反歧视政策有效吗?

惩罚性方法

惩罚办法包括从法律上禁止基于各种理由的歧视，以及发展查明歧视的手段，以便实施制裁的威胁。这种惩罚性措施显然是打击劳动力市场歧视的必要步骤。但这还不够。首先，它并不旨在改变对不同群体的基本或更复杂的信念，这些信念分别构成了基于品味的歧视和统计歧视的来源。此外，这种方法无法系统地识别不公平待遇，因此无法防止歧视。

自21世纪初以来，欧盟劳动法禁止基于性别、年龄、种族或民族出身、宗教或信仰、性取向和残疾的歧视。这类法律在许多非欧盟国家也在执行。如果发现雇主在雇佣、工资决定或解雇过程中存在故意歧视，他们将面临被起诉的风险，并最终获得补偿性和惩罚性赔偿。因此，他们应该劝阻雇主歧视受法律保护的群体。然而，对受害者来说，证明歧视在被雇佣后要比在招聘阶段容易得多，除非招聘人员在招聘广告或面试中明确表达了对某个特定群体的偏好。在这种情况下，反歧视法可能有助于减少对其保护的群体成员的不公平待遇后他们被雇佣了。但是，这些法律也可能从一开始就降低他们被录用的机会，因为雇主担心被起诉终止合同。例如，美国的反歧视法《美国残疾人法》(ADA)就对目标少数群体的就业产生了负面影响[1]．也就是说，我们无法确定是《美国残疾人法》的哪些部分导致了这一结果，因为《美国残疾人法》不仅禁止歧视残疾人，还要求雇主在工作场所为他们提供便利(例如提供轮椅通道，购买特殊设备，或调整工作结构以允许兼职或在家工作)。换句话说，这一负面发现可能是因为解雇和/或雇用残疾员工的成本更高。

监测公司内部的劳动力构成和工资差距被认为是识别歧视行为的最直接方法。劳动力组成监测通常通过施加配额进行。早在1923年，奥地利、法国、德国、意大利和波兰就实行了定额制度，强制雇主雇佣残疾退伍军人。许多其他国家在第二次世界大战后也引入了类似的制度。这些配额制度最终扩展到残疾平民。不遵守规定的公司通常会被征税。同样，1965年颁布的第11246号行政命令，要求与联邦政府签订合同的美国公司，明确指出在任何职业群体中，相对于可用性，少数族裔和女性的代表性不足，并根据数字目标努力纠正这一问题。对承包商的终极惩罚是被禁止与联邦政府做生意，有时是永久禁止。监测工作人员的组成可以确定不遵守规定的公司，从而促使遵守配额。举例来说，比较奥地利在配额阈值以下和略高于配额阈值的公司中残疾工人的数量(相对于员工数量定义)，可以发现后者雇用的残疾工人比前者多约12%[２]．同样，在美国，一旦企业受到联邦平权法案的监管，黑人员工的比例就大幅上升[3]．

然而，如果不受歧视，受歧视群体所代表的比例是未知的，而且肯定在不同的公司中有所不同(取决于公司所需技能的类型和当地技能的供应)。第11246号行政命令规定，联邦承包商雇佣少数族裔的比例(至少)要与当地和合格劳动力的比例成比例，但“当地”和“合格”并没有定义。换句话说，监测劳动力构成和工资差距并不能从本质上防止歧视:配额设置过低或过高的风险总是存在的。后一种情况，即来自受歧视群体的成员获得的角色多于他们的公平份额，经常被用来质疑配额的使用。因此，这种方法反而会适得其反，因为它会助长人们对它本应帮助的群体的怨恨。各种研究都证实了平权行动项目的污名化效应。其受益者的雇用和职业晋升很容易被认为是不应得的，即仅仅取决于他们作为少数民族的地位，而不是取决于他们的能力。同样的问题也出现在同工同酬立法或同一工作场所的个人获得相同工资的义务中。事实上，不清楚在没有歧视的情况下，工资差距是否会消失。除了雇主的歧视性做法外，还有许多因素可以解释性别薪酬差距。 In particular, social norms impose specific gender roles to men and women that contribute to women’s lower supply and lower hourly labor earnings: women are generally expected to bear the brunt of child rearing and to shy away from risk, competition, and negotiation.

为了在招聘阶段识别歧视，一些利益相关者提倡使用函授研究。从20世纪90年代初到21世纪头十年中期，国际劳工组织对八个国家(比利时、法国、意大利、德国、荷兰、西班牙、瑞典和美国)开展了一系列此类研究。这些研究使用résumés对真实的工作邀请进行了研究，这些虚构的求职者除了种族(即本国人与非欧洲背景的求职者)以外，在所有方面都是相同的。如果雇主以不同的比例邀请这两种类型的求职者，那么基于种族的歧视就显露出来了(结果确实指出了对少数民族的大规模歧视)。然而，函授研究很少被用作制裁歧视的依据。据信，迄今为止只有法国实施了这种办法。从21世纪初开始，法国大众零售商卡西诺集团(Casino Group)启动了几轮函授学习，以自检歧视性做法。事实证明，这种方法是成功的，因为招聘歧视的程度从一轮到下一轮都大大降低了。2016年，法国劳动部更进一步。他们决定开展一项函授研究，监测总部设在法国的40家公司可能存在的歧视性招聘做法。 This strategy allowed the ministry to sanction, through naming and shaming, those firms that, although they had been found to discriminate on prohibited grounds, did not establish a satisfactory action plan to counter this trend. However, using this method to measure hiring discrimination at the firm level is only feasible if the investigated firm posts a sufficiently high number of job advertisements during the study period. As such, monitoring recruitment practices through correspondence studies is not a realistic option for small- and medium-sized enterprises, which represent the large majority of employers.

旨在减少品味歧视的政策

从理论上讲，两种主要方法可能有助于削弱基于品味的歧视:(i)制定包容性法律(例如同性婚姻);(ii)通过大众媒体和/或在子群体(如学生、雇主或工人)中为公众提供“多元化培训”。然而，很少有人知道这些减少偏见的政策是否真的能有效地改变行为，也不知道能有效多久。

法律有可能改变公众对规范的看法。个人可能认为法律反映了公众舆论，或者是有意的，以保持对这些法律的支持，或者是偶然的，因为立法者和公众一样受到同样的社会力量的影响[4]．此外，广泛的研究表明，人们通常会顺应社会规范观念的变化，部分原因是为了避免社会排斥。

包容性法律是否影响个人对社会接受有歧视风险群体的看法?除了自我报告的态度之外，它们是否对个人对这些群体的看法和行为产生了积极的影响?这些态度倾向于社会可取性偏见(人们以一种会被他人视为有利的方式做出回应)?关于这个问题的第一个实验证据调查了2015年6月美国最高法院裁定全国同性婚姻合法化后的反应[4]．参与者被邀请阅读一篇关于即将到来的最高法院裁决可能结果的简短文章:他们被随机分配阅读一篇积极的版本，题为“最高法院可能裁定支持同性婚姻”，或一篇消极的版本，题为“最高法院不可能裁定支持同性婚姻”。结果表明，制度决定塑造了个人对社会规范的看法:与阅读负面文章的人相比，阅读积极文章的参与者认为美国人目前对同性婚姻的支持程度要高得多。此外，前一组的参与者在支持同性婚姻和同性恋人群方面表现出明显更积极的态度。最后，研究结果显示，包括女同性恋、男同性恋、双性恋和变性人(LGBT)在内的法律可能会影响对这一人群的看法和行为，而不仅仅是自我报告的态度。

多元化培训也应该有助于打击基于品味的歧视。第一个(也是迄今为止唯一一个)评估减少偏见干预措施影响的随机现场实验包括随机安排游行者访问南佛罗里达选民讨论跨性别者权利(治疗组)或回收(对照组)。［5］．干预混合了各种减少偏见的技术，包括换位思考和同理心。结果显示，这些对话(在56名游说者和501名选民之间)大大减少了自我宣称的跨性别恐惧症，在干预三个月后仍然可见效果。然而，需要进一步的研究来确定哪些减少偏见的技术使干预成功，以及干预是否改变了自我报告态度以外的行为。

旨在消除统计歧视的政策

消除统计歧视最直接的方法是缩小不同群体之间的生产率差异，从而消除歧视的根源。但这种方法并不总是可行的。例如，尽管技术变革正在极大地改善残疾人的劳动力市场和社会包容，但从定义上看，缩小残疾人和非残疾人之间生产率差距的空间是有限的。此外，统计上的歧视可能来自一个自我实现的过程。有证据表明，基于品味的歧视会导致群体外成员的退缩行为。这种情况为统计上的歧视留下了空间，这可能会进一步鼓励外部群体的分离。在这方面，对“9/11”(2001年9月11日)之后伊斯兰恐惧症行为的激增如何影响美国穆斯林占多数国家移民的融合的分析很能说明问题[6]．甚至在十年之后，在那些感受到这股浪潮最强烈的州，移民的行为方式更接近其原籍国的规范(这种趋势在恐怖袭击之前没有观察到):内婚制(在当地社区、氏族或部落范围内结婚的习俗)和生育率更高，而整个社区的女性参与劳动力市场和英语熟练程度更弱。同样，性少数群体被社会拒绝的感觉损害了他们的心理健康。举例来说，在美国那些没有接受同性婚姻的州，女同性恋、男同性恋、双性恋和异性恋之间企图自杀的数量差异的缩小幅度要比其他州小得多(在颁布同性婚姻保护法案之前，这一趋势并不明显)。[7]．由此造成的对性少数群体心理健康的损害，反过来可能会加剧对他们的统计歧视。

基于性别的统计歧视是少数几个表明不同群体之间生产力差距的例子之一，这种差距并非源于上述类型的自我实现过程。因此，政策制定者可以专注于最直接的方法来抑制统计上的歧视:消除歧视的来源。基本上在每个国家，社会规范都规定，由于生理特征，妇女花更多的时间照顾孩子，而男人花更多的时间在劳动力市场上工作。这种普遍的规范只是部分地被性别平等的大趋势抵消了。即使在这个问题上最先进的斯堪的纳维亚国家，性别规范仍然相当传统:这些国家的受访者支持这样的观点，即女性在生孩子之前和孩子离开家之后应该全职工作，但在孩子住在家里时只应该兼职工作或根本不工作。在这种情况下，当涉及到高责任工作时，女性可能会遭受统计歧视，特别是当她们处于育龄时。由于女性通常承担着抚养孩子的主要责任，招聘人员将她们与那些通常需要牺牲至少部分家庭生活组成部分的职位的预期生产率较低联系在一起。

为了对抗基于性别的统计歧视，有必要向平等主义的性别规范进行更彻底的转变。通过改革育婴假政策，更好地平衡男性和女性在家陪伴孩子的时间，就可以实现这种文化变革。许多政府正试图增加父亲休产假的比例，以促进性别平等，从而纠正劳动力市场不平等的结果。然而，文献指出，有必要分阶段实施这些政策，而不是一步到位，否则改革会适得其反。瑞典的例子很好地说明了这一教训[8]，［９］．特别是，当一项改革对父亲是否休产假产生重大影响时，如果强制性产假的长度足够长，就会出现意想不到的影响。这项改革不仅没有引发不那么传统的性别角色观念，反而对女性不利:她们用额外的无薪产假来弥补带薪产假减少的影响，导致家庭总收入减少。此外，夫妻关系破裂的可能性也会增加。后一种影响集中在母亲劳动收入相对较低的夫妇中，因此，传统的性别角色观点可能占主导地位。当改革的干扰程度较低时，比如当改革仅仅适度地影响了父亲的产假长度时，这些反常的影响就不会发生。

在统计歧视产生于自我实现过程的情况下，消除歧视更为棘手。然而，一个潜在的解决方案是改善雇主对候选人个人生产力信息的获取，从而限制他们对刻板印象的依赖(而不是改变刻板印象本身，这肯定是一个可取的，但很难达到的结果)。平权行动，无论是通过配额还是雇佣补贴，都激励招聘人员从受歧视群体中招聘最有生产力的人[3]．特别是，它引导雇主投资于“筛选资本”，即提高雇主筛选潜在工人能力的投资，例如雇用和培训人事专家，开发工作测试，与中介机构(即职业介绍所和学校)建立关系和利用中介机构。

然而，正如前面所强调的，平权行动众所周知会产生不良影响:由于少数群体的公平份额往往是未知的，因此总有人怀疑配额或雇佣补贴会过分有利于少数群体。有三种共同的方法可以缓解平权行动政策引起的非歧视群体的怨恨。首先，这些政策应该倾向于雇佣补贴，而不是配额，因为通过提供更大的灵活性，雇佣补贴最好考虑到，如果不受歧视，受歧视群体所代表的(未知)比例在每家公司之间会有很大差异。换句话说，如果雇佣补贴的比例低于配额，就不会对公司造成惩罚，这是强调平权政策的公平性并为其争取支持的重要一步。其次，补贴水平的计算应基于(i)根据函授研究衡量的对不同群体的雇佣歧视程度，以及(ii)劳动力需求相对于劳动力成本的敏感性。换句话说，这些补贴必须设定在一个水平上，以确保弥合不同群体之间的平均招聘差距其他条件不变不能多也不能少，这也是让广大民众接受的重要前提。第三，在提供雇用补贴的同时，还应发展专门证明受补贴对象的认知和非认知技能的就业中介机构。这样一来，同事们就更容易把受益人看作是基于他们的能力而被雇用的，而不是他们“有资格参加平权行动计划”的地位。

显然，平权行动政策还要求收集每个人作为雇佣补贴标准的信息(例如种族、民族或出生/祖籍国)，许多批评者认为这一条件过于干涉。然而，这种观点似乎并不为大众所接受。根据2015年关于歧视的欧洲晴雨表，欧盟绝大多数受访者赞成匿名提供敏感的个人信息，以打击歧视:平均而言，72%的受访者愿意透露他们的种族出身，63%的受访者愿意透露他们的性取向。

限制认知偏见和基于注意力的歧视的表现

基于品味的歧视是一种广泛存在的认知偏见:人们往往对群体外的成员更有敌意，即使他们并不认为这些人会对他们构成任何真正的威胁。但是统计上的歧视，虽然被认为是更理性的，但也不是没有认知偏见。统计歧视所依赖的刻板印象并不总是代表群体之间的真正差异[10]．首先，刻板印象往往会放大所谓的差异。这意味着当群体相似时，刻板印象尤其不准确。其次，它们是上下文相关的，在某种程度上，对给定目标群体的评估取决于与之进行比较的群体。例如，在比较爱尔兰人和苏格兰人时，对爱尔兰人的刻板印象通常会从“红头发”变成“天主教徒”。第三，刻板印象扭曲了对信息的反应:刻板印象意味着对产生或证实刻板印象的信息反应过度，而对与之矛盾的信息反应不足(尽管如果收到足够相反的信息，刻板印象可以改变)。最后，除了认知偏见之外，在招聘阶段，跨群体不公平待遇的另一个来源是基于注意力的歧视。基于品味和统计歧视的模型隐含地假设个体完全关注现有信息。然而，只要获取信息是昂贵的，决策者就应该根据预期净收益来优化获取信息的数量。因此，在劳动力市场上，选择性很高(因为公司只选择少数优秀的申请人进行面试)，对于属于résumé的候选人，阅读résumé的预期收益是最小的先天的最不吸引人的群体。因此，这些候选人是基于注意力的歧视的受害者，此外还受到基于品味和/或统计的歧视[11]．

在这种情况下，人力资源(HR)大数据的使用，即人力资源分析，可能是限制招聘和职业管理中认知偏见和基于注意力的歧视表达的下一个前沿。更准确地说，依靠在历史人力资源数据上训练的机器学习，应该会提高来自受歧视群体的个人被邀请参加面试并通过面试以及获得晋升的概率，主要有两个原因。首先，尽管历史数据受到认知偏见的困扰，但机器学习整合了每个人的特殊偏见，从而抵消了人类主导过程的一些(尽管不是全部)缺陷。其次，更重要的是，机器学习不会沉迷于基于注意力的歧视:它考虑了所有变量，因此不会低估来自少数族裔申请人的积极信号。特别是，与匿名申请相比，人力资源分析可以更好地应对歧视，在匿名申请中，申请人的“公民身份”(包括姓氏、姓名、地址和申请人的出生日期)被压制。许多其他没有隐藏在匿名求职申请中的变量(比如申请人的教育背景)确实会产生基于注意力的歧视。此外，算法可以根据申请人的群体成员资格与教育或工作经验之间的相互作用提取信息，因此，如果具有移民背景或来自弱势社区的候选人表现出低于平均水平的教育成果、劳动力市场经验或语言技能，算法就会更方便。相比之下，匿名使雇主无法考虑情有可原的情况，因为他们没有观察到申请人的团体成员身份。匿名求职的这些缺点或许可以解释为什么迄今为止还没有政府通过并实施强制要求匿名求职的法律。

关于算法对非典型求职者被录用概率的影响的首批实验证据之一发现，机器更善于识别“正确”候选人。机器和人类筛选人员在大约30%的候选人上存在分歧:由机器(而不是人类)挑选的候选人通过现任员工的双盲面对面面试并获得工作机会的可能性要高17%，而由人类(而不是机器)挑选的边缘候选人通过双盲面试的可能性较小。换句话说，算法有利于那些原本会受到歧视的候选人，比如缺乏工作推荐的人，没有经验的人，或者拥有非典型证书的人。对使用职业测试招聘技术的影响评估进一步证实，在做出招聘决定时较少依赖人类判断的公司最终会招聘到更好的员工[12]．

然而，在使用人类历史数据进行训练时，算法限制歧视的潜力并没有得到充分利用，因为根据定义，这些数据反映了歧视做法。特别是，对属于受歧视群体的个体的观察可能过于稀少，以至于算法无法对他们进行适当的推断。而且，算法分配给少数族裔员工的绩效可能被低估了。有证据表明，对少数族裔有偏见的管理者会避免与他们接触，导致这些少数族裔付出的努力较少[13]．为了克服这些缺点，可以从头开始训练算法(即所谓的“强盗法”)。无论采用何种方法(历史或前瞻性)，都需要大量的观察来训练算法，这意味着人力资源分析不能轻易地在只发布少数职位空缺和只拥有少数员工的公司内部开发。因此，政府和社会合作伙伴必须考虑如何为小公司提供相关数据集(即与他们的行业、部门和职位相匹配的数据集)，以便他们也可以利用算法来指导他们的招聘和职业管理。