Firm training is widely regarded as crucial for protecting workers from automation, yet there is a lack of empirical evidence to support this belief. Using internationally harmonized data from over 90,000 workers across 37 industrialized countries, we construct an individual-level measure of automation risk based on tasks performed at work. Our analysis reveals substantial within-occupation variation in automation risk, overlooked by existing occupation-level measures. To assess whether firm training mitigates automation risk, we exploit within-occupation and within-industry variation. Additionally, we employ entropy balancing to re-weight workers without firm training based on a rich set of background characteristics, including tested numeracy skills as a proxy for unobserved ability. We find that training reduces workers’ automation risk by 3.8 percentage points, equivalent to 8% of the average automation risk. The training-induced reduction in automation risk accounts for 15% of the wage returns to firm training. Firm training is effective in reducing automation risk and increasing wages across nearly all countries, underscoring the external validity of our findings. Training is similarly effective across gender, age, and education groups, suggesting widely shared benefits rather than gains concentrated in specific demographic segments.

We analyse the impact of robot adoption on employment composition using novel micro data on robot use in German manufacturing plants linked with social security records and data on job tasks. Our task-based model predicts more favourable employment effects for the least routine-task intensive occupations and for young workers, with the latter being better at adapting to change. An event-study analysis of robot adoption confirms both predictions. We do not find adverse employment effects for any occupational or age group, but churning among low-skilled workers rises sharply. We conclude that the displacement effect of robots is occupation biased but age neutral, whereas the reinstatement effect is age biased and benefits young workers most.

Dieser Bericht beschreibt den neuen Schlüssel zwischen Betriebs- und Unternehmensidentifikatoren. Er ermöglicht die Verknüpfung von administrativen Beschäftigungsdaten des Instituts für Arbeitsmarkt- und Berufsforschung (IAB) mit externen Betriebsdaten, die über einen Creditreform- oder Moody’s (ehemals Bureau van Dijk)-Identifikator verfügen. Die Zuordnung zwischen den beiden Datenquellen basiert auf einem Record-Linkage zwischen den Adressdaten des IAB und den Adressdaten des Mannheimer Unternehmenspanels (MUP) des Leibniz-Zentrum für Europäische Wirtschaftsforschung (ZEW). Dieser Methodenbericht fasst den Prozess der Datenverknüpfung zusammen, beschreibt ausführlich die Bereinigung der Daten und Qualitäts- und Repräsentativitätsprüfungen sowie Einschränkungen der Daten. Der Schlüssel wird die Grundlage für Standarddatenprodukte bilden, die über das Forschungsdatenzentrum des IAB (FDZ) verfügbar sein werden. Darüber hinaus ermöglicht der vorgestellte Schlüssel die Erstellung individueller Datensätze.

Der „umgekehrte Drehtüreffekt“ beschreibt das Phänomen, wenn ehemalige Bankerinnen und Banker Vorstandspositionen in nationalen Aufsichtsbehörden (National Supervisory Agency, NSA) bekleiden. Ein neu erhobener Datensatz zeigt, dass etwa ein Drittel der Vorstandsmitglieder in europäischen NSA vorher in der Finanzindustrie tätig war. Die Bestellung ehemaliger Banker in NSA-Vorstände geht mit positiven Börsenreaktionen einher, was auf eine „Näheprämie“ in der Bewertung beaufsichtigter Banken hindeutet. Im Gegensatz dazu ruft die Berufung von Bürokraten ohne praktische Vorkenntnisse in der Bankenwelt negative Börsenreaktionen hervor. Bis zur Einführung des Einheitlichen Aufsichtsmechanismus (Single Supervisory Mechanism, SSM) in Europa korreliert die Präsenz ehemaliger Banker in NSA-Vorständen mit einer geringeren regulatorischen Kapitalquote, was auf einen nachsichtigeren Aufsichtsstil schließen lässt.