Inwiefern kann statistische Diskriminierung und der Teufelskreis der statistischen Diskriminierung den Gender Pay Gap erklären?

Inhaltsverzeichnis

1. Einleitung

2. Statistische Diskriminierung als Theorie zur Erklärung des Gender Pay Gap
2.1 Der Gender Pay Gap
2.2 Statistische Diskriminierung

3. Forschungsstand
3.1 Lohungleichheit aufgrund statistischer Diskriminierung testen: Experimente und alternative Studien statt Regression
3.2 Studien zur statistischen Diskriminierung
3.3 Ist statistische Diskriminierung ökonomisch rational?

4. Fazit

Literatur

1. Einleitung

Im Bericht „Transparenz für mehr Entgeltgleichheit“ schreibt das Bundesministerium für Familie, Senioren, Frauen und Jugend: „90 % der Frauen und 76 % der Männer finden es empörend, dass es Lohnungleichheit heute immer noch gibt (im Durchschnitt 82 % der Bevölkerung).“ (BMFSFJ 2015: 27). Denn immer noch verdienen Frauen im Durchschnitt weniger als Männer. In meiner Hausarbeit möchte ich mich einer speziellen Erklärung zum sogenannten Gender Pay Gap zuwenden, nämlich der statistischen Diskriminierung, die oft als Erklärung für den ‚Rest‘ des bereinigten Pay Gaps verwendet wird.

Ich werde im Theorieteil zuerst in Abschnitt 2.1 auf den Gender Pay Gap eingehen und auf die Erklärung zu unbereinigtem und bereinigtem Pay Gap. Im Abschnitt 2.2 wird das Konzept der statistischen Diskriminierung erläutert. Abschnitt 3 widmet sich dann ausgewählten Studien zu statistischer Diskriminierung, wobei in Abschnitt 3.1 die Wichtigkeit von Experimenten verdeutlicht wird bevor in Abschnitt 3.2 einige Studien aufgeführt werden und schließlich in Abschnitt 3.3 ein Exkurs zur ökonomischen Rationalität von statistischer Diskriminierung stattfindet. Die Arbeit stellt die Wichtigkeit von experimentellen Studien zur Untersuchung der statistischen Diskriminierung heraus und zeigt durch die aufgeführten Studien, wie viele Aspekte von Ungleichheit von Frauen und Männern auf dem Arbeitsmarkt durch diese erklärt werden können. Das Fazit bietet einen Ausblick, wie statistische Diskriminierung verringert werden könnte.

2. Statistische Diskriminierung als Theorie zur Erklärung des Gender Pay Gap

Im Folgenden gehe ich kurz auf den unbereinigten und bereinigten Gender Pay Gap in der BRD ein, sowie auf die statistischen Erklärungen zu diesem. Anschließend wird die Theorie der statistischen Diskriminierung vorgestellt, die einen Erklärungsansatz zu bestimmten Aspekten von Lohnungleichheit liefert.

2.1 Der Gender Pay Gap

Der Gender Pay Gap bezeichnet die Lohnlücke zwischen Frauen und Männern. 2018 verdienten Frauen in der BRD im Durchschnitt 21 % weniger als Männer. Dieser Anteil wird auch als unbereinigte Lohnlücke bezeichnet. Unbereinigt deshalb, weil ein Großteil dieses Anteils dadurch erklärt werden kann, dass Frauen häufiger in schlechter bezahlten Berufen tätig sind, sie seltener in Führungspositionen tätig sind und häufiger in Teilzeit arbeiten. Rechnet man diese Faktoren raus bleibt ein bereinigter Gender Pay Gap von 6 % (vgl. Statistisches Bundesamt 2019). Diese 6 % lassen sich nicht mit lohnrelevanten Merkmalen erklären und bedeutet, dass Frauen bei gleicher Qualifikation und Stundenanzahl 6 % weniger als Männer verdienen. Je nachdem welche lohnrelevanten Merkmale bei dem bereinigten Gender Pay Gap berücksichtigt werden kann dieser noch weiter sinken (vgl. Statistisches Bundesamt 2017).

Boll und Leppin identifizieren bei ihren Untersuchungen zum unbereinigten Gender Pay Gap ähnliche Erklärungen. Bei ihren Berechnungen kommen sie auf einen Lohnunterschied von 22,8 %, wobei 3,8 Prozentpunkte durch den unterschiedlichen Umfang der Berufstätigkeit von Männern und Frauen erklärt werden, 5,6 Prozentpunkte durch die unterschiedliche Erwerbserfahrung, also die tatsächlich gearbeiteten Jahre von Männern und Frauen, 3,4 Prozentpunkte dadurch, dass Frauen in geringer entlohnte Berufen arbeiten und weitere 3,4 Prozentpunkte durch die berufliche Stellung. Mit weiteren Faktoren wie Betriebsgröße und Migrationshintergrund kommen sie auf 2,3 Prozentpunkte, die unerklärt bleiben. Sie können also durch geschlechtsspezifische Merkmale den Großteil des Gender Pay Gap erklären (vgl. Boll & Leppin 2015: 251f.). Dennoch bedeutet das nicht, dass der Gender Pay Gap dadurch ‚gerecht‘ wird:

„Nicht alles, was erklärt wird, ist frei von potenzieller Diskriminierung: Frauen und Männer haben im Zugang zu lohnrelevanten Jobattributen zum Teil unterschiedliche Zugangschancen. Zum anderen sind Statistiken nicht in der Lage, alle für die Lohnlücke relevanten Sachverhalte zu erfassen. Hier sind vor allem die Verfahren der Arbeitsbewertung zu nennen, aber auch unterschiedliche Verhaltensweisen von Männern und Frauen in Lohnverhandlungen. Fazit: Ungleich ist nicht gleich ungerecht. Aber ebenso wenig ist von statistischer Merkmalsgleichheit auf Chancengleichheit und mithin Gerechtigkeit zu schließen.“ (Boll & Leppin 2015: 254).

Die unterschiedliche Verteilung von Frauen und Männern auf bestimmte Berufe oder berufliche Stellungen und die unterschiedlichen Erwerbsjahre sind also keine Tatsachen, die einfach so passieren, sondern oft Folgen von unterschiedlichen Chancen von Frauen und Männern auf dem Arbeitsmarkt, von gesellschaftlichen Zuschreibungen bestimmter Rollenbilder, zum Beispiel, dass nur die Frau Elternzeit nimmt, von Auswahlprozessen, Selbstselektion Verhaltensweisen und Diskriminierung (vgl. Boll & Leppin 2015: 253).

2.2 Statistische Diskriminierung

Ein Erklärungsansatz für den Gender Pay Gap bietet die statistische Diskriminierung. Im Gegensatz zu taste for discrimination, ist statistische Diskriminierung nicht die Diskriminierung, wie sie im herkömmlichen Sinne verstanden wird. Während Taste for discrimination bedeutet, dass Arbeitgeber*innen unter der Prämisse, dass die Arbeit von Männern und Frauen vollkommen gleichwertig ist, dennoch die eines Geschlechts bevorzugen und zwar nur aufgrund eigener Vorurteile (vgl. Achatz 2018: 395f.), spielen eigene Vorurteile bei der statistischen Diskriminierung keine Rolle. Hier orientieren sich die Arbeitgeber*innen aufgrund von unvollständigen Informationen über einzelne Arbeitnehmer*innen an statistischen Informationen über die Gruppe, der diese angehören. So kommt es zu einer Diskriminierung von Frauen aufgrund von statistischen Informationen über ihre Gruppenzugehörigkeit, die Arbeitgeber*innen zur Verfügung stehen (vgl. Hinz & Auspurg 2010: 137f.). Osterloh schreibt zur statistischen Diskriminierung von Frauen: „Beispielsweise gehen Arbeitgeber davon aus, dass Frauen mit Kindern gerne in Teilzeit arbeiten, was in Toppositionen als störend angesehen wird. Das mag zutreffend sein oder nicht, im Einzelfall führt diese Annahme zu diskriminierenden Praktiken aufgrund von Stereotypen, etwa wenn die betroffene Managerin die Kinderbetreuung perfekt organisiert hat.“ (ebd. 2019: 189).

Als Theorie ist die statistische Diskriminierung langfristig nur dadurch erklärbar, dass die Informationen über die Gruppenzugehörigkeit von Frauen reproduziert werden, da diese sich über die statistische Diskriminierung bewusst sind. Andernfalls würde die statistische Diskriminierung mit der Zeit verschwinden, wenn Arbeitgeber*innen ihre Erwartungen anpassen, nachdem sie produktive Arbeitnehmerinnen eingestellt haben (vgl. Binder 2007: 53f.). Hinz und Auspurg bezeichnen dieses Phänomen als einen Teufelskreis: Da Frauen sich der statistischen Diskriminierung bewusst sind, meiden sie von vornherein Berufe, bei denen solche Informationsprobleme vorliegen und investieren weniger in ihre Aus- und Weiterbildung. Dies führt dazu, dass sich die statistischen Informationen zum Beispiel über Frauenberufe oder geringere Weiterbildungen von Frauen reproduzieren (vgl. Hinz & Auspurg 2010: 137f.). Binder nennt dieses Problem eine „self-fulfilling prophecy“: „Dadurch, daß Frauen mit Nachteilen welcher Art und aus welchem Grund auch immer am Arbeitsmarkt rechnen, schränken sie ihre Humankapitalinvestitionen ein, (...). So behalten Unternehmer recht, wenn sie die Arbeitskraft und die Teilnahme am Arbeitsmarkt bei Frauen geringer einschätzen und dementsprechend handeln. Das gleiche ist der Fall, wenn Frauen kündigen, weil sie im Unternehmen weniger gefördert werden als Männer, denn dann erfüllt sich die Annahme des diskontinuierlichen Erwerbsverlaufs bzw. der geringeren Betriebsbindung.“ (Binder 2007: 53).

Anhand der Theorie der statistischen Diskriminierung kann es zu Beschäftigungs- sowie Lohndiskriminierung kommen. Die Beschäftigungsdiskriminierung erfolgt dadurch, dass Frauen bestimmte Berufe verwehrt bleiben, da die Arbeitgeber*innen sie aufgrund ihrer Gruppenzugehörigkeit als nicht geeignet sehen. Lohndiskriminierung heißt, dass Arbeitgeber*innen Frauen geringer entlohnen, um ein kleineres Risiko einzugehen, obwohl die Frau die gleichen Qualifizierungen wie ein Mann hat. Außerdem kann die statistische Diskriminierung dazu führen, dass Arbeitgeber*innen weniger in Aus- und Weiterbildungen von Frauen investieren (vgl. Brunner 1994: 15). Gleichzeitig spielt bei der statistischen Diskriminierung die self-fulfilling prophecy eine Rolle bei Lohnunterschieden. Da Frauen bei der Weiterbildung benachteiligt werden, streben sie diese auch nicht an oder beenden sogar ihr Beschäftigungsverhältnis. Zudem kann es sein, dass Frauen von vornherein weniger in ihre Bildung investieren oder sich auf bestimmte Stellen nicht bewerben, weil sie davon ausgehen, nicht berücksichtigt zu werden (vgl. BMFSFJ 2009: 30-33). Dies hat dann wiederum Einfluss auf das Gehalt der Frauen und kann eine Erklärung für den Lohnunterschied von Frauen und Männern sein.

3. Forschungsstand

Ich möchte nun einen Überblick über den Forschungsstand zu statistischer Diskriminierung geben. Im ersten Teil soll an einer Studie beispielhaft gezeigt werden, warum eine Auswertung von Daten mittels Regression statistische Diskriminierung nicht messen kann. Im zweiten Abschnitt werden Experimente vorgestellt, anhand derer statistische Diskriminierung besser festgestellt werden kann. Im dritten Teil wird näher auf eine Studie eingegangen, die die ökonomische Rationalität von statistischer Diskriminierung infrage stellt und diese testet.

3.1 Lohungleichheit aufgrund statistischer Diskriminierung testen: Experimente und alternative Studien statt Regression

Wenn die Lohnungleichheit von Männern und Frauen durch zum Beispiel Bildungsunterschied, Erwerbsumfang, Berufserfahrung, Berufsunterbrechung, Branchen- und Berufswahl und regionale Unterschiede erklärt wird, wird Diskriminierung als Erklärungsfaktor verwendet, um die verbleibende Lohnlücke zu erklären. Diese wird dann oft als nicht messbarer Faktor bezeichnet. Sie ist wird oft als eine Erklärung der verbleibenden Lohnlücke gesehen, wenn alle beobachteten Merkmale von Männern und Frauen identisch sind (bereinigter Pay Gap) (vgl. Schmidt u.a. 2009: 68ff.).

[...]