Цифровизация и гендерный разрыв в оплате труда

Для выявления цифрового контента профессий были выбраны две имеющиеся в O*NET переменные:

*«Компьютеры и электроника» (Computer and electronics) из раздела «Знания» (Knowledge), который характеризует общие знания о компьютерах и электронике, такие как знание электронного и компьютерного оборудования, программного обеспечения, программирование;

* «Взаимодействие с компьютерами» (Interacting with computers) из раздела «Трудовая деятельность» (Work activity), который отражает степень использования компьютеров и компьютерных систем для программирования, настройки функций, ввода данных или обработки информации.

Каждый из показателей имеет две характеристики: уровень (LV) и важность (IM). Уровень измеряется по шкале от 0 до 7 (7 -- max) и характеризует степень проявления показателя среди представителей каждой конкретной профессии. Важность принимает значение от 1 до 5 (5 -- max) и показывает важность показателя для конкретной профессии. Для приведения всех шкал к сопоставимому виду рейтинги уровня и важности были сначала стандартизированы по следующей формуле таким образом, чтобы значения рейтингов варьировались от 0 до 100 баллов:

(1)

где SX -- стандартизированная оценка, minX -- наименьшая возможная оценка по шкале рейтинга (1 -- для важности, 0 -- для уровня), maxX -- наибольшая возможная оценка (5 -- для важности, 7 -- для уровня), Х -- рейтинговая оценка по исходной шкале. В работах, использующих O*NET для изучения изменений в профессиональной структуре, авторы обычно ограничиваются оценками важности. Для изучения вклада цифровизации в гендерный разрыв в оплате труда выбор в пользу оценок важности не столь очевиден, поэтому в основной части работы, следуя подходу, автор использовал более сбалансированный показатель, учитывающий как уровень, так и важность цифровых знаний и навыков. Будем называть его базовым индексом цифровизации профессий, или просто индексом цифровизации, и рассчитывать по следующей формуле:

(2)

где KnowledgeLV и KnowledgeIM -- стандартизированные значения соответственно уровня и важности по переменной «Компьютеры и электроника» из раздела «Знания», UseLV и UseIM -- аналогично по переменной «Взаимодействие с компьютерами» из раздела «Трудовая деятельность».

При проверке робастности результатов рассмотрены дополнительные показатели, учитывающие отдельные аспекты цифровизации:

1) индекс важности (ИЦ_IM), который рассчитывается как среднее между KnowledgeIM и UseIM;

2) индекс уровня (ИЦІУ), который рассчитывается как среднее между KnowledgeLV и UseLV;

3) индекс знаний (ИЦ_KNOW), который рассчитывается как среднее между KnowledgeLV и KnowledgeIM;

4) индекс использования (ИЦ_USE), который рассчитывается как среднее между UseLV и UseIM.

3. Развитие цифровых навыков

Цифровизация оказывает самостоятельное позитивное воздействие на заработные платы помимо опосредованного влияния через образование или выбор профессии, что показывают оценки уравнения заработной платы минцеровского типа. Зависимой переменной в уравнении является логарифм часовой заработной платы. В качестве независимых включены стандартные переменные: образование (ниже среднего общего, среднее общее, среднее профессиональное, высшее), специальный стаж и его квадрат, возраст (16-24, 25-44, 25-60 лет), тип населенного пункта, регион (на уровне субъектов РФ), размер организаций (пять категорий, включая отдельную категорию для пропущенных значений), фиктивные переменные для занятости в организациях с участием государства и года обследования.

Таблица 1

Декомпозиция изменений в уровне цифровизации

Источник: данные O*NET и РМЭЗ НИУ ВШЭ. https://www.onetcenter.org; http://www. hse.ru/rlms.

В дополнение к стандартным переменным в уравнение включены переменные, касающиеся цифровизации: использование компьютера в течение последних двенадцати месяцев и индекс цифровизации, рассчитанный на основе O*NET. Имеющаяся в РМЭЗ НИУ ВШЭ переменная использования компьютера дает лишь очень грубое представление о цифровых навыках индивида, в формулировке вопроса нет указаний ни на частоту использования, ни на то, используется ли компьютер на работе.

К тому же вопрос касается именно компьютеров, в то время как в последние годы цифровая активность всё больше смещается в сторону мобильных устройств. Коэффициент при этой переменной, скорее всего, завышен по причине эндогенности. Индекс цифровизации профессий лучше характеризует различия между профессиями в требованиях к владению ИКТ. Однако следует понимать, что этот показатель не отражает индивидуальные цифровые навыки, а представляет собой их усредненную оценку в рамках той или иной профессии Дескриптивные статистики и полные результаты регрессионных расчетов доступны по тре-бованию..

Таблица 2

Отдача от цифровых навыков

Примечания: 1. Представлены коэффициенты при соответствующих переменных в уравнении заработной платы. 2. Стандартные ошибки кластеризованы по переменным: год х 4-digit ISCO и идентификатор индивида. 3. *** -- оценка коэффициента значима на 1-процентном уровне, ** -- оценка коэффициента значима на 5-процентном уровне, * -- оценка коэффициента значима на 10-процентном уровне.

Источник: данные O*NET и РМЭЗ НИУ ВШЭ. https://www.onetcenter.org; http://www. hse.ru/rlms.

В табл. 2 приводятся оценки коэффициента при индексе цифровизации. Уравнение оценивается по выборке для всех лет и для начала и конца рассматриваемого периода. С учетом сравнительно небольшой вариации индекса в течение одного года Для каждого года имеется около 300-340 уникальных профессий; в выборках, построенных отдельно для мужчин и женщин, -- 200-250 уникальных профессий. при оценивании уравнений для начала и конца периода объединены данные за три последовательных раунда (2003-2004-2005 и 2016-20172018 годы). В соответствии с рекомендациями [Cameron, Miller, 2015] во всех уравнениях, включая приведенные ниже декомпозиции, стандартные ошибки кластеризованы по двум переменным. Во-первых, ошибки кластеризованы на том уровне, на котором варьируется основная из интересующих нас переменная ИЦбаз, то есть на уровне пересечения года обследования с четырехзначным кодом ISCO. Во-вторых, используемые данные являются выборкой из панельного обследования, и для учета этой особенности данных в качестве второй переменной для кластеризации взят идентификатор индивида в РМЭЗ НИУ ВШЭ.

Это очень консервативныи подход, но он позволяет учесть характер данных и гарантировать от необоснованного занижения стандартных ошибок. Использование компьютера ассоциируется с более высоким уровнем заработной платы. Эта зависимость постепенно ослабевает со временем, по мере распространения элементарных цифровых навыков. Поскольку есть серьезные причины подозревать эндогенность этой переменной (из-за пропущенных переменных и обратной причинности), можно считать, что коэффициент при ней отражает корреляцию, а не причинно-следственную связь. В отношении индекса цифровизации и у женщин, и мужчин наблюдается схожая зависимость: заработная плата растет по мере увеличения индекса цифровизации. При этом коэффициент несколько ниже в начале периода, но увеличивается в дальнейшем.

Особо важную роль играет включение в модель отраслевых переменных (двенадцать категорий). В исследовании, проведенном компанией «МакКинзи», было показано, что цифровое отставание России от развитых стран сильно различается по отраслям. Некоторые отрасли (ИКТ, образование, финансы) по уровню цифровизации приближаются к мировым стандартам, в других (добывающая промышленность, транспорт, обрабатывающие производства) отставание остается очень существенным16. Возможно, величина коэффициента при индексе цифровизации частично отражает эффект неравномерного распределения профессий с разным уровнем цифровизации по отраслям. Из табл. 2 видно, что добавление контроля по отраслям не оказало значимого влияния на величину коэффициентов. Это важно, поскольку устойчивость коэффициента при добавлении характеристик рабочих мест является дополнительным аргументом в пользу адекватности переноса американского показателя на российские данные.

Значимые коэффициенты при переменных цифровизации сохраняются и в том случае, если вместо переменной использования компьютера в последние двенадцать месяцев включить в спецификацию более конкретную переменную использования компьютера для работы или учебы в последние двенадцать месяцев. Последняя доступна в данных РМЭЗ НИУ ВШЭ за 2006-2016 годы. В этой спецификации у женщин, но не у мужчин, происходит увеличение коэффициента при переменной использования компьютера. Эти результаты могут указывать на более высокую вариацию цифровых навыков внутри профессий среди женщин или отражать тот факт, что женщины чаще используют компьютер для общения в социальных сетях, поэтому ответ на более конкретный вопрос об использовании компьютера для работы/учебы дает более высокую отдачу.

На следующем шаге, используя метод Оаксаки -- Блайндера, разложим гендерный разрыв в средних заработных платах на две части -- объясненную и необъясненную -- и далее оценим вклад переменных цифровизации в каждую из этих частей. Объясненная часть связана с различиями между мужчинами и женщинами в значениях наблюдаемых характеристик, поэтому объясненную часть также называют эффектом характеристик. Необъясненная часть отражает воздействие ненаблюдаемых характеристик, отбора, дискриминации женщин и фаворитизма в пользу мужчин. Необъясненную часть называют также эффектом отдач.

Декомпозиция производится по следующей общей формуле:

(3)

где индексы M и F обозначают мужчин и женщин соответственно, у -- логарифм средней почасовой заработной платы, x -- средние значения наблюдаемых характеристик (тех же, что использовались выше в минцеровском уравнении), в -- вектор параметров уравнения, включающий константу, I -- единичная матрица, D --матрица весов. Таким образом, Ах представляет собой разницу между мужчинами и женщинами в средних значениях объясняющих переменных, включенных в уравнения, и первое слагаемое в формуле (3) характеризует объясненную часть различий в средних заработных платах; А@ --разница в значениях коэффициентов уравнений заработной платы, оцененных отдельно для мужчин и женщин (то есть разница в отдачах от наблюдаемых характеристик). Соответственно второе слагаемое описывает необъясненную часть различий.

Матрица весов D определяет, какая значимость придается коэффициентам «мужского» и «женского» уравнений. В литературе по дискриминации она характеризует контрафактическую (counterfactual) структуру отдач в идеальном мире, где дискриминация отсутствует. Для построения матрицы весов было предложено несколько методологических подходов, основанных на различных предпосылках. Изменение матрицы весов позволит измерить чувствительность оценок к изменениям в предпосылках относительно контрафактической структуры отдач.

В настоящей работе рассмотрены наиболее распространенные подходы к построению матрицы весов. Первые два были предложены в исходных работах Алана Блайндера и Рональда Оаксаки [Blinder, 1973; Oaxaca, 1973]. Согласно им матрица весов может быть единичной (D = 1) или нулевой (D = 0). Если D = 1, то в качестве контрафактической структуры отдач используются коэффициенты мужского уравнения (6м), то есть предполагается, что в отсутствие искажений, связанных с дискриминацией и другими ненаблюдаемыми факторами, и женщины имели бы такие же отдачи от наблюдаемых характеристик, которые в реальном мире имеют мужчины. И наоборот, если D = 0, то контрафактической структурой отдач становятся коэффициенты «женского» уравнения (6F). Эта ситуация соответствует предположению о том, что в отсутствие искажений все индивиды имели бы такие же отдачи от наблюдаемых характеристик, которые в реальном мире имеют женщины.

Третий подход состоит в том, чтобы использовать коэффициенты из обоих уравнений, но с разными весами.

В частности, Джере- мия Коттон [Cotton, 1988] предложил взвешивать коэффициенты уравнений по доле в выборке наблюдений из каждой группы.

Так, если доля мужчин в выборке составляетfM, то матрица весов принимает вид: diag(D) = fM. В рассматриваемой выборке fM = 0,474, то есть в рамках этого подхода коэффициенты «мужского» уравнения имеют вес 0,474, а «женского» -- 0,526. И наконец, еще один подход, предложенный Давидом Ньюмар- ком [Neumark, 1988], предполагает использование -- в качестве контрафактической структуры отдач -- коэффициентов из уравнения по общей выборке, включающей мужчин и женщин (epooled). В этом случае декомпозиция принимает следующий вид:

(4)

Результаты декомпозиции с использованием четырех описанных подходов представлены в табл. 3. Агрегированная декомпозиция представляет собой разложение разрыва в оплате труда на объясненную (E) и необъясненную (U) части. Детальная композиция показывает вклад отдельных переменных или групп переменных в формирование этих частей. Строка «Возраст» суммирует вклады переменных возраста, «Образование» -- вклады переменных уровней образования, «Характеристики рабочего места» -- вклады переменных специального стажа и его квадрата, работы на предприятии с государственным участием и размеров предприятия, «География» -- вклад переменных региона и типа населенного пункта и т. д. Значения с положительным знаком указывают на преимущество мужчин, с отрицательным -- на преимущество женщин.

Кратко охарактеризуем общие результаты декомпозиции для разных спецификаций и затем обратимся к вкладу цифровых навыков. Представленные оценки показывают, что результаты декомпозиции очень устойчивы к изменению предпосылок относительно вида матрицы весов, то есть к выбору той или иной контрафактической структуры отдач. Даже в двух полярных вариантах (D = 0 и D = 1) различия в оценках не являются статистически значимыми.

Во всех вариантах декомпозиции необъясненная часть превышает общую величину гендерного разрыва, а объясненная имеет отрицательный знак. Другими словами, женщины в среднем обладают более высоким запасом производительных характеристик (по крайней мере с точки зрения наблюдаемых характеристик) и в отсутствие искажений должны были бы получать более высокую (!) заработную плату, чем мужчины.

Таблица 3 Декомпозиция гендерного разрыва в заработной плате

Данные за 2004-2018 годы.

Примечания:

1. В скобках приведены робастные стандартные ошибки, кластеризованные по переменным: год х 4-digit ISCO и идентификатор индивида.

2. Е -- объясненная часть, U -- необъясненная часть.

3. *** -- оценка коэффициента значима на 1-процентном уровне, ** -- оценка коэффициента значима на 5-процентном уровне, * -- оценка коэффициента значима на 10-процентном уровне.

Источник: данные 0*NET и РМЭЗ Е1ИУ ВШЭ. https://www.onetcenter.org; http://www.hse.ru/rlms.

Этот результат отличается от стандартного для развитых стран [Blau, Kahn, 2017], но совпадает с результатами предшествующих исследований гендерного разрыва по российским данным [Khitarishvili, 2019]. Женщины имеют более высокий уровень образования и цифровой грамотности, при этом образование дает женщинам более высокую отдачу, чем мужчинам. Однако эти преимущества нивелируются за счет того, что женщины заняты на рабочих местах с более низкими заработными платами и у них ниже вариация в межрегиональных различиях.

Однако всё равно значительная часть гендерного разрыва остается необъясненной, поэтому мы расширили спецификацию, добавив отраслевые переменные и сделав попытку учесть различия в уровнях занятости мужчин и женщин. Отраслевые переменные оказывают заметное влияние на результаты декомпозиции: сокращается необъясненная часть, увеличивается важность характеристик рабочего места (отраслевые переменные были включены в эту строку) как в объясненной, так и в необъясненной частях. Так, с учетом отраслевой сегрегации женщины, будучи заняты на схожих с мужчинами рабочих местах, получают более низкую отдачу.

Для учета различий в уровнях занятости мужчин и женщин вместо обычных уравнений заработной платы оценивались уравнения с хекмановской коррекцией. Хекмановская коррекция предназначена для учета неслучайного отбора и предполагает оценку уравнения заработной платы в связке с уравнением отбора.

Эти уравнения оценивались отдельно для мужчин и женщин с включением в уравнение отбора двух дополнительных переменных -- фиктивной переменной для состояния в браке (зарегистрированном или незарегистрированном) и количества детей до 18 лет. Как для женщин, так и для мужчин отбор играет значимую роль, как и ожидалось -- более высокую для женщин17. Учет отбора приводит к дальнейшему сокращению необъясненной части. В распределении цифровых навыков (колонки табл. 3, относящиеся к объясненной части разрыва) женщины демонстрируют уверенное лидерство: среди них выше доля тех, кто имеет опыт использования компьютера, и они заняты в профессиях с более высоким уровнем цифровизации. При этом с точки зрения отдач (колонки, относящиеся к необъясненной части разрыва) мы наблюдаем схожую картину для обеих цифровых переменных.

Навыки личного использования компьютера приносят женщинам такое же вознаграждение, как и мужчинам (различия появляются лишь в спецификации с хекмановской коррекцией -- в уравнении отбора переменная использования компьютера оказывает более существенный эффект на вероятность занятости среди женщин, чем среди мужчин).

Индекс цифровизации в необъясненной части также остается незначимым, то есть при цифровизации своей профессии или переходе в более цифровизированную профессию мужчины и женщины получают одинаковый прирост заработной платы.

Можно предположить, что работодатели имеют возможность отслеживать цифровые компетенции гораздо лучше многих других навыков, поэтому они не являются дополнительным источником дискриминации женщин.

В табл. 4 представлена декомпозиция гендерного разрыва для начала и конца периода. При оценивании уравнения заработной платы использовалась спецификация с отраслевыми переменными и коэффициентами из объединенного уравнения.

Видно, что с течением времени произошло некоторое усиление преимущества женщин в части условного распределения занятости в пользу более цифровизированных профессий на фоне снижения преимущества в использовании компьютера.

Таблица 4

Декомпозиция гендерного разрыва в начале и конце периода

Примечания: 1. В скобках приведены робастные стандартные ошибки, кластеризованные по переменным: год х 4-digit ISCO и идентификатор индивида.

2. E -- объясненная часть, U -- необъясненная часть.

3. *** -- оценка коэффициента значима на 1-процентном уровне, ** -- оценка коэффициента значима на 5-процентном уровне, * -- оценка коэффициента значима на 10-процентном уровне.

Источник: данные O*NET и РМЭЗ НИУ ВШЭ. https://www.onetcenter.org; http://www. hse.ru/rlms.

Однако с учетом стандартных ошибок эти изменения не являются статистически значимыми. Различия в отдачах от цифровых навыков не являются статистически значимыми ни для одного из рассматриваемых подпериодов.