同一份工作，女性竟然比男性少拿20.7％……

職場 06-12

眾

譯

小

組

譯者：王素婷、李小連、劉志金、魯仁淑、余華婷、張浩、pupu、康康、汪瑾立、坤坤小劉

合成：Lurcerne

文章來源：Google re：work項目

Introduction

導言

設計公平的薪酬實踐並對之進行審查以創造更加具有公平氛圍的工作場所，是世界各地的組織均會採取的措施。雖然我們對不同性別之間的薪資差距有著確鑿的記錄和深入的研究，但是這一問題卻持續存在。向女性支付較低薪資的現象普遍存在，這蠶食著整個社會公平和平等的價值體系，並造成了實質性的經濟影響。

為了實現公平薪酬的設計和檢查，組織應該考慮採取如下措施：

制定付薪理念：理念將會指導薪酬體系的建立。

結構化薪酬流程和為角色付薪。薪酬結構為薪酬決策提供了框架，例如為角色付薪，以此從實際上支持同工同酬。

開展薪酬公平性分析。如果上述兩條都得到了執行，定期嚴格的檢查就是為了確保公平的薪酬體系的貫徹落實與預期一致。

所有的組織都會採取步驟一和步驟二，以削弱任何形式的薪資差距（如性別或種族之間的薪酬差異）。但第三個步驟，即薪酬公平性分析，卻是一個複雜的過程。它需要高級的統計技巧，從法律方面也會對我們所處的組織帶來影響，因此我們絕不能輕視它。

Understand the research

了解研究

Francine Blau來自康奈爾大學工業與勞動力關係學院，是性別薪酬公平性研究領域的前沿研究者。她的同事Lawrence Kahn對美國2010年大量的樣本進行分析後，計算出了男性與女性之間的薪酬差距為20.7%（女性的收入大約是男性收入的80%）。縱觀歷史，20世紀80年代性別薪酬差異急劇下降，但從1990年開始趨於穩定。

在20.7%的差異中，大部分可歸因於非性別因素：比如相對於男性，更多的女性處於較低薪酬水平的職位。其他的因素如經驗、工會會員狀況和區域等也造成了部分差異的形成。即使在對上述所有因素進行控制，Blau 和 Kahn發現薪酬的性別差異仍會有8.4%。這項研究說明即使在考慮職業、行業、經驗和其他因素後，女性的收入仍然只為男性收入的92%。

研究還顯示了薪酬結構和問責制怎樣在組織中能解決薪酬的不公平問題。在一個縱向的研究中，麻省理工學院斯隆管理學院的Emilio Castilla，與一家組織合作，研究歷史上統計上顯著的女性和少數族裔加薪緩慢的問題。在Castilla的研究中，管理人員接受了一項基於統一標準（如績效評估）而加薪的培訓，並被要求證明獎金數額的原由。然後，一個新成立的委員會會審查管理者的加薪建議，並有權修改薪酬決定以糾正任何問題。該組織的領導人還會收到了一份年度報告，裡面涵蓋了他們所在部門的所有薪酬決定。

Castilla監測了未來4年的薪酬數據並發現工資增長不再與人口統計組有所差異。在問責制和透明度的支持下，新增的薪酬結構的採用降低了工資差距。

Set a compensation philosophy

確立付薪理念

確立付薪理念是為你的薪酬決策建立標準的第一步。一些組織有績效工資的付薪理念，你自己的準則應該由你想在組織中推崇的信念來驅動（例如:長期僱傭、責任心）。當你開始闡述你的理念時，需要集中和檢查自己當前的薪酬數據，研究其他組織在做什麼，並問自己一些問題:

我們的付薪理念如何支持到我們組織目標和價值觀?

我們希望我們的薪酬如何與產業和勞動力市場相匹配?

我們的薪酬實踐和預算允許我們吸引和留住所需要的人才嗎?

一旦你建立了付薪理念，薪酬結構可以幫助你把你的理念付諸實踐。

Structure your pay process

結構化付薪流程

有很多方法來結構化你的付薪流程。一開始，需要確定在您的組織中存在哪些角色（role）（或者您計劃僱傭哪些角色)，以及要勝任這些角色所需的細節，你可以通過完成一份工作分析來組織這些信息——工作分析可以為你組織所需角色進行描述，包括職位名稱，任務和職責的總結，所需的知識和技能等等。

一旦你完成了工作分析，就應該著手對這些崗位的市場價值（即其他公司對類似崗位支付多少薪資）進行對比，來定位你員工的薪資（例如，你支付的目標薪資是市場的中間水平，這是最常見的做法）。你可以根據你已經招聘或者離職的人員來定義「市場」（例如與你在同一地區、同一行業的組織）。在將你員工薪資對比市場時，切記要考慮到你的預算。

藉助工作分析中崗位職責內容，來同市場中類似的崗位薪資數據進行對比，其中很重要的是不僅僅根據崗位名稱而進行比較：一家初創公司的副總裁也許只有5年的工作經驗以及小範圍的工作經驗；而一家知名、跨國公司的副總裁可能有30年的工作經驗，可以承擔大型集團管理和預算職責。你可以通過美國勞工統計局免費獲得常規工作的市場數據，而更為詳盡的數據則需通過行業組織和諮詢公司獲取。如果市場數據缺失或者不適用，你可以考慮當前僱員薪資的中位值，或者使用類似工作範圍、工作職責或者工作複雜性崗位的市場數據。

許多大型集團組織設定具體的目標薪資會有較大的薪酬區間（或幅度）。薪酬區間代表給指定崗位的最高和最低薪酬範圍，通常是基於市場崗位薪酬上、下浮動若干個百分比（如上下浮動20%）。落實薪酬結構包括制定薪酬目標和區間，這樣可以更輕鬆地為每個崗位支付一致性薪酬，避免發生異常。

每次薪酬分配應參考薪酬結構——從新員工起薪到老員工加薪。例如，Google新員工的薪酬與其角色掛鉤，而不僅僅基於他們之前的工資。2015年，平均每個Google的女性僱員，相比起剛加入公司時，獲得了比男性僱員高30％的漲薪。這是因為在過去的薪酬體系中，同一角色上女性的平均薪酬比男性低。持續使用薪酬目標是一種能糾正目前薪酬不公平現象的有效方法。

當你對項目進行評估時，切記，薪酬公平並不總是意味著「支付給每個人同樣的薪酬」。根據付薪理念，你會依據某些因素區分相似崗位上的薪酬。比如在Goolgle，同一角色，表現最佳的人得到的薪資會更多。

Structure your pay process

準備薪酬公平性分析

建立結構性薪酬體系有助於避免薪酬不公平。為確保薪酬制度如期望的那樣工作，你可以通過薪資公平性分析確定薪酬差距並非源於性別、種族/民族的不同。這種分析方法會讓你了解組織內部，薪酬是否受到你想要的因素（例如，工作類型，工作地點）或不想要的因素（例如性別、種族/民族）的影響。它也可以幫助預測團隊和個體異常值的分布趨勢。在Google，所有的薪酬決定（如收入分配，薪金調整，獎金和權益分配）都受績效工資的理念驅使。整個團隊密切監測彼此流程，包括績效管理和職位晉陞，並在每次分析周期結束時，匹配性別和種族分析結果。

薪酬公平性分析很複雜，因此首先你需要在確定付薪理念和薪酬目標的同時，建立結構化付薪流程。一旦有了該流程，在決定薪酬公平性分析是否適合組織時，你會著手如下事項：

了解法律背景。在你開始分析之前，請聯繫一位在僱傭問題上有專長的律師。因為這種分析可能涉及廣泛的法律範圍，而你必須理解所有的注意事項。

定義你想要回答的問題。在每一項分析中，請清晰地定義你正在調查的內容。例如，對於做著相同工作的新入職員工中，男女的薪酬是否公平？

標準化你的薪酬變數。不同工作之間的薪酬目標可能不同，所以標準化你的薪酬變數可以讓你在不同工作之間進行比較。一種方法是使用工資比，即一個員工的工資除以該職位的薪酬目標。例如，工作A的薪酬目標是100美元，員工X在這個工作崗位上賺了90美元，這個工作的工資比是90%（90/100）。工作B的薪酬目標是110美元，員工Y在這個工作崗位上賺了99美元，這個工作的工資比也是90%（99/110）。通過運用工資比，我們發現員工X和員工Y的工資與工作的相關性是相似的，儘管他們實際的工資和薪酬目標是不同的。

確定如何可靠地檢測是否存在差異。這取決於組織間的不同，和你想要看到怎樣的變數。在選擇一個樣本組之前，要看看怎樣的樣本大小對於組織和分析最有效。對於只有幾十名員工的小型組織來說，進行薪酬公平性的分析可能不現實，但是對薪酬數據進行審查依然是有價值的。例如，在一個組織里只有一個女性，你可以和在相同崗位、水平和經驗上的男性進行比較，或者用一些簡單的控制變數來計算男性和女性的薪酬平均值。

一旦你完成了以上的工作，你就可以開始分析了。

Identify variables to test

確定需檢測的變數

既然你已確定了要做比對的崗位及組織，現在你就可以確定需檢測的變數了。

由你組織付薪理念決定的、會對薪酬構成影響的因素將是你的可控變數。例如，你組織的付薪理念為：較高職級的僱員將獲得較高的薪酬，或低績效的僱員將獲得較低的薪酬，那麼，本例中的可控變數可能包括職級、績效或工作經驗。同時，考慮一番你的可控變數是否會受偏見影響也很重要，無論該影響是有意或無意。

如果你組織的薪酬總體方案包含多種薪酬支付方式（如，工資、獎金、股權），你需要對各種方式分別進行分析，因為它們會受到不同變數的影響。如僅僅觀察薪酬差異的數量級會因該差異並不具備統計意義而引發虛假警示，而採用薪酬支付佔比數據則有助於解決因匯率、地理位置、職級的不同引起的絕對值不同的問題。

Tool: Analyze the data and look for variance

工具：分析數據並查找差異

一旦你選定變數，就到了實際分析的時候了。這要求人員能夠熟練掌握統計資料，還有對標準偏差、方差、回歸模型以及解釋結果的理解能力。

構建和清理您的數據集。好分析依賴於好數據。檢查數據，看是否有丟失或者錯誤。如果你的數據集不完整，去了解原因，並且判斷這對結果可能存在的影響。

選擇一組崗位進行分析。對進行同類工作的人員進行比較時，薪資公平性分析是最有用的。在設置費用目標時，你可能已經進行了類似的分組（例如，銷售部門的入門級分析師可能和財務部門的入門級分析師是在一組的）

進行t檢驗。首先計算薪酬比率的平均值（如果你完全使用美元數額，如果不做對數變換，要確保薪資遵循正態分布），並開始比較。最好的方法是獨立（不配對）樣本t檢驗，這樣就可以使用電子表格或統計軟體（例如R）來運行。該檢驗將幫助你確定不同組之間的薪酬差異，而不控制任何變數。如果存在統計上的顯著差異，就繼續下一步，看看哪些變數是可以解釋這些差異的。如果沒有，就可以暫時到這裡停下來。

檢查多重共線性（multicollinearity），當兩個控制變數高度相關，就會導致結果發生大相徑庭的變化。例如，工作年限和就業水平可能高度相關。一個人在組織中服務的時間越長，他越有可能提升水平。需要控制和刪除那些從你的回歸分析中得出的變數，才能最終決定哪個變數是最重要的。

運行回歸分析。進行薪酬的公平性分析最常見、也最嚴格的方法是運用回歸模型。回歸分析會告訴你變數之間是否存在顯著的關係（如，當你控制其他影響因素不變時，分析性別是否會影響薪酬）。它可以幫助你避免由於獨立變數（如性別）與其他變數而混淆薪酬的不同點，還可以合理地解釋薪酬的不同（例如，工作水平影響工資）。具體地說，一個普通最小二乘回歸將幫助你同時分析所有的控制變數。在回歸中，像第一步中一樣輸入控制變數（例如，工作級別）。接下來，添加獨立變數（例如性別），然後是依賴關係的變數（例如，工資比）。

測試顯著性。審視你回歸的輸出，是否存在組間有統計學意義的顯著性差異，由顯著性檢驗決定？如果是這樣，進行效應值的計算以更好的理解有差異的規模。然後，分析在你的分析中，哪一個變數造成這麼巨大的差異的影響。

檢查你的工作。請一位同事檢查你的方法，你的電子表格公式或代碼，和你的假設（例如，你如何定義類似工作）。回顧你的描述性統計（例如，平均值，方差，相關性），以確保它們有意義（例如，是否有人有負的工資數？）有沒有異常值，像年收入1美元的人？和別人討論你的結果，看是否符合邏輯。

總結你的結果。如果你薪酬系統工作正常，在這個階段，你不會看到在性別或種族的不同。如果你確實發現了不公平，明白是什麼原因造成的。記住你做的任何假設或你無法檢驗的變數，考慮一下是否這些會影響你的結果。