📈 économie

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

Cet article introduit l'Indice d'Inégalité Locale (LII), une nouvelle mesure basée sur l'écart logarithmique moyen qui satisfait aux propriétés de Localité et de Spatialité en pondérant les écarts de revenus par un noyau de décroissance de la distance, révélant ainsi des modèles d'inégalité localisés dans les villes chinoises que les mesures globales conventionnelles ne parviennent pas à détecter.

Auteurs originaux : Dongyuan Mu

Publié 2026-10-21

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Dongyuan Mu

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

L'inégalité est généralement perçue comme une statistique pour un pays entier ou un groupe important, un chiffre unique qui résume l'écart moyen entre les riches et les pauvres. Mais les gens ne vivent pas l'inégalité comme une moyenne nationale ; ils l'expérimentent depuis l'endroit où ils se trouvent. Une personne vivant dans un quartier riche peut se sentir en sécurité même si le pays est pauvre, tandis qu'une personne dans une ville en difficulté peut se sentir délaissée même si la nation s'enrichit. Ce sentiment dépend de l'environnement immédiat : les revenus des voisins, les opportunités locales et les écarts visibles entre la propre situation de la personne et celles de ses proches. Les économistes appellent cela le groupe de référence, le cercle de personnes avec lesquelles nous nous comparons, qui est souvent dessiné à partir de notre emplacement physique plutôt que de l'ensemble de la population. Comprendre comment le revenu est distribué dans ces environnements locaux spécifiques est crucial car cela façonne tout, de la sensation de sécurité dans une rue jusqu'à la manière dont les gens votent sur les questions nationales.

Une nouvelle étude de Dongyuan Mu, de l'Université Kindai, s'attaque à la difficulté de mesurer cette expérience locale. Pendant des décennies, les chercheurs ont tenté de capturer l'inégalité locale en appliant une formule nationale standard à une petite zone fixe, comme un comté ou un cercle tracé autour d'une ville. Le problème de cette approche est qu'elle traite la limite comme un mur infranchissable. Si une ville riche se trouve juste à l'extérieur de la ligne, elle est ignorée, même si elle pourrait être la comparaison la plus importante pour quelqu'un vivant juste sur le bord. Cette méthode crée un « problème d'unité de zone modifiable », où le résultat change simplement parce que le chercheur a tracé la ligne légèrement différemment. L'article soutient qu'une véritable mesure de l'inégalité locale ne devrait pas seulement sélectionner un échantillon de personnes à observer ; elle devrait lire la position de chaque unité du pays, en les pondérant en fonction de leur distance.

Pour résoudre cela, l'auteur propose un nouvel outil appelé l'Indice d'Inégalité Locale. Au lieu de couper le monde à une distance spécifique, cet indice observe l'ensemble du pays du point de vue d'une seule ville. Il reconnaît qu'une disparité avec un voisin vivant à dix kilomètres est bien plus significative qu'une disparité avec quelqu'un vivant à mille kilomètres, même si la différence de revenu est exactement la même. L'indice utilise une règle mathématique où l'influence d'une ville lointaine s'estompe à mesure que la distance augmente, garantissant que l'environnement immédiat façonne la mesure plus que les régions lointaines. Cela permet à l'indice de satisfaire deux exigences clés : il est spécifique au lieu mesuré, et il répond à l'arrangement exact des villes, ce qui signifie que si une ville se déplace légèrement, la mesure de l'inégalité pour ses voisins change.

Les chercheurs ont testé ce nouvel indice en utilisant des données provenant de près de 300 villes de niveau préfectoral en Chine, couvrant les années 2000 à 2020. Ils ont comparé les résultats de leur nouvel Indice d'Inégalité Locale aux mesures traditionnelles de l'inégalité nationale. La mesure traditionnelle montrait une tendance claire : l'écart entre les riches et les pauvres à travers tout le pays diminuait au cours de ces deux décennies. Le nouvel indice a confirmé cette tendance générale, mais il a également révélé une histoire beaucoup plus complexe et cachée que la moyenne nationale avait totalement manquée. Alors que le pays dans son ensemble devenait plus égalitaire, l'expérience locale n'était pas uniforme. L'indice a mis au jour des poches isolées de forte inégalité qui étaient invisibles dans les données nationales, ainsi que des régions où les disparités locales s'aggravaient discrètement alors même que les chiffres nationaux s'amélioraient.

L'une des découvertes les plus frappantes concernait la région du Nord-Est de la Chine. Selon les statistiques nationales traditionnelles, l'inégalité dans cette région chutait, et les villes de là-bas devenaient plus similaires les unes aux autres. Cependant, l'Indice d'Inégalité Locale racontait une histoire différente. Il montrait que si les villes du Nord-Est devenaient effectivement plus égales entre elles, elles restaient de plus en plus à la traîne par rapport au reste du pays. Comme le nouvel indice pondère les villes lointaines en fonction de leur différence de revenus, l'écart croissant entre le Nord-Est et les régions côtières riches a commencé à dominer l'expérience locale. En conséquence, l'indice a montré que l'inégalité locale dans le Nord-Est augmentait en réalité, poussée par la distance avec les parties plus riches de la nation, un renversement que la mesure nationale standard n'avait pas détecté.

L'étude a également examiné les célèbres pôles économiques le long de la côte, tels que le delta du fleuve Yangtze et le delta de la rivière des Perles. Dans ces zones, l'indice a révélé que l'inégalité locale élevée n'était pas toujours causée par une seule ville super-riche entourée de villes pauvres. Dans le delta du Yangtze, par exemple, les villes entourant Shanghai étaient elles-mêmes très riches, créant un gradient de revenus relativement fluide. En revanche, le delta de la rivière des Perles présentait un gradient local plus abrupt, où l'écart entre la ville la plus riche et ses voisins immédiats était beaucoup plus marqué. Cette distinction a aidé à expliquer pourquoi certaines régions riches semblaient plus inégales que d'autres, en fonction de la forme spécifique de leur paysage de revenus local plutôt que de leur richesse globale.

En appliquant cette méthode, les chercheurs ont démontré que l'inégalité n'est pas un chiffre unique qui s'applique partout. C'est un paysage qui change selon l'endroit où l'on se tient. L'Indice d'Inégalité Locale offre un moyen de cartographier ce paysage, montrant précisément où les écarts de revenus sont les plus tranchants pour les personnes qui y vivent. Il transforme le concept abstrait d'inégalité en une carte concrète des environnements locaux, révélant des modèles d'isolement et de disparité qui restent cachés lorsqu'on ne regarde que la moyenne nationale. Cette approche suggère que pour véritablement comprendre le bien-être économique, nous ne devons pas regarder seulement combien d'argent un pays possède, mais comment cet argent est distribué dans le monde immédiat de chaque individu.

Résumé technique : L'inégalité à une localisation : un indice d'inégalité locale basé sur l'écart logarithmique moyen

Énoncé du problème
Les mesures conventionnelles de l'inégalité traitent l'inégalité comme une propriété d'un agrégat de population, ignorant le contexte spatial dans lequel les individus vivent la disparité économique. Alors que les théories de la privation relative suggèrent que les individus évaluent leur statut par rapport à des groupes de référence locaux plutôt qu'en fonction de la population nationale, les méthodes empiriques existantes ne parviennent pas à capturer efficacement « l'inégalité à une localisation ». Les approches actuelles calculent généralement des indices standards (ex. : Gini, MLD) au sein d'unités administratives fixes ou de zones tampons à rayon fixe. Ces méthodes souffrent de deux limitations principales :

Le problème de l'unité spatiale modifiable (MAUP) : Les résultats dépendent fortement de définitions de frontières et d'échelles arbitraires.
Un manque de sensibilité spatiale : La position n'est utilisée que pour sélectionner un échantillon ; une fois sélectionné, l'arrangement spatial des unités au sein de cet échantillon est ignoré. Déplacer une unité à l'intérieur d'une zone tampon ne modifie pas la valeur de l'indice.

L'article soutient qu'une mesure de l'inégalité locale doit traiter la position comme une variable intrinsèque qui façonne la mesure elle-même, plutôt que comme un simple filtre de sélection de données.

Méthodologie : L'Indice d'Inégalité Locale (LII)
L'article propose l'Indice d'Inégalité Locale (LII), construit en adaptant l'Écart Logarithmique Moyen (MLD) à un contexte spatial à l'aide d'un noyau de décroissance de la distance.

Construction centrale : Pour une localisation focale $j$ , le LII ( $LII_j$ ) est calculé comme un MLD pondéré où les poids sont déterminés par une fonction de noyau $w(d_{ij})$ basée sur la distance entre l'unité $i$ et l'unité focale $j$ .
$LII_j := \ln \bar{X}^w_j - \sum_i S_j(p_i) \ln X_i$
Où :
- $\bar{X}^w_j$ est la moyenne des revenus spatialement pondérée centrée sur $j$ .
- $S_j(p_i)$ et $S_j(s_i)$ sont les parts de population et de revenus spatialement pondérées, respectivement.
- Le noyau $w(d_{ij})$ garantit que les unités plus proches contribuent plus lourdement à la fois à la moyenne de référence et à la dispersion.
Spécification du noyau : L'article recommande un noyau homogène $w(d) = d^{-\alpha}$ avec un paramètre de décroissance $\alpha \ge 0$ .
- Auto-distance ( $d_{jj}$ ) : Pour inclure l'unité focale dans son propre environnement, une auto-distance strictement positive est définie comme $d_{jj} = k \cdot \min_{i \neq j} d_{ij}$ (où $0 < k \le 1$ ). Cela empêche l'exclusion de l'unité focale (comme dans les poids spatiaux traditionnels) et assure que le MLD global est imbriqué lorsque $\alpha = 0$ .
- Paramètre de décroissance ( $\alpha$ ) : Contrôle l'échelle spatiale de l'environnement de référence. À mesure que $\alpha$ augmente, l'influence des unités distantes diminue.
Propriétés théoriques :
L'article définit deux propriétés nécessaires pour une mesure valide de l'inégalité à une localisation :
1. Localité : La mesure doit être définie à chaque emplacement et produire des valeurs différentes pour des emplacements différents.
2. Spatialité : La mesure doit répondre à la configuration spatiale des unités ; déplacer une unité doit modifier la mesure à certains endroits.
  Le LII satisfait ces deux propriétés pour tout $\alpha > 0$ . Il hérite des propriétés standards d'inégalité (invariance d'échelle, continuité) de la famille GE et satisfait un « Principe de transfert spatial » (l'inégalité diminue si un transfert progressif se produit entre des unités pondérées de manière égale depuis le point focal).

Contributions clés

Cadre conceptuel : L'article formalise « l'inégalité à une localisation » en établissant la Localité et la Spatialité comme critères de vérification, distinguant les véritables mesures locales des mesures de population appliquées à des sous-échantillons.
Construction de l'indice : Il construit le LII, une mesure qui lit la position de chaque unité via une fonction de noyau plutôt que d'utiliser la position pour sélectionner un échantillon. Cela permet d'obtenir une valeur granulaire et spécifique à la localisation pour chaque observation de l'ensemble de données.
Caractérisation analytique : L'article dérive le comportement du LII sous le noyau homogène. Il montre que :
- À $\alpha = 0$ , le LII s'effondre vers le MLD global.
- À mesure que $\alpha \to \infty$ , le LII converge vers l'inégalité du voisinage immédiat (ou vers zéro si le poids de l'auto-unité prédomine).
- La réponse du LII aux changements de $\alpha$ est régie par la covariance entre les écarts de revenus locaux et le logarithme de la distance.

Résultats empiriques
L'auteur applique le LII aux villes de niveau préfecture en Chine de 2000 à 2020 ( $N \approx 290$ ).

Tendances nationales : Le LII suit la baisse du MLD national conventionnel sur la période, confirmant que l'indice capture les changements de distribution globaux.
Hétérogénéité spatiale : Le LII révèle des modèles masqués par les données agrégées :
- Régions Centrale et Occidentale : Présentent systématiquement des valeurs de LII faibles, reflétant des environnements spatialement homogènes mais à faible revenu plutôt que des distributions équitables.
- Delta de la rivière Yangtze (YRD) : Cette région maintient des valeurs de LII élevées, mais l'article note qu'elle n'est pas organisée autour d'un centre dominant unique ; les villes entourant Shanghai sont elles-mêmes très développées, ce qui résulte en un environnement de revenus locaux moins dispersé par rapport à d'autres clusters de haute inégalité.
- Delta de la rivière des Perles (PRD) : Cette région présente une configuration qui soutient des LII élevés en raison d'un gradient de revenus locaux abrupt. Le revenu de Shenzhen est environ deux fois supérieur à celui des villes situées dans un rayon de 100 km, créant un contraste marqué qui stimule la disparité locale. Jusqu'en 2015, Guangzhou a enregistré le LII le plus élevé du PRD, car son revenu accusait un retard significatif par rapport à celui de Shenzhen tout en restant suffisamment proche pour élever la moyenne des revenus du voisinage spatialement pondéré.
- Nord-Est de la Chine : Une conclusion critique est que, bien que l'inégalité interne du Nord-Est (MLD régional) ait diminué, son LII a augmenté par rapport à la médiane nationale. Ceci est dû à l'élargissement de l'écart de revenus entre le Nord-Est et le reste de la Chine. À mesure que le noyau s'étend au-delà des frontières régionales, la « pauvreté » du Nord-Est par rapport à la moyenne nationale devient le facteur dominant de sa mesure d'inégalité locale.
Sensibilité des paramètres : Augmenter $\alpha$ déplace l'attention vers les voisins immédiats. Pour les hubs majeurs comme Pékin et Shanghai, des valeurs de $\alpha$ élevées font chuter leur LII (car ils deviennent leur propre référence), tandis que leurs voisins immédiats plus pauvres (ex. : Baoding) montrent des LII croissants en raison du contraste brutal avec le hub.

Signification et revendications
L'article affirme que le LII fournit un outil nécessaire pour comprendre l'inégalité en tant que phénomène spatialement vécu. Sa principale importance réside dans sa capacité à :

Démasquer les disparités locales : Il détecte les agglomérations isolées de haute inégalité et les régions où les disparités locales s'aggravent malgré les améliorations nationales ou régionales (comme observé dans le cas du Nord-Est).
Éviter le MAUP : En pondérant toutes les unités de manière continue selon la distance, il évite les problèmes de frontières arbitraires inhérents aux approches à rayon fixe ou aux unités administratives.
Granularité : Il génère une carte de l'inégalité à la résolution même des données (ex. : niveau de la ville), sans nécessiter d'agrégation en provinces.

L'auteur maintient un ton modeste, notant que le choix de $\alpha$ et $k$ dépend des hypothèses des chercheurs concernant l'échelle spatiale de la perception de l'inégalité. Il suggère que les travaux futurs pourraient se concentrer sur des règles de sélection fondées sur des principes pour $\alpha$ et sur l'application de la décomposition additive du LII à des groupes sectoriels ou démographiques. Le cadre est également noté comme étant applicable à des « distances » non géographiques (ex. : âge ou proximité dans un réseau social).

Articles similaires