Kroly Takcs 1 Flaminio Squazzoni 2 Giangiacomo Bravo

Károly Takács 1, Flaminio Squazzoni 2, Giangiacomo Bravo 3 Az ajánlások és a hálózati információ-áramlás növelik a diszkriminációt: Laboratóriumi kísérleti eredmények 1 MTA TK ”Lendület” Research Center for Educational and Network Studies (RECENS), Budapest Intra-European Fellowship Program of the European Union, GA-2009 -236953 Kísérlet és Empíria -Munkaerőpiaci kutatások 2017 Szirák Acronym: EVILTONGUE Project number 648693 2 University of Brescia, Italy 3 Linnaeus University, Sweden

Egyenlőtlenségek a munkaerőpiacon ¡ ¡ Makro-jelenség: egyenlőtlen belépési esélyek (diszkrimináció a felvételkor) 1. fő kérdés: meglévő különbségekből fakad (útfüggőség) vagy egy teljesen ideális, semleges, különbségektől mentes munkaerőpiacot is jellemezne? l (az egyenlőtlenségek elkerülhetetlenek) 2

„Könnyű” magyarázatok ¡ ¡ ¡ ¡ Részrehajlás (old boys) Statisztikai diszkrimináció (statisztikai különbség a termelékenységben, kvalifikációban, szorgalomban, biológiai különbségek) Üvegplafon Etnikai verseny a munkahelyekért (Olzak) Nyelvi akadályok Eltérő kilépési esélyek Útfüggőség 3

Egy ideális munkaerőpiac ¡ ¡ Történelmi béklyóktól mentes Statisztikai különbségektől mentes l l ¡ ¡ ¡ Azonos átlagkvalitások Az egyéni kvalitások azonos eloszlása Semleges jelzések Nincs anyagi vagy bármely más motiváció a diszkriminációra Kialakul a diszkrimináció ilyen ”ideális” körülmények között? 4

Racionális adaptív mintavétel: diszkrimináció egy semleges világban Csoport-reputációs pontszámok és a felvett munkaerő átlagkvalitásai, izolált vállalat, 6 munkahely 5

Fő strukturális kérdések Hogyan lehet az ideális munkaerőpiacon is jelentkező egyenlőtlenségeket csökkenteni? ¡ Magasabb elvárásokkal? l ¡ pl. tudásintenzív szektorban Ajánlásokkal? l Információs aszimmetria csökkentése Kétélű fegyver: ¡ Kapcsolat = kötelezettség ¡ Kapcsolat = információ 6

Laboratóriumi kísérlet 1 ¡ ¡ ¡ 2 x 2 between-subject design Résztvevők: munkaadók (N=132) manipulációk: 1. 2. ¡ ¡ 2 játék egy időben 8 állás betöltése 2 lépésben (5+3): 1. 2. l l l Ismételt pozitív üzenet a munkavállalók minőségére vonatkozóan (aspirációs szint növelése): keretezés i/ n Ajánlói hálózat (kör, N=6, 2 üzleti partnerrel) : i/ n Újrafoglalkoztatás / üzleti ajánlások alapján / új foglalkoztatás (kék, zöld, bármely) Csak új (kék, zöld, bármely) 30 döntés 60+60 fiktív munkavállaló (id), véletlen kvalitáseloszlás Képernyőn: 2 korábbi kör eredményei 7

qwww. eco. unibs. it/gecs Kifizetés, helyszín ¡ A foglalkoztatottak minőségétől függően l ¡ ¡ Átlag (75 perc): € 18, 74 GECS, University of Brescia z-Tree 8

Screenshot 9

Fontosabb mérőszámok ¡ ind. Disc: ¡ strong. Disc: mindhárom új munkavállaló egy színből (i/n) Disc: a kék és zöld munkavállalók résztvevők által becsült abszolút minőségkülönbsége (a kísérlet végén) ¡ 10

Eredmények: átlag ind. Disc 11

Eredmények: átlag strong. Disc 12

Eredmények: átlag Disc (becslések) 13

HLM, N=3828 (132) Independent variables FIXED EFFECTS dependent: ind. Discit dependent: strong. Discit Model 1 Model 2 intercept γ 00 0. 328 (. 026)*** 0. 410 (. 052)*** -1. 828 (. 242)*** -2. 056 (. 402)*** Priming γ 01 -0. 002 (. 025) -0. 009 (. 025) 0. 554 (. 223)* 0. 553 (. 217)* 0. 105 (. 026)*** 0. 098 (. 025)*** -0. 118 (. 223) -0. 088 (. 215) subject level Networks γ 02 Computer use -0. 008 (. 006) -0. 030 (. 067) Gender (1=male) 0. 025 (. 024) 0. 450 (. 210)* Works 0. 067 (. 024)** 0. 535 (. 212)* Study year -0. 020 (. 008)* -0. 046 (. 075) decision-level t slope intercept 0. 001 (. 001) 0. 025 (. 007)*** 0. 026 (. 007)*** intercept μ 0 st. dev. 0. 138 (χ2=1004. 6)*** 0. 132 (χ2=886. 9)*** 1. 171 (χ2=866. 2)*** 1. 151 (χ2=828. 7)*** Value likelihood f. -782. 5 -788. 9 -5353. 6 -5361. 7 Deviance 1565. 0 1577. 8 RANDOM EFF. 14

Kék / zöld diszkrimináció az egyes kísérleti csoportokban Baseline Priming Ajánlások Priming + Ajánlások 15

Főbb eredmények (kísérlet 1) ¡ ¡ ¡ ¡ Robosztus eredmény: VAN diszkrimináció az ideális munkaerőpiacon A pozitív üzenetek (magasabb elvárások) NÖVELIK az extrém (Strong. Disc) mértékét Az ajánlások NÖVELIK a diszkrimináció (ind. Disc) átlagos mértékét Racionális adaptív mintavételre utaló jelek NEM TŰNIK el az információs aszimmetria, a megfigyelések lesznek szelektívebbek Az izolált munkaadó is diszkriminál, de kevésbé mint mások Némi terjedés: makro-szintű egyenlőtlenségek 16

Laboratóriumi kísérlet 2 ¡ ¡ ¡ 2 x 2 x 2 factorial design Résztvevők: munkaadók (N=144) manipulációk: 1. 2. 3. ¡ ¡ Exogén elvárások (17 / 12) (S) Ajánlói hálózat (irányított kör, N=6, 1 üzleti partnerrel) : i/ n (E) Munkavállalói ajánlások (W), véletlen, csoporton belül 2 játék egy időben 10 állás betöltése Újrafoglalkoztatás / üzleti ajánlások alapján / munkavállalói ajánlások alapján / új foglalkoztatás (kék, zöld, bármely) l l 25 kör 100+100 fiktív munkavállaló (id), véletlen (egyenletes) kvalitás-eloszlás (0… 19), párhuzamos állások lehetségesek Képernyőn: utolsó kör eredményei 10% turnover 17

qwww. eco. unibs. it/gecs Kifizetés, helyszín ¡ A foglalkoztatottak minőségétől függően l ¡ ¡ Átlag (75 perc): € 12, 49 + € 5 megjelenési díj GECS, University of Brescia z-Tree 18

RE regression model, N=1800, ind. Disc, Interakciók nélküli csoportok Estimate SE t p 0. 283 0. 015 19. 273 0. 000 0. 257 0. 032 8. 051 0. 000 +S 0. 143 0. 019 7. 691 0. 000 0. 149 0. 019 7. 836 0. 000 +E 0. 082 0. 019 4. 424 0. 000 0. 090 0. 020 4. 584 0. 000 +W 0. 154 0. 019 8. 295 0. 000 0. 159 0. 019 8. 296 0. 000 0. 011 0. 014 0. 803 0. 422 religious – 0. 006 0. 014 – 0. 422 0. 673 economics – 0. 001 0. 016 – 0. 031 0. 975 study year 0. 011 0. 005 2. 186 0. 029 – 0. 016 0. 019 – 0. 868 0. 386 (Intercept) treatment effects subject characteristics male part 2 T F 28. 928 0. 000 11. 759 19 0. 000

RE regression model, N=3600 (144), ind. Disc Estimate SE t p (Intercept) 0. 283 0. 014 19. 871 0. 000 0. 246 0. 024 10. 175 0. 000 +S 0. 143 0. 019 7. 649 0. 000 0. 148 0. 019 7. 822 0. 000 +E 0. 082 0. 019 4. 399 0. 000 0. 084 0. 019 4. 362 0. 000 +W 0. 154 0. 019 8. 476 0. 000 0. 161 0. 019 8. 476 0. 000 +S*+E – 0. 284 0. 026 – 10. 749 0. 000 – 0. 290 0. 027 – 10. 714 0. 000 +S*+W – 0. 104 0. 026 – 3. 915 0. 000 – 0. 112 0. 027 – 4. 152 0. 000 +E*+W – 0. 107 0. 026 – 4. 028 0. 000 – 0. 115 0. 027 – 4. 257 0. 000 0. 314 0. 037 8. 395 0. 000 0. 328 0. 039 8. 491 0. 000 Male 0. 004 0. 010 0. 459 0. 646 Religion 0. 014 0. 010 1. 389 0. 165 Economics 0. 018 0. 011 1. 614 0. 107 study year 0. 004 0. 951 0. 342 part 2 0. 000 0. 014 – 0. 033 0. 974 +S*+E*+W F 48. 766 0. 000 28. 921 0. 000 20 T

Főbb eredmények (kísérlet 2) ¡ ¡ ¡ Robosztus eredmény: mindig VAN diszkrimináció az ideális munkaerőpiacon A magasabb (exogén) elvárások NÖVELIK a diszkrimináció mértékét A munkavállalói ajánlások NÖVELIK a diszkrimináció átlagos mértékét Az üzleti partnerektől érkező ajánlások is NÖVELIK a diszkrimináció átlagos mértékét Nehéz interpretálni: a munkavállalói és az üzleti ajánlások együttes jelenléte csökkenti a diszkrimináció átlagos mértékét l l ¡ Negatív diadikus és pozitív triadikus interakciós hatás Információs telítettség? Némi terjedés: makro-szintű egyenlőtlenség 21

Összefoglalás ¡ „Elkerülhetetlen” diszkrimináció l ¡ ¡ ¡ Ideális munkaerőpiacon is Az egyenlőtlenségeknek nem csak történelmi vagy statisztikai okai lehetnek A magasabb elvárások (endogén, exogén) növelik a diszkriminációt Az ajánlások és a hálózati információ-áramlás növelik a diszkriminációt 22

Publikációk q q Takács, K. , Squazzoni, F. , Bravo, G. , and Castellani, M. 2014. Employer Networks, Priming, and Discrimination in Hiring: An Experiment. In: Manzo, G. (ed. ): Analytical Sociology: Norms, Actions, and Networks. Wiley, 373 -396. Takács, K. , Bravo, G. , and Squazzoni, F. Referrals and Information Flow in Networks Increase Discrimination: A Laboratory Experiment. Working paper, under review.

Köszönöm a figyelmet! http: //www. uni-corvinus. hu/~tkaroly http: //recens. tk. mta. hu e-mail: takacs. karoly@tk. mta. hu