Data-driven network modeling of occupation mobility networks

Abstract

In der heutigen Gesellschaft existieren nach wie vor eine Vielzahl struktureller Hindernisse für Personen aus sozial benachteiligten Schichten. In ökonomisch schwierigen Zeiten wie den heutigen, in denen es von wesentlicher Bedeutung ist, eine gut bezahlte und sichere Anstellung zu finden, ist es von besonderer Relevanz, die Ursachen für die bestehenden Ungleichheiten auf dem Arbeitsmarkt zu erfassen und zu verstehen. Die vorliegende Arbeit untersucht den Einfluss soziodemografischer Merkmale wie Alter, Geschlecht und Migrationshintergrund auf die berufliche Aufwärtsmobilität.Die vorliegende Arbeit stützt sich auf die österreichischen Mikrozensusdaten der Jahre 2011 bis 2022 und bedient sich dabei netzwerkbasierter Methoden, zu denen Simulationen mit kürzesten Wegen, Zufallsbewegungen und Markov-Bewegungen zählen, welche aus der Graphentheorie und Datenwissenschaft bekannt sind. Die Methoden werden adaptiert und evaluiert, um die berufliche Aufwärtsmobilität für acht soziale Gruppen zu erfassen, die Personen mit unterschiedlichen soziodemografischen Merkmalen repräsentieren. Die Validität der adaptierten Metriken wird durch den Vergleich mit etablierten Metriken, darunter der Gini-Koeffizient und eine adaptierte Version des durchschnittlichen Clustering-Koeffizienten, nachgewiesen. Die Ergebnisse dieser Arbeit zeigen erhebliche Unterschiede in Bezug auf Alter und Geschlecht. Diese Ergebnisse bestätigen die etablierten gesellschaftlichen Ungleichheiten auf dem Arbeitsmarkt und bieten gleichzeitig eine intuitivere Perspektive als die üblicherweise verwendeten abstrakten statistischen Werte, da sie die Analyse direkt mit realistischen Szenarien verknüpfen. Der in dieser Arbeit entwickelte Ansatz hat das Potenzial, zukünftige Analysen zu unterstützen und zur Entwicklung eines gerechteren Arbeitsmarktes beizutragen.

Modern society still presents many structural barriers for individuals from disadvantaged backgrounds. When securing a well-paid, stable job is crucial, as it is in economically challenging times like today, it becomes particularly important to understand where inequalities in the labour market take root. The present thesis investigates the influence of sociodemographic features, such as age, gender, and migration background, on upward occupation mobility. It utilises Austrian microcensus data from 2011 to 2022, employing network-based methodologies, encompassing shortest paths, random walk and Markov walk simulations, as they are recognised in graph theory and data science. These methods are adapted and tested to capture upward occupational mobility for eight social groups, which represent individuals with different sociodemographic features. The validity of the adapted measures is demonstrated through their comparison with established metrics, including the Gini coefficient and an adapted version of the average clustering coefficient. The results of the study indicate significant disparities in age and gender. These findings serve to confirm established societal inequalities in the labour market, while also providing a more intuitive perspective, in contrast to commonly used abstract statistical values, by linking the analysis directly to realistic scenarios. The framework developed in this thesis has the potential to support future analyses and contribute to the development of more equitable labour market strategies.