📈 economía

Inequality at a Location: A Local Inequality Index Based on Mean Log Deviation

Este artículo introduce el Índice de Desigualdad Local (LII), una medida novedosa basada en la desviación logarítmica media que satisface las propiedades de Localidad y Espacialidad al ponderar las desviaciones de ingresos con un núcleo de decaimiento por distancia, revelando así patrones de desigualdad localizados en ciudades chinas que las medidas globales convencionales no logran detectar.

Autores originales: Dongyuan Mu

Publicado 2026-10-21

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Dongyuan Mu

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La desigualdad suele pensarse como una estadística de un país entero o de un grupo grande, un único número que resume qué tan alejados están los ricos y los pobres en promedio. Pero las personas no experimentan la desigualdad como un promedio nacional; la experimentan desde donde se encuentran. Una persona en un vecindario rico puede sentirse segura incluso si el país es pobre, mientras que alguien en un pueblo con dificultades puede sentirse rezagado incluso si la nación se está enriqueciendo. Este sentimiento depende del entorno inmediato: los ingresos de los vecinos, las oportunidades locales y las brechas visibles entre la propia situación de la persona y los que están cerca. Los economistas llaman a esto el grupo de referencia, el círculo de personas con las que nos comparamos, que a menudo se extrae de nuestra ubicación física en lugar de toda la población. Comprender cómo se distribuye el ingreso en estos entornos locales específicos es crucial porque moldea todo, desde qué tan segura se siente una calle hasta cómo la gente vota en temas nacionales.

Un nuevo estudio de Dongyuan Mu, de la Universidad de Kindai, aborda la dificultad de medir esta experiencia local. Durante décadas, los investigadores han intentado capturar la desigualdad local tomando una fórmula nacional estándar y aplicándola a un área pequeña y fija, como un condado o un círculo trazado alrededor de una ciudad. El problema con este enfoque es que trata el límite como un muro rígido. Si una ciudad rica queda justo fuera de la línea, se ignora, a pesar de que podría ser la comparación más importante para alguien que vive justo en el borde. Este método crea un "problema de la unidad de área modificable", donde el resultado cambia simplemente porque el investigador trazó la línea en un lugar ligeramente diferente. El artículo argumenta que una verdadera medida de la desigualdad local no debería limitarse a seleccionar una muestra de personas para observar; debería leer la posición de cada una de las unidades del país, ponderándolas según su distancia.

Para resolver esto, el autor propone una nueva herramienta llamada Índice de Desigualdad Local. En lugar de cortar el mundo en una distancia específica, este índice observa a todo el país desde la perspectiva de una sola ciudad. Reconoce que una disparidad con un vecino que vive a diez millas de distancia se siente mucho más significativa que una disparidad con alguien que vive a mil millas de distancia, incluso si la diferencia de ingresos es exactamente la misma. El índice utiliza una regla matemática donde la influencia de una ciudad distante se desvanece a medida que la distancia aumenta, asegurando que el entorno inmediato moldee la medición más que las regiones distantes. Esto permite que el índice cumpla con dos requisitos clave: es específico para la ubicación que se mide y responde a la disposición exacta de las ciudades, lo que significa que si una ciudad se mueve ligeramente, la medida de desigualdad para sus vecinos cambia.

Los investigadores probaron este nuevo índice utilizando datos de casi 300 ciudades a nivel de prefectura en China, cubriendo los años 2000 a 2020. Compararon los resultados de su nuevo Índice de Desigualdad Local contra la medida tradicional de desigualdad nacional. La medida tradicional mostró una tendencia clara: la brecha entre ricos y pobres en todo el país se estaba reduciendo durante estas dos décadas. El nuevo índice confirmó esta tendencia general, pero también reveló una historia mucho más compleja y oculta que el promedio nacional pasó por alto por completo. Mientras que el país en su conjunto se estaba volviendo más igualitario, la experiencia local no era uniforme. El índice descubrió focos aislados de alta desigualdad que eran invisibles en los datos nacionales, así como regiones donde las disparidades locales estaban empeorando silenciosamente a pesar de que las cifras nacionales mejoraban.

Uno de los hallazgos más impactantes involucró a la región del Noreste de China. Según las estadísticas nacionales tradicionales, la desigualdad en esta región estaba cayendo, y las ciudades allí se estaban volviendo más similares entre sí. Sin embargo, el Índice de Desigualdad Local contó una historia diferente. Mostró que, si bien las ciudades dentro del Noreste se estaban volviendo de hecho más iguales entre sí, se estaban quedando más atrás respecto al resto del país. Debido a que el nuevo índice pondera las ciudades distantes según su diferencia de ingresos, la creciente brecha entre el Noreste y las ricas regiones costeras comenzó a dominar la experiencia local. Como resultado, el índice mostró que la desigualdad local en el Noreste estaba en realidad aumentando, impulsada por la distancia hacia las partes más ricas de la nación, una reversión que la medida nacional estándar no logró detectar.

El estudio también analizó los famosos centros económicos a lo largo de la costa, como el Delta del Río Yangtze y el Delta del Río Perla. En estas áreas, el índice reveló que la alta desigualdad local no siempre era causada por una única ciudad superrica rodeada de otras pobres. En el Delta del Río Yangtze, por ejemplo, las ciudades que rodean a Shanghái eran ellas mismas muy ricas, creando un gradiente de ingresos relativamente suave. En contraste, el Delta del Río Perla mostró un gradiente local más pronunciado, donde la brecha entre la ciudad más rica y sus vecinos inmediatos era mucho más aguda. Esta distinción ayudó a explicar por qué algunas regiones ricas se sentían más desiguales que otras, basándose en la forma específica de su paisaje de ingresos locales en lugar de solo en su riqueza general.

Al aplicar este método, los investigadores demostraron que la desigualdad no es un número único que se aplica en todas partes. Es un paisaje que cambia dependiendo de dónde te encuentres. El Índice de Desigualdad Local proporciona una forma de mapear este paisaje, mostrando exactamente dónde las brechas de ingresos se sienten más agudas para las personas que viven allí. Convierte el concepto abstracto de la desigualdad en un mapa concreto de entornos locales, revelando patrones de aislamiento y disparidad que permanecen ocultos cuando solo miramos el promedio nacional. Este enfoque sugiere que para comprender verdaderamente el bienestar económico, no debemos mirar solo cuánto dinero tiene un país, sino cómo ese dinero se distribuye en el mundo inmediato de cada individuo.

Resumen Técnico: La desigualdad en una ubicación: un índice de desigualdad local basado en la desviación logarítmica media

Planteamiento del problema
Las medidas de desigualdad convencionales tratan la desigualdad como una propiedad de un agregado poblacional, ignorando el contexto espacial en el que los individuos experimentan la disparidad económica. Mientras que las teorías de la privación relativa sugieren que los individuos evalúan su estatus frente a grupos de referencia locales en lugar de la población nacional, los métodos empíricos existentes no logran capturar eficazmente la "desigualdad en una ubicación". Los enfoques actuales suelen calcular índices estándar (por ejemplo, Gini, MLD) dentro de unidades administrativas fijas o de áreas de radio fijo. Estos métodos sufren dos limitaciones primarias:

Problema de la Unidad de Área Modificable (MAUP): Los resultados dependen fuertemente de definiciones de límites y escalas arbitrarias.
Falta de sensibilidad espacial: La posición se utiliza únicamente para seleccionar una muestra; una vez seleccionada, se ignora la disposición espacial de las unidades dentro de esa muestra. Mover una unidad dentro de un área de influencia no cambia el valor del índice.

El artículo argumenta que una medida de la desigualdad local debe tratar la posición como una variable intrínseca que moldea la medición misma, en lugar de ser meramente un filtro para la selección de datos.

Metodología: El Índice de Desigualdad Local (LII)
El artículo propone el Índice de Desigualdad Local (LII), construido adaptando la Desviación Logarítmica Media (MLD) a un contexto espacial mediante un núcleo de decaimiento por distancia.

Construcción central: Para una ubicación focal $j$ , el LII ( $LII_j$ ) se calcula como un MLD ponderado donde los pesos están determinados por una función de núcleo $w(d_{ij})$ basada en la distancia entre la unidad $i$ y la unidad focal $j$ .
$LII_j := \ln \bar{X}^w_j - \sum_i S_j(p_i) \ln X_i$
Donde:
- $\bar{X}^w_j$ es la media de ingresos espacialmente ponderada centrada en $j$ .
- $S_j(p_i)$ y $S_j(s_i)$ son las participaciones de población e ingresos espacialmente ponderadas, respectivamente.
- El núcleo $w(d_{ij})$ asegura que las unidades más cercanas contribuyan con mayor peso tanto a la media de referencia como al cálculo de la dispersión.
Especificación del núcleo: El artículo recomienda un núcleo homogéneo $w(d) = d^{-\alpha}$ con un parámetro de decaimiento $\alpha \ge 0$ .
- Autodistancia ( $d_{jj}$ ): Para incluir la unidad focal en su propio entorno, se define una autodistancia estrictamente positiva como $d_{jj} = k \cdot \min_{i \neq j} d_{ij}$ (donde $0 < k \le 1$ ). Esto evita que la unidad focal sea excluida (como ocurre en los pesos espaciales tradicionales) y asegura que el MLD global esté anidado cuando $\alpha = 0$ .
- Parámetro de decaimiento ( $\alpha$ ): Controla la escala espacial del entorno de referencia. A medida que $\alpha$ aumenta, la influencia de las unidades distantes disminuye.
Propiedades teóricas:
El artículo define dos propiedades necesarias para una medida válida de la desigualdad en una ubicación:
1. Localidad: La medida debe estar definida en cada ubicación y producir valores diferentes para diferentes ubicaciones.
2. Espacialidad: La medida debe responder a la configuración espacial de las unidades; mover una unidad debe cambiar la medida en alguna ubicación.
  El LII satisface ambas propiedades para cualquier $\alpha > 0$ . Hereda las propiedades estándar de desigualdad (invarianza de escala, continuidad) de la familia GE y satisface un "Principio de Transferencia Espacial" (la desigualdad disminuye si ocurre una transferencia progresiva entre unidades ponderadas equitativamente desde el punto focal).

Contribuciones clave

Marco conceptual: El artículo formaliza la "desigualdad en una ubicación" estableciendo la Localidad y la Espacialidad como criterios de verificación, distinguiendo las verdaderas medidas locales de las medidas poblacionales aplicadas a submuestras.
Construcción del índice: Construye el LII, una medida que lee la posición de cada unidad a través de una función de núcleo en lugar de usar la posición para seleccionar una muestra. Esto permite un valor granular y específico de la ubicación para cada observación del conjunto de datos.
Caracterización analítica: El artículo deriva el comportamiento del LII bajo el núcleo homogéneo. Demuestra que:
- Con $\alpha = 0$ , el LII colapsa al MLD global.
- A medida que $\alpha \to \infty$ , el LII converge a la desigualdad del vecindario inmediato (o a cero si el peso propio domina).
- La respuesta del LII a los cambios en $\alpha$ está gobernada por la covarianza entre las desviaciones de ingresos locales y el logaritmo de la distancia.

Resultados empíricos
El autor aplica el LII a ciudades de nivel de prefectura en China de 2000 a 2020 ( $N \approx 290$ ).

Tendencias nacionales: El LII sigue la disminución del MLD nacional convencional durante el periodo, confirmando que el índice captura cambios distributivos amplios.
Heterogeneidad espacial: El LII revela patrones enmascarados por los datos agregados:
- Regiones Central y Occidental: Muestran consistentemente valores bajos de LII, lo que refleja entornos espacialmente homogéneos pero de bajos ingresos, en lugar de distribuciones equitativas.
- Delta del Río Yangtze (YRD): La región mantiene valores altos de LII, pero el artículo señala que no está organizada alrededor de un único centro dominante; las ciudades que rodean a Shanghái son también altamente desarrolladas, lo que resulta en un entorno de ingresos locales menos disperso en comparación con otros cúmulos de alta desigualdad.
- Delta del Río Perla (PRD): Esta región presenta una configuración que sostiene LIIs altos debido a un gradiente de ingresos locales pronunciado. Los ingresos de Shenzhen son aproximadamente el doble de los de las ciudades dentro de 100 km, creando un contraste agudo que impulsa la disparidad local. Hasta 2015, Guangzhou registró el LII más alto en el PRD, ya que sus ingresos se rezagaron significativamente respecto a los de Shenzhen mientras permanecían lo suficientemente cerca como para elevar la media del vecindario espacialmente ponderado.
- Noreste de China: Un hallazgo crítico es que, mientras la desigualdad interna del Noreste (MLD regional) disminuyó, su LII aumentó en relación con la mediana nacional. Esto es impulsado por la brecha de ingresos que se ensancha entre el Noreste y el resto de China. A medida que el núcleo se extiende más allá de las fronteras regionales, la "pobreza" del Noreste en relación con el promedio nacional se convierte en el factor dominante en su medida de desigualdad local.
Sensibilidad del parámetro: Aumentar $\alpha$ desplaza el enfoque hacia los vecinos inmediatos. Para centros importantes como Beijing y Shanghái, los valores altos de $\alpha$ causan que su LII disminuya (al convertirse en su propio referente), mientras que sus vecinos más pobres (por ejemplo, Baoding) muestran un aumento en su LII debido al fuerte contraste con el centro.

Significación y pretensiones
El artículo sostiene que el LII proporciona una herramienta necesaria para comprender la desigualdad como un fenómeno experimentado espacialmente. Su principal significación radica en su capacidad para:

Desenmascarar disparidades locales: Detecta aglomeraciones aisladas de alta desigualdad y regiones donde las disparidades locales están empeorando a pesar de las mejoras nacionales o regionales (como se observa en el caso del Noreste).
Evitar el MAUP: Al ponderar todas las unidades continuamente basándose en la distancia, evita los problemas de límites arbitrarios inherentes a los enfoques de radio fijo o de unidades administrativas.
Granularidad: Genera un mapa de la desigualdad a la resolución de los propios datos (por ejemplo, nivel de ciudad), sin necesidad de agregar en provincias.

El autor mantiene un tono modesto, señalando que la elección de $\alpha$ y $k$ depende de las suposiciones del investigador respecto a la escala espacial de la percepción de la desigualdad. Sugiere que trabajos futuros podrían centrarse en reglas de selección con principios para $\alpha$ y la aplicación de la descomponibilidad aditiva del LII a grupos demográficos o sectoriales. También se señala que el marco es aplicable a "distancias" no geográficas (por ejemplo, la edad o la proximidad en redes sociales).

Más como este