统计性歧视

1.模型简介

    1972年，美国学者菲尔普斯在《美国经济评论》中，正式提出统计性歧视模型。
    统计性歧视是将一个群体的典型特征看作该群体中每一个个体所具有的特征，并利用这个群体的典型特征作为雇佣标准而产生的歧视。
    统计性歧视将个人的群体特征类型化，减弱了个人对教育和培训进行投资的激励，从而反过来又强化关于原有群体特征的成见，而这将导致经济的无效性。人们最常见到的“统计性歧视”，就是“唯学历论”。
    统计性歧视理论认为，统计性歧视的根据在于信息的不完全，以及获取信息需要支付成本，企业在劳动力市场上雇佣时，往往将求职者的群体特征推断为个体特征，这种做法会使不利群体遭受统计性歧视。
    如果不利群体额总体统计性特征中，个体差异越大，那么利用群体特征来推断作为甄选标准的代价就越高。但是对于企业来说，这仍是不完全信息下的高效率的做法，与雇主利润最大化目标是一致的。需要注意的是：统计性歧视不仅能将个人的群体特征类型化，而且还能减弱个人对教育和培训进行投资的激励，从而反过来又强化关于原有群体特征的成见。

2.模型规则

    参与者将被分成角色，一为“求职者”，一为“招聘者”。求职者又将被分为两种类型（类型一、类型二），类型的名称可以是颜色，如“绿”、“紫”，也可以是生活中的其他属性，如“男、女”“一般院校、重点院校”等。
    每轮实验开始后，每个“求职者”将会获得一个随机值，表示该求职者若需要掌握某种技能所要花费的“学习成本”，求职者需要决定，自己是否愿意花费该项“成本”以获得相应的技能。
    招聘者对求职者会进行若干次测试。测试的结果，可能准确，也可能产生误差（测试结果与求职者实际决策不一致）。误差的概率，取决于实验的设定。
    Y表示测试结果是求职者投入了成本获得技能，N表示求职者未投入成本，未获得技能。
    招聘者需要尽量招聘到符合自己需要的求职者。

3.参数说明

  （1）匹配方式。在应聘/招聘过程中相遇的相对方匹配方式，建议设为“随机”，否则每轮次中的招聘对象与应聘对象均完全固定。
  （2）求职者类型。两类不同的求职者（绿、紫）。也可根据需要自定义其类型名称，如“本科”、“专科”等。
  （3）学习成本。可根据主持者需要设定为不同学习成本区间，一般建议初始设定预计被歧视类型投入学习成本高于预计不被歧视类型
  （4）成本统一开始轮次：在若干轮次后，将两类求职者的学习成本将来自同一区间。
  （5）求职测试次数：招聘者对应聘者进行测试的次数，一般而言，测试越多则依据测试结果聘用员工的成功率越高。
    (6)合格(投入)被测为Y(合格)的概率:此参数决定实际合格者（投入者）被测结果为合格的概率。
    (7)不合格(未投入)被测为Y(合格)的概率。此参数决定实际不合格者（未投入者）被测结果为合格的概率。
    (8)测试成本。在测试中招聘方需要花费的成本。每轮计算一次（不论测试次数）。
    (9)求职者被雇佣/未被雇佣收益。求职者被雇佣与未被雇佣可得之收益。
    (10)招聘者雇佣合格者/不合格者收益。招聘者招聘到实际合格者所得收益与招聘到实际不合格者的收益。
    (11)招聘者未雇佣收益：即无论应聘者实际是否合格，招聘者不招聘均可获得的收益。

4.案例思考

1、耿红路 等.大学生求职过程中存在的统计性歧视及对策.统计与决策.2008.
    https://wenku.baidu.com/view/35aad4225901020207409c6f.html
2.张抗私.劳动力市场性别歧视与社会性别排斥.科学出版社.2010
    http://product.dangdang.com/20850103.html
3.谢嗣声.劳动力市场歧视研究：西方理论与中国问题.2005
    http://www.docin.com/p-806141816.html

•