hist(qog$gii_gii)
12 Cas d’estudi: desigualtat de gènere
“There cannot be true democracy unless women’s voices are heard. There cannot be true democracy unless women are given the opportunity to take responsibility for their own lives. There cannot be true democracy unless all citizens are able to participate fully in the lives of their country.” (Hilary Clinton, 1997)
“There can never be total development of women, there can never be full equality of women with men, unless and until there is peace between nations.” (Vasiti Raiwalvi, 1980)
12.1 Introducció
Quins factors estan relacionats amb nivells diferents de desigualtat de gènere? En el marc d’una nova onada de mobilització en pro dels drets de les dones, és més rellevant que mai mirar d’entendre què és el que fa que un país implementi mesures a favor de la igualtat entre homes i dones. La (des)igualtat de gènere és un element rellevant en la recerca de les ciències socials, i en especial de la ciència política i la sociologia. Quin paper hi juga el capital social?, són les democràcies més proclius a facilitar avanços en la igualtat?, és el conflicte un element de fre en la igualtat? Diferents contribucions fetes des de la ciència política han intentat explicar la lògica que hi havia davant certs avanços en els drets de les dones, com per exemple el dret al sufragi (Corder & Wolbrecht, 2016; Teele, 2018) o l’impacte de les quotes de gènere en la representació política (Verge & Fuente, 2014). No obstant això, més enllà dels contextos occidentals on la igualtat de gènere és preponderant —bàsicament Europa Occidental, Nord-amèrica i Austràlia—, on s’observa major variació en els índexs de desigualtat de gènere és en el que podríem anomenar sud global.
Tot i que hi ha molts factors que s’han tingut en compte, especialment el rol del creixement econòmic, hi ha encara molts altres factors que poden estar relacionats amb l’heterogeneïtat en la desigualtat de gènere als països en desenvolupament. Per exemple, Jayachandran (2015) posa en relleu que hi ha normes culturals més favorables al gènere masculí en diferents països i que això ajuda a entendre algunes d’aquestes diferències. En aquest capítol s’exploraran altres factors que poden ser importants per entendre la igualtat entre homes i dones, fent especial èmfasi en variables com el capital social i el conflicte. De manera similar a les normes culturals, el capital social —tot i que n’hi ha de diferents tipus (Putnam et al., 1994)— pot facilitar relacions entre homes i dones i contribuir al foment de la igualtat. També, com indicava una de les participants de la Conferència Mundial sobre la Dona organitzada per Nacions Unides, Vasiti Raiwalvi, el conflicte i la violència poden ser un fre per al foment de mesures en pro de la igualtat. Al final del capítol veurem si aquests factors són realment un fre o no en la igualtat entre dones i homes.
12.2 Descripció de les dades
En aquest capítol, s’abordarà l’estudi de la igualtat entre homes i dones a partir d’una base de dades que recull informació per a tots els països del món per a l’any 2023 elaborada pel Quality of Government (QOG) Institute, de la Universitat de Göteborg.1 En el marc de dades que es pot trobar a continuació, cada observació descriu les característiques d’un estat. Les diferents variables provenen de múltiples fonts que els responsables del QOG han agrupat en una única base de dades. La unitat d’anàlisi, en aquest cas, coincideix amb la unitat d’observació i és el país.
1 Una versió actualitzada de les dades es pot trobar al web.
qog
## # A tibble: 194 × 1,705
## ccode cname ccode_qog cname_qog ccodealp ccodecow version aii_acc aii_aio
## <dbl> <chr> <dbl> <chr> <chr> <dbl> <chr> <dbl> <dbl>
## 1 4 Afghanis… 4 Afghanis… AFG 700 QoGStd… NA NA
## 2 8 Albania 8 Albania ALB 339 QoGStd… NA NA
## 3 12 Algeria 12 Algeria DZA 615 QoGStd… 6.25 7.5
## 4 20 Andorra 20 Andorra AND 232 QoGStd… NA NA
## 5 24 Angola 24 Angola AGO 540 QoGStd… 18.8 12.5
## 6 28 Antigua … 28 Antigua … ATG 58 QoGStd… NA NA
## 7 31 Azerbaij… 31 Azerbaij… AZE 373 QoGStd… NA NA
## 8 32 Argentina 32 Argentina ARG 160 QoGStd… NA NA
## 9 36 Australia 36 Australia AUS 900 QoGStd… NA NA
## 10 40 Austria 40 Austria AUT 305 QoGStd… NA NA
## # ℹ 184 more rows
## # ℹ 1,696 more variables: aii_cilser <dbl>, aii_elec <dbl>, aii_pubm <dbl>,
## # aii_q01 <dbl>, aii_q02 <dbl>, aii_q03 <dbl>, aii_q04 <dbl>, aii_q05 <dbl>,
## # aii_q06 <dbl>, aii_q07 <dbl>, aii_q08 <dbl>, aii_q09 <dbl>, aii_q10 <dbl>,
## # aii_q11 <dbl>, aii_q12 <dbl>, aii_q13 <dbl>, aii_q14 <dbl>, aii_q17 <dbl>,
## # aii_q18 <dbl>, aii_q19 <dbl>, aii_q20 <dbl>, aii_q21 <dbl>, aii_q22 <dbl>,
## # aii_q23 <dbl>, aii_q24 <dbl>, aii_q25 <dbl>, aii_q26 <dbl>, …El marc de dades té 194 observacions i 1705 variables. Les variables principals de l’estudi són la desigualtat de gènere, el capital social i l’existència de conflicte. La variable dependent és l’indicador Gender Inequality Index (gii_gii), que oscil·la entre 0 i 1, en el qual 0 significaria plena igualtat entre dones i homes, i 1 desigualtat absoluta entre gèneres. En tractar-se d’una variable numèrica, es visualitzarà millor amb un histograma.
Una primera variable independent és el nivell de capital social, mesurada en forma d’escala d’1 a 10, en la qual 1 significa nivells molt baixos de confiança social i d’organització cívica, i 10 elevats nivells de confiança interpersonal i un nombre elevat d’associacions i agrupacions cíviques.
Una segona variable independent és un indicador en forma d’escala d’1 a 5 que captura diferents intensitats de conflicte experimentats per cada país. En aquesta escala, els valors més baixos indiquen que els nivells de conflicte (tant intern del país com d’abast internacional) són reduïts i, per tant, que els seus habitants viuen en un entorn pacífic. En canvi, valors propers al 5 indiquen una conflictivitat major. La següent figura la representa, també a partir d’un histograma.
hist(qog$gpi_conf)
El conjunt de dades inclou també altres característiques dels règims polítics, com ara si es tracta de països democràtics o no (la variable dicotòmica bmr_dem), si han sigut colònies en el passat (també una variable dicotòmica ht_colonial), si hi ha religió oficial al país (ccp_freerel), el PIB per càpita (mad_gdppc), l’accés a la xarxa elèctrica (wdi_acel) o altres variables de tipus socioeconòmic. Tot i això, en aquest exercici, l’atenció se centrarà en les diferents variables mencionades específicament fins al moment.
Per conèixer millor les variables de què es disposa, sempre és bo analitzar estadístics descriptius com la mitjana, la moda, la desviació típica o el nombre de casos per a totes les variables que es vulguin fer servir amb el paquet stargazer. També seria idoni crear algunes visualitzacions que ens permetin observar millor la distribució dels valors d’algunes variables2. Abans de presentar els estadístics descriptius, però, s’ha recodificat la variable de llibertat religiosa per convertir-la en dicotòmica i assegurar que el valor 1 identifica els països amb llibertat religiosa i el valor 0 els que no en tenen.
2 Existeixen altres funcions que ens permeten realitzar anàlisis similars, com summary(), skimr::skim(), GGally::ggpairs() o graphics::pairs().
library(stargazer)
qog_r <- qog |>
select(c("gii_gii", "bti_sc", "bmr_dem", "ht_colonial", "gpi_conf", "mad_gdppc", "ccp_freerel", "wdi_acel")) |>
mutate(ccp_freerel = if_else(ccp_freerel > 1, 0, ccp_freerel)) # convert to dummy variable
stargazer(data.frame(qog_r), type = "text")
##
## =========================================================
## Statistic N Mean St. Dev. Min Max
## ---------------------------------------------------------
## gii_gii 170 0.347 0.195 0.016 0.785
## bti_sc 136 5.066 1.679 1 9
## bmr_dem 194 0.603 0.491 0 1
## ht_colonial 194 3.108 2.730 0 10
## gpi_conf 161 1.796 0.667 1.000 3.828
## mad_gdppc 163 18,749.270 20,285.540 623.489 153,764.200
## ccp_freerel 182 0.923 0.267 0 1
## wdi_acel 193 84.726 25.097 6.707 100.000
## ---------------------------------------------------------Un cop fet això, mirant les variables detingudament, es pot veure que dues d’elles (el PIB/càpita i l’accés a electricitat) estan lleugerament esbiaixades, cap a la dreta el PIB, i a l’esquerra l’electricitat. Això significa que podríem utilitzar deformacions com la logarítmica per convertir aquestes distribucions en normals. Això possiblement ens milloraria la capacitat explicativa del model de regressió. No obstant, per simplificar l’exercici i la interpretació dels resultats, deixarem aquestes variables tal com estan.
12.3 Selecció de variables
En una recerca quantitativa, el procediment més comú és fer primer una revisió de la literatura sobre la temàtica que estem investigant, decidir des d’una perspectiva teòrica quines variables són necessàries i com han de ser mesurades, i a continuació fer una anàlisi empírica de les variables. En certa mesura, ja s’ha justificat a l’inici del capítol per què es centrarà l’anàlisi a estudiar la desigualtat de gènere i per què s’han triat algunes de les variables de la base de dades original. No obstant, en aquest cas es procedirà al revés: primer s’analitzaran descriptivament les dades i després es presentarà una justificació teòrica de l’adequació d’incloure aquestes dades.
Per començar, sempre és bo realitzar una anàlisi empírica de les dades a través d’una taula de correlacions. En aquesta ocasió es farà servir la funció corrplot() del paquet homònim per observar com les variables numèriques es relacionen entre elles (figura 12.1). Això permetrà descartar, si és necessari, les que tinguin una correlació massa alta.
library(corrplot)
qog_r |>
cor(use = "pairwise.complete.obs") |>
corrplot(method="color", type="upper", order="hclust",
addCoef.col = "black",
tl.col="black", tl.srt=45,
diag=FALSE)
De la figura 12.1, observem algunes correlacions altes entre variables:
Veiem colinealitat entre la variable dependent
gii_giiiht_colonial, que indica que sí que sembla que es compleix la intuïció inicial sobre el fet que els països amb passat colonial tenen més desigualtat de gènere. Aquest pot ser un altre dels llegats negatius del colonialisme.També s’observa que la variable dependent i la variable independent que captura el PIB/càpita
mad_gdppcestan fortament correlacionades, en aquest cas de manera inversa. I passa de manera similar, amb la variablewdi_acelque mesura el percentatge de persones amb accés a la xarxa elèctrica. És a dir, que als països amb major nivell de desenvolupament (renda per càpita o electricitat) les desigualtats de gènere són menors. També, d’acord amb les teories de desenvolupament econòmic és una relació esperable, tot i que és interessant comprovar que la relació entre el PIB per càpita i l’accés a electricitat és més baixa del que es podria esperar.Finalment, es pot comprovar que l’indicador dicotòmic de democràcia i el de capital social estan correlacionats. Sembla lògic, ja que la confiança interpersonal i la llibertat d’associació i altres llibertats associades amb règims democràtics haurien d’afavorir el desenvolupament de capital social. Com que és possible que estiguin capturant aspectes diferents dels països s’optarà per mantenir-les als nostres models estadístics. Tot i això, és bo tenir present aquesta correlació quan s’elaborin i analitzin els models.
Un cop realitzada l’anàlisi empírica, seria bo tornar a pensar, de manera teòrica, quines són les variables rellevants per entendre la relació entre la desigualtat de gènere i el conflicte o el capital social. A partir de la literatura existent i de les intuïcions com a observadors amb binocles científics, s’ha considerat que el capital social, però també els nivells de conflictivitat, poden ser importants a l’hora d’entendre variacions en els nivells de desigualtat de gènere. Ara bé, quines són les variables de control rellevants?
Per una banda, ja s’ha introduït breument que hi ha una literatura prèvia (Jayachandran, 2015) que considera que el desenvolupament econòmic és important per entendre desigualtats de gènere. Per aquesta raó, és positiu tenir en compte els nivells de PIB/càpita i l’electrificació d’un país com a variable rellevant de control. A més a més, també es pot pensar que aquestes dues variables poden influir en les variables independents com el nivell de conflictivitat i el capital social. És, per tant, una bona decisió incloure-les com a controls a les anàlisis.
A més a més, hi ha raons teòriques per esperar que característiques com el fet de ser una democràcia o haver tingut un passat colonial també poden influir en la tipologia de legislació en vigor en un país i afectar la igualtat de gènere. Inglehart et al. (2003) mostren que ser una democràcia està relacionat amb majors nivells d’igualtat, i Montgomery (2017) mostra a partir d’un estudi a Tanzània que els llegats colonials poden tenir conseqüències a llarg termini per a la desigualtat de gènere. Per aquesta raó també s’inclouen variables sobre la democràcia i el passat colonial.
Altres possibles variables de control que es podrien incloure serien variables relacionades amb la religió, que generalment s’associa a menor igualtat de gènere, a més de ser un factor rellevant per entendre l’esclat d’alguns conflictes i que pot ser un element de foment del capital social. Per tant, tenir present si hi ha una religió oficial al país o no, també pot ser un element de control als models estadístics.
12.4 Model de regressió
Un cop s’han seleccionat les variables, ja es pot procedir a la construcció d’un model de regressió. En aquest cas s’hi ha inclòs la variable dependent gii_gii, les dues variables independents principals bti_sc i gpi_conf, i cinc variables de control: mad_gdppc wdi_acel bmr_dem ht_colonial ccp_freerel.
mod <- summary(lm(data = qog_r, gii_gii ~ bti_sc + gpi_conf + mad_gdppc + wdi_acel + bmr_dem + ht_colonial + ccp_freerel))
mod
##
## Call:
## lm(formula = gii_gii ~ bti_sc + gpi_conf + mad_gdppc + wdi_acel +
## bmr_dem + ht_colonial + ccp_freerel, data = qog_r)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.266090 -0.047124 -0.006076 0.059660 0.245728
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.248e-01 7.543e-02 6.958 2.62e-10 ***
## bti_sc -1.613e-02 7.329e-03 -2.202 0.0298 *
## gpi_conf 3.928e-02 1.605e-02 2.447 0.0160 *
## mad_gdppc -3.262e-06 5.215e-07 -6.255 7.78e-09 ***
## wdi_acel -1.945e-03 4.141e-04 -4.697 7.66e-06 ***
## bmr_dem 2.202e-02 2.319e-02 0.949 0.3445
## ht_colonial 2.460e-02 4.166e-03 5.905 3.99e-08 ***
## ccp_freerel -6.618e-03 3.468e-02 -0.191 0.8490
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.09126 on 110 degrees of freedom
## (76 observations deleted due to missingness)
## Multiple R-squared: 0.7379, Adjusted R-squared: 0.7212
## F-statistic: 44.24 on 7 and 110 DF, p-value: < 2.2e-16Els resultats sempre es poden visualitzar millor si es fa servir la funció export_summs() del paquet jtools (taula 12.1), ja que aquesta funció permet contrastar diversos models de regressió. S’ha aprofitat per incloure-hi algunes variants, com per exemple analitzar cada variable independent per separat, amb controls i sense.
library(jtools)
library(huxtable)
m1 <- summary(lm(data = qog_r, gii_gii ~ bti_sc))
m2 <- summary(lm(data = qog_r, gii_gii ~ gpi_conf))
m3 <- summary(lm(data = qog_r, gii_gii ~ bti_sc + gpi_conf))
m4 <- summary(lm(data = qog_r, gii_gii ~ bti_sc + mad_gdppc + wdi_acel + bmr_dem + ht_colonial + ccp_freerel))
m5 <- summary(lm(data = qog_r, gii_gii ~ gpi_conf + mad_gdppc + wdi_acel + bmr_dem + ht_colonial + ccp_freerel))
m6 <- summary(lm(data = qog_r, gii_gii ~ bti_sc + gpi_conf + mad_gdppc + wdi_acel + bmr_dem + ht_colonial + ccp_freerel))
export_summs(m1, m2, m3, m4, m5, m6)| Model 1 | Model 2 | Model 3 | Model 4 | Model 5 | Model 6 | |
|---|---|---|---|---|---|---|
| (Intercept) | 0.59 *** | 0.09 * | 0.38 *** | 0.64 *** | 0.41 *** | 0.52 *** |
| (0.05) | (0.04) | (0.09) | (0.06) | (0.06) | (0.08) | |
| bti_sc | -0.04 *** | -0.02 * | -0.02 ** | -0.02 * | ||
| (0.01) | (0.01) | (0.01) | (0.01) | |||
| gpi_conf | 0.14 *** | 0.07 ** | 0.06 *** | 0.04 * | ||
| (0.02) | (0.03) | (0.02) | (0.02) | |||
| mad_gdppc | -0.00 *** | -0.00 *** | -0.00 *** | |||
| (0.00) | (0.00) | (0.00) | ||||
| wdi_acel | -0.00 *** | -0.00 *** | -0.00 *** | |||
| (0.00) | (0.00) | (0.00) | ||||
| bmr_dem | 0.01 | -0.02 | 0.02 | |||
| (0.02) | (0.02) | (0.02) | ||||
| ht_colonial | 0.02 *** | 0.03 *** | 0.02 *** | |||
| (0.00) | (0.00) | (0.00) | ||||
| ccp_freerel | -0.01 | 0.00 | -0.01 | |||
| (0.04) | (0.03) | (0.03) | ||||
| nobs | 130 | 155 | 130 | 118 | 141 | 118 |
| r.squared | 0.11 | 0.22 | 0.16 | 0.72 | 0.79 | 0.74 |
| adj.r.squared | 0.10 | 0.21 | 0.15 | 0.71 | 0.79 | 0.72 |
| sigma | 0.17 | 0.18 | 0.16 | 0.09 | 0.09 | 0.09 |
| statistic | 15.75 | 42.73 | 12.00 | 48.44 | 86.48 | 44.24 |
| p.value | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| df | 1.00 | 1.00 | 2.00 | 6.00 | 6.00 | 7.00 |
| df.residual | 128.00 | 153.00 | 127.00 | 111.00 | 134.00 | 110.00 |
| nobs.1 | 130.00 | 155.00 | 130.00 | 118.00 | 141.00 | 118.00 |
| *** p < 0.001; ** p < 0.01; * p < 0.05. | ||||||
A la primera columna de la taula 12.1 es mostra que majors nivells de capital social estan lligats a una menor desigualtat de gènere, és a dir que quan hi ha més confiança en els altres i més activitat associativa en un país, aquest tendeix a ser més igualitari. Més específicament, l’estimació que fa el model és que per cada punt que augmenta la variable de capital social, disminueix en 0.04 punts l’indicador de desigualtat de gènere. És precisament el que mostra la figura 12.2. Quan es controla per altres variables, com es pot veure en els models 3, 4 i 6, aquesta relació es debilita lleugerament (passa de -0.04 a -0.02) però manté la significació estadística.
Passa una cosa similar quan s’analitza l’impacte que té el conflicte sobre la desigualtat de gènere. El model 2 mostra que aquesta relació és positiva i estadísticament significativa, és a dir que en aquells països on hi ha un major grau de conflicte, ja sigui intern o amb tercers països, els nivells de desigualtat de gènere són majors. De nou, quan es tenen en compte les altres variables, la relació no és tan pronunciada però manté la significació estadística. Tot i això, per cada punt d’increment en els nivells de conflicte, la desigualtat de gènere creix entre 0.04 i 0.07 punts. Aquests resultats mostren que quan els països estan ocupats a gestionar el conflicte no s’ocupen de promoure la igualtat de gènere.
Pel que fa a les variables de control, val la pena destacar que les relacions amb la variable dependent són les esperades. Per una banda, les variables que recullen el desenvolupament econòmic dels països (PIB mad_gdppc i electrificació wdi_acel) estan relacionades de manera negativa amb la desigualtat de gènere. És a dir, que a major desenvolupament econòmic, menors nivells de desigualtat.
Amb relació a les variables institucionals, ni el fet de ser una democràcia ni la llibertat religiosa semblen ser factors rellevants, almenys no en aquest conjunt de casos que s’analitzen, perquè els coeficients estimats no arriben als llindars mínims de significació estadística. A més a més, el fet que les estimacions oscil·lin entre valors positius i negatius ja indiquen que l’estimació no és gaire precisa. En canvi, tal com mostrava Montgomery (2017), el passat colonial sí que sembla estar relacionat positivament amb la desigualtat de gènere. Aquells països que en el passat van ser colònies són avui en dia més proclius a mantenir desigualtats per raons de gènere.
Un element a tenir en compte quan s’estimen diferents models és el nombre d’observacions. En aquest cas, és rellevant adonar-se que els diferents models fan servir un nombre diferent d’observacions, atès que en algunes de les variables hi ha dades perdudes. En aquest cas, no sembla rellevant perquè els resultats no sembla que variïn gaire, però és important tenir present que si es fan servir diferents grups d’observacions això pot generar un biaix en l’estimació dels resultats.
Un altre element rellevant és el valor de l’R2. Els models més simples, els que només inclouen les dues variables independents, estan associats amb entre un 10 i un 20% de la variació total de la variable dependent. Aquesta xifra, tractant-se d’una única variable independent i d’uns models de regressió amb 130-150 observacions és una dada gens menyspreable. El valor de R2 als models que incloïen les variables de control és encara més important, ja que s’arriba a capturar entre un 70 i gairebé un 80% de la variació total de la variable dependent. Són, per tant, models molt complets i que ja inclouen bona part dels factors associats a les diferències en els nivells de desigualtat de gènere entre països.
Tot i això, encara es podrien pensar algunes maneres de millorar el model, com la transformació d’algunes variables amb asimetria negativa mitjançant el logaritme. Una altra possibilitat seria incloure variables rellevants que puguem haver omès o es podria construir una base de dades més desagregada on la unitat d’observació fos país-any per intentar comprendre millor les fonts de la variació en la desigualtat de gènere.
12.5 Conclusió
En resum, per què hi ha països amb diferents nivells de desigualtat de gènere? Amb el resultat de l’estudi que s’acaba de presentar, i tenint en compte les dades disponibles (i segur que millorables), es pot argumentar que hi ha diferents elements. Per una banda, el desenvolupament econòmic i el llegat colonial, com argumenta la literatura existent (Jayachandran, 2015; Montgomery, 2017), són factors rellevants. Ara bé, hi ha altres aspectes com són el capital social d’un país o els nivells de conflictivitat que també hi estan relacionats.
Per tant, la cita de Vasiti Raiwalvi que encapçala aquest capítol no anava desencaminada encara que no es basés en cap estudi científic. Promoure la pau, així com promoure el desenvolupament d’una societat civil forta pot contribuir a reduir les desigualtats de gènere. En contextos on la desigualtat de gènere pot ser vista pels governants com un dels últims elements a la llista de prioritats, promoure la pau o invertir en capital social, que també tenen beneficis en altres àmbits, pot ser una manera d’incentivar uns primers canvis cap a la igualtat entre dones i homes. A partir de l’anàlisi quantitativa de variables polítiques i socials, els resultats ajuden a entendre quins factors estan relacionats entre si i quines són les possibles mesures que caldria prendre per incentivar els canvis socials.