Cinsiyet eşitliğini izlemek için gereken verilerin yüzde 57’si mevcut. Geri kalanı bilinmiyor. Bu rakam BM Kadın Birimi’nin 2025 raporundan geliyor. Bu nedenle eşitsizliği ölçmeden çözmek mümkün değil. Ancak asıl sorun yalnızca verinin eksik olması değil. Mevcut verinin de büyük çoğunlukla tek boyutlu olması.

Tek bir istatistik her şeyi anlatmaz

“Kadınlar erkeklerden daha az kazanıyor.”

Bu doğru. Ancak bu cümle çok farklı gerçeklikleri tek bir ifadeye sıkıştırıyor.

Bir politika yapıcının istihdam verilerini incelediğini düşünün. Ortalamada kadınların daha az kazandığını görüyor. Ama bu istatistik hikâyenin yalnızca bir kısmını anlatıyor. Örneğin farklı etnik gruplardaki kadınlar için ücret uçurumu nasıl farklılaşıyor? Engelli kadınlar için? Kayıt dışı sektörlerde çalışan göçmen kadınlar için?

Bu sorular görünmediğinde tek tip çözümler işe yaramıyor. Dolayısıyla “ortalama kadın” kavramı yanıltıcı hale geliyor.

“Ortalama kadın” diye bir şey yoktur

Veriler genellikle kadınları tek bir grup olarak ele alıyor. Oysa kadınlar homojen bir kütle değil. Kırsal bölgedeki kadın farklı. Azınlık bir kadın farklı. Engelli kadın farklı. Göçmen kadın farklı, yaşlı kadın farklı. Dolayısıyla her biri farklı deneyimler yaşıyor.

Bir politika “ortalama kadın” için tasarlandığında bu grupların büyük bölümüne ulaşamıyor. Ya da daha kötüsü, var olan eşitsizliği derinleştiriyor.

Hangi veriler eksik?

Yaşlı kadınlara ilişkin veriler çoğunlukla eksik. Çünkü temel araştırmalar üreme çağındaki kadınlara odaklanıyor. Oysa yaşlı kadınlar, ömür boyu biriken eşitsizliğin katmerlenmiş etkisini yaşıyor.

Eksik veri listesi somut: Engelli bir göçmen kadının istihdama erişimi. Kırsal bölgedeki yaşlı bir kadının sağlık hizmetlerine ulaşımı. Azınlık bir kadının eğitimde karşılaştığı engeller. Bunların tamamı, ayrıştırılmış veri olmadan görünmez kalıyor.

Görünmez olan değişemiyor

Bir arabanın çarpışma testini düşünün. Test mankenlerinin büyük çoğunluğu ortalama bir erkeği temsil edecek şekilde tasarlanıyor. Bu veri boşluğu, kadınların aynı kazada daha ağır yaralanmasına yol açıyor. Veriler cinsiyetsiz görünse de aslında eril bir varsayım taşıyor.

Politika için de aynı durum geçerli. Verisi olmayan grup kararların dışında kalıyor. Kararların dışında kalan grup değişimin de dışında kalıyor.

Kesişimsel veri neden önemli?

Geleneksel veri ayrıştırması tek tek faktörlere bakıyor. Buna karşılık kesişimsel veri bu faktörlerin nasıl üst üste bindiğini gösteriyor.

Eğitimde okul kayıt oranlarına bakıldığında genel cinsiyet farklılıkları görülebilir. Ancak daha derine inmeden engelli çocukların ya da düşük gelirli ailelerin çocuklarının karşılaştığı özgün zorlukları kaçırıyoruz.

Mesele yalnızca istatistik değil. Kimi saydığımız, kimi görünür kıldığımız.

Veri bir güç meselesidir

Kim hakkında veri topluyoruz? Kimin deneyimini ölçüyoruz? Aslında bu sorular teknik değil, siyasi sorular.

2025 itibarıyla ulusal istatistik ofislerinin yarısından fazlası bütçe kesintisiyle karşı karşıya. Cinsiyet eşitliğini izlemek için gereken verilerin yüzde 57’si mevcut. Dört ülkeden yalnızca biri cinsiyet eşitliği için ne harcadığını biliyor.

Kaynak ayrılmadığında veri de oluşmuyor. Veri olmadığında görünmezlik devam ediyor.

Sayılmayan şey değiştirilemiyor

Eşitsizliği gerçekten anlamak istiyorsak “ortalama kadın” varsayımını terk etmemiz gerekiyor. Çünkü bu ortalama birçok kadını dışarıda bırakıyor.

Cinsiyet, yaş, etnik köken, engellilik durumu ve göçmenlik statüsüne göre veri toplamak hem bir ölçüm meselesi hem de bir adalet meselesi.

Sonuç olarak değil, açık biçimde şunu söyleyebiliriz:

Görülmeyen sorun çözülmez.

 

UN Women & UN DESA, Progress on the Sustainable Development Goals: The Gender Snapshot 2025, Eylül 2025.