Inferential Analysis and Predictive Modeling of Wages in Brazil: Empirical Evidence from RAIS Administrative Records (2010–2023)
2010 से 2023 तक के ब्राज़ीलियाई RAIS प्रशासनिक डेटा का उपयोग करते हुए, यह अध्ययन निरंतर संरचनात्मक वेतन असमानताओं को प्रकट करने के लिए अनुमानात्मक सांख्यिकी और भविष्य कहनेवाला मॉडलिंग (predictive modeling) को जोड़ता है, जो यह प्रदर्शित करता है कि लिंग और नस्लीय विषमताएं उच्च वेतन प्रतिशत (percentiles) पर काफी बढ़ जाती हैं और मुख्य रूप से अस्पष्ट अंतरों द्वारा संचालित होती हैं, जबकि एंसेम्बल विधियां (ensemble methods) कमाई की भविष्यवाणी करने में पारंपरिक प्रतिगमन (regression) से बेहतर प्रदर्शन करती हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
यह समझना कि लोग अपनी आजीविका कैसे कमाते हैं, अर्थशास्त्र के सबसे पुराने प्रश्नों में से एक है, लेकिन ब्राजील जैसे विशाल और विविध देश में, इसका उत्तर शायद ही कभी सरल होता है। दशकों से, शोधकर्ता इस बात को सुलझाने की कोशिश कर रहे हैं कि क्यों कुछ श्रमिक दूसरों की तुलना में काफी अधिक कमाते हैं, भले ही उनके पास समान कौशल हो या वे एक ही स्थान पर काम करते हों। यह केंद्रीय पहेली तीन मुख्य शक्तियों से जुड़ी है: शिक्षा का मूल्य, व्यक्ति कहाँ और क्या करता है इसका प्रभाव, और लिंग एवं नस्ल के आधार पर बनी रहने वाली निरंतर कमियाँ। हालांकि यह व्यापक रूप से ज्ञात है कि महिलाएं और अश्वेत श्रमिक अक्सर कम कमाते हैं, लेकिन महत्वपूर्ण प्रश्न यह है कि क्या यह अंतर इसलिए है क्योंकि उनके पास कम शिक्षा है या वे कम वेतन वाली नौकरियों में काम करती हैं, या क्या यह अंतर उन कारकों को ध्यान में रखने के बाद भी बना रहता है। यह अंतर सार्वजनिक नीति के लिए बहुत मायने रखता है, क्योंकि यदि अंतर योग्यताओं में अंतर के कारण है, तो समाधान बेहतर स्कूल हैं; यदि योग्यता को ध्यान में रखने के बाद भी अंतर बना रहता है, तो यह किसी गहरी चीज़ की ओर संकेत करता है, जैसे कि भेदभाव या उन्नति में बाधाएं।
सेंट्रल यूनिवर्सिटी ऑफ साओ पाउलो के शोधकर्ताओं की एक टीम ने ब्राजील के औपचारिक श्रम बाजार के एक विशाल, विस्तृत रिकॉर्ड का उपयोग करके इस प्रश्न को हल किया है। उन्होंने 2010 से 2023 तक के 6,000,000 से अधिक रोजगार संबंधों का विश्लेषण किया, जो एक सरकारी रजिस्ट्री से लिए गए थे जो औपचारिक श्रमिकों के लगभग जनगणना की तरह कार्य करती है। पारंपरिक सांख्यिकीय विधियों को आधुनिक कंप्यूटर एल्गोरिदम के साथ जोड़कर, शोधकर्ताओं ने यह मानचित्रित किया कि वेतन कैसे निर्धारित किया जाता है और क्या खेल के नियम समय के साथ बदले हैं। उनका काम प्रकट करता है कि पिछले दशक में ब्राजील के श्रम बाजार में एक महत्वपूर्ण संरचनात्मक बदलाव आया है, लेकिन यह भी पुष्टि करता है कि गहरी जड़ें जमा चुकी असमानताएं अडिग बनी हुई हैं। अध्ययन से पता चलता है कि जबकि शिक्षा और अनुभव आय के शक्तिशाली चालक हैं, वे पूरी कहानी नहीं बताते हैं। इसके बजाय, डेटा दिखाता है कि व्यवस्था व्यवस्थित रूप से महिलाओं और अश्वेत श्रमिकों को कम आंकती है, एक ऐसा पैटर्न जो वेतन की सीढ़ी में ऊपर जाने पर और भी गंभीर हो जाता है।
शोधकर्ताओं ने पहले कच्चे आंकड़ों की जांच करके यह देखा कि क्या 2020 के दशक का श्रम बाजार 2010 के दशक से अलग था। उन्होंने दोनों अवधियों के बीच एक स्पष्ट अंतर पाया, जो यह सुझाव देता है कि हालिया संकटों, सुधारों और डेटा एकत्र करने के तरीकों में बदलावों ने आर्थिक परिदृश्य को नया रूप दिया है। हालांकि, इन बदलावों के बावजूद, मौलिक असमानताएं समाप्त नहीं हुईं। जब शोधकर्ताओं ने इस बात को नियंत्रित किया कि व्यक्ति कहाँ रहता है, वह किस उद्योग में काम करता है और उसकी आयु कितनी है, तो महिलाओं के लिए एक महत्वपूर्ण वेतन अंतर बना रहा। वास्तव में, डेटा ने दिखाया कि ब्राजील में महिलाएं औससे पुरुषों की तुलना में उच्च स्तर की शिक्षा रखती हैं, फिर भी वे कम कमाती हैं। इस विरोधाभास ने टीम को और गहराई से जांच करने के लिए प्रेरित किया, जिसमें एक ऐसी विधि का उपयोग किया गया जो वेतन अंतर को दो भागों में विभाजित करती है: वह हिस्सा जो दृश्य योग्यताओं (जैसे स्कूली शिक्षा) द्वारा समझाया जा सकता है, और वह हिस्सा जिसे इन कारकों द्वारा नहीं समझाया जा सकता।
इस पृथक्करण के परिणाम चौंकाने वाले थे। शोधकर्ताओं ने गणना की कि यदि महिलाओं की दृश्य विशेषताएं पुरुषों के बिल्कुल समान होतीं, तो उनके वेतन के उच्च होने की भविष्यवाणी की जाती, न कि कम। फिर भी, वास्तव में, पुरुष अधिक कमाते हैं। पूरा अंतर, और उससे भी अधिक, "अस्पष्ट" हिस्से द्वारा संचालित है। यह अस्पष्ट अंतर, जो अंतर के 15 प्रतिशत से अधिक का हिस्सा है, यह सुझाव देता है कि महिलाएं अपने कौशल और अनुभव के बदले कम प्रतिफल प्राप्त कर रही हैं। अध्ययन में यह भी पाया गया कि महिलाओं और अश्वेत श्रमिकों के वेतन की भविष्यवाणी करने वाला मॉडल लगातार कम अनुमान लगाता था, जो आगे संकेत देता है कि व्यवस्था केवल डेटा की कमी से नहीं जूझ रही है, बल्कि यह उनके विरुद्ध संरचनात्मक रूप से पक्षपाती है।
अध्ययन का सबसे खुलासा करने वाला हिस्सा तब आया जब वेतन वितरण को केवल एक औसत के रूप में नहीं, बल्कि सबसे कम कमाने वालों से लेकर सबसे अधिक कमाने वालों तक एक स्पेक्ट्रम के रूप में देखा गया। शोधकर्ताओं ने पाया कि असमानता एक समान नहीं है; यह जैसे-जैसे आप ऊपर की ओर बढ़ते हैं, तीव्र होती जाती है। यह घटना, जिसे अक्सर "ग्लास सीलिंग" कहा जाता है, का अर्थ है कि आय के निचले स्तर पर महिला या अश्वेत श्रमिक होने का दंड बहुत कम है, लेकिन शीर्ष पर यह नाटकीय रूप से बढ़ जाता है। उदाहरण के लिए, सबसे कम कमाने वाले दसवें हिस्से के लोगों के लिए पुरुषों और महिलाओं के बीच वेतन अंतर लगभग 12 प्रतिशत है, लेकिन शीर्ष दसवें हिस्से के लिए यह तीन गुना से अधिक होकर लगभग 47 प्रतिशत हो जाता है। इसी तरह, निचले स्तर पर अश्वेत होने का दंड लगभग 4 प्रतिशत से बढ़कर शीर्ष पर 13 प्रतिशत से अधिक हो जाता है। यह पैटर्न बताता है कि जबकि प्रवेश स्तर की नौकरियां अपेक्षाकृत सुलभ हो सकती हैं, उच्चतम वेतन वाली नेतृत्व और विशिष्ट भूमिकाओं तक पहुँचने की बाधाएं कठिन हैं और महिलाओं तथा अश्वेत श्रमिकों को असमान रूप से प्रभावित करती हैं।
अध्ययन ने यह भी जांचा कि वास्तव में वेतन स्पेक्ट्रम के विभिन्न स्तरों पर कौन कब्जा करता है। डेटा ने एक स्पष्ट जनसांख्यिकीय बदलाव प्रकट किया: जबकि अश्वेत और मिश्रित नस्ल के श्रमिक सबसे कम भुगतान वाले खंड का बहुमत बनाते हैं, जैसे-जैसे वेतन बढ़ता है, उनका प्रतिनिधित्व तेजी से घटता जाता है, जबकि श्वेत श्रमिक शीर्ष पर तेजी से हावी होते जाते हैं। यह इंगित करता है कि "ग्लास सीलिंग" केवल इस बारे में नहीं है कि समान कार्य के लिए लोगों को कितना भुगतान किया जाता है, बल्कि इस बारे में भी है कि उच्च भुगतान वाली नौकरियों तक किसकी पहुंच है। इन दो शक्तियों का संयोजन—उच्च पदों तक असमान पहुंच और जो लोग वहां तक पहुंचते हैं उनके लिए असमान वेतन—एक संचयी प्रभाव पैदा करता है जो असमानता को ऊंचा बनाए रखता है।
अपने निष्कर्षों को पुख्ता करने के लिए, शोधकर्ताओं ने मशीन लर्निंग नामक उन्नत कंप्यूटर मॉडल का उपयोग करके अपने निष्कर्षों का परीक्षण किया, जो बड़े डेटासेट में जटिल पैटर्न खोजने के लिए डिज़ाइन किए गए हैं जिन्हें पारंपरिक सांख्यिकी मिस कर सकती है। इन मॉडलों ने, जिन्होंने बिना किसी विशिष्ट नियम के डेटा से सीखा, पुष्टि की कि शिक्षा और आर्थिक क्षेत्र वेतन के सबसे मजबूत भविष्यवक्ता हैं। हालांकि, मशीन लर्निंग मॉडलों ने यह भी दिखाया कि इन कारकों और भुगतान के बीच संबंध सरल या रैखिक नहीं है; इसमें जटिल अंतःक्रियाएं शामिल हैं जो विभिन्न समूहों के लिए भिन्न होती हैं। हालांकि ये कंप्यूटर मॉडल सटीक वेतन संख्या की भविष्यवाणी करने में पारंपरिक समीकरणों की तुलना में बेहतर थे, शोधकर्ताओं ने इस बात पर जोर दिया कि बुनियादी कारणों को समझने के लिए सरल सांख्यिकीय मॉडल आवश्यक थे।
लेखक निष्कर्ष निकालते हैं कि ब्राजील का श्रम बाजार एक दोहरी वास्तविकता से चिह्नित है। एक ओर, पिछले दशक में प्रगति और संरचनात्मक परिवर्तन हुआ है। दूसरी ओर, असमानता के तंत्र गायब होने के बजाय विकसित हुए हैं। महिलाओं के लिए शिक्षा के लाभों के बावजूद एक बड़े अस्पष्ट वेतन अंतर की निरंतरता संरचनात्मक भेदभाव की ओर इशारा करती है जो नौकरी के शीर्षक या स्थान जैसे सरल मापों द्वारा नहीं पकड़ा जा सकता है। उच्चतम आय स्तरों पर नस्लीय और लैंगिक दंड का गहराना यह सुझाव देता है कि शीर्ष तक का रास्ता व्यक्तिगत योग्यता से परे बाधाओं द्वारा अवरुद्ध है। अध्ययन यह दावा नहीं करता है कि उसने समस्या को हल कर लिया है या हर एक कारण की पहचान कर ली है, लेकिन यह एक स्पष्ट, डेटा-संचालित मानचित्र प्रदान करता है कि असमानताएं कहां स्थित हैं। यह दिखाता है कि वेतन अंतराल को ठीक करने के लिए केवल शिक्षा का विस्तार करना पर्याप्त नहीं होगा; इसके लिए उन विशिष्ट बाधाओं को संबोधित करने की आवश्यकता होगी जो महिलाओं और अश्वेत श्रमिकों को औपचारिक अर्थव्यवस्था के उच्चतम स्तरों तक पहुँचने और फलने-फूलने से रोकती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।