library(readr)
library(dplyr)
library(stringr)
library(stringi)
library(udpipe)
library(tidyr)
library(forcats)
library(lubridate)
library(highcharter)
library(eurostat)
library(gt)
data = readr::read_csv("https://github.com/stesiam/scraping-job-postings-xe/releases/download/v1.2/job-posts.csv")
data = data %>%
select(spc, type, wage, loc, exp, descr, p_date)Η αναζήτηση εργασίας είναι το επόμενο βήμα στη ζωή ενός πρόσφατου απόφοιτου. Έτσι και εγώ έχω ξεκινήσει εδώ και κάμποσο καιρό να αναζητώ μία εργασία. Αυτό το διάστημα που έμπαινα σε σχετικές πλατφόρμες σε καθημερινή βάση παρατηρούσα έναν σημαντικό αριθμό αγγελιών οι οποίες έθεταν αρκετά αμφιλεγόμενους όρους. Από τη μία μεριά μπορεί κάποιος να ισχυριστεί ότι μπορεί ο εκάστοτε εργοδότης να θέτει τις δικές του προϋποθέσεις για το προσωπικό που θα απαρτίζει την επιχείρησή του. Αυτό είναι απολύτως λογικό. Το πρόβλημα ξεκινάει όταν υπάρχουν όροι το προσωπικό μας να έχει κάποιο συγκεκριμένα χαρακτηριστικά τα οποία είναι έμφυτα, γεννιόμαστε με αυτά και (ως επί το πλείστον) δεν μπορούμε να τα αλλάξουμε. Φύλο, εθνικότητα, ηλικία ή ακόμα και γονίδια «ομορφιάς» είναι μερικές σχετικές απαιτήσεις που θα διαβάσουμε σε αρκετές αγγελίες. Προφανώς τα παραπάνω αποτελούν σοβαρές μορφές διακρίσεων οι οποίες κυριαρχούν ακόμα και σήμερα.
Αυτή η αρχική εντύπωση υποστηρίζεται και από τα στατιστικά στοιχεία. Οι διακρίσεις στην αγορά εργασίας δεν αφορούν μόνο μεμονωμένες αγγελίες, αλλά αντικατοπτρίζονται σε δομικές ανισότητες που καταγράφονται συστηματικά σε ευρωπαϊκό επίπεδο. Σύμφωνα με τη Eurostat, στην Ελλάδα τρεις κατηγορίες πληθυσμού αντιμετωπίζουν σταθερά δυσμενέστερους όρους στην αγορά εργασίας: οι γυναίκες, τα άτομα με αναπηρία και οι αλλοδαποί. Ας εξετάσουμε καθεμία ξεχωριστά.
Ας ξεκινήσουμε με τις διαφορές μεταξύ φύλων, οι οποίες αποτελούν ίσως τη πιο διαδεδομένη μορφή εργασιακής ανισότητας. Θα αναζητήσουμε τα ποσοστά ανεργίας ανά φύλο και θα διαπιστώσουμε μία διαχρονική και συνεχιζόμενη μέχρι και σήμερα υψηλότερη ανεργία των γυναικών έναντι των ανδρών. Από το 1998, η ανεργία μεταξύ γυναικών δεν κατέβηκε ποτέ στα ίδια επίπεδα με αυτή των ανδρών. Ωστόσο, υπάρχει μια θετική τάση: η διαφορά μεταξύ των δύο φύλων έχει μειωθεί σταδιακά, από περίπου 10 ποσοστιαίες μονάδες το 1998 σε περίπου 4 ποσοστιαίες μονάδες σήμερα.
Claudia Goldin (Νέα Υόρκη, ΗΠΑ, 1946–). Καθηγήτρια Οικονομικών στο Harvard, πρώτη γυναίκα με tenure στο τμήμα Οικονομικών του Harvard και πρώτη που κέρδισε μόνη της το Νόμπελ Οικονομίας (2023). Μελετώντας 200 χρόνια δεδομένων, έδειξε ότι το μισθολογικό χάσμα σήμερα εμφανίζεται κυρίως μετά τη γέννηση του πρώτου παιδιού, ανάμεσα σε άνδρες και γυναίκες στο ίδιο επάγγελμα. Υποστηρίζει ότι χωρίς ισότιμο καταμερισμό φροντίδας μέσα στο ζευγάρι, το χάσμα δεν θα κλείσει ποτέ. Η ανάλυσή της εξηγεί γιατί χώρες με παραδοσιακούς οικογενειακούς ρόλους, όπως η Ελλάδα, εμφανίζουν μεγαλύτερες ανισότητες.
Πηγή φωτογραφίας: Άγνωστος δημιουργός (2019) μέσω Wikimedia Commons - Άδεια χρήσης: CC BY-SA 4.0. Για την πρωτότυπη φωτογραφία μπορείτε να πατήσετε τον σύνδεσμο
Αξίζει να σταθούμε στο τι συνέβη κατά τη διάρκεια της κρίσης. Μεταξύ 2010 και 2013, η ανεργία εκτοξεύτηκε και για τα δύο φύλα, αλλά το ενδιαφέρον είναι ότι η ψαλίδα μεταξύ ανδρών και γυναικών στένεψε. Αυτό δεν συνέβη επειδή βελτιώθηκε η θέση των γυναικών, αλλά επειδή η ανδρική ανεργία αυξήθηκε ραγδαία, ιδίως σε κλάδους όπως η οικοδομή και η μεταποίηση που πλήττονται πρώτοι σε περιόδους ύφεσης. Μετά το 2013, καθώς η οικονομία ανέκαμψε, η ψαλίδα άρχισε πάλι να ανοίγει ελαφρά, υπενθυμίζοντας ότι η σύγκλιση στα χρόνια της κρίσης ήταν εν μέρει πλασματική.
Πέρα από τα ποσοστά ανεργίας, η Ελλάδα εμφανίζει ένα από τα μεγαλύτερα χάσματα φύλου στην απασχόληση σε ολόκληρη την ΕΕ. Το 2024, η διαφορά στο ποσοστό απασχόλησης μεταξύ ανδρών και γυναικών ήταν 18,8 ποσοστιαίες μονάδες, η δεύτερη μεγαλύτερη στην Ένωση, αμέσως μετά την Ιταλία. Αντίθετα, σε χώρες όπως η Φινλανδία, η Λιθουανία και η Εσθονία, η διαφορά κυμαίνεται κάτω από 3 ποσοστιαίες μονάδες.
| Έτος | Ελλάδα - Γυναίκες | Μ.Ο. ΕΕ - Γυναίκες | Ελλάδα - Άνδρες | Μ.Ο. ΕΕ - Άνδρες |
|---|---|---|---|---|
| 2009 | 13.5 | 9.5 | 7.1 | 9.2 |
| 2010 | 16.7 | 10.2 | 10.2 | 10.0 |
| 2011 | 21.8 | 10.3 | 15.3 | 9.9 |
| 2012 | 28.6 | 11.2 | 21.9 | 11.0 |
| 2013 | 31.7 | 11.7 | 24.8 | 11.5 |
| 2014 | 30.4 | 11.2 | 23.7 | 10.9 |
| 2015 | 29.0 | 10.3 | 21.8 | 10.1 |
| 2016 | 28.5 | 9.5 | 20.2 | 9.0 |
| 2017 | 26.4 | 8.6 | 18.2 | 8.0 |
| 2018 | 24.7 | 7.7 | 15.8 | 7.1 |
| 2019 | 22.4 | 7.2 | 14.4 | 6.5 |
| 2020 | 21.5 | 7.5 | 14.6 | 7.0 |
| 2021 | 18.9 | 7.4 | 11.4 | 6.8 |
| 2022 | 16.4 | 6.5 | 9.3 | 5.9 |
| 2023 | 14.3 | 6.4 | 8.5 | 5.8 |
| 2024 | 12.8 | 6.2 | 8.0 | 5.7 |
| 2025 | 11.2 | 6.2 | 7.0 | 5.8 |
Το κλείσιμο της ψαλίδας που βλέπουμε στο αριστερό γράφημα αποτελεί θετική εξέλιξη, αλλά αν το συγκρίνουμε με τον μέσο όρο της ΕΕ (δεξιά), γίνεται φανερό ότι η Ελλάδα ξεκίνησε από πολύ χειρότερη αφετηρία. Στην ΕΕ, η διαφορά μεταξύ ανδρικής και γυναικείας ανεργίας κυμαίνεται σταθερά κάτω από 1 ποσοστιαία μονάδα τα τελευταία χρόνια, ενώ στην Ελλάδα παραμένει κοντά στις 4. Με άλλα λόγια, ακόμα κι αν η τάση είναι σωστή, ο ρυθμός σύγκλισης είναι αργός.
Πώς όμως τοποθετείται η Ελλάδα σε σχέση με τις υπόλοιπες χώρες της ΕΕ; Το παρακάτω γράφημα δείχνει τη διαφορά ανεργίας μεταξύ γυναικών και ανδρών (σε ποσοστιαίες μονάδες) για κάθε κράτος μέλος. Θετικές τιμές σημαίνουν ότι η ανεργία των γυναικών υπερβαίνει αυτή των ανδρών, ενώ αρνητικές τιμές υποδηλώνουν το αντίστροφο.
| Χώρα | Άνδρες (%) | Γυναίκες (%) | Διαφορά (π.μ.) |
|---|---|---|---|
| Ελλάδα | 7.0 | 11.2 | 4.2 |
| Ισπανία | 9.3 | 11.9 | 2.6 |
| Ιταλία | 5.7 | 6.8 | 1.1 |
| Πορτογαλία | 5.6 | 6.5 | 0.9 |
| Κύπρος | 4.0 | 4.8 | 0.8 |
| Σλοβενία | 3.6 | 4.3 | 0.7 |
| Σλοβακία | 5.1 | 5.8 | 0.7 |
| Τσεχία | 2.5 | 3.1 | 0.6 |
| Λουξεμβούργο | 6.2 | 6.8 | 0.6 |
| Πολωνία | 2.9 | 3.4 | 0.5 |
| Ολλανδία | 3.8 | 4.0 | 0.2 |
| Δανία | 6.4 | 6.4 | 0.0 |
| Ιρλανδία | 4.7 | 4.6 | -0.1 |
| Μάλτα | 3.1 | 3.0 | -0.1 |
| Σουηδία | 8.9 | 8.8 | -0.1 |
| Γαλλία | 7.8 | 7.6 | -0.2 |
| Ρουμανία | 6.2 | 6.0 | -0.2 |
| Βουλγαρία | 3.7 | 3.4 | -0.3 |
| Ουγγαρία | 4.6 | 4.3 | -0.3 |
| Αυστρία | 6.0 | 5.3 | -0.7 |
| Γερμανία | 4.2 | 3.5 | -0.7 |
| Βέλγιο | 6.7 | 5.6 | -1.1 |
| Φινλανδία | 10.2 | 9.1 | -1.1 |
| Κροατία | 5.4 | 4.3 | -1.1 |
| Λετονία | 7.7 | 6.1 | -1.6 |
| Εσθονία | 8.3 | 6.6 | -1.7 |
| Λιθουανία | 7.9 | 5.8 | -2.1 |
Στο γράφημα παρατηρούμε ότι η Ελλάδα (με κόκκινο) βρίσκεται σταθερά στις πρώτες θέσεις, μαζί με την Ισπανία και την Ιταλία. Δεν είναι τυχαίο ότι πρόκειται για μεσογειακές χώρες με παρόμοια πολιτισμικά χαρακτηριστικά: ισχυρός ρόλος της οικογένειας, περιορισμένη δημόσια παιδική μέριμνα, και παραδοσιακά πρότυπα καταμερισμού εργασίας στο νοικοκυριό. Από την άλλη πλευρά, χώρες της Βαλτικής και της Σκανδιναβίας εμφανίζουν μηδενική ή ακόμα και αρνητική διαφορά (δηλαδή χαμηλότερη γυναικεία ανεργία), κάτι που συνδέεται με εκτεταμένα δίκτυα παιδικής φροντίδας, γονική άδεια και για τους δύο γονείς, καθώς και πολιτικές ισότητας που εφαρμόζονται εδώ και δεκαετίες.
Ένα ακόμα σημείο που αξίζει σχολιασμού: σε αρκετές ανατολικοευρωπαϊκές χώρες (Λετονία, Εσθονία, Λιθουανία), η γυναικεία ανεργία είναι χαμηλότερη από την ανδρική. Αυτό εξηγείται εν μέρει από τη δομή της οικονομίας τους, όπου κλάδοι με υψηλή ανδρική απασχόληση (βιομηχανία, κατασκευές) είναι πιο ευάλωτοι σε κυκλικές διακυμάνσεις.
Μία ακόμα κατηγορία πληθυσμού που βρίσκεται σε ιδιαίτερα μειονεκτική θέση στην αγορά εργασίας είναι τα άτομα με αναπηρία. Τα στοιχεία της Eurostat για το 2024 αποκαλύπτουν μια δυσοίωνη εικόνα: στην Ελλάδα, περίπου τα τρία τέταρτα (75,7%) των ατόμων με αναπηρία ηλικίας 15 ως 64 ετών βρίσκονται εκτός εργατικού δυναμικού. Το ποσοστό αυτό είναι σχεδόν 1,7 φορές μεγαλύτερο από τον μέσο όρο της ΕΕ (44,5%), τοποθετώντας τη χώρα στις τρεις χειρότερες θέσεις πανευρωπαϊκά, μαζί με τη Βουλγαρία και τη Ρουμανία.
Το πρόβλημα δεν σταματά εκεί. Ακόμα και για όσα άτομα με αναπηρία αναζητούν ενεργά εργασία, η πιθανότητα να παγιδευτούν σε μακροχρόνια ανεργία είναι δυσανάλογα υψηλή. Στην Ελλάδα, το 66,2% των ανέργων ατόμων με αναπηρία αναζητά εργασία για πάνω από ένα έτος. Ο αντίστοιχος ευρωπαϊκός μέσος όρος είναι 40,6%. Σε ευρωπαϊκό επίπεδο, το χάσμα απασχόλησης μεταξύ ατόμων με και χωρίς αναπηρία ανέρχεται σε 24 ποσοστιαίες μονάδες.
Πίσω από αυτά τα νούμερα κρύβονται πολλαπλά εμπόδια. Πέρα από τις προκαταλήψεις των εργοδοτών, η ελληνική αγορά εργασίας στερείται σε μεγάλο βαθμό υποδομών προσβασιμότητας: φυσικής (κτίρια, μεταφορές), ψηφιακής (ιστοσελίδες, λογισμικό), αλλά και θεσμικής (ευέλικτα ωράρια, τηλεργασία, υποστηριζόμενη απασχόληση). Είναι χαρακτηριστικό ότι η Ελλάδα κατατάσσεται στις τελευταίες θέσεις και σε ποσοστά τηλεργασίας στην ΕΕ, μια μορφή εργασίας που, σύμφωνα με πρόσφατες μελέτες, βελτίωσε αισθητά την απασχολησιμότητα ατόμων με αναπηρία μετά την πανδημία σε χώρες που την υιοθέτησαν ευρέως.
| Δείκτης | Ελλάδα | Μ.Ο. ΕΕ |
|---|---|---|
| Εκτός εργατικού δυναμικού (άτομα με αναπηρία, 15-64) | 75,7% | 44,5% |
| Μακροχρόνια ανεργία (άνεργα άτομα με αναπηρία) | 66,2% | 40,6% |
| Χάσμα ανεργίας (αναπηρία vs μη αναπηρία) | μ/δ | 3,6 π.μ. |
| Χώρα | Εκτός εργ. δυναμικού (%) |
|---|---|
| Βουλγαρία | 88.7 |
| Ελλάδα | 75.7 |
| Ρουμανία | 70.9 |
| Πολωνία | 55.0 |
| Ιταλία | 52.0 |
| Γερμανία | 45.0 |
| Μ.Ο. ΕΕ | 44.5 |
| Γαλλία | 43.0 |
| Σουηδία | 30.5 |
| Εσθονία | 30.1 |
| Φινλανδία | 28.0 |
Στο γράφημα είναι εμφανής η απόσταση της Ελλάδας (κόκκινο) τόσο από τον ευρωπαϊκό μέσο όρο (μπλε) όσο και από τις σκανδιναβικές χώρες, όπου λιγότερο από το ένα τρίτο των ατόμων με αναπηρία μένει εκτός αγοράς εργασίας. Η Φινλανδία, για παράδειγμα, επιτυγχάνει ποσοστό 28% χάρη σε ένα ολοκληρωμένο σύστημα υποστηριζόμενης απασχόλησης, ενώ στην Ελλάδα τέτοιες δομές παραμένουν σποραδικές.
Η Βουλγαρία, που κατέχει την πρώτη θέση, αποτελεί μια ακραία περίπτωση: σχεδόν 9 στα 10 άτομα με αναπηρία δεν συμμετέχουν καθόλου στην αγορά εργασίας. Αυτό αντικατοπτρίζει ευρύτερα προβλήματα στο σύστημα αναπηρίας αρκετών ανατολικοευρωπαϊκών χωρών, όπου τα επιδόματα αναπηρίας λειτουργούν συχνά ως αντικίνητρο εργασίας αντί ως εργαλείο ένταξης.
Η τρίτη διάσταση που αξίζει να εξεταστεί αφορά τις διαφορές μεταξύ γηγενών και αλλοδαπών εργαζομένων. Τα στοιχεία δείχνουν ότι η Ελλάδα κατέχει μια ιδιαίτερα δυσμενή θέση στην ΕΕ: το 2023, κατέγραψε το χαμηλότερο ποσοστό απασχόλησης αλλοδαπών (foreign-born) στην Ένωση. Αντίστοιχα, η ανεργία μεταξύ πολιτών εκτός ΕΕ είναι συστηματικά υψηλότερη σε σχεδόν όλα τα κράτη μέλη.
Αξίζει να σημειωθεί μια ιδιαιτερότητα: η Ελλάδα ήταν η μόνη χώρα στην ΕΕ όπου, το 2024, τα υψηλότερα ποσοστά ανεργίας δεν αφορούσαν πολίτες τρίτων χωρών αλλά πολίτες άλλων κρατών μελών. Αυτό μπορεί να εξηγηθεί εν μέρει από τη δομή της μεταναστευτικής ροής προς την Ελλάδα: αρκετοί ευρωπαίοι πολίτες (κυρίως από Βουλγαρία και Ρουμανία) εργάζονται σε εποχιακούς ή άτυπους κλάδους, ενώ ένα μέρος των πολιτών τρίτων χωρών απασχολείται στην αγροτική οικονομία ή στη ναυτιλία, κλάδους με σχετικά σταθερή ζήτηση. Σε κάθε περίπτωση, τα ευρήματα υποδηλώνουν δομικές δυσκολίες ένταξης στην ελληνική αγορά εργασίας ακόμα και για πολίτες με ελεύθερη πρόσβαση σε αυτήν.
Η Marianne Bertrand (Βέλγιο, 1970–) και ο Sendhil Mullainathan (Ινδία, 1973–) είναι οικονομολόγοι στο University of Chicago και το MIT αντίστοιχα. Το 2004 δημοσίευσαν μία από τις πιο επιδραστικές μελέτες στα οικονομικά των διακρίσεων: έστειλαν ~5.000 πλαστά βιογραφικά σε αγγελίες στη Βοστώνη και το Σικάγο, αλλάζοντας μόνο το όνομα του υποψηφίου, «λευκό» (Emily, Greg) ή αφροαμερικανικό (Lakisha, Jamal). Τα βιογραφικά με «λευκά» ονόματα έλαβαν 50% περισσότερες κλήσεις για συνέντευξη. Το χάσμα ήταν ομοιόμορφο ανεξαρτήτως κλάδου, μεγέθους επιχείρησης ή ποιότητας βιογραφικού, ακόμα και τα ισχυρότερα προσόντα δεν αντιστάθμιζαν τη διάκριση. Η μεθοδολογία τους, γνωστή ως correspondence study, υιοθετήθηκε διεθνώς για τη μέτρηση διακρίσεων φυλής, φύλου και ηλικίας στις προσλήψεις.
Πηγή φωτογραφίας: Kaveh Sardari (2014) μέσω Wikimedia Commons - Άδεια χρήσης: CC BY 2.0 (δημοσιεύτηκε το 1925). Για την πρωτότυπη φωτογραφία μπορείτε να πατήσετε τον σύνδεσμο
Fridtjof Nansen (Νορβηγία, 1861-1930). Ο Νορβηγός εξερευνητής που έλαβε το Νόμπελ Ειρήνης (1922) δημιούργησε το «Διαβατήριο Νάνσεν», το πρώτο διεθνώς αναγνωρισμένο ταξιδιωτικό έγγραφο για πρόσφυγες και ανιθαγενείς. Μεταξύ των ωφελημένων ήταν και χιλιάδες Έλληνες πρόσφυγες μετά τη Μικρασιατική Καταστροφή (1922), υπενθυμίζοντας ότι η Ελλάδα υπήρξε η ίδια χώρα προσφύγων πριν γίνει χώρα υποδοχής.
Πηγή φωτογραφίας: Άγνωστος δημιουργός (1930) μέσω Wikimedia Commons - Άδεια χρήσης: CC BY-SA 3.0 DE. Για την πρωτότυπη φωτογραφία μπορείτε να πατήσετε τον σύνδεσμο
| Καταγωγή (Migration Status) | Ελλάδα | Μ.Ο. ΕΕ |
|---|---|---|
| Γηγενείς (2 γηγενείς γονείς) | μ/δ | 76,5% |
| Γηγενείς (1 αλλοδαπός γονέας) | 52,1% | 76,9% |
| Γηγενείς (2 αλλοδαποί γονείς) | μ/δ | 74,0% |
| Αλλοδαποί (foreign-born) | Χαμηλότερο ΕΕ | 69,9% |
Ο πίνακας αποκαλύπτει μια εντυπωσιακή ανισορροπία: στην Ελλάδα, οι γηγενείς με έναν αλλοδαπό γονέα εμφανίζουν ποσοστό απασχόλησης μόλις 52,1%, ενώ ο αντίστοιχος ευρωπαϊκός μέσος όρος ξεπερνά το 76%. Αυτό σημαίνει ότι ακόμα και η «δεύτερη γενιά» μεταναστών αντιμετωπίζει σημαντικά εμπόδια ένταξης στη χώρα μας, κάτι που δεν μπορεί να εξηγηθεί αποκλειστικά από γλωσσικά ή πολιτισμικά εμπόδια, καθώς πρόκειται για άτομα που μεγάλωσαν στην Ελλάδα.
Μια τέταρτη διάσταση ανισότητας που διαπερνά την ελληνική αγορά εργασίας — και είναι ιδιαίτερα ορατή στις ίδιες τις αγγελίες — αφορά την ηλικία. Το πρόβλημα εκδηλώνεται στα δύο άκρα της ηλικιακής κλίμακας: στους νέους που αδυνατούν να εισέλθουν και στους μεγαλύτερους που αδυνατούν να επανενταχθούν.
Στο ένα άκρο, η ανεργία των νέων (15–24) στην Ελλάδα παραμένει από τις υψηλότερες στην ΕΕ. Τον Δεκέμβριο του 2024 η ανεργία στη συγκεκριμένη ηλικιακή ομάδα ήταν 21%, μειωμένη σημαντικά σε σχέση με το 33,2% του 2019, αλλά η Ελλάδα κατατασσόταν παρόλα αυτά στην 4η χειρότερη θέση στην ΕΕ. Αξίζει να σημειωθεί ότι η διαφορά μεταξύ του ποσοστού ανεργίας νέων (unemployment rate) και του αναλογικού αριθμού ανέργων νέων (unemployment ratio) ξεπερνά τις 10 ποσοστιαίες μονάδες στην Ελλάδα, γεγονός που υποδηλώνει ότι πολλοί νέοι απλώς δεν συμμετέχουν καθόλου στο εργατικό δυναμικό — είτε επειδή σπουδάζουν, είτε επειδή έχουν εγκαταλείψει την αναζήτηση.
Στο άλλο άκρο, οι εργαζόμενοι 55–64 ετών αντιμετωπίζουν ένα διαφορετικό αλλά εξίσου σοβαρό πρόβλημα. Η Ελλάδα ανήκει στις χώρες της ΕΕ με ποσοστό απασχόλησης μεγαλύτερων εργαζομένων κάτω του 55%, ενώ σε χώρες όπως η Τσεχία, η Δανία, η Γερμανία και η Σουηδία τα αντίστοιχα ποσοστά ξεπερνούν το 70%. Το 2023, το ποσοστό απασχόλησης στην ηλικιακή ομάδα 55–64 στην Ελλάδα ήταν μόλις 54,1%. Παράλληλα, η Ελλάδα εμφανίζει το υψηλότερο ποσοστό μακροχρόνιας ανεργίας στην ΕΕ (5,4%), φαινόμενο που πλήττει δυσανάλογα τους μεγαλύτερους σε ηλικία ανέργους: αν κάποιος χάσει τη δουλειά του μετά τα 50, η πιθανότητα να βρει νέα θέση μειώνεται δραματικά.
Πίσω από αυτά τα νούμερα κρύβεται ένα μείγμα παραγόντων. Από τη μεριά της ζήτησης, οι εργοδότες συχνά αντιμετωπίζουν τους μεγαλύτερους εργαζόμενους ως «ακριβούς» ή «δύσκολα προσαρμόσιμους», προτιμώντας νεότερους υποψηφίους που μπορούν να πληρωθούν λιγότερο και να εκπαιδευτούν «από το μηδέν». Από τη μεριά της προσφοράς, η Ελλάδα υστερεί σημαντικά σε προγράμματα δια βίου μάθησης και επαγγελματικής επανακατάρτισης — εργαλεία που σε βόρειες χώρες επιτρέπουν στους εργαζόμενους να παραμένουν ανταγωνιστικοί σε μεγαλύτερες ηλικίες.
Η ηλικιακή διάκριση, σε αντίθεση με τη διάκριση φύλου, σπάνια αναγνωρίζεται ως τέτοια. Αγγελίες που ζητούν «άτομο έως 35 ετών» ή «νεαρό/ή υπάλληλο» αποτελούν κοινή πρακτική, χωρίς να εγείρουν τις αντιδράσεις που θα προκαλούσε μια αντίστοιχη αναφορά σε φύλο ή εθνικότητα. Ωστόσο, η θέσπιση ηλικιακών ορίων χωρίς αντικειμενική αιτιολόγηση αποτελεί μορφή διάκρισης τόσο σύμφωνα με την ευρωπαϊκή νομοθεσία (Οδηγία 2000/78/ΕΚ) όσο και σύμφωνα με το ελληνικό δίκαιο. Η διαφορά είναι ότι, στην πράξη, η εφαρμογή παραμένει ελάχιστη.
| Έτος | 15-24 | 25-54 | 55-74 |
|---|---|---|---|
| 2009 | 26.1 | 9.2 | 4.2 |
| 2010 | 33.6 | 12.3 | 5.8 |
| 2011 | 45.2 | 17.4 | 7.9 |
| 2012 | 55.9 | 24.0 | 12.9 |
| 2013 | 59.2 | 27.2 | 15.9 |
| 2014 | 53.0 | 26.1 | 16.8 |
| 2015 | 50.3 | 24.5 | 16.9 |
| 2016 | 48.2 | 23.1 | 18.9 |
| 2017 | 44.5 | 21.1 | 17.8 |
| 2018 | 41.2 | 19.3 | 15.2 |
| 2019 | 37.5 | 17.7 | 13.5 |
| 2020 | 38.0 | 17.5 | 12.8 |
| 2021 | 35.5 | 14.4 | 10.8 |
| 2022 | 31.4 | 12.0 | 9.0 |
| 2023 | 26.7 | 11.0 | 6.9 |
| 2024 | 22.5 | 10.1 | 7.1 |
| 2025 | 19.1 | 8.7 | 6.9 |
Στο γράφημα διαπιστώνουμε ότι η ανεργία των νέων (15–24) ακολουθεί πάντα μια πολύ πιο ακραία πορεία: εκτοξεύτηκε στο 58% κατά τη διάρκεια της κρίσης και, παρά τη σημαντική μείωση, παραμένει σταθερά τριπλάσια από αυτή των υπολοίπων ηλικιακών ομάδων. Η ομάδα 55–74 εμφανίζει χαμηλότερο ποσοστό ανεργίας, αλλά αυτό είναι εν μέρει παραπλανητικό: πολλοί μεγαλύτεροι εργαζόμενοι που χάνουν τη δουλειά τους δεν καταγράφονται ως άνεργοι αλλά αποχωρούν εντελώς από το εργατικό δυναμικό, μη εμφανιζόμενοι στα στατιστικά ανεργίας.
Η ηλικιακή διάκριση, λοιπόν, λειτουργεί ως ένα διπλό φίλτρο: κλείνει τις πόρτες στους νέους που δεν διαθέτουν ακόμα «εμπειρία» και ταυτόχρονα στους μεγαλύτερους που θεωρούνται ότι έχουν «ξεπεράσει» μια αόριστη ημερομηνία λήξης.
| Δείκτης | Ελλάδα | Μ.Ο. ΕΕ |
|---|---|---|
| Ανεργία νέων 15-24 (2024) | 21,0% | 14,9% |
| Απασχόληση 55-64 (2023) | 54,1% | 65,2% |
| Μακροχρόνια ανεργία, σύνολο (2024) | 5,4% | 1,9% |
Τα παραπάνω στοιχεία συνθέτουν μια εικόνα που δεν αφήνει πολλά περιθώρια αμφιβολίας. Η ελληνική αγορά εργασίας εξακολουθεί να λειτουργεί με σημαντικές δομικές ανισότητες. Οι γυναίκες αντιμετωπίζουν σταθερά υψηλότερη ανεργία από τους άνδρες, με χάσμα τετραπλάσιο του ευρωπαϊκού μέσου όρου. Τα άτομα με αναπηρία μένουν κατά συντριπτική πλειοψηφία εκτός αγοράς εργασίας. Και οι αλλοδαποί, ακόμα και δεύτερης γενιάς, βρίσκουν κλειστές πόρτες σε βαθμό που δεν συναντάμε πουθενά αλλού στην ΕΕ. Και η ηλικία λειτουργεί ως διπλό φίλτρο αποκλεισμού: οι νέοι αδυνατούν να εισέλθουν στην αγορά εργασίας με ποσοστά ανεργίας τριπλάσια του μέσου όρου, ενώ οι μεγαλύτεροι εργαζόμενοι, αν χάσουν τη θέση τους, παγιδεύονται σε μακροχρόνια ανεργία ή αποχωρούν εντελώς από το εργατικό δυναμικό.
Αυτές οι διαφορές δεν αποτελούν απλά στατιστικές ανωμαλίες. Μεταφράζονται σε πραγματικούς αποκλεισμούς και γίνονται ορατές στις ίδιες τις αγγελίες: αγγελίες που ζητούν «νεαρή κοπέλα με ευπαρουσίαστη εμφάνιση», αγγελίες που θέτουν ηλικιακά όρια χωρίς καμία αιτιολόγηση, ή που αποκλείουν σιωπηρά όσους δεν ανταποκρίνονται σε ένα στενό προφίλ.
Με αυτή τη βάση, ας στρέψουμε τώρα τη ματιά μας στις ίδιες τις αγγελίες και σε αυτό που μας αποκαλύπτουν για τις πρακτικές πρόσληψης στην Ελλάδα.
Ας εξετάσουμε τώρα τι μας αποκαλύπτουν οι ίδιες οι αγγελίες. Αξιοποιώντας δεδομένα που συλλέχθηκαν μέσω scraping από τη δημοφιλή πλατφόρμα αναζήτησης εργασίας xe.gr, μπορούμε να σχηματίσουμε μια εικόνα για την ελληνική αγορά εργασίας, τουλάχιστον όπως αυτή αντικατοπτρίζεται στις αγγελίες. Το δείγμα περιλαμβάνει 5093 αγγελίες και θα εξετάσουμε τρία βασικά χαρακτηριστικά: το ωράριο εργασίας, τον τύπο σύμβασης και τον τρόπο εργασίας (φυσική παρουσία ή τηλεργασία).
Ξεκινώντας από το ωράριο, η εικόνα είναι μονοσήμαντη: το 88.1% των αγγελιών αφορά θέσεις πλήρους απασχόλησης, μόλις το 8.1% προσφέρει μερική απασχόληση και ένα μικρό 3.9% δεν διευκρινίζει καθόλου το ωράριο.
.jpg){kind=link}
wh_data <- clean_data %>%
count(workingHours) %>%
mutate(pct = round(n / sum(n) * 100, 1)) %>%
arrange(desc(n))
highchart() %>%
hc_chart(type = "bar") %>%
hc_colors(c("#1f77b4")) %>%
hc_add_series(
data = wh_data,
type = "bar",
hcaes(x = workingHours, y = pct),
name = "Ποσοστό",
showInLegend = FALSE
) %>%
hc_xAxis(categories = wh_data$workingHours,
title = list(text = "")) %>%
hc_yAxis(title = list(text = "Ποσοστό (%)")) %>%
hc_title(text = "Ωράριο εργασίας",
style = list(fontSize = "18px", fontWeight = "bold")) %>%
hc_tooltip(valueSuffix = " %", valueDecimals = 1)freqWorkingHours = table(clean_data$workingHours) %>%
as.data.frame()
highchart() %>%
hc_chart(
type = "pie",
backgroundColor = "transparent"
) %>%
hc_title(
text = "Κατανομή θέσεων ανά ωράριο εργασίας",
style = list(
fontSize = "18px",
fontWeight = "bold"
)
) %>%
hc_subtitle(
text = "Αριθμός παρατηρήσεων και ποσοστό (%) επί του συνόλου των αγγελιών",
style = list(fontSize = "12px")
) %>%
hc_add_series(
name = "Percentage",
data = freqWorkingHours %>%
mutate(y = Freq, name = Var1) %>%
select(name, y) %>%
list_parse(),
size = "80%",
innerSize = "50%",
dataLabels = list(
enabled = TRUE,
format = "<b>{point.name}</b>: {point.percentage:.1f} %",
style = list(fontSize = "11px")
)
) %>%
hc_tooltip(
pointFormat = "<b>{point.y}</b> θέσεις εργασίας <br><b>Ποσοστό:</b> {point.percentage:.1f}%"
) %>%
hc_plotOptions(
pie = list(
allowPointSelect = TRUE,
cursor = "pointer",
borderWidth = 0,
showInLegend = TRUE
)
) %>%
hc_legend(
align = "center",
verticalAlign = "bottom",
layout = "horizontal"
) %>%
hc_colors(c(
"#2E86AB", "#A23B72", "#F18F01", "#C73E1D"
)) %>%
hc_credits(enabled = FALSE)Η σχεδόν απουσία μερικής απασχόλησης δεν είναι αθώα. Σε χώρες με υψηλότερα ποσοστά γυναικείας συμμετοχής στην αγορά εργασίας (π.χ. Ολλανδία, Δανία, Γερμανία) η μερική απασχόληση λειτουργεί ως γέφυρα ένταξης, ιδίως για γονείς, φοιτητές ή άτομα με αναπηρία. Στην Ελλάδα, η περιορισμένη προσφορά τέτοιων θέσεων ενδέχεται να ενισχύει τον αποκλεισμό ακριβώς αυτών των ομάδων που εξετάσαμε στην εισαγωγή. Όταν η αγορά προσφέρει σχεδόν αποκλειστικά πλήρη απασχόληση, όσοι δεν μπορούν να ανταποκριθούν σε αυτό το μοντέλο μένουν εκτός.
Στον τύπο σύμβασης, το εύρημα που ξεχωρίζει δεν είναι η κατανομή μεταξύ αορίστου και ορισμένου χρόνου, αλλά η έλλειψη πληροφόρησης. Το 77.1% των αγγελιών δεν διευκρινίζει καθόλου τον τύπο σύμβασης. Από τις υπόλοιπες, το 21.1% αναφέρει σύμβαση αορίστου χρόνου και μόλις το 1.9% ορισμένου χρόνου.
freqContractType = table(clean_data$contractType) %>%
as.data.frame()
highchart() %>%
hc_chart(
type = "pie",
backgroundColor = "transparent"
) %>%
hc_title(
text = "Κατανομή θέσεων ανά τύπο σύμβασης",
style = list(
fontSize = "18px",
fontWeight = "bold"
)
) %>%
hc_subtitle(
text = "Αριθμός παρατηρήσεων και ποσοστό (%) επί του συνόλου των αγγελιών",
style = list(fontSize = "12px")
) %>%
hc_add_series(
name = "Percentage",
data = freqContractType %>%
mutate(y = Freq, name = Var1) %>%
select(name, y) %>%
list_parse(),
size = "80%",
innerSize = "50%",
dataLabels = list(
enabled = TRUE,
format = "<b>{point.name}</b>: {point.percentage:.1f} %",
style = list(fontSize = "11px")
)
) %>%
hc_tooltip(
pointFormat = "<b>{point.y}</b> θέσεις εργασίας <br><b>Ποσοστό:</b> {point.percentage:.1f}%"
) %>%
hc_plotOptions(
pie = list(
allowPointSelect = TRUE,
cursor = "pointer",
borderWidth = 0,
showInLegend = TRUE
)
) %>%
hc_legend(
align = "center",
verticalAlign = "bottom",
layout = "horizontal"
) %>%
hc_colors(c(
"#2E86AB", "#A23B72", "#F18F01", "#C73E1D"
)) %>%
hc_credits(enabled = FALSE)Η αδιαφάνεια αυτή δεν είναι απλώς ένα τεχνικό κενό. Για έναν υποψήφιο που αναζητά εργασιακή σταθερότητα, η απουσία πληροφόρησης λειτουργεί αποτρεπτικά ή, χειρότερα, οδηγεί σε δυσάρεστες εκπλήξεις μετά την πρόσληψη. Αξίζει να αναρωτηθούμε αν αυτή η πρακτική είναι τυχαία ή αν αντικατοπτρίζει μια συνειδητή στρατηγική: η ασάφεια ως προς τους όρους εργασίας ευνοεί τον εργοδότη, αφήνοντας τον υποψήφιο σε θέση διαπραγματευτικής αδυναμίας.
Το πιο εντυπωσιακό εύρημα αφορά ίσως τον τρόπο εργασίας. Το 98.3% των αγγελιών απαιτεί φυσική παρουσία. Η τηλεργασία αντιπροσωπεύει μόλις το 0.6% και το υβριδικό μοντέλο το 1.1%. Με άλλα λόγια, σε ένα δείγμα άνω των 5000 αγγελιών, λιγότερες από 90 προσφέρουν κάποια μορφή ευελιξίας στον τόπο εργασίας.
freqPresence = table(clean_data$presence) %>%
as.data.frame()
highchart() %>%
hc_chart(
type = "pie",
backgroundColor = "transparent"
) %>%
hc_title(
text = "Κατανομή θέσεων ανά τρόπο εργασίας",
style = list(
fontSize = "18px",
fontWeight = "bold"
)
) %>%
hc_subtitle(
text = "Αριθμός παρατηρήσεων και ποσοστό (%) επί του συνόλου των αγγελιών",
style = list(fontSize = "12px")
) %>%
hc_add_series(
name = "Percentage",
data = freqPresence %>%
mutate(y = Freq, name = Var1) %>%
select(name, y) %>%
list_parse(),
size = "80%",
innerSize = "50%",
dataLabels = list(
enabled = TRUE,
format = "<b>{point.name}</b>: {point.percentage:.1f} %",
style = list(fontSize = "11px")
)
) %>%
hc_tooltip(
pointFormat = "<b>{point.y}</b> θέσεις εργασίας <br><b>Ποσοστό:</b> {point.percentage:.1f}%"
) %>%
hc_plotOptions(
pie = list(
allowPointSelect = TRUE,
cursor = "pointer",
borderWidth = 0,
showInLegend = TRUE
)
) %>%
hc_legend(
align = "center",
verticalAlign = "bottom",
layout = "horizontal"
) %>%
hc_colors(c(
"#2E86AB", "#A23B72", "#F18F01", "#C73E1D"
)) %>%
hc_credits(enabled = FALSE)Αυτό το εύρημα συνδέεται άμεσα με όσα αναφέρθηκαν στην εισαγωγή για τα άτομα με αναπηρία. Διεθνείς μελέτες κατέδειξαν ότι η τηλεργασία, όπως αναπτύχθηκε κατά τη διάρκεια της πανδημίας, βελτίωσε αισθητά την απασχολησιμότητα ατόμων με κινητικές ή άλλες δυσκολίες σε χώρες που την υιοθέτησαν ευρέως. Στην Ελλάδα, η επιλογή αυτή ουσιαστικά δεν υπάρχει. Η σχεδόν καθολική απαίτηση φυσικής παρουσίας λειτουργεί ως μια μορφή έμμεσης διάκρισης: δεν αποκλείει ρητά κάποιον, αλλά στην πράξη κλείνει την πόρτα σε όσους αντιμετωπίζουν δυσκολίες μετακίνησης ή προσβασιμότητας.
Αν συνδυάσουμε τα τρία αυτά ευρήματα, η εικόνα που προκύπτει είναι μιας αγοράς εργασίας αρκετά άκαμπτης: πλήρες ωράριο, φυσική παρουσία, και αδιαφάνεια ως προς τους όρους. Αυτή η ακαμψία δεν πλήττει εξίσου όλους. Πλήττει δυσανάλογα τις γυναίκες που αναζητούν ευελιξία λόγω οικογενειακών υποχρεώσεων, τα άτομα με αναπηρία που χρειάζονται εναλλακτικές μορφές εργασίας, και τους νέους ή τους αλλοδαπούς που θα μπορούσαν να ξεκινήσουν μέσα από μερική ή απομακρυσμένη απασχόληση.
Με αυτά τα δεδομένα, ας στρέψουμε τώρα τη ματιά μας στη μεθοδολογία του πειράματος, εξετάζοντας πώς μπορούμε να ανιχνεύσουμε συστηματικά τις διακρίσεις μέσα στο περιεχόμενο των αγγελιών.
Στις προηγούμενες ενότητες είδαμε ότι η ελληνική αγορά εργασίας εμφανίζει σημαντικές δομικές ανισότητες σε τέσσερις άξονες: φύλο, αναπηρία, εθνικότητα και ηλικία. Τα στοιχεία αυτά προέρχονται από μακροοικονομικούς δείκτες και έρευνες εργατικού δυναμικού. Η ερώτηση που τίθεται τώρα είναι διαφορετική: μπορούμε να ανιχνεύσουμε αυτές τις διακρίσεις μέσα στις ίδιες τις αγγελίες; Και αν ναι, ποια είναι η έκτασή τους;
Η αφορμή για αυτή την ανάλυση ήταν μια απλή παρατήρηση: περιηγούμενος σε πλατφόρμες αναζήτησης εργασίας, συναντούσα σε καθημερινή βάση αγγελίες με αμφιλεγόμενους όρους — ηλικιακά όρια χωρίς αιτιολόγηση, αναφορές σε φύλο ή εμφάνιση, απαιτήσεις που δεν σχετίζονται με τη φύση της θέσης. Αυτές οι παρατηρήσεις οδήγησαν στο κεντρικό ερευνητικό ερώτημα: σε ποιο βαθμό εκφράζονται στο κείμενο των αγγελιών εργασίας πρακτικές που συνιστούν — άμεσα ή έμμεσα — διακρίσεις;
Σε αντίθεση με τη μελέτη μεμονωμένων αξόνων, η ανάλυση επιχειρεί να καλύψει ταυτόχρονα πολλαπλές μορφές διακρίσεων: ηλικιακή προτίμηση, φύλο, εμφάνιση. Παράλληλα, επιχειρεί να διακρίνει αν οι ηλικιακές αναφορές αντικατοπτρίζουν γνήσιες προτιμήσεις εργοδοτών ή είναι αποτέλεσμα κρατικών πολιτικών (π.χ. επιδοτούμενα προγράμματα ΔΥΠΑ που στοχεύουν συγκεκριμένες ηλικιακές ομάδες).
Θα μπορούσαμε να μελετήσουμε τις πρακτικές πρόσληψης μοιράζοντας ερωτηματολόγια σε εργοδότες. Αυτή η προσέγγιση, ωστόσο, πάσχει από ένα θεμελιώδες πρόβλημα: κανένας εργοδότης δεν θα δήλωνε ανοιχτά ότι θέτει ηλικιακά κριτήρια ή ότι προτιμά «ευπαρουσίαστες κοπέλες». Η κοινωνική επιθυμητότητα (social desirability bias) καθιστά τα ερωτηματολόγια ακατάλληλα για τη μέτρηση συμπεριφορών που ο ίδιος ο ερωτώμενος αναγνωρίζει ως προβληματικές.
Η εναλλακτική — και αυτή που υιοθετήθηκε — είναι η εξόρυξη (scraping) δεδομένων απευθείας από αγγελίες. Η λογική είναι απλή: οι αγγελίες αποτελούν αποκαλυπτικές πράξεις (revealed preferences). Ο εργοδότης γράφει ελεύθερα τι ζητάει, χωρίς να φιλτράρει τις απαντήσεις του όπως θα έκανε σε μια έρευνα. Αν μια αγγελία αναφέρει «ηλικία έως 35», αυτό δεν είναι αξιολογική κρίση ερευνητή — είναι η ίδια η πρόθεση του εργοδότη, καταγεγραμμένη δημόσια.
Η μεθοδολογική αυτή προσέγγιση έχει αντιστοιχίες στη διεθνή βιβλιογραφία. Η τεχνική correspondence study — που χρησιμοποίησαν μεταξύ άλλων οι Bertrand & Mullainathan (2004) — εκμεταλλεύεται επίσης πραγματικές αγγελίες ως πεδίο μέτρησης διακρίσεων, αν και με διαφορετικό μηχανισμό (αποστολή πλαστών βιογραφικών). Η δική μας προσέγγιση εστιάζει στο περιεχόμενο των αγγελιών αντί στις αποκρίσεις σε αυτές.
Τα δεδομένα συλλέχθηκαν από την πλατφόρμα xe.gr (Χρυσή Ευκαιρία), μία από τις μεγαλύτερες πλατφόρμες αναζήτησης εργασίας στην Ελλάδα. Η εξόρυξη πραγματοποιήθηκε στις 2 Φεβρουαρίου 2025 με χρήση της γλώσσας R και των πακέτων rvest και httr. Η διαδικασία διήρκησε περίπου 4 ώρες και κάλυψε 255 σελίδες αποτελεσμάτων (20 αγγελίες ανά σελίδα).
Το τελικό δείγμα αποτελείται από 5.093 αγγελίες, με εύρος δημοσίευσης 15 ημερών (16 Ιανουαρίου – 2 Φεβρουαρίου 2025). Για κάθε αγγελία συλλέχθηκαν τα ακόλουθα στοιχεία:
| Μεταβλητή | Περιγραφή |
|---|---|
| Κατηγορία εργασίας (`spc`) | Ο τίτλος/κατηγορία της θέσης εργασίας |
| Τύπος εργασίας (`type`) | Ωράριο (πλήρης/μερική), τοποθεσία εργασίας (φυσική/εξ αποστάσεως), τύπος σύμβασης |
| Μισθός (`wage`) | Μηνιαίος μισθός (όπου αναφέρεται) |
| Περιοχή (`loc`) | Γεωγραφική περιοχή της θέσης |
| Προϋπηρεσία (`exp`) | Ελάχιστη απαιτούμενη εργασιακή εμπειρία |
| Περιγραφή (`descr`) | Το ελεύθερο κείμενο περιγραφής της αγγελίας |
| Ημερομηνία δημοσίευσης (`p_date`) | Ημερομηνία ανάρτησης |
Τα δεδομένα διατίθενται ελεύθερα μέσω GitHub Releases για αναπαραγωγιμότητα.
Η ανάλυση ελεύθερου κειμένου στα ελληνικά παρουσιάζει ιδιαίτερες τεχνικές προκλήσεις. Η ελληνική γλώσσα χαρακτηρίζεται από πτώσεις, τονισμό και ποικιλία καταλήξεων, γεγονός που σημαίνει ότι η ίδια λέξη μπορεί να εμφανίζεται με πολλαπλές μορφές (π.χ. «νέος», «νέα», «νέων», «νέο», «νέους»). Αν δεν αντιμετωπιστεί αυτό, ο εντοπισμός λέξεων-κλειδιών θα υποτιμά σημαντικά την έκταση του φαινομένου.
Η προεπεξεργασία πραγματοποιήθηκε σε δύο φάσεις: πρώτα κανονικοποίηση χαρακτήρων και στη συνέχεια γλωσσολογική ανάλυση μέσω lemmatization.
Ως πρώτο βήμα, κάθε κείμενο περιγραφής μετατράπηκε σε πεζά (str_to_lower()) και αφαιρέθηκαν οι τόνοι μέσω Unicode normalization (stri_trans_general("NFD; [:Nonspacing Mark:] Remove; NFC")). Αυτό εξασφαλίζει ότι λέξεις όπως «Νέος», «νέος» και «νεος» αντιμετωπίζονται ως ίδιες. Παράλληλα, η στήλη type αποσυντέθηκε σε τρεις ξεχωριστές μεταβλητές (ωράριο, παρουσία, τύπος σύμβασης) και οι ημερομηνίες μετατράπηκαν από ελληνική μορφή σε τυπική Date.
clean_data <- data %>%
mutate(
descr_clean = descr %>%
str_to_lower() %>%
stri_trans_general("NFD") %>%
stri_replace_all_regex("\\p{Mn}", "")
)Η αφαίρεση τόνων δεν αρκεί για να αντιμετωπίσει το πρόβλημα των πτώσεων. Η λέξη «νέος» εμφανίζεται σε μια αγγελία ως «νέα», «νέο», «νέων», «νέους», «νέες» — έξι διαφορετικές μορφές που πρέπει να αναγνωριστούν ως ένα και το αυτό λήμμα. Για τον σκοπό αυτό, εφαρμόστηκε lemmatization χρησιμοποιώντας το πακέτο udpipe με το προεκπαιδευμένο μοντέλο greek-gdt, το οποίο βασίζεται στο Greek Dependency Treebank.
# Λήψη και φόρτωση του ελληνικού μοντέλου (εκτελείται μόνο μία φορά)
if (!file.exists("greek-gdt-ud-2.5-191206.udpipe")) {
udpipe_download_model(language = "greek-gdt", model_dir = ".")
}
udmodel <- udpipe_load_model("greek-gdt-ud-2.5-191206.udpipe")
# Συνάρτηση lemmatization
lemmatize_text <- function(text, model) {
if (is.na(text) || text == "") return(NA_character_)
ann <- udpipe_annotate(model, x = text)
ann_df <- as.data.frame(ann)
paste(ann_df$lemma, collapse = " ")
}
clean_data <- clean_data %>%
mutate(descr_lemma = sapply(descr_clean, lemmatize_text, model = udmodel))Μετά το lemmatization, η αναζήτηση λέξεων-κλειδιών γίνεται πάνω στη στήλη descr_lemma, όπου κάθε λέξη έχει αναχθεί στη λεμματική της μορφή. Έτσι, αντί να ψάχνουμε με regex πολλαπλές κλίσεις μιας λέξης (π.χ. νε[οα]ς?|νεων|νεους|νεες), αρκεί να αναζητήσουμε το λήμμα νεος.
Η πρόταση «Ζητούνται νέοι υπάλληλοι με εμπειρία σε νεανικό περιβάλλον» μετατρέπεται σε «ζητώ νέος υπάλληλος με εμπειρία σε νεανικός περιβάλλον», επιτρέποντας τον εντοπισμό τόσο του νεος (ηλικιακή αναφορά) όσο και του νεανικος (έμμεση ηλικιακή αναφορά) με ένα απλό string matching.
Ωστόσο, ο lemmatizer δεν είναι τέλειος — ιδιαίτερα σε ανεπίσημα κείμενα αγγελιών μπορεί να αποτυγχάνει σε ορθογραφικά λάθη ή ασυνήθιστες κλίσεις. Για τον λόγο αυτό, οι λίστες λέξεων-κλειδιών συμπεριλαμβάνουν και κάποιες πρόσθετες κλιτικές μορφές ως δίχτυ ασφαλείας, ώστε να μην χαθούν περιπτώσεις που ο lemmatizer δεν κατάφερε να ανάγει στο σωστό λήμμα.
Ο πυρήνας της πρώτης μεθόδου βασίζεται στον εντοπισμό λέξεων-κλειδιών μέσα στο lemmatized κείμενο (descr_lemma) κάθε αγγελίας. Για κάθε αγγελία δημιουργήθηκαν πέντε δίτιμες (Boolean) μεταβλητές, που καλύπτουν τέσσερις άξονες πιθανών διακρίσεων και έναν θεσμικό παράγοντα:
| Μεταβλητή | Τι ανιχνεύει | Ενδεικτικά κλειδιά (λήμματα + fallback) |
|---|---|---|
isAgeism |
Ηλικιακή διάκριση | νεος, νεαρος, νεανικος, ετων, ηλικια, φρεσκος αποφοιτος |
isGenderBias |
Διάκριση φύλου | κοπελα, κοριτσι, κυριος, κυρια, αρρεν, θηλυ, αντρας, γυναικα |
isAppearanceBias |
Κριτήριο εμφάνισης | ευπαρουσιαστος, εμφανισιμος, παρουσιαστικο, καλη εικονα |
isPolicy |
Κρατικά προγράμματα | οαεδ, δυπα, ανεργος, επιδοτηση, κοινωφελης, 21-29 |
isRacialBias |
Εθνικότητα / καταγωγή | υπηκοοτητα, καταγωγη, αλλοδαπος, μονο ελλην |
# Τα keywords περιλαμβάνουν λήμματα (για lemmatized κείμενο)
# και επιπλέον κλιτικές μορφές ως fallback για σφάλματα lemmatizer
age_keywords <- c(
"ετων",
"ηλικια", "ηλικιας",
"νεος", "νεα", "νεο", "νεοι", "νεες", "νεων", "νεους",
"νεαρος", "νεαρη", "νεαρο", "νεαρου", "νεαρης", "νεαρες",
"νεανικο", "νεανικη", "νεανικος", "νεανικες", "νεανικου",
"\\d{2}\\s*-\\s*\\d{2}\\s*(ετων|χρονων)",
"εως\\s+\\d{2}\\s*(ετων|χρονων)?",
"απο\\s+\\d{2}\\s+εως\\s+\\d{2}",
"φρεσκο πτυχιο", "φρεσκος αποφοιτος", "φρεσκια αποφοιτος",
"προσφατος αποφοιτος", "προσφατη αποφοιτος"
)
gender_keywords <- c(
"κοπελα", "κοπελες",
"κοριτσι", "κοριτσια",
"κυριος", "κυρια",
"αρρεν", "θηλυ", "θηλυκο",
"αντρας", "αντρα", "γυναικα", "γυναικες",
"αγορι", "αγορια"
)
appear_keywords <- c(
"ευπαρουσιαστ",
"εμφανισιμ",
"παρουσιαστικο",
"καλη εικονα",
"καλης εμφανισης",
"εντυπωσιακ",
"ομορφ"
)
policy_keywords <- c(
"οαεδ", "δυπα",
"ανεργ",
"μητρωο ανεργ",
"επιδοτ",
"προγραμμα απασχολ",
"κοινωφελ",
"21-29", "21 εως 29", "21\\s*-\\s*29"
)
race_keywords <- c(
"ελληνικης καταγωγης", "ελληνικης υπηκοοτητας",
"ελληνας", "ελληνιδα", "ελληνες",
"αλλοδαπ",
"μεταναστ",
"υπηκοοτητα", "υπηκοοτητας",
"εθνικοτητα", "εθνικοτητας",
"καταγωγη", "καταγωγης",
"ιθαγενεια",
"μονο ελλην",
"απαραιτητη ελληνικη υπηκοοτητα"
)
clean_data <- clean_data %>%
mutate(
kw_isAgeism = str_detect(descr_lemma, str_c(age_keywords, collapse = "|")),
kw_isGenderBias = str_detect(descr_lemma, str_c(gender_keywords, collapse = "|")),
kw_isAppearanceBias = str_detect(descr_lemma, str_c(appear_keywords, collapse = "|")),
kw_isPolicy = str_detect(descr_lemma, str_c(policy_keywords, collapse = "|")),
kw_isRacialBias = str_detect(descr_lemma, str_c(race_keywords, collapse = "|"))
)| Άξονας | Αγγελίες (n) | Ποσοστό (%) |
|---|---|---|
| Ηλικία | 760 | 14.9 |
| Φύλο | 355 | 7.0 |
| Εμφάνιση | 38 | 0.7 |
| Κρατικά προγράμματα | 51 | 1.0 |
| Εθνικότητα | 31 | 0.6 |
Η μέθοδος λέξεων-κλειδιών είναι πλήρως αναπαραγώγιμη, διαφανής, και δεν εξαρτάται από εξωτερικά μοντέλα. Ωστόσο, υπόκειται σε δύο σημαντικούς περιορισμούς. Πρώτον, παράγει ψευδώς θετικά αποτελέσματα: η λέξη «νέα» μπορεί να αναφέρεται σε «νέα θέση» αντί σε «νέο άτομο». Δεύτερον, αδυνατεί να εντοπίσει έμμεσες ή περιφραστικές διακρίσεις — π.χ. «δυναμικό προφίλ» ως υποκατάστατο ηλικιακής προτίμησης, ή χρήση μόνο θηλυκού γένους στον τίτλο θέσης χωρίς ρητή αναφορά σε φύλο.
Για να ξεπεραστούν οι περιορισμοί της μεθόδου λέξεων-κλειδιών, κάθε αγγελία ταξινομήθηκε και από ένα μεγάλο γλωσσικό μοντέλο (LLM). Η κατηγοριοποίηση πραγματοποιήθηκε μέσω του πακέτου R ellmer, χρησιμοποιώντας το μοντέλο gpt-4.1-nano της OpenAI μέσω structured output.
Το LLM λαμβάνει ως είσοδο το πλήρες κείμενο κάθε αγγελίας μέσα σε tags <αγγελία>...</αγγελία> και παράγει ένα δομημένο αποτέλεσμα (structured output) με πέντε Boolean πεδία — ένα για κάθε άξονα διάκρισης — και μία σύντομη αιτιολόγηση. Το system prompt περιλαμβάνει σαφείς κανόνες ερμηνείας:
# Structured output schema (ellmer)
type_discrimination <- type_object(
"Ανάλυση αγγελίας εργασίας για ενδείξεις διακρίσεων",
has_age_discrimination = type_boolean(
"Αληθές αν η αγγελία περιέχει άμεση ή έμμεση ηλικιακή προτίμηση"
),
has_gender_discrimination = type_boolean(
"Αληθές αν η αγγελία καθορίζει ή υπονοεί συγκεκριμένο φύλο"
),
has_appearance_discrimination = type_boolean(
"Αληθές αν η αγγελία αναφέρεται σε εξωτερική εμφάνιση"
),
is_policy_related = type_boolean(
"Αληθές αν η αγγελία αναφέρεται σε κρατικό πρόγραμμα"
),
has_racial_discrimination = type_boolean(
"Αληθές αν η αγγελία απαιτεί συγκεκριμένη εθνικότητα/υπηκοότητα"
),
reasoning = type_string("Σύντομη αιτιολόγηση στα ελληνικά")
)Η ταξινόμηση εκτελέστηκε σε batches των 500 αγγελιών, με αποθήκευση ενδιάμεσης προόδου ώστε να είναι δυνατή η ανάκτηση σε περίπτωση διακοπής. Συνολικά ταξινομήθηκαν και οι 5.093 αγγελίες. Τα αποτελέσματα διατίθενται ελεύθερα μέσω GitHub.
llm_data <- read_csv(
"https://github.com/stesiam/scraping-job-postings-xe/releases/download/v1.3/llm_classification.csv",
show_col_types = FALSE
)
# Εναρμόνιση ονομάτων
llm_data <- llm_data %>%
rename_with(~ case_when(
. == "has_age_discrimination" ~ "llm_isAgeism",
. == "has_gender_discrimination" ~ "llm_isGenderBias",
. == "has_appearance_discrimination" ~ "llm_isAppearanceBias",
. == "is_policy_related" ~ "llm_isPolicy",
. == "has_racial_discrimination" ~ "llm_isRacialBias",
TRUE ~ .
))Η μέθοδος LLM υπερτερεί ποιοτικά: κατανοεί πλαίσιο, εντοπίζει έμμεσες διακρίσεις, και αποφεύγει ψευδώς θετικά σαν αυτά που παράγει η λέξη «νέα» στη μέθοδο keywords. Ωστόσο, δεν είναι πλήρως ντετερμινιστική — η ίδια αγγελία θα μπορούσε να ταξινομηθεί ελαφρώς διαφορετικά σε δεύτερη εκτέλεση. Επιπλέον, η ταξινόμηση εξαρτάται από τη διατύπωση του prompt και τις «αποφάσεις» ενός αδιαφανούς μοντέλου.
Και οι δύο μέθοδοι ανιχνεύουν ρητές ή ημι-ρητές αναφορές σε κριτήρια διάκρισης. Αποτελούν κάτω φράγμα (lower bound) του πραγματικού φαινομένου:
Η χρήση δύο ανεξάρτητων μεθόδων (κανόνες + LLM) λειτουργεί ως εσωτερική τριγωνοποίηση: τα σημεία συμφωνίας ενισχύουν την εμπιστοσύνη στα ευρήματα, ενώ τα σημεία διαφωνίας αναδεικνύουν τα όρια κάθε προσέγγισης.
Στην ενότητα αυτή παρουσιάζονται τα αποτελέσματα της ανάλυσης σε τρία επίπεδα. Πρώτα, συγκρίνουμε τις δύο μεθόδους ανίχνευσης (λέξεις-κλειδιά και LLM) ώστε να αξιολογήσουμε την αξιοπιστία τους. Στη συνέχεια, εξετάζουμε κάθε άξονα διάκρισης ξεχωριστά, αναδεικνύοντας τα κλαδικά και γεωγραφικά πρότυπα που αναδύονται. Τέλος, συνθέτουμε μια συνολική εικόνα, εξετάζοντας πόσες αγγελίες εμφανίζουν πολλαπλές μορφές διάκρισης ταυτόχρονα.
Σε όλη την ενότητα, χρησιμοποιούμε τη μέθοδο LLM ως κύρια αναφορά — καθώς παρέχει πιο ακριβή κατηγοριοποίηση χάρη στην κατανόηση πλαισίου — και τη μέθοδο λέξεων-κλειδιών ως σημείο σύγκρισης.
combined <- bind_cols(
clean_data %>% select(spc, loc, descr, starts_with("kw_")),
llm_data %>% select(starts_with("llm_"))
)
# Μετατροπή σε logical
combined <- combined %>%
mutate(across(starts_with("kw_"), ~ as.logical(.))) %>%
mutate(across(starts_with("llm_"), ~ as.logical(.)))Πριν προχωρήσουμε στην ανάλυση κάθε άξονα, είναι σκόπιμο να εξετάσουμε κατά πόσο οι δύο μέθοδοι συμφωνούν μεταξύ τους. Ο παρακάτω πίνακας παρουσιάζει, για κάθε άξονα διάκρισης, το ποσοστό αγγελιών που εντοπίζει κάθε μέθοδος, το ποσοστό συμφωνίας μεταξύ τους, καθώς και τον αριθμό περιπτώσεων που εντοπίζει μόνο η μία μέθοδος.
| Άξονας | Keywords (%) | LLM (%) | Συμφωνία (%) | Μόνο LLM (n) | Μόνο Keywords (n) |
|---|---|---|---|---|---|
| Ηλικία | 14.9 | 8.0 | 87.7 | 137 | 490 |
| Φύλο | 7.0 | 20.7 | 78.2 | 903 | 206 |
| Εμφάνιση | 0.7 | 0.0 | 99.2 | 1 | 38 |
| Κρατικά προγρ. | 1.0 | 9.2 | 90.9 | 440 | 22 |
| Εθνικότητα | 0.6 | 0.5 | 99.0 | 21 | 28 |
Από τον πίνακα και το γράφημα προκύπτουν ορισμένα ενδιαφέροντα πρότυπα. Στους άξονες εμφάνισης και εθνικότητας, οι δύο μέθοδοι παρουσιάζουν υψηλή συμφωνία — κάτι αναμενόμενο, καθώς οι αντίστοιχες εκφράσεις (π.χ. «ευπαρουσίαστη», «ελληνικής υπηκοότητας») είναι σχετικά μονοσήμαντες. Αντίθετα, στον άξονα ηλικίας η απόκλιση είναι μεγαλύτερη: η μέθοδος λέξεων-κλειδιών τείνει να υπερεκτιμά, κυρίως λόγω ψευδώς θετικών από την πολυσημία λέξεων όπως «νέος» (που μπορεί να σημαίνει «πρόσφατος» αντί «νεαρός»), ενώ η LLM εντοπίζει έμμεσες αναφορές (π.χ. «πρώτη εργασιακή εμπειρία») που η μέθοδος keywords χάνει. Στον άξονα φύλου, η LLM εντοπίζει περισσότερες περιπτώσεις, πιθανώς επειδή αναγνωρίζει τη χρήση γραμματικού γένους ως έμμεση διάκριση — ένα σημείο που οι λέξεις-κλειδιά δεν καλύπτουν πλήρως.
Η απόκλιση μεταξύ μεθόδων δεν αποτελεί αδυναμία· αντίθετα, αναδεικνύει τα τυφλά σημεία κάθε προσέγγισης και ενισχύει την εμπιστοσύνη στα σημεία όπου συμφωνούν.
Η ηλικιακή αναφορά αποτελεί τη συχνότερη μορφή ρητής διάκρισης στο δείγμα. Ωστόσο, πριν αξιολογήσουμε την έκτασή της, πρέπει να απαντήσουμε σε ένα κρίσιμο ερώτημα: οι ηλικιακές αναφορές αντικατοπτρίζουν γνήσιες προτιμήσεις εργοδοτών ή είναι αποτέλεσμα θεσμικών κινήτρων;
Το ελληνικό κράτος, μέσω της ΔΥΠΑ (πρώην ΟΑΕΔ), επιδοτεί προγράμματα απασχόλησης που στοχεύουν συγκεκριμένες ηλικιακές ομάδες (π.χ. 21–29 ετών). Αγγελίες που αναφέρονται σε τέτοια προγράμματα δεν εκφράζουν απαραίτητα προκατάληψη του εργοδότη αλλά ανταπόκριση σε θεσμικά κίνητρα. Ωστόσο, οι δύο μεταβλητές δεν είναι αμοιβαία αποκλειόμενες — μια αγγελία μπορεί να αναφέρει πρόγραμμα ΔΥΠΑ και ταυτόχρονα να ζητάει «νεανικό προφίλ». Αυτή η αλληλοκάλυψη μπορεί να υποδηλώνει ότι ορισμένοι εργοδότες χρησιμοποιούν τα κρατικά προγράμματα ως θεσμικό κάλυμμα για ηλικιακές προτιμήσεις που θα υπήρχαν ούτως ή άλλως.
Robert N. Butler (Νέα Υόρκη, ΗΠΑ, 1927-2010). Ήταν Αμερικανός ψυχίατρος και πρωτοπόρος της γεροντολογίας, γνωστός κυρίως για τη διατύπωση του όρου «ηλικιακός ρατσισμός» (ageism) το 1969. Με το έργο του ανέδειξε τις διακρίσεις εις βάρος των ηλικιωμένων στην εργασία και την κοινωνία, συμβάλλοντας καθοριστικά στην κατανόηση και την αντιμετώπιση του φαινομένου. Υπήρξε ιδρυτής του National Institute on Aging και τιμήθηκε με βραβείο Pulitzer για το βιβλίο του «Why Survive? Being Old in America» (1975).
Πηγή φωτογραφίας: National Institutes of Health (2004) μέσω Wikimedia Commons - Άδεια χρήσης: Public Domain. Για την πρωτότυπη φωτογραφία μπορείτε να πατήσετε τον σύνδεσμο
Η ύπαρξη αγγελιών που ανήκουν στην κατηγορία «Και τα δύο» — δηλαδή αναφέρονται σε κρατικό πρόγραμμα αλλά ταυτόχρονα εκφράζουν ηλικιακή προτίμηση πέρα από αυτή που επιβάλλει το πρόγραμμα — αποτελεί σημαντικό εύρημα. Υποδηλώνει ότι τα θεσμικά κίνητρα, αν και σχεδιασμένα για την ενίσχυση της νεανικής απασχόλησης, ενδέχεται να λειτουργούν παράλληλα ως μηχανισμός νομιμοποίησης ηλικιακών κριτηρίων στις προσλήψεις.
Η ηλικιακή διάκριση δεν κατανέμεται ομοιόμορφα. Ορισμένες κατηγορίες εργασίας εμφανίζουν δυσανάλογα υψηλά ποσοστά ηλικιακών αναφορών. Το παρακάτω γράφημα εστιάζει στις κατηγορίες με τουλάχιστον 20 αγγελίες, ώστε να αποφύγουμε στρεβλώσεις από πολύ μικρά δείγματα.
| Κατηγορία εργασίας | Σύνολο αγγελιών | Αγγελίες με αναφορά | Ποσοστό (%) |
|---|---|---|---|
| Οικιακοί βοηθοί | 39 | 14 | 35.9 |
| Κρεοπώλες | 30 | 7 | 23.3 |
| Υπάλληλοι εξωτερικών εργασιών | 26 | 5 | 19.2 |
| Διάφορες υπηρεσίες - ειδικότητες | 254 | 38 | 15.0 |
| Εργάτες | 210 | 30 | 14.3 |
| Σερβιτόροι | 198 | 26 | 13.1 |
| Logistics - Αποθήκη | 163 | 20 | 12.3 |
| Πωλητές | 581 | 71 | 12.2 |
| Γραμματειακή υποστήριξη - Υπάλληλοι γραφείου | 268 | 28 | 10.4 |
| Ασφαλιστικοί σύμβουλοι - Σύμβουλοι επενδύσεων - Μεσίτες ακινήτων | 39 | 4 | 10.3 |
| Baristas | 96 | 9 | 9.4 |
| Γηροκόμοι | 34 | 3 | 8.8 |
| Μάγειρες - Σεφ (Chef) | 154 | 13 | 8.4 |
| Εξυπηρέτηση πελατών - Call center - Client service | 114 | 9 | 7.9 |
| Βοηθοί μάγειρα - Sous chefs (Σεφ) | 70 | 5 | 7.1 |
Η κατανομή αποκαλύπτει ένα ενδιαφέρον πρότυπο: οι κλάδοι με την υψηλότερη συχνότητα ηλικιακών αναφορών τείνουν να είναι εκείνοι που δεν απαιτούν εξειδικευμένα προσόντα — θέσεις όπου η εργοδοτική «προτίμηση» σε νεότερους υποψηφίους δεν μπορεί να δικαιολογηθεί από τεχνικές απαιτήσεις. Αυτό συνάδει με τη θέση ότι η ηλικιακή διάκριση αποτελεί πρωτίστως πολιτισμικό φαινόμενο — αντανάκλαση στερεοτυπικών αντιλήψεων για «κατάλληλη ηλικία» — παρά αποτέλεσμα αντικειμενικών επιχειρησιακών αναγκών.
Η διάκριση φύλου αποτελεί τη δεύτερη πιο συχνή μορφή ρητής διάκρισης στο δείγμα. Ένα σημαντικό μέρος αυτών των αναφορών δεν είναι κατ’ ανάγκη εχθρικό — πολλές αγγελίες χρησιμοποιούν απλώς γραμματικό γένος (π.χ. «ζητείται πωλήτρια» ή «ζητείται σερβιτόρος»). Αυτό, ωστόσο, δεν είναι αθώο: η αποκλειστική χρήση θηλυκού γένους για τη γραμματεία ή αρσενικού για τη μεταφορά αντικατοπτρίζει — και αναπαράγει — μια σιωπηρή πεποίθηση ότι η θέση «ανήκει» σε συγκεκριμένο φύλο. Το κεντρικό ερώτημα δεν είναι μόνο πόσες αγγελίες κάνουν αναφορά σε φύλο, αλλά σε ποιους κλάδους συγκεντρώνονται αυτές οι αναφορές.
| Κατηγορία εργασίας | Αριθμός αγγελιών |
|---|---|
| Πωλητές | 295 |
| Σερβιτόροι | 75 |
| Γραμματειακή υποστήριξη - Υπάλληλοι γραφείου | 56 |
| Διάφορες υπηρεσίες - ειδικότητες | 47 |
| Καθαριστές - Απολυμαντές | 42 |
| Κομμωτές - Κουρείς | 42 |
| Μανικιουρίστ | 41 |
| Εξυπηρέτηση πελατών - Call center - Client service | 26 |
| Baristas | 22 |
| Μάγειρες - Σεφ (Chef) | 20 |
Η κατανομή δεν είναι τυχαία. Οι κλάδοι που εμφανίζουν τη μεγαλύτερη συχνότητα αναφορών σε φύλο τείνουν να είναι αυτοί με ισχυρά έμφυλα στερεότυπα: πωλήσεις, εστίαση, γραμματειακή υποστήριξη και φροντίδα. Αυτό επιβεβαιώνει τη θέση ότι ο επαγγελματικός διαχωρισμός (occupational segregation) δεν είναι απλώς αποτέλεσμα ατομικών επιλογών, αλλά αναπαράγεται ενεργά μέσα από τις ίδιες τις πρακτικές πρόσληψης. Ο εργοδότης δεν λέει «οι γυναίκες δεν μπορούν να κάνουν αυτή τη δουλειά» — λέει «ζητείται πωλήτρια», κι αυτό αρκεί.
Οι διακρίσεις δεν κατανέμονται ομοιόμορφα στον γεωγραφικό χώρο. Ορισμένες περιοχές εμφανίζουν υψηλότερα ποσοστά ρητών αναφορών, γεγονός που μπορεί να αντανακλά διαφορές στη δομή της τοπικής αγοράς εργασίας, στο μέγεθος των επιχειρήσεων ή στην ευαισθητοποίηση γύρω από ζητήματα ισότητας.
| Περιοχή | Σύνολο αγγελιών | Αγγελίες με ένδειξη | Ποσοστό (%) |
|---|---|---|---|
| Αθήνα - Κέντρο | 57 | 23 | 40.4 |
| Αθήνα - Ομόνοια | 61 | 23 | 37.7 |
| Αθήνα - Παγκράτι | 32 | 12 | 37.5 |
| Αθήνα - Κολωνάκι | 59 | 22 | 37.3 |
| Μαρούσι - Κέντρο | 38 | 14 | 36.8 |
| Πειραιάς - Κέντρο | 48 | 17 | 35.4 |
| Μοσχάτο | 43 | 15 | 34.9 |
| Χαλάνδρι - Δημαρχείο | 59 | 20 | 33.9 |
| Περιφερειακή ενότητα Ανατολικής Αττικής | 42 | 12 | 28.6 |
| - Κέντρο | 46 | 13 | 28.3 |
| Αθήνα - Αμπελόκηποι | 36 | 10 | 27.8 |
| Αθήνα - Σύνταγμα | 30 | 8 | 26.7 |
| Γλυφάδα - Κέντρο | 67 | 16 | 23.9 |
| Αχαρνές | 43 | 10 | 23.3 |
| Αχαρνές - Κέντρο (Παλαιό Μενίδι) | 39 | 9 | 23.1 |
Η γεωγραφική κατανομή πρέπει να ερμηνευθεί με προσοχή. Οι διαφορές μεταξύ περιοχών μπορεί να οφείλονται στη σύνθεση των κλάδων (π.χ. τουριστικές περιοχές με πολλές θέσεις εστίασης), στο μέγεθος των επιχειρήσεων (μικρότερες επιχειρήσεις τείνουν να χρησιμοποιούν πιο άτυπο γλωσσικό ύφος), ή σε πολιτισμικούς παράγοντες. Δεδομένου ότι το δείγμα μας καλύπτει μόνο 15 ημέρες, οι γεωγραφικές διαφορές θα πρέπει να επιβεβαιωθούν με μεγαλύτερα χρονικά παράθυρα.
Αφού εξετάσαμε κάθε άξονα ξεχωριστά, αξίζει να στρέψουμε τη ματιά μας στη συνολική εικόνα. Πόσες αγγελίες εμφανίζουν τουλάχιστον μία μορφή διάκρισης; Και πόσες συνδυάζουν πολλαπλές;
Για τον υπολογισμό αυτό εξαιρούμε τις αγγελίες που αναφέρονται μόνο σε κρατικά προγράμματα (χωρίς άλλη ένδειξη ηλικιακής προτίμησης), ώστε να εστιάσουμε στις γνήσιες εργοδοτικές πρακτικές.
Συνολικά, το 26.9% των αγγελιών εμφανίζει τουλάχιστον μία ένδειξη διάκρισης (συμπεριλαμβανομένων των κρατικών προγραμμάτων). Αν εξαιρέσουμε τις αγγελίες που αφορούν αποκλειστικά κρατικά προγράμματα, το ποσοστό διαμορφώνεται στο 25.9%. Ακόμα και αυτό το «καθαρό» ποσοστό αποτελεί κάτω φράγμα — αντικατοπτρίζει μόνο τις ρητές αναφορές και δεν περιλαμβάνει τις σιωπηρές διακρίσεις που λαμβάνουν χώρα στα μεταγενέστερα στάδια της διαδικασίας πρόσληψης.
| Αριθμός αξόνων | Αγγελίες (n) | Ποσοστό (%) |
|---|---|---|
| Καμία διάκριση | 3775 | 74.1 |
| 1 άξονας | 1224 | 24.0 |
| 2 άξονες | 94 | 1.8 |
Οι αγγελίες με δύο ή περισσότερους άξονες διάκρισης αποτελούν ιδιαίτερο ενδιαφέρον, καθώς αποκαλύπτουν τη διασταυρούμενη (intersectional) φύση ορισμένων πρακτικών πρόσληψης. Ένας υποψήφιος που είναι γυναίκα, μεγαλύτερη σε ηλικία ή χωρίς «ευπαρουσίαστη εμφάνιση» αποκλείεται ταυτόχρονα από πολλαπλά κριτήρια — και το κόστος αυτού του αποκλεισμού είναι σωρευτικό.
Τα στατιστικά αποκτούν νόημα μόνο όταν συνοδεύονται από συγκεκριμένα παραδείγματα. Στον παρακάτω πίνακα παρατίθενται αποσπάσματα πραγματικών αγγελιών (ανωνυμοποιημένες ως προς τον εργοδότη) μαζί με την ταξινόμηση που έδωσε κάθε μέθοδος. Τα παραδείγματα επιλέχθηκαν ώστε να αναδείξουν τρεις κατηγορίες: περιπτώσεις συμφωνίας μεταξύ μεθόδων, ψευδώς θετικά αποτελέσματα της μεθόδου keywords, και περιπτώσεις που εντόπισε μόνο η LLM.
| Κατηγορία μεθόδων | Κλάδος | Απόσπασμα | KW: Ηλικία | LLM: Ηλικία | KW: Φύλο | LLM: Φύλο |
|---|---|---|---|---|---|---|
| Μόνο LLM εντόπισε | Logistics - Αποθήκη | ΑΠΟΘΗΚΑΡΙΟΣ - οδηγός ζητείται από την εταιρεία Deco Idea η οποία δραστηριοποιείται στο χώρο των επίπλων κουζίνας, ειδών υγιεινής και πλακιδίων στο Μαρκόπουλο Αττικής, θέση εργασίας πλήρους απασχόλησης πενθήμερο, αορίστου χρόνου. Δίπλωμα Β' κατηγορ... | FALSE | TRUE | FALSE | FALSE |
| Μόνο LLM εντόπισε | Γραμματειακή υποστήριξη - Υπάλληλοι γραφείου | Η εταιρεία μας στην Ανάβυσσο αναζητά υπάλληλο για τη θέση του Υπαλλήλου Ενοικιάσεων Αυτοκινήτων, ο οποίος/η οποία θα αναλάβει τις παρακάτω αρμοδιότητες. - Υποδοχή και εξυπηρέτηση πελατών στο γραφείο ενοικίασης. - Διαχείριση κρατήσεων και συμβάσε... | FALSE | TRUE | FALSE | FALSE |
| Ψευδώς θετικό (Keywords) | Πωλητές | Γιατί να γίνεις μέλος της ομάδας μας; Επειδή δεν είναι απλά μια δουλειά στο Retail, είναι η ιστορία σου! Στο Public Group πιστεύουμε στη δύναμη των ανθρώπων μας με βιώσιμο τρόπο. Γι' αυτό δεν εστιάζουμε μόνο σε αυτό που κάνεις, αλλά στο ποιος μπο... | TRUE | FALSE | FALSE | TRUE |
| Μόνο LLM εντόπισε | Μανικιουρίστ | Tεχνίτρια -της νυχιών, 23 - 35 ετών, με εμπειρία και άριστη γνώση σε ημιμόνιμο και τεχνητά και προϋπηρεσία, μονο σοβαρές προτάσεις. Απαραίτητα προσόντα : άριστη εξυπηρέτηση πελατών, επικοινωνιακές δεξιότητες, όρεξη για δουλειά. Παρέχονται ικανοποι... | FALSE | TRUE | FALSE | FALSE |
| Μόνο LLM εντόπισε | Πωλητές | Πωλήρια ζητείται για μίνι μάρκετ στο Μοσχάτο έως 50 ετών. Mισθός ικανοποιητικός, πλήρης απασχόληση. Κυλιόμενο ωράριο. Για περισσότερες πληροφορίες μπορείτε να επικοινωνήσετε μαζί μας τηλεφωνικά. | FALSE | TRUE | FALSE | FALSE |
| Ψευδώς θετικό (Keywords) | Εργάτες | Από εταιρεία γυναικείων ενδυμάτων στο Νέο Ηράκλειο (πλησίον σταθμού ΗΣΑΠ) ζητούνται υπάλληλοι για εσωτερική 2μηνη εργασία ως βοηθοί στην παραγωγή και τον ποιοτικό έλεγχο, με ευέλικτο ωράριο. Οι υποψήφιοι μπορούν να στείλουν το βιογραφικό τους μέσ... | TRUE | FALSE | FALSE | FALSE |
Τα παραδείγματα αναδεικνύουν τα πλεονεκτήματα κάθε μεθόδου. Η μέθοδος λέξεων-κλειδιών επισημαίνει κάθε εμφάνιση λέξεων όπως «νέος/νέα», ακόμα κι αν αναφέρονται σε «νέα θέση» ή «νέο κατάστημα» — ψευδώς θετικά που η LLM αποφεύγει χάρη στην κατανόηση πλαισίου. Αντίστροφα, η LLM εντοπίζει έμμεσες ηλικιακές αναφορές (π.χ. «πρώτη εργασιακή εμπειρία», «φρεσκοαπόφοιτος», «δυναμικό περιβάλλον» σε συνδυασμό με ηλικιακή αναφορά) που η μέθοδος keywords δεν καλύπτει εξ ορισμού.
@online{2025,
author = {, stesiam},
title = {Διακρίσεις στην εργασία},
date = {2025-12-30},
url = {https://stesiam.com/el/posts/workplace-discrimination/},
langid = {el}
}