Inferential Analysis and Predictive Modeling of Wages in Brazil: Empirical Evidence from RAIS Administrative Records (2010–2023)
本研究は、2010年から2023年までのブラジルのRAIS行政データを用い、推計統計学と予測モデリングを組み合わせることで、持続的な構造的賃金格差を明らかにし、性別および人種による格差が高所得パーセンタイルにおいて著しく拡大していること、そしてそれらが主に説明不可能な差異によって引き起こされていること、さらにアンサンブル学習手法が所得予測において従来の回帰分析よりも優れた性能を示すことを実証する。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
人々がどのように生計を立てているかを理解することは、経済学における最も古い問いの一つであるが、ブラジルのような広大で多様な国においては、その答えが単純であることはめったにない。数十年にわたり、研究者たちは、なぜ同じスキルを持っているように見えたり、同じ場所で働いていたりしても、一部の労働者が他の労働者よりも大幅に多く稼ぐのかという謎を解明しようとしてきた。この中心的なパズルには、教育の価値、職種や勤務地の影響、そして性別や人種に基づく根強い格差という3つの主要な力が関わっている。女性や黒人の労働者がより低賃金であることは広く知られているが、重要な問いは、この格差が彼らの教育水準が低いことや、より低賃金の仕事に従事していることによるものなのか、それともそれらの要因を考慮してもなお格差が存在するのかという点である。この区別は公共政策にとって極めて重要である。なぜなら、もし格差が資格の違いによって生じているのであれば、解決策はより良い学校教育となるが、もし資格を考慮した後でも格沢が残るならば、それは差別や昇進への障壁といった、より深い何かが作用していることを示唆するからである。
サンパウロ大学の研究チームは、ブラジルのフォーマルな労働市場に関する極めて詳細かつ膨大な記録を用いて、この問題に取り組んだ。彼らは、政府の登録簿（事実上、フォーマルな労働者のセンサスとして機能するもの）から抽出された、2010年から2023年にわたる60万人以上の雇用関係のデータを分析した。研究者たちは、伝統的な統計手法と現代的なコンピュータ・アルゴリズムを組み合わせることで、賃金がどのように決定されるのか、そしてゲームのルールが時間の経過とともに変化したのかどうかをマッピングした。彼らの研究は、ブラジルの労働市場が過去10年間で大きな構造的変化を遂げたことを明らかにすると同時に、根深い不平等が依然として頑固に固定されていることも裏付けている。この研究は、教育と経験が所得の強力な推進力である一方で、それだけでは物語の全容を語れないことを示している。むしろ、データはシステムが女性や黒人の労働者を組織的に過小評価していることを示しており、このパターンは賃金階層が高くなるほど深刻になる。
研究者たちはまず、生の数値を確認することで、2020年代の労働市場が2010年代と異なっているかどうかを検証した。彼らは両期間の間に明確な断絶を発見し、近年の危機や改革、およびデータの収集方法の変化によって経済情勢が再編されたことを示唆している。しかし、こうした変化にもかかわらず、根本的な不平等は消失しなかった。居住地、従事する産業、年齢を制御した場合でも、女性に対して有意な賃金格差が残った。実際、データによれば、ブラジルの女性は平均して男性よりも高い教育水準を備えていることが多いにもかかわらず、依然として低賃金である。このパラドックスにより、チームはさらに深く掘り下げることとなった。彼らは、賃金格差を「観察可能な違い（教育など）」による部分と、「これらの要因では説明できない」部分の二つに分離する手法を用いた。
この分離の結果は衝撃的であった。研究者たちは、もし女性が男性と全く同じ観察可能な特性を持っていたならば、彼女たちの賃金は実際には（男性よりも）高くなると予測されることを算出した。しかし、現実には依然として男性の方が多く稼いでいる。格差の全体、さらにはそれ以上の部分は、「説明できない」部分によって引き起こされている。この説明できない差異は格差の15パーセント以上を占めており、これは女性がスキルや経験に対して男性よりも低いリターンを受け取っていることを示唆している。また、賃金を予測するために用いられたモデルは、女性や黒人の労働者の給与を一貫して過小評価しており、これはシステムが単にデータを欠いているのではなく、彼らに対して構造的な偏りを持っていることをさらに示している。
研究の中で最も示唆に富む部分は、賃金分布を単一の平均としてではなく、最低所得層から最高所得層までのスペクトラムとして捉えたことである。研究者たちは、不平等は一様ではないことを発見した。すなわち、格差は上昇するにつれて激化するのである。この現象はしばしば「ガラスの天井」と呼ばれ、女性であることや黒人であることがもたらすペナルティは、所得スケールの底辺では比較的小さいが、頂点に向かうにつれて劇的に増大することを意味する。例えば、最低所得層の10分の1に属する人々における男女間の賃金格差は約12パーロットであるが、上位10パーセントでは3倍以上の約47パーセントに達する。同様に、黒人であることによるペナルティは、底辺での約4パーセントから、頂点では13パーセント以上にまで拡大する。このパターンは、エントリーレベルの仕事はある程度アクセス可能かもしれないが、最高賃金のリーダーシップ職や専門職に到達するための障壁は非常に高く、女性や黒人の労働者に不釣り合いに大きな影響を与えていることを示唆している。
また、本研究は、賃金スペクトルの異なるレベルを実際に占めているのは誰であるかについても調査した。データは、鮮明な人口統計学的変化を明らかにしている。黒人および混血の労働者は最も低賃金のセグメントの大部分を占めているが、賃金が上がるにつれてその割合は激減し、代わりに白人労働者が上位で圧倒的に優勢となる。これは、「ガラスの天井」が単に同じ仕事に対する支払額の問題だけでなく、誰が高賃金の仕事にアクセスできるかという問題でもあることを示している。これら二つの力、すなわち「高賃金職へのアクセスの不平等」と「そこに到達した人々に対する不平等な支払い」の組み合わせが、相乗効果を生み出し、不平等を高い水準に留めているのである。
研究結果の堅牢性を確保するため、研究者たちは、伝統的な統計学が見逃す可能性のある大規模なデータセット内の複雑なパターンを見つけ出すよう設計された、機械学習と呼ばれる高度なコンピュータ・モデルを用いて結論をテストした。データからルールを教え込まれることなく学習するこれらのモデルは、教育と経済部門が賃金の最も強力な予測因子であることを確認した。しかし、機械学習モデルは、これらの要因と給与との関係が単純な線形ではなく、グループごとに異なる複雑な相互作用を含んでいることも示した。これらのコンピュータ・モデルは正確な賃金額の予測においては従来の数式よりも優れていたが、研究者たちは、不平等の根本的な原因を理解するためには、より単純な統計モデルが不可欠であると強調した。
著者らは、ブラジルの労働市場は二重の現実を特徴としていると結論づけている。一方で、過去10年間で進展と構造的変化があった。他方で、不平等のメカニズムは消失したのではなく、進化してきたのである。女性の教育的優位性にもかかわらず、依然として大きな「説明できない」賃金格差が存在することは、職種や場所といった単純な指標では捉えきれない構造的な差別が存在することを示している。最高所得層における人種およびジェンダーによるペナルティの深化は、トップへの道が個人の能力を超えた障壁によって阻まれていることを示唆している。本研究は、問題を解決したり、そのすべての原因を特定したりすることを主張するものではないが、どこに不平等が存在するかを示す明確なデータ駆動型の地図を提供している。賃金格差を是正するには、単に教育を拡大するだけでは不十分であり、女性や黒人の労働者がフォーマル経済の最高層にアクセスし、そこで成功することを妨げている具体的な障壁に対処する必要があることを、この研究は示している。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。