Inferential Analysis and Predictive Modeling of Wages in Brazil: Empirical Evidence from RAIS Administrative Records (2010–2023)
Deze studie combineert inferentiële statistiek en voorspellende modellering met gebruik van Braziliaanse RAIS-administratieve gegevens van 2010 tot 2023 om hardnekkige structurele loonongelijkheden te onthullen, waarbij wordt aangetoond dat gender- en raciale verschillen aanzienlijk toenemen bij hogere loonpercentielen en grotendeels worden gedreven door onverklaarde verschillen, terwijl ensemble-methoden traditionele regressie overtreffen bij het voorspellen van inkomsten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Begrijpen hoe mensen hun brood verdienen, is een van de oudste vragen in de economie, maar in een land dat zo uitgestrekt en gevarieerd is als Brazilië, is het antwoord zelden eenvoudig. Decennialang hebben onderzoekers geprobeerd te ontrafelen waarom sommige werknemers aanzienlijk meer verdienen dan anderen, zelfs wanneer zij schijnbaar over dezelfde vaardigheden beschikken of op dezelfde plaatsen werken. Het centrale raadsel omvat drie hoofdkrachten: de waarde van onderwijs, de invloed van waar en wat iemand doet voor het levensonderhoud, en de hardnekkige kloven die blijven bestaan op basis van gender en ras. Hoewel het algemeen bekend is dat vrouwen en zwarte werknemers vaak minder verdienen, is de cruciale vraag of deze kloof bestaat omdat zij minder onderwijs hebben genoten of in lager betaalde banen werken, of dat de kloof blijft bestaan wanneer die factoren worden meegewogen. Dit onderscheid is van groot belang voor het openbaar beleid, want als de kloof wordt veroorzaakt door verschillen in kwalificaties, is de oplossing betere scholen; als de kloof blijft bestaan nadat kwalificaties zijn meegewogen, suggereert dit dat er iets diepers aan de hand is, zoals discriminatie of barrières voor vooruitgang.
Een team van onderzoekers van de Universiteit van São Paulo heeft deze vraag aangepakt met behulp van een massaal, gedetailleerd overzicht van de Braziliaanse formele arbeidsmarkt. Zij analyseerden gegevens van meer dan 600.000 arbeidsrelaties verspreid over de periode 2010 tot 2023, afkomstig uit een overheidsregister dat bijna functioneert als een volkstelling van formele werknemers. Door traditionele statistische methoden te combineren met moderne computeralgoritmen, brachten de onderzoekers in kaart hoe lonen worden bepaald en of de regels van het spel in de loop van de tijd zijn veranderd. Hun werk onthult dat de Braziliaanse arbeidsmarkt in het afgelopen decennium een significante structurele verschuiving heeft ondergaan, maar het bevestigt ook dat diepgewortelde ongelijkheden hardnekkig aanwezig blijven. De studie toont aan dat hoewel onderwijs en ervaring krachtige drijfveren van inkomen zijn, zij niet het hele verhaal vertellen. In plaats daarvan laten de gegevens zien dat het systeem vrouwen en zwarte werknemers systematisch onderwaardeert, een patroon dat nog heviger wordt naarmate men hoger op de loonladder kijkt.
De onderzoekers begonnen met het onderzoeken van de ruwe cijfers om te zien of de arbeidsmarkt van de jaren 2020 anders was dan die van de jaren 2010. Zij vonden een duidelijke breuk tussen de twee perioden, wat suggereert dat het economische landschap is hervormd door recente crises, hervormingen en veranderingen in de wijze waarop gegevens worden verzameld. Ondanks deze verschuivingen verdwenen de fundamentele ongelijkheden echter niet. Wanneer de onderzoekers controleerden voor waar iemand woont, in welke sector iemand werkt en hoe oud iemand is, bleef er een significante loonkloof voor vrouwen bestaan. Sterker nog, de gegevens toonden aan dat vrouwen in Brazilië gemiddeld vaak hogere opleidingsniveaus bezitten dan mannen, en toch verdienen zij minder. Dit paradox leidde het team ertoe dieper te graven, gebruikmakend van een methode die de loonkloof opsplitst in twee delen: het deel dat verklaard wordt door observeerbare verschillen, zoals scholing, en het deel dat niet verklaard kan worden door deze factoren.
De resultaten van deze opsplitsing waren opmerkelijk. De onderzoekers berekenden dat als vrouwen exact dezelfde observeerbare kenmerken hadden als mannen, hun lonen feitelijk hoger zouden worden voorspeld, niet lager. Toch verdienen mannen in de werkelijkheid nog steeds meer. De gehele kloof, en dan nog meer, wordt gedreven door het "onverklaarde" deel. Dit onverklaarde verschil, dat meer dan 15 procent van de kloof beslaat, suggereert dat vrouwen een lagere beloning ontvangen voor hun vaardigheden en ervaring in vergelijking met mannen. De studie vond ook dat het model dat lonen voorspelt, de betaling van vrouwen en zwarte werknemers consequent onderschatte, wat er verder op wijst dat het systeem niet alleen gegevens mist, maar ook structureel bevooroordeeld is tegen hen.
Misschien wel het meest onthullende deel van de studie kwam voort uit het bekijken van de loonverdeling niet als een enkel gemiddelde, maar als een spectrum van de laagste verdieners tot de hoogste. De onderzoekers ontdekten dat ongelijkheid niet uniform is; het intensiveert naarmate men hoger op de ladder klimt. Dit fenomeen, vaak het "glazen plafond" genoemd, betekent dat de straffen voor het zijn van een vrouw of een zwarte werknemer veel kleiner zijn aan de onderkant van de inkomensschaal, maar dramatisch toenemen aan de bovenkant. Bijvoorbeeld, de loonkloof tussen mannen en vrouwen is ongeveer 12 procent voor de onderste tiende van de verdieners, maar verdrievoudigt meer dan naar bijna 47 procent voor de bovenste tiende. Op dezelfde manier groeit de straf voor het zijn van zwart van ongeveer 4 procent aan de onderkant naar meer dan 13 procent aan de bovenkant. Dit patroon suggereert dat hoewel banen op instapniveau relatief toegankelijk kunnen zijn, de barrières om de hoogstbetaalde leiderschaps- en gespecialiseerde rollen te bereiken aanzienlijk zijn en vrouwen en zwarte werknemers onevenredig hard treffen.
De studie onderzocht ook wie daadwerkelijk deze verschillende niveaus van het loonspectrum bezet. De gegevens onthulden een scherpe demografische verschuiving: terwijl zwarte en gemengde werknemers de meerderheid vormen van het laagstbetaalde segment, krimpt hun vertegenwoordiging drastisch naarmate de lonen stijgen, terwijl witte werknemers steeds dominanter worden aan de top. Dit geeft aan dat het "glazen plafond" niet alleen gaat over hoeveel mensen voor hetzelfde werk betaald krijgen, maar ook over wie toegang krijgt tot de hoogbetaalde banen in de eerste plaats. De combinatie van deze twee krachten — ongelijke toegang tot topfuncties en ongelijke betaling voor hen die de top wel bereiken — creëert een cumulatief effect dat de ongelijkheid hoog houdt.
Om hun bevindingen robuust te maken, testten de onderzoekers hun conclusies met behulp van geavanceerde computermodellen die bekend staan als machine learning, die ontworpen zijn om complexe patronen in grote datasets te vinden die traditionele statistiek mogelijk mist. Deze modellen, die leerden van de gegevens zonder specifieke regels te krijgen, bevestigden dat onderwijs en de economische sector de sterkste voorspellers van lonen zijn. De machine learning-modellen toonden echter ook aan dat de relatie tussen deze factoren en betaling niet simpel of lineair is; het omvat complexe interacties die variëren per groep. Hoewel deze computermodellen beter in staat waren om exacte loonnummers te voorspellen dan de traditionele vergelijkingen, benadrukten de onderzoekers dat de simpelere statistische modellen essentieel waren voor het begrijpen van de onderliggende oorzaken van de ongelijkheid.
De auteurs concluderen dat de Braziliaanse arbeidsmarkt wordt gekenmerkt door een dubbele realiteit. Aan de ene kant is er progressie en structurele verandering geweest in het afgelopen decennium. Aan de andere kant zijn de mechanismen van ongelijkheid geëvolueerd in plaats van verdwenen. Het voortbestaan van een grote onverklaarde loonkloof voor vrouwen, ondanks hun educatieve voordelen, wijst op structurele discriminatie die niet wordt gevangen door eenvoudige maten van functietitel of locatie. De verdieping van de raciale en gendergerelateerde straffen op de hoogste inkomensniveaus suggereert dat de weg naar de top wordt geblokkeerd door barrières die verder gaan dan individuele verdienste. De studie beweert het probleem niet te hebben opgelost of elke enkele oorzaak te hebben geïdentificeerd, maar het biedt een duidelijke, op gegevens gebaseerde kaart van waar de ongelijkheden liggen. Het laat zien dat het oplossen van loonkloven meer vereist dan alleen het uitbreiden van onderwijs; het zal vereisen dat de specifieke barrières worden aangepakt die vrouwen en zwarte werknemers verhinderen om toegang te krijgen tot en te floreren in de hoogste lagen van de formele economie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.