HR 관점에서 보는 '통계적 차별'

 

경제학 관점으로 차별이라는 용어가 처음 대두된 것은 1957년 미국 경제학자 게리 베커(Gary Baker, 1930~2014)에 의해 '차별의 경제학'에서 '선호에 의한 차별'이라는 단어가 등장하기 시작하면서이다. 이는 인종, 종교, 성별 등에 따라 편견을 가져 피하거나 적대적으로 행동하는 것을 의미한다. 처음에는 당시 일종의 심리학 또는 사회학 개념으로 경제학의 영역이 아니라는 의견이 많았다. 그러나 이후 인권 운동이 활발해지면서 자연스럽게 경제학의 영역에서도 차별 개념이 관심을 받게 되었고, 게리 베커의 '차별의 경제학'이 사회적으로 인정받기 시작했다. 이후 게리 베커는 1992년 노벨경제학상을 수상한다.

 

차별이 경제학에서 하나의 중요한 주제로 자리를 잡으며 등장하게 된 개념 중 하나가 바로 '통계적 차별(Statistical Discrimination)'이다. 1970년대 제시된 개념으로 1972년 노벨경제학상 수상자인 케네스 애로(Kenneth Arrow, 1921~)와 2006년 노밸경제학상 수상자인 에드먼드 펠프스(Edmund Phelps, 1933~)가 제시하였다,

 

'통계적 차별'이란 개인이 속한 집단의 평균에 의해 개개인을 판단하는 경우를 말한다. 예를 들면 A 집단(상대적으로 우수한 집단)과 B 집단(상대적으로 열등한 집단)을 비교할 때, A에 속한 개인 a의 경우 A 집단의 평균으로 평가받고, B에 속한 개인 b의 경우 B 집단의 평균으로 평가를 받는다. 실제로 b가 A 집단의 평균보다 우수한 능력을 보일 수 있으나 통계적 차별에 의해 B 집단의 평균으로 저평가 받는 것이다. 즉, 만일 b가 A 집단의 평균보다 우수한 능력을 가지고 있었다면, b는 통계적 차별이라는 명백한 불합리한 차별을 받는 것이다.

 

그러나 단순히 통계적 차별이 틀리다라는 판단을 하기가 어렵다. 왜냐하면 사람의 근원적 한계인 인지적 한계에 의해 개개인에 대해 모를 경우 속한 집단의 일반적인 속성을 통해 판단하는 것이 가장 효율적이기 때문이다. 그래서 통계적 차별은 여러 곳에서 당연하게 시행되고 있고, 실제로 때로는 유용하기도 하다(통계적 차별이 옳다는 의미는 아니다.). 예를 들면 기업이 채용을 할 때, 여러 우대사항(명문대 우대 등) 등이 그러하다. 또한 실생활에서 밤길을 다니며 뒤따라오는 사람이 남성일 경우 위협을 느끼는 반면, 여성일 경우 안심하는 것도 하나의 예이다. 이렇듯 통계적 차별은 필수불가결하게 우리 생활에 밀접하게 연관되어 있다.

 

처음 이 개념을 접하게 된 것은 바로 서강대학교 경제학과 남성일 교수님의 노동경제학 수업에서이다. 수업에서 이 개념을 들으며, 통계적 차별이 HR 분야 중 특히나 채용 분야에 많은 시사점을 줄 수 있다는 것을 생각하게 되었다.

 

채용 분야에서 통계적 차별이 가지는 의미는 무엇일까?

 

"통계적 차별은 정말 불합리한 차별인가? 채용 과정에서 수 많은 지원자들을 각각 평가할 수 없기 때문에 불가피하게 지원자들이 속한 집단(대학교, 성별, 지역, 종교, 자격증, 기타 스펙 등)의 속성에 의존할 수 밖에 없다. 이 평가 방식이 과연 정말로 불합리한 차별인가?"

 

이에 대해 우선 생각을 하며 결론을 내린 생각은 바로 본원적 속성(바꿀 수 없는) 성별, 지역 등에 의한 차별의 경우 명백한 불합리한 차별이라는 점이다. 왜냐하면 개개인의 노력에 의해 바뀔 수 있는 것이 아니기 때문이다. 그러나 대학교, 기타 스펙 등의 경우 불합리한 차별이 아닌 '어쩔 수 없는 평가'의 일종으로 봐야 한다. 개개인에 대해 모두 평가할 수 없으므로 통계적 차별은 채용 과정에서 매우 효율적으로 작용한다. 

 

사실 통계적 차별은 어디에서나 쓰인다. 예를 들면 인적성검사는 100% 채용자의 역량을 반영하지 않는다. 하지만 이 검사의 결과에 의해 지원자들의 합격, 불합격 여부가 결정된다. 인적성 검사 100점인 지원자의 역량과 80점인 지원자의 역량은 사실 누가 더 높은 지 알 수 없다. 그러나 100점인 지원자가 더 높을 것이라는 일종의 통계적 차별을 하는 것이다.

 

그러나 통계적 차별이 유용하다고 해서 블라인드 채용 방식이  정당하지 않다는 것은 아니다. 블라인드 채용은 통계적 차별을 배제하고 개개인의 역량을 평가하려는 채용 방식으로 어떻게 보면, 채용 목적에 가장 부합한 방식이다. 다만 이 방식으로 모두를 채용하기에는 비용적인 어려움이 있기 때문에 일부만 적용하고 있는 것이다.

 

그 다음으로 생각해 볼 문제는 통계적 차별이 실제 차이로 고착화되는 문제이다.

 

"채용 후 관찰 가능한 A 집단과 B 집단의 능력의 차이가 과연 실제 능력의 차이인가? 즉 구조적인 문제에 의해 A 집단과 B 집단의 차이가 고착화된 것일 수 있다. 각 집단의 특성이 과연 실제 차이에 기반한 것인지 아니면 구조적인 문제에 의해 형성된 것인지 고민해보아야 한다." 

 

즉, 통계적 차별에 의한 결과가 다시금 통계적 차별을 더욱 공고히 해줄 수 있다는 의미이다. 예를 들면 명문대학교 A를 다닌 a와 비명문대학교 B를 다닌 b가 동기로 입사하여 처음 프로젝트를 맡길 때, 통계적 차별에 의해 a에게 기회가 간다. 교육, 평가 등에서도 이러한 차별이 적용되면서, a에게 보다 더 많은 기회가 주어진다. 결국 통계적 차별은 실제 a와 b의 능력의 차이로 나타나게 되고, 다시금 통계적 차별의 정당성은 공고해진다.

 

이 문제는 가장 접근하고, 분석하기 어려운 문제 중 하나이다. 파악하기 어려울 뿐더러, 실제로 불가피한 경우가 많을 수 밖에 없기 때문이다. 또한 이 구조적 문제가 과연 비효율적인지도 판단해야 한다. 많은 비용이 들겠지만, a와 b에게 모두 공평한 기회를 주어야 할 지 아니면 구조적 문제를 인정하는 것이 효율적인지도 고민해야 한다.

 

마지막으로 실제 지원자의 능력의 차이가 곧 성과의 차이로 드러나는가의 문제이다.

 

"실제로 A 집단과 B 집단의 능력의 차이가 있을 지라도 다 함께 일하는 기업의 현장에서 이러한 능력의 차이가 그대로 성과로 드러날 것인가? 과연 개인의 능력의 합이 곧 조직의 성과 또는 능력이라는 등호가 성립될 수 있는가?" 

 

a와 b의 능력 차이가 실제로 있을지라도 이 차이가 과연 조직의 성과에 그대로 드러날 지는 의문인 것이다. 무엇보다도 우선 조직의 모든 활동은 개인이 아닌 협동에 의해 이루어진다. 통계적 차별의 대부분은 개인의 능력을 평가할 때 일어나기 때문에 협동 능력에 대한 평가 없이는 의미가 없다는 의미이다. 그리고 단지 협동 능력을 떠나 각 개개인의 능력 간 협업 시 발생하는 시너지 효과도 무시할 수 없다. 동일한 능력을 가진 2명의 협업보다 다른 능력을 가진 자들의 협업이 더 좋다는 것이다. 그래서 기업에서도 이를 알고, 다양성 채용을 하려고 하고 있다.

 

이는 곧 채용 과정에서 협업 능력에 대한 평가가 필수적으로 이루어져야 한다는 것을 의미한다. 그리고 어떠한 특성의 능력을 가진 지원자가 기존 구성원과 협업하며 시너지 효과가 날 수 있는 지 HR 담당자들이 지속적으로 분석해야 한다. 사실 이는 이전에는 어려웠겠지만, 이제는 빅데이터가 활용되기 시작하면서 어느정도 예측 가능한 문제로 자리잡게 된 것이다. 어느정도 통계적 차별을 보완할 수 있는 방법일 것이다.