Labeled unemployed: Wie nachbarschaftliche Arbeitslosigkeit das individuelle Stigmabewusstsein Arbeitsloser beeinflusst
Projektlaufzeit: 01.01.2024 bis 31.12.2028
Kurzbeschreibung
Die Literatur zeigt, dass das Gefühl Arbeitsloser, stigmatisiert zu sein, negative Auswirkungen auf verschiedene Lebensbereiche hat, darunter die psychische Gesundheit und die Wiederbeschäftigungswahrscheinlichkeit. Auch wenn individuelle Determinanten bereits identifiziert sind, gibt es weniger Forschung zum räumlichen und sozialen Kontext, in dem Individuen sich der Stigmatisierung bewusstwerden, d. h. in welchen Kontexten Stigmatisierungsbewusstsein entsteht und sich verstärkt. In diesem Artikel untersuchen wir Merkmale von Nachbarschaften als Mechanismus zur Erklärung des Stigmatisierungsbewusstseins unter Arbeitslosen. Wir stützen uns auf den Labeling-Ansatz und Modelle der sozialen Ansteckung, um Hypothesen über die Auswirkungen informeller sozialer Kontrolle und den Umfang der Beschäftigungsnorm abzuleiten. Wir testen diese Hypothesen, indem wir umfangreiche Umfragedaten (PASS) mit georeferenzierten administrativen 1x1km-Gitterzellendaten zur Arbeitslosigkeit in Nachbarschaften kombinieren. Mehrebenenmodelle zeigen einen Kipppunkt: Die Arbeitslosigkeit in der Nachbarschaft wirkt sich bis zu einer Arbeitslosenquote von etwa 10 % negativ auf das Stigmatisierungsbewusstsein des Einzelnen aus und wirkt sich positiv auf das Stigmatisierungsbewusstsein des Einzelnen aus, wenn die lokale Quote den Schwellenwert von 30 % überschreitet. Arbeitslose in Nachbarschaften mit ausgeprägter Einkommensungleichheit weisen die höchsten Stigmatisierungsgefühle unter höherer Arbeitslosigkeit in der Nachbarschaft auf. Die Studie hebt nicht nur die Bedeutung lokaler sozialer Normen und deren Einfluss auf die allgemeine Wahrnehmung des Einzelnen hervor, sondern beleuchtet auch, wie soziale Normen auf verschiedenen räumlichen Ebenen unterschiedlich wirken.
Ziel
Wissensgewinn über kognitive Arbeitsmarkthemmnisse von Arbeitslosen, die durch soziale Kontexte beeinflusst werden können
Methoden
Regressionen; Multiple Chained Imputation Models
