浅谈性别歧视与女性求职

Minsheng zhoukan - - 目录 CONTENTS - 浙江财经大学助理教授张晓奇 郑燕巧

近年,女性员工在求职阶段及整个职业生涯面临的性别歧视引来越来越多关注。有研究表明,剔除教育、地域、行业等因素后,男性员工的平均实际工资水平显著高于女性员工,超过60%的实际工资差异源自性别歧视,而且,职场性别歧视也带来一些社会问题。

尽管性别歧视对女性工资待遇的负面影响已得到广泛关注与研究,但这一影响的实现机制仍不明朗。特别是在新劳动法明令禁止用人单位性别歧视的情况下,为何性别歧视还能影响两性员工的实际工资?

本文利用民生大数据中心提供的各招聘网站抽样简历数据,提取各地区、各行业不同性别、不同教育背景、不同工作经历的求职者的预期工资信息,分析性别歧视对女性工资待遇的影响机制,揭示女性在职场相对弱势的成因。

结果表明,女性的相对低工资很大程度源自女性将外在性别歧视内化为对自我性别身份的歧视,自我歧视会带来求职阶段的不自信,因而主动索取更低待遇水平。为缓解性别歧视对女性待遇水平的不利影响,女性应客观评估自己的能力与薪金需求,相关部门、雇主应尽可能营造公平的职场环境,减轻导致女性求职者内化性别歧视的外部压力。

期望工资与求职者特质的性别差异

预期工资反映了求职者对自身人力资本的 主观估价,如果女性存在针对自身性别身份的自我歧视,其预期工资水平在其他条件不变的情况下应低于男性。而这一差值反映了女性求职者的自我歧视程度。

求职网站要求求职者在注册时填写简历,包含性别、年龄、教育经历、工作经历、户籍所在地、现居住地、期望工作地等信息,特别是“期望工”一项,要求求职者自行选档。

通过对民生大数据中心提供的简历数据进行1%抽样(简称1%样本),得到有效简历8644份,其中女性4481人,男性4163人。就预期工资而言,男性和女性的期望工资大比例分布在4000~25000元/月,占比超过70%。

结果发现,在较低预期工资水平上女性占比显著高于男性,随着预期工资水平的上涨,女性占比持续下降。特别是以8000元/月为界,求职者提出的期望工资中,超过8000元的男性求职者占比首次超过女性,且在更高期望工资水平上保持领先并不断拉大占比优势。

针对男女求职者的其他个人特征的分析表明,由受教育年限所代表的教育水平女性高出男性0.13年,这一差距在统计上十分显著。考虑教育质量后,两性在985高校毕业生比例上无显著差异,而女性曾就读211非985高校的比例甚至超过男性2%。

此外,在最高学历上两性差异不大。这意味着,女性相对于男性提出更低期望工资,基本上不是由教育水平低导致,相反,女性在受教育年限和就读名校的比例等方面甚至高于

1%样本内的男性求职者。

年龄方面,女性显著比男性年轻两岁,这反映女性更多地承担照顾家庭责任,以及女性退休年龄早于男性,因此会更早退出劳动力市场。在工作经验上,可以发现女性参加工作年数比男性显著低两年,同时女性工作段数(即求职者在简历中填写的不同工作经历的数量)也比男性显著少0.39段。

由于工作段数更少,女性求职者工作过的单位也更少,特别是在国企工作过的女性比男性少10%。因而可以推断,女性在工作经验方面的劣势会在性别期望工资差异上扮演重要角色。

在婚姻状况上,已婚女性比例仅24%,显著低于男性的34%。自我评价方面,可以发现,求职者在自我评价中所用的描述性词汇可被归为“自尊”和“自我效能”两大类。自尊定义为对于自我价值的判断,如“我很诚实”;自我效能定义为对自我能力的评价,如“当我定计划时,我确定我能完成它们”。

将两个分类的高频关键词依性别分解则可发现,女性的自尊和自我效能两类词汇使用频次都显著高于男性,但女性在填写自我评价所用的字数显著少于男性。这可能意味着,女性倾向于将关键词汇写入自我评价,而男性倾向于具体详细地描述内容。

这可能由于在没有利益相关的问卷调查中,人们更愿意“暴露”自己,而在求职简历中透露的信息对于求职者是否能够获得心仪工作有重要影响,求职者更可能因此“修饰”自己。女性高频使用更多正面词汇评价自己,反而体现了在求职阶段的“不自信”。

性别在索要工资时扮演重要角色

本文利用期望工资对求职者性别进行回归分析,并逐步加入教育、婚姻、工作经历、自我评价等影响因素,在此基础上可有效控制由非歧视因素引致的期望工资差异,同时回归结果可用于精确量化性别歧视对男女求职者期望工资差的影响力。

结果表明,如果仅考虑求职者的性别差异与受教育年限、受教育质量的差异,则在同等教育水平上,女性的平均期望工资水平比男性低35.3%。

在此基础上,如果额外考虑同等工作经验(即同样工作年限与跳槽次数)、同样婚姻状态(已婚/未婚)与工作状态(应届生/在职/已离职)以及同行业等情形,则性别差异对期望工资差异的影响力度会逐渐下降,分别降至27.4%、25.3%、20.7%。

尽管户籍—工作地的一致性与两地房价比可显著提升各影响因素对期望工资的整体解释力,但在同等户籍—工作地状态与同等房价比条件下,两性平均期望工资差异仍然十分显著,且存在20%的期望工资差异仍只能归咎于性别差异或性别歧视。

性别身份在求职者索要工资待遇时扮演极其重要的角色。女性求职者即便在拥有较高学历、较好前期经验积累甚至本地户籍和房产的情形下,索要工资待遇时相比同等的男性竞争者,仍表现出极大的“不自信”,从而自降身价、放弃议价筹码。

无意识自我歧视拉低女性期望工资

利用民生大数据中心的数据中包含的自我评价信息,可分解和度量女性将外部世界的性别歧视观念内化为自我歧视的程度。

自我评价中的描述可相对真实地反映求职者有意识的自信程度或自我歧视程度。有意识的自我歧视对两性期望工资差异有贡献,但加入这部分信息仅将期望工资的性别差异降低了两个百分点,至18%。

有意识的自我歧视并不能充分解释为何女性会提出更低工资待遇,这可以理解为女性的自我歧视很大程度上已被内化至下意识层面,表现为尽管女性更倾向于在简历上把自我写得很优秀,但被问及期望获得的工资待遇时,仍不自觉地降低工资要求,以期借此获得和同等男性竞争者相同的职场机会。也正是这种下意识的自我歧视和下意识地降低工资期望的行

为,导致女性较低的议价能力和不利竞争地位。

关于自我评价信息的更细致的分析表明,自尊词汇的高频使用显著降低了工资期望,自尊词汇的使用每增加1次,期望工资减少6.4%。而更高的自我效能词汇使用频次则会显著提升工资期望,自我效能每增加1分,期望工资增加2.8%。

自我评价的描述字数对期望工资也有显著正向影响,描述字数每增加50字,期望工资会增加4.2%。而女性自我评价的总体趋势恰是更少描述字数、更高频次自尊词汇,这很大程度上说明女性的低预期工资。

而女性这种自我评价的描述模式,很大程度上体现了她们下意识的自我歧视,相关研究表明较少地直接使用评价性词汇伴随以更多的描述字数会传递丰富的细节信息,而敢于曝露细节意味着写作者的高度自信。

相反,过度正向自尊描述和较少描述字数则传递出一个负面信号,即描述内容相对空泛浮夸,而这种浮夸内容的一个主要成因是写作者的自卑心理。综上可知,女性的低期望工资不仅源自职场性别歧视的大环境和女性自我认知的相对弱势地位,更主要是由女性被内化到下意识层面的自我歧视所致。而这部分歧视往往被研究者与社会公众忽视,但它对预期工资的影响力及显著程度超乎想象。

性别歧视对预期工资差异的贡献度

分析结果仅考虑了性别差异对期望工资的直接影响,但实际上性别差异还会影响求职者的教育经历、工作经验、所在行业、所掌握技能等,从而间接影响求职者的期望工资水平。

为了考察性别歧视性因素对期望工资的总体贡献度,本文利用劳动经济学者常用的工资要素贡献度分解方法,对两性的预期工资差按禀赋因素(即非歧视性因素)与歧视性因素进行分解。结果表明,在平均意义上,期望工资的性别差异中,仅有39.83%是由求职者的个体禀赋差异贡献的,而剩下60.17%为不可解释 部分,即歧视性因素所致。

在中国,禀赋差异之外的歧视性因素对实际工资性别差异的贡献超过60%,这一数字与本文得到的60.17%的期望工资性别差异的歧视性贡献率相当接近。这说明,工资性别歧视很大程度上内化到了求职者的期望中,这一趋势不容忽视。

将期望工资的性别歧视性部分差异按照工作经验、收入水平、产业等因素进行异质性分析则可看到,工作时间较长的女性,相对于较短的女性,更倾向在禀赋差异以外提出更低期望工资。收入水平较低的女性相对于较高的女性,更倾向提出更低期望工资。第二产业工作的女性,相对于第三产业的女性,更倾向提出更低期望工资。尽管在不同分类标准下,女性的歧视性因素对预期工资的贡献度不同,但该贡献度均超过50%。

此外,将期望工资的性别歧视根据城市等级进行异质性分析的结果表明,歧视性因素所占比重在一线、二线、三四线及以下城市没有太大差别,都占到60%左右。

分析结果显示,东南地区的女性在个体特征禀赋差异之外,歧视性地自我预期更低工资的程度较其他地区低。这说明,历史榜样的熏陶作用深刻影响两性自我认知。如果当地优秀女性榜样多,女性在成长过程中对自我的认同度和自信度会高,其进入职场会体现出对自我的期望也会高。

1%样本数据显示,性别歧视对男女预期工资差异的贡献度显著大于求职者个体禀赋差异的贡献程度,且接近国内其他学者发现的歧视性因素对实际工资差异的贡献度,因而佐证了以下观点:性别歧视是通过影响女性求职者的议价意愿与议价能力而导致男女实际工资差异与女性职场弱势地位的。另一方面,性别歧视的贡献度会受到女性求职者进入职场年限、经验等因素的的影响,同时也会因不同地区历史文化环境不同而不同。

Newspapers in Chinese (Simplified)

Newspapers from China

© PressReader. All rights reserved.