【众译】同一份工作，女性竟然比男性少拿20.7﹪......

Jellyuevzuyj6w 2017-06-12

展开全文

众

译

小

组

译者：王素婷、李小连、刘志金、鲁仁淑、余华婷、张浩、pupu、康康、汪瑾立、坤坤小刘

合成：Lurcerne

文章来源：Google re：work项目

Introduction

导言

设计公平的薪酬实践并对之进行审查以创造更加具有公平氛围的工作场所，是世界各地的组织均会采取的措施。虽然我们对不同性别之间的薪资差距有着确凿的记录和深入的研究，但是这一问题却持续存在。向女性支付较低薪资的现象普遍存在，这蚕食着整个社会公平和平等的价值体系，并造成了实质性的经济影响。

为了实现公平薪酬的设计和检查，组织应该考虑采取如下措施：

制定付薪理念：理念将会指导薪酬体系的建立。
结构化薪酬流程和为角色付薪。薪酬结构为薪酬决策提供了框架，例如为角色付薪，以此从实际上支持同工同酬。
开展薪酬公平性分析。如果上述两条都得到了执行，定期严格的检查就是为了确保公平的薪酬体系的贯彻落实与预期一致。

所有的组织都会采取步骤一和步骤二，以削弱任何形式的薪资差距（如性别或种族之间的薪酬差异）。但第三个步骤，即薪酬公平性分析，却是一个复杂的过程。它需要高级的统计技巧，从法律方面也会对我们所处的组织带来影响，因此我们绝不能轻视它。

Understand the research

了解研究

Francine Blau来自康奈尔大学工业与劳动力关系学院，是性别薪酬公平性研究领域的前沿研究者。她的同事Lawrence Kahn对美国2010年大量的样本进行分析后，计算出了男性与女性之间的薪酬差距为20.7%（女性的收入大约是男性收入的80%）。纵观历史，20世纪80年代性别薪酬差异急剧下降，但从1990年开始趋于稳定。

在20.7%的差异中，大部分可归因于非性别因素：比如相对于男性，更多的女性处于较低薪酬水平的职位。其他的因素如经验、工会会员状况和区域等也造成了部分差异的形成。即使在对上述所有因素进行控制，Blau 和 Kahn发现薪酬的性别差异仍会有8.4%。这项研究说明即使在考虑职业、行业、经验和其他因素后，女性的收入仍然只为男性收入的92%。

研究还显示了薪酬结构和问责制怎样在组织中能解决薪酬的不公平问题。在一个纵向的研究中，麻省理工学院斯隆管理学院的Emilio Castilla，与一家组织合作，研究历史上统计上显著的女性和少数族裔加薪缓慢的问题。在Castilla的研究中，管理人员接受了一项基于统一标准（如绩效评估）而加薪的培训，并被要求证明奖金数额的原由。然后，一个新成立的委员会会审查管理者的加薪建议，并有权修改薪酬决定以纠正任何问题。该组织的领导人还会收到了一份年度报告，里面涵盖了他们所在部门的所有薪酬决定。

Castilla监测了未来4年的薪酬数据并发现工资增长不再与人口统计组有所差异。在问责制和透明度的支持下，新增的薪酬结构的采用降低了工资差距。

Set a compensation philosophy

确立付薪理念

确立付薪理念是为你的薪酬决策建立标准的第一步。一些组织有绩效工资的付薪理念，你自己的准则应该由你想在组织中推崇的信念来驱动（例如:长期雇佣、责任心）。当你开始阐述你的理念时，需要集中和检查自己当前的薪酬数据，研究其他组织在做什么，并问自己一些问题:

我们的付薪理念如何支持到我们组织目标和价值观?
我们希望我们的薪酬如何与产业和劳动力市场相匹配?
我们的薪酬实践和预算允许我们吸引和留住所需要的人才吗?

一旦你建立了付薪理念，薪酬结构可以帮助你把你的理念付诸实践。

Structure your pay process

结构化付薪流程

有很多方法来结构化你的付薪流程。一开始，需要确定在您的组织中存在哪些角色（role）（或者您计划雇佣哪些角色)，以及要胜任这些角色所需的细节，你可以通过完成一份工作分析来组织这些信息——工作分析可以为你组织所需角色进行描述，包括职位名称，任务和职责的总结，所需的知识和技能等等。

一旦你完成了工作分析，就应该着手对这些岗位的市场价值（即其他公司对类似岗位支付多少薪资）进行对比，来定位你员工的薪资（例如，你支付的目标薪资是市场的中间水平，这是最常见的做法）。你可以根据你已经招聘或者离职的人员来定义“市场”（例如与你在同一地区、同一行业的组织）。在将你员工薪资对比市场时，切记要考虑到你的预算。

借助工作分析中岗位职责内容，来同市场中类似的岗位薪资数据进行对比，其中很重要的是不仅仅根据岗位名称而进行比较：一家初创公司的副总裁也许只有5年的工作经验以及小范围的工作经验；而一家知名、跨国公司的副总裁可能有30年的工作经验，可以承担大型集团管理和预算职责。你可以通过美国劳工统计局免费获得常规工作的市场数据，而更为详尽的数据则需通过行业组织和咨询公司获取。如果市场数据缺失或者不适用，你可以考虑当前雇员薪资的中位值，或者使用类似工作范围、工作职责或者工作复杂性岗位的市场数据。

许多大型集团组织设定具体的目标薪资会有较大的薪酬区间（或幅度）。薪酬区间代表给指定岗位的最高和最低薪酬范围，通常是基于市场岗位薪酬上、下浮动若干个百分比（如上下浮动20%）。落实薪酬结构包括制定薪酬目标和区间，这样可以更轻松地为每个岗位支付一致性薪酬，避免发生异常。

每次薪酬分配应参考薪酬结构——从新员工起薪到老员工加薪。例如，Google新员工的薪酬与其角色挂钩，而不仅仅基于他们之前的工资。2015年，平均每个Google的女性雇员，相比起刚加入公司时，获得了比男性雇员高30％的涨薪。这是因为在过去的薪酬体系中，同一角色上女性的平均薪酬比男性低。持续使用薪酬目标是一种能纠正目前薪酬不公平现象的有效方法。

当你对项目进行评估时，切记，薪酬公平并不总是意味着“支付给每个人同样的薪酬”。根据付薪理念，你会依据某些因素区分相似岗位上的薪酬。比如在Goolgle，同一角色，表现最佳的人得到的薪资会更多。

Structure your pay process

准备薪酬公平性分析

建立结构性薪酬体系有助于避免薪酬不公平。为确保薪酬制度如期望的那样工作，你可以通过薪资公平性分析确定薪酬差距并非源于性别、种族/民族的不同。这种分析方法会让你了解组织内部，薪酬是否受到你想要的因素（例如，工作类型，工作地点）或不想要的因素（例如性别、种族/民族）的影响。它也可以帮助预测团队和个体异常值的分布趋势。在Google，所有的薪酬决定（如收入分配，薪金调整，奖金和权益分配）都受绩效工资的理念驱使。整个团队密切监测彼此流程，包括绩效管理和职位晋升，并在每次分析周期结束时，匹配性别和种族分析结果。

薪酬公平性分析很复杂，因此首先你需要在确定付薪理念和薪酬目标的同时，建立结构化付薪流程。一旦有了该流程，在决定薪酬公平性分析是否适合组织时，你会着手如下事项：

了解法律背景。在你开始分析之前，请联系一位在雇佣问题上有专长的律师。因为这种分析可能涉及广泛的法律范围，而你必须理解所有的注意事项。
定义你想要回答的问题。在每一项分析中，请清晰地定义你正在调查的内容。例如，对于做着相同工作的新入职员工中，男女的薪酬是否公平？
标准化你的薪酬变量。不同工作之间的薪酬目标可能不同，所以标准化你的薪酬变量可以让你在不同工作之间进行比较。一种方法是使用工资比，即一个员工的工资除以该职位的薪酬目标。例如，工作A的薪酬目标是100美元，员工X在这个工作岗位上赚了90美元，这个工作的工资比是90%（90/100）。工作B的薪酬目标是110美元，员工Y在这个工作岗位上赚了99美元，这个工作的工资比也是90%（99/110）。通过运用工资比，我们发现员工X和员工Y的工资与工作的相关性是相似的，尽管他们实际的工资和薪酬目标是不同的。
确定如何可靠地检测是否存在差异。这取决于组织间的不同，和你想要看到怎样的变量。在选择一个样本组之前，要看看怎样的样本大小对于组织和分析最有效。对于只有几十名员工的小型组织来说，进行薪酬公平性的分析可能不现实，但是对薪酬数据进行审查依然是有价值的。例如，在一个组织里只有一个女性，你可以和在相同岗位、水平和经验上的男性进行比较，或者用一些简单的控制变量来计算男性和女性的薪酬平均值。

一旦你完成了以上的工作，你就可以开始分析了。

Identify variables to test

确定需检测的变量

既然你已确定了要做比对的岗位及组织，现在你就可以确定需检测的变量了。

你的“自变量”将是你的检测对象，你要确定它是否会影响你的“因变量”，或者说你所关注的结果。“因变量”则是你关注的结果数据，其会受到“可控变量”及“自变量”的共同影响。就性别是薪酬公平性分析来说，“自变量”为雇员的性别，而“因变量”则为薪酬（如工资）。

由你组织付薪理念决定的、会对薪酬构成影响的因素将是你的可控变量。例如，你组织的付薪理念为：较高职级的雇员将获得较高的薪酬，或低绩效的雇员将获得较低的薪酬，那么，本例中的可控变量可能包括职级、绩效或工作经验。同时，考虑一番你的可控变量是否会受偏见影响也很重要，无论该影响是有意或无意。

如果你组织的薪酬总体方案包含多种薪酬支付方式（如，工资、奖金、股权），你需要对各种方式分别进行分析，因为它们会受到不同变量的影响。如仅仅观察薪酬差异的数量级会因该差异并不具备统计意义而引发虚假警示，而采用薪酬支付占比数据则有助于解决因汇率、地理位置、职级的不同引起的绝对值不同的问题。

Tool: Analyze the data and look for variance

工具：分析数据并查找差异

一旦你选定变量，就到了实际分析的时候了。这要求人员能够熟练掌握统计资料，还有对标准偏差、方差、回归模型以及解释结果的理解能力。

构建和清理您的数据集。好分析依赖于好数据。检查数据，看是否有丢失或者错误。如果你的数据集不完整，去了解原因，并且判断这对结果可能存在的影响。
选择一组岗位进行分析。对进行同类工作的人员进行比较时，薪资公平性分析是最有用的。在设置费用目标时，你可能已经进行了类似的分组（例如，销售部门的入门级分析师可能和财务部门的入门级分析师是在一组的）
进行t检验。首先计算薪酬比率的平均值（如果你完全使用美元数额，如果不做对数变换，要确保薪资遵循正态分布），并开始比较。最好的方法是独立（不配对）样本t检验，这样就可以使用电子表格或统计软件（例如R）来运行。该检验将帮助你确定不同组之间的薪酬差异，而不控制任何变量。如果存在统计上的显著差异，就继续下一步，看看哪些变量是可以解释这些差异的。如果没有，就可以暂时到这里停下来。
检查多重共线性（multicollinearity），当两个控制变量高度相关，就会导致结果发生大相径庭的变化。例如，工作年限和就业水平可能高度相关。一个人在组织中服务的时间越长，他越有可能提升水平。需要控制和删除那些从你的回归分析中得出的变量，才能最终决定哪个变量是最重要的。
运行回归分析。进行薪酬的公平性分析最常见、也最严格的方法是运用回归模型。回归分析会告诉你变量之间是否存在显著的关系（如，当你控制其他影响因素不变时，分析性别是否会影响薪酬）。它可以帮助你避免由于独立变量（如性别）与其他变量而混淆薪酬的不同点，还可以合理地解释薪酬的不同（例如，工作水平影响工资）。具体地说，一个普通最小二乘回归将帮助你同时分析所有的控制变量。在回归中，像第一步中一样输入控制变量（例如，工作级别）。接下来，添加独立变量（例如性别），然后是依赖关系的变量（例如，工资比）。
测试显著性。审视你回归的输出，是否存在组间有统计学意义的显著性差异，由显著性检验决定？如果是这样，进行效应值的计算以更好的理解有差异的规模。然后，分析在你的分析中，哪一个变量造成这么巨大的差异的影响。
检查你的工作。请一位同事检查你的方法，你的电子表格公式或代码，和你的假设（例如，你如何定义类似工作）。回顾你的描述性统计（例如，平均值，方差，相关性），以确保它们有意义（例如，是否有人有负的工资数？）有没有异常值，像年收入1美元的人？和别人讨论你的结果，看是否符合逻辑。
总结你的结果。如果你薪酬系统工作正常，在这个阶段，你不会看到在性别或种族的不同。如果你确实发现了不公平，明白是什么原因造成的。记住你做的任何假设或你无法检验的变量，考虑一下是否这些会影响你的结果。