Inferential Analysis and Predictive Modeling of Wages in Brazil: Empirical Evidence from RAIS Administrative Records (2010–2023)
本研究利用 2010 年至 2023 年间的巴西 RAIS 行政数据，结合推断统计与预测建模，揭示了持续存在的结构性工资不平等现象，证明了性别与种族差异在高薪百分位处显著扩大，且主要由无法解释的差异所驱动，同时显示集成学习方法在预测收入方面优于传统的回归分析。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
了解人们如何谋生是经济学中最古老的问题之一，但在巴西这样一个广袤而多元的国家，答案很少是简单的。几十年来，研究人员一直试图理清为什么有些工人的收入明显高于其他人，即使他们在技能或工作地点上看似并无二致。这个核心谜题涉及三种主要力量：教育的价值、职业背景与行业的影响，以及基于性别和种族的持续差距。虽然众所周知女性和黑人劳动力往往收入较低，但关键问题在于，这种差距是因为她们受教育程度较低或从事低薪工作，还是在考虑了这些因素后依然存在。这种区别对于公共政策至关重要，因为如果差距是由资历差异引起的，解决方案应该是更好的学校；如果差距在考虑了资历之后依然存在，则表明背后有更深层的原因，例如歧视或晋升障碍。
圣保罗大学的一个研究团队利用一份关于巴西正式劳动力市场的庞大且详尽的记录解决了这一问题。他们分析了从2010年到2023年间超过60万份雇佣关系的统计数据，这些数据源自一个功能类似于正式劳动者普查的政府登记系统。通过将传统统计方法与现代计算机算法相结合，研究人员绘制出了工资是如何决定的，以及游戏的规则是否随时间发生了变化。他们的研究表明，巴西劳动力市场在过去十年中经历了显著的结构性转变，但也证实了根深蒂固的不平等依然顽固存在。研究发现，虽然教育和经验是收入的强大驱动力，但它们并不能说明全部情况。相反，数据表明该系统系统性地低估了女性和黑人劳动力，这种模式在工资阶梯越高的地方变得愈发严重。
研究人员首先通过检查原始数据来观察2020年代的劳动力市场是否与2010年代有所不同。他们发现了两个时期之间明显的断层，这表明经济格局已被近期的危机、改革以及数据收集方式的变化所重塑。然而，尽管发生了这些变化，根本性的不平等并未消失。当研究人员控制了居住地、所属行业和年龄等变量后，女性的工资差距依然显著。事实上，数据表明巴西女性平均而言拥有比男性更高的教育水平，但她们的收入却仍然较低。这一悖论促使团队进行更深入的研究，使用一种将工资差距拆分为两部分的模型：一部分由可观测到的差异（如学历）解释，另一部分则无法由这些因素解释。
这种拆分的结果令人震惊。研究人员计算出，如果女性拥有与男性完全相同的可观测特征，她们的预测工资实际上会更高，而非更低。然而在现实中，男性的收入仍然更高。整个差距，甚至超出部分，都是由“无法解释”的部分驱动的。这种无法解释的差异占到了差距的15%以上，表明女性在技能和经验的回报率上低于男性。研究还发现，用于预测工资的模型一致性地低估了女性和黑人劳动者的薪酬，这进一步表明该系统不仅是缺失数据，而且在结构上对他们存在偏见。
这项研究最具有启发性的部分来自于不再将工资分布视为单一的平均值，而是将其视为一个从低收入者到高收入者的光谱。研究人员发现，不平等并非均匀分布；它随着向高层移动而加剧。这种现象通常被称为“玻璃天花板”，意味着在收入规模底端，女性或黑人面临的惩罚较小，但到了顶端，这种惩罚会急剧增加。例如，在收入最低的十分之一人群中，男女之间的工资差距约为12%，但对于收入最高的十分之一人群，这一差距则增加了三倍多，达到近47%。同样，黑人在底层的惩 easily 受到约4%的惩罚，而在顶端则超过了13%。这种模式表明，虽然入门级职位可能相对容易获得，但到达最高薪资的领导层和专业岗位的障碍是巨大的，并且不成比例地影响着女性和黑人。
研究还考察了究竟是谁占据了这些不同的工资层级。数据揭示了一个显著的人口统计学转变：虽然黑人和混血劳动力在低薪阶层中占多数，但随着工资上升，他们的代表性急剧萎缩，而白人则在顶端变得日益占据主导地位。这表明“玻璃天花板”不仅关乎人们从事相同工作时的薪酬多少，还关乎谁能获得那些高薪职位。这两股力量的结合——即对顶尖职位的获取机会不平等，以及对于那些最终到达顶端的人而言的薪酬不平等——产生了一种复合效应，使得不平等维持在高位。
为了确保研究结果的稳健性，研究人员使用了被称为机器学习的高级计算机模型进行测试，这些模型旨在发现大型数据集中传统统计学可能遗漏的复杂模式。这些模型在没有特定规则指导的情况下从数据中学习，证实了教育和经济部门是工资的最强预测因子。然而，机器学习模型也显示，这些因素与薪酬之间的关系并非简单或线性的，而是涉及复杂的交互作用，且因群体而异。虽然这些计算机模型在预测精确工资数值方面比传统方程更准确，但研究人员强调，简单的统计模型对于理解不平等的底层原因至关重要。
作者总结道，巴西劳动力市场呈现出一种双重现实。一方面，在过去十年中已经取得了进展和结构性变化。另一方面，不平等的机制是演变而非消失。尽管女性拥有教育优势，但由于存在大规模且无法解释的工资差距，这指向了无法通过简单的职位名称或地理位置来捕捉的结构性歧视。性别和种族惩罚在最高收入水平的加深，表明通往顶端的路径被超越个人能力的障碍所阻挡。这项研究并不声称已经解决了问题或识别了每一个成因，但它提供了一张清晰的、基于数据的地图，标明了不平等所在之处。它表明，消除工资差距不仅需要扩大教育，还需要解决阻碍女性和黑人进入并繁荣于正式经济最高层级的具体障碍。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。