看不见的女性

本书真正要处理的问题，可以表述为：为什么大量制度明明以“所有人”为对象，实际效果却经常对女性更不利？

常见回答往往停在两个层面。第一种把问题归因于公开的性别歧视，仿佛只有规则中写着“排除女性”才算不公；第二种将不利结果解释为个人选择，例如女性选择某些职业、选择减少有偿工作，或者选择了某种出行方式。佩雷斯则把观察点向前移动：在选择发生之前，环境已经如何分配了时间、安全、照护责任和行动成本？规则所说的“人”“劳动者”“患者”“乘客”，究竟是根据谁的生活和身体建立的？

她由此提出一个贯穿全书的判断：男性往往被当作无须说明的默认人类，女性则被视为默认模型之外的特殊类型。所谓“看不见”，并不是社会完全不知道女性存在，而是在计算、采样、测试、规划和决策时，没有把女性经验当作构成一般知识所必需的部分。

这个问题既是知识问题，也是权力问题。数据决定什么能够被描述，分类决定什么能够被比较，指标决定什么容易进入预算与绩效考核，而有权提出问题的人又决定哪些事实值得被收集。因此，缺少数据并非单纯的技术疏漏；它也可能反映一种优先级：某些人的困难被认为理所当然，因而不值得单独记录。

现代社会高度依赖标准化。政府需要用人口、就业、交通和健康统计制定政策，医学依靠临床研究判断疗效，企业借助用户数据开发产品，工程系统则必须根据某种“标准人体”设定尺寸和安全阈值。标准化本身不可避免，问题在于标准如何形成。

长期以来，公共领域中的典型主体常被想象为一个没有照护负担、能够连续工作、按固定路线通勤、身体特征接近成年男性的人。只要这个主体被叫作“普通人”，设计中的性别选择就会从语言上消失。女性的身体差异被处理成偏离标准的例外；女性承担的大量照护劳动则被放进私人家庭，好像与经济和公共基础设施无关。

形式上的中立进一步加强了这种错觉。同样大小的卫生间、同样长度的工作日、同样的安全设备、同样的公共交通线路，表面上都没有区别对待。但相同配置不等于相同结果。如果使用时间、生理需求、劳动责任、暴露风险原本就不同，那么一视同仁反而会把既有差异固定下来。

问题还来自统计语言本身。总人口平均值可以掩盖群体差异，总就业率可能忽略无偿劳动，事故总量未必揭示暴露程度，家庭收入也不能自动说明资源在家庭成员之间如何分配。数据看似客观，却总是由提问、分类、采样和呈现方式共同塑造。没有任何一张表会自动告诉我们应该关心什么。

首先要区分没有数据与没有现实。某种伤害没有被统计，不代表它没有发生；它可能只是没有进入调查问卷、诊断编码或工作记录。相反，已有数据也不必然充分：如果研究样本偏向男性，或者结果没有按性别拆分，总量数据同样可能制造误导。

其次要区分男性数据与人类数据。在能够证明性别差异无关紧要的领域，合并数据可能合理；但在药物代谢、身体尺寸、照护时间或暴力风险等问题上，直接把男性样本推广给所有人，是一个需要论证的推断，而非自然成立的常识。

第三要区分形式中立与结果公平。规则没有提到性别，只能说明它没有明文区别；规则是否公平，还要看不同群体进入同一制度时拥有怎样的资源、责任和风险。所谓中立，有时只是没有说出默认对象是谁。

第四要区分女性平均值与女性内部差异。女性不是同质群体。一个适合健康、年轻、城市中产女性的方案，可能仍然排除孕妇、老年女性、残障女性、贫困女性和承担密集照护责任的女性。补上性别分类只是起点，不是终点。

第五要区分代表性在场与实质影响力。会议中出现女性，并不保证她们能决定议题、质疑指标或影响资源配置。人数可以改善信息条件，却不能自动消除组织中的等级、惩罚机制和非正式排斥。

最后要区分记录问题与改变问题。数据能够让不平等变得可见，却不会自行产生改革。证据必须进入设计标准、预算流程、责任分配和反馈机制，才可能改变结果。

概念	精确含义	与其他概念的关系	在全书中的作用
性别数据缺口	与女性身体、劳动、需求和风险相关的数据缺失、偏少或未分类	为男性默认值提供知识条件，也使不利结果难以识别	全书统摄性概念，连接医学、城市、劳动与公共政策
男性默认值	把男性身体与生活模式当作无须说明的一般标准	借助数据缺口被自然化，通过制度设计产生后果	解释“性别中立”为何可能持续偏向男性
无偿照护劳动	未获得直接报酬的育儿、家务、照料和家庭协调活动	影响时间使用、就业选择、收入与出行模式	将私人生活与宏观经济、公共服务重新连接
代表性	女性进入研究、规划、管理和决策过程并拥有有效发言权	有助于发现未知问题，但不能替代数据和制度责任	回答“谁来提出问题、定义指标”
交叉歧视	性别与阶层、种族、年龄、残障等因素共同塑造的差异	修正单一“女性平均值”的局限	防止补充女性数据后再次制造新的默认女性
性别主流化	在政策与设计的常规流程中持续评估性别影响	把数据从一次性补充转化为制度化程序	指向从发现缺口到改变决策的路径

全书的论证起点，是对“普通人”这一抽象主体的追问。任何制度都必须简化现实：汽车需要碰撞测试模型，办公场所需要温度标准，城市规划需要出行数据，医学研究需要受试者。但简化不是无条件的。谁进入样本、谁构成平均值、哪些差异被认为值得保留，都是选择。

第一层推论是：当男性在数据中占据多数，男性特征就容易被误认成人类特征。缺少女性数据时，设计者未必意识到自己做了性别化选择；他们可能只是沿用既有数据库、标准和经验。偏差因此不需要明确恶意，也能稳定复制。

第二层推论是：不完整的数据会进入物质和制度设计。以男性身体为参照的安全设备可能无法同样保护女性；以典型全职劳动者为中心的工作制度，会忽略承担大量照护责任的人；只记录主要通勤路线的交通规划，可能低估接送、采购、就医等链式出行；未充分研究女性症状和药物反应的医学知识，也可能造成延误或误判。这里的关键不是每项制度都必然伤害所有女性，而是风险评估从一开始就不完整。

第三层推论是：设计产生的后果会被重新解释成个人选择。照护服务不足压缩了就业机会，结果可能被描述为女性“偏好”兼职；交通不便提高了多段出行的时间成本，最后只留下“出行方式不同”的统计描述；组织以无照护负担者为理想员工，晋升差距则容易被归因于投入程度不同。结构条件由此退出视野，个人被要求为适应失败负责。

第四层推论是：女性经验的缺席会形成反馈循环。当女性较少进入某个行业或决策位置，相关制度便更少接触她们的问题；问题未被记录，又使改革显得缺乏证据；缺少改革继续阻碍女性进入。性别数据缺口因而既是历史结果，也是自我延续的机制。

第五层推论是：补救不能只靠增加数据量。更完整的女性样本当然重要，但还需要改变问题设置和分类方式。若研究仍以男性生活模式定义“正常”，女性数据可能只是被用来测量偏离程度；若机构不承担回应证据的责任，再准确的统计也可能停留在报告中。

最终结论不是“数据天然客观，所以更多数据足以带来公平”，而是：要使公共世界更接近真正的普遍性，必须持续追问默认主体是谁，按相关维度拆分数据，让受影响者参与定义问题，并把差异证据纳入设计与问责。普遍性不是先验给定的，而要通过不断修正偏狭样本才能逐步接近。

本书最显著的写法，是跨领域积累材料。城市规划、公共交通、劳动市场、照护经济、工作场所、灾害应对、医学研究、产品设计与政治代表性被放进同一框架。单个案例的作用，通常不是独立证明一个覆盖全球的命题，而是展示同一种默认机制如何在不同系统中反复出现。

统计数据承担三种功能。第一是显示规模，例如无偿照护并非少数家庭的私人琐事，而是维持经济运行的重要劳动。第二是揭示结果差异，如不同性别在事故伤害、疾病诊断或收入方面可能面对不同后果。第三是暴露测量盲点：有时最重要的材料恰恰是某类数据长期没有被收集，或虽已收集却没有按性别分析。

工程与医学案例则把抽象偏差转化为身体后果。碰撞测试模型、药物研究样本和诊断规范提醒读者，“默认人类”并不只存在于语言中，它会落实为设备尺寸、剂量建议和安全阈值。不过，这类材料需要逐项判断：一项风险差异可能同时受到暴露方式、年龄、车型、职业和医疗可及性影响，不能仅凭男女结果不同就断言单一因果。

作者也大量使用制度案例来建立比较。一个城市如何确定铲雪优先级，一个组织如何安排工作时间，一个救灾体系如何分配资源，都能说明：政策效果取决于决策者看见了哪些行动模式。此类案例的力量在于揭示机制，而不在于证明某个地区的方案可以不加调整地移植到所有社会。

个人故事为数字补充了体验维度。统计可以告诉我们差异存在，却未必能呈现排队、绕路、照护协调、诊断延迟和安全焦虑如何累积成日常负担。故事能够帮助读者理解机制，但不能替代代表性样本。全书较好的阅读方式，是把案例视为提出问题和展示路径的材料，把统计视为判断范围与频率的依据，而不让任何一种材料独自承担全部证明责任。

“默认”是一种权力位置

最有穿透力的洞见，不是发现社会中存在性别差异，而是指出一方可以不以性别身份出现。男性常被描述为工人、患者、公民和用户，女性则容易被标记为女工、女性患者、女性选民和女性用户。能够代表普遍，意味着自身特征不必被说明；被视为特殊，则意味着需求总要额外证明。

这改变了我们理解歧视的方式。偏见不只表现为公开排斥，也可能表现为某一群体获得了定义常态的资格。当一种经验占据默认位置，其他经验就会被当作附加成本，而非完善系统所需的信息。

私人时间具有公共结构

无偿照护常被放在家庭伦理中讨论，仿佛只是家庭成员之间的自愿安排。本书把它重新放回经济和公共政策：谁照顾儿童、病人和老人，决定了谁能连续就业、接受培训、远距离通勤或参与政治；公共交通、托育服务、休假制度和工作时间，又反过来塑造家庭内部的分工。

这并不意味着每项家庭选择都是制度强迫的，也不能否定照护中的情感价值。真正的洞见在于：选择发生在不均等的时间预算和服务条件中。若只计算有价格的劳动，社会就会低估支撑这些劳动得以发生的基础。

缺失不是空白，而会产生方向

人们容易把没有女性数据理解为“暂时不知道”。但制度不能暂停运行，设计者仍然必须作出决定。此时，已有的男性数据便会填补空白。缺失因而不是中性的未知，而会把决策推向数据较丰富的一方。

这也解释了为何技术进步不会自动消除偏差。数据系统越被广泛用于预测与分配，历史资料中的缺口越可能获得新的执行能力。更大的数据集若沿用旧分类和旧样本，只会更高效地复制旧盲点。

代表性首先改变问题清单

增加女性代表性常被理解为追求象征公平。本书更重要的提示是：不同生活经验会改变机构首先问什么。谁参与规划，会影响调查是否记录夜间安全、照护路线和卫生设施；谁参与医学研究，会影响哪些症状被视为典型；谁参与灾害治理，会影响救援是否考虑照护责任和性别暴力风险。

不过，代表性不是本质主义命题。女性并不会天然持有同一种观点，也不能自动代表所有女性。它的知识价值在于扩大可能被提出的问题，并减少单一群体把自身经验误认作普遍经验的概率。

性别数据缺口框架最擅长解释一种看似矛盾的现象：为什么现代机构越强调标准、效率和中立，某些不平等仍能长期存在。答案是，标准可能基于偏斜样本，效率可能只计算可见成本，中立则可能隐藏默认对象。

它也能连接原本彼此分散的问题。卫生间排队、城市出行、工作晋升、医疗诊断和安全设备表面上属于完全不同的领域，但都可以追问四个共同问题：谁被采样，谁被设为标准，谁承担未计算的成本，谁有权修改设计。这个框架因此提供了一种跨领域的观察语言。

相较于只强调个人偏见的解释，它能说明为什么善意的专业人士也可能制造不平等；相较于只强调法律权利的解释，它能说明为何明文平等尚不足以保证实际安全和机会；相较于纯粹的选择叙事，它把选择放回时间、资源和基础设施约束之中。

它的解释力还体现在揭示累积效应。单次绕路、一次会议时间冲突或一种不合身的设备，也许只造成轻微不便；但当这些成本贯穿教育、就业、照护和健康，微小偏差便会累积为显著差距。制度不必在每个节点都高度歧视，也可能在长期形成不平等结果。

一种竞争性解释来自偏好与人力资本理论：男女结果不同，可能主要因为兴趣、职业选择、工作时长或经验积累不同。这一解释在某些问题上确有价值，尤其能提醒我们不能从结果差异直接推断歧视。但它的弱点是容易把偏好当作分析终点。若托育成本、工作制度、社会期待和安全条件持续塑造可选范围，那么偏好既是个人表达，也可能是对约束的适应。

第二种解释强调公开偏见与权力冲突。按照这一视角，不平等主要来自掌权者维护利益，而不是信息不足。它能够解释为什么充分证据出现后，改革仍被拖延，也能说明组织为何选择不收集某些数据。相比之下，数据缺口框架有时容易让政治冲突看起来像技术疏忽。较完整的理解应把两者结合：有些偏差源于无知，有些源于惯性，还有些源于既得利益对无知的主动维护。

第三种解释来自一般的人体差异和个性化设计。它会质疑：既然女性内部差异巨大，把性别作为分类变量会不会过于粗糙？这一批评是成立的。身高、年龄、激素状态、职业暴露与社会处境未必都能由二元性别准确代理。但这并不意味着应删除性别数据，而意味着要检验性别在具体问题上是否具有解释价值，并在必要时加入更细的变量。

第四种立场担忧，强调性别差异可能固化刻板印象，把女性重新描述成脆弱、特殊、需要保护的人群。数据确实可能被如此使用。避免这一风险的关键，是区分生理差异、社会分工与制度后果，不把统计平均值当成个体命运，也不把当前差异自然化。承认差异的政策含义，应当是扩展安全与选择，而不是限制女性参与。

首先，男女之间出现统计差异，不等于性别就是唯一或最重要的原因。收入、教育、职业、年龄、地域和家庭结构可能共同作用。若没有控制暴露程度和其他变量，性别差异只能提示问题，不能完成因果证明。

其次，性别分类数据并不天然可靠。调查对象可能因定义、申报方式和样本不足而被误分；过于笼统的男女二分也可能忽略跨性别者、非二元性别者以及不同生理状态。数据精细化需要与隐私、安全和实际用途平衡，不能为了“完整”而无限收集敏感信息。

再次，并非所有领域都需要按性别分别设计。如果研究表明某种差异对结果影响很小，统一标准可能更简单、更公平。性别敏感不等于事事预设男女不同，而是不能未经检验就假定差异不存在。

女性代表性也存在边界。少数身居高位的女性可能与资源不足者拥有完全不同的生活经验；组织还可能把她们限制在象征位置，让其承担说明全部女性需求的不可能任务。因此，代表性必须与多样化样本、公开反馈和实际决策权结合。

最后，数据化会遗漏难以量化的价值。尊严、恐惧、疼痛、行动自由和照护关系不能完全压缩成指标。若只承认可测量的问题，新的数据治理仍可能制造新的不可见。定量材料需要与访谈、参与式研究和经验叙述互相校正。

在数字产品中，性别数据缺口提醒我们检查训练数据和用户研究：典型用户是谁，错误率是否在不同群体间有系统差异，所谓参与度指标是否忽略了骚扰、照护时间和设备可及性。但观察到差异之后，仍需进一步判断原因，不能直接把所有偏差归于算法本身。

在医疗系统中，这一框架要求关注研究样本、症状描述和诊疗路径是否具有代表性。更细的数据可能帮助发现差异，却也可能增加隐私风险，或被保险、就业等系统用于不利分类。因此，收集目的、访问权限和纠错机制与样本规模同样重要。

在城市治理中，可以用时间使用和链式出行重新检查交通、照明、卫生设施与托育服务。这里不能简单假定所有女性拥有相同路线，而应考察不同群体在不同时段的行动目的、安全感与替代选择。规划的目标也不是建设一个孤立的“女性专区”，而是让普遍服务真正覆盖更广泛的生活模式。

在组织管理中，晋升率、离职率和薪酬差距只是起点。会议时间、评价标准、照护中断、非正式社交与骚扰申诉共同影响机会分配。数据可以显示差距，但只有当组织愿意修改评价方式和承担问责时，测量才不会变成年度报告中的装饰。

1. 当一项制度声称服务“所有人”时，它所依据的标准主体具有什么身体特征、时间结构和家庭责任？
2. 当前数据真正没有被收集，还是已经收集却没有按关键群体拆分？两种情况分别由谁负责？
3. 观察到群体结果差异后，还需要排除哪些暴露程度、阶层、年龄、职业或地域因素，才能讨论因果？
4. 一项看似相同的规则，会不会因为起点、需求或承担的隐性成本不同而产生不对称结果？
5. 哪些劳动和风险没有进入价格、绩效或统计指标？如果把它们纳入，效率判断会发生什么变化？
6. 受影响者参与决策时，拥有的是人数、发言机会，还是改变议题、预算与标准的实际权力？
7. 补充数据可能带来哪些新风险，例如固化刻板印象、侵犯隐私或制造新的平均人？应如何设置纠错机制？

• 问题
  • 许多制度以“所有人”为名，却持续对女性产生更不利的后果。
• 关键区分
  • 没有数据，不等于没有现实。
  • 男性数据，不等于人类数据。
  • 形式中立，不等于结果公平。
  • 女性平均值，不等于所有女性。
  • 代表性在场，不等于拥有决策权。
• 核心概念
  • 性别数据缺口：女性经验没有被充分记录和分析。
  • 男性默认值：男性身体与生活模式被当作一般标准。
  • 无偿照护劳动：维持社会运行却常被经济指标遗漏的劳动。
  • 代表性：谁能发现问题、定义指标和改变设计。
  • 交叉歧视：性别与其他社会位置共同塑造风险。
• 论证
  • 知识生产必须简化现实。
  • 偏斜样本把男性特征塑造成普遍标准。
  • 标准进入产品、制度与基础设施。
  • 不对称后果被解释为女性的个人选择。
  • 女性缺席又使相关问题继续缺少证据。
  • 因此，数据缺口与制度设计形成自我强化循环。
• 证据
  • 跨领域统计显示结果差异与测量遗漏。
  • 医学和工程案例展示默认模型的身体后果。
  • 城市与劳动制度说明私人生活如何受公共设计塑造。
  • 个人经验呈现平均值无法表达的累积成本。
• 洞见
  • 能够代表“普遍”，本身就是一种权力。
  • 私人时间由公共制度共同塑造。
  • 数据缺失会让已有标准主动填补空白。
  • 代表性的重要价值是改变问题清单。
• 边界
  • 相关性不能代替因果证明。
  • 性别不是所有问题中唯一有效的变量。
  • 分类数据可能固化刻板印象或带来隐私风险。
  • 女性内部差异要求更细致的交叉分析。
  • 数据能够揭示问题，却不能替代政治选择与制度问责。
• 最终指向
  • 真正的普遍性不是把所有人塞进一个既有标准，而是不断检验标准遗漏了谁，并让被遗漏的经验进入知识、设计与权力分配。