Ein Maßstab für alle ist ein Maßstab für die Hälfte: beim Schneeräumen wie beim Gehalt.
Der Winterdienst von Karlskoga
In der schwedischen Kleinstadt Karlskoga räumte die Kommune nach Schneefall zuerst die Hauptstraßen, danach die Geh- und Radwege. Das klang vernünftig, deshalb hinterfragte es jahrzehntelang niemand. Dann schaute jemand nach Geschlecht getrennt in die Unfallstatistik: Die meisten Winterverletzungen trafen Menschen zu Fuß, überwiegend Frauen. Als die Stadt zuerst die Fußwege räumte, halbierten sich die Unfälle, und weil die Behandlungskosten den Winterdienst überstiegen hatten, sparte sie dabei sogar Geld [1].
Niemand hatte beschlossen, Frauen schlechter zu behandeln. Jemand hatte nur entschieden, was der Normalfall ist, und das war der Mensch im Auto. Dieselbe Sorte Entscheidung steckt in jeder Entgeltanalyse, gleich mehrfach, und ist so unsichtbar wie der Räumplan: Irgendjemand hat festgelegt, wogegen gemessen wird, und alles, was abweicht, muss sich erklären.
Drei Stellen, an denen jemand entscheidet, was normal ist
Am Ende einer Entgeltanalyse steht eine Zahl. Sie wirkt, als sei sie im Datensatz gefunden worden, dabei ist sie relativ zu etwas ausgerechnet, das jemand vorher gewählt hat. Diese Wahl fällt an drei Stellen: beim Nenner der Prozentrechnung, bei der weggelassenen Kategorie in der Regression und bei der Lohnstruktur, die die Zerlegung unterstellt. Im Bericht taucht keine davon auf, dabei verschiebt jede das Ergebnis, an manchen um mehrere Prozentpunkte.
Erste Stelle: Referenzwert für den Gender Pay Gap
Zwei Beraterinnen, derselbe Datensatz, dieselbe Software: Die eine liefert 15,7 %, die andere 18,6 %. Beide haben richtig gerechnet, aber durch unterschiedliche Werte geteilt. Frauen verdienten 2025 im Schnitt 22,81 Euro brutto pro Stunde, Männer 27,05 Euro, Differenz 4,24 Euro [2]. Geteilt durch den Männerverdienst sind das 15,7 %, geteilt durch den Frauenverdienst 18,6 %, gemessen am Mittelwert beider Gruppen 17,0 %.
Alle drei beantworten eine sinnvolle Frage, nur nicht dieselbe. Die 15,7 % sagen, wie viel weniger Frauen bekommen; die 18,6 %, wie viel ihnen zum Männerniveau fehlt, und das ist die Zahl für die Kosten einer Angleichung. Welche stimmt, hängt vom Zweck der Rechnung ab. Die Statistik gibt das nicht vor.
Die EU hat die Wahl abgenommen: Artikel 3 der Entgelttransparenzrichtlinie stellt den Männerdurchschnitt in den Nenner [3]. Wichtig wird das an Artikel 10: Liegt der Unterschied in einer Kategorie bei mindestens 5 % und bleibt er unerklärt und unbehoben, folgt eine gemeinsame Entgeltbewertung mit der Arbeitnehmer-vertretung. Verdienen Männer 5.250 Euro und Frauen 5.000, sind die 250 Euro auf Männerbasis 4,76 %, auf Frauenbasis glatte 5 %: dieselbe Tabelle, einmal unauffällig, einmal genau auf der Schwelle.
Nach der Richtlinie gilt die erste Rechnung. Die Frage ist, ob das interne Werkzeug es genauso hält und ob dokumentiert ist, wie gerechnet wurde. Bei Mittelwert und Median dasselbe Muster: Artikel 9 verlangt beides plus Entgeltquartile. Liegen sie weit auseinander, ist das die Auskunft, ob die Lücke in der Breite sitzt oder in der Spitze.
Zweite Stelle: die Person, die nicht vorkommt
Ab hier ist die Referenzentscheidung nicht mehr nur ein Nenner, sondern der Nullpunkt des Koordinatensystems. Eine Regression kann mit Wörtern nichts anfangen, also wird jede kategoriale Variable (Standort, Funktionsbereich, Entgeltgruppe, Beschäftigungsform) in Nullen und Einsen übersetzt. Bei 5 Ausprägungen kommen 4 ins Modell, eine bleibt draußen und verschwindet im Achsenabschnitt. Von da an messen alle Koeffizienten den Abstand zur weggelassenen Ausprägung.
Wer das ist, entscheidet fast nie ein Mensch. Die Software nimmt meist die erste Kategorie in alphabetischer oder numerischer Reihenfolge: Ihre Referenzabteilung ist Referenz, weil ihr Name mit A anfängt. Ändern Sie die Sortierung, sieht die Tabelle anders aus, obwohl Modellgüte, R² und bereinigte Gesamtlücke bleiben, wo sie waren. Es ändert sich die Geschichte, die jemand abliest, und in einer Präsentation ist die Geschichte das Ergebnis.
Legen Sie alle Referenzkategorien nebeneinander (Vollzeit, unbefristet, keine Unterbrechung, Standort Zentrale, Referenzentgeltgruppe), beschreiben sie zusammen eine Person. Ihre Abweichung ist per Konstruktion null, alle anderen sind die Abweichung.
In der Medizin hat das Konstrukt wenigstens einen Namen: seit den 1970er Jahren „Reference Man“, 70 kg, Mitte 20. Caroline Criado Perez hat die Folgen zusammengetragen, von der Bürotemperatur bis zur Prüfpuppe im Crashtest, dem 1,75 m großen Mann von 78 kg: Frauen haben bei Frontalunfällen ein höheres Verletzungsrisiko, weil das Auto an jemand anderem getestet wurde [4].
Ihr Entgeltsystem hat auch eine Referenzperson, sie hat nur keinen Namen. Ein einfacher Test: Beschreiben Sie den Menschen, der in allen Kriterien Ihres Katalogs die volle Punktzahl erreicht.
Dritte Stelle: eine Gerade für alle
Der bereinigte Gap entsteht fast immer auf demselben Weg: eine multivariate Regression über die gesamte Belegschaft, Gehalt erklärt aus Erfahrung, Funktion, Standort und Entgeltgruppe, das Geschlecht als eine Variable unter vielen. So habe ich es in vielen Projekten gesehen. Am Ende steht ein einziger Koeffizient, und der wird als Entgeltlücke berichtet. Was dieses Modell unterstellt, steht in keinem Bericht: Es gibt nur eine Regressionsgerade, für Frauen und Männer dieselbe Steigung, nur um einen konstanten Betrag nach unten verschoben.
Das Modell misst diesen Punkt nicht. Es setzt eine Antwort auf genau die Frage voraus, die untersucht werden soll. Eine gemeinsame Gerade behauptet, ein Jahr Erfahrung oder ein Karriereschritt zahle sich bei Frauen genauso aus wie bei Männern. Trifft das nicht zu, verschwindet der Unterschied nicht, er wird nur anders verbucht: Das Modell presst beide Gruppen auf eine Kurve und schiebt alles, was nicht passt, in den Geschlechtskoeffizienten.
Wessen Kurve das ist, entscheidet die Gruppengröße. Sind Männer in der Mehrheit, folgt die gemeinsame Gerade im Wesentlichen ihrem Verlauf, und Frauen werden als Abstand dazu beschrieben. Was in den Steigungen sitzt, etwa eine flachere Erfahrungskurve oder eine schlechter bezahlte Beförderung, ist damit per Konstruktion unsichtbar. Der Gap erscheint gleichmäßiger, als er ist, und am oberen Ende, wo die Kurven am weitesten auseinanderlaufen, unterschätzt das Modell am stärksten.
Dark Data: was in keiner Tabelle steht
Bis hierhin ging es um Entscheidungen, die das Ergebnis verschieben. Jetzt geht es um das, was kein Modell anzeigen kann. Der bereinigte Gap lag 2025 bei 6 %; von den 4,24 Euro erklärt die amtliche Statistik rund 60 % durch messbare Faktoren: Teilzeit 19 %, Beruf und Branche 18 %, Anforderungsniveau 13 %. 1,71 Euro bleiben übrig [5].
Jede Kontrollvariable ist formal geschlechtsneutral und kann selbst Ergebnis von Benachteiligung sein. Wer für Teilzeit kontrolliert, kontrolliert für ungleich verteilte Sorgeverpflichtungen; wer für Führungsebene kontrolliert, für die Beförderungen der letzten 10 Jahre; wer für Branche kontrolliert, rechnet die historische Abwertung frauendominierter Berufe heraus. Das heißt Überkontrolle. Das Statistische Bundesamt schreibt selbst, der bereinigte Gap dürfe nicht mit Lohndiskriminierung gleichgesetzt werden, weil Angaben zu Erwerbsunterbrechungen fehlen. Die 6 % markieren damit eher eine Ober- als eine Untergrenze.
David Hand nennt das Dark Data [6]: Gefährlich ist nicht der fehlende Wert, sondern der, dessen Fehlen niemandem auffällt. In den Systemen steht das Verhandlungsergebnis, nie das Gespräch. Wer sich intern beworben und die Stelle nicht bekommen hat, taucht nicht auf. Wer wegen der Lücke gegangen ist, ist in ihr nicht mehr enthalten. Und warum eine Tätigkeit in Entgeltgruppe 9 liegt und nicht in 11, fragt die Regression nicht, das ist ihre Eingabe.
Diese Dinge sind ungemessen, nicht unerklärt. Unerklärtes erscheint als Restgröße und wird diskutiert, Ungemessenes taucht im Bericht gar nicht auf. Das ist der Räumplan von Karlskoga: eine Norm, die als Selbstverständlichkeit auftritt.
Zum Schluss
Die Frage im Titel lässt sich ausrechnen, und die Antwort liegt regelmäßig bei mehreren Prozentpunkten, noch bevor über Ursachen oder Verantwortung gesprochen wurde. Quantitative Entgeltanalysen bleiben trotzdem das richtige Werkzeug, nur neutral sind sie nicht: Jede Methode ist eine Kette vonEntscheidungen, und jede dieser Entscheidungen hat einen Adressaten, die Person, die zum Nullpunkt gemacht wird.
Die Konsequenz daraus ist unspektakulär und wird trotzdem selten gezogen: Referenzentscheidungen offenlegen, Alternativrechnungen mitliefern und benennen, was nicht in den Daten steht. In Karlskoga hat schließlich auch niemand die Statistik geändert, es hat nur jemand gefragt, für wen der Räumplan eigentlich gemacht war.
Häufige Fragen zur Gehaltsanalyse
1. Welche Zahl zählt für die Richtlinie, die bereinigte oder die unbereinigte? Berichtet wird nach Artikel 9 der unbereinigte Unterschied, als Mittelwert und Median, dazu die Verteilung auf Entgeltquartile [3]. Die bereinigte Zahl ist nirgends vorgeschrieben. Sie hilft intern beim Verstehen, ersetzt aber weder den Bericht noch die Prüfung nach Kategorien.
2. Was gehört in eine Alternativrechnung? Mindestens drei Dinge: der Gap mit anderem Nenner, das Regressionsmodell mit getrennten Geraden für Frauen und Männer, und die bereinigte Lücke einmal mit und einmal ohne die Variablen, die selbst Ergebnis von Benachteiligung sein können (Teilzeit, Führungsebene). Liegen die Ergebnisse nah beieinander, ist die Zahl robust. Liegen sie auseinander, ist das die eigentliche Erkenntnis.
3. Was tun, wenn eine Kategorie nur wenige Frauen oder wenige Männer enthält?Dann trägt eine einzelne Person den Durchschnitt, und die Zahl schwankt von Jahr zu Jahr, ohne dass sich etwas geändert hat. Eine Regression liefert dort breite Konfidenzintervalle, keine Aussage. Sinnvoller ist, solche Gruppen zusammen-zulegen oder einzeln zu begründen, und im Bericht zu sagen, ab welcher Gruppengröße die Zahl überhaupt gelesen werden sollte.
Quellen:
[1] FSG: Can Snow Clearing Be Sexist? (Zahlen zum Fall Karlskoga). https://www.fsg.org/blog/can-snow-clearing-be-sexist/
[2] Statistisches Bundesamt, Pressemitteilung Nr. 453 vom 15.12.2025: Gender Pay Gap 2025 unverändert bei 16 %. https://www.destatis.de/DE/Presse/Pressemitteilungen/2025/12/PD25_453_621.html
[3] Richtlinie (EU) 2023/970 vom 10. Mai 2023 (Entgelttransparenzrichtlinie), insbesondere Art. 3, 9, 10 und 18. https://eur-lex.europa.eu/legal-content/DE/TXT/PDF/?uri=CELEX:32023L0970
[4] Criado Perez, Caroline (2020): Unsichtbare Frauen, btb Verlag. (Reference Man, Bürotemperatur-Norm, Crashtest-Dummy, Schneeräumung in Karlskoga)
[5] Statistisches Bundesamt, Gender Pay Gap: Häufig gestellte Fragen (Berechnungsformel, bereinigt und unbereinigt, Grenzen der Interpretation). https://www.destatis.de/DE/Themen/Arbeit/Verdienste/Verdienste-GenderPayGap/FAQ/_faq-gender-pay-gap.html
[6] Hand, David J. (2020): Dark Data: Why What You Don't Know Matters, Princeton University Press.
[7] CMS Legal, EU-Entgelttransparenzrichtlinie: Umfassende Berichtspflichten für Unternehmen (Fristen und Schwellenwerte). https://cms.law/de/deu/legal-updates/eu-entgelttransparenzrichtlinie-umfassende-berichtspflichten-fuer-unternehmen.
