ジェンダー研究における統計学
統計は、ジェンダー問題をより測定可能で体系的かつ説明責任のある方法で理解する上で極めて重要な役割を果たします。ジェンダー研究は、経験、アイデンティティ、権力関係だけでなく、データを通して観察できる社会パターン、すなわち、誰が教育を受ける機会を得ているか、誰が暴力に対して最も脆弱であるか、誰が正規雇用を得ているか、家事労働がどのように分担されているか、そして公共政策が男性、女性、ジェンダーマイノリティにどのような異なる影響を与えているかといった点にも取り組みます。統計を用いることで、研究者は不平等が実際に存在するかどうか、問題の程度、そしてそれに関連する要因を評価することができます。
しかし、ジェンダー研究における統計の活用は、単に女性や男性の数を「数える」だけにとどまりません。そこには、概念的および方法論的な課題が存在します。例えば、調査におけるジェンダーの定義、測定バイアスの回避、そして社会現実を過度に単純化することなく数値を解釈する方法などです。したがって、統計リテラシーは、ジェンダー平等問題に取り組む研究者、政策立案者、データジャーナリスト、活動家にとって不可欠なツールとなります。
ジェンダー研究において統計学が重要な理由とは？
統計はジェンダー研究における重要な疑問に答えるのに役立ちます。第一に、統計は規模の感覚を与えてくれます。例えば、女性と男性の賃金格差はどのくらいか、ジェンダーに基づく暴力の被害者のうち、被害を報告した人の割合はどのくらいか、といったことが分かります。第二に、統計は時間や地域を超えた比較を可能にします。例えば、特定の政策が実施された後、不平等は改善したのか、ある州では女性の教育水準が他の州よりも低かったのか、といったことが分かります。第三に、統計は変数間の関係性を検証するのに役立ちます。例えば、婚姻状況、子供の数、雇用分野が女性の管理職への昇進の可能性と関連しているかどうか、といったことが分かります。
さらに、統計データはジェンダーに関する議論をより説得力のあるものにする。なぜなら、議論は個々の経験（もちろんそれも重要ではあるが）だけでなく、集計データに表れる構造的なパターンにも基づいているからである。統計データが複数の状況において一貫した不平等を示している場合、その問題は偶発的なものではなく、構造的なものであるという確信をより強めることができる。
ジェンダーデータ：二元論からスペクトラムへ
最も重要な課題の一つは、ジェンダーをどのように測定するかという点です。従来の調査では、「男性」と「女性」という選択肢しか提供されていません。ジェンダーは多様なアイデンティティや表現のスペクトルとして理解される場合もあるため、これらのカテゴリーだけでは不十分な場合もあります。一方で、政策立案においては、比較可能性を確保するために標準化されたデータが求められることがよくあります。課題は、代表性の必要性と測定の一貫性とのバランスを取ることです。
「出生時に割り当てられた性別」と「現在の性自認」という概念を区別する手法が広まりつつある。このアプローチはより包括的なデータ収集を可能にするが、回答者の機密保持、データセキュリティ、そして偏見のない質問をするための調査員の研修など、注意が必要である。ジェンダー研究においては、質問の仕方は得られる数値と同じくらい重要だ。
調査設計と測定におけるバイアス
優れた統計は、良質なデータから始まる。ジェンダー研究においては、標本設計によって偏りが生じる可能性がある。例えば、「世帯主」にインタビューを行う世帯調査では、他の家族、特に女性の視点が見落とされるリスクがある。さらに、家庭内暴力や職場での差別といったデリケートな問題は、恐怖、偏見、あるいは制度への不信感から、報告件数が少なくなる傾向がある。
使用される指標にも偏りがある。例えば、労働参加率を有給雇用のみで測定した場合、女性が担うことが多い家事労働や介護労働の貢献が見過ごされてしまう。そのため、ジェンダー研究では、時間利用調査、無償労働の測定、経済指標にとどまらない幸福度指標など、指標の拡充が推奨されている。
記述的分析：目で不平等を見る
統計分析の初期段階では、通常、記述統計（平均値、パーセンテージ、中央値、データ視覚化など）が用いられます。一見単純に見える記述分析ですが、性別に基づく不平等をマッピングする上で非常に有用です。例えば、
– 男女間の賃金格差：男性と女性の平均賃金を、全体および業種別に比較したもの。
－教育参加率：中等学校または大学に進学する女性と男性の割合。
－政治的代表性：女性が占める議席の割合。
– 家事労働時間：料理、掃除、育児に費やす週平均時間。
しかし、研究者は注意する必要がある。平均値は大きなばらつきを覆い隠してしまう可能性があるからだ。例えば、女性の平均収入は男性とほぼ同じように見えるかもしれないが、女性が非公式な雇用やパートタイム雇用に集中している場合、実際の不平等はもっと複雑なものになる可能性がある。
推論分析：要因と影響の検証
記述統計に加えて、推測統計は、観察された差異が単なる標本上の偶然よりも可能性が高いかどうかを判断するのに役立ちます。平均差検定、カイ二乗検定、回帰分析は、性別と様々な結果との関係を調べるためによく用いられます。例えば、回帰分析を用いることで、教育、職務経験、業種、労働時間といった要因を統制した後でも、性別が賃金に影響を与えるかどうかを検証できます。
政策立案の文脈では、因果推論の手法も重要です。例えば、社会扶助制度は女子の就学率を男子よりも高めるのか、有給の産休は出産後の女性の就業継続率を向上させるのか、といった点です。倫理と実現可能性を重要な考慮事項とするならば、差分の差分法、マッチング法、ランダム化比較試験（RCT）などの手法を用いることができます。
インターセクショナリティ：ジェンダーは単独で存在するものではない
現代のジェンダー研究において重要な側面の一つは、交差性（インターセクショナリティ）である。ジェンダーに関する経験は、社会階級、民族、障害、年齢、居住地、その他の要因によって異なる。統計を用いることで、男性と女性の間だけでなく、都市部と農村部の女性間、あるいは教育水準の異なる女性間など、多層的な分析が可能となる。
しかし、交差性分析には十分なサンプルサイズが必要です。カテゴリーが多すぎて回答者が少なすぎると、推定値が不安定になります。解決策としては、カテゴリーを適切に組み合わせる、階層モデルを使用する、あるいは少数派グループが集計データの中で「見落とされないように」追加データを収集するなどが挙げられます。
データ倫理と誤解のリスク
性別に関するデータは、しばしば機密性の高い情報です。特に脆弱な立場にある人々や小規模なコミュニティにおいては、個人情報やプライバシーの保護が極めて重要です。さらに、統計データはステレオタイプを強化するために悪用される可能性があります。例えば、特定の分野で女性の割合が高いという結果が出たとしても、必ずしも「女性が自らそのように選択している」ことを意味するわけではありません。構造的な障壁、社会規範、あるいは差別といった要因が存在する可能性もあります。
したがって、結果の解釈は文脈に即したものでなければならない。数値データは、社会理論、質的研究、そして地域社会の知識と併せて読む必要がある。ジェンダー研究においては、混合研究法がしばしば有効な選択肢となる。量的データはパターンを明らかにし、質的データはそれらのパターンの背後にあるメカニズムや経験を説明するからである。
閉鎖
ジェンダー研究における統計学は、社会経験と検証可能な実証的証拠を結びつける架け橋となる。統計学は、不平等を測定し、政策の影響を評価し、容易には明らかにならないパターンを解明するのに役立つ。しかし、統計学は本質的に中立的なツールではなく、ジェンダーの定義、指標の選択、調査設計、結果の解釈といった要素によって影響を受ける。
統計は、方法論的に慎重かつ文脈に沿って倫理的に用いられれば、ジェンダー平等を推進する強力な力となり得る。数字は人々の物語に取って代わるものではないが、それを増幅させ、しばしば当たり前とされてきた不平等を可視化し、測定可能にし、無視しにくくすることができる。
