Tag Archives: Labor Economics

How Computers have changed the Wage Structure: Evidence from Microdata

In diesem Artikel beschreibt Alan B. Krueger seine Versuche, in denen er versucht hat, Computern eine Produktivitätsverbesserung und damit bessere Löhne anzuhängen. Auch wenn er in seiner Einleitung darauf eingeht, dass Computer skilled workers substituieren oder komplimentieren können, fokussiert er sich nach ersten Ergebnissen auf positive Auswirkungen auf Skilled Workers in den Returns to Computer Use.

In einem ersten Ansatz untersucht er die Korrelation von Computer-Nutzung in einem Cross-Sectional Datensatz, welcher die Jahre 1984 und 1989 beinhaltet. Hier kommt er, je nach dem ob er den Standardvektor von typischen zusätzlichen Arbeitereigenschaften hinzu zieht, oder nicht, zu Werten zwischen 14% und 27% – 1989 sind es bereits 16% – 32%. Die Returns steigen also (anscheinend) in der Zeit – wenn denn tatsächlich Korrelation existiert.
Um dies zu überprüfen, hat er drei Ansätze (II):
A- Er überprüft, ob drei Gegebenheiten die Werte signifikant verändern:
  • Existenz von Rent-Sharing-Modellen (Arbeiter greifen Returns-To-Capital ab: nur leidlich überprüfbar, leichte Veränderungen)
  • Größe der Unternehmen (Unterschiede in bis zu 2%)
  • Mitgliedschaft der Arbeiter in Gewerkschaften (7.8% vs 20.% (keine Gew.). Da Gewerkschaften Lohnunterschiede reduzieren, keine Überraschung. Dies widerlegt allerdings die Rent-Sharing-Theorie.
B- Veränderung im Return to Computer Use mit der Zeit
Es existiert eine statistisch signifikante Verbesserung in den Returns to Copmuter, was aussagt, dass, selbst wenn die Anzahl der Arbeiter, welche Computer nutzen konnten, stieg, die Nachfrage nach diesen noch stärker stieg (Analog zu Returns to Schooling, Skilled workers). Dies wird von der verstärkten Computernutzung und den Preissenkungen von Computern zu diesem Zeitraum unterstützt.
Zum andern entkräftet dies ein anderes Gegenargument, das der positiven Selektion der Arbeiter in Computer-Nutzung: hiernach würden die Firmen erst den Arbeitern Computer geben, bei welchen die Produktivität am stärksten steigt (und somit einen Bias verursachen). Hiernach müssten die Returns to Computer allerdings mit der Zeit sinken, da nun die Benutzer Computer bekommen, welche davon einen geringeren Gegenwert haben. Da dies nicht der Fall ist, kann die positive Selektion nicht treibender Faktor sein.
C – Besondere Computeraktivitäten
Die Returns sind am stärksten für Arbeiter, welche die Computer für Email, Buchführung und Inventarskontrolle nutzen – die letzteren zwei sind zweifellos Bereiche, in welchen Computer die Produktivität sehr steigern (im Gegensatz zu negativen Returns für Arbeiter, die mit dem Computer spielen). Emails repräsentieren, dass viele (hochbezahlte) Manager oft Emails verschicken, und ist somit keine Kausalität, sondern Korrelation. 
Ob diese Korrelation nun auch Kausalität bedeutet, überprüft Kruger in vier weiteren Unterpunkten (III).
A – Computer-Benutzung auch privat
Wenn er auch die private Computernutzung mit ein bezieht (und somit unobserved Characteristics ausschließt, welche Produktivität beeinflussen können), kommt er zu Returns von 16% bei Arbeit, 5-7% zu Hause und 0,6-1% bei der Arbeit und Zuhause. Inwiefern das die Kausalitätsfrage beeinflusst, beantwortet er nicht. 
B – Intersektorale Estimates
Nun nimmt er sich die Sekretärinnen vor, weil sie die Arbeit im Datensatz darstellen, der den größten Datensatz hat. Diese haben 5% (1984) und 9% (1989) Returns von der Computer-Nutzung – erstaunlich wenig. Allerdings kann man sich hier aufgrund der Homogenität recht sicher sein, dass kausale Zusammenhänge existieren. Umfragen bei Teilzeit-Arbeitskräften-Vermittlern bestätigen diese Vermutung und geben viel höhere Returns für Computer-fähige Sekretärinnen wieder (33%).
Diese Vermittler wurden auch gefragt, ob sie Schulungen anbieten – ja. Viele Agenturen bezahlen die sogar selbst. Was deswegen erstaunlich ist, weil viele Arbeitskräfte beim neuen Arbeitgeber anfangen und nie wieder kommen – verschwendetes Kapital! Nur so zu erklären, dass sich diese Schulungen bereits in den ersten Returns der Sekretärinnen bzw. der Abfindungen widerspiegeln – was Krugers Argumente nur bekräftigen.
C & D – Divers
In Abschnitt C versucht Kruger, seine Argumente auf Basis eines anderen Datensatzes zu bekräftigen. In D versucht er, die Wachstumsrate von Berufsfeldern zu korrelieren mit der Wachstumsrate der Computer-Benutzenden Arbeiter in diesem Berufsfeld. Auch hier ist eine Kausalität leichter herzustellen: wenn Computer-Nutzung die Produktivität steigert, sollten diese Firmen wachsen, die mehr Computer nutzen. 
IV – Returns to Education
Letztendlich will Kruger noch herausfinden, ob die Returns to Computer auch die anderen Differentials (wie die Returns to Schooling) verändert haben – ob sich also letztere durch erstere erklären lassen. Wenn man Computernutzung einberechnet, reduziert sich bspw. der Lohngegenwert von Years of Schooling um 7%. Wenn man Computer*Education variieren lässt, gar um 9%.

Are Emily and Greg More Employable Than Lakisha and Jamal? A Field Experiment on Labor Market Discrimination

In diesem Artikel beschreiben Bertrand und Mullainathan in Experiment, in welchem sie Diskriminierungen bei Arbeitseinstellung der Unternehmen untersuchen. Sie haben hierbei 5.000 Lebensläufe generiert, welche sie nach dem Zufallsprinzip besonders „schwarzen“ oder „weißen“ Namen zugewiesen haben (i.e. Namen, bei welcher der jeweilige Anteil der Hautfarbe am stärksten dominiert). Indem sie bestimmte Faktoren variierten, haben sie zudem für Bewerbungen hoher und niedriger Qualität gesorgt, um zu beobachten, wie eine eventuelle rassistische Diskriminierung sich in den Fähigkeiten verändert.

Die wichtigsten Ergebnisse zusammen gefasst (kein Anspruch auf Vollständigkeit; III & IV sind 6 Seiten lang):

  • bei gleichen Lebensläufen haben „weiße“ Namen eine 50% höhere Rücklaufquote (i.e. eine Einladung zum Vorstellungsgespräch. Diese Quote ist konstant über alle getesteten Berufsgenres und benötigten Fähigkeiten. Sie sinkt leicht, wenn der Arbeitgeber in einer besonders „schwarzen“ Gegend sitzt.
  • Es wird erwartet, dass der Gegenwert steigender Kompetenzen für Schwarze größer ist, als für Weiße, weil ein häufiges Argument die Unsicherheit bzgl. der Kompetenzen in schlechten Milieus erwachsenen Menschen ist. Das Gegenteil ist der Fall: der Gegenwert von Bildung ist größer für Weiße – die Schere der Ungleichheit spreizt sich in Fähigkeiten.
  • Die Quote ist unabhängig von den Milieus, aus welchen sich die Bewerber bewerben – eine Theorie sagt aus, dass Rassismus nur ein Proxy für das Soziale Umfeld ist: Im Extremfall ist einem die Hautfarbe egal, man möchte keine „asozialen“. Da die Quote allerdings auch bei solchen Bewerbern stabil bleibt, wird diese Theorie von den gegebenen Daten widerlegt.

Cigarette Smoking, Seatbelt Use and Differences in Wage-Risk Tradeoff

In dieser Arbeit errechnen die Professoren Hersch und Viscusi den risikoabhängigen Lohn-Differential. Hierfür versuchen sie die Risikoaversität der Arbeiter anhand den Tatsachen zu bestimmen, ob sie den Sicherheitsgurt im Auto nutzen, und ob sie Raucher sind (und wenn ja, wie viele Zigaretten sie rauchen). Dieses Wissen nutzen sie bei der Berechnung der Risiko-Komponente der Löhne.

Da bei der Lohn-Aushandlung nicht der neutrale Risikowert wichtig ist, sondern wie der Arbeitnehmer das Risiko einschätzt, werden die Arbeiter ferner gebeten, das Risiko ihrer Arbeitsstelle auf einer Skala zu quantifizieren. Anschließend lassen die Autoren mehrere Regressionen über diese Variablen laufen – u.A. auch, ob die besondere Kombination Raucher/Kein-Gurt bzw. Nicht-Raucher/Gurt besonders extreme Lohn-Differentiale haben.

Auch andere typische Variablen werden mit eingebunden, u.A. soll überprüft werden, ob höhere Bildung oder Gewerkschaftsmitgliedschaft zu höheren Risiko-Gegenwerten führen (ja). Argumentation: höhere Bildung erhöht den Lebenserwartungsgegenwert (Lebenszyklus-Gesamt-Einnahmen), weswegen Risiko höher gewichtet wird. Gewerkschaften haben hingegen bessere Informationen hinsichtlich der tatsächlichen Risikohöhe, weswegen auch hier Risiko besser vergütet wird. Beide Ergebnisse sind, however, statistisch nicht signifikant. Bei letzterem habe ich persönlich sowieso etwas auszusetzen: die Argumentation hat Lücken, da „bessere“ Informationen hinsichtlich der Risikohöhe von der subjektiven Risikoeinschätzung der Arbeiter abweicht. Selbst wenn das Ergebnis also signifikant wäre, würde dies eine Parallelverschiebung (upward bias) bedeuten – der Gewerkschaftseffekt würde überbewertet.

Schlussendlich kommen sie zu dem Ergebnis, dass eine Verletzung, einen Tag auszufallen (das Risiko, um das es die ganze Zeit ging), ca 48.000 USD beträgt (hochgerechnet von den Kompensationen in den Löhnen). Bei der extrem-aversen Gruppe der Sicherheitsgurt-Nichtraucher beträgt dies sogar 81.000 USD, während es bei der anderen extremen nicht-aversen Gruppe keine statistisch signifikante Abweichung nach oben gibt. Somit ist die Theorie (zumindest hier) bestätigt.

Allerdings gibt es kleinere Gegenargumente, auf die auch hingewiesen wird:

  • von der Gurt/Zigaretten-Nutzung auf Risikoaversität zu schließen hat die Schwäche, dass wir dabei die absolute Gefahr von Gurt/Zigaretten definieren müssen. Wenn einzelne Subjekte diese Risiken falsch einschätzen (und z.B. viel zu viel rauchen), würden wir sie als sehr risikoavers einschätzen, auch wenn sie einfach nur dumm sind. Solange diese Dummheit allerdings übertragbar (auf die Risiken der Arbeitsstelle) ist, kann man damit leben.
  • Auch sind diese Werte abhängig davon, wie sehr die Arbeiter in der Lage sind, (in einer unsicheren Umgebung) für Sicherheit zu sorgen. Dies würde das Risiko ihres Jobs verringern (und in einer größeren Entlohnung-Pro-Risiko-Verhältnis resultieren).

Do Workers Work More if Wages Are High? Evidence from a Randomized Field Experiment

Nachdem ich mich klausurvorbereitend durch diesen Artikel von Fehr und Goette gelesen hatte, wollte ich auch anderen meine Zusammenfassung nicht verwehren. Vielleicht hilft’s ja für einen Schnelleinstieg …

Anders als bisherige Experimente kommen die Autoren in Rahmen ihres Feldexperiments zu dem Ergebnis, dass die Substitutionseffekte für Arbeit in der Freizeit-Konsum-Entscheidung positiv sind: Arbeiter, welchen für einen befristeten Zeitraum 25% mehr Lohn angeboten wird, arbeiten auch tatsächlich mehr. Interessanterweise ist der Effekt auf die gebrachte Leistung negativ – bei längerer Arbeitszeit sinkt der Einsatz.

Dies lässt sich genau feststellen, weil die Subjekte Fahrradkuriere zweier Unternehmen sind, welche sowohl ihre Schichten als auch innerhalb der Schichten die Anzahl der Sendungen frei bestimmen können. Zusätzlich gibt es keinen Mindestlohn, der Lohn bestimmt sich nur aus dem Lohn pro Lieferung (w), in Abhängigkeit von der benötigten Anstrengung für diese Lieferung.

Innerhalb beider Unternehmen werden zwei Gruppen, A und B erstellt, und das Experiment wird über zwei Perioden (à 4 Wochen) durchgeführt. In jeder Periode erhält nur eine der beiden Gruppen die Lohnerhöhung, die andere fungiert als Kontrollgruppe.

Die Arbeit (Labor Supply) könnte mittels der Anzahl von Lieferungen gemessen werden, würde dann aber eventuell verzerrt werden, wenn die Länge und Anstrengung der Lieferungen stark variiert. Daher haben sich die Autoren auf den Gesamtlohn als Maßstab festgelegt, da dieser auch in der benötigten Leistung (effort e) variiert. Die Lohnerhöhungen führen in den Perioden zu einer signifikanten Mehrarbeit vom Gegenwert von 1000CHF, allerdings auch zu einer reduzierten Leistung (Lieferungen/Shift; Table 1A/1B).

In Sektion II bringen die Autoren zwei Modelle, welche dieses Phänomen erklären können: zum einen ein neoklassisches Modell mit periodenübergreifendem Nutzen: der Disnutzen von Leistung steigt (im Betrag) in der vorher erbrachten Leistung. Daher ist es für rationale Subjekte sinnvoll, ihre Leistung zu senken , wenn ihre vorher erbrachte Leistung gestiegen ist. Das zweite Modell ist ein Referenz-Modell, bei welchem risikoaverse Agenten versuchen, einen gewissen Tageslohn zu erarbeiten. Wenn sie diesen nicht erreichen, haben sie sehr hohen marginalen Disnutzen (psychologischer Art), wenn sie ihn erreichen, ist der zusätzliche marginale Nutzen im Betrag geringer als der vorherige Disnutzen: die Anreize, weiter zu arbeiten, sinken. Wenn der Agent nun mehr pro Schicht verdient, wird er den anvisierten Tageslohn früher erarbeiten – und von dann an weniger arbeiten.

The Returns to Computer use revisited: have Pencils changed the Wage Structure too?

Nachdem ich mich klausurvorbereitend durch diesen Artikel von DiNardo und Pischke gelesen hatte, wollte ich auch anderen meine Zusammenfassung nicht verwehren. Vielleicht hilft’s ja für einen Schnelleinstieg …

Dieser Artikel befasst sich ein weiteres mal mit dem originären Artikel von Krueger über die Lohnauswirkungen der Nutzung von Computern. Bei seinen Tests gab es eine signifikante Korrelation der Lohnhöhe und dieser Nutzung, aus welcher er auf eine Kausalität schließ. DiNardo und Pischke wiederholen seine Tests basierend auf deutschen Daten des Zentralarchivs für Empirische Sozialforschung, welche neben der Nutzung von Computern auch Daten über die Nutzung anderer Hilfsmittel wie Stift, Telefon, Hammer hat – und teilweise auch darüber, ob die Tätigkeit im Sitzen verübt wird.

Diese Daten lassen klar werden, worauf die Autoren hinauswollen: fast jeder Deutsche kann lesen und schreiben (und somit einen Stift bedienen), es nutzen etwa 60% der Deutschen bei ihrer Arbeit einen Stift (dieser ist somit kein rares Gut) – insofern sollte es keinen (Lohn-)Bonus auf die Nutzung von Stiften geben, wenn diese Boni einzig die Produktivität der Arbeiter widerspiegeln.

Unter Einsatz mehrerer Dummies, welche andere Lohnveränderer (wie Bildung) herausrechnen, finden die Autoren einen signifikanten Return zu allen aufgelisteten Hilfsmitteln, der Return auf Computer ist dabei ähnlich hoch wie bei Kruegers Originalregression. Hierbei wurden die Werkzeuge einzeln regressiert: damit ausgeschlossen wird, dass einzelne Werkzeuge nur ein Proxy für andere (echt-wirksame) Werkzeuge sind (Bsp.: wer oft sitzt, bekommt einen höheren Lohn, weil er einen Computer nutzt, der ihn sehr effektiv macht – und verdient daher mehr), wurden die deutschen Daten anschließend für alle Werkzeuge gleichzeitig regressiert. Der Effekt war hier geringer, aber immer noch signifikant hoch. Und da eine höhere Produktivität von Bleistift-Nutzern aufgrund des Bleistifts abwegig ist, verleiten die Ergebnisse dazu, Kruegers Studie abzulehnen: wahrscheinlich ist, dass die Korrelation umgekehrt ist: positive Selektion der Besserverdienenden bei der Verteilung von Computern sorgte für diesen Zusammenhang.

You Can‘t Take It With You? Immigrant Assimilation and the Portability of Human Capital

Nachdem ich mich klausurvorbereitend durch diesen Artikel gelesen hatte, wollte ich auch anderen meine Zusammenfassung nicht verwehren. Vielleicht hilft’s ja für einen Schnelleinstieg …

In diesem Artikel untersucht Friedberg die Auswirkungen von Humankapital auf die Löhne. Neu ist an ihrem Ansatz die Unterscheidung zwischen ausländischer und inländischer Erfahrung (Experience) sowie Schuldung (Schooling). Ihre Daten erlauben dies, da der israelische Mikrozensus (im Gegensatz zum US-Amerikanischen) fortlaufend (in der Time-Series) das Jahr der Immigration beinhaltet und somit diese Rückschlüsse erlaubt.
Sie unterscheidet dabei zwischen drei Gleichungen (Thesen), welche sie anhand der OLS-Methode überprüft.

In der ersten Gleichung (5) werden jeweils inländische und ausländische Erfahrung sowie Schulungen aggregiert. Zusätzlich wird in einer Variablen der Effekt von YSM (Years Since Migration), also der zusätzlichen Schulung und Erfahrungen in Israel untersucht.
Diese Gleichung enthält drei restriktive Annahmen:

  • Der Effekt von inländischer und ausländischer Schulungen ist gleich
  • Der Effekt von inländischer und ausländischer Arbeitserfahrungen ist gleich
  • Der Effekt von inländischer Erfahrung sowie Schulung (YSM) ist für Einwohner und Immigranten gleich.

Sie formuliert die Gleichung so um, dass nun diese Restriktionen entfernt werden (7): sie desintegriert die Daten (Education, Experience, YSM).

Ferner soll untersucht werden, was für Auswirkungen ausländische Erfahrung/Schulungen auf die Returnrate von inländischer Erfahrung/Schulungen haben. Dafür modifiziert sie die Gleichung (8), sodass die Parameter (ED1 X ED2, ED1 X EXP2, EXP1 X EXP2) samt Koeffizienten berücksichtigt werden.

Die Ergebnisse einer Bestimmung nach (7) zeigen, dass der Wert von inländischer Schulung (+1%) und Erfahrung (+9%) signifikant höher ist, als ausländische Schulung/Erfahrung. Auch ist der Gegenwert inländischer Schulung an Ausländer 2% geringer als an Einwohner, der Gegenwert inländischer Erfahrung von Ausländern 0,5% geringer als bei Einwohnern. Somit werden die restriktiven Annahmen von (5) widerlegt. Interessanterweise werden Immigranten, gegeben der (mindere) Wert ihres Humankapitals, um bis zu 5% (Gleichung 7) bzw. 37% (Gleichung 8) bevorteilt – eine Diskriminierung der Einwohner findet statt. Die Regression nach Gleichung (5) ergibt noch den gegenteiligen Effekt: Immigranten werden hier um 25% benachteiligt.

Anschließend werden diese Daten in verschieden Herkunftsregionen aufgespalten (Table 5). Table 6 untersucht die inländische Humankapitalacquise (also nach der Immigration). Dabei wird klar, dass
inländische Erfahrung sowie Schulungen signifikant wertvoller ist (das wussten wir bereits)
inländische Schulungen insbesondere die ausländische Schulungen solcher Immigranten aufwertet, die aus Ländern mit schlechteren Bildungssystemen kommen (ED1 X ED2)
z.T. gibt es bei ED1 X ED2 negative Werte (bspw. bei West-Immigranten), was sich z.T. über negative Selektion erklären lässt (diejenigen, die sich in Israel erneut eingeschult haben, hatten diese Schulung eher nötig)
Diese ED X ED, ED X EXP etc Werte sind aber allesamt im Promillebereich und teilweise unsignifikant

Anschließend wird noch zugelassen, dass die Effekte von Bildung nichtlinear sind (sinkender Grenznutzen), und die Effekte unterschiedlicher Migrationszeitpunkte untersucht. Zusätzlich werden Lohnprofile auf Basis der gewonnenen Erkenntnisse gezeichnet. Ich halte beides für minder wichtige Bereiche dieses Artikels.

Degrees Matter: New Evidence on Sheepskin Effects in the Returns to Education

Nachdem ich mich klausurvorbereitend durch diesen Artikel gelesen hatte, wollte ich auch anderen meine Zusammenfassung nicht verwehren. Vielleicht hilft’s ja für einen Schnelleinstieg …

In diesem Paper behandeln Jaeger und Page einen Teilaspekt der Signaling-Theorie, nach welcher man nach Bildung strebt, um seine „Produktivität“ zu beweisen. Mit Sheepskin(SS)-Effekten werden Effekte bezeichnet, bei welchen das Erreichen eines Abschlusses überdurchschnittlich hoch (im Vergleich zu einem weiteren regulären Jahr Bildung) vom Arbeitsmarkt bewertet wird.

Zum ersten Mal haben sie hierbei für einen Makrozensus sowohl die Anzahl der Schuljahre als auch die erreichen Abschlüsse der Individuen und können so deren Einfluss auf den Lohn genauer abstrahieren. Vorgänger mussten hier in bestimmten Schuljahren (6, 12 etc.) so genannte Knoten bilden, und diese Jahre mit einem Abschluss gleichsetzen. Dieses Verfahren führt natürlich zu Verzerrungen, weil nicht jeder eine Punktlandung auf einem Abschluss mit der jeweils erwarteten Schuldauer schafft.

Zusätzlich wurden auch Unterschiede zwischen den SS-Effekten auf weiße sowie schwarze Frauen und Männer untersucht. Die Theorie sagt, dass die SS-Effekte dann höher seien sollten, wenn das relative Signal stärker ist. Das relative Signal ist dann besonders hoch, wenn man von den ungebildeten Arbeitskräften keine hohe Produktivität erwartet. Dementsprechend sollten im Amerika der 90er Jahre – sofern der Rassismus noch signifikant war oder Afroamerikaner generell aufgrund von Slumbildung und schlechter Lebensumgebung unproduktiver waren – die SS-Effekte höher sein als bei weißen Amerikanern.

Die wichtigsten Ergebnisse im Vergleich zu den älteren Studien:

  • Ein Bachelor‘s Degree hat signifikante SS-Effekte von bis zu 31%
  • SS-Effekte erklären 1/4 des Lohns bis zum 16. Bildungsjahr
  • Es gibt keine großen Unterschiede bei den SS-Effekten zwischen Schwarz und Weiß für College- und Highschoolabschlüsse.
  • Es gab in der Stichprobe weniger weiße Frauen und Schwarze, dies könnte die Ursache dafür sein, dass die SS-Effekte mit Master- und Professorenabschluss großer sind.

Zusammenfassend:

  • Es gibt signifikante Abschluss-Effekte für alle Post-Secondary Diploma für zumindest einen Teil der Bevölkerung
  • Bachelor und Post-Graduate Abschlüsse werden vom Markt mindestens genauso stark präferiert wie die damit verbundenen Jahre an Ausbildung. Die SS-Effekte sind hierbei stärker in den Abschlüssen als den jeweiligen Jahren der Ausbildung.
  • SS-Effekte größer bei Inbetrachtnahme der Diploma (anstelle der Knoten)
  • Nur geringe Zeichen dafür, dass SS-Effekte unter Geschlecht und Rasse verschieden sind
  • Stärke des SS-Effekts variiert im Typ der Ausbildung.