{"id":105084,"date":"2019-03-25T10:30:42","date_gmt":"2019-03-25T10:30:42","guid":{"rendered":"https:\/\/dievolkswirtschaft.ch\/2019\/03\/sheldon-shvartsman-04-2019fr\/"},"modified":"2023-08-23T22:58:48","modified_gmt":"2023-08-23T20:58:48","slug":"sheldon-shvartsman-04-2019","status":"publish","type":"post","link":"https:\/\/dievolkswirtschaft.ch\/de\/2019\/03\/sheldon-shvartsman-04-2019\/","title":{"rendered":"Das interkantonale Arbeitslosigkeitsgef\u00e4lle schwankt stark"},"content":{"rendered":"<p>Im Kanton Neuenburg lag die Arbeitslosenquote im Jahr 2017 bei 5,6 Prozent \u2013 im Kanton Obwalden betrug sie nur 0,9 Prozent. Die Differenzen fallen dabei je nach Konjunkturlage unterschiedlich aus: In Perioden hoher gesamtschweizerischer Arbeitslosigkeit, wie zum Beispiel Mitte der Neunzigerjahre, nahm das interkantonale Gef\u00e4lle zu, w\u00e4hrend es in Aufschwungsphasen wie etwa um 2000 wieder sank (siehe <em>Abbildung 1<\/em>).&#13;<br \/>\n&#13;<br \/>\nGemessen in Prozentpunkten der Arbeitslosenquote entwickelte sich das interkantonale Arbeitslosigkeitsgef\u00e4lle zwischen 1990 und 2017 also antizyklisch zur Konjunktur. Auff\u00e4llig ist zudem, dass sich die Rangpositionen der Kantone im Arbeitslosigkeitsgef\u00e4lle im Zeitablauf ver\u00e4ndern, was in der <em>Abbildung 1<\/em> am mehrfachen Kreuzen der Kurven zu erkennen ist.&#13;<br \/>\n&#13;<br \/>\nWas sind die Ursachen des interkantonalen Arbeitslosigkeitsgef\u00e4lles? Dieser Frage sind wir im Auftrag der Aufsichtskommission f\u00fcr den Ausgleichsfonds der Arbeitslosenversicherung nachgegangen.<a href=\"#footnote_1\" id=\"footnote-anchor_1\" class=\"inline-footnote__anchor\">[1]<\/a> Da bei Querschnittsuntersuchungen die Wahl des Untersuchungszeitraums einen starken Einfluss auf die Ergebnisse haben d\u00fcrfte, w\u00e4hlten wir einen anderen Ansatz. Mit einer Paneluntersuchung konnte den Schwankungen besser Rechnung getragen werden (siehe <em>Kasten<\/em>).&#13;<\/p>\n<h3 class=\"text__graphic-title\">Abb. 1: Arbeitslosenquoten nach Kantonen (1990\u20132017)<\/h3>\n<p>&#13;<br \/>\n<div class=\"legacy_chart_custom\"><div class='chart chart--normal' id='Sheldon_Shvartsman_de_1'>\n\n<\/div>\n\n<script>\n$(function () {\n    $('#Sheldon_Shvartsman_de_1').highcharts({\n\n\n title: {\n        text: ''\n    },\n\n     xAxis: {\n      \n    },\n\n    yAxis: {\n        title: {\n            text: ''\n        },\n         labels: {\n            format: '{value}%',\n           \n        },\n         \n    },\n    \n    tooltip: {\n     \n        valueSuffix: '%'\n    },\n\n\n \n    plotOptions: {\n   \n        series: {marker: {\n            enabled: false\n        },\n          \n            pointStart: 1990\n        }\n    },\n\n    series: [\n     {        name: 'NE',\n        data: [0.658, 2.432, 4.561, 6.248, 6.515, 5.758, 5.413, 6.292, 5.236, 3.881, 2.286, 2.125, 3.236, 4.389, 4.394, 4.246, 4.005, 3.326, 3.233, 5.669, 6.174, 4.677, 4.628, 5.089, 5.056, 5.220, 5.628, 5.352]\n    \n    },{\n        name: 'GE',\n        data: [1.230, 2.658, 4.611, 7.046, 7.391, 6.675, 6.528, 7.391, 5.757, 4.816, 4.086, 3.944, 5.009, 6.353, 6.846, 7.104, 6.687, 5.959, 5.390, 6.371, 6.611, 5.604, 4.974, 5.470, 5.465, 5.550, 5.527, 5.269]\n    }, \n    {\n        name: 'JU',\n        data: [0.658, 1.824, 3.534, 5.843, 6.234, 5.244, 6.007, 6.432, 3.666, 2.627, 1.826, 1.997, 3.543, 4.767, 4.481, 4.109, 3.708, 3.218, 2.951, 5.049, 5.119, 3.333, 3.156, 3.704, 3.640, 3.996, 4.519, 4.457],\n    }, {\n        name: 'VD',\n        data: [0.753, 1.744, 4.014, 6.781, 7.369, 6.799, 7.054, 6.947, 5.395, 3.961, 2.915, 2.607, 3.211, 4.475, 5.082, 4.988, 4.416, 3.758, 3.501, 4.599, 4.920, 4.315, 4.490, 4.771, 4.556, 4.555, 4.496, 4.225],\n    },{\n        name: 'BS',\n        data: [1.231, 1.952, 3.620, 5.649, 5.872, 5.043, 4.831, 5.122, 3.895, 2.593, 2.102, 2.178, 3.023, 4.351, 4.622, 4.140, 3.831, 3.331, 3.089, 3.957, 4.155, 3.580, 3.532, 3.553, 3.364, 3.566, 3.707, 3.535],\n    },{\n        name: 'ZH',\n        data: [0.303, 0.742, 2.112, 4.018, 4.291, 3.824, 4.113, 4.855, 3.921, 2.633, 1.795, 1.692, 2.930, 4.377, 4.301, 3.823, 3.155, 2.468, 2.268, 3.421, 3.555, 2.800, 2.896, 3.097, 3.148, 3.347, 3.554, 3.389],\n    },{\n        name: 'VS',\n        data: [0.881, 1.632, 3.500, 6.291, 6.940, 6.469, 6.270, 6.362, 4.160, 3.032, 2.054, 1.983, 2.481, 3.271, 3.532, 3.603, 3.131, 2.817, 2.695, 3.585, 3.645, 3.104, 3.373, 3.820, 3.855, 3.892, 3.721, 3.278],\n    },{\n        name: 'TI',\n        data: [1.529, 2.429, 4.314, 6.197, 6.289, 6.475, 7.273, 7.455, 6.000, 4.089, 3.044, 2.570, 3.395, 4.146, 4.379, 4.643, 4.638, 4.128, 3.821, 4.529, 4.712, 4.153, 4.259, 4.380, 4.032, 3.607, 3.383, 3.231],\n    },{\n        name: 'SH',\n        data: [0.611, 1.307, 2.462, 4.251, 4.185, 3.732, 4.379, 5.183, 3.906, 2.677, 1.705, 1.571, 2.315, 3.054, 3.314, 3.166, 2.747, 2.055, 1.952, 3.097, 3.014, 2.179, 2.483, 2.654, 2.867, 3.144, 3.190, 3.045],\n    },{\n        name: 'AG',\n        data: [0.209, 0.549, 1.614, 3.229, 3.108, 2.728, 3.583, 4.276, 2.733, 1.892, 1.334, 1.190, 2.072, 3.187, 3.232, 3.019, 2.621, 2.134, 2.053, 3.004, 3.112, 2.534, 2.623, 2.755, 2.769, 2.932, 3.055, 3.001]\n    }, {\n        name: 'BL',\n        data: [0.632, 0.977, 1.845, 3.164, 3.494, 2.957, 3.315, 3.615, 2.521, 1.738, 1.356, 1.354, 1.885, 2.886, 3.285, 3.206, 2.685, 2.216, 2.115, 3.185, 3.318, 2.729, 2.709, 2.680, 2.657, 2.735, 2.983, 2.879]\n    }, {\n        name: 'SO',\n        data: [0.219, 0.726, 2.488, 4.485, 4.182, 3.363, 4.354, 5.630, 3.424, 2.325, 1.598, 1.435, 2.281, 3.238, 3.417, 3.234, 2.775, 2.297, 2.111, 3.582, 3.455, 2.386, 2.418, 2.658, 2.430, 2.614, 2.920, 2.769]\n    }, {\n        name: 'FR',\n        data: [0.489, 1.043, 2.487, 4.761, 5.541, 4.759, 4.293, 4.122, 3.230, 2.130, 1.480, 1.301, 1.699, 2.580, 2.672, 2.795, 2.679, 2.305, 2.145, 2.806, 2.616, 2.081, 2.267, 2.573, 2.648, 2.696, 2.663, 2.546]\n    }, {\n        name: 'BE',\n        data: [0.267, 0.633, 1.979, 3.890, 3.969, 3.325, 3.729, 4.195, 2.721, 1.758, 1.320, 1.151, 1.729, 2.810, 2.848, 2.770, 2.420, 1.929, 1.690, 2.552, 2.649, 2.009, 1.973, 2.272, 2.336, 2.473, 2.652, 2.506]\n    }, {\n        name: 'SG',\n        data: [0.282, 0.766, 1.964, 3.239, 3.142, 2.603, 3.274, 3.658, 2.538, 1.951, 1.380, 1.297, 2.047, 2.890, 2.937, 2.799, 2.342, 1.813, 1.688, 3.023, 3.033, 2.141, 2.273, 2.361, 2.210, 2.320, 2.455, 2.282]\n    },{\n        name: 'ZG',\n        data: [0.276, 0.683, 1.935, 3.586, 3.196, 2.559, 2.993, 3.358, 2.627, 1.932, 1.127, 1.371, 2.587, 3.480, 3.283, 2.988, 2.351, 1.794, 1.635, 2.555, 2.349, 1.831, 1.801, 2.011, 2.132, 2.151, 2.264, 2.277]\n    },{\n        name: 'TG',\n        data: [0.164, 0.496, 1.408, 2.731, 2.800, 2.363, 3.230, 3.868, 2.840, 1.772, 1.187, 1.130, 1.911, 2.803, 2.948, 2.850, 2.433, 1.769, 1.732, 2.837, 2.842, 1.973, 2.111, 2.359, 2.322, 2.340, 2.415, 2.110]\n    }, {\n        name: 'GL',\n        data: [0.110, 0.442, 1.313, 2.284, 2.000, 2.037, 3.219, 2.798, 1.967, 1.463, 0.932, 0.692, 1.520, 2.292, 2.291, 2.411, 2.187, 1.517, 1.213, 2.273, 2.413, 1.915, 2.308, 2.447, 2.199, 2.128, 2.336, 2.090]\n    }, {\n        name: 'LU',\n        data: [0.307, 0.678, 1.848, 3.466, 3.416, 3.014, 3.745, 4.024, 2.661, 1.753, 1.295, 1.198, 1.951, 2.998, 2.980, 2.852, 2.498, 1.944, 1.785, 2.548, 2.389, 1.794, 1.860, 1.885, 1.844, 1.926, 1.988, 1.800]\n    },{\n        name: 'SZ',\n        data: [0.118, 0.365, 1.137, 2.288, 2.063, 1.827, 2.579, 2.461, 1.753, 1.202, 0.702, 0.597, 1.189, 1.984, 2.116, 2.112, 1.789, 1.310, 1.098, 1.787, 1.960, 1.369, 1.272, 1.453, 1.521, 1.548, 1.689, 1.691]\n    },\n   {\n        name: 'AI\/AR',\n        data: [0.129, 0.466, 1.313, 2.504, 2.183, 1.600, 2.033, 2.211, 1.172, 0.784, 0.694, 0.754, 1.407, 1.945, 2.072, 1.969, 1.682, 1.339, 1.213, 1.852, 1.691, 1.252, 1.415, 1.585, 1.581, 1.645, 1.594, 1.506]\n    }, {\n        name: 'GR',\n        data: [0.282, 0.423, 0.924, 1.769, 1.821, 1.870, 2.363, 2.909, 2.210, 1.400, 1.016, 0.996, 1.330, 1.909, 1.997, 2.083, 1.726, 1.301, 1.195, 1.678, 1.598, 1.523, 1.601, 1.686, 1.650, 1.767, 1.703, 1.485]\n    },{\n        name: 'NW\/OW',\n        data: [0.144, 0.347, 1.307, 2.420, 2.192, 1.745, 2.072, 2.104, 1.234, 0.495, 0.419, 0.535, 0.990, 1.675, 1.711, 1.688, 1.442, 1.033, 1.053, 1.543, 1.404, 0.816, 0.873, 0.947, 0.941, 0.967, 1.064, 0.975]\n    },{\n        name: 'UR',\n        data: [0.046, 0.223, 0.772, 1.599, 1.584, 1.574, 2.149, 2.237, 1.375, 0.963, 0.527, 0.386, 0.711, 1.063, 1.161, 1.295, 1.038, 1.019, 0.790, 1.240, 1.309, 1.142, 1.293, 1.237, 1.052, 1.007, 1.024, 0.961]\n    },],\n\n    responsive: {\n        rules: [{\n            condition: {\n                maxWidth: 500\n            },\n            \n        }]\n    }\n\n});\n});\n\n\n\n<\/script>\n<\/div>&#13;<br \/>\n&#13;<br \/>\n<span class=\"text__quelle--ground\">Quelle: Avam, Berechnungen Sheldon und Shvartsman (2018) \/ Die Volkswirtschaft<\/span>&#13;<\/p>\n<h2><strong>Risiko und Dauer<\/strong><\/h2>\n<p>&#13;<br \/>\nAnhand einer Stromkomponentenanalyse zerlegten wir die Arbeitslosenquoten zuvor in die Komponenten \u00abArbeitslosigkeitsrisiko\u00bb und \u00abmittlere Dauer einer Arbeitslosigkeitsepisode\u00bb. Das Arbeitslosigkeitsrisiko bezieht sich auf die Entstehung von Arbeitslosigkeit und gibt die Wahrscheinlichkeit an, mit der eine Erwerbsperson in einem gegebenen Zeitraum (hier ein Monat) arbeitslos wird. Es ist somit ein Indikator f\u00fcr die Besch\u00e4ftigungsstabilit\u00e4t. Die Arbeitslosigkeitsdauer misst die L\u00e4nge der anschliessenden Arbeitslosigkeitsepisode und gibt \u00fcber die Schwierigkeit Auskunft, eine Stelle zu finden. Das Produkt der beiden Komponenten ergibt die Arbeitslosenquote.&#13;<br \/>\n&#13;<br \/>\nDie Stromkomponentenanalyse erlaubt es, Arbeitslosenquoten sozial- und arbeitsmarktpolitisch differenziert zu bewerten und zu behandeln. Wenn zum Beispiel eine lange Dauer f\u00fcr hohe Arbeitslosigkeit verantwortlich ist, werden vermittlungsunterst\u00fctzende Massnahmen gebraucht. Sonst drohen soziale Not und Ausgrenzung. Demgegen\u00fcber hat ein hohes Arbeitslosigkeitsrisiko weitaus geringere Konsequenzen, sofern eine Arbeitslosigkeitsepisode den weiteren Erwerbsverlauf der Betroffenen nicht beeintr\u00e4chtigt. In diesem Fall sind Instrumente gefragt, welche die Entstehung von Arbeitslosigkeit bek\u00e4mpfen.&#13;<br \/>\n&#13;<br \/>\nAus arbeitsmarktpolitischer Sicht gilt: Ein hohes Arbeitslosigkeitsrisiko ist der Arbeitsmarktpolitik eines Kantons weniger stark anzulasten als eine lange Arbeitslosigkeitsdauer. Ersteres resultiert n\u00e4mlich in der Regel aus der kantonalen Wirtschaftsstruktur.&#13;<\/p>\n<h2><strong>Konjunktureinfluss unterschiedlich<\/strong><\/h2>\n<p>&#13;<br \/>\nDie Stromanalyse der Arbeitslosenquoten zwischen 1990 und 2017 zeigt, dass etwa drei Viertel der Schwankungen auf entsprechende Ver\u00e4nderungen der Arbeitslosigkeitsdauer in den Kantonen zur\u00fcckzuf\u00fchren ist. Das heisst: Bei einem konjunkturellen Abschwung (Aufschwung) nehmen die kantonalen Arbeitslosenquoten in erster Linie zu (ab), weil sich die Arbeitslosigkeitsdauer entsprechend ver\u00e4ndert. Die kantonalen Arbeitslosenquoten reagieren dabei unterschiedlich stark auf konjunkturelle Schwankungen (siehe <em>Abbildung 2<\/em>). Am st\u00e4rksten ist der Effekt in den Kantonen Jura und Neuenburg ausgepr\u00e4gt, am schw\u00e4chsten in Uri und in Graub\u00fcnden.&#13;<br \/>\n&#13;<br \/>\nBeim interkantonalen Gef\u00e4lle hingegen ist die Risikokomponente ausschlaggebend: Die Querschnittsstreuung ist zu drei Vierteln durch das unterschiedlich hohe Arbeitslosigkeitsrisiko beziehungsweise durch die unterschiedliche Stabilit\u00e4t der Besch\u00e4ftigungsverh\u00e4ltnisse in den Kantonen zu erkl\u00e4ren. Das heisst, das Arbeitslosigkeitsrisiko und nicht \u2013 wie h\u00e4ufig vermutet \u2013 die Dauer der Stellensuche ist hier bestimmend.&#13;<\/p>\n<h3 class=\"text__graphic-title\"><strong>Abb. 2: Einfluss der Konjunktur auf kantonale Arbeitslosenquoten (1990\u20132017)<\/strong><\/h3>\n<p>&#13;<br \/>\n<div class=\"legacy_chart_custom\"><div class='chart chart--normal' id='Sheldon-Shvartsman_Abb2_de'>\n\n<\/div>\n\n<script>\n$(function () {\n    $('#Sheldon-Shvartsman_Abb2_de').highcharts({\n\n\n  chart: {\n            zoomType: 'xy'\n        }, \n        credits: {enabled: false},\n        title: {\n            text: ''\n        },\n        xAxis: [{\n            categories: ['UR','GR','NW\/OW','AI\/AR','SZ','FR','ZG','BL','GL','LU','SG','BE','TG','TI','BS','AG','VS','SH','ZH','GE','VD','SO','NE','JU']\n        }],\n        yAxis: [{ \/\/ Primary yAxis\n            labels: {\n                format: '{value} '\n                \n            },  plotLines: [{\n            value: 1,\n            color: 'black',\n            width: 2,\n            label: {\n                text: '',\n                align: 'center',\n                \n            }\n        }], \n            title: {\n                text: 'Proportionalit\u00e4tsfaktor'\n                \n            } \n        }, { \/\/ Secondary yAxis\n            title: {\n                text: '',\n                \n            }\n        }],\n\n        tooltip: {\n            shared: true\n        },\n \n    \n        \n        series: [{\n            name: 'Proportionalit\u00e4tsfaktor',   title: {\n                text: ' ',\n                \n            },\n            type: 'scatter',  showInLegend: false,\n            data: [0.491,0.525,0.558,0.574,0.668,0.757,0.808,0.840,0.850,0.858,0.882,0.905,0.930,0.949,0.960,0.996,1.071,1.081,1.149,1.168,1.194,1.241,1.622,1.657], \n      \n            tooltip: {\n                pointFormat: '<b>{point.y}%<\/b> '\n\n            }\n        },\n       \n        \n        \n        {name: 'Vertrauensintervall',\n            type: 'errorbar',\n            data: [[0.424,0.558 ], [0.458 , 0.592], [ 0.491, 0.624], [0.508 , 0.641], [ 0.602,0.735 ], [ 0.691,0.824 ], [0.741 , 0.875], [ 0.773, 0.907], [0.784 ,0.917 ], [ 0.791,0.924 ], [ 0.816, 0.949], [ 0.838,0.971 ], [ 0.863,0.996 ], [ 0.883, 1.016], [0.894 , 1.027], [ 0.930,1.063 ], [1.005 ,1.138 ], [1.015 , 1.148], [1.082 ,1.216 ], [1.101 ,1.235 ], [1.127 , 1.261], [ 1.174, 1.307], [ 1.555,1.688 ], [ 1.590, 1.723] ], \n            tooltip: {\n                pointFormat: 'Vertrauensintervall: {point.low}-{point.high}%<br\/>'\n            }\n        }]\n    });\n\n\n});\n\n\n\n<\/script>\n<\/div>&#13;<br \/>\n&#13;<br \/>\n<span class=\"text__legend\">Anmerkung: Dargestellt ist der Faktor, um welchen sich die kantonalen Arbeitslosenquoten ver\u00e4ndern, wenn sich die gesamtwirtschaftliche Arbeitslosenquote um einen Prozentpunkt ver\u00e4ndert. Der Faktor ist mit den Betas des CAPM zu vergleichen (siehe <em>Kasten<\/em>). In Kantonen mit einem Aufschlagsfaktor &gt;1 reagiert die Arbeitslosenquote \u00fcberproportional auf konjunkturelle Schwankungen, bei &lt;1 unterproportional. Die senkrechten Linien geben die Vertrauensintervalle an, innerhalb derer sich die wahren Werte der gesch\u00e4tzten Aufschlagfaktoren (Punkte) mit einer Wahrscheinlichkeit von 95 Prozent bewegen.<\/span>&#13;<br \/>\n&#13;<br \/>\n<span class=\"text__quelle--ground\">Quelle: Sheldon und Shvartsman (2018) \/ Die Volkswirtschaft<\/span>&#13;<br \/>\n&#13;<br \/>\nIm Rahmen der Paneluntersuchung wurde versucht, das zwischen den Kantonen bestehende konjunkturunabh\u00e4ngige Arbeitslosigkeitsgef\u00e4lle durch die unterschiedlichen Merkmalsprofile der Kantone zu erkl\u00e4ren. Zum Merkmalsprofil eines Kantons geh\u00f6ren dauer\u2010 und risikobestimmende Variablen, welche die Zusammensetzung der kantonalen Arbeitslosen\u2010 und Erwerbspersonenbest\u00e4nde (etwa die Qualifikation oder die Branchenzugeh\u00f6rigkeit) sowie die kantonale Arbeitsmarktpolitik (zum Beispiel der Massnahmeneinsatz) charakterisieren. Daraus ergeben sich die um kantonale Profilunterschiede und Konjunktureffekte bereinigten Arbeitslosenquoten und Stromkomponenten der Kantone (siehe <em>Abbildung 3<\/em>). Das Produkt der beiden Komponenten ergibt die zugeh\u00f6rige Arbeitslosenquote.&#13;<\/p>\n<h3 class=\"text__graphic-title\"><strong>Abb. 3: Stromkomponentenzerlegung der kantonalen Arbeitslosenquoten (1990\u20132017)<\/strong><\/h3>\n<p>&#13;<br \/>\n<a href=\"https:\/\/dievolkswirtschaft.ch\/content\/uploads\/2019\/03\/Sheldon_Shvartsman_3_DE.png\"><img fetchpriority=\"high\" decoding=\"async\" class=\"alignnone size-full wp-image-85592\" src=\"https:\/\/dievolkswirtschaft.ch\/content\/uploads\/2019\/03\/Sheldon_Shvartsman_3_DE.png\" alt=\"\" width=\"2036\" height=\"1450\" \/><\/a>&#13;<br \/>\n&#13;<br \/>\n<span class=\"text__legend\">Anmerkung: Die Kurven stellen Dauer-Risiko-Kombinationen dar, die gleich hohe Arbeitslosenquoten ergeben. F\u00fcr die Schweiz ergibt sich aus dem Produkt eines Arbeitslosigkeitsrisikos von 0,5 Prozent pro Monat und einer Dauer von sechs Monaten eine entsprechend bereinigte Arbeitslosenquote von 3 Prozent. Oberhalb (unterhalb) der 0,5-Prozent-Marke liegen Kantone mit einem \u00fcberdurchschnittlichen Anteil an instabilen (stabilen) Besch\u00e4ftigungsverh\u00e4ltnissen, w\u00e4hrend rechts (links) der 6-Monats-Geraden sich Kantone befinden, deren Arbeitslose \u00fcberdurchschnittlich lange (kurz) nach Arbeit suchen. Die Punkte sind mit den Alphas des CAPM zu vergleichen (siehe <em>Kasten<\/em>).<\/span>&#13;<br \/>\n&#13;<br \/>\nWenn die so erweiterte Paneluntersuchung das interkantonale Arbeitslosigkeitsgef\u00e4lle vollst\u00e4ndig erkl\u00e4ren k\u00f6nnte, l\u00e4gen in der <em>Abbildung 3 <\/em>die bereinigten Arbeitslosenquoten aller Kantone auf dem Schnittpunkt der senk- und waagrechten Geraden<em>,<\/em> da nach der Bereinigung keine arbeitslosigkeitsbestimmenden Unterschiede zwischen den Kantonen mehr best\u00fcnden. Dass dies nicht zutrifft, zeugt von einem verbleibenden Erkl\u00e4rungsbedarf. Anhand der Grafik ist ferner ersichtlich, dass die Kantone deutlich weniger nach Dauer als nach Risiko streuen. Dies liegt daran, dass die dauerbestimmenden Variablen mehr erkl\u00e4ren k\u00f6nnen als die risikobestimmenden Variablen.&#13;<br \/>\n&#13;<br \/>\nDer Befund, wonach das konjunkturunabh\u00e4ngige Gef\u00e4lle haupts\u00e4chlich durch kantonale Unterschiede bez\u00fcglich des Arbeitslosigkeitsrisikos beziehungsweise der Besch\u00e4ftigungsstabilit\u00e4t zu erkl\u00e4ren ist, enth\u00e4lt mehrere Implikationen. So sind f\u00fcr die kantonalen Arbeitslosigkeitsunterschiede wohl eher branchenstrukturelle als arbeitsmarktpolitische Unterschiede verantwortlich. Auch kulturelle Differenzen (Stichwort R\u00f6stigraben) kommen als Erkl\u00e4rung kaum in Betracht, es sei denn, die Personalpolitik der Firmen eines Kantons w\u00e4re stark kulturgepr\u00e4gt, wof\u00fcr es bislang keine Evidenz gibt. Zudem stellt das Ergebnis die Erfolgsaussichten von Anstrengungen zur Senkung des interkantonalen Gef\u00e4lles durch dauerverk\u00fcrzende Massnahmen (Stichwort Wirkungsvereinbarung) infrage \u2013 zumal nach unseren Resultaten die Arbeitslosigkeitsdauer in erster Linie von der allgemeinen Konjunkturlage abh\u00e4ngt. Darauf kann ein Einzelkanton kaum Einfluss nehmen.<\/p>\n<ol class=\"footnote\"><li id=\"footnote_1\" class=\"footnote--item\">George Sheldon und Elena Shvartsman (2018). <a href=\"https:\/\/www.seco.admin.ch\/seco\/de\/home\/Publikationen_Dienstleistungen\/Publikationen_und_Formulare\/Arbeit\/Arbeitsmarkt\/Informationen_Arbeitsmarktforschung\/bestimmungsfaktoren-der-kantonalen-arbeitslosigkeitsunterschiede.html\">Bestimmungsfaktoren der kantonalen Arbeitslosigkeitsunterschiede im Zeitraum 1990\u20132017<\/a>.&nbsp;<a href=\"#footnote-anchor_1\" class=\"inline-footnote__anchor hidden-print\">[<span class=\"icon-arrow-up\"><\/span>]<\/a><\/li><\/ol>","protected":false},"excerpt":{"rendered":"<p>Im Kanton Neuenburg lag die Arbeitslosenquote im Jahr 2017 bei 5,6 Prozent \u2013 im Kanton Obwalden betrug sie nur 0,9 Prozent. Die Differenzen fallen dabei je nach Konjunkturlage unterschiedlich aus: In Perioden hoher gesamtschweizerischer Arbeitslosigkeit, wie zum Beispiel Mitte der Neunzigerjahre, nahm das interkantonale Gef\u00e4lle zu, w\u00e4hrend es in Aufschwungsphasen wie etwa um 2000 wieder [&hellip;]<\/p>","protected":false},"author":2700,"featured_media":105093,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"om_disable_all_campaigns":false,"ep_exclude_from_search":false,"footnotes":""},"post__type":[66],"post_opinion":[],"post_serie":[],"post_content_category":[76],"post_content_subject":[],"acf":{"seco_author":2700,"seco_co_author":[4809,0],"author_override":"","seco_author_post_ocupation_year":"","seco_author_post_occupation_de":"Prof. em. der Volkswirtschaftslehre und Leiter der Forschungsstelle f\u00fcr Arbeitsmarkt- und Indust-rie\u00f6konomik (FAI), Wirtschaftswissenschaftliche Fakult\u00e4t (WWZ), Universit\u00e4t Basel","seco_author_post_occupation_fr":"Professeur d\u2019\u00e9conomie, directeur du bureau de recherches en \u00e9conomie du march\u00e9 du travail et de l\u2019industrie (FAI) \u00e0 la Facult\u00e9 des sciences \u00e9conomiques (WWZ) de l\u2019universit\u00e9 de B\u00e2le","seco_co_authors_post_ocupation":[{"seco_co_author":4809,"seco_co_author_post_occupation_year":"","seco_co_author_post_occupation_de":"Dr. rer. pol., PostDoc am Lehrstuhl f\u00fcr Personal- und Organisations\u00f6konomie, Wirtschafts-wissenschaftliches Zentrum (WWZ) der Universit\u00e4t Basel","seco_co_author_post_occupation_fr":"Chercheuse post-doc \u00e0 la Chaire d\u2019\u00e9conomie du personnel et de l\u2019organisation, Facult\u00e9 des sciences \u00e9conomiques (WWZ) de l\u2019universit\u00e9 de B\u00e2le"}],"short_title":"Interkantonales Arbeitslosigkeitsgef\u00e4lle schwankt","post_lead":"Die Arbeitslosenquoten unterscheiden sich von Kanton zu Kanton. Einzelne Kantone wie etwa Uri erweisen sich dabei robuster gegen\u00fcber Konjunktureinfl\u00fcssen als beispielsweise der Kanton Jura.","post_hero_image_description":"Im Kanton Jura reagiert die Arbeitslosenquote stark auf konjunkturelle Schwankungen. Fabrik in Pruntrut.","post_hero_image_description_copyright_de":"Keystone","post_hero_image_description_copyright_fr":"Keystone","post_references_literature":"","post_kasten":[{"kasten_title":"Capital Asset Pricing Modell (CAPM)","kasten_box":"Die in der Studie durchgef\u00fchrte Paneluntersuchung beruht formal auf dem aus der Finanzmarktforschung bekannten <em>Capital Asset Pricing Modell (CAPM)<\/em>, das im vorliegenden Fall die kantonalen Arbeitslosenquoten in einen konjunkturunabh\u00e4ngigen (\u00abAlpha\u00bb) und einen konjunkturbedingten (\u00abBeta\u00bb) Teil unterteilt. Gr\u00f6sstenteils stammen die Daten aus dem vom Staatssekretariat f\u00fcr Wirtschaft (Seco) gef\u00fchrten Informationssystem Avam (System der Arbeitsvermittlung und Arbeitsmarktstatistik). Merkmalstr\u00e4ger ist ein Kanton in einem gegebenen Monat."}],"post_notes_for_print":"","first_teaser_header_de":"","first_teaser_header_fr":"","first_teaser_text_de":"","first_teaser_text_fr":"","second_teaser_header_de":"","second_teaser_header_fr":"","second_teaser_text_de":"","second_teaser_text_fr":"","kseason_de":"","kseason_fr":"","post_in_pdf":105087,"main_focus":null,"serie_email":null,"frontpage_slider_bild":105091,"artikel_bild-slider":null,"legacy_id":"84049","post_abstract":"Die Arbeitslosigkeit in der Schweiz streut stark nach Kantonen. Seit Jahren werden die Gr\u00fcnde dieser kantonalen Unterschiede empirisch erforscht. In der Regel gehen die Studien von einem im Zeitablauf konstanten interkantonalen Arbeitslosigkeitsgef\u00e4lle aus und erkl\u00e4ren das Gef\u00e4lle vor allem mit dem unterschiedlichen Erfolg der Kantone bei der Wiedereingliederung der Arbeitslosen in den Erwerbsprozess. Eine Studie im Auftrag der Aufsichtskommission f\u00fcr den Ausgleichsfonds der Arbeitslosenversicherung zeigt, dass das Gef\u00e4lle im Zeitablauf stark schwankt und vornehmlich auf die unterschiedliche Besch\u00e4ftigungsstabilit\u00e4t in den Kantonen zur\u00fcckzuf\u00fchren ist.","magazine_issue":"04-2019","seco_author_reccomended_post":null,"redaktoren":[4127,0],"korrektor":4139,"planned_publication_date":"20190326","original_files":null,"external_release_for_author":"20190305","external_release_for_author_time":"23:30:00","link_for_external_authors":"https:\/\/dievolkswirtschaft.ch\/exedit\/5c46e15af021c"},"_links":{"self":[{"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/posts\/105084"}],"collection":[{"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/users\/2700"}],"replies":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/comments?post=105084"}],"version-history":[{"count":1,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/posts\/105084\/revisions"}],"predecessor-version":[{"id":126048,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/posts\/105084\/revisions\/126048"}],"acf:user":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/users\/4139"},{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/users\/4127"},{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/users\/0"},{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/users\/4809"},{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/users\/2700"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/media\/105093"}],"wp:attachment":[{"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/media?parent=105084"}],"wp:term":[{"taxonomy":"post__type","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post__type?post=105084"},{"taxonomy":"post_opinion","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post_opinion?post=105084"},{"taxonomy":"post_serie","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post_serie?post=105084"},{"taxonomy":"post_content_category","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post_content_category?post=105084"},{"taxonomy":"post_content_subject","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post_content_subject?post=105084"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}