Hur effektiv är matchningen av arbetslösa till jobb?

Svensk arbetsmarknad har länge präglats av matchningsproblem. Både privata och offentliga arbetsgivare vittnar om utmaningar med att hitta kvalificerad personal, samtidigt som många arbetslösa har svårt att hitta jobb. De samhällsekonomiska kostnaderna för matchningsproblemen är sannolikt stora.¹ Syftet med vår studie är att undersöka arbetsmarknadens förmåga att matcha arbetslösa personer till lediga jobb över en lång tidsperiod, mellan 1992 och 2022, samt vilka mekanismer som kan förklara utvecklingen över tid. I studien söker vi svar på policyviktiga frågor som: Finns det mönster som återkommer med regelbundenhet? Hur påverkar sammansättningsförändringar bland de arbetslösa? Hur påverkar konjunktursvängningar? Och åt vilket håll går utvecklingen i dagsläget? Vi estimerar en modell där jobbchansen bland arbetslösa – sannolikheten att lämna arbetslösheten för jobb varje månad – beror på antalet lediga jobb per arbetssökande (stramheten) och på hur effektiv matchningen är på arbetsmarknaden. Detaljerade mikrodata och en flexibel modell tillåter oss att studera mekanismer.

Studiens huvudresultat är att vi kan dokumentera stora förändringar i matchningseffektiviteten över tid, vilka drivs av olika mekanismer vid olika tidpunkter. Vi finner att vid makroekonomiska chocker som 1990-talskrisen, pandemikrisen, och framför allt vid finanskrisen, påverkas konkurrensförmågan negativt på kort tid för breda demografiska grupper av arbetslösa. Vi kallar detta för chockeffekter. Vid andra tider är det förändringar i sammansättningen av de arbetslösa som haft störst betydelse. Resultaten är nya i litteraturen om matchningseffektivitet, men är i linje med nyare studier om varför långtids­arbetslöshet uppstår vid kraftiga konjunkturnedgångar och med studier om utomeuropeiskt födda invandrares etableringsmönster.

Mellan 2007 och 2017 försämrades matchningseffektiviteten med ca 50 procent. Vi finner att denna stora försämring är resultatet av två skeenden. Ungefär hälften av försämringen skedde snabbt under finanskrisen 2008–09. För många arbetslösa var chocken temporär och den aggregerade effektiviteten förbättrades under 2010. Andra fastnade i längre arbetslöshetstider vilket begränsade återhämtningen i den aggregerade effektiviteten. Den andra hälften av försämringen skedde efter 2010, då andelen nyanlända utomeuropeiskt födda bland de arbetslösa ökade från år till år. Sammansättningen av arbetslösa inskrivna på Arbetsförmedlingen förändrades mot att en högre andel hade en svag initial konkurrens­förmåga (en sammansättningseffekt) och den genomsnittliga matchnings­effektiviteten fortsatte därför att försämras.

Vi finner vidare att matchningseffektiviteten förbättrades mellan 2017 och 2022, dock med ett hack i kurvan vid pandemin. Det kan förklaras med att den stora gruppen nyanlända som skrevs in som arbetslösa från 2010 och framåt med tiden förbättrade sin konkurrensförmåga, samtidigt som inflödet av nyanlända bland de nyinskrivna minskade. Genom att förvärva kunskaper och färdigheter som är gångbara på den svenska arbetsmarknaden har utrikesfödda personer – speciellt män – i ökad utsträckning lämnat arbetslösheten. I takt med att utrikes födda förbättrade sin konkurrensförmåga förbättrades matchningseffektiviteten i genomsnitt bland alla arbetslösa under dessa år.

1. Metod och data

Matchningsprocessen på arbetsmarknaden kan sammanfattas i en matchningsfunktion. Den enklaste funktionen kan skattas med data genom att relatera andelen övergångar till arbete bland arbetslösa (jobbchans) per tidsperiod till antalet lediga platser per arbetslös (stramheten) under samma tidsperiod på aggregerad nationell nivå (se Petrongolo och Pissarides (2001) för en översikt).²  I denna standardmodell är matchningseffektiviteten en residual som fångar variationen i aggregerad jobbchans som inte kan förklaras av variationen i stramhet. Eftersom vi vill studera mekanismer – vad som förklarar förändringar över tid i standardmodellens residual – behöver vi en mer flexibel modell samt detaljerade mikrodata. Vi följer Barnichon och Figura (2015) och estimerar en modell där matchningseffektiviteten är en funktion av heterogeniteten bland arbetssökande och mellan olika län-yrkessegment på arbetsmarknaden. Modellen tillåter att arbetssökande kan ha olika hög konkurrensförmåga (olika sannolika att matcha till jobb) och att segmenten kan skilja sig åt i genomsnittlig matchningseffektivitet samt i stramhet.³

Vårt mått på individuell konkurrensförmåga är den del av individens jobbchans som kan förklaras av exogena individegenskaper som kön, utbildningsnivå, ålder, födelseregion och vistelsetid i Sverige för utrikes födda. Till skillnad från Barnichon och Figura (2015) har vi valt att inte inkludera tid i pågående arbetslöshet i modellen. Anledningen är att det är ett alternativt utfallsmått i matchningsmodellen, dvs att en fortsatt och längre arbetslöshet är ett utfall av individens konkurrensförmåga (en endogen variabel).⁴  I vår modell utgörs det som eventuellt skulle fångas av variabeln arbetslöshetstid av residualvariation som ingår i måttet på matchningseffektivitet.⁵

Matchningseffektiviteten som vi estimerar kan delas upp i två effekter (samt en residual):

1. En sammansättningseffekt som fångar det faktum att den genomsnittliga konkurrensförmågan bland de arbetslösa kan variera över tid, om det blir fler eller färre arbetslösa med högre eller lägre konkurrensförmåga. Effekten kan även uppstå om arbetslösa koncentreras till arbetsmarknadssegment där matchningseffektiviteten är högre (eller lägre).⁶
2. En spridningseffekt som mäter spridning i arbetsmarknadsläge mellan segment. Det fångar effekten av att om skillnaden i stramhet mellan segment ökar (minskar), pressar det ner (upp) matchningseffektiviteten på grund av att funktionsformen är konkav i matchningsmodellen. Vi estimerar och redovisar denna effekt, men vi lägger mindre vikt vid den när vi sammanfattar och diskuterar resultaten då vi uppfattar effekten som mindre policyrelevant eftersom den är kopplad till modellens specifika funktionsform (Cobb-Douglas med konstant skalavkastning).

I studien använder vi data från Arbetsförmedlingens egna register samt data som samlats in av Statistiska centralbyrån (SCB). Från Arbetsförmedlingens register hämtar vi uppgifter om huruvida individen har lämnat arbetslösheten för jobb under månaden eller inte, om det yrke som individen söker i första hand och om det län där individen bor (för att skapa segment), samt kön, ålder och utbildningsnivå. Vi använder även aggregerade data på stockar och flöden av inskrivna arbetslösa och lediga platser (inom olika yrken och län) månadsvis. Övriga data kommer från SCB:s register. Vi begränsar analysen till individer i åldern 20–64 och inskrivna som arbetslösa på Arbetsförmedlingen och skapar en panel med arbetsmarknadssegment och individ­observationer månadsvis från februari 1992 till december 2022.⁷

Vi använder Sveriges län för den geografiska indelningen. De är tillräckligt stora för att fånga de flesta personers möjliga pendlingsområden och de är tillräckligt detaljerade för att fånga geografiska skillnader. Vi använder tre breda yrkeskategorier baserat på svensk yrkesklassificering (SSYK). Vi har 75 arbetsmarknadssegment i vår data. Som jämförelse använder Barnichon och Figura (2015) 36 arbetsmarknadssegment baserade på nio stora geografiska områden i hela USA och fyra breda yrkeskategorier.

Vi konstruerar ett mått på stramhet på månad-arbetsmarknadssegment-nivå. Måttet baseras dels på information om antalet lediga platser i olika yrken på länsnivå (stramhetens täljare), dels på antalet arbetssökande med olika sökt yrke i samma län (stramhetens nämnare). Vi använder uppgifter om kvarvarande lediga platser och arbetssökande i slutet av månad t-1 för att definiera antalet lediga platser och antalet arbetssökande under månad t. En tydlig fördel med Arbetsförmedlingens data är att vi har tillgång till uppgifter om lediga platser per yrke och ort varje månad sedan februari 1992.⁸  Tillförlitligheten i data på lediga jobb annonserade i Platsbanken är dock omgärdad av viss osäkerhet.⁹  Vi gör två saker för att studera hur känsliga våra resultat är för mätfel i antalet lediga jobb: (1) Vi korrigerar extremvärden i stramheten i de segment-månad som de förekommer, något som visar sig ha liten betydelse för skattningarna; (2) Vi använder ett alternativt sätt att beräkna stramheten där vi korrigerar antalet lediga jobb med hjälp av trenderna från SCB:s konjunkturstatistik över lediga jobb. Vi finner att våra huvudresultat inte är känsliga för mätfel i data från Platsbanken.

2. Resultat

Trender i matchningseffektivitet

Den svarta kurvan i figur 1 visar matchningseffektivitetens utveckling 1992–2022 estimerad med vår modell.¹⁰ När vi studerar mekanismer vill vi titta på hur en förändrad heterogenitet och segmentering påverkar rörelserna i matchningseffektivitet och hålla modellparametrarna konstanta. Vi följer tidigare studier från USA (Barnichon och Figura 2015; Hall och Schulhofer-Wohl 2018) och Sverige (Håkansson 2014; Riksrevisionen 2017), och skattar modellens parametrar med data för en lång tidsperiod (i vårt fall 1992–2007) som föregår den turbulenta tid som börjar med finanskrisen 2008. Känslighetsanalyser visar dock att detta förfarande inte är avgörande för resultaten. De generella mönstren och slutsatserna av vår analys är oförändrade om vi i stället skattar modellparametrarna med data som sträcker sig t o m 2015.¹¹ En av modellens viktigaste parametrar är matchningselasticiteten som beskriver relationen mellan stramheten och jobbchansen. Vi finner att denna elasticitet är 0,30 (standardfel = 0,02). Motsvarande estimat i Barnichon och Figura (2015) för USA är 0,33 (0,01) och för Sverige finner Håkansson (2014) ett estimat på 0,41 (0,02) och Riksrevisionen (2017) ett estimat på 0,22 (0,01).^{12 13 14}

Den svarta kurvan i figur 1 visar två övergripande trender under de senaste femton åren: (1) Matchningseffektiviteten försämrades under ett decennium mellan 2007 och 2017. Vi finner att försämringen är ca 0,7 log-punkter, eller ca 50 procent; (2) Matchningseffektiviteten har förbättrats sedan 2017. Den förbättrades netto med 0,1–0,15 log-punkter (11–16 procent) 2017–22 (inkluderar alltså pandemikrisen). Vi kan också se att matchningseffektiviteten rör sig procykliskt över konjunkturcyklerna, med tydliga branta nedgångar i samband med 1990-talskrisen, finanskrisen och pandemikrisen, följda av snabba återhämtningar i någon utsträckning direkt efter respektive kris. De snabba återhämtningarna återspeglar sannolikt att många individer med hög konkurrensförmåga blir arbetslösa vid makroekonomiska chocker och att dessa individer lämnar arbetslösheten direkt efter krisens akuta fas.

Det fall i matchningseffektivitet som vi kan observera efter 2007 är nära det som tidigare har dokumenterats för Sverige av Håkansson (2014) och Riksrevisionen (2017). Riksrevisionen finner t ex ett fall på ca 0,6 log-punkter mellan 2007 och 2015. I figur 1 ser vi att den nedgång vi observerar för motsvarande tidsperiod är i samma storleksordning. Intressant nog är resultaten för Sverige också lika resultaten för USA. Barnichon och Figura (2015) finner att matchningseffektiviteten faller med ca 0,35 log-punkter mellan 2007 och 2013. I figur 1 ser vi att fallet i Sverige under samma tidsperiod är något större än så. Den stora försämringen under finanskrisen 2008–09 och matchningseffektivitetens pro-cykliska mönster förefaller alltså inte vara specifikt svenska fenomen.

Figur 1. Rörelser i matchningseffektivitet och i de observerade mekanismernas sammansättnings- och spridningseffekter

Anm: Y-axeln visar log-punkter.
Källa: Egna beräkningar.

Mekanismer bakom förändringarna i matchningseffektivitet

Figur 1 visar också hur förändringar över tid i matchningseffektivitet delvis kan tillskrivas sammansättnings- och spridningseffekter. Resterande del är oförklarad variation precis som i standardmodellen. Sammansättningseffekter fångar det faktum att den genomsnittliga konkurrensförmågan bland de arbetslösa kan variera över tid och spridningseffekten fångar en förändrad spridning i arbetsmarknadsläge mellan yrke-länssegment.

I figuren ser vi att sammansättningseffekter uppvisar ett motsatt mönster än matchningseffektiviteten vid makroekonomiska chocker. Sammansättningseffekten uppvisar pucklar vid 1990-talskrisen, finanskrisen och vid pandemikrisen. Detta är förväntat eftersom också individer med en normalt hög konkurrensförmåga blir arbetslösa vid sådana chocker. Sammansättningseffekten går då först upp (den genomsnittliga konkurrensförmågan bland de arbetslösa ökar) och sedan ner igen när de arbetslösa med höga jobbchanser snabbt hittar jobb igen efter krisens akuta fas. Vid 1990-talskrisen blev t ex ungdomsarbetslösheten hög och unga har normalt en högre konkurrensförmåga än äldre arbetssökande. När unga arbetssökande lämnade arbetslösheten efter den akuta 1990-talskrisen, försämras den genomsnittliga konkurrensförmågan bland de arbetslösa (sammansättningseffekten går ner). Se belägg för detta nedan i figur 2 där vi studerar vad som förklarar rörelser i den genomsnittliga konkurrensförmågan.

Spridningseffekten uppvisar ett omvänt mönster vid de makroekonomiska chockerna. Även det är förväntat. Spridningen i arbetsmarknadsläge mellan segment tenderar att öka vid kriser i ekonomin då vissa branscher och regioner drabbas hårdare än andra. När skillnaden i stramhet mellan segment ökar pressar det ner matchningseffektiviteten. Men som figur 1 visar så spelar spridningseffekten, på det hela taget, en mycket mindre roll än sammansättningseffekter för att förklara rörelser i matchningseffektivitet över tid.

I studien har vi ett speciellt intresse för den dramatiska perioden 2007–22. Sammansättningseffekter förefaller spela roll för minskningen i matchningseffektivitet som sker under 2007 innan Sverige drabbas av finanskrisen på allvar under 2008. Och spridnings­effekter verkar förklara en mindre del av minskningen i matchningseffektivitet 2008–09. Sammansättningseffekter förefaller dock inte kunna förklara något av den försämrade matchningseffektiviteten under finans­krisen 2008–09. Snarare motverkas nedgången av att fler med normalt sett högre konkurrensförmåga blir arbetslösa. Nedgången i matchningseffektivitet under finanskrisen 2008–09 är alltså till största del oförklarad. Av figur 1 förefaller de, till stora delar, oförklarade snabba fallen i matchningseffektiviteten också vara ett generellt mönster vid de stora makro­ekonomiska chockerna (1990-talskrisen, finanskrisen och pandemikrisen). Dessa nedgångar följs av snabba återhämtningar (mindre eller större) kort därefter.

Det verkar alltså som att andra mekanismer, än observerbara förändringar i sammansättningen (eller spridningseffekter), är av större betydelse vid ekonomiska kriser. En rimlig hypotes är att det handlar om just arbetslöshetschocker som även drabbar individer med normalt hög konkurrensförmåga. Samt att redan arbetslösa personer tenderar att få svårare att konkurrera om lediga jobb under den akuta krisen. Vi väljer att kalla dessa nedgångar i matchningseffektiviteten för chockeffekter. Vår tolkning skiljer sig från Barnichon och Figura (2015). De finner tvärtom att sammansättningseffekter är den viktigaste mekanismen vid finanskrisen. Skillnaden beror på att de betraktar variabeln arbetslöshetstid som en del av måttet på sammansättningseffekter. Det visar sig också vara den dominerande förklarande variabeln i deras analys, den kan förklara en stor del av fallet i matchningseffektivitet efter finans­krisen. Liksom Riksrevisionen (2017) finner vi detta missvisande. Anledningen är att variabeln arbetslöshetstid är ett potentiellt utfall i modellen (inversen av jobbchans) och avspeglar en ökning i avsaknaden av jobbchans. Om man förklarar jobbchansen med avsaknaden av jobbchans blir residualvariationen i matchningsmodellen per definition låg.

I figur 1 ser vi vidare att mönstret är annorlunda efter åren med finanskris. Under perioden 2011–17 kan vi observera att den övergripande sjunkande trenden i matchningseffektiviteten nästan uteslutande förklaras av sammansättningseffekter (en hög grad av samvariation). Sammansättningseffekter förefaller även spela en stor roll för den positiva nettotrenden i matchningseffektivitet för nästa period, åren 2017–22.

I figur 2 studerar vi vilka delkomponenter som är viktigast för att förklara rörelserna i genomsnittlig konkurrensförmåga vid olika tidsperioder. Vi kan observera att åldersförändringar i sökandesammansättningen påverkar negativt under perioden 1992–2001. Detta kan förklaras av att ungdomsarbetslösheten blev hög i samband med 1990-talskrisen och ungdomar tenderar att ha en högre konkurrensförmåga än äldre. Under återhämtningsperioden efter krisen lämnar de unga arbetslösheten i större utsträckning än äldre och den genomsnittliga konkurrensförmågan sjunker då den genomsnittliga åldern bland de arbetslösa blir högre. I figur 2 ser vi vidare att för perioden 2010–17 är födelseregion samt vistelsetid i Sverige för utlandsfödda de viktigaste variablerna. Dessa förklarar nedgången i konkurrensförmåga sammantaget och därmed det mesta av nedgången i matchnings­effektivitet, under denna period. Samma variabler förklarar även uppgången i sammantagen konkurrensförmåga 2017–22. Förklaringen är den lägre genomsnittliga konkurrensförmågan bland nyanlända utomeuropeiskt födda. När andelen nyanlända arbetslösa ökar över tid sjunker också konkurrensförmågan sammantaget bland de arbetslösa. År 2010, vilket också var första året med Arbetsförmedlingens etableringsuppdrag, var andelen inskrivna arbetslösa födda utanför Europa ca 16 procent. Åtta år senare var motsvarande andel över 40 procent. Ett par år efter migrationskrisen 2015 minskade ökningen av andelen utrikesfödda markant och de genomsnittliga vistelsetiderna i Sverige bland de utrikesfödda började vända uppåt. Vi ser i figur 2 att de längre vistelsetiderna kan förklara uppgången i sammantagen konkurrensförmåga 2017–22. Det är väldokumenterat att arbetsmarknadsintegration tenderar att ta lång tid och när vistelsetiderna ökar så ökar också andelen i sysselsättning (se t ex Forslund m fl 2017).¹⁵

Figur 2. Genomsnittlig konkurrensförmåga uppdelad i komponenter

Anm: Y-axeln visar log-punkter.
Källa: Egna beräkningar.

Vi går vidare med att studera betydelsen av sammansättningseffekter mer i detalj. I avsnitt 1 beskrev vi att sammansättningseffekter kan uppkomma till följd av: (1) förändringar i stocken av arbetssökande; (2) förändringar i fördelningen av arbetssökande över segment. Vi undersöker vilken av 1 respektive 2 som är viktigast.

I analysen som visas i figur 3 håller vi inte enbart parametrarna (betydelsen av respektive egenskap) konstanta över tid, utan vi håller även andelen individer med de olika egenskaperna konstanta vid 2007 års nivå. Den ljusgråa kurvan visar hur matchningseffektiviteten skulle ha utvecklats om den genomsnittliga konkurrensförmågan hade behållits konstant vid 2007 års nivå. Vi kan observera att ingenting av förändringen i matchningseffektivitet mellan 2007 och 2011 kan förklaras av sammansättningsförändringar, något som stärker vår tidigare tolkning om chockeffekter i anslutning till den stora finanskrisen. För perioden 2011 till 2022 finner vi dock att förändringar i stocken av arbetssökande gör en dramatisk skillnad. Utan sammansättningsförändringar skulle matchnings­effektiviteten ha förbättrats med mer än 0,1 log-punkter (mer än tio procent) mellan 2011–22. Det står i tydlig kontrast till den verkliga nettominskningen med nära 0,4 log-punkter (ca 30 procent) under samma period (svart kurva).

Figur 3. Matchningseffektivitet (ME) om observerad konkurrensförmåga bibehållen på 2007 års nivå

Anm: Y-axeln visar log-punkter.
Källa: Egna beräkningar.

Vi har även gjort separata skattningar av matchningseffektiviteten för inrikes och utrikesfödda (Arbetsförmedlingen 2024). Dessa analyser stärker ytterligare bilden av att chockeffekterna är gemensamma, men att utvecklingen efter 2010 (året för Arbetsförmedlingens etableringsuppdrag) till största del hänger samman med den stora ökningen av nyanlända utomeuropeiskt födda bland de arbetslösa.¹⁶

I figur 4 visar vi motsvarande analys som i figur 3, men här studerar vi betydelsen av förändringar i fördelningen av arbetssökande över segment, genom att hålla segmentsammansättningen konstant över tid efter 2007 vid 2007 års fördelning. Den ljusgråa kurvan visar hur matchningseffektiviteten skulle ha utvecklat sig vid konstant segmentsammansättning. Vi finner att förändrad fördelning av arbetssökande över segment knappt kan förklara något av utvecklingen i matchningseffektivitet. Av samman­sättningseffekterna betyder alltså förändringar i stocken av arbetssökande nästan allt och förändringar i fördelningen av arbetssökande över segment betyder väldigt lite.

Figur 4. Matchningseffektivitet om segmentsammansättning bibehållen på 2007 års nivå

Anm: Y-axeln visar log-punkter.
Källa: Egna beräkningar.

3. Avslutande diskussion

Vi finner att matchningseffektiviteten rör sig procykliskt över konjunkturcyklerna. Tydligast är detta vid de stora makroekonomiska chockerna 1990-talskrisen, den stora finanskrisen 2008 och vid pandemikrisen. Vid dessa chocker tenderar matchnings­effektiviteten att först falla snabbt för att sedan återhämta sig helt (pandemin) eller delvis (finanskrisen).¹⁷ Detta är ett mönster som även har dokumenterats för USA i Barnichon och Figura (2015).

Vad som förklarar den försämrade matchnings­effektiviteten vid makroekonomiska kriser har en nära koppling till litteraturen om vad som förklarar ökningen av långtidsarbetslöshet vid sådana kriser. En fråga som studeras i den litteraturen är huruvida sammansättningsförändringar driver ökningen eller om det handlar om chocker mot arbetslösas möjligheter att konkurrera om lediga jobb. Kroft m fl (2016) finner inget stöd för att sammansättningsförändringar bland de arbetslösa – mot högre andelar från grupper med traditionellt längre arbetslöshets­perioder – kan förklara ökningen av långtidsarbetslöshet i USA mellan 2008 och 2013. De visar tvärtom att långtidsarbetslösheten ökade för i stort sett alla grupper. Mueller och Spinnewijn (2023) finner motsvarande resultat för Sverige. Författarna använder än mer detaljerade individdata än Kroft m fl (2016) och kan ändå bekräfta att sammansättningsförändringarna i gruppen av arbetslösa inte kan förklara högre risk för långtidsarbetslöshet under djupa lågkonjunkturer. Djupa lågkonjunkturer förefaller alltså drabba grupper med traditionellt kortare och längre arbetslöshetsperioder på liknande sätt. Vår tolkning om chockeffekter är i linje med dessa studier.

Möjliga förklaringar till chockeffekterna kan vara ett förändrat anställningsbeteende hos arbetsgivarna eller sökbeteende hos arbetstagarna under konjunkturnedgångar. Huckfeldt (2022) föreslår t ex en modell där rekrytering sker mer selektivt under lågkonjunkturer. Ett exempel på en empirisk studie som ger stöd till detta är Hensvik m fl (2023). Studien finner att informella kontakter och sociala nätverk är viktigare för matchningen till jobb under djupa lågkonjunkturer än under goda tider. Resultatet gör det rimligt att tro att arbetslösa personer med svagare egna kontaktnät får det svårare att matcha till jobb (givet stramheten). En ökad försiktighet bland arbetsgivare att anställa arbetslösa personer vid snabba konjunkturnedgångar är förenligt med det mönster vi observerar med kraftfulla återhämtningar i matchningseffektivitet när det sedan sker en förbättring i konjunkturen. Det kan indikera att arbetsgivare blir mer öppna för att anställa arbetslösa arbetssökande igen och se mer till deras kvalifikationer än att använda arbetslöshet som en negativ signal. Vad gäller förändrat sökbeteende hos de arbetslösa under lågkonjunktur finns det belägg för att sökintensiteten går ner (Hensvik m fl 2021). En ytterligare förklaring till chockeffekterna kan vara att redan arbetslösa möter än hårdare konkurrens om de lediga jobben när fler personer blir varslade om uppsägning i samband med en ekonomisk kris.

I kontrast till utvecklingen under finanskrisen 2008–09, finner vi att den fortsatta försämringen i matchningseffektivitet 2011 till 2017 kan tillskrivas sammansättningseffekter. Den genomsnittliga konkurrensförmågan bland de arbetslösa försämrades genom att stora grupper av nyinskrivna arbetslösa hade små jobbchanser initialt. Vi finner att detta i huvudsak kan förklaras av en stor ökning av andelen arbetslösa som var nyanlända. Denna utveckling inleds med Arbetsförmedlingens etableringsuppdrag 2010, vilket påskyndade de nyanländas inträde i arbetskraften och registrering som arbetslösa och kulminerar några år efter migrationskrisen 2015. När ökningen av nyanlända bland de arbetslösa sedan mattas av, samtidigt som de genomsnittliga vistelsetiderna i Sverige ökade i samma grupp, förbättrades den genomsnittliga matchningseffektiviteten i hela populationen arbetslösa 2017–22. Orsaken är sannolikt den väldokumenterade positiva vistelsetidseffekten för nyanländas sysselsättning i kombination med att utrikes födda utgör närmare hälften av de inskrivna arbetslösa vid denna tid.