点击阅读英文原文
2021年，英国高等教育的平均性别薪酬差距为18.3%。这一数字比开始实施强制报告制度的2017年高出约3个百分点，也高于英国所有行业和服务业14.9%的平均水平。我们必须进行改善。
从历史上看，高校一直站在调查性别薪酬差距和倡导变革的最前沿。在上世纪70年代的开创性工作中，加州大学伯克利分校（University of California, Berkeley）统计学教授伊丽莎白·斯科特（Elizabeth Scott）说服雇主公开了详细薪资数据。在煞费苦心地整理了这些数据后，斯科特利用回归模型建立了薪酬、性别和许多其他变量之间的关系，以了解性别薪酬差距的性质和原因。
如今，薪酬和就业方面的性别差异在经济学、社会学、性别研究、人类学等领域引起了广泛关注。这些学科提供了定量工具来确定上述差距的驱动因素（如学历水平对直接歧视的影响），也提供了定性工具来理解更微妙的根本原因（比如如何解释女性不愿意要求加薪）。
学者们还开创性地研究了工作和就业以外的不平等问题：例如，医疗保健方面的种族不平等，以及获得信贷方面的性别不平等。你可能会认为，促进学术薪酬平等这样的工作符合高校的既得利益，尤其是在这个人们日益意识到薪酬差距和不平等的时代。然而，与半个世纪前相比，伊丽莎白·斯科特的工作在今天似乎更具开创性。
简单地说，高校不愿意公开详细薪资数据，以让自己的教职工研究薪酬差距。这种沉默在一定程度上是可以理解的，这是由于工资信息普遍的敏感性。但更重要的因素是现代高校的管理方式。除了一些小的例外情况（比如在教育系中），教师的研究专长都坚定地指向外部，而具有敏感性的内部问题则由顾问和管理人员处理。处理——而非研究。
比如，在我们学校，一个非学术性的“人员数据”团队负责处理对薪资数据的查询。该团队的存在是整个学校扩大数据分析推动力的一部分，它使几种类型的数据更容易获得，如按种族和性别划分的薪酬和学生成绩的汇总统计。但是，对这背后的详细数据的访问是被禁止的。这就阻碍了实际的研究，使得薪酬差距更多地需要从法律合规、市场营销和高校的其他外向方面来衡量和报告。
详细数据对于回答两种互补类型的问题是必要的。第一个是定量的，与年龄、性别、种族和学科相结合，这些因素与薪酬和晋升结果有关。这些只能用多元回归技术来建模。例如，识别导致在申请晋升时犹豫不决的个人经历的重复模式，或识别最有可能通过面试、得到工作并获得更高薪水的个人形象。机器学习技术甚至可以走得更远，在分析中纳入几十个变量，比如职业休假的时间和长度。
第二种类型的问题是定性的，与这些组合为什么决定这些结果，以及如何决定有关。了解这些因素也有助于关键的下一步：确定哪些行动可以改善结果，并针对变化建立现实的预期。例如，资深导师是否需要有目的地与初级教师进行配对，并每年都与他们进行晋升相关的谈话？回答这些问题需要采访，但要获得成果，采访必须建立在一个全面的定量理解上。
对薪资信息的隐私的担忧是真实的，尤其是在高校这一领域的法律义务方面，但我们有办法处理这一问题。我们可以要求希望处理和分析数据的研究人员签署保密协议，并要求那些希望就薪酬和就业进行采访的研究人员获得道德许可。我们还可以聘请外部研究人员，以减轻采访自己同事时的复杂性。
其次，一个折衷的解决方案是建立R这样的统计软件，让研究人员在没有访问基础数据的情况下指定和估计模型。第三，数据模拟技术可以用于创建支持匿名的伪数据，但保留原始数据的相关性结构，从而支持统计分析。
诚然，关于薪资数据如何处理的争论，与学术界关于管理主义的更广泛的讨论有关。但与管理主义提出的一些问题不同，理解和解决薪酬差距是我们力所能及的。暴露在聚光灯下可能会让人不舒服，但允许研究这些问题的学者研究自己的高校，将产生实质性的见解，并促进全面的平等。
苏尼尔·米特拉·库马尔是伦敦大学国王学院（King’s College London）印度研究所和国际发展部经济学高级讲师。
本文由陆子惠为泰晤士高等教育翻译。
后记
Print headline: For gender pay equality, social scientists must have access to the data
