In ganz Deutschland ist die Arbeitslosigkeit infolge der Corona-Krise gestiegen. Allerdings ist die Stärke dieses Corona-Effekts von Region zu Region sehr unterschiedlich. In der südhessischen Stadt Offenbach ist er rein rechnerisch fast 16-mal größer als im etwas weiter nördlich gelegenen Vogelsbergkreis. Der wichtigste, aber mitnichten einzige Grund für diese Diskrepanz ist die unterschiedliche regionale Branchenstruktur.

Infolge der Corona-Krise meldeten Betriebe im Frühjahr 2020 in einem bisher unbekannten Ausmaß Kurzarbeit an. Auch die Arbeitslosenzahlen sind in der Krise deutlich gestiegen. Weit weniger Beachtung fand bislang allerdings die Tatsache, dass der coronabedingte Anstieg der Arbeitslosigkeit, im Folgenden als “Corona-Effekt” bezeichnet, in bestimmten Regionen sehr viel stärker als in anderen Regionen ausfällt.

Ein aussagekräftiges Maß für den Effekt von Corona auf die regionale Arbeitslosigkeit ist die Veränderung der Nettozugangsrate in Arbeitslosigkeit. Sie drückt die Zugänge aus Beschäftigung in Arbeitslosigkeit abzüglich der Abgänge aus Arbeitslosigkeit in Beschäftigung aus, jeweils bezogen auf die Zahl der Erwerbspersonen in der jeweiligen Region. Der Corona-Effekt wird dann als Differenz der Nettozugangsraten für April bis Juli 2020 gegenüber dem gleichen Vorjahreszeitraum berechnet (eine genauere Erläuterung finden Sie im Infokasten „Methodik“).

In den Monaten April bis Juli 2019 betrug die Nettozugangsrate für Deutschland 1,3. Mit anderen Worten: Berücksichtigt man nur die Entwicklung auf dem ersten Arbeitsmarkt, stieg die Arbeitslosigkeit um 1,3 Personen je 1.000 Erwerbspersonen. Im gleichen Zeitraum dieses Jahres ergibt sich dagegen eine deutlich höhere Nettozugangsrate von 8,1. Der bundesweite Corona-Effekt entspricht daher einem Anstieg der Arbeitslosenzahl von 6,8 Personen je 1.000 Erwerbspersonen.

In Berlin, Hamburg und Mecklenburg-Vorpommern fällt der Corona-Effekt besonders stark aus

Ein coronabedingter Anstieg der Arbeitslosigkeit zeigt sich für alle Bundesländer. Besonders stark war der Effekt in den Stadtstaaten Berlin (12,4) und Hamburg (11,3) sowie in Mecklenburg-Vorpommern (9,6). Am geringsten fiel das Plus mit 4,9 im Saarland aus. Damit unterscheidet sich das räumliche Muster deutlich von dem, das Barbara Schwengler und Veronika Loibl im IAB-Kurzbericht 1/2010 für die Finanzkrise 2008/2009 beschrieben haben. Damals waren vor allem exportorientierte Betriebe des Verarbeitenden Gewerbes und damit insbesondere die Arbeitsmärkte der wirtschaftlich starken Bundesländer Baden-Württemberg und Bayern betroffen.

Ein coronabedingter Anstieg der Arbeitslosigkeit ist auch auf Ebene der Landkreise und kreisfreien Städte durchgängig zu beobachten (siehe Abbildung 1). Die Größe dieses Effekts variiert auf Kreisebene allerdings noch viel deutlicher als zwischen den Bundesländern. In der südhessischen Stadt Offenbach fiel der Corona-Effekt mit 14,1 am höchsten aus, während er im etwas weiter nördlich gelegenen Vogelsbergkreis mit 0,9 am geringsten war.

Ein Ost-West- oder Nord-Süd-Gefälle lässt sich nicht ausmachen

Klare räumliche Muster wie generelle Ost-West- oder Nord-Süd-Unterschiede lassen sich für den Corona-Effekt nicht feststellen. So findet sich zwar eine Konzentration stark betroffener Regionen im eher dünn besiedelten Nordosten Deutschlands. Es gibt aber auch viele Städte, die hohe Corona-Effekte aufweisen. Dazu zählen neben den bereits genannten Städten weitere Großstädte wie Frankfurt am Main, Köln und München, aber auch kleinere Städte wie Baden-Baden, Rostock und Rosenheim. Darüber hinaus sind weitere stark betroffene Kreise über ganz Deutschland verteilt, von der Nordseeküste über den Harz bis nach Südbayern. Kreise mit einem vergleichsweise geringen Corona-Effekt finden sich vor allem in Bayern, Niedersachsen, Rheinland-Pfalz und dem Saarland.

Abbildung 1 zeigt den coronabedingten Anstieg der Arbeitslosigkeit in den Landkreisen und kreisfreien Städten Deutschlands zwischen April und Juni 2020. Dieser fällt regional sehr unterschiedlich aus. Sehr hohe Werte werden beispielsweise in Mecklenburg-Vorpommer erreicht. Quelle: Statistik der Bundesagentur für Arbeit, GeoBasis-DE/BKG 2018; eigene Berechnungen. ©IAB

Die Branchenstruktur hat eine erhebliche Bedeutung

Eine Erklärung für die starke regionale Streuung des Corona-Effekts liefert die jeweilige Branchenstruktur. Besonders betroffen sind Regionen, in denen diejenigen Branchen, die unter dem Shutdown verstärkt zu leiden hatten, überproportional vertreten sind. Um dem Zusammenhang zwischen Wirtschaftsstruktur und Corona-Effekt nachzugehen, bietet sich eine Klassifizierung des Österreichischen Instituts für Wirtschaftsforschung an. Dort werden die Wirtschaftsabteilungen entsprechend ihrer ökonomischen Betroffenheit durch die Maßnahmen in der frühen Phase der Corona-Krise auf einer fünfstufigen Skala eingeordnet.

In die Stufe 5 fallen sehr stark betroffene Branchen, die aufgrund des Shutdowns nicht oder nur sehr eingeschränkt aktiv sein konnten und die entgangenen Umsätze kaum nachholen können. Dazu zählen die Bereiche Luftfahrt, Beherbergung, Gastronomie, Reisedienstleistungen, Kultureinrichtungen sowie Freizeit-, Unterhaltungs- und Sportbetriebe. Befragungsergebnissen der IAB-Stellenerhebung zufolge sind dies im Großen und Ganzen auch diejenigen Betriebe, die zu Entlassungen gezwungen waren, wenngleich dies zum Beispiel ebenfalls für Teile des Handels und der Logistik gilt.

Der Stufe 1 werden dagegen Branchen zugeordnet, deren Geschäftstätigkeit unbedingt aufrechterhalten werden musste oder für die eine stabile oder sogar steigende Nachfrage zu erwarten war. Hierzu gehören beispielsweise die Nahrungsmittelherstellung, die Herstellung von pharmazeutischen Erzeugnissen und das Gesundheitswesen.

Stark touristisch geprägte Regionen verzeichnen einen überproportionalen coronabedingten Anstieg der Arbeitslosigkeit

Tatsächlich fällt der Corona-Effekt in den Regionen, die einen höheren Beschäftigungsanteil in den sehr stark betroffenen Branchen aufweisen, meist überdurchschnittlich hoch aus (siehe Abbildung 2). So weisen etwa die beiden Touristenhochburgen Garmisch-Partenkirchen und Vorpommern-Rügen mit 17,9 und 16,5 Prozent sehr hohe Beschäftigungsanteile in den sehr stark betroffenen Branchen auf (Deutschland: 5,4 Prozent). Zugleich verzeichnen sie mit 13,1 und 11,5 zwei der höchsten Corona-Effekte.

Auch einige Großstädte mit einem starken coronabedingten Anstieg der Arbeitslosigkeit weisen hohe Beschäftigungsanteile in diesen Branchen auf, etwa Frankfurt am Main und Berlin. Im Gegensatz dazu war in den Landkreisen Dingolfing-Landau und Tuttlingen der Beschäftigungsanteil in den sehr stark betroffenen Wirtschaftszweigen mit 2,0 und 2,3 Prozent klar unterdurchschnittlich. Auch der Corona-Effekt bewegt sich hier mit 5,3 und 5,6 auf einem vergleichsweise niedrigen Niveau.

Abbildung 2 zeigt in Form eines Streudiagramms den Beschäftigungsanteil in sehr stark betroffenen Wirtschaftssabteilungen und den Corona-Effekt in den Landkreisen und kreisfreien Städten Deutschlands. In der Tendenz zeigt sich, dass der Corona-Effekt dort höher ausfällt, wo auch der Beschäftigungsanteil in sehr stark betroffenen Wirtschaftssabteilungen höher ist. Quelle: Statistik der Bundesagentur für Arbeit; Bachtrögler et al. 2020; eigene Berechnungen. © IAB

Die Wirtschaftsstruktur, insbesondere der Beschäftigtenanteil im Hotel- und Gaststättengewerbe, ist von erheblicher Bedeutung für die regionale Variation des krisenbedingten Anstiegs der Arbeitslosigkeit. Allerdings spielen auch andere regionale Charakteristika eine Rolle. Dies zeigt unter anderem eine 2016 erschienene Studie von Ron Martin und Koautoren zu den regionalen Effekten großer Wirtschaftskrisen.

Abbildung 2 macht ebenfalls deutlich, dass die Größe des Beschäftigungsanteils in den besonders stark betroffenen Branchen nicht alleine die regionalen Unterschiede im Corona-Effekt erklären kann. So gibt es einige Regionen, in denen trotz eines relativ geringen Beschäftigungsanteils in stark betroffenen Wirtschaftszweigen ein vergleichsweiser hoher Corona-Effekt zu finden ist – und umgekehrt. Daher liegt es nahe, weitere Ursachen für die regional unterschiedliche Stärke des Corona-Effekts in Betracht zu ziehen.

Auch Betriebsgrößenstruktur und Bevölkerungsdichte wirken sich auf den Corona-Effekt aus

Mithilfe einer sogenannten Regressionsanalyse lässt sich in der Tat zeigen, dass die Wirtschaftsstruktur zwar der wichtigste Treiber des Corona-Effekts war, aber eben auch andere Faktoren eine Rolle spielen. So war insbesondere die Betriebsgrößenstruktur innerhalb der sehr stark betroffenen Wirtschaftszweige für die unterschiedliche regionale Entwicklung relevant. Ein höherer Beschäftigtenanteil in Kleinstbetrieben aus diesen Wirtschaftszweigen ging mit einem stärkeren coronabedingten Anstieg der Arbeitslosigkeit einher. Dieser Anstieg fiel insbesondere in den Kreisen sehr deutlich aus, wo ein hoher Beschäftigtenanteil in den stark betroffenen Branchen einhergeht mit einem hohen Beschäftigungsanteil in Kleinstbetrieben in diesen Branchen. Allerdings ist dieser Betriebsgrößeneffekt deutlich geringer als der Brancheneffekt.

Eine relativ hohe Bevölkerungsdichte, typischerweise kennzeichnend für Städte, ist ebenfalls mit einem vergleichsweise hohen Corona-Effekt verbunden. Viele Städte weisen einen vergleichsweise großen Beschäftigtenanteil in stark betroffenen Branchen auf, haben aber von der Aufhebung von Maßnahmen zur Einschränkung der Covid-19-Pandemie nicht in gleichem Maße profitiert wie etwa die traditionellen Tourismusregionen an den Küsten.

Das Hotel- und Gaststättengewerbe in den Städten ist vor allem auf kulturelle Großveranstaltungen und Messen angewiesen, die nach wie vor nicht stattfinden können. Insgesamt wird die Wirtschaftsstruktur von Großstädten außerdem überdurchschnittlich durch wirtschaftliche Aktivitäten wie den Einzelhandel geprägt, deren Geschäftstätigkeit durch die Abstandsregeln gewissen Einschränkungen unterliegt. Auch Verhaltensänderungen der Kundschaft, etwa die vermehrte Nutzung des Online-Handels, könnten städtische Arbeitsmärkte stärker treffen. Inwieweit sich hier bereits anhaltende strukturelle Veränderungen zeigen, die vorwiegend zulasten der urbanen Zentren gehen, lässt sich aber erst nach detaillierten Analysen des weiteren Krisenverlaufs abschätzen.

Auffällig ist außerdem, dass sich die Auswirkungen einiger Einflussfaktoren auf den Corona-Effekt im Zeitablauf deutlich verändert haben. So fällt der Effekt für die sehr stark betroffenen Wirtschaftszweige im Mai bereits schwächer aus als im April und kehrt sich im Juni und Juli sogar um. Vor allem im Gastgewerbe, im Tourismus und in Freizeiteinrichtungen ging die Zahl der Entlassungen nach dem Ende des Shutdowns wieder zurück, und es wurde wieder vermehrt eingestellt. Folglich kam es dort auch zu mehr Abgängen aus Arbeitslosigkeit.

Fazit

Der coronabedingte Anstieg der Arbeitslosigkeit war zunächst dort besonders hoch, wo diejenigen Branchen stark vertreten sind, die während des Shutdowns ihren Betrieb einstellen oder stark einschränken mussten. Hierzu gehören vor allem Regionen, in denen der Tourismus und das Gastgewerbe eine größere Rolle im Branchenmix spielen. Allerdings gibt es Anzeichen dafür, dass gerade dort ein Teil der Entlassungen durch Einstellungen nach dem Ende des Shutdowns wieder ausgeglichen wurde. Darüber hinaus scheinen sich die Betriebsgrößenstruktur innerhalb der sehr stark betroffenen Wirtschaftszweige und die Bevölkerungsdichte auf den Corona-Effekt auszuwirken.

Für die weitere Entwicklung bleiben erhebliche Unsicherheiten. In den Branchen, in denen die Auswirkungen der Krise bislang über Kurzarbeit abgemildert werden konnten, drohen immer noch Arbeitsplatzverluste. Zudem sind der weitere Verlauf der Pandemie und die damit verbundenen Effekte auf der regionalen Ebene schwer abzuschätzen.

Inwieweit die hier diskutierten Einflussfaktoren auch mittelfristig die Höhe des Corona-Effekts beeinflussen, wird sich erst in den kommenden Monaten zeigen. Es gilt, die weitere Entwicklung laufend zu beobachten und zu analysieren, um die langfristigen regionalen Auswirkungen der Corona-Krise abschätzen zu können.

Literatur

Gehrke, Britta; Weber, Enzo (2020): Kurzarbeit, Entlassungen, Neueinstellungen: Wie sich die Corona-Krise von der Finanzkrise 2009 unterscheidet. In: IAB-Forum vom 28.5.2020.

Gürtzgen, Nicole; Kubis, Alexander; Küfner, Benjamin (2020): Großbetriebe haben während des Covid-19-Shutdowns seltener als kleine Betriebe Beschäftigte entlassen. In: IAB-Forum vom 3.7.2020.

Martin, Ron; Sunley, Peter; Gardiner, Ben; Tyler, Peter (2016): How Regions React to Recessions: Resilience and the Role of Economic Structure. In: Regional Studies, Vol. 50, No. 4, S. 561–585.

Schwengler, Barbara; Loibl, Veronika (2010): Beschäftigung, Arbeitslosigkeit, Kurzarbeit: Aufschwung und Krise wirken regional unterschiedlich. IAB-Kurzbericht Nr. 1.

Statistik der Bundesagentur für Arbeit (2020): Berichte: Blickpunkt Arbeitsmarkt – Monatsbericht zum Arbeits- und Ausbildungsmarkt, Nürnberg, April 2020.

Methodik

 

Berechnung des Corona-Effekts auf den Arbeitsmarkt

Die Statistik der Bundesagentur für Arbeit weist seit April 2020 in ihrer Berichterstattung einen sogenannten Corona-Effekt aus. Damit wird der Teil der Veränderung der Arbeitslosigkeit bezeichnet, der sich durch den Vergleich mit der Vorjahresentwicklung auf die Corona-Krise zurückführen lässt. In der vorliegenden Analyse wird hieran angeknüpft. Im Unterschied zur Methodik der Bundesagentur für Arbeit (Statistik der Bundesagentur für Arbeit 2020) beschränkt sich hier die Berechnung des Corona-Effekts ausschließlich auf die Zugänge in Arbeitslosigkeit aus abhängiger Beschäftigung am ersten Arbeitsmarkt und die Abgänge aus Arbeitslosigkeit in abhängige Beschäftigung am ersten Arbeitsmarkt, da in diesen Größen die direkten Auswirkungen der Krise auf die regionalen Arbeitsmärkte am deutlichsten sichtbar werden sollten. Veränderungen der Arbeitslosenzahlen, die zum Beispiel darauf zurückzuführen sind, dass sich Personen arbeitslos meldeten, weil sie nicht mehr an arbeitsmarktpolitischen Maßnahmen teilnehmen konnten, oder weil weniger Überprüfungen der Verfügbarkeit von Arbeitslosen stattfanden, werden dagegen nicht berücksichtigt.

Zur Berechnung des Corona-Effekts wird für jeden Kreis und für jeden der Monate April bis Juli 2020 die Differenz zwischen den Zugängen in Arbeitslosigkeit aus Beschäftigung und den Abgängen aus Arbeitslosigkeit in Beschäftigung gebildet. Aufgrund der in der Monatsmitte liegenden Zähltage in der Arbeitslosenstatistik wird dabei genau genommen der Zeitraum vom 14. April bis 13. Juli 2020 abgebildet. Die resultierenden Nettozugänge werden danach über die vier Monate summiert. Um Größenunterschiede zwischen den Regionen zu berücksichtigen, wird die Summe der Nettozugänge anschließend durch die Zahl der Erwerbspersonen geteilt und mit 1000 multipliziert. Ist die so berechnete Nettozugangsrate positiv, sind zwischen April und Juli 2020 mehr Personen aus Beschäftigung in Arbeitslosigkeit übergegangen als umgekehrt. Auf dieselbe Weise wird die Nettozugangsrate für die Monate April bis Juli des Jahres 2019 berechnet. Anschließend wird die Differenz der Nettozugangsraten der Jahre 2020 und 2019 gebildet.

Die Differenz zwischen den Nettozugangsraten der Jahre 2019 und 2020 bezeichnen wir als Corona-Effekt. Ergibt sich eine positive Differenz, war die Entwicklung im Jahr 2020 ungünstiger als im Jahr 2019. Der Corona-Effekt ist umso stärker, je höher die Differenz ausfällt. Dem Vergleich mit dem Vorjahr liegt die Annahme zugrunde, dass die Nettozugangsrate des Jahrs 2019 einen Richtwert dafür darstellt, wie die Nettozugänge in 2020 ohne die Corona-Krise ausgefallen wären. Natürlich können auch andere Faktoren dazu beitragen, dass sich der Austausch zwischen Arbeitslosigkeit und Beschäftigung im Jahr 2020 anders darstellt als im Jahr 2019. So weisen beispielsweise Bauer et al. (2020) in ihrer Prognose für das Jahr 2020 auf eine sich abkühlende Konjunktur sowie einen schwächeren Beschäftigungsaufbau und einen nachlassenden Rückgang der Arbeitslosigkeit hin. Jedoch wären diese Unterschiede im Vergleich zum Ausmaß der Corona-Krise voraussichtlich gering ausgefallen (so sind die Nettozugangsraten der Monate Januar bis März in den Jahren 2019 und 2020 sehr ähnlich). Darüber hinaus ist der Vorjahresvergleich wichtig, um für saisonale Unterschiede in der Arbeitsmarktentwicklung, zum Beispiel die Frühjahrsbelebung, zu kontrollieren.

Regressionsanalyse

Im Rahmen einer Regressionsanalyse untersuchen wir, welche Eigenschaften regionaler Arbeitsmärkte mit dem coronabedingten Anstieg der Arbeitslosigkeit zusammenhängen. Im Mittelpunkt stehen dabei die Wirtschaftsstruktur der Regionen und insbesondere jene Branchen, die von den Maßnahmen zur Eindämmung der Corona-Pandemie besonders stark betroffen waren.

Um dem Zusammenhang zwischen Wirtschaftsstruktur und Corona-Effekt nachzugehen, wird hier eine Klassifizierung des Österreichischen Instituts für Wirtschaftsforschung (Wifo-Institut) verwendet, die die Wirtschaftsabteilungen entsprechend ihrer ökonomischen Betroffenheit durch die Maßnahmen in der frühen Phase der Corona-Krise auf einer fünfstufigen Skala einordnet.

Neben den Beschäftigungsanteilen der unterschiedlichen ökonomischen Betroffenheitskategorien berücksichtigen wir in der Regressionsanalyse eine Reihe weiterer Faktoren, die den coronabedingten Anstieg der Arbeitslosigkeit erklären könnten. Dazu gehören die regionale Betriebsgrößenstruktur in den sehr stark betroffenen Branchen sowie die Bevölkerungsdichte, womit systematische Unterschiede zwischen verschiedenen Regionstypen erfasst werden sollen.

Die Bedeutung unterschiedlich betroffener Branchen und der Betriebsgrößenstruktur in den sehr stark betroffenen Branchen wird durch die jeweiligen Beschäftigungsanteile erfasst. Als Referenzkategorien wurden die mittleren Kategorien gewählt: erheblich betroffene Branchen (Stufe 3) bzw. Betriebe mittlerer Größe in sehr stark betroffenen Branchen. Die Betriebsgrößenklassen in den sehr stark betroffenen Branchen umfassen die Kleinstunternehmen mit weniger als 10 Beschäftigten, Kleinunternehmen mit 10 bis 49 Beschäftigten, mittlere Betriebe mit 50 bis 249 Beschäftigten und Großunternehmen ab 250 Beschäftigten.

Im Regressionsmodell werden neben den oben genannten Variablen noch weitere Faktoren berücksichtigt, deren Ergebnisse im Folgenden jedoch nicht diskutiert werden (siehe Tabelle).

Um die Stärke des Zusammenhangs zwischen den regionalen Merkmalen und dem Corona-Effekt vergleichbar zu machen, weisen wir die erwartete Veränderung im Corona-Effekt für Veränderungen in den regionalen Merkmalen um jeweils eine Standardabweichung aus. Für den Beschäftigtenanteil in den sehr stark betroffenen Wirtschaftszweigen beträgt eine Standardabweichung beispielsweise 2,16 Prozentpunkte. Würde der Beschäftigtenanteil der sehr stark betroffenen Wirtschaftszweige in einem Kreis um eine Standardabweichung höher ausfallen (während alle anderen Faktoren unverändert bleiben), stiege der erwartete Corona-Effekt für den Zeitraum April bis Juli 2020 um 1,04 Personen je 1.000 Erwerbspersonen an. Der maximale Effekt, der sich für den Beschäftigtenanteil in den sehr stark betroffenen Wirtschaftszweigen auf Kreisebene ergibt, ist aber um den Faktor 10 größer, da die regionale Spannweite des Anteils fast 20 Prozentpunkte beträgt.

Literatur

Alipour, Jean-Victor; Falck, Oliver; Schüller, Simone (2020): Germany’s Capacities to Work from Home. CESifo Working Paper Nr. 8227.

Bachtrögler, Julia; Firgo, Matthias; Fritz, Oliver; Klien, Michael; Mayerhofer, Peter; Piribauer, Philipp; Streicher, Gerhard (2020): Regionale Unterschiede der ökonomischen Betroffenheit von der aktuelle COVID-19-Krise in Österreich. Ein Strukturansatz auf Ebene der Bundesländer. Wifo Working Papers, Nr. 597.

Bauer, Anja; Fuchs, Johann; Hummel, Markus; Hutter, Christian; Klinger, Sabine; Wanger, Susanne; Weber, Enzo; Zika, Gerd (2019): IAB-Prognose 2019/2020 – Konjunktureller Gegenwind für den Arbeitsmarkt. IAB-Kurzbericht Nr. 18.

Bauer, Anja; Weber, Enzo (2020): COVID-19: How much unemployment was caused by the shutdown in Germany? In: Applied Economics Letters, online first.

Statistik der Bundesagentur für Arbeit (2020): Berichte: Blickpunkt Arbeitsmarkt – Monatsbericht zum Arbeits- und Ausbildungsmarkt, Nürnberg, April 2020.

Böhme, Stefan ; Burkert, Carola; Carstensen, Jeanette; Eigenhüller, Lutz; Hamann, Silke; Niebuhr, Annekatrin; Roth, Duncan; Sieglen, Georg; Wiethölter, Doris (2020): Warum der coronabedingte Anstieg der Arbeitslosigkeit in manchen Regionen deutlich höher ausfällt als in anderen, In: IAB-Forum 4. September 2020, https://www.iab-forum.de/warum-der-coronabedingte-anstieg-der-arbeitslosigkeit-in-manchen-regionen-deutlich-hoeher-ausfaellt-als-in-anderen/, Abrufdatum: 19. March 2024