Lähde: Pron työmarkkinatutkimus (1. osa), joulukuun ansiot.
Ansiomittarin sisällön kuvaus.
|
|
Kuva havainnollistaa sitä, kuinka paljon
laajassa palkkaselitysmallissa jää taustatekijöiden
huomioimisen jälkeen sukupuolten välistä palkkaeroa eri ikäpisteissä
(miten palkkasyrjintä muodostuu ikäkysymykseksi).
"Osittaisvaikutus" siksi, että laajassa mallissa sukupuolten välistä
palkkasyrjintää tutkitaan myös mm. toimialan ja koulutustaustan
mukaan.
|
|
Sukupuolten välisistä palkkaeroista on tehty runsaasti tilastoja ja analyyseja, palkkajakauma-analyysissa tutkitaan sukupuolittain palkkajakaumaa raakapalkkojen osalta ja työnkuvamallilla vakioitujen (jäännös)palkkojen osalta.
Tässä raportissa tuodaan esiin, millä tavalla sukupuoli näyttäytyy Ammattiliitto Pron toimihenkilökunnassa eri työelämän asioiden suhteen. Mikäli haluat tutkia ja kehittää työelämän sukupuolikysymyksiä, niin tämä sivu antaa siihen runsaasti tiedollista pohjaa. Paitsi että asiat pyritään kuvaaman neutraalin objektiivisesti, niin kiinnitämme myös huomiota siihen, että kuinka merkittävä vaikutustekijä sukupuoli ylipäänsä on suhteessa muihin ilmiöihin (esim. palkanmuodostus) vaikuttaviin tekijöihin (esim. työn luonne, työajat tai koulutustausta). Sivutuotteena tämä raportti antaakin runsaasti muutakin hyötytietoa työelämästä. Enemmän matemaattiset, tilastotieteelliset tai ohjelmistoihin liittyvät asiat on korostettu (tai varoitettu) taustavärillä.
Monipuolista tilastojen tarkastelua voit suorittaa
yleisemmästä aikasarjakäyttöliittymästä (erillinen sivu).
Erilaista sukupuolista kertovaa tilastoa löytyy myös
Pron vanhasta tutkimusraportointisivustosta.
Laskuri,
joka tuottaa ennusteita työelämän tiloille sukupuolen, iän, asuinpaikan ja toimialan mukaan.
Tämä on tärkeä pitää mielessä:
Tilastollinen malli hajoittaa
selitettävän asian kokonaisinformaation
(tilastollinen vaihtelu):
Selitettävän asian vaihtelu =
mallin selittäjien selittämä osa (vaihtelusta) +
mallilla selittämätön osa (jäännösvaihtelu)
= systemaattinen osa + satunnainen osa.
Palkkamallilla tarkoitetaan tilastollista menetelmää, jolla aineiston avulla arvioidaan eri tekijöiden osuudet selittämässä yksittäisiin palkkahavaintoihin liittyvää vaihtelua (jota vaihtelun suuruuttta taas voidaan mitata erilaisilla tilastollisilla tunnusluvuilla, kuten keskihajonta, alimman ja ylimmän desiilin välinen ero jne.). Hyvin yksinkertaisesti palkkamallin tuottaminen tapahtuu seuraavasti. Palkkamallissa määritetään matemaattinen yhtälö, jossa selittävät tekijät kytketään selitettävään asiaan, palkkahavaintomuuttujaan. Tätä kutsutaan mallin rakentamiseksi tai "arvaukseksi" siitä, millä tavalla palkkailmiötä on syytä mallintaa. Tuntemattomia asioita on mallin parametrit, jotka kuvaavat selittävien tekijöiden ja palkkamuuttujan välillä olevaa tilastollista suhdetta (korrelaatiota, riippuvuutta). Kuhunkin tekijään liittyvä parametri on mielenkiinnon kohteena, syntyykö uutta tietoa palkanmuodostuksesta. Jotta kiinnostaville parametreille saadaan arvot, on palkkamalli "estimoitava" tilastollisesta aineistosta. Estimointi tapahtuu tilastotieteellisillä algoritmeilla. Tyypillisesti tehdään useita "kilpailevia" malleja, joilla haetaan optimaalista selitystä.
Mallien tehtävä on pelkistää ja yksinkertaistaa yleensä monimutkaista palkanmuodostusilmiötä "hyödyllisellä" tavalla. Hyödyllinen tarkoittaa, että tulokset voidaan kääntää suhteellisen helposti "kansankielelelle", ja malleista voidaan ottaa oppia käytännön kehittämistyöhön. Parhaimmillaan mallit synnyttävät uutta teoriaa, tässä tapauksessa taloudellis-sosiaalista (tuskin kyse on mistään luonnonlaiesta, vaikka ihmiset ovat osa luontoa... ).
Pron laaja kyselyaineisto tarjoaa todella monipuoliset ainekset mallintaa palkkajakauma. Alla on listattu mallin pääasialliset selitysmuuttujat.
Muitakin tekijöitä on mallinnettu, mutta listassa olevat selittävät hyvin palkkojen vaihtelua ja niillä on hyvä "teoreettinen" perustelunsa. Katso myös tilastoja työnkuvien jakaumista.
Tärkeä kysymys on, että onnistuuko malli kuvaamaan palkkatodellisuutta? Täydellisessä maailmassa, jossa aineisto olisi mittausvirheetöntä ja sisältäisi kaikki relevantit tekijät ja palkkojen muodostumisen matemaattinen muoto tunnettaisiin täysin, niin malli selittäisi jokaisen tilastohavainnon. Tällainen 100 % selitysaste on kuitenkin utopiaa, eikä siihen ole tarvettakaan. Riittää kunhan kiinnostavat parameterit on tuotettu riittävän luotettavasti, jolloin niiden avulla voidaan tehdä uskottavia johtopäätöksiä ilmiöstä (siis onko puhtaalla sukupuolella vaikutusta palkkatasoon?). Lisäksi palkanmuodostus ei ole objektiivinen eikä eksakti prosessi, joten subjektiivisia "satunnaisuuksia" syntyy joka tapauksessa.
Pelkästään ajan ja sukupuolen selitysmuuttujina sisältävä malli selittää n. 18 % palkkojen vaihtelusta, mikä on varsin paljon. "Täysi malli", jossa on edellä kuvatut tekijät erilaisine matemaattisine funktiomuotoineen selittää n. 46 % palkkojen vaihtelusta. Kun laajasta mallista poistetaan kaikki sukupuolitekijän sisältävä osat, niin selitysaste putoaa "vain" n. 44 %:iin. Tämä johtuu siitä, että sukupuoli korreloi muiden taustatekijöiden kanssa (liittyy ns. segregaatioon eli että sukupuoli vaikuttaa esim. siihen, onko esimiestehtävissä). Sukupuolella ei ole enää niin paljon itsenäistä vaikutusta, kun muita tekijäitä otetaan mukaan.
N. 46 % selitysaste tarkoittaa, että yli puolet palkkojen asiallisista tai epäasiallista syistä jää "mysteeriksi". Tulos on johdonmukainen myös aiemmin tehdyille analyyseille. Pelkillä työnkuvan määrän ja laadun mittareilla voidaan selittää noin 25 % palkkojen vaihtelusta, joka on aika vähän ja kielii siitä, että palkanmuodostuksessa on laajempia (sukupuolikysymystä vakavampia) perusongelmia. . Vaikka kyselydata ei anna täydellistä ja objektiivista totuutta, niin myös palkkausjärjestelmän toimivuutta (analyyttisyys, käyttö jne.) kuvaavat mittarit (Pron työmarkkinatutkimuksen 2. osa) osoittavat, että järjestelmät toimivat puutteellisesti, vain 30-40 %:sesti ihanteellisesta tasosta.
Suorien tilastojen valossa miesten palkat olivat vuonna 2008 n. 25 % naisia suuremmat. Vuonna 2015 ero oli laskenut n. 22 %:iin. Ajassa ero on kaventunut keskimäärin n. 0.4 % vuodessa. Laajassa mallissa samansuuntaista kehitystä ei kuitenkaan voida nähdä, koska mallin muut tekijät selittävät tuon eron kaventumisen. Esimerkiksi vuonna 2015 naisten osuus esimiehistä nousi, kun taas miesten vastaava osuus putosi (voi olla aitoa rakenteellista muutosta, esim. että naisten tekemät ei-esimiestehtävät on automatisoitu). Ilman monimutkaisempia taustatekijöiden yhdistelmiä selittämättömän palkkaeron määrä on n. 10 %, mutta luku vaihtelee selvästi (ainakin) iän, koulutustausta, toimialan ja
Työuran alussa ero on lähes nolla prosenttia, mutta kasvaa työuran lopussa
lähemmäksi 10 prosenttia.
Iän ja sukupuolen palkkaerovaikutus
sopimusaloittain:
Em. aloilla palkkasyrjinnän määrä on noin 5 %, kun aloja verrattiin auto- ja katsastusalaan. Muut alat eivät poikkea auto- ja katsastusalasta sukupuolten välisen selittämättömän palkkaeron osalta.
Em. koulutusaloilla naiset saavat n. 5 % pienempää palkkaa, johtuen koulutusalan "ominaispiirteistä". Insinöörien ja tradenomien keskuudessa ei ole koulutustaustasta johtuvaa palkkasyrjintää.
Alla oleva graafi esittää sukupuolten välisten palkkaerojen suuruutta yritys- ja toimialatasolla. Analyysi on tehty siten, että ensin on laskettu raakapalkkojen prosentuaaliset erot, mitä kuvastaa punainen/sininen väri. Suorien palkkojen lisäksi (vähän yksinkertaisemmalla) tilastollisella mallilla on arvioitu tekijöillä vakioidut erot. Mallissa on hyödynnetty tiettyjä selitystekijöitä (työnkuva, tehtäväasema, vuorotyö, työn määrä+aika, työtehtävissä matkustaminen, ikä, kokemus ja maantieteellinen alue), joilla on keskeinen ja "hyväksyttävä" vaikutus palkanmuodostukseen (ikä tosin mittaa myös osin palvelusvuosi- tai ikälisää).
Mallilla selittämättömän eron suuruuttaa kuvastavat mustat tai valkoiset janat. Musta jana tarkoittaa, että miehillä on suuremmat selittämättä jääneet palkat ja valkoinen jana vastaavasti naisten suurempia palkkoja. Yritykset on järjestetty niin, että ylimpänä on yritys, jossa miesten selittämätön palkkaero verrattuna naisiin on suurin. Kuvan oikeassa laidassa on tämän vakioidun eron suuruus. Miinusmerkkinen luku (-) tarkoittaa siis, että selittämätön palkkaero on naisilla miehiä suurempi. Analyysissa ei ole tilastollisia virhemarginaaleja, joten tulos on suuntaa antava.
Kuvassa janan pituus mittaa %-eron suuruutta. Kuvateknisesti jana on jaettu kahteen osaan, jossa keskikohta on nollapiste. Kuvassa vasemmassa laidassa yrityksen nimen perässä tähti (*) tarkoittaa että sukupuolten välinen vakioitu ero on tilasollisesti merkitsevä (ns. t/p-arvotesti, p-arvo < 0.05 ). Käytetty tilastollinen merkitsevyystesti ei kuitenkaan huomioi vastaajien muodostaman otoksen yleistämisen perusjoukkoa, joka on "vain" ko. yrityksen Pron toimihenkilöt. Tilastollinen testi perustuu siihen, että perusjoukko on äärettömän suuri, mutta yrityksen ollessa perusjoukkona olisi syytä tehdä ns. äärellisen perusjoukon korjaus (joka käytännössä tekisi havaitut erot herkemmin tilastollisesti merkitseviksi).
Palkkamuuuttujana on käytetty joulukuun laajempaa kokonaisansiota, jossa peruspalkan ja palvelusvuosilisän lisäksi mukana on päivystys-, ylityö-, vuorolisät,..., provisiot. Aineistona on Pron työmarkkinatutkimus tmt 1 vuodesta 2009 lähtien ( tulokset kuvaavat tilannetta keskimäärin ajassa).
Pienimmillään syrjinnän määrä (naisten haitaksi) on lähes olematon (kun on nuori, tietyllä alalla ja koulutustaustalla), mutta enimmillään esim. työuran loppuvaiheessa, ict-alalla ja alemmalla teknisellä koulutustaustalla jopa 20 prosenttia.
Laaja malli antaa paljon oppia palkanmuodostuksesta. Ja myös siitä, kuinka paljon selittämätöntä palkkavaihtelua jää mallin selitystekijöiden ulottumattomiin. Syvällinen näkökulma liittyy siihen, että kun varsinaiset työnkuvatekijät ja kokemustekijät on huomioitu, niin miksi esim. iälle jää niin suuri vaikutus? Onko sittenkin niin, että iäkkäämmät työntekijät saavat epäasiallista palkkaekstraa? Tällöin kysymykset kohdistuvat palkkausjärjestelmien laatuun.
Työssäkäyntimaakunnalla on suuri vaikutus, missä Uusimaa poikkeaa selvästi muista alueista. Enimmillään ero on 16.4 % (Pohjois-Karjala) ja pienimmillään 9 % (Kymenlaakso).
Mallilla analysoidaan toimiala- ja sukupuolitekijän yhdistelmän vaikutusta palkkoihin. Miesten osalta toimialojen ansiotasojen ääripäät näyttävät olevan: Danske Bank/rahoitusala (+6.5 %), rakennusala (+6 %), teknologiateollisuus (+5 %), lentoliikenne (+4 %), teollisuus (ryhmä pienempiä aloja) (-4 %) ja palvelut (-6%). Naisten palkkoihin toimialalla on jossain määrin poikkeava vaikutus, kyseiset poikkeamat on kuvattu edellisessä luvussa.
Työpaikan henkilöstömäärällä on isohko vaikutus. Suuryrityksessä palkkalisää on n. 7 % verrattuna pieneen (n. 10 hengen) yritykseen.
Tutkintotaustaa analysoidaan yhdessä sukupuolen kanssa. Koulutustausta vaikuttaa naisiin poikkeasti tavalla, jota on kuvattu sukupuolivaikutusosiossa. Selvästi korkein palkkataso on tekniikan korkeakoulutuksen omaavilla, insinööreihin ero on n. 11 prosenttia ja tradenomeihin n. 15 prosenttia. Palkan mukaan vähiten arvostettu tutkintoryhmä näyttää olevan sosiaali-, terveys-, humanistisen ja opetusalan alemmat tutkinnot.
Ansiotaso nousee selvästi iän, ammattikokemus- ja työsuhdevuosien mukaan. 55-vuotiaalla "ikälisä" on keskimäärin 20 % verrattuna 25-vuotiaaseen. Iän lisäksi 10 ammattikokemusvuotta tarkoittaa (vain?) noin 1.5 % lisäystä palkkaan. 10 vuoden pituisessa työsuhteessa olevan ansiolisä on n. 5 % verrattuna 1 vuoden työsuhteeseen.
Esimieslisä on noin 13 % assistentteihin ja 8 % asiantuntijoihin nähden. Mallissa vuorotyön vaikutus on noin 4 %, henkilöstön edustajan tehtävä (työsuojeluvaltuutettu tai luottamusmies) ei vaikuta palkkatasoon. 50 päivää työmatkoja tekevän (vakioitu) ansiotaso on 11 % korkeampi kuin henkilön, jolla ei ole yhtään työmatkapäivää vuoden aikana. Vakinainen työsuhde tarkoittaa 8 % ansiolisää, mikä selittynee palkkausjärjestelmien toimivuudella ja psykologisilla tekijöillä (rikkonaisessa työsuhteessa olevalla on harvemmin rohkeutta ja tietoa vaatii työn arvoa vastaavaa palkkaa).
Varsinaiset työnteon määrää ja luonnetta analyyttisemmin kuvaavat mittarit ovat ehdottoman tärkeä osa mallia, muuten analyysit jäävät varsin luurangoiksi. Tutkimusaineiston työn toteutuneen luonteen alkuperäiset mittarit auttaa hahmottamaan, mitä informaatiota malleissa on käytetty. Mallin mittarit ovat summamuuttujia, joihin on tiivistetty ko. alkuperäisten muuttujien paras informaatio. Summamuuttujilla, jotka on tehty faktorianalyysin avulla, on hyviä ominaisuuksia mallien kannalta Ensinnäkin ne vähentää huomattavasti selitysmuuttujien määrää. Itse raportoituihin vastauksiin liittyy käsitteellistä ja mittaamiseen liittyvää problematiikkaa, jota ko. menetelmä myös pystyy kontrolloimaan. Lisäksi yksittäiset muuttujat sellaisenaan malliin syötettynä korreloivat (moniulotteisesti) toistensa kanssa, mikä luo malliin tiettyä tilasollista epävakautta. Alkuperäisten työnkuvamuuttujien analyysit ovat omalla tavallaan informatiivisia, mutta tässä raportissa mielenkiinto kohdistuu sukupuolivaikutusten analysiin. kaikki muut tekijät yritetään pitää suhteellisen yksinkertaisina.
Palkkausjärjelmän toimivuutta kuvaavia muuttujia ei ollut tässä mallissa, koska mittarit on eri kyselystä. Toisesta kyselystä datan tuottaminen vaatisi tiettyä ennustemenetelmää (tehdään myöhemmin). Datassa oli kuitenkin kysymys, tietääkö henkilö oman tehtävän vaativuusluokituksen, joka mitannee jonkinlaista järjestelmätietoisuutta. Tulosten mukaan epätietoisuus TVL:stä vähentää ansioita n. 1.7 %.
Tilastollisten mallien tuloksiin voi myös tutustua R-ohjelmiston antamien tulosteiden muodossa (ovat teknistä, ohjelmiston tuottamaa outputia).