Кратко — сначала социальные объяснения, затем какие эмпирические показатели и методы собирать/анализировать, чтобы верифицировать соответствующие гипотезы.
1) Социологические объяснения (коротко)
- Структурная/институциональная дискриминация: формальные и неформальные правила продвижения, критерии оценки и кадровые практики системно неблагоприятствуют женщинам.
- Стереотипы и оценочные предубеждения: субъективные оценки компетентности/лидерства зависят от гендера (включая «двойной стандарт»).
- Социальные сети и венчурный капитал (sponsorship): мужчины имеют доступ к более сильным рабочим сетям, спонсорам и политике распределения видимых проектов.
- «Утечка конвейера» / различия в человеческом капитале: разрыв в опыте/навыках/стажe из‑за прерываний карьеры, частичной занятости и т.п.
- Рабочая культура и рабочее время: ожидания длительной видимости/доступности, «face time», которые конфликтуют с семейными обязанностями.
- Токенизм и нормативное давление: при малой доле женщин их поведение/оценки и карьерные возможности искажаются.
- Пересечение неравенств (intersectionality): раса, класс, возраст и др. модифицируют эффект стеклянного потолка.
2) Какие эмпирические показатели собирать (по гипотезам)
Общие базовые метрики:
- Доли по уровням: доля женщин на каждом иерархическом уровне: $p_{\ell }=\frac{n_{\text{women},\ell }}{n_{\ell }}$.
- Показатели продвижения: годовой/квартальный коэффициент продвижения по полу: $\mathrm{Pr}(\text{promotion}|\text{female})$ и $\mathrm{Pr}(\text{promotion}|\text{male})$.
- Время до повышения (time-to-promotion) — медиана/среднее; применить survival-анализ.
- Зарплатный разрыв по уровню: медианная/средняя з/п контролируя уровень и стаж.
Для проверки дискриминации и оценочных предубеждений:
- Оценки эффективности/рейтинги по сотрудникам (формальные performance scores) + объективные KPI (производительность, продажи и т.п.). Сравнить оценки при одинаковых KPI.
- Текстовый анализ отзывов/рекомендаций (тон, слова, эмоциональная окраска).
- Эксперименты: матче́д CV / correspondence‑study с одинаковыми компетенциями, меняя только имя/пол — измерить отклик на вакансии и приглашения.
- Логит/пропорциональные модели: модель продвижения с контролем по KPI/стажу/образованию: $\mathrm{Pr}(\text{promo}=1)={\mathrm{logit}}^{-1}({\beta }_0+{\beta }_1\text{female}+{\beta }_{2}X+\dots )$. Коэффициент ${\beta }_1$ — индикатор гендерного эффекта.
Для сетевых и спонсорских гипотез:
- Метрики сети: центральность (degree, betweenness), число менторов/спонсоров, участие в ключевых проектах/командах.
- Доступ к «высоко‑видимым» заданиям (high‑visibility assignments) — кто получает проекты, приводящие к повышению.
- Социальные события: участие в неформальных встречах/закусках/гольф‑сессиях.
Для «работа — семья» и прерываний:
- Данные о родительских отпусках, частичной занятости, неполном рабочем дне, количестве перерывов в карьере и длительности.
- Сопоставление карьерных траекторий до и после рождения детей.
Дополнительно:
- Состав пула кандидатов при внутренних/внешних наймах (сколько квалифицированных женщин подаются?).
- Жалобы о дискриминации, результаты расследований, увольнения и текучесть по полу.
- Качественные интервью/этнография для выявления неформальных механизмов.
3) Рекомендованные аналитические подходы и статистические тесты
- Сравнение долей и тесты различий (z‑test для пропорций): сравнить ${\hat{p}}_{\text{women},\ell }$ и ${\hat{p}}_{\text{men},\ell }$.
- Логистическая регрессия для вероятности продвижения (см. выше). Интерпретировать OR: $OR=\frac{p/(1-p)}{p_0/(1-p_0)}$.
- Cox‑регрессия для времени до повышения (hazard ratios).
- Oaxaca–Blinder декомпозиция для объяснения разницы в оплате/доходах/шансах продвижения: например ${\bar{Y}}_m-{\bar{Y}}_f=({\bar{X}}_m-{\bar{X}}_f){\beta }^{\ast }+{\bar{X}}_f({\beta }_m-{\beta }_f)$. Небелый (необъяснённый) компонент трактуется как возможный дискриминационный эффект.
- Медиаторный/модераторный анализ: проверять, опосредуют ли сети, видимость проектов или прерывания карьеры суть гендерного эффекта.
- Текстовая аналитика (bag‑of‑words, sentiment, тематическое моделирование) для рекомендаций и обзоров сотрудников.
- Полевая/корреспондентская экспериментация для причинно‑следственной проверки.
4) Дизайн данных и источники
- Админданные HR (стаж, повышения, оценки, зарплата, отпуска).
- Логи проектов/назначений, e‑mail/Slack сети (анонимизировано) для сетевого анализа.
- Результаты экспериментов и корреспонденций.
- Опросы восприятий и климат организации + качественные интервью.
- Реестр вакансий/квалификаций и откликов.
5) Практические маркеры «стеклянного потолка» (быстрые индикаторы)
- Низкая доля женщин на старших уровнях при близких долях на начальных: $p_{\text{entry}}\approx p_{\text{staff}}$, но $p_{\text{exec}}\ll p_{\text{entry}}$.
- Систематически более низкие оценки при равных KPI.
- Женщины реже получают спонсорство/высоко‑видимые проекты и дольше ждут повышения (significant HR hazard ratio < 1 для женщин).
Заключение (одно предложение): комбинируйте админданные, сетевые метрики, текстовую аналитику и эксперименты; тестируйте гипотезы через контролируемые регрессии, декомпозиции и полевые испытания, чтобы отделить «pipeline» факторы от дискриминации и структурных механизмов.