Социальное неравенство или почему ваши успехи сегодня формируют возможности ваших детей завтра

К началу апреля 2020 года потеря работы затронула 17% всех работников Великобритании, вероятность потери работы у женщин в Соединенном Королевстве была на 4,8 процентных пункта выше, чем у мужчин [1]. В Южной Африке в 2017 году средний доход семьи белых людей (с поправкой на размер и состав семьи) был в 5,6 раза выше, чем у семьи африканцев («африканцы» — это признанная расовая классификация в Южной Африке [2]). А в Соединенных Штатах отчет за 2018 год показал, что люди, родившиеся в 1980-х годах от родителей, которые не получили профильного образования исходя из общего количества лет обучения, имели только 13% шансов получить высшее образование [3].

Во всех этих случаях разрыв между группами определяется не тем, насколько усердно люди работают или учатся, сколько они экономят или насколько они социально ответственны, а исключительно характеристиками, над которыми люди не властны: полом, расой, социальным статусом и воспитанием. Это примеры того, что экономисты называют неравенством возможностей.

Различные доказательные подходы показывают, что неравенство возможностей является наименее приемлемым и наиболее негативным для общества компонентом неравенства. Тем не менее слишком мало экономистов или других исследователей пытаются количественно оценить его вклад в свои измерения неравенства населения в образовании, доходах, занятости, здоровье или других представляющих интерес результатах.

Для этого требуется как можно больше данных об обстоятельствах жизни людей — их расовой или этнической принадлежности, районе, в котором они выросли, уровне образования их родителей и так далее. Даже когда такие данные могут быть получены, не существует общепринятого мнения о том, как лучше всего количественно определить долю неравенства в населении, вызванную неравенством возможностей. Это нужно изменить.

Учитывая важность неравенства возможностей в общественном дискурсе и новых экономических исследованиях, правительствам и исследователям следует собирать данные, необходимые для построения достоверных оценок этого явления. А экономистам и другим лицам необходимо разработать более совершенные инструменты и методы для проведения таких оценок.

Обстоятельства имеют значение

Идеал равных возможностей фигурировал в западном политическом дискурсе со времен Просвещения в семнадцатом и восемнадцатом веках и остается важным по сей день.

Например, в речи 10 июня 1936 года в Литл-Роке, штат Арканзас, президент США Франклин Рузвельт сказал: “Мы знаем, что равенства индивидуальных способностей никогда не существовало и никогда не будет, но мы настаиваем на том, что равенство возможностей все равно должно быть достигнуто». Аналогичным образом, американский философ Джон Роулз в своем весьма влиятельном трактате 1971 года «Теория справедливости» утверждал, что справедливое равенство возможностей — идея о том, что все в обществе должны иметь одинаковый доступ к товарам, услугам и возможностям трудоустройства — является одним из двух принципов социальной справедливости. Другой заключается в том, что все граждане должны иметь наивысшую степень свободы, совместимую со всеми остальными.

Тем не менее, концепция оставалась неосязаемой до тех пор, пока экономисты, включая Марка Флерба, Джона Ремера и Дирка Ван де Гаера, не попытались формализовать эти идеи в 1990-х годах [4—6]. Они предположили, что все детерминанты данного социального результата (например, заработка) в принципе можно разделить на факторы, которые люди могут и не могут контролировать. Они определили первую категорию как человеческие усилия, а вторую — как обстоятельства. Эта простая формулировка легла в основу экономической теории неравенства возможностей.

Последующая работа — в основном в области поведенческой экономики — показала, что различие между обстоятельствами и усилиями волновало не только философов и экономистов. В ходе многочисленных лабораторных и полевых экспериментов с начала 2000—х годов людям давали реальные деньги и просили распределить их по своему усмотрению — например, между собой и другим участником или между группой других участников.

В таких ситуациях мало кто делает выбор в соответствии с ожиданиями «Homo economicus» — образного вида, характеризующегося, помимо прочего, чисто эгоистичными предпочтениями. Например, когда участнику дают 100 долларов, он с большей вероятностью отдаст значительную часть (30 или 50 долларов) вместо того, чтобы отдать 1 доллар и оставить себе 99 долларов. Более того, если дистрибьютор предлагает распределение, которое считается слишком несправедливым, потенциальные получатели часто отказываются от возможности получить фактический денежный платеж, чтобы наказать дистрибьютора [7].

Короче говоря, люди (и даже некоторые животные) проявляют врожденное предпочтение справедливости и равенству.

По мере того как экономисты глубже изучали это поведение, становилось ясно, что тип неравенства, который люди считают наиболее неприятным, возникает из-за факторов, которые, по-видимому, находятся вне человеческого контроля.

Например, в исследовании 2010 года экономисты наняли 238 студентов, чтобы они набрали как можно больше слов за 10 или 30 минут [8]. Каждый студент мог выбрать либо короткую, либо более длинную задачу. Им платили в зависимости от количества правильно угаданных слов, но случайным образом некоторым платили по 0,08 доллара за каждое правильное слово, другим — по 0,16 доллара.

Когда впоследствии студенты были разбиты на пары и каждому члену пары сообщили рабочее время, количество слов и зарплату другого, каждый студент мог предложить некоторое перераспределение заработка внутри пары. Большинство предпочли компенсировать участникам, которым случайным образом была назначена низкая заработная плата. Менее предпочтительным было компенсировать продолжительность или качество работы, которые считались находящимися под контролем человека [8].

Неравенство возможностей — социальное зло

Также появляется все больше свидетельств того, что неравенство возможностей особенно пагубно сказывается на других социальных результатах, таких как экономический рост.

С 1990-х годов исследователи изучали взаимосвязь между неравенством доходов и такими факторами, как уровень преступлений [9] или заболеваемость и смертность [10]. Эта работа в целом показала, что неравенство приводит к плохим результатам в области здравоохранения и социальной сферы. Но доказательства взаимосвязи между неравенством и ростом негативных показателей были гораздо менее убедительными, поскольку различные наборы данных и методы дали разрозненные результаты [11], [12].

За последнее десятилетие связь между ростом негативных социальных факторов и неравенством стала более четкой, и исследователи выделили долю неравенства, которая связана с неравенством возможностей [13], [14].

Например, одно исследование показало, что не было статистически значимой связи между неравенством и экономическим ростом в 26 штатах США в период с 1970 по 2000 год, если учитывать общее неравенство доходов. Но как только общее неравенство было разбито на один компонент из-за предопределенных обстоятельств (неравенство возможностей) и другой из-за других факторов, первый действительно оказал значительное негативное влияние на экономический рост [13].

Другие работы подтверждают идею о том, что, когда большим группам людей отказывают в доступе к производственным возможностям — просто на основании их личных обстоятельств, — в результате растрачивается человеческий потенциал, что приводит к снижению экономической эффективности и динамизма. Например, в исследовании 2019 года изучалась доля белых мужчин среди врачей и юристов в Соединенных Штатах, которая снизилась с 94% в 1960 году до 62% в 2010 году.

Хирурги Роберт Бладуэлл, Дентон Кули и Грэди Холлман (слева направо) в 1960-х годах. В то время около 90% врачей и юристов в США были белыми мужчинами. Фото: AP/Shutterstock

Работа показала, что на это снижение и аналогичное снижение в других профессиях, может приходиться 20-40% прироста валового внутреннего продукта на душу населения за этот 50-летний период. Авторы предполагают, что эти достижения, возможно, были обусловлены более эффективным распределением талантов, поскольку женщины и чернокожие мужчины (две другие изученные группы) все чаще искали возможности трудоустройства, которые ранее были для них закрыты [15].

Но если неравенство возможностей действительно является активным компонентом неравенства в обществе — значимой его частью, которая объясняет наиболее пагубные социальные последствия, то почему измерение этой концепции все еще относительно редко выносится на обсуждение?

Дефицит данных

Само понятие «возможность» относится к набору возможностей, которые открыты для человека. В свою очередь это понятие трудно поддается количественной оценке. Однако, опираясь на работы Ремера, Ван де Гаера и Флербе, экономисты придумали относительно простые способы измерения неравенства возможностей.

По сути, они стремятся количественно оценить, насколько неравенство в интересующем результате (скажем, доходе или образовании) обусловлено обстоятельствами, над которыми люди не имеют никакого контроля, т.е. учитывая тот факт, что на усилия человека влияют обстоятельства [16 — 18].

Для получения такого показателя требуется точная информация о как можно большем количестве заранее определенных переменных обстоятельств для каждого человека в конкретной выборке или по совокупности данных. Относительно легко получить данные о расе или этнической принадлежности, поле или месте рождения. Но в идеале количественная оценка неравенства возможностей также требует подробной, долгосрочной информации о семейной истории человека, включая образование, доход и род занятий родителей и даже их поведение.

Такие данные редко встречаются в странах с низким и средним уровнем дохода и даже в некоторых богатых странах. Однако они существуют для некоторых стран с высоким уровнем дохода, таких как США, Германии, Великобритании и большой части Скандинавии.

В конечном счете, необходимо собрать и предоставить во всех странах два типа данных “золотого стандарта”, чтобы исследователи и политики могли лучше понять неравные возможности, с которыми сталкиваются люди во всем мире.

Первый исходит из подробных лонгитюдных исследований домашних хозяйств. Примерами могут служить групповое исследование динамики доходов в Соединенных Штатах, которое началось в 1968 году, и социально-экономическая программа в Германии, которая проводится с 1984 года. Такие исследования предоставляют богатую информацию о воспитании и родительском поведении современных взрослых и позволяют экономистам связывать информацию между поколениями. Аналогичные инициативы были выдвинуты в странах с формирующейся рыночной экономикой, таких как Мексика и Индонезия, но они остаются исключением.

Второй тип исходит из административных наборов данных, которые связывают личные идентификаторы между поколениями и различными аспектами жизни людей: результаты обучения могут быть связаны с занятостью и историей болезни, взносами на социальное обеспечение, налоговыми платежами и так далее.

Предоставление исследователям доступа к таким важным и конфиденциальным данным создает проблемы безопасности. Но эти данные доступны исследователям в таких странах, как Дания и Норвегия, при условии соблюдения процедурных ограничений, направленных на защиту частной жизни людей. Аналогичные успехи наблюдаются и в других странах, в том числе в Чили.

Короче говоря, при достаточных инвестициях нетрудно представить, как можно было бы расширить сбор данных о состоянии людей по всему миру.

Статистическая головоломка

Даже при наличии наилучших возможных данных экономисты могут точно оценить неравенство возможностей только в том случае, если они точно определят, какие переменные следует использовать для разделения населения на группы с однородными обстоятельствами.

Теоретически, когда имеются данные по всему населению, следует использовать все переменные обстоятельств в данных. Даже в этом случае некоторые переменные останутся незамеченными. Исследователи могут располагать информацией, например, о том, чьи родители учились в университете, но не о рейтингах университетов. Поскольку некоторые обстоятельства всегда будут игнорироваться, любая оценка неравенства возможностей будет неполноценна.

С другой стороны, как это обычно бывает, когда данные доступны только для выборки населения, использование большого числа переменных для разделения выборки может привести к неверной трактовке результата. Все более мелкие подгруппы включают все меньше и меньше людей, в результате чего оценки для конкретных групп становятся невозможными. Эта ошибка выборки, как правило, увеличивает долю вариаций, которые объясняются неравенством возможностей. Учитывая эти два противоречивых предубеждения, как наилучшим образом разделить популяцию на подгруппы в зависимости от переменных обстоятельств?

Одним из многообещающих подходов является использование методов машинного обучения [19], [20]. Учитывая набор данных с определенным количеством переменных обстоятельств и подкатегорий (например, «раса» может быть разделена на «черную», «белую» и «азиатскую»), алгоритм всеми возможными способами пытается разделить выборку на две части. Группирует и производит разделение, которое дает наиболее значительную статистическую разницу между двумя средними значениями. Затем этот процесс повторяется для каждой подгруппы до тех пор, пока не будут обнаружены дополнительные существенные различия для некоторого стандартного уровня статистической значимости, согласованного заранее.

В неопубликованном анализе мы с коллегами применили этот метод к выборке из чуть более 6000 южноафриканских семей, чьи доходы и другие данные были собраны в рамках Исследования национального благосостояния за 2017 год. В нашу выборку вошли люди, которые идентифицировали себя как одну из четырех групп: африканцы, цветные (признанная расовая классификация в Южной Африке), азиаты/индейцы или белые.

Мы поручили алгоритму разделить эту выборку, оставив не менее 100 наблюдений в каждой последней группе, и использовали 1% в качестве порога статистической значимости между двумя группами. Учитывая эти параметры и используя только заранее определенные обстоятельства, такие как образование и профессия родителей, для каждого разделения, алгоритм разделил выборку на десять подгрупп, или типов.

Затем мы дали каждому человеку в каждой подгруппе доход, равный среднему значению этой подгруппы, и вычислили неравенство по этому «сглаженному» распределению, так что осталось только неравенство возможностей между подгруппами.

Неравенство возможностей, измеренное таким образом, составляет от 66% до 74% от общего неравенства доходов в Южной Африке, измеряемого коэффициентом Джини 0,61. Коэффициент Джини измеряет неравенство в распределении доходов домашних хозяйств, при этом более низкие значения указывают на более равномерное распределение. Используя нашу более низкую оценку, 66% от 0,61 составляет 0,40, что аналогично последнему коэффициенту Джини, опубликованному Всемирным банком для Соединенных Штатов. Другими словами, неравенство между этими десятью субпопуляциями в Южной Африке по существу такое же, как и общее неравенство во всех Соединенных Штатах.

Используя более консервативный показатель (среднее логарифмическое отклонение), доля колеблется от 39% до 48% от общего числа. Для сравнения, исследование 2015 года в Южной Африке с использованием 54 типов показало, что неравенство возможностей составляет всего 17-24% от среднего логарифмического отклонения [21].

Этот подход к машинному обучению необходимо протестировать во многих условиях, чтобы оценить, действительно ли он отражает степень неравенства возможностей в обществе. Некоторые могут быть обеспокоены тем, что определенные алгоритмы являются методологическими черными ящиками. Но в условиях, когда никакая причинно-следственная гипотеза не проверяется, а исследователи только ищут наиболее эффективный способ использования имеющихся данных для измерения неравенства возможностей, подход машинного обучения кажется труднопреодолимым.

Взаимосвязи неравенств между поколениями

Неравенство возможностей — это канал, по которому неравенство воспроизводится между поколениями. В сочетании с улучшенными усилиями по сбору данных новые вычислительные статистические подходы могут помочь количественно оценить его истинный масштаб в регионах и странах по всему миру.

Такая информация дополняла бы показатели экономической мобильности (взаимосвязь между доходом взрослого человека и доходом его родителей), которые зависят от одной переменной обстоятельства: дохода родителей. Он также может дополнять показатели общего неравенства результатов, таких как доходы, богатство или образование.

Действительно, возможности и результаты лучше всего рассматривать как две стороны одной медали: сегодняшние успехи семьи помогают формировать возможности их детей завтра, а эти возможности, в свою очередь, помогают формировать будущие результаты этих детей.

Используемая литература

1. Adams-Prassl, A., Boneva, T., Golin, M. & Rauh, C.J. Public Econ. 189 , 104245 (2020) Статья
2. Брунори, П., Феррейра, Ф.Х.Г. и Перагин, В. в Приоритаризме на практике (под редакцией Адлера, доктора медицины и Норхейма, О.Ф.), гл. 11 (Cambridge Univ. Press, 2022 Академия Google
3. Нараян, А. и соавт. Справедливый прогресс? Экономическая мобильность поколений во всем мире (Всемирный банк, 2018 г.) Академия Google
4. Fleurbaey, M. Theory Decis. 36 , 277–307 (1994) Статья
5. Ремер, Дж. Э. Равенство возможностей (Harvard Univ. Press, 1998) Академия Google
6. Ван де Гаер, Д. Равенство возможностей и инвестиций в человеческий капитал. Кандидатская диссертация, Католический унив. Левен (KU Leuven) (1993).
7. Хенрих, Дж. и соавт. (редакторы) Основы человеческой социальности: экономические эксперименты и этнографические данные пятнадцати малых обществ (Oxford Univ. Press, 2004) Академия Google
8. Каппелен А.В., Соренсен Э. О. и Тунгодден Б. Эур . Экон. Преподобный о. 54 , 429–441 (2010) Статья
9. Файнзилбер, П., Ледерман, Д. и Лоайза, Нью-Джерси . Law Econ. 45 , 1–39 (2002) Статья
10. Мармот, М.Г. и др. Ланцет 337 , 1387–1393 (1991) Пабмед
11. Банерджи, А. и Дюфло, Э. Дж . Экон. Рост 8 , 267–299 (2003) Статья
12. Преподобный Феррейра, ФХГ, Лакнер, К., Луго, М.А. и Озлер, Б. Доход Богатство 64 , 800–827 (2018) Академия Google
13. Марреро, Г. А. и Родригес, Дж . Г. Дж. Дев. Экон. 104 , 107–122 (2013) Статья
14. Брэдбери, К. и Триест, Р.К. Рассел Сейдж Найдено. Дж. Соц. науч. 2 , 178–201 (2016).
    Академия Google
15. Хси, К.-Т., Херст, Э., Джонс, К.И. и Кленоу, П. Дж . Эконометрика 87 , 1439–1474 (2019) Академия Google
16. Бургиньон, Ф., Феррейра, Ф.Х.Г. и Менендес, М. Рев. Доход Богатство 53 , 585–618 (2007) Статья
17. Чекки, Д. и Перагин, В. Дж . Экон. Неравный. 8 , 429–450 (2010) Статья
18. Ferreira, FHG & Gignoux, J. Rev. Income Wealth 57 , 622–657 (2011) Академия Google
19. Hothorn, T., Hornik, K. & Zeileis, A.J. Comput. График Стат. 15 , 651–674 (2006) Академия Google
20. Брунори П., Хьюф П. и Малер Д. Г. Корни неравенства: оценка неравенства возможностей на основе деревьев регрессии , рабочий документ исследования политики № 8349 (Всемирный банк, 2018 г.) Академия Google
21. Пираино, П. Мир Дев. 67 , 396–405 (2015) Академия Google