统计歧视

统计歧视（Statistical Discrimination）是指经济主体在信息不完全的条件下，基于群体层面的统计特征（如种族、性别、年龄群体的平均生产率、信用风险或犯罪率）对个体做出推断和决策的行为。这一概念最早由阿罗（Arrow, 1972, 1973）和费尔普斯（Phelps, 1972）在劳动经济学框架内正式提出，旨在解释即使在不存在偏见或敌意的理性行为者之间，仍可能产生持续性的群体间差异。统计歧视区别于贝克（Becker, 1957）提出的"偏好型歧视"（Taste-Based Discrimination），后者的根源在于歧视者自身的偏见偏好，而统计歧视则源于信息约束下的理性推断——决策者使用群体均值作为个体不可观测特征的代理变量。尽管统计歧视可能是一种"统计上理性"的行为，但其社会后果往往使弱势群体陷入不利循环，且可能通过自我实现的预期机制被固化乃至加深。

理论基础

统计歧视的经典模型建立在信息不对称的框架之上。在劳动力市场中，雇主无法直接观察到求职者的真实生产率，只能观察到一组与该生产率相关的信号（如教育水平、工作经历、面试表现）。当这些信号不完美时，雇主会使用可观察的群体特征（如性别、种族）来更新对求职者生产率的贝叶斯信念。若两个群体在某一可观测信号上的条件分布存在差异——即便这种差异完全由历史歧视或结构性因素造成——雇主基于群体均值的推断将对弱势群体的成员产生系统性不利影响。

阿罗模型强调，即使两个群体初始的生产率分布完全相同，只要雇主持有不同的先验信念，就会产生不同的雇佣决策，而这些决策又会影响员工的实际技能积累，最终使得先验信念被"证实"。费尔普斯的模型则侧重于信号噪声的差异：若某一群体可观测信号与真实生产率之间的相关性较弱（即信号的方差更大），即使该群体的平均生产率与另一群体相同，雇主对该群体个体的评估也会更加保守，更倾向于将其评估值"拉回"群体均值。

自我实现的均衡

统计歧视最具理论深度的特征在于其自我实现的性质。在经济学的均衡分析框架内，如果雇主认为某一群体的平均生产率较低，因而对其成员提供较少的在职培训或较低的工资，该群体的员工将缺乏积累人力资本的激励，其实际生产率确实会低于另一群体，从而使雇主的初始信念得到印证。这种反馈循环意味着统计歧视可以在没有任何"原始"群体差异的情况下产生，且一旦形成便难以通过个体层面的努力打破。

科恩和莱特（Coate \& Loury, 1993）构建了标准的两群体模型，证明在多重均衡条件下，一个群体可能陷入"低技能均衡"而另一个群体占据"高技能均衡"，即使两者的潜在能力完全相同。这一机制揭示了劳动力市场中种族工资差距持续存在的深层结构原因——不完全信息与策略性人力资本投资的相互作用产生了路径依赖。

实证与应用

实证研究为统计歧视理论提供了丰富的证据。在求职实验中，发送同等资质的简历但使用不同种族特征的姓名，白人名简历收到的面试邀请显著多于非裔美国人名简历（Bertrand \& Mullainathan, 2004）。在警务执法领域，基于群体犯罪率的统计信息可能导致警察对特定族裔的过度盘查，而更高的盘查率又可能发现更多犯罪证据，形成统计上的"证实偏差"（Knowles, Persico \& Todd, 2001）。在信贷市场上，贷款机构可能使用申请人所在社区的统计数据来评估信用风险，使得原本信用良好的低收入社区成员面临更高的贷款利率或更低的获批概率。

统计歧视理论与算法公平性之间也存在深刻联系。现代机器学习系统中，训练数据包含的历史社会偏见会被算法学习并放大，形成所谓的"算法歧视"——即算法在统计意义上做出"最优"预测，但该预测却系统性地不利于某些群体。这一交叉领域揭示了统计歧视概念在人工智能时代的新意义：当决策越来越多地交由算法执行时，理解统计推断中的群体差异及其社会后果变得愈发紧迫。

政策含义

统计歧视的存在为政策干预提供了独特的理论依据。直接禁止使用群体特征作为决策依据（即"反分类"原则）是常见的应对措施之一，但其效果依赖于替代信息的可得性。若禁止雇主使用种族信息但替代信号同样具有噪声，群体差异可能由显性转为隐性。另一类政策旨在通过改善弱势群体成员获取教育、培训和职业网络的渠道来缩小群体间的统计特征差异，从而从根本上减少理性推断的基础。信息透明度政策——如强制披露个体标准化测试成绩或信用记录——也有助于降低决策者依赖群体均值的程度。此外，平权行动（Affirmative Action）可被视为打破统计歧视自我实现循环的临时干预手段，通过增加弱势群体在高技能岗位中的代表性来改变雇主的先验信念。

综合来看，统计歧视理论揭示了信息不完全条件下个体选择与社会结构的复杂互动。它提醒我们，"理性"并不等同于"公正"——在信息约束下的最优推断也可能产生系统性不平等，而消除这些不平等需要超越个体层面、深入到制度和信息结构的改革。