Vous avez raison et cette formulation est surprenante, d’autant qu’elle est validée par la commune concernée. 
La seule explication que je vois est plus médiatique que grammaticale :  le réalisateur a jugé plus « vendeur » de mettre en devant la voyelle, à l’imitation de « en Avignon » ou « en Arles » que s’obstinent à répéter des gens qui ne sont pas du Midi. 
PS Recherches faites, on trouve des attestations assez nombreuses de « en Arbois », surtout dans des publications anciennes ou régionales. De plus une célèbre chanson de J. Brel (À mon dernier repas) emploie cette forme. Eu égard à sa notoriété viticole, il est possible que la commune se soit perçue comme un territoire spécifique plus large, ce qu’on appelait jadis un « pays ».