sozialen und kulturellen Dienstleistungsberufen (0,36 %), den unternehmensbezogenen Dienstleistungsberufen (0,58 %) oder den fertigungstechnischen Berufen (0,17 %) vergleichsweise häufig nachgefragt wird. Zwischen dem 3. Quartal 2019 und dem 3. Quartal 2023 können wir zudem eine Zunahme der Relevanz von Arabischkenntnissen um 0,03 Prozentpunkte in den medizinischen und nichtmedizinischen Dienstleistungsberufen und um 0,15 Prozentpunkte in den sozialen und kulturellen Dienstleistungsberufen erkennen. Abbildung 20 bildet die Entwicklung der Nachfrage nach Fremdsprachennkenntnisse über die Zeit ab. Wie bereits anhand der Ergebnisse der vorherigen Tabellen und Abbildungen zu erwarten war, werden Englischkenntnisse über den gesamten Beobachtungszeitraum am häufigsten 47 Tabelle 52 im Anhang. IAB-Forschungsbericht 1|2025 87 nachgefragt, gefolgt von den Französischkenntnissen. Dann folgen Spanisch, Italienisch und Niederländisch/Flämisch. Während sich Spanisch und Italienisch in ihrer Rangfolge über den Zeitraum hinweg abwechseln nimmt Niederländisch/Flämisch bis auf Mai 2019 Rang 5 ein. Im Mai 2019 zeigt sich die Besonderheit, dass sich Italienisch und Niederländisch/Flämisch mit jeweils 9,83 Prozent Rang 4 teilen. Abbildung 20: aggregierter Anteil der Fremdsprachenkenntnisse Anmerkung: Die Abbildung zeigt den Verlauf der Top 5 Fremdsprachen gemessen am Rang ihrer relativen Nennungen. Die Rangfolge beginnt mit der Fremdsprache, die die höchste relative Nennung hat und endet mit der Fremdsprache, die die geringste relative Nennung unter den Top 5 Fremdsprachen hat. Hierbei wird der Durchschnitt der Nennungen an allen Stellen in der BA-JOBBÖRSE und der BA-Jobsuche für den Betrachtungszeitraum von April 2019 bis Dezember 2023 berechnet. Die Abbildung enthält nur Stellen ohne Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Wie wir bereits gezeigt haben, werden verschiedene Fremdsprachen unterschiedlich stark nachgefragt und sind bspw. auch von unterschiedlicher Relevanz für die einzelnen Berufssegmente. Im Folgenden betrachten wir noch die regionale Nachfrage sowie deren Entwicklung über die Zeit hinweg. Wir fokussieren zunächst auf Englisch, da es – wie bereits zuvor aufgezeigt - die am häufigsten nachgefragte Fremdsprache ist (Abbildung 21). Zunächst lässt sich sowohl für den Beobachtungszeitraum April bis Dezember 2019 (Abbildung 21a) als auch für den Beobachtungszeitraum April bis Dezember 2023 (Abbildung 21b) feststellen, dass in allen Kreisen Deutschlands Englisch nachgefragt wird. Die Nachfrage liegt im Jahr 2019 IAB-Forschungsbericht 1|2025 88 insgesamt häufiger zwischen 5 und 15 Prozent der Stellen im jeweiligen Kreis. Es gibt jedoch auch Kreise, wie bspw. Frankfurt am Main, Soest oder auch der Bodenseekreis, die eine sehr hohe Nachfragewerte mit 31,25 bzw. 35,65 oder 38,51 Prozent der jeweiligen Stellen aufweisen. Während in der südlichen Hälfte Deutschlands mehrheitlich Englisch in 10 bis 20 Prozent der Stellen nachgefragt wird, weist im Vergleich dazu die nördliche Hälfte eher niedrige Nachfragewerte zwischen ca. 1 und 10 Prozent auf. Es gibt jedoch auch im Norden Kreise in denen Englisch stärker nachgefragt wird. Insgesamt verzeichnen wir von April bis Dezember 2019 zu April bis Dezember 2023 in 267 der insgesamt 401 Kreise eine Abnahme und in 134 Kreisen eine Zunahme der Nachfrage nach Englischkenntnissen (Abbildung 21c). Die stärkste Nachfrageerhöhung zeigt sich in Holzminden (13,20PP), Wolfsburg (9,66PP) und Kusel (9,11PP) wohin in Soest (-22,49PP), Birkenfeld (-20,61PP) und Ansbach (-19,41PP) die Nachfrage nach Englisch am stärksten zurück gegangen ist. IAB-Forschungsbericht 1|2025 95 5.3.4 Fazit und Ausblick Um die Nachfrage nach Sprachkenntnissen innerhalb von Stellenanzeigen extrahieren zu können, wurde ein Wörterbuch mit 96 Sprachen herangezogen, die wir vornehmlich im Kontext von Stellenanzeigen ohne Arbeitnehmerüberlassung analysieren. Anhand dessen können wir erkennen, dass über den Zeitverlauf insgesamt eine Zunahme der Nachfrage nach Sprachen erfolgte. Betrachten wir die Ergebnisse ein wenig genauer und differenzieren die Nachfrage nach Deutschund Fremdsprachenkenntnissen, dann können wir mit Zunahme des Anforderungsniveaus auch eine Zunahme der Nachfrage nach Fremdsprachenkenntnissen erkennen. Ein anderes Bild zeigt sich dabei jedoch bei den Deutschkenntnissen. Hier ist die Nachfrage in den hoch komplexen Tätigkeiten am höchsten, gefolgt von den Helferund Anlerntätigkeiten. Die geringste explizite Nachfrage nach Deutschkenntnissen zeigt sich in den fachlich ausgerichteten Tätigkeiten. Zudem zeigt sich auch ein Unterschied in der Nachfrageintensität innerhalb der Berufssegmente. So werden Fremdsprachenkenntnisse insbesondere in den „ITund naturwissenschaftlichen Dienstleistungsberufen“, in „Fertigungstechnischen Berufen“ und in „Berufen in Unternehmensführung und -organisation“ erwartet. Über den gesamten Betrachtungszeitraum spielt insbesondere Englisch eine zentrale Rolle. Mit großem Abstand folgen Französisch, Spanisch, Italienisch und Polnisch oder auch Niederländisch/Flämisch. Dieser Trend spiegelt sich auch über die Anforderungsniveaus hinweg wider. Zusätzlich spielen unter den Top 6 Fremdsprachen in den Helferund Anlerntätigkeiten sowie in den hoch komplexen Tätigkeiten auch Türkisch, Arabisch und Russisch eine Rolle. Deutschkenntnisse hingegen werden insbesondere in den „Sicherheitsberufen“, den „ITund naturwissenschaftlichen Dienstleistungsberufen“, sowie in den „Verkehrsund Logistikberufen“ nachgefragt. Deutschund Fremdsprachenkenntnisse werden zudem in allen Regionen Deutschlands nachgefragt. Dabei werden Sprachkenntnisse im Norden durchschnittlich etwas seltener als im Süden nachgefragt. Während die Fremdsprachenkenntnisse über die beiden Betrachtungszeiträume hinweg bis auf 54 Regionen einen Zuwachs der Nachfrage aufweisen, zeigt sich bei den Deutschkenntnissen eine gegensätzliche Entwicklung Die Regionen in denen ein Nachfragerückgang zu beobachten ist, stellen hier die absolute Mehrheit dar. An diese deskritptive Darstellung können unmittelbar Folgefragen anschließen; bspw. ob Amtssprachen der Nachbarländer innerhalb der jeweiligen Grenzregion eher nachgefragt werden. Zudem könnte betrachtet werden, ob Städten bzw. Regionen in denen große international agierende Betriebe angesiedelt sind bestimmte Fremdsprachen stärker nachgefragt werden als in anderen Regionen. Des Weiteren ergeben erste grobe Analysen, dass es gerade für die Sprachkenntnisse lohnenswert zu sein scheint, genauer zu untersuchen, ob Auswertungen nach erwarteten Sprachniveaus möglich sind. Eine Differenzierung der Nachfrage nach Sprachniveaus und Berufen ergäbe eine weitere detailliertere Inspiration für die Ausrichtung von Sprachkursen. IAB-Forschungsbericht 1|2025 96 5.4 Kompetenzen im Zusammenhang mit Technologien der Künstlichen Intelligenz (KI-Kompetenzen) 5.4.1 Einführung Die zunehmende Verfügbarkeit von Big Data und Machine-Learning-Algorithmen ermöglichte eine Vielzahl von Innovationen im Bereich der künstlichen Intelligenz (KI). Die aktuell prominentesten Beispiele sind KI-Chatbots wie z. B. ChatGPT48oder Aleph Alpha49, die (auf den ersten Blick) erstaunlich genaue Antworten auf selbst technische Fragen generieren können, und Keyword-to-Image-Generatoren wie Dall-E, die mehr oder weniger treffende hochauflösende Bilder generieren. KI-Technologien werden derzeit intensiver als früher erprobt, sollen zur Marktreife entwickelt werden und ihr potenzieller Nutzen wird nicht zuletzt von der Fachöffentlichkeit diskutiert. Dabei herrscht überwiegend Einigkeit darüber, dass Künstliche Intelligenz (KI) das Potenzial hat, Beschäftigungsstrukturen disruptiv zu verändern. Unabhängig von ihren gesamtwirtschaftlichen Auswirkungen, benötigt der Einsatz von neuen Technologien Fachleute mit unterschiedlichen Fähigkeiten, die die Entwicklung, die Implementation aber auch die Anwendung und die Wartung dieser ermöglichen Auch wenn die Idee von KI schon etwas älter ist – das Technologiefeld hierzu steht erst am Anfang seiner Entwicklung (Acemoglu und Restrepo, 2020). Daher besteht die einmalige Gelegenheit, die Entwicklung der Kompetenznachfrage für eine neue Technologie engmaschig zu beobachten. Zu den allgemeinen Definitionen in Abschnitt 5.1 ergänzen wir: Bei KI-Kompetenzen handelt es sich um Individuelle Fähigkeiten, Aufgaben und Sachverhalte mit einem konkreten Kontext zur Entwicklung, der Einführung, dem Einsatz oder der Anwendung von KI-Technologien selbständig und eigenverantwortlich zu bewältigen. Beispielsweise signalisiert die Nachfrage nach Kompetenzen im Bereich „Neuronale Netze“, dass in dem ausgeschriebenen Job die Entwicklung eines KI-Algorithmus eine Tätigkeit sein wird und entsprechende Kompetenzen für die Ausübung dieser Tätigkeit gefragt sind. Die Nachfrage nach der Kompetenz „ChatGPT“ könnte zum Beispiel darauf hindeuten, dass die einzustellende Person Texte mit jenem KI-basierten Chatbot erstellen soll.50 Die Analyse der Nachfrage nach KI-Kompetenzen lässt sich für die empirische Bearbeitung verschiedener Forschungsfragen nutzen. Beispielsweise lässt sich durch eine Analyse der Nachfrage nach KI-Kompetenzen auf die Relevanz von KI-Technologien im deutschen Arbeitsmarkt rückschließen. 5.4.2 KI-Wörterbuch Im Folgenden geben wir zunächst eine Definition von KI-Technologien, die wir für unser Wörterbuch gesetzt haben. Danach gehen wir auf das Vorgehen bei der Erstellung des Wörterbuchs ein und beschreiben den Inhalt des Wörterbuchs. 48 https://chat.openai.com/ 49 https://aleph-alpha.com/de 50 Eine systematische Untersuchung der Stellenanzeigen, die auf eine Trennung von entweder der Entwicklung von KI oder eine Anwendung von KI abzielt, ist jedoch der künftigen Forschung vorbehalten. Denkbar und zu erproben wäre ein Sprachmodell, das die Nachfrage nach KI-Kompetenzen im Kontext einer Entwicklungstätigkeit von einer Anwendungstätigkeit abgrenzt. IAB-Forschungsbericht 1|2025 97 Mit der Erstellung des KI-Wörterbuchs wollen wir diejenigen Kompetenzanforderungen aus den Stellentexten extrahieren, die für die Herstellung, Implementierung oder Anwendung von KI von Arbeitgeberseite erwartet werden. Gleichzeitig soll das Wörterbuch KI-Kompetenzen von anderen digitalen Kompetenzen abgrenzen. Für die Erstellung des KI-Wörterbuchs legen wir folgende Definition für KI-Technologien zugrunde (Peede und Stops, 2024, in Anlehnung an Acemoglu et al., 2022): Unter KI-Technologien verstehen wir verfügbare Algorithmen, die Muster in unstrukturierten Daten wie Sprachdaten, Texten oder Bildern systematisch und für verschiedene Zwecke verarbeiten, erkennen und darauf reagieren, sowie die Maschinen, Geräte und Dienste, die von diesen Algorithmen gesteuert werden. Bei der Auswahl der KI-Kompetenzen ist zu beachten, dass ein KI-Wörterbuch, dass die obige Definition von KI-Technologien zu restriktiv auslegt, die Nachfrage nach KI-Kompetenzen unterschätzen würde. Damit würde es Stellenanzeigen, in denen eigentlich eine Interaktion mit KI-Technologien eine Rolle spielt, fälschlicherweise als nicht-KI-Stellen klassifizieren (sog. falschnegative Ergebnisse). Ein zu weit gefasstes KI-Wörterbuch, das z. B. auch Kompetenzen für die Programmierung von simpleren, nicht-lernenden Algorithmen umfasst (z. B. eine lineare Regression), würde die Nachfrage nach KI-Kompetenzen überschätzen und zu viele Stellen in denen KI-keine Rolle spielt als KI-Stellen klassifizieren (sog. falsch-positive Ergebnisse). Dieses methodologische Dilemma zwischen der Vermeidung falsch-negativer und falsch-positiver Ergebnisse erfordert eine sorgfältige Auswahl der KI-Kompetenzen für das Wörterbuch. Das KI-Wörterbuch wurde daher mithilfe eines dreistufigen Verfahrens erstellt: • Im ersten Schritt wurde eine erste grundlegende Version des KI-Wörterbuchs mittels Literaturrecherche und einer darauf aufbauenden Internetrecherche erstellt. Dazu wurden zunächst relevante KI-Kompetenzen gesammelt und anschließend entsprechende Suchbegriffe definiert. Sie basiert vor allem auf Studien, die ähnliche Auswertungen von Stellentextdaten zur Messung von KI-Aktivität vornehmen. Zu diesen Studien zählen Acemoglu et al. (2022), Alekseeva et al. (2021), OECD (2022), Büchel et al. (2021) und Lightcast (2022). Darüber hinaus haben wir aus der eher allgemeinen Darstellung der Funktionsweise von KI-Technologien von Taddy (2019) weitere Kompetenzbegriffe abgeleitet. Die erste Version des KI-Wörterbuchs umfasste insgesamt 141 Kompetenzen, 330 eindeutige Suchwörter und 259 Suchwortkombinationen (siehe dazu Tabelle 22). Eine vorläufige Version dieser ersten Version des Wörterbuchs, die auf Literaturund Internetrecherche basierte, wurde erstmals im Rahmen einer Masterarbeit erprobt (Peede 2022). • Im zweiten Schritt wurde das Wörterbuch um weitere KI-Kompetenzen und Suchbegriffe mittels Textminingverfahren erweitert. Hierbei wurden die gleichen Verfahren verwendet wie für die Erweiterung des Wörterbuchs für die fachlichen Kompetenzen. Für Details siehe auch Abschnitt 17 im Anhang. Durch diesen Schritt wurden zusätzlich 85 Kompetenzen, 177 eindeutige Suchwörter und 210 Suchwortkombinationen in das Wörterbuch aufgenommen (Tabelle 22). • Im dritten Schritt haben wir einige Nacharbeiten in das KI-Wörterbuch eingepflegt, um bis dato unberücksichtigten KI-Kompetenzen Rechnung zu tragen. Hierzu gehörte die Übernahme von KI-Kompetenzen aus dem Wörterbuch der fachlichen Kompetenzen. Ein Beispiel dafür ist die Kompetenz „Autonomes Drucken“, die einen Bezug zu IAB-Forschungsbericht 1|2025 98 vollautomatisierten und intelligenten Druckmaschinen hat und bereits im Wörterbuch der fachlichen Kompetenzen enthalten war. Außerdem wurden KI-Technologien ergänzt, die erst nach Januar 2022 veröffentlicht wurden und daher sehr wahrscheinlich beim vorherigen Schritt nicht berücksichtigt werden konnten. Ein Beispiel dafür ist ChatGPT, dass mit der Verfügbarmachung und Veröffentlichung im November 2022 einen enormen Popularitätssprung erfuhr. Daher haben wir einige Kompetenzen mit Bezug zu generativer KI zusätzlich ins KI-Wörterbuch aufgenommen; darunter einige der bekanntesten KI-Chatbots (ChatGPT, Luminous, Bard/Gemini, Copilot) und Kompetenzen mit Bezug zu Large Language Modellen. In dieser dritten Stufe haben wir weitere 17 Kompetenzen, 24 eindeutige Suchwörter und 29 Suchwortkombinationen ergänzt (Tabelle 22). Das finale KI-Wörterbuch umfasst 243 KI-Kompetenzen mit 531 eindeutigen Suchwörtern und 498 Suchwortkombinationen (Tabelle 22).51 Tabelle 22: Beschreibung der Weiterentwicklung des KI-Wörterbuchs Wörterbuch-Version Anzahl Kompetenzen Anzahl eindeutiger Suchwörter Anzahl Suchwörtergruppen (in Klammern: Veränderung zur Vorversion) (1) Stufe 1: Eigene Literaturund Internetrecherche 141 330 259 (2) Stufe 2: Erweiterung mittels Textminingverfahren 226 (+85) 507 (+177) 469 (+210) (3) Stufe 3: Erweiterung um Nacharbeiten 243 (+17) 531 (+24) 498 (+29) Quelle: Eigene Berechnungen. Wir haben die KI-Kompetenzen drei verschiedenen Kompetenzgruppen in Anlehnung an Squicciarini & Nachtigall (2021) zugeordnet: • Generische KI-Kompetenzen: Diese Gruppe umfasst breite KI-Oberbegriffe. • KI-Methodik, Entwicklungssoftwares, Programmbibliotheken: Methoden, Software und Programmbibliotheken, mit denen KI-Algorithmen programmiert werden. • KI-Anwendungen: Anwendungsfelder, in denen KI-basierte Algorithmen eingesetzt werden oder konkrete Tools oder Geräte, die auf KI basieren. Tabelle 23 zeigt die Prozentualen Anteile der Zahl der jeweils in den Kompetenzgruppen enthaltenen KI-Kompetenzen an der Zahl der KI-Kompetenzen insgesamt. Die Kategorie „Generische KI-Kompetenzen“ umfasst lediglich die fünf Kompetenzen, darunter „Künstliche Intelligenz“ und „Maschinelles Lernen“. Die zweite Kategorie „KI-Methodik, Entwicklungssoftware, Programmbibliotheken“ umfasst beispielsweise die KI-Methodik „Deep Learning“, die Software „TensorFlow“ und die Python Programmbibliothek „PyTorch“. Diese Kategorie umfasst 99 KI-Kompetenzen, was einen Anteil von 41 Prozent an allen Kompetenzbegriffen ausmacht. Die dritte Kategorie „KI-Anwendungen“ beinhaltet 139 KI51 Siehe Tabelle 53 im Abschnitt 17 des Anhangs, die alle KI-Kompetenzen des finalen KI-Wörterbuchs auflistet. IAB-Forschungsbericht 1|2025 99 basierte Anwendungen und umfasst 57 Prozent. Beispiele für diese Kompetenzgruppe sind „ChatGPT“ oder „Autonomes Fahren“. Tabelle 23: KI-Kompetenzgruppen und Anzahl der jeweiligen Kompetenzen KI-Kompetenzgruppe Absolute Anzahl Anteil (gerundet) Generische KI-Kompetenzen 5 2 % KI-Methodik, Entwicklungssoftware, Programmbibliotheken 99 41 % KI-Anwendungen 139 57 % Summe 243 100 % Anmerkung: Gesamte Auflistung aller im KI-Wörterbuch enthaltenen KI-Kompetenzen in Tabelle 53. Quelle: Eigene Darstellung. Insbesondere bei Anwendungsbereichen, in denen sich KI-Technologien rasch entwickeln, mögen manche Kompetenzen eine gewisse Unschärfe bezüglich ihres Bezuges zu KITechnologien enthalten. Ein Beispiel ist das „videobasierte Fahrerassistenzsystem“. Durch Fortschritte in der Bilderkennung, die auf KI-Algorithmen basiert, können Fahrzeuge ihr Umfeld sehr genau wahrnehmen, Gefahren frühzeitig erkennen und entsprechende Maßnahmen automatisch einleiten. Da diese Technologie unserer KI-Definition entspricht, sollen damit verbundene Kompetenzen in Stellenanzeigen identifiziert werden. Allerdings könnte bei dieser Kompetenz auch die einfache Rückfahrkamera, bei der kein Algorithmus zum Einsatz kommt, gemeint sein. Trotz des Bezugs auf wissenschaftliche Literatur bei der Erstellung der ersten Wörterbuchversion und dem konsensuellen Validierungsverfahren bleibt bei manchen Kompetenzen eine weitere Unschärfe in der Abgrenzung zu Kompetenzen, die mit anderen Technologien in Verbindung stehen. Bei einigen KI-Kompetenzen musste daher eine Abwägungsentscheidung getroffen werden. Wir haben uns letztendlich dazu entschieden auch Kompetenzen mit einem gewissen Maß an Ambiguität aufzunehmen, können diese Begriffe aber filtern und bei Bedarf von der Analyse ausschließen. Dieser Ansatz der Unterteilung des Wörterbuchs in eine enge und eine breite Kompetenzliste wird unter anderem auch in einer Studie von Acemoglu et al. (2022) für die USA gewählt. Insgesamt betrifft dies 17 von 243 KI-Kompetenzen. Die KI-Kompetenzen mit relativ hoher Ambiguität sind ebenfalls in Tabelle 53 im Anhang aufgelistet. 5.4.3 Nachfrage nach KI-Kompetenzen Zunächst untersuchen wir, wie sich der Anteil der Stellen, in denen KI-Kompetenzen genannt wurden, an allen Stellen über den Beobachtungszeitraum hinweg entwickelt hat. Abbildung 24 zeigt, dass sich der Anteil der KI-Stellen über alle Quartale zwischen einem Minimum von 0,52 Prozent (drittes Quartal 2020) und einem Maximum von 1,22 Prozent (zweites Quartal 2022) bewegt. Im zweiten bis vierten Quartal 2019 steigt der KI-Stellenanteil zunächst von 0,65 Prozent auf 0,76 Prozent an. Ab dem ersten Quartal 2020 sinkt der KI-Stellenanteil merklich und erreicht sein Minimum im dritten Quartal 2020. Diese Entwicklung geht zeitlich einher mit der Covid-19Pandemie und dem damit verbundenen wirtschaftlichen Abschwung; in den nachfolgenden IAB-Forschungsbericht 1|2025 100 Quartalen steigt der KI-Stellenanteil – mit Ausnahme des zweiten Quartals 2021 – wieder bis zum zweiten Quartal 2022 teilweise stark an. Die Differenz zwischen dem Minimum im dritten Quartal 2020 und dem Maximum im zweiten Quartal 2022 beträgt 0,70 Prozentpunkte. In den nachfolgenden Quartalen und damit in der zweiten wirtschaftlichen Abschwungphase zeichnet sich auch ein leichter Abwärtstrend des KI-Stellenanteils ab, sodass wir im vierten Quartal 2023 einen KI-Stellenanteil von 1,01 Prozent messen. Damit lassen unsere Analysen die Vermutung zu, dass ein Zusammenhang zwischen konjunktureller Entwicklung und der Ausschreibung von KIStellen besteht.52 Abbildung 24: KI-Stellenanteil in Prozent pro Quartal ohne Arbeitnehmerüberlassung Anmerkung: KI-Stellen sind solche Stellen, in denen wir mindestens eine der genannten KI-Kompetenzen identifizieren. Der KIStellenanteil ergibt sich durch das Verhältnis der KI-Stellen pro Jahr zu allen Stellen pro Jahr und ist in Prozent angegeben. Die grauen Flächen markieren Zeiträume mit negativem BIP-Wachstum (preisbereinigt). Diese Zeiträume umfassen das erste Quartal 2020 bis erstes Quartal 2021 sowie das zweite Quartal 2023 bis viertes Quartal 2023. Ohne Stellen der Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023; Statistisches Bundesamt. Eigene Berechnungen. Wie bereits in Abschnitt 5.4.2 erläutert, enthält das KI-Wörterbuch Kompetenzen, für die wir eine besonders hohe Ambiguität ausgemacht haben. Darunter verstehen wir, dass die Abgrenzung des Bezugs dieser Kompetenzen zu anderen (nicht-KI-) Technologien besonders schwierig ist.53 Der Ausschluss dieser KI-Kompetenzen von unseren Analysen senkt zwar das Niveau der 52 Ein ähnliches Muster der gemessenen KI-Stellenanteile ergibt sich auch, wenn man alle Stellen einschließlich der Arbeitnehmerüberlassung berücksichtigt. Abbildung 33 im Anhang zeigt die entsprechenden KI-Stellenanteile. Durch die Berücksichtigung der Arbeitnehmerüberlassung verringert sich das Niveau der KI-Stellenanteile; die KI-Stellenanteile bewegen sich nun zwischen 0,266 Prozent (drittes Quartal 2020) und 0,632 Prozent (drittes Quartal 2021). Die Dynamik des KIStellenanteils dagegen ist jedoch sehr ähnlich – es zeigt sich ein relativ starker Anstieg des KI-Stellenanteils nach dem dritten Quartal 2020 und ein Abwärtstrend ab dem dritten Quartal 2023. 53 Siehe auch die Tabelle 53 mit allen KI-Kompetenzen in Abschnitt 22.1 im Anhang. Ambige KI-Kompetenzen sind gesondert markiert. IAB-Forschungsbericht 1|2025 101 gemessenen KI-Stellenanteile leicht ab, die Dynamik der KI-Stellenanteile wird davon jedoch kaum beeinflusst. Abbildung 25 vergleicht dazu die KI-Stellenanteile unter Berücksichtigung des gesamten KI-Wörterbuchs (wie auch in Abbildung 24 dargestellt) und unter Ausschluss derjenigen KI-Kompetenzen, die eine besonders hohe Ambiguität aufweisen. Die Abbildung zeigt einen Level-Unterschied von 0,1 bis etwa 0,3 Prozentpunkten in den errechneten KIStellenanteilen. Während die KI-Stellenanteile unter Berücksichtigung des gesamten KIWörterbuchs zwischen 0,5 und 1,2 Prozent liegen, bewegen sich die KI-Stellenanteile ohne Berücksichtigung von besonders ambigen KI-Kompetenzen zwischen 0,4 und 0,9 Prozent. Betrachten wir jedoch diese KI-Stellenanteile jeweils im Vergleich zum KI-Stellenanteil des ersten beobachteten Quartals (zweites Quartal 2019), zeigt sich, dass der Ausschluss der besonders ambigen Kompetenzen die Dynamik der KI-Stellenanteile kaum beeinflusst. Abbildung 25: Vergleich der KI-Stellenanteile unter Berücksichtigung aller KI-Kompetenzen und unter Ausschluss der besonders ambigen KI-Kompetenzen, ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildung vergleicht errechnete KI-Stellenanteile, wenn wir das gesamte Wörterbuch für die Identifikation von KI-Stellen verwenden, mit den KI-Stellenanteilen, die wir errechnen, wenn wir die besonders ambigen KI-Kompetenzen ausschließen. Besonders ambige KI-Kompetenzen sind solche KI-Kompetenzen, bei denen die Abgrenzung zu Kompetenzen, die mit anderen Technologien in Verbindung stehen, besonders schwierig zu treffen ist. KI-Stellen sind solche Stellen, in denen wir mindestens eine der aufgelisteten KI-Kompetenzen identifizieren konnten. Der KI-Stellenanteil weist das Verhältnis von KIStellen zu allen betrachteten Stellen im Quartal aus (ohne Stellen von Arbeitnehmerüberlassung). Panel (a) zeigt die KIStellenanteile in Prozent und Panel (b) zeigt die KI-Stellenanteile jeweils zum Basisquartal, dem zweiten Quartal 2019. Die grauen Flächen markieren Zeiträume mit negativem BIP-Wachstum (preisbereinigt). Diese Zeiträume umfassen das erste Quartal 2020 bis erstes Quartal 2021 sowie das zweite Quartal 2023 bis viertes Quartal 2023. Die besonders ambigen KIKompetenzen sind: Legal Technology, Applicant Tracking System, Video-based Driver Assistance Systems, Dauerstrichradar, Environment Perception, Collaborative Filtering, Robotic Process Automation, Electromechanical Systems, Motion Planning, Motoman Robot Programming, Robot Framework, Robotic Systems, Robot Programming, Servo Drives/Motors, uipath, Business intelligence, Curated Shopping. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023; Statistisches Bundesamt. Eigene Berechnungen. IAB-Forschungsbericht 1|2025 102 Auf Basis von Textkernel Daten berichtet das IW Köln (2023) KI-Stellen und gesamte Stellenzahlen in einem vergleichbaren Zeitraum von 2019 bis 2023, jeweils für das erste Quartal des Jahres. Daraus lassen sich KI-Stellenanteile für jeweilige Quartale berechnen, die wir mit unseren Zahlen vergleichen können. Es ergeben sich KI-Stellenanteile zwischen 0,340 Prozent und 0,433 Prozent (siehe Abbildung 51 im Anhang).54 Unsere Ergebnisse zur Messung von KIStellenanteilen weisen im Vergleich zu ebda. eine ähnliche Dynamik bei einem gleichzeitig höheren Niveau auf. Die Abweichungen der Zahlen, insbesondere des Niveaus, können durch verschiedene methodische Unterschiede erklärt werden; siehe hierzu auch den Infokasten II. Infokasten II – Die Vergleichbarkeit der Ergebnisse zu errechneten KI-Stellenanteilen anderer Studien Die KI-Stellenanteile lassen sich nur bedingt für Vergleiche mit den Befunden anderer Studien für Deutschland oder auch für andere Länder heranziehen; bei der Vergleichbarkeit sind folgende Aspekte zu berücksichtigen: 1. Bei wörterbuchbasierten Verfahren: Umfang des KI-Wörterbuchs, v.a. Anzahl der berücksichtigten Kompetenzen und der Suchwörter (siehe auch Abschnitt 5.4.2). 2. Datengrundlage, d. h. die für die Auswertung zur Verfügung stehenden Stellentexte: siehe hierzu auch Analysen der Repräsentativität (Abschnitt 3.5, z. B. bezüglich Anforderungsniveaus, Wirtschaftszweige) 3. Zudem können sich Spezifikationen der Datenaufbereitungsverfahren unterscheiden, neben anderem hinsichtlich des eingesetzten Extraktionsverfahrens (Abschnitt 5.1) oder auch in welchen Textteilen der Stellenanzeigen nach Kompetenzen gesucht wird (Abschnitt 3.3). Insgesamt deuten unsere Auswertungen zusammen mit den Auswertungen des IW Köln (2023) in einem ähnlichen Zeitraum und zusammen mit eigenen Auswertungen für frühere Jahre von 2015 bis 2019 (Peede und Stops, 2024) basierend auf Stellendaten der BA-JOBBÖRSE darauf hin, dass sich die deutsche Wirtschaft in Bezug auf die Verbreitung von KI-Technologien in einem noch eher frühen Entwicklungsstadium befindet.55 Der beobachtete Anstieg der KI-Stellenanteile, insbesondere in den Jahren 2020 und 2021, lässt aber auf eine verstärkte Verbreitung dieser Technologien rückschließen, wobei der konjunkturelle Abschwung im Jahr 2023 dämpfend auf die Nachfrage nach KI-Kompetenzen wirkte. Wir analysieren nun die Nachfrage nach KI-Kompetenzen näher entlang verschiedener Stellencharakteristika. Dazu gehören Auswertungen nach Anforderungsniveaus, Berufen und Regionen. Zunächst ist unklar, inwiefern die Nachfrage nach KI-Kompetenzen über bestimmte Charakteristika verteilt ist. Einige Expert*innen argumentieren, dass sich KI-Technologien durch eine große Vielfalt von Anwendungsfeldern auszeichnen und daher ein breites Spektrum an Tätigkeiten beeinflussen können. Ausgehend von dieser Hypothese werden KI-Technologien 54 Demary et al. (2022, S. 40) weisen ebenfalls mit Textkernel Daten für denselben Zeitraum deutlich höhere Werte aus. Die Zahlen dieser Studie liegen in einem ähnlichen Wertebereich im Vergleich zu unseren Auswertungen, zeigen allerdings eine andere Dynamik. 55 Die Interpretation der von uns gemessenen Wertebereiche als Hinweis auf ein frühes Entwicklungsstadium von KI ist konsistent mit der Interpretation von Acemoglu et al. (2022), die vergleichbare Wertebereiche für die USA (zwischen 0,2 und 0,8 % KI-Stellenanteile zwischen 2010 und 2018) aus einem frühreren Zeitraum ebenfalls als Hinweis auf ein frühes Entwicklungsstadium interpretieren. Für die eingeschränkte Vergleichbarkeit der gemessenen KI-Stellenanteile verschiedener Studien siehe auch Infokasten II. IAB-Forschungsbericht 1|2025 103 auch als ‚general purpose technology‘ gesehen (z. B. Brynjolfsson et al., 2021), also als eine Technologie, die eine Volkswirtschaft in nahezu allen Sektoren beeinflussen kann. Dies sollte sich darin widerspiegeln, dass die Nachfrage nach KI-Kompetenzen in vielen betrachteten Berufsaggregaten und Arbeitsorten gegeben ist. Auch wenn neue Technologien ein breites Spektrum an wirtschaftlichen Sektoren und Tätigkeitsfeldern beeinflussen, zeigt die wissenschaftliche Literatur, dass neue Technologien meist unterschiedliche Auswirkungen auf verschiedene Beschäftigtengruppen haben (siehe z. B. Autor et al. (2003), Goos et al. (2009), Acemoglu und Restrepo (2022). Dieser unterschiedliche Einfluss ist einerseits dadurch zu erklären, dass Tätigkeiten in manchen Jobs entweder durch neue Technologien ersetzt (auch „substituiert“) oder unterstützt (auch „komplementiert“) werden können. Bezogen auf neue KI-Technologien hat der Grad der Substituierbarkeit oder Komplementarität wiederum einen Einfluss darauf, ob in einer Stelle KI-Kompetenzen nachgefragt werden, da KI-Kompetenzen eher ein Signal für Komplementarität zur Technologie sein dürften.56 Daher kann der Grad der KI-Technologien einen Einfluss auf die Nachfrage nach KIKompetenzen in Stellen haben. Andererseits legen empirische Studien (z. B. Webb, 2020; Felten et al., 2018) nahe, dass KI-Technologien je nach Komplexität nicht alle Tätigkeiten gleichermaßen gut komplementieren bzw. substituieren können. Dies wird dadurch bestärkt, dass bestimmte KITechnologien schneller ihre Marktreife erlangen als andere. Daher kann die Variation in KIStellenanteilen auch Unterschiede in den Fähigkeiten der jeweiligen relevanten KI-Technologen widerspiegeln, um Tätigkeiten zu ersetzen oder zu unterstützen. Ausgehend von diesen beiden Mechanismen ist es möglich, dass die Nachfrage nach KI-Kompetenzen entlang verschiedener Stellencharakteristika unterschiedlich stark ausgeprägt sein kann. Wir beginnen unsere Analysen mit einer Beschreibung entlang der beruflichen Dimension anhand der KI-Stellenanteile pro Anforderungsniveau des ausgeschriebenen Berufs. 56 Auch wenn die Nachfrage nach KI-Kompetenzen ein Indikator für Komplementarität von KI-Technologien ist, kann es trotzdem sein, dass andere Tätigkeiten in derselben Stelle durch KI substituiert werden. IAB-Forschungsbericht 1|2025 104 Abbildung 26: KI-Stellenanteile pro Quartal und Anforderungsniveau ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildung vergleicht die KI-Stellenanteile pro Quartal und Anforderungsniveau. KI-Stellen sind solche Stellen, in denen wir mindestens eine der aufgelisteten KI-Kompetenzen identifizieren konnten (siehe auch Abschnitt 22.1 im Anhang). Der KI-Stellenanteil weist das Verhältnis von KI-Stellen zu allen Stellen im jeweiligen Anforderungsniveau und Quartal aus. Die grauen Flächen markieren Zeiträume mit negativem BIP-Wachstum (preisbereinigt). Diese Zeiträume umfassen das erste Quartal 2020 bis erstes Quartal 2021 sowie das zweite Quartal 2023 bis viertes Quartal 2023. Zur Definition der Anforderungsniveaus siehe auch Abschnitt 8 im Anhang. Die Graphik weist außerdem pro Anforderungsniveau die Werte des ersten und letzten Quartals, den minimalen Wert und den maximalen Wert aus. Ohne Stellen der Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Statistisches Bundesamt. Eigene Berechnungen. Abbildung 26 zeigt die KI-Stellenanteile getrennt nach Anforderungsniveaus und für jedes Quartal des Beobachtungszeitraums. Dabei zeigt sich, dass die Anteile der KI-Stellen für hoch komplexe Tätigkeiten sehr viel größer sind (zwischen 1,85 und 3,25%) als die Anteile der KIStellen für die anderen Anforderungsniveaus, die maximal bei 1,34 Prozent bei den komplexen Spezialistentätigkeiten liegen. Die Entwicklung der KI-Stellenanteile bei hoch komplexen Tätigkeiten folgt einem ähnlichen Muster wie die der KI-Stellenanteile insgesamt, jedoch auf einem deutlich höheren Niveau. Der KI-Stellenanteil bei komplexen Spezialistentätigkeiten liegt je nach Quartal zwischen 0,60 und 1,34 Prozent; auch dieser Anteil nimmt ab dem ersten Quartal 2021 erkennbar zu. Fachlich ausgerichtete Tätigkeiten und Helferund Anlerntätigkeiten weisen dagegen geringe KI-Stellenanteile auf.57 Um die Dynamik bei den Helferund Anlerntätigkeiten und den fachlich ausgerichteten Tätigkeiten besser beurteilen zu können, sind in Abbildung 27 die vier Anforderungsniveaus mit je einer geeigneten separaten Skala abgetragen. Der KI-Stellenanteil der Helferund 57 Ein sehr ähnliches Muster ergibt sich bei der Betrachtung aller Stellen inklusive Stellen der Arbeitnehmerüberlassung, mit leicht niedrigeren Stellenanteilen in jedem Anforderungsniveau (Abbildung 52 im Anhang). IAB-Forschungsbericht 1|2025 111 Liste pro Jahr sind allerdings in den Berufen „IT-Systemanalyse, IT-Anwendungsberatung und ITVertrieb“ 2019 (5,65 %) und „Lehr-, Forschungstätigkeit an Hochschulen“ in 2023 (10,25 %). Insgesamt gibt es in beiden betrachteten Jahren jeweils lediglich drei Berufsgruppen, die nicht zu den zehn Berufsgruppen mit den meisten KI-Stellen des jeweils anderen Jahres zählen. Dies sind die Berufsgruppen „Maschinenbauund Betriebstechnik“, „Rechtsberatung, -sprechung und - ordnung“ und „Techn. Zeichnen, Konstruktion, Modellbau“, die in der TOP 10 in 2019 enthalten sind, und „Rechnungswesen, Controlling und Revision“, „Personalwesen und -dienstleistung“ und „Lehr-, Forschungstätigkeit an Hochschulen“, die in der TOP 10 in 2023 vorkommen. Über diese TOP 10 Berufsgruppen mit den meisten KI-Stellen pro Jahr hinaus gibt es in 2019 107 weitere Berufsgruppen mit KI-Stellen (zusätzliche 4.846 KI-Stellen) und in 2023 110 weitere Berufsgruppen mit KI-Stellen (zusätzliche 10.273 KI-Stellen).60 Insgesamt finden wir KI-Stellen in allen Berufssegmenten. Dies könnte zwar die vielfältigen Potentiale von KI Technologien widerspiegeln, jedoch sind die KI-Stellenanteile als auch die absolute KI-Stellenzahlen in einigen Berufssegmenten nur marginal und der KI-Stellenanteil übersteigt in keinem Berufssegment einen Wert von fünf Prozent. Die insgesamt niedrigen KIStellenanteile sind ein weiteres Argument dafür, dass sich die Entwicklung von KI-Technologien in einem sehr frühen Stadium befindet. Auch auf der Ebene der Berufsgruppen finden wir Anzeichen für ein vielfältiges Potential von KI-Technologien. Die Nachfrage nach KIKompetenzen zeigt sich in einer großen Bandbreite von Berufsgruppen der „Informatik“ über „Maschinenbauund Betriebstechnik“ bis hin zu Berufen aus „Werbung und Marketing“. 60 Beziehen wir alle Stellen einschließlich Arbeitnehmerüberlassung in die Analyse ein (siehe Tabelle 54 im Anhang), ergeben sich einige Unterschiede in den zehn meist nachgefragten Berufsgruppen im Vergleich zu den Analysen ohne Stellen der Arbeitnehmerüberlassung. Die Berufsgruppe „Metallbau und Schweißtechnik“ ist beispielsweise nur unter Einbezug aller Stellen in beiden dargestellten Jahren in der TOP 10. „Maschinenbauund Betriebstechnik“ ist unter Einbezug aller Stellen auch in 2023 in der TOP 10 Berufsgruppen. Dies könnte sich durch den höheren Anteil von „Fertigungsberufen“ und „Fertigungstechnischen Berufen“ an den Stellen unter Einbezug der Arbeitnehmerüberlassung erklären lassen. IAB-Forschungsbericht 1|2025 112 Tabelle 24: TOP 10 Berufsgruppen (3-Steller) nach Anzahl der KI-Stellen in 2019 und 2023 (jeweils April bis Dezember), ohne Arbeitnehmerüberlassung April bis Dezember 2019 Beruf KI-Stellen KIStellenanteil [%] Stellen gesamt Informatik 3.530 5,34 66.061 Softwareentwicklung und Programmierung 3.370 4,11 81.966 IT-Systemanalyse, IT-Anwendungsberatung und IT-Vertrieb 1.652 5,65 29.260 Elektrotechnik 1.256 1,87 67.128 IT-Netzwerktechnik, IT-Koordination, ITAdministration und IT-Organisation 943 1,97 47.882 Unternehmensorganisation und -strategie 941 1,60 58.762 Maschinenbauund Betriebstechnik 415 0,67 61.595 Rechtsberatung, -sprechung und -ordnung 379 2,03 18.707 Werbung und Marketing 327 0,50 66.060 Technisches Zeichnen, Konstruktion und Modellbau 327 1,33 24.574 Übrige Berufe mit KI-Stellen (107) 4.846 0,26 1.868.964 Alle Berufe mit und ohne KI Stellen (144) 17.986 0,71 2.517.177 April bis Dezember 2023 Beruf KI-Stellen KIStellenanteil [%] Stellen gesamt Informatik 8.170 8,03 101.804 IT-Netzwerktechnik, IT-Koordination, ITAdministration und IT-Organisation 3.589 3,35 107.111 Softwareentwicklung und Programmierung 3.297 3,60 91.461 Elektrotechnik 3.008 2,66 113.113 Unternehmensorganisation und -strategie 2.729 2,14 127.653 IT-Systemanalyse, IT-Anwendungsberatung und IT-Vertrieb 1.978 3,19 61.944 Rechnungswesen, Controlling und Revision 1.108 1,19 93.125 Personalwesen und -dienstleistung 1.017 2,05 49.532 Lehrund Forschungstätigkeit an Hochschulen 918 10,25 8.960 Werbung und Marketing 827 1,29 63.928 Übrige Berufe mit KI-Stellen (110) 10.273 0,38 2.705.212 Alle Berufe mit und ohne KI Stellen (144) 36.914 1,03 3.148.727 Anmerkung: Die Tabelle weist die TOP 10 Berufsgruppen mit den meisten identifizierten KI-Stellen pro Jahr (April bis Dezember) aus. KI-Stellen sind solche Stellen, in denen wir mindestens eine der aufgelisteten KI-Kompetenzen identifizieren konnten (siehe auch Abschnitt 22.1 im Anhang). Die Anzahl der KI-Stellen pro Beruf ist in der jeweiligen Spalte dargestellt. Der KI-Stellenanteil ergibt sich, in dem wir alle KI-Stellen des jeweiligen Berufs pro Jahr (April bis Dezember) durch die Anzahl aller geschalteten Stellen pro Jahr (April bis Dezember) teilen. Ohne Stellen der Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. IAB-Forschungsbericht 1|2025 113 Abbildung 31: KI-Stellenanteile nach deutschen Kreisen in 2019 und 2023 (jeweils April bis Dezember) ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildung vergleicht die regionale Verteilung von KI-Stellen jeweils für April bis Dezember der Jahre 2019 und 2023. KI-Stellen sind solche Stellen, in denen wir mindestens eine der aufgelisteten KIKompetenzen identifizieren konnten (siehe auch Abschnitt 22.1 im Anhang). Der KI-Stellenanteil weist das Verhältnis von KI-Stellen zu allen Stellen im jeweiligen Kreis aus. Abbildung (a) zeigt die Verteilung der KIStellenanteile in 2019. Abbildung (b) zeigt die Verteilung der KI-Stellenanteile in 2023. Abbildung (c) zeigt die Differenz dieser KI-Stellenanteile je Kreis zwischen 2023 und 2019. Die angegebenen Klassenobergrenzen in Abbildung (a) und (b) ergeben sich aus den Quintilen in 2023. Die zweistellige Zahl in den gerundeten Klammern hinter den KI-Stellenanteilsklassen weist die Anzahl der enthaltenen Regionen aus. Kreise entsprechen der NUTS-3-Definition. Ohne Stellen der Arbeitnehmerüberlassung. Da der Kreis Eisenach nach 2021 in den Kreis Wartburgkreis eingegliedert wurde, haben wir die KI-Stellen und gesamten Stellen dieser beiden Kreise jeweils für die betrachteten Zeiträume aufsummiert und so einen gemeinsamen KI-Stellenanteil für die betrachteten Zeiträume berechnet. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. IAB-Forschungsbericht 1|2025 114 Im Folgenden betrachten wir die regionale Nachfrage nach KI-Kompetenzen. Abbildung 31(a) und (b) zeigen die KI-Stellenanteile in deutschen Kreisen im Jahr 2019 und im Jahr 2023, wobei auch hier zugegangene Stellen jeweils zwischen April und Dezember in den beiden Jahren betrachtet werden. Die KI-Stellenanteile der Kreise sind in Gruppen eingeteilt, wobei die Gruppengrenzen nach Quintilen der Verteilung der Kreise in 2023 gewählt ist. Demnach variiert der Anteil an KI-Stellen über die Kreise sehr deutlich. Im Jahr 2019 fällt vor allem eine Konzentration von Kreisen mit den höchsten KI-Stellenanteilen (siehe die dunkelgrüne Färbung) im Südwesten Deutschlands auf. Außerdem haben Kreise mit einer kleinen Fläche tendentiell einen höheren KI-Stellenanteil als großflächige, was auf einen systematischen Unterschied zwischen Stadt und Land hinsichtlich der KI-Stellenanteile hindeuten könnte. Es gibt außerdem einige deutsche Kreise, in denen keine Stellenangebote mit nachgefragten KI-Kompetenzen ausgeschrieben waren (siehe die weiß gefärbten Kreise, 38 Kreise in 2019). Außerdem gibt es in 2019 147 Kreise, die im ersten Quintil der Verteilung der KI-Stellenanteile von 2023 liegen bzw. einen KI-Stellenanteil zwischen 0,018 und 0,195 Prozent aufweisen. Dagegen gibt es nur 33 Kreise in 2019, die im obersten Quintil der Verteilung der KI-Stellenanteile in 2023 liegen bzw. in denen der jeweilige KI-Stellenanteil zwischen 0,999 und 5,641 Prozent liegt. Vier Jahre später, im Jahr 2023, beobachten wir eine erhöhte Anzahl an Kreisen, in denen mindestens eine KI-Stelle geschaltet wurde. Daher verbleiben in 2023 noch 12 Kreise, in denen wir keine KI-Stellen beobachten. Auch wenn weiterhin Konzentrationstendenzen im Südwesten Deutschlands zu erkennen sind, gibt es in 2023 auch häufiger Kreise mit sehr hohen KIStellenanteilen außerhalb dieser Region. Die Städte haben tendentiell weiterhin einen höheren KI-Stellenanteil. Insgesamt zeigt diese Auswertung eine weite Verbreitung der Nachfrage nach KI-Kompetenzen über deutsche Kreise, die bereits in 2019 (April bis Dezember) zu beobachten ist, aber bis 2023 deutlich zunimmt (siehe dazu auch Abbildung 31c, die die Differenz der KI-Stellenanteile zwischen 2023 und 2019 ausweist). Es gibt in beiden betrachteten Jahren nur wenige Kreise, in denen keine KI-Kompetenzen nachgefragt werden und es lassen sich regionale Konzentrationstendenzen in der Nachfrage nach KI-Kompetenzen erkennen. Außerdem fällt auf, dass Großstädte tendenziell höhere KI-Stellenanteile haben als ländliche Gebiete.61 Eine Konzentration der Nachfrage nach KI-Kompetenzen in größeren Städten wird auch in Abbildung 32 deutlich. Sie zeigt anhand einer amtlichen Kreistypisierung 62, dass die KIStellenanteile mit der Einwohnerdichte der Kreise ansteigen. In 2023 beträgt beispielsweise der KI-Stellenanteil 1,50 Prozent in kreisfreien Großstädten, während wir in dünn besiedelten ländlichen Kreisen lediglich einen Anteil von 0,44 Prozent messen. Dieser Befund ist konsistent mit der regionalökonomischen Literatur, die zeigt, dass Agglomerationseffekte Innovationen stark begünstigen.63,64 61 Unter Einbezug aller Stellen inklusive Arbeitnehmerüberlassung reduziert sich die Zahl der Kreise ohne beobachtete KIStellen zwar leicht, insgesamt ist die Verteilung der KI-Stellen aber sehr ähnlich wie unter Ausschluss der Arbeitnehmerüberlassung (Abbildung 55 im Anhang). 62 Diese Typisierung wird vom Bundesinstitut für Stadt-, Bauund Raumforschung erstellt. Die vier Kreistypen werden anhand verschiedener Siedlungsstrukturmerkmale herangezogen, u.a. der Einwohnerdichte; zu Details siehe auch https://www.bbsr.bund.de/BBSR/DE/forschung/raumbeobachtung/Raumabgrenzungen/deutschland/kreise/siedlungsstruktur elle-kreistypen/kreistypen.html; zuletzt geprüft am 14.11.2024. 63 Für einen Überblicksartikel über den Zusammenhang von Agglomeration und Innovation siehe Carlino und Kerr (2015). 64 Auch dieses Muster ändert sich nicht, wenn wir Stellen der Arbeitnehmerüberlassung einbeziehen (Abbildung 56 im Anhang). IAB-Forschungsbericht 1|2025 115 Abbildung 32: KI-Stellenanteile je siedlungsstrukturellem Kreistypen pro Jahr (April bis Dezember) in Prozent ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildung vergleicht die regionale Verteilung von KI-Stellen in 2019, 2021, 2023 (April bis Dezember) über die vier siedlungsstrukturellen Kreistypen. KI-Stellen sind solche Stellen, in denen wir mindestens eine der aufgelisteten KIKompetenzen identifizieren konnten (siehe auch Abschnitt 22.1 im Anhang). Der KI-Stellenanteil weist das Verhältnis von KIStellen zu allen Stellen im jeweiligen vom Bundesinstitut für Bau-, Stadtund Raumforschung berechneten siedlungsstrukturellen Kreistyp aus. Da der Kreis Eisenach nach 2021 in den Kreis Wartburgkreis eingegliedert wurde, haben wir die KI-Stellen und gesamten Stellen dieser beiden Kreise jeweils für die betrachteten Zeiträume aufsummiert, um sie gemeinsam zu betrachten. Ohne Stellen der Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Bundesinstitut für Bau-, Stadtund Raumforschung; Eigene Berechnungen. 5.4.4 Fazit und Ausblick Für den Beobachtungszeitraum finden wir KI-Stellenanteile zwischen 0,5 und 1,2 Prozent mit einem tendenziellen Anstieg über die Zeit, wobei der Anteil in den Abschwungphasen abnimmt. Insbesondere zeigt sich ein sprunghafter Anstieg zwischen dem dritten Quartal 2020 und dem dritten Quartal 2021. Weiterhin lassen die Rückgänge der KI-Stellenanteile während der Phasen von negativem BIP-Wachstum einen Zusammenhang der gesamtwirtschaftlichen Entwicklung mit der Ausschreibung von KI-Stellen vermuten. Aus der vertieften Analyse der KI-Stellenanteile lassen sich die folgenden Befunde hervorheben: • Die KI-Stellenanteile steigen mit dem Anforderungsniveau der Stellen. • Auch wenn KI-Stellen in allen Berufssegmenten nachgefragt werden, übersteigen sie in keinem Berufssegment einen Wert von fünf Prozent. Das Segment „ITund naturwissenschaftliche Dienstleistungsberufe“ weist den höchsten KI-Stellenanteil auf. IAB-Forschungsbericht 1|2025 116 • Unter den TOP 10 Berufsgruppen mit den meisten KI-Stellen findet sich eine große Vielfalt an Berufen (z. B. von „Informatik“ über „Maschinenbauund Betriebstechnik“ bis hin zu Berufen aus „Rechtsberatung, -sprechung und -ordnung“) • Während im Jahr 2019 die Nachfrage nach KI-Kompetenzen vor allem im Südwesten Deutschlands ausgeprägt war, verbreitet sie sich bis 2023 im gesamten Bundesgebiet. • Die KI-Stellenanteile sind in städtischen Regionen höher als in ländlichen, dünn besiedelten Regionen. Insgesamt spiegelt die breite Nachfrage über verschiedene Berufe und Regionen die vielfältigen Potentiale von KI Technologien wider. Gleichzeitig zeigen die relativ niedrigen KI-Stellenanteile in allen Berufen und Regionen, dass sich der tatsächliche Einsatz von KI-Technologien im deutschen Arbeitsmarkt noch nicht durchgesetzt hat. Künftige weitere Analysen sollten zeigen, ob (weiterhin) niedrige KI-Stellenanteile bedeuten, dass die Adoption von KI in den Betrieben im deutschen Arbeitsmarkt immer noch eher gering ausgeprägt ist oder ob der Einsatz und die Nutzung von KI nur wenige Spezialist*innen in den Unternehmen selbst erfordert, deren Tätigkeit aber weit in die Betriebe hineinwirkt. Weiteres Analysepotenzial ergibt sich zudem durch das Zuspielen von Betriebsinformationen. So können zum Beispiel Konzentrationstendenzen oder Aufholprozesse in der Nachfrage nach KIKompetenzen über Betriebe hinweg gezeigt werden, indem man den Anteil der Betriebe berechnet, die KI-Stellen ausschreiben. Eine Beschreibung der Charakteristika KI-Kompetenzen nachfragender Betriebe könnte eine solche Analyse komplementieren.65 5.5 Kompetenzen im Zusammenhang mit nachhaltigen Wasserstofftechnologien 5.5.1 Einführung Seit einigen Jahren investieren Politik und Unternehmen immense Ressourcen in Technologien, um Wasserstoff als nachhaltige Energiequelle wirtschaftlich und sicher nutzbar zu machen (siehe bspw. Bundesministerium für Wirtschaft und Energie, 2020). Mit unseren Stellendaten können wir untersuchen, inwiefern sich diese Bemühungen in der Nachfrage nach einschlägig ausgebildeten Arbeitskräften niederschlägt. Grimm et al. (2021) haben ein Wörterbuch entwickelt, das wichtige technologische Schlüsselbegriffe zu Wasserstofftechnologien benennt. Auf Basis eines gegenüber der „Machbarkeitsstudie Kompetenz-Kompass“ (Stops et al., 2020) weiterentwickelten Verfahrens wurde dann in den Jobbeschreibungen der für die Machbarkeitsstudie verfügbaren Stellendaten nach den Schlüsselbegriffen gesucht (siehe Abbildung 33). 65 Ein weiteres Potential besteht in der Analyse von Beschäftigungseffekten durch KI-Technologien. Beispielsweise untersuchen Peede und Stops (2024) den Zusamenhang zwischen der Nachfrage nach KI-Kompetenzen und dem Beschäftigungswachstum auf der Betriebsebene. IAB-Forschungsbericht 1|2025 117 Abbildung 33: Wörterbuchbasiertes Vorgehen nach Grimm et al. (2021) Quelle: Eigene Darstellung. Grimm et al. (2021) finden insgesamt eine noch relativ geringe Nachfrage nach Kompetenzen mit Bezug zu Wasserstofftechnologien. Dabei war die Nachfrage nach solchen Kompetenzen bei Stellen für hoch komplexe Tätigkeiten am höchsten, gefolgt von Stellen, für die eine schulische oder betriebliche Berufsausbildung erforderlich ist. Ebda. setzten ein wörterbuchbasiertes Verfahren ein, das wie bei den anderen Wörterbüchern auch grundsätzlich Vollständigkeit hinsichtlich der Schlüsselbegriffe und möglicher Suchwortalternativen erfordert. Aufgrund der noch geringen Zahl der Stellen mit Schlüsselbegriffen zu Wasserstofftechnologien66 konnten sie die entsprechenden Stellen noch manuell überprüfen. Dabei zeigte sich eine Schwäche des wörterbuchbasierten Verfahrens: der Bezug von Stellenanzeigen zu Wasserstofftechnologien kann fälschlicherweise hergestellt werden, weil Wasserstoff auch bisher schon Einsatzbereiche hatte, bspw. als Brennstoff beim Schweißen. Die Datengrundlage wurde von ebda. manuell bereinigt. Das gestaltet sich jedoch umso aufwändiger, je umfangreicher die zu prüfenden Daten werden. Wir setzen daher nun im wörterbuchbasierten Verfahren eine Negativsuchwortfunktion ein, sodass beispielsweise beim Vorkommen des Begriffs „Wasserstoff“ durchgehend nicht auf eine „WasserstofftechnologieKompetenz“ rückgeschlossen wird, wenn der Begriff in Verbindung mit „Schweißen“ genannt ist (siehe auch Abschnitt 5.5.2.1). Wörterbuchbasierte Verfahren spielen insbesondere dann ihre Vorteile aus, wenn es darum geht, die Nachfrage von einzelnen Kompetenzen oder das Vorkommen bestimmter Schlüsselbegriffe zu beobachten. In solchen Fällen, bspw. auch bei der Beobachtung der Kompetenzkategorien in diesem Forschungsbericht (also insbesondere der fachlichen Kompetenzen sowie der Sprachen) sind daher wörterbuchbasierte Verfahren zu präferieren. Hier geht es jedoch eher darum, nicht jede einzelne Kompetenz zu identifzieren sondern zu analysieren, inwiefern sich Stellenangebote generell auf nachhaltige Wasserstofftechnologien beziehen. Für solche Analysen kommen auch Klassifikationsverfahren in Betracht, mit deren Hilfe sich Stellenanzeigen mit Bezug zu nachhaltigen Wasserstofftechnologien mit einer gewissen Wahrscheinlichkeit klassifizieren lassen. Daher wollen wir im Folgenden ein solches Verfahren beschreiben (siehe hierfür Abschnitt 66 Gefunden wurden für April/Mai 2019 207 und für Oktober/November 2019 158 Stellen in denen Kompetenzen mit Bezug zu Wasserstofftechnologien nachgefragt wurden (Grimm et al., 2021, S. 4). IAB-Forschungsbericht 1|2025 118 5.5.2.2) und mit einem Verfahren vergleichen, das auf dem in Grimm et al. (2021) beschriebenen Verfahren basiert und um die Negativsuchwortfunktion weiterentwickelt wurde. Wie schon bei ebda. nutzen wir zur Klassifikation von Wasserstofftechnologie-Stellen das Segment „Jobbeschreibung“ der Stellenanzeige.67 Auf dieser Basis zeichnen wir die Entwicklung der Zahl von Stellenanzeigen mit Wasserstofftechnologiebezug seit 2019 nach. Dabei wollen wir beispielsweise auch klären, ob sich die Nachfrage nach solchen Stellen eher regional konzentriert oder ob eine flächendeckende Ausbreitung zu verzeichnen ist. Für die Konzentration spricht, dass die Anwendung von Wasserstofftechnologien nicht uneingeschränkt über alle wirtschaftlichen Betätigungen hinweg zu erwarten ist. Zudem ist der Einsatz voraussetzungsvoll. Hierzu gehört insbesondere die Nähe zu einschlägiger Technologie und Wissen aber auch geographische Gegebenheiten spielen eine Rolle; bspw. werden Wind oder Sonne für die Herstellung von grünem Wasserstoff benötigt. 5.5.2 Methode 5.5.2.1 Weiterentwicklung des wörterbuchbasierten Vorgehens: Negativsuchwortfunktion Im Rahmen der Verbesserung des Auswertungsverfahrens ist das Ziel, die Anzahl an Fehlauswertungen zu reduzieren. In aller Regel gehen wir beim Finden des Begriffs „Wasserstoff“ in der Jobbeschreibung zunächst von einer Anforderung im Zusammenhang mit neueren Wasserstofftechnologien aus. Allerdings existieren Begriffskombinationen, die nicht auf die Nutzung des Wasserstoffs als alternative, regenerative Energiequelle hindeuten. Wenn solche Begriffkombinationen fälschlicherweise als Wasserstofftechnologie-Kompetenz klassifiziert würden (False Positives), würden wir die Auswirkungen des Hochlaufs der Wasserstoffwirtschaft auf die Arbeitsnachfrage überschätzen. Bei Grimm et al. (2021) war das beispielsweise die Kombination aus den Suchwörtern „Wasserstoff“ und „Schweißen“, denn wasserstoffbasiertes Schweißen existiert als Technologie schon lange68 und kann nicht im Sinne der Nutzung von Wasserstoff als alternative, regenerierbare Energiequelle interpretiert werden. Insofern wollen wir die Suchwortkombination aus „Wasserstoff“ und „Schweißen“ unberücksichtigt lassen. Die Alternative zu diesem Vorgehen wäre, alle Kombinationen mit Wasserstoff zu recherchieren, die mit dem Hochlauf der Wasserstoffwirtschaft verbunden werden können. Dies erscheint bei einem wörterbuchbasierten Vorgehen ineffizient, wenn die Zahl der Suchwortkombinationen, die falsche Zuordnungen zu Wasserstoffkompetenzen (False Positives) ergeben, sehr viel geringer ist als die Zahl der Suchwortkombinationen, die eine korrekte Zuordnung (True Positives) ergeben. Dies nehmen wir hier an. Um also das Auftreten von False Positives möglichst zu verhindern, wollen wir in den Stellentexten Begriffsgruppen identifizieren, die sich jeweils aus einem Begriff unseres Wörterbuchs und aus weiteren Begriffen zusammensetzen und die unser Auswertungsverfahren fälschlicherweise als Wasserstofftechnologie-Kompetenzen ausweisen würde. Unser Auswertungsverfahren soll solche Begriffskombinationen künftig bei einem entsprechenden Vorkommen in Stellentexten unberücksichtig lassen. Wir bezeichnen diese neue 67 Teil des Pre-Processings ist das Segmentieren des Stellentextes in zwei Segmente „Jobbeschreibung“ und „Sonstiges“. Details zur Segmentierung sind im Anhang in Abschnitt 11 zu finden. 68 Beim Schweißen mit Wasserstoff handelt es um eine in den 1920er Jahren entwickelte Schweißtechnik, siehe auch https://www.spektrum.de/lexikon/physik/langmuir/8755 (abgerufen am 15.03.2024). IAB-Forschungsbericht 1|2025 119 Eigenschaft unseres Verfahrens als Negativsuchwortfunktion und die dahinterstehenden Begriffskombinationen als Negativsuchwörter. Die Identifikation der Negativsuchwörter muss zunächst durch manuelle Überprüfung erfolgen. Zu diesem Zweck zogen wir eine zufällige Stichprobe von Stellenangeboten, deren Stellentexte durch zwei Fachkräfte analysiert wurden. Neben der Kombination von „Wasserstoff“ und „Schweißen“ wurde der Begriff „Elektrolyse“ als potenzieller falsch-positiver Fall identifiziert. Neben der Wasserstoff-Elektrolyse findet die Elektrolyse nämlich in vielen Bereichen außerhalb der Wasserspaltung oder der Gewinnung von Wasserstoff Anwendung, bspw. in der Galvanik. Aluminium, Chlor oder Natronlauge werden beispielsweise durch Elektrolyse gewonnen. Auch in klinischen Analysen ist die Elektrolyse häufige Praxis. Die Suchwortkombinationen, die außerhalb der Wasserstoff-Elektrolyse eingeordnet werden können, finden sich in der Liste der Negativsuchwörter wider. Analog zum bisherigen Vorgehen wird auch bei den Wasserstoffkompetenzen die Distanzregel zur Identifizierung von Kompetenzen berücksichtigt (siehe hierfür Abschnitt 5.1). Anders als bisher werden aber vor allem Kompetenzen identifiziert, die ausgeschlossen werden sollen. Die Distanzregel impliziert, dass eine lokale Nähe im Text mit einer semantischen Nähe einhergeht. Wird also ein Wasserstofftechnologie-Suchwort, z. B. Elektrolyse, in der Nähe eines Negativsuchtworts, z. B. galvanisch, gefunden, so gehen wir innerhalb einer gewissen Distanz von einer inhaltlichen Nähe aus und die gefundene Kompetenz wird ausgeschlossen. Der maximale Abstand, der in diesem Forschungsbericht verwendet wird beträgt drei Wörter. Im Umkehrschluss bedeutet dies, dass die Kompetenz als Wasserstoffkompetenz gezählt wird, wenn sich die beiden Beispielwörter „Elektrolyse“ und „galvanisch“ zwar im gleichen Stellentext befinden, aber weiter als drei Wörter voneinander entfernt ist. Tabelle 25 zeigt zwei Beispiele für Stellentext-Ausschnitte und die darin enthaltenen Wasserstofftechnologie-Suchwörter und Negativsuchwörter. Hier greift nun die Negativsuchwortfunktion, sodass keine Wasserstofftechnologie-Kompetenzen identifiziert werden. Tabelle 25: Beispielhafte Stellentext-Ausschnitte, in denen die Negativsuchwortfunktion greift Ausschnitt eines Stellentextes WasserstofftechnologieSuchwort Negativsuchwort Schweißen mit Gasflamme (Wasserstoff/Sauerstoff) Wasserstoff Schweißen Untersuchen der Elektrolyte und Überwachen der galvanischen Anlage Elektrolyte Galvanisch Anmerkung: Durch die Negativsuchwortfunktion und die definierten Negativsuchwörtern (Schweißen und Galvanisch) zu den Wasserstofftechnologie-Suchwörtern (Wasserstoff und Elektrolyte) wird in den beispielhaften Stellentext-Ausschnitten keine Wasserstofftechnologie-Kompetenz identifiziert. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Recherche. 5.5.2.2 Machine-Learning-basiertes Vorgehen: binäre Klassifizierung von Wasserstofftechnologie Neben dem wörterbuchbasierten Verfahren, erproben wir ein Machine Learning Modell zur Identifizierung von Wasserstofftechnologie-Stellen. Im Unterschied zum wörterbuchbasierten IAB-Forschungsbericht 1|2025 120 Verfahren, bei dem Einzelkompetenzen identifiziert werden, wird durch das Machine LearningModell jedes Stellenangebot klassifiziert, ob es Wasserstofftechnologie-bezogene Kompetenzanforderungen enthält oder nicht. Hierfür wurde eine Textverarbeitungsablauf (sog. NLP-Pipeline) auf der Grundlage eines Transformer-Modells (BERT) entwickelt.69 Das Modell gibt für jedes zu klassifizierende Stellenangebot Werte (Scores) zwischen 0 und 1 aus. Scores gegen 0 deuten darauf hin, dass in der klassifizierten Stelle eher keine Kompetenzen mit Bezug zu Wasserstofftechnologien zu finden sind. Bei Scores gegen 1 dagegen sind Kompetenzen mit Bezug zu Wasserstofftechnologien zu erwarten. Damit das Machine Learning Modell eine Prognose zum Stellenangebot und dessen Zugehörigkeit zu Wasserstofftechnologien machen kann, muss ein optimaler Schwellenwert bestimmt werden, der kennzeichnet, ab welchem Score wir davon ausgehen, dass die klassifizierten Stellenanzeigen Kompetenzen mit Bezug zu Wasserstofftechnologien enthalten. Je höher der Schwellenwert liegt, desto weniger Stellen zählen wir zu den Wasserstofftechnologie-Stellen. Dadurch sinkt die Zahl der False Positives (die vom Modell fälschlicherweise als Wasserstofftechnologie-Stelle identifizierten Stellenangebote), aber auch die Zahl der True Positives (die vom Modell richtigerweise als Wasserstofftechnologie-Stelle identifizierten Stellenangebote). Durch die gegensätzlichen Verläufe bei einer Anhebung des Schwellenwerts, ist ein optimaler Schwellenwert definierbar. Üblicherweise wird das Optimum dort definiert, wo die Differenz zwischen True Positive-Rate und False Positive-Rate maximal wird – bei diesem Schwellenwert gibt es relativ viele True Positives (tp) bei relativ wenigen False Positives (fp). Dieser Zusammenhang wird in der Literatur in der so genannten Receiver Operating Characteristic-Kurve (ROC-Kurve) abgebildet – mit zunehmender True Positive-Rate, nimmt auch die False Positive-Rate zu (siehe Abbildung 34). Neben dem optimalen Schwellenwert zeigen wir zwei weitere Schwellenwerte, um deutlich zu machen, wie stark die True Positiveund False Positive-Rate bei Anpassung des Schwellenwerts vom Optimum abweichen. In anderen Worten zeigen die verschiedenen Schwellenwerte wie stark die Zuweisung eines Stellenangebots zu einer bestimmten Klasse vom Schwellenwert abhängt. Der optimale Schwellenwert liegt bei in diesem Modell bei 0,38. Außerdem tragen wir noch die Schwellenwerte 0,15 und 0,95 ab, bei denen die jeweiligen Differenzen zwischen True Positive-Rate und False Positive-Rate geringer sind. 69 Details finden sich im Anhang: Das grundlegende Vorgehen ist im Abschnitt 14 beschrieben; Details zur Konfiguration des Modells finden sich in Abschnitt 23.2.1 und zum Trainingsverfahren in Abschnitt 23.2.2. IAB-Forschungsbericht 1|2025 127 Abbildung 37: Regionale Verteilung der Wasserstofftechnologie-Stellen, April bis Dezember 2019 und April bis Dezember 2023, optimaler Schwellenwert > 0,38 Anmerkung: Die Abbildung zeigt die Zahl der zugegangegen Stellen mit Bezug zu Wasserstofftechnologien im April bis Dezember 2019 (a), April bis Dezember 2023 (b) sowie die Differenz der zugegangenen Stellen zwischen diesen beiden Zeiträumen (c) auf Basis des Klassifizierungsmodells mit dem zuvor ermittelten optimalen Schwellenwert i.H.v. 0,38. Quelle: BA-Stellenbörsedaten, Zugangsstichproben von April bis Dezember 2019 und April bis Dezember 2023. Eigene Berechnungen. IAB-Forschungsbericht 1|2025 128 5.5.4 Fazit und Ausblick In diesem Abschnitt haben wir die Nachfrage nach Kompetenzen im Zusammenhang mit nachhaltigen Wasserstofftechnologien näher untersucht. Dabei sind wir an einer binären Klassifizierung interessiert, also der Unterscheidung zwischen Stellen mit Kompetenzanforderungen, die Bezug zu nachhaltigen Wasserstofftechnologien haben, und anderen Stellen. Hierfür haben wir zwei Strategien zur Klassifizierung erprobt und miteinander verglichen: das wörterbuchbasierte Verfahren und ein Machine-Learning-basiertes Verfahren. Im Ergebnis finden wir zum einen, dass das wörterbuchbasierte Verfahren eine vergleichsweise hohe Rate der tatsächlichen Wasserstofftechnologie-Stellen findet (hoher so genannter „Recall“); jedoch stößt das wörterbuchbasierte Verfahren an seine Grenzen, wo es hinsichtlich möglicher Kompetenzbegriffe oder Suchwörter unvollständig ist. Auch lassen sich Fehlklassifikationen nicht ausschließen, insbesondere weil auch Kompetenzen bspw. zu chemischen Verfahren gefragt sein können, die zwar mit Wasserstoff zusammenhängen aber keinen Bezug zu nachhaltigen Wasserstofftechnologien aufweisen. Das Machine-Learning-Verfahren war dem wörterbuchbasierten Verfahren hinsichtlich der anhand eines manuell validierten Trainingsdatensatzes generierten Kennziffern (Accuracy, Precision und F1-Score) überlegen. Dies liegt insbesondere auch daran, dass dieses Verfahren flexibler auf Wasserstofftechnologien rückschließt, weil es nicht auf eine geschlossene VorDefinition von wasserstofftechnologierelevanten Begriffen angewiesen ist. Wenn es also nicht darauf ankommt, die Nachfrage ganz spezifischer Kompetenzen näher zu untersuchen, ist das Machine-Learning-Verfahren vorteilhaft. Es ist jedoch anzunehmen, dass diese Vorteile schwinden, wenn erheblich mehr als zwei Klassen identifiziert werden sollen, wie es bspw. bei der Extraktion vieler, einzelner Kompetenzbedarfe der Fall ist. Unsere alternativen Auswertungsverfahren ergaben ähnliche Muster. So beobachten wir eine gesamtwirtschaftlich zunehmende Nachfrage nach Kompetenzen der Wasserstofftechnologien von 2019 bis 2023, wobei die regionalen Unterschiede teilweise gravierend sind. Regional verzeichnen vor allem Berlin, Dresden, Hamburg, München oder Stuttgart Nachfragezuwächse. Zuletzt hat die Nachfrage nach Wasserstofftechnologie-Kompetenzen sogar stagniert. Dabei scheinen insbesondere hoch qualifizierte Expert*innen die Wasserstoffindustrie zusammen mit Spezialist*innen aber auch ausgebildeten Fachkräften aufzubauen und ziehen auch eine weitere Nachfrage nach sich, was sich an einer zunehmenden Nachfrage nach nichttechnischen Berufen mit Bezug zu nachhaltigen Wasserstofftechnologien zeigt. Wir beobachten eine Konzentration der Nachfrage in bestimmten Regionen und Berufen, beispielsweise in den Berufsgruppen Maschinenbauund Betriebstechnik oder Elektrotechnik. Die hier vorgelegten Analysen können künftig vertieft und erweitert werden. So ließe sich bspw. klären, welche weiteren Kompetenzen in Stellenanzeigen mit Bezug zur Wasserstofftechnologie gefragt sind und inwiefern zusätzlich überfachliche Kompetenzen eine Rolle spielen. Des Weiteren würden unsere Aufbereitungen es bspw. auch ermöglichen, den Zusammenhang von (geplanten oder realisierten) einschlägigen Fördermaßnahmen mit der beobachteten Nachfrage nach Wasserstoffkompetenzen zu betrachten. IAB-Forschungsbericht 1|2025 129 Um Aussagen zur Robustheit bestimmter Ergebnisse ableiten zu können, sollten Ergebnisse auf Basis des wörterbuchbasierten Ansatzes mit dem Machine Learning-basierten Ansatz verglichen werden. Für Letzteren käme neben dem optimalen auch eine Variation der Schwellenwerte in Betracht. 5.6 Home-Office 5.6.1 Einführung Aufgrund der neuen technologischen Möglichkeiten, die die fortschreitende Digitalisierung bietet, gewinnt das Arbeiten von zu Hause aus bzw. an anderen Orten als am Arbeitsplatz (HomeOffice) zunehmend an Bedeutung. Der nicht zuletzt durch die Covid-19-Pandemie beschleunigte Innovationsschub in den Informationsund Kommunikationstechnologien ermöglichte es vielen Arbeitnehmer*innen, frei zu entscheiden, wo (und wann) sie arbeiten. Home-Office verspricht eine bessere Vereinbarkeit von Beruf und Familie bzw. allgemeiner eine bessere Work-LifeBalance (vgl. Arntz et al., 2022). Aus Arbeitgebersicht kann Home-Office Kostenvorteile generieren, ohne dass es zu Produktivitätsverlusten kommt (vgl. Bonin et al., 2020, S. 33). Obwohl Home-Office sowohl für Arbeitnehmer*innen als auch für Arbeitgeber*innen vorteilhafte Aspekte hat (Ledermaier, 2017), gab es in Deutschland vor der COVID-19-Pandemie eine große Lücke zwischen der Möglichkeit und der tatsächlichen Nutzung von Home-Office: laut Brenke (2016) konnten 28 Prozent aller Tätigkeiten in Deutschland von zu Hause aus durchgeführt werden, während der Anteil der tatsächlichen Nutzung nur 12 Prozent betrug. Um während der Anfänge der Pandemie Infektionsrisiken zu vermeiden, hatte sich dieser Anteil im März/April 2020 deutlich erhöht, wobei 26 Prozent vollständig von zu Haus aus arbeiteten (Möhring et al., 2020, S. 4) und 35 Prozent kombiniert von zu Hause aus und eigentlichen am Arbeitsplatz arbeiteten (Schröder et al., 2020, S.2). Jüngeren Auswertungen zufolge begünstigt die Möglichkeit HomeOffice zu nutzen zudem auch längere (Pendel-)Distanzen zwischen Arbeitsund Wohnort. Dieser Zusammenhang wurde seit der Covid-19-Pandemie noch deutlicher (Coskun et al., 2024). Mithilfe unserer Stellendaten können wir auf Basis eines zugeschnittenen Wörterbuchs näher untersuchen, inwiefern deutsche Unternehmen Home-Office anbieten und wie sich dieses Angebot von 2019 bis 2023 entwickelt hat. Auch hier untersuchen wir primär die Stellen ohne Arbeitnehmerüberlassung zeigen aber auch Unterschiede auf, wenn man die Analysen für alle Stellen inklusive Arbeitnehmerüberlassung durchführt. Vorgehen und Ergebnisse werden im Folgenden beschrieben. 5.6.2 Wörterbuch für das Angebot an Home-Office Das Home-Office-Wörterbuch soll ausschließlich dazu beitragen, das Angebot an „Home-Office“ in Stellenanzeigen zu identifizieren. Hierzu ziehen wir 21 Suchwörter bzw. SuchwortKombinationen heran (siehe Tabelle 58 in Abschnitt 24 im Anhang). Das Wörterbuch unterlief dabei, wie alle anderen Wörterbücher auch, die in Abschnitt 3.3 beschriebenen Pre-ProcessingSchritte. Im Laufe der Auswertung wurde das Wörterbuch noch einmal überarbeitet und die Suchwortkombination „flexibles Arbeiten“ entfernt. Die Entscheidung liegt darin begründet, dass die stichprobenartige Validierung der Ergebnisse eine hohe Anzahl an falsch positiven Treffern in IAB-Forschungsbericht 1|2025 130 Hinblick auf diese Suchwortkombination gezeigt hat.72 Insbesondere Stellenanzeigen auf dem Anforderungsniveau der Helferund Anlerntätigkeiten waren davon betroffen. 5.6.3 Das Angebot an Home-Office Im Folgenden betrachten wir nun das Angebot an Home-Office näher. Hierzu beschreiben wir die zeitliche Entwicklung von April 2019 bis Dezember 2023 insgesamt und nach Anforderungsniveaus. Zusätzlich wird auch das Berufssegment als Stellencharakteristikum herangezogen, um mögliche Unterschiede in Hinblick auf das Angebot an „Home-Office“ nach Tätigkeitsinhalten zu erkennen. Schließlich betrachten wir die geographische Verteilung auf der Kreisebene, um etwaige regionale Unterschiede zu identifizieren. Insgesamt wurde Home-Office in den etwa 2,09 Mio. Stellen ohne Arbeitnehmerüberlassung angeboten (Tabelle 28). Rechnet man die Arbeitnehmerüberlassung hinzu, waren 2,68 Mio. Stellen. Dabei variiert das Ergebnis ebenfalls je nachdem ob man die Stellenbeschreibungen, die sonstigen Textteile oder auch beide Textteile zusammen untersucht. Generell findet sich das Angebot an Home-Office häufiger in der Jobbeschreibung; jedoch wird das Angebot auch in den sonstigen Textteilen, aber dort seltener explizit gemacht (siehe Tabelle 28). Der Grund hierfür liegt darin begründet, dass in manchen Betrieben „Home-Office“ generell möglich ist und damit auch im Allgemeinen, nicht stellenbezogenen Textteil Erwähnung findet. Hierzu zählen bspw. Einrichtungen im öffentlichen Dienst. Andere Betriebe dagegen verbinden das Angebot direkt mit einer konkreten Stellenausschreibung. Daher finden wir es in solchen Fällen eher in Verbindung mit der Jobbeschreibung. Dies lässt sich bspw. in einer Stellenausschreibung finden, wenn seitens des Arbeitgebers die technische Grundausstattung für das Arbeiten im Home-Office zur Verfügung gestellt wird. Tabelle 28: Überblick – Auszählung der Stellen mit einem Home-Office-Angebot Datenabgrenzung Anzahl der Stellen Segment Anzahl von Stellen mit Home-Office-Angebot Anteil an allen Stellen in Prozent Stellen ohne Arbeitnehmerüberlassung 19.634.936 Gesamter Stellentext 2.096.074 10,67 Jobbeschreibung 418.860 2,13 Sonstiges 1.724.696 8,70 Stellen der Arbeitnehmerüberlassung 37.190.816 Gesamter Stellentext 585.078 1,57 Jobbeschreibung 96.500 0,02 Sonstiges 504.194 1,35 Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Im Folgenden untersuchen wir für den gesamten Beobachtungszeitraum April 2019 bis Dezember 2023 die Stellen ohne Arbeitnehmerüberlassung (siehe Abbildung 38a) und vergleichen unsere Ergebnisse mit allen Stellen inklusive Arbeitnehmerüberlassung (Abbildung 38b). 72 Außerdem haben wir festgelegt. dass beim Abgleich der Stellentexte und des Wörterbuchs zwischen den einzelnen Suchwörtern einer Suchwortkombination keine weiteren Begriffe stehen dürfen. IAB-Forschungsbericht 1|2025 131 Wir finden zunächst unabhängig vom Betrachtungszeitpunkt, dass das Home-Office Angebot eher in der sonstigen Beschreibung benannt wird. Betrachtet man die Stellentexte insgesamt, so lässt sich erkennen, dass der jeweilige Anteil der Stellen mit einem Home-Office-Angebot sowohl für Stellen ohne Arbeitnehmerüberlassung als auch für die Stellen insgesamt stetig angestiegen ist. Zeitlich fällt der Beginn dieser Entwicklung mit dem Ausbruch und der raschen Ausbreitung der Covid-19-Pandemie zusammen. Für die Stellen ohne Arbeitnehmerüberlassung lag der Anteil zwischen 2,16 Prozent im April 2019 und 20,83 Prozent im April 2023. Berücksichtigt man dagegen die Arbeitnehmerüberlassung, so fällt der Anteil der Stellen geringer aus, er liegt zwischen 0,77 Prozent im April 2019 und von 11,96 Prozent im November 2023. Abbildung 38: Anteil der Stellen mit Home-Office-Angebot Anmerkung: Die Abbildung zeigt die Verläufe des jeweiligen Stellenanteils in Prozent von Stellen mit einem Home-OfficeAngebot ohne Arbeitnehmerüberlassung (a) und von allen Stellen (b) für den Beobachtungszeitraum April 2019 bis Dezember 2023. Es wird die Entwicklung für die Nennung der Home-Office-Möglichkeit differenziert nach dem Stellensegment, in dem das Angebot gefunden wird, also der Jobbeschreibung und der sonstigen Beschreibung sowie dem Stellentext insgesamt dargestellt. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Im Folgenden zeigen wir Analysen, die auf der Extraktion des Angebots an Home-Office aus dem gesamten Stellentext basieren. Abbildung 39 weist die Stellenanteile ohne Arbeitnehmerüberlassung mit Home-Office-Angebot nach Anforderungsniveau aus. Es lässt sich erkennen, dass der Anteil der Stellen mit Home-Office mit zunehmenden Anforderungsniveau steigt. Auch die eben beschriebene deutliche Zunahme über die Zeit trifft vor allem für die komplexen Spezialistentätigkeiten und die hoch komplexen Tätigkeiten zu, wohingegen die Anteile der Stellen mit Home-Office-Angebot für Helferund Anlerntätigkeiten und fachlich ausgerichtete Tätigkeiten eine vergleichsweise schwache Zunahme aufweisen. Von einer Ausweitung des Home-Office profitierten demnach eher höher qualifizierte Arbeitnehmer*innen wohingegen sich die Arbeitsbedingungen für Helferund Anlerntätigkeiten seltener änderten. Die Anteile der Stellen mit Home-Office-Angebot bewegen sich für die Helferund Anlerntätigkeiten Zwischen 0,094 Prozent im September 2019 und 1,0 Prozent im Mai 2022. Für fachlich ausgerichtete Tätigkeiten lag der Stellenanteil mit Home-Office im selben Zeitraum zwischen 3,72 Prozent und 9,50 Prozent. Für die komplexen Spezialistentätigkeiten und die hoch komplexen Tätigkeiten sind die Anteile der Stellen mit Home-Office sehr viel höher – hier bewegen sich die Werte zwischen 3,82 und 32,45 Prozent bzw. 5,48 Prozent und 36,06 Prozent. IAB-Forschungsbericht 1|2025 132 Abbildung 39: Stellenanteil mit Home-Office-Angeboten – differenziert nach Anforderungsniveau und ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildung zeigt den Verlauf des Stellenanteils mit Home-Office-Angebot ohne Arbeitnehmerüberlassung gemessen an allen Stellen für den Beobachtungszeitraum April 2019 bis Dezember 2023, differenziert nach den Anforderungsniveaus „Helfer und Anlerntätigkeiten“, „fachlich ausgerichtete Tätigkeiten“, „komplexe Spezialistentätigkeiten“ und „hoch komplexe Tätigkeiten“. Bei der Extraktion des Home-Office-Angebotes wurde der gesamte Stellentext zugrunde gelegt. Quelle: Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Tabelle 29 zeigt den Stellenanteil mit Home-Office-Angebot nach Berufssegmenten73. Demnach wird Home-Office in den ITund naturwissenschaftlichen Dienstleistungsberufen (33,24%) und in unternehmensbezogenen Dienstleistungsberufen (24,09%) am häufigsten angeboten. Hierbei handelt es sich um Berufe, die aufgrund ihres Tätigkeitsfeldes ortsflexibel ausgeübt werden können. Darauf folgen Berufe in der Unternehmensführung und -organisation (20,65%), sowie fertigungstechnische Berufe (9,40%). Im Vergleich dazu wird Home-Office seitens der Arbeitgeber am seltensten in medizinischen und nicht-medizinischen Gesundheitsberufen (1,62%), in den Lebensmittelund Gastgewerbeberufen (1,11%) und in den Reinigungsberufen (0,31%) angeboten. In diesen Berufen ist das Arbeiten Vor-Ort im Unternehmen oder beim Kunden unabdingbar. Tabelle 29 belegt auch, dass über fast alle Berufssegmente das Angebot an HomeOffice für Berufe in Helferund Anlerntätigkeiten und fachlich ausgerichteten Tätigkeiten sehr viel niedriger ist als in den höheren Anforderungsniveaus. Nur in den „ITund naturwissenschaftlichen Dienstleistungsberufen“ bewegt sich das Anngebot an Home-Office für die fachlich ausgerichteten Tätigkeiten und für die höheren Anforderungsniveaus auf 73 Zur Definition siehe Abschnitt 16 im Anhang. IAB-Forschungsbericht 1|2025 133 vergleichbar hohem Niveau. Außerdem ist das Angebot an Home-Office in den „Unternehmensbezogenen Dienstleistungsberufen“ sowie in den „Berufen in Unternehmensführung und -organisation“ auf einem etwas höherem Niveau als in allen anderen Berufssegmenten. Tabelle 29: Prozentuale Häufigkeit der Home-Office-Nennung nach Berufssegmenten, ohne Arbeitnehmerüberlassung (Ranking nach Höhe des Anteils) Rang Berufssegment Stellen Insgesamt Helferund Anlerntätigkeiten Fachlich ausgerichtete Tätigkeiten Komplexe Spezialistentätigkeiten Hoch komplexe Tätigkeiten 1 ITund naturwissenschaftliche Dienstleistungsberufe HomeOffice 774.119 35 135.625 240.554 397.905 Insgesamt 2.327.862 6.562 413.211 719.068 1.189.021 Anteil [%] 33,24 0,53 32,82 33,45 33,46 2 Unternehmensbezogene Dienstleistungsberufe HomeOffice 424.854 312 134.830 187.348 102.364 Insgesamt 1.763.646 1.865 653.437 748.648 359.696 Anteil [%] 24,09 16,73 20,63 25,02 28,46 3 Berufe in Unternehmensführung und -organisation HomeOffice 362.500 8.708 135.507 106.200 112.085 Insgesamt 1.755.038 94.780 861.679 426.029 372.550 Anteil [%] 20,65 9,19 15,73 24,93 30,09 4 Fertigungstechnische Berufe HomeOffice 219.647 182 46.177 34.854 138.434 Insgesamt 2.335.585 29.739 1.071.946 388.045 845.855 Anteil [%] 9,4 0,61 4,31 8,98 16,37 5 Bauund Ausbauberufe HomeOffice 95.267 158 10.735 15.571 68.803 Insgesamt 1.171.232 70.110 571.761 151.991 377.370 Anteil [%] 8,13 0,23 1,88 10,24 18,23 6 Handelsberufe HomeOffice 204.328 293 47.027 83.290 73.718 Insgesamt 2.705.563 266.269 1.495.147 534.445 409.702 Anteil [%] 7,55 0,11 3,15 15,58 17,99 7 Fertigungsberufe HomeOffice 34.175 328 13.170 13.489 7.188 Insgesamt 614.576 85.681 413.921 78.131 36.843 Anteil [%] 5,56 0,38 3,18 17,26 19,51 8 Land-, Forstund Gartenbauberufe HomeOffice 9.983 273 3.333 2.380 3.997 Insgesamt 197.209 37.681 121.926 18.504 19.098 Anteil [%] 5,06 0,72 2,73 12,86 20,93 9 Sicherheitsberufe HomeOffice 13.944 4.850 2.823 4.038 2.233 Insgesamt 277.685 112.227 120.917 33.837 10.704 Anteil [%] 5,02 4,32 2,33 11,93 20,86 10 Soziale und kulturelle Dienstleistungsberufe HomeOffice 58.201 3.553 4.512 5.714 44.422 Insgesamt 1.386.495 161.847 327.766 420.366 476.516 Anteil [%] 4,2 2,2 1,38 1,36 9,32 11 Verkehrsund Logistikberufe HomeOffice 32.817 1.073 15.485 5.679 10.580 Insgesamt 1.387.121 349.797 913.696 46.770 76.858 Anteil [%] 2,37 0,31 1,69 12,14 13,77 12 Medizinische u. nichtmedizinische Gesundheitsberufe HomeOffice 31.204 545 9.598 4.736 16.325 Insgesamt 1.929.124 230.771 1.134.929 280.735 282.689 Anteil [%] 1,62 0,24 0,85 1,69 5,77 13 Lebensmittelund Gastgewerbeberufe HomeOffice 14.696 2.799 6.626 3.281 1.990 Insgesamt 1.323.224 536.310 631.001 89.099 66.814 Anteil [%] 1,11 0,52 1,05 3,68 2,98 14 Reinigungsberufe HomeOffice 1.420 331 597 492 - Insgesamt 460.173 307.243 141.000 11.930 - Anteil [%] 0,31 0,11 0,42 4,12 - Leere Zelle Leere Zelle HomeOffice 2.277.155 23.440 566.045 707.626 980.044 Leere Zelle Insgesamt Insgesamt 19.634.533 2.290.882 8.872.337 3.947.598 4.523.716 Leere Zelle Leere Zelle Anteil [%] 11,59 1,02 6,37 17,92 21,66 IAB-Forschungsbericht 1|2025 134 Anmerkung: Die Tabelle zeigt die relative Häufigkeit der Home-Office-Nennung [%] differenziert nach den 14 Berufssegmenten. Hierbei wird der Durchschnitt der Nennungen gemessen an allen Stellen in der BA-JOBBÖRSE und der BA-Jobsuche für die den Betrachtungszeitraum von April 2019 bis Dezember 2023 berechnet. Anhand der Home-Office-Möglichkeit [%] wird eine Rangfolge vom Berufssegment, in dem am häufigsten die Möglichkeit geboten wird hin zum Berufssegment in den am seltensten Home-Office angeboten wird, ermittelt. Bei der Extraktion des Home-Office-Angebotes wurde der gesamte Stellentext zugrunde gelegt. Die Tabelle enthält nur Stellen ohne Arbeitnehmerüberlassung. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. Wir untersuchen abschließend die Verteilung des Angebots an Home-Office nach Kreisen für die beiden Zeiträume April bis Dezember 2019 und April bis Dezember 202374. Anhand der Abbildung 40 können wir regionale Unterschiede erkennen. Im Jahr 2019 zeigt bewegt sich der Anteil der Stellen mit Home-Office-Angebot mehrheitlich zwischen 0,04 und 8,55 Prozent (Abbildung 40a). Lediglich in Holzminden wird in keiner Stellenanzeige die Home-Office Möglichkeit benannt. Die höchsten Anteile von Stellen mit Home-Office-Angebot weisen Ansbach (20,31%), Jena (19,15%), Bamberg (13,93%) und Dresden (13,90%) auf. Abbildung 40(b) zufolge bewegen sich im Jahr 2023 die Werte zwischen 1,91 und 27,68 Prozent. Am häufigsten wird Home-Office in Rosenheim (27,68%) angeboten, gefolgt von Erfurt (27,57%), Dresden (27,00%) und Wolfsburg (26,80%). Zwischen 2019 und 2023 hat das Angebot an Home-Office in fast allen Kreisen zugenommen (Abbildung 40c). Die stärkste Zunahme lässt sich mit 24,25 Prozentpunkten in Wolfsburg feststellen, mit 22,73 Prozentpunkten folgt Rosenheim. Ebenfalls hohe Werte zeigen sich in Erfurt (19,57 PP), Holzminden (22,05 PP) und in Frankfurt am Main (21,11 PP). Es gibt jedoch auch zwei Regionen innerhalb von Bayern, die einen Rückgang des Angebots verzeichnen. Hierbei handelt es sich um die Stadt Ansbach mit einem Rückgang von 8,84 Prozentpunkten und um die Stadt Bamberg mit einem Rückgang von 1,29 Prozentpunkten. 74 Gründe für die Auswahl der Zeiträume: Erstens wollen wir zwei möglichst lange Beobachtungszeiträume miteinander vergleichen. Zweitens sollen diese Zeiträume möglichst weit auseinanderliegen und Anfangsund Endperiode sollten mit betrachtet werden (also April 2019 und Dezember 2023). Drittens wollten wir die Zeiträume periodengerecht, also möglichst ohne etwaige saisonal bedingte Unterschiede vergleichen. IAB-Forschungsbericht 1|2025 135 Abbildung 40: Geographische Verteilung der Home-Office-Angebote, Stellen ohne Arbeitnehmerüberlassung Anmerkung: Die Abbildung zeigt die geographische Verteilung des Angebots an Home-Office über sämtliche Regionen innerhalb Deutschlands auf für die Beobachtungszeiträume April bis Dezember 2019 (a) und April bis Dezember 2023 (b) sowie die Entwicklung vom Jahr 2019 im Vergleich zum Jahr 2023 (c). Da der Kreis Eisenach nach 2021 aufgrund einer Gebietsreform in den Kreis Wartburgkreis eingegliedert wurde, haben wir die Home-Office Angebote und gesamten Stellen dieser beiden Kreise jeweils für die betrachteten Zeiträume aufsummiert und so einen gemeinsamen Home-Office Stellenanteil für die betrachteten Zeiträume berechnet. Die Abbildung enthält nur Stellen ohne Arbeitnehmerüberlassung. Bei der Extraktion des Home-Office-Angebotes wurde der gesamte Stellentext zugrunde gelegt. Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.12.2023. Eigene Berechnungen. IAB-Forschungsbericht 1|2025 136 5.6.4 Fazit und Ausblick Für die Extraktion des Angebots von Home-Office haben wir ein eigenes Wörterbuch mit 21 Schlüsselbegriffen bzw. -formulierungen generiert. Die darauf basierende Auswertung zeigt, dass sich von 2019 bis 2023 das Angebot an Home-Office nahezu durchgehend erhöht hat; in den städtischen Regionen sogar noch stärker als auf dem Land. Damit wurde der positive Trend im Angebot von Home-Office, der durch die Covid-19-Pandemie Fahrt aufnahm, über die Pandemie hinaus fortgesetzt. Dabei wird Home-Office eher für Jobs mit höheren Anforderungsniveaus angeboten und ist insbesondere für Beschäftigte in komplexen Spezialistentätigkeiten und hoch komplexen Tätigkeiten möglich. Jobs mit Helferund Anlerntätigkeiten sowie fachlich ausgerichteten Tätigkeiten werden viel seltener mit einem Home-Office-Angebot versehen. Nur in den „ITund naturwissenschaftlichen Dienstleistungsberufen“ bewegt sich das Angebot an Home-Office für die fachlich ausgerichteten Tätigkeiten und für die höheren Anforderungsniveaus auf vergleichbar hohem Niveau. Ausschließlich In den Berufssegmenten „Unternehmensbezogene Dienstleistungsberufe“ sowie „Berufe in Unternehmensführung und -organisation“ wird HomeOffice für Jobs mit Helferund Anlerntätigkeiten auf einem etwas höherem Niveau angeboten. Um die Datenaufbereitungsmethodik zu verbessern, kommen generell zwei Möglichkeiten analog zu unseren Ansätzen für die Kompetenzen mit Bezug zu Wasserstofftechnologien infrage, die sich auch für das Angebot an Home-Office kombinieren ließen. Erstens gibt es Unternehmen, die in ihren Stellenanzeigen das Angebot an Home-Office (durch Negativformulierungen) explizit ausschließen. Formulierungen wie „[…] nicht geeignet für mobiles Arbeiten“ oder „Mobiles Arbeiten bzw. Arbeiten im Home-Office ist im Falle der ausgeschriebenen Stelle nicht möglich“ führen noch zu falsch positiven Treffern. Davon stärker betroffen sind die Berufssegmente „Land- , Forstund Gartenbauberufe“ und die „Reinigungsberufe“. Insgesamt fallen diese Fehlauswertungen wenig ins Gewicht. Dennoch ginge eine mögliche Weiterentwicklung unseres Datenaufbereitungsverfahrens dahin, diese Negativformulierungen zu berücksichtigen.75 Auch wenn die potenziellen Fehlauswertungen nicht ins Gewicht fallen: In ähnlicher Weise ließe sich damit umgehen, dass teilweise eine Begriffsunschärfe bei der Verwendung des Begriffs „mobile Arbeit“ bei den Betrieben vorliegt. Einerseits verstehen Arbeitgeber unter der mobilen Arbeit das Arbeiten von Zuhause aus und andererseits das ortsflexible Arbeiten beim Kunden vor Ort. In unsere Daten betrifft dies die Berufssegmente der „Land-, Forstund Gartenbauberufe“ oder auch der „Reinigungsberufe“. Zweitens käme auch hier ein Machine Learning-basiertes Klassifikationsverfahren in Betracht, das Stellen klassiifziert in Stellen mit Home-Office-Angebot und Stellen ohne Home-Office-Angebot. 75 Engler/Mertens (2024) beschreiben hierzu einen Ansatz. Dabei finden sie auf Basis einer zufällig gezogenen Stichprobe, dass eine Formulierung, nach der die Tätigkeit nicht von zu Hause ausgeübt werden kann, nur in einer von 1.000 Stellenanzeigen, wohingegen die Formulierung, die auf ein Angebot von Home-Office hindeutet, in 126 Stellenanzeigen auffindbar war. In dieser Stichprobe wäre damit der Anteil der Stellenanzeigen mit Home-Office Angebot um 0,1 Prozent verzerrt, wenn man die NegativFormulierung unberücksichtigt lässt. IAB-Forschungsbericht 1|2025 143 Organization for Economic Co-operation and Development (OECD) (2022): AI jobs and skills: Live data, OECD AI Policy Observatory. Peede, L. (2022): AI and Jobs: Evidence from German Vacancies. Master’s thesis. University of Münster. Peede, L.; Stops, M. (2024): Artificial intelligence technologies, skills demand and employment: evidence from linked job ads data. Mimeo. Nürnberg. Powers, D. M. W. (2011): Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. ArXiv abs/2010.16061. Sailer, M. (2009): Anforderungsprofile und akademischer Arbeitsmarkt. Die Stellenanzeigenanalyse als Methode der empirischen Bildungsund Qualifikationsforschung. Münster: Waxmann. Sawert, T. (2018): Der Nutzen der alten Sprache am Arbeitsmarkt In: Latente Mechanismen sozialer Hierarchisierung. Die Wahl alter Sprachen als Reproduktionsmechanismus des Bildungsbürgertums, S.255–299. Schlautmann, C. (2022): Ukrainekrieg sorgt für erhebliche Probleme im Einkauf. Handelsblatt. Zuletzt abgerufen am 3. Juli 2024. Schröder, C.; Entringer, T. M.; Goebel, J.; Grabka, M. M.; Graeber, D.; Kröger, H.; Kroh,M.; Kühne, S.; Liebig, S.; Schupp, J; Seebauer, J.; Zinn, S. (2020): Vor dem Covid-19-Virus sind nicht alle Erwerbstätigen gleich, DIW aktuell 41. Squicciarini, M.; Nachtigall, H. (2021): ‘Demand for AI skills in jobs: Evidence from online job postings’, OECD Science, Technology and Industry Working Papers (No. 2021/03). Statistik der Bundesagentur für Arbeit (2024): Migration und Arbeitsmarkt. Zuletzt zugegriffen am 08.03.2024. Stöhr, T. (2015): The returns to occupational foreign language use: Evidence from Germany. In: Labour Economics, Volume 32, S. 86–98, Stops, M.; Bächmann, A.-C.; Glassner, R.; Janser, M.; Matthes, B.; Metzger, L.-J.; Müller, C.; Seitz, J. (2020): Machbarkeitsstudie Kompetenz-Kompass - Teilprojekt 2: Beobachtung von Kompetenzanforderungen in Stellenangeboten. Bundesministerium für Arbeit und Soziales. Forschungsbericht, 553. Abgerufen am 10.5.2021. Taddy, M. (2019): The technological elements of artificial intelligence. In: Agrawal, A. Gans, J.; Goldfarb, A. (eds), The Economics of Artificial Intelligence, National Bureau of Economic Research Conference Report, S. 61–88. Tuggener, D. (2016): Incremental Coreference Resolution for German. University of Zurich, Faculty of Arts. Mimeo. Webb, M. (2020): The impact of artificial intelligence on the labor market. Stanford University. Mimeo. Weick, K.E. (1985): Der Prozess des Organisierens. Weinert, F. E. (Hrsg.). (2001): Leistungsmessungen in Schulen. IAB-Forschungsbericht 1|2025 144 Weissweiler L.; Fraser A. (2018): Developing a Stemmer for German Based on a Comparative Analysis of Publicly Available Stemmers. In: Rehm G., Declerck T. (eds) Language Technologies for the Challenges of the Digital Age. GSCL 2017. Lecture Notes in Computer Science, vol 10713. IAB-Forschungsbericht 1|2025 145 Anhang 8 Definition der Anforderungsniveaus Das Anforderungsniveau für jede Stellenanzeige kann der fünften Stelle des Codes für die Einzelberufsangabe gemäß der deutschen Klassifikation der Berufe 2010 (KldB 2010) entnommen werden (Bundesagentur für Arbeit 2021). Nach ebda. (S. 26 f.) wird unterschieden zwischen • Helferund Anlerntätigkeiten (Tätigkeiten mit Aufgaben, die keine formale Qualifikation oder nur eine kurze Ausbildung erfordern); • fachlich ausgerichtete Tätigkeiten (Tätigkeiten mit Aufgaben, die in der Regel eine formale Berufsausbildung von mindestens 2 Jahren erfordern); • komplexe Spezialistentätigkeiten (Tätigkeiten die in der Regel einen Hochschulabschluss oder einen Meisterbrief erfordern); und • hoch komplexe Tätigkeiten (Tätigkeiten die in der Regel einen Hochschulabschluss oder Ähnliches und darüber hinaus fundierte Berufserfahrung oder weitere formale hochspezialisierte Qualifikationsnachweise wie eine Promotion oder eine Habilitation erfordern). IAB-Forschungsbericht 1|2025 146 9 Konjunkturelle Entwicklung von 2019 bis 2023 Tabelle 30: Entwicklung des Bruttoinlandsproduktes vom zweiten Quartal 2019 bis zum vierten Quartal 2023 Quartal Jahr Ursprungswerte in jeweiligen Preisen preisbereinigt Mrd. Euro Änderung zum Vorjahresquartal in Prozent 2015=100 Änderung zum Vorjahresquartal in Prozent II 2019 852,84 2,3 105,73 0,1 III 2019 878,25 4,3 108,04 2 IV 2019 891,79 3 108,24 0,7 I 2020 864,31 1,5 105,37 -1,1 II 2020 786,4 -7,8 94,46 -10,7 III 2020 863,29 -1,7 105,37 -2,5 IV 2020 889,73 -0,2 106,94 -1,2 I 2021 864,58 0 103,57 -1,7 II 2021 882,21 12,2 105,04 11,2 III 2021 922,94 6,9 107,91 2,4 IV 2021 947,72 6,5 108,68 1,6 I 2022 943,34 9,1 108,03 4,3 II 2022 950,28 7,7 106,73 1,6 III 2022 976,58 5,8 109,21 1,2 IV 2022 1.006,61 6,2 108,9 0,2 I 2023 1.012,93 7,4 108,54 0,5 II 2023 1.009,17 6,2 106,37 -0,3 III 2023 1.037,07 6,2 108,67 -0,5 IV 2023 1.063,04 5,6 108,45 -0,4 Anmerkung: Positive (Negative) Veränderungen des preisbereinigten Bruttoinlandsproduktes eines Quartals im Vergleich zum Vorjahresquartal sind grün (rot) markiert. Quelle: DESTATIS (2024) 10 Analyse der Berufsbezeichnungen In der BA-JOBBÖRSE bzw. der BA-Jobsuche muss zu jedem Stellenangebot über ein Drop-DownMenü der Beruf angegeben werden. Dies liegt uns als Merkmal im strukturierten Meta-Datensatz vor und lässt sich eindeutig einem Beruf der Klassifizierung der Berufe 2010 zuordnen. Um herauszufinden, ob diese Angaben valide sind, haben wir sie für eine Stichprobe unserer Stellenanzeigen mit zwei Freitext-Feldern abgeglichen, die ebenfalls Berufsangaben enthalten: den Stellentext-Titel bzw. die „Freie Berufsbezeichnung“ und den eigentlichen Stellentext. IAB-Forschungsbericht 1|2025 147 Insgesamt wurden 200 Stellenanzeigen mit Vermittlungsauftrag und 200 Stellenanzeigen ohne Vermittlungsauftrag manuell ausgewertet. Für die Stellenanzeigen mit Vermittlungsauftrag stimmten die drei überprüften Felder zu 92 Prozent überein; für die Stellenanzeigen ohne Vermittlungsauftrag ergab sie eine Übereinstimmung von 91 Prozent. Für den Abgleich von Berufsangabe und Stellentext ergaben sich noch höhere Übereinstimmungen von 93 bzw. 94 Prozent (siehe auch Tabelle 31). Dass es zu Unterschieden in den Bezeichnungen kam, lässt sich auf die häufig freie Verwendung des Feldes als Stellentext-Titel zurückführen.76 Tabelle 31: Übereinstimmung der unterschiedlichen Angaben in einer Stichprobe von 400 Stellenangeboten Verglichene Felder mit übereinstimmenden Angaben Stellenanzeigen ohne Vermittlungsauftrag Stellenanzeigen mit Vermittlungsauftrag Anzahl Anteil Anzahl Anteil Stellentext, Stellentext-Titel und Berufsangabe 182 91% 185 92% Stellentext und Stellentext-Titel 192 96% 194 97% Stellentext und Berufsangabe 188 94% 187 93% Stellentext-Titel und Berufsangabe 184 92% 189 94% Gesamt 200 Leere Zelle 200 Leere Zelle Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.5.2019. Eigene Berechnungen. 11 Segmentierung Wir markieren auf Basis des gleichen Klassifikationsverfahrens wie in der Machbarkeitsstudie von Stops et al. (2020, S. 92 f.) zwei Bereiche der Stellenanzeigentexte: zum einen die „Jobbeschreibung“, auf die wir insbesondere bei der Extraktion von Kompetenzanforderungen fokussieren und zum anderen den übrigen Stellentext („Sonstiges“), der bspw. die Firmenbeschreibung und andere, eher allgemeine Informationen zu den Arbeitsbedingungen enthält. Diesen Teil ziehen wir insbesondere für das Angebot an Home-Office mit heran.77 Diese Segmentierung erfolgte in mehreren Stufen: Zunächst wurden die Stellentexte über einen sogen. Term-Frequency-/Inverse Document-Frequency - Algorithmus (im Folgenden TFIDF) so transformiert, dass sie für eine weitere Analyse zugänglich sind. Der TFIDF-Algorithmus „vektorisiert“ die Texte, in dem er jedem Einzelwort einen eigenen Vektor zuordnet. Dann wurden 1.182 Stellentexte von Hand segmentiert. Diese Stellentexte sind also mit Segmentmarkierungen versehen und dienen in ihrer vektorisierten Version dem Training des Classifiers. Im Training identifiziert der Classifier mit Hilfe maschinellen Lernens Unterschiede zwischen den Segmenten und Gemeinsamkeiten innerhalb der Segmente. Abschließend 76 Beispielsweise „ZEIT, die wir uns nehmen, ist ZEIT, die uns etwas gibt!“ als Stellentext-Titel anstelle einer frei formulierten Berufsbezeichnung. 77 Weitere Details zum Segmentationsverfahren beschreiben Stops et al. (2020, S. 92 f.). IAB-Forschungsbericht 1|2025 148 ermöglicht der Classifier die Anwendung der „erlernten“ Muster und die Segmentation der Texte aller Stellenanzeigen. Das Vorgehen bei der Segmentierung wurde leicht angepasst, um die Anzahl der Stellenangebote zu reduzieren, in denen nur ein Segment erkannt wurde. Zu segmentierende Abschnitte werden durch Zeilenumbrüche definiert. In Stellentexten ohne Zeilenumbrüche wird der gesamte Text als ein zu segmentierender Abschnitt erkannt. Durch die folgenden zwei zusätzlichen Aufbereitungsschritte können weitere zu segmentierende Abschnitte erkannt werden: • Wir ergänzen ein Leerzeichen nach jedem Zeilenumbruchs-Zeichen. Dadurch wird ein einfacher Formatierungsfehler, bei dem hinter dem Zeilenumbruchs-Zeichen direkt ohne Leerzeichen der Text folgte, behoben. • Wir ergänzen Zeilenumbruch-Zeichen an jedem Satzende, wenn im gesamten Stellentext kein Zeilenumbruch erkannt wurde. 12 Pre-Processing von Stellentexten und Wörterbüchern 12.1 Bisheriges Vorgehen Grundsätzlich wird für das Pre-Processing der Stellentexte und der Wörterbücher das Verfahren der Machbarkeitsstudie angewandt (siehe Stops et al., 2020, S. 93): • Mit Hilfe einer eigens erstellten Liste werden zunächst die Sonderzeichen „\xa0“, „)“, „(“, „.“, „/“, „\n“ sowie „-„ durch ein Leerzeichen ersetzt (z. B. „Web4.0“ wird umgewandelt in „Web4 0“, „Welt-friede“ in „Welt friede“, „Telefax-45456-5476“ in „Telefax 45456 5476“). Des Weiteren wird „ß“ durch „ss“ ersetzt, das Zeichen „+“ mit „plus“, das Zeichen „#“ mit „hash“. Als gültige Buchstaben bzw. Zeichen werden „A“ bis „Z“, „a“ bis „z“, „0“ bis „9“ sowie die Vokale „ü“, „Ü“, „ä“, „Ä“, „ö“, „Ö“ definiert; andere Zeichen werden nicht berücksichtigt (z. B. „$pace“ wird umgewandelt in „pace“, „Frie%de“ wird umgewandelt in “Friede“). Danach werden alle Großbuchstaben in Kleinbuchstaben umgewandelt. • Die Zeichen zwischen zwei Leerzeichen werden als ein Wort (technisch: Folge zusammengehöriger Zeichen bzw. Token) definiert. So wird die lange Zeichenfolge „Fachliche und disziplinarische Führung der Mitarbeiter der Gruppe Data Analytics.“ zu zehn kurzen Zeichenfolgen entsprechend der enthaltenen Wörter, nämlich „Fachliche“, „und“, „disziplinarische“, „Führung“, „der“, „Mitarbeiter“, „der“, „Gruppe“, „Data“, „Analytics“ • Mit Hilfe einer deutschen stop-word-Liste78 werden die Wörter um Bindewörter und Ähnliches bereinigt. Diese Liste enthält Wörter, die zwar sprachlich eine Funktion erfüllen, aber inhaltlich nicht relevant sind (bspw. „der“, „die“, „das“, „mit“, „und“, „oder“). Diese 78 Quelle: https://snowballstem.org/algorithms/german/stop.txt, zuletzt abgerufen am 17.4.2020 http://snowball.tartarus.org/algorithms/german/stop.txt IAB-Forschungsbericht 1|2025 149 Liste wurde bei der Auswertung der Vorschlagsliste für neue Kompetenzen manuell erweitert (siehe Abschnitt 5.2.2 für die fachlichen Kompetenzen und Abschnitt 5.4.2 für Kompetenzen im Zusammenhang mit Künstlicher Intelligenz). • Alle verbleibenden Wörter unterlaufen einem Stemming-Verfahren. Dabei werden die Wörter auf ihren Wortstamm zurückgeführt, indem systematisch bestimmte End-Buchstaben entfernt und „ä“, „ö“, „ü“, „ß“ durch „a“, „o“, „u“, „ss“ ersetzt werden. Dieses Verfahren stellt beispielsweise sicher, dass Plural und Singular eines Wortes inhaltlich gleichbehandelt und ausgewertet werden können (z. B. Rückführung der Begriffe „Ärzte“ und „Arzt“ auf den gemeinsamen Wortstamm „arz“). Wir verwenden den Stemmer „CISTEM” von Weissweiler und Fraser (2018). Zur Erstellung korrekter Suchwörtereinträge in den Wörterbüchern wurden im BERUFENET vorkommende Kompetenzaufzählungen aufgelöst. Wir nutzten hierfür das Verfahren von „CharSplit“ von Tuggener (2016). An zwei Stellen haben wir das Verfahren weiterentwickelt: • Aufzählungen von Begriffen in den Stellentexten werden nun auch aufgelöst, z. B. wird „beund entladen“ zu „beladen und entladen“ umformuliert (siehe Abschnitt 12.2). • Das Stemming-Verfahren wird um das Stemmen „-keit“ und „-nis“ erweitert (siehe Abschnitt 12.3). 12.2 Auflösen von Aufzählungen Schon in der Machbarkeitsstudie (Stops et al., 2020) wurde darauf hingewiesen, dass im PreProcessing zwar Aufzählungen bei der Generierung der Suchwörter in den Wörterbüchern aufgelöst wurden, aber nicht in der Aufbereitung der Stellentexte. Dies betrifft beispielsweise die fachliche Kompetenz „Beladen, Entladen“ mit der Suchwortkombination „beladen“, „entladen“. In Stellentexten wird diese Suchwortkombination typischerweise als die Aufzählung „beund entladen“ formuliert. Diese Aufzählung soll in „beladen und entladen“ umformuliert werden.79 Hierfür wird der Stellentext zunächst nach Aufzählungen durchsucht. Kandidaten sind Kombinationen aus Wörtern, einem Bindestrich und einer Konjunktion. Wir wählen als relevante Konjunktionen "und", "oder", "bzw." und ",". Aus den Kandidaten wird eine Liste ohne Bindestrich und Konjunktion erstellt. Der vordere Bestandteil der Aufzählung (im Folgenden Präfix genannt) muss mit einem geeigneten Bestandteil des hinteren Worts der Aufzählung angereichert werden. Hierfür wird das Präfix um das hintere Wort ergänzt – erst um die ersten beiden Buchstaben verkürzt, dann um die ersten drei Buchstaben verkürzt etc. Diese sukzessiv ergänzten Wortzusammensetzungen werden jeweils mit deutschen Wörterbüchern80 abgeglichen. Ist die Wortzusammensetzung in 79 Des Weiteren gibt es weitere, komplexere Aufzählungsmöglichkeiten, z. B. „Textilgroßund -einzelhandel“. Wünschenswert wäre hier eine Auflösung in „Textilgroßhandel und Textileinzelhandel“. Die Auflösung solcher Konstrukte muss vorerst der weiteren Forschung vorbehalten bleiben. 80 Wir fügten ein Wörterbuch zusammen aus zwei Quellen und erhielten so insgesamt eine Liste von 258.953 deutschen Wörtern. Siehe hierzu https://github.com/davidak/wortliste und https://gist.github.com/MarvinJWendt/2f4f4154b8ae218600eb091a5706b5f4#file-wordlist-german-txt IAB-Forschungsbericht 1|2025 150 dem Wörterbuch exakt enthalten oder kommt sie in einem existierenden Wort vor, wird die schrittweise Verkürzung beendet. Abbildung 41 fasst das Vorgehen schematisch zusammen. Abbildung 41: Schematische Darstellung des Algorithmus zur Auflösung von Aufzählungen Quelle: Eigene Darstellung. IAB-Forschungsbericht 1|2025 151 12.3 Weiterentwicklung des Stemming-Verfahrens Das bisherige Stemming liefert bereits recht gute Ergebnisse. Jedoch erschien uns die Methode des Stemmings von Substantiven noch verbesserungswürdig, auch weil sich deutsche Substantive mit bestimmten Suffixen durch Entfernen dieser Suffixe auf die gleichen Wortstämme reduzieren lassen wie gestemmte Verben oder Adjektive, ohne dass die inhaltliche Bedeutung verloren geht. Dadurch können wir im Wörterbuch enthaltene Kompetenzen noch besser identifizieren. Im Wörterbuch ist beispielsweise die Kompetenz „Kenntnisse nach SGB II“ enthalten. Wir suchen dann in den aufbereiteten Stellentexten nach der aufbereiteten Form von „Kenntnisse“ und „SGB II“. In Tabelle 32 wird dies im Detail dargestellt. Hierfür haben wir ein geeignetes Textbeispiel aus den Stellentexten sowohl mit dem Original-CISTEM als auch dem weiterentwickelten CISTEM aufbereitet. Dank des weiterentwickelten Stemming-Verfahrens kann durch das Suchwort „Kenntnisse“ auch „Kennen“ in Stellentexten identifiziert werden. Tabelle 32: Identifizieren von Suchwörtern im Stellentext im Vergleich zwischen Original-CISTEM und weiterentwickelten CISTEM Leere Zelle Unaufbereiteter Textausschnitt Textausschnitt nach dem Stemmen mit Übereinstimmung Leere Zelle Leere Zelle … Original-CISTEM Leere Zelle StellentextAusschnitt Kennen des SGB II kenn des sgb ii Keine Suchwort einer Kompetenz Kenntnisse kenntniss Leere Zelle Leere Zelle … weiterentwickeltem CISTEM Leere Zelle StellentextAusschnitt Kennen des SGB II kenn des sgb ii Im Wortstamm „kenn“ Suchwort einer Kompetenz Kenntnisse kenn Quelle: BA-Stellenbörsedaten (BA-JOBBÖRSE/BA-Jobsuche), Zugangsstichprobe, Zeitraum: 1.4.2019 bis 31.5.2019. Eigene Recherche und Aufbereitung nach Weissweiler und Fraser (2018). In unserem Wörterbuch der fachlichen Kompetenzen gibt es Substantivierungen von Verben und Adjektiven, die auf „-ung“, „-keit“, „-nis“ und „-tion“ enden (Beispiele siehe Tabelle 33). Tabelle 33: Beispiele für relevante Wort-Konstellationen im Wörterbuch der fachlichen Kompetenzen Zu stemmende Wörter Beispielkompetenz Textbeispiel Bedienung und bedienen Bedienung Abfüllanlage Bedienen der Abfüllanlage Bedienung der Abfüllanlage Realisierbarkeit und realisierbar Realisierbarkeit (prüfen, einschätzen etc.) Prüfen auf Realisierbarkeit Prüfen, ob etwas realisierbar ist. Kenntnis und Kennen Kenntnisse SGB II Kenntnisse zum SGB II Kennen des SGB II Kalkulation und Kalkulieren Kalkulation Das Kalkulieren von … Die Kalkulation von … Quelle: Eigene Recherche im Wörterbuch der fachlichen Kompetenzen. IAB-Forschungsbericht 1|2025 152 Wir haben uns nach eingehender Überprüfung aus unterschiedlichen Gründen gegen das Stemmen von „-tion“ und „-ung“ entschieden. Die Substantivierung durch „-tion“ führt zu einer so starken Beugung der Wörter, dass der Stemmer ohne weitere Änderungen an der Aufbereitung nicht auf den gleichen Wortstamm stemmt. Beispiele sind in der Tabelle 34 aufgeführt. Tabelle 34: Vergleich des Stemmings im Original-CISTEM und bei der Weiterentwicklung bei BeispielWörtern, die auf „-tion“ ändern Originalwort Original-CISTEM Um „tion“ erweitertes Stemming Evaluieren Evaluier Evaluier Evaluation Evaluatio Evalua Intervenieren Intervenier Intervenier Intervention Interventio Interv Kalkulieren Kalkulier Kalkulier Kalkulation Kalkulatio Kalkula Organisieren Organisier Organisier Organisation Organisatio Organisa Quelle: Eigene Text-Aufbereitung, Original-CISTEM nach Weissweiler und Fraser (2018). Das Stemming der Endung „-ung“ führt substantivierte Begriffe sehr gut mit den dazugehörigen Verben oder Adjektiven zusammen (z. B. „reinigen“ und „Reinigung“ auf den Wortstamm „reinig“), gleichzeitig führt es allerdings zu viele, nicht substantivierte Begriffe auf einen Wortstamm zusammen, die keinen semantischen Zusammenhang haben. Beispielsweise wird „Wartung“ und „wärst“ auf den gleichen Wortstamm „war“ zusammengeführt. Dies bewirkt, dass jede Formulierung wie „du wärst bereit, …“ zur fehlerhaften Identifizierung der Kompetenz „Wartung, Reparatur, Instandhaltung“ führt. Abbildung 42 beschreibt den weiterentwickelten CISTEM-Algorithmus. Vor der im Original vorgesehenen Ersetzung von doppelten Buchstaben müssen die für uns relevanten Suffixe „-keit“ und „-nis“ durch ein Symbol ersetzt werden.81 Andernfalls würde das Suffix in den Folgeschritten bei Wortstämmen, die mit dem gleichen Buchstaben enden wie das Suffix beginnt (z. B. „Betreuung“) nicht erkannt werden. Nach der Ersetzung von doppelten Buchstaben wird das jeweilige Symbol wieder durch das ursprüngliche Suffix ersetzt. Daraufhin kann das Suffix entfernt werden. 81 Möglicherweise ist dieser „Eingriff“ der Grund, weshalb im Original-CISTEM-Algorithmus das Stemmen der hier beschriebenen Suffixe nicht vorgesehen war. IAB-Forschungsbericht 1|2025 255 Abbildung 25: Vergleich der KI-Stellenanteile unter Berücksichtigung aller KI-Kompetenzen und unter Ausschluss der besonders ambigen KI-Kompetenzen, ohne Arbeitnehmerüberlassung .......................................................................................... 101 Abbildung 26: KI-Stellenanteile pro Quartal und Anforderungsniveau ohne Arbeitnehmerüberlassung .......................................................................................... 104 Abbildung 27: KI-Stellenanteile nach Anforderungsniveaus mit jeweils eigener Skala, ohne Arbeitnehmerüberlassung .......................................................................................... 106 Abbildung 28: Indizierte Zeitreihe der KI-Stellenanteile nach Anforderungsniveaus pro Quartal ohne Arbeitnehmerüberlassung ................................................................................. 107 Abbildung 29: KI-Stellenanteile nach Berufssegmenten pro Jahr (April bis Dezember) in Prozent, ohne Arbeitnehmerüberlassung ................................................................................. 109 Abbildung 30: Anzahl der KI-Stellen nach Berufssegmenten pro Jahr (April bis Dezember) ohne Arbeitnehmerüberlassung .......................................................................................... 110 Abbildung 31: KI-Stellenanteile nach deutschen Kreisen in 2019 und 2023 (jeweils April bis Dezember) ohne Arbeitnehmerüberlassung .............................................................. 113 Abbildung 32: KI-Stellenanteile je siedlungsstrukturellem Kreistypen pro Jahr (April bis Dezember) in Prozent ohne Arbeitnehmerüberlassung............................................. 115 Abbildung 33: Wörterbuchbasiertes Vorgehen nach Grimm et al. (2021) ......................................... 117 Abbildung 34: Unterschiedliche Schwellenwerte und die dazugehörige True bzw. False Positive Rate in der ROC-Kurve ................................................................................................. 121 Abbildung 35: Monatliche Zugänge von Wasserstofftechnologie-Stellen, nach verschiedenen Schwellenwerten für den Machine Learning-Ansatz und auf Basis des wörterbuchbasierten Vorgehens, Monatswerte ......................................................... 123 Abbildung 36: Zugänge von Wasserstofftechnologie-Stellen, nach Anforderungsniveaus, Monatswerte, Optimaler Schwellenwert > 0,38 ......................................................... 124 Abbildung 37: Regionale Verteilung der Wasserstofftechnologie-Stellen, April bis Dezember 2019 und April bis Dezember 2023, optimaler Schwellenwert > 0,38 ................................. 127 Abbildung 38: Anteil der Stellen mit Home-Office-Angebot .............................................................. 131 Abbildung 39: Stellenanteil mit Home-Office-Angeboten – differenziert nach Anforderungsniveau und ohne Arbeitnehmerüberlassung ....................................... 132 Abbildung 40: Geographische Verteilung der Home-Office-Angebote, Stellen ohne Arbeitnehmerüberlassung .......................................................................................... 135 Abbildung 41: Schematische Darstellung des Algorithmus zur Auflösung von Aufzählungen ......... 150 Abbildung 42: Schematische Darstellung des weiterentwickelten CISTEM-Algorithmus. Die blau hinterlegten Schritte zeigen die Abweichungen zum Original-CISTEM. .................... 153 Abbildung 43: Komponenten der Pipeline zur binären Klassifizierung von Stellenanzeigen .......... 158 Abbildung 44: Beispiel für einen Stellentext ohne Segment „Sonstiges“ ......................................... 160 Abbildung 45: Receiver Operating Characteristic (ROC) Kurve ......................................................... 166 Abbildung 46: Verteilung der Anzahl der Stellentexte nach Wertebereich des KlassifikationsScores........................................................................................................................... 168 Abbildung 47: Anzahl der zugegangenen Stellenangebote bzw. Stellen je Monat für Deutschland mit allen Stellen inkl. Arbeitnehmerüberlassung ....................................................... 171 Abbildung 48: Rangfolge der Berufssegmente nach Zahl der zugegangenen Stellen mit allen Stellen inkl. Arbeitnehmerüberlassung ...................................................................... 174 Abbildung 49: Stellenzahl nach Anforderungsniveaus pro Monat mit allen Stellen inkl. Arbeitnehmerüberlassung .......................................................................................... 174 Abbildung 50: KI-Stellenanteil pro Quartal in Prozent, alle Stellen einschließlich Arbeitnehmerüberlassung .......................................................................................... 235 IAB-Forschungsbericht 1|2025 256 Abbildung 51: KI-Stellenenteile berechnet vom IW Köln (2023) basierend auf Stellendaten des Anbieter Textkernel ..................................................................................................... 236 Abbildung 52: KI-Stellenanteile pro Quartal und Anforderungsniveau, alle Stellen ........................ 237 Abbildung 53: KI-Stellenanteile nach Berufssegmenten pro Jahr (April bis Dezember) in Prozent in allen Stellen ............................................................................................................. 238 Abbildung 54: Anzahl der KI-Stellen nach Berufssegmenten pro Jahr (April bis Dezember) in allen Stellen ................................................................................................................. 239 Abbildung 55: KI-Stellenanteile nach deutschen Kreisen in 2019 und 2023 (jeweils April bis Dezember) in allen Stellen .......................................................................................... 241 Abbildung 56: KI-Stellenanteile je siedlungsstrukturellem Kreistypen pro Jahr (April bis Dezember) in Prozent in allen Stellen ......................................................................... 242 Abbildung 57: KI-Stellenzahl insgesamt, im Segment "ITund naturwissenschaftliche Dienstleistungsberufe“, und allen weiteren Berufssegmenten ohne Arbeitnehmerüberlassung .......................................................................................... 243 Abbildung 58: Ablauf des Aufbaus des manuell gelabelten Trainingsdatensatzes .......................... 245 Abbildung 59: Schematische Darstellung des zweistufigen Trainings .............................................. 251 IAB-Forschungsbericht 1|2025 257 Tabellenverzeichnis Tabelle 1: Beispielhafte Darstellung der Verteilung von Stellen auf Stellenlokationen .............. 24 Tabelle 2: Auszählung der berücksichtigten Stellenanzeigen nach jedem Aufbereitungsschritt ...................................................................................................... 25 Tabelle 3: Zahl der der Stellenangebote nach Zeitpunkt des Vorliegens eines gültigen Stellentextes .................................................................................................................. 26 Tabelle 4: Anzahl der Stellentexte, der Stellenangebote und der Stellenangebote mit Stellentexten ................................................................................................................. 26 Tabelle 5: Verteilung der Anzahl der Stellenanzeigen nach der verfügbaren Information über Arbeitnehmerüberlassung und Stellenart .................................................................... 28 Tabelle 6: Anzahl Stellenangebote (und Anzahl der damit ausgeschriebenen Stellen) nach Klassifizierungsmethode ............................................................................................... 29 Tabelle 7: Anzahl der Stellenangebote und der damit ausgeschriebenen Stellen im Analysedatensatz, nach Klassifikation zur Arbeitnehmerüberlassung oder zu anderen Sektoren .......................................................................................................... 30 Tabelle 8: Mittlere Abweichung zwischen aggregierten Metriken der BA-JOBBÖRSE und der IAB-Stellenerhebung ..................................................................................................... 47 Tabelle 9: Stellenzahl pro Bundesland über den gesamten Zeitraum (April 2019 bis Dezember 2023) ohne Arbeitnehmerüberlassung........................................................ 50 Tabelle 10: Zahl der Stellenangeboteund der damit ausgeschriebenen Stellenzahl je Berufssegment (gesamter Zeitraum), ohne Arbeitnehmerüberlassung ..................... 51 Tabelle 11: Kompetenzgruppen im BERUFENET und ihre Verwendung ........................................ 58 Tabelle 12: Neue Kompetenzen-Auszählung der Zuordnungen zu Kompetenzgruppen .............. 60 Tabelle 13: Beschreibung der Weiterentwicklung des Wörterbuchs der fachlichen Kompetenzen ................................................................................................................ 61 Tabelle 14: Zahl der genannten Kompetenzen pro Berufssegment, ohne Arbeitnehmerüberlassung ............................................................................................ 63 Tabelle 15: Beispiele für mindestens in einer Berufshauptgruppe häufig genannten Kompetenzanforderungen nach Spezifität, April bis Dezember 2023, ohne Arbeitnehmerüberlassung. ........................................................................................... 68 Tabelle 16: Die Verteilung der Zahl der Kompetenzen auf die abgeleiteten Entwicklungstypen . 71 Tabelle 17: Rangfolge der Berufshauptgruppen nach dem Kompetenz-Dynamik-Indikator ........ 74 Tabelle 18: Relative Häufigkeit der Fremdsprachennachfrage nach Berufssegmenten – ohne Arbeitnehmerüberlassung (Ranking nach Höhe des Anteils) ...................................... 80 Tabelle 19: Relative Nennungen der 10 am häufigsten nachgefragten Fremdsprachen, ohne Arbeitnehmerüberlassung ............................................................................................ 84 Tabelle 20: Anteil der Fremdsprachenkenntnisse nach Anforderungsniveau, ohne Arbeitnehmerüberlassung ............................................................................................ 85 Tabelle 21: Anteil der Stellen, in denen Deutschkenntnisse nachgefragt werden, nach Berufssegmenten, ohne Arbeitnehmerüberlassung (Ranking nach Höhe des Anteils) ........................................................................................................................... 91 Tabelle 22: Beschreibung der Weiterentwicklung des KI-Wörterbuchs ......................................... 98 Tabelle 23: KI-Kompetenzgruppen und Anzahl der jeweiligen Kompetenzen ............................... 99 Tabelle 24: TOP 10 Berufsgruppen (3-Steller) nach Anzahl der KI-Stellen in 2019 und 2023 (jeweils April bis Dezember), ohne Arbeitnehmerüberlassung .................................. 112 IAB-Forschungsbericht 1|2025 258 Tabelle 25: Beispielhafte Stellentext-Ausschnitte, in denen die Negativsuchwortfunktion greift ............................................................................................................................. 119 Tabelle 26: Qualitäts-Metriken für das Machine Learning-Verfahren und das wörterbuchbasierte Vorgehen .................................................................................... 122 Tabelle 27: Die 15 am häufigsten nachgefragten Berufsgruppen in zugegangenen Wasserstofftechnologie-Stellen, April bis Dezember 2019 und April bis Dezember 2023, Optimaler Schwellenwert > 0,38 ....................................................................... 125 Tabelle 28: Überblick – Auszählung der Stellen mit einem Home-Office-Angebot ...................... 130 Tabelle 29: Prozentuale Häufigkeit der Home-Office-Nennung nach Berufssegmenten, ohne Arbeitnehmerüberlassung (Ranking nach Höhe des Anteils) .................................... 133 Tabelle 30: Entwicklung des Bruttoinlandsproduktes vom zweiten Quartal 2019 bis zum vierten Quartal 2023 .................................................................................................... 146 Tabelle 31: Übereinstimmung der unterschiedlichen Angaben in einer Stichprobe von 400 Stellenangeboten ........................................................................................................ 147 Tabelle 32: Identifizieren von Suchwörtern im Stellentext im Vergleich zwischen OriginalCISTEM und weiterentwickelten CISTEM .................................................................... 151 Tabelle 33: Beispiele für relevante Wort-Konstellationen im Wörterbuch der fachlichen Kompetenzen .............................................................................................................. 151 Tabelle 34: Vergleich des Stemmings im Original-CISTEM und bei der Weiterentwicklung bei Beispiel-Wörtern, die auf „-tion“ ändern .................................................................... 152 Tabelle 35: Beispiele für unterschiedliche Ergebnisse der Stemmer aus dem validierten Wörterbuch der fachlichen Kompetenzen .................................................................. 154 Tabelle 36: Beispielhafte einzelclusterbezogene Berechnung von True und False Positives und Negatives .............................................................................................................. 156 Tabelle 37: Evaluation der Ergebnisse des Original-CISTEM und des weiterentwickelten CISTEM auf Basis von Goldstandard I ......................................................................... 156 Tabelle 38: Überblick über Metriken zur Bewertung der Qualität von Machine-LearningModellen ...................................................................................................................... 157 Tabelle 39: Vergleich der Qualitäts-Metriken bei unterschiedlichen Konfigurationen der Layer-Dimensionen des Classifiers und des zur Identifizierung genutzten Texts ..... 164 Tabelle 40: Qualitäts-Metriken bei Einsatz eines anderen vortrainierten Modells bei Wahl der bisher als beste identifizierte Parameter, d. h. Training auf dem Segment „Sonstiges“, ein unbalanced Dataset ohne weitere Gewichtung und ein Layer mit 8 Neuronen .................................................................................................................. 165 Tabelle 41: Qualitäts-Metriken des am Ende eingesetzten Modells, das auf einem großen Datensatz trainiert wurde bei Wahl der bisher als beste identifizierte Parameter, d. h. Training auf dem Segment „Sonstiges“, ein unbalanced Dataset ohne höhere Gewichtung und ein Layer mit 8 Neuronen ................................................................ 165 Tabelle 42: Qualitäts-Metriken des am Ende eingesetzten Modells auf Basis aller verfügbaren, gelabelten Daten ......................................................................................................... 167 Tabelle 43: Vergleich und Ergebnisse der maschinenbasierten Klassifizierung der Stellen der Arbeitnehmerüberlassung .......................................................................................... 169 Tabelle 44: Zuordnung der Berufshauptgruppen zu Berufssegmenten nach Matthes et al. 2015 .............................................................................................................................. 170 Tabelle 45: Stellenzahl pro Bundesland über den gesamten Zeitraum (April 2019 bis Dezember 2023) mit allen Stellen inkl. Arbeitnehmerüberlassung ........................... 172 Tabelle 46: Stellenangebotsund Stellenzahl pro Berufssegment (gesamter Zeitraum) mit allen Stellen inkl. Arbeitnehmerüberlassung ............................................................. 173 IAB-Forschungsbericht 1|2025 259 Tabelle 47: Die neuen dem Wörterbuch der fachlichen Kompetenzen hinzugefügten zusätzlichen Kompetenzen ......................................................................................... 178 Tabelle 48: Erläuterung der in Formel 1 verwendeten Symbole .................................................. 221 Tabelle 49: Begriffe im Wörterbuch für die Sprachkenntnisse ..................................................... 222 Tabelle 50: Prozentuale Häufigkeit der Fremdsprachennachfrage nach Berufssegmenten - in allen Stellen einschließlich Arbeitnehmerüberlassung (Ranking nach Höhe des Anteils) ......................................................................................................................... 225 Tabelle 51: aggregierter Stellenanteil der Fremdsprachenkenntnisse, differenziert nach Berufssegment – ohne Arbeitnehmerüberlassung..................................................... 226 Tabelle 52: Stellenanteil der Fremdsprachenkenntnisse, differenziert nach Berufssegment - ohne Arbeitnehmerüberlassung ................................................................................. 228 Tabelle 53: Liste aller Begriffe des generierten KI-Wörterbuches ................................................ 231 Tabelle 54: TOP 10 Berufsgruppen (3-Steller) nach Anzahl der KI-Stellen jeweils April bis Dezember 2019 und 2023 in allen Stellen, einschließlich Arbeitnehmerüberlassung .......................................................................................... 240 Tabelle 55: Ergebnis der manuellen Klassifizierung von Stellenangeboten mit Bezug zu nachhaltigen Wasserstofftechnologien nach dem zweiten Schritt ........................... 245 Tabelle 56: Abschließendes Ergebnis der manuellen Klassifizierung von Stellenangeboten mit Bezug zu nachhaltigen Wasserstofftechnologien ...................................................... 246 Tabelle 57: Anforderungen an einen Trainingsdatensatz ............................................................. 248 Tabelle 58: Verwendete Suchwortkombinationen zur Identifikation von Home-Office in Stellenanzeigen ........................................................................................................... 253 Impressum IAB-Forschungsbericht 1|2025 Veröffentlichungsdatum 4. Februar 2025 Herausgeber Institut für Arbeitsmarktund Berufsforschung der Bundesagentur für Arbeit Regensburger Straße 104 90478 Nürnberg Nutzungsrechte Diese Publikation ist unter folgender Creative-Commons-Lizenz veröffentlicht: Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International (CC BY-SA 4.0) https://creativecommons.org/licenses/by-sa/4.0/deed.de Bezugsmöglichkeit dieses Dokuments https://doku.iab.de/forschungsbericht/2025/fb0125.pdf Bezugsmöglichkeit aller Veröffentlichungen der Reihe „IAB-Forschungsbericht“ https://iab.de/publikationen/iab-publikationsreihen/iab-forschungsbericht/ Website https://iab.de ISSN 2195-2655 DOI 10.48720/IAB.FB.2501 Rückfragen zum Inhalt Michael Stops Telefon: 0911 179-4591 E-Mail: [email protected]