📈 economics

A Novel Subgroup Decomposition of Income Inequality: Resolving the Information Mixture Problem

यह शोधपत्र असमान रूप से वितरित (UD) और सापेक्ष UD (RUD) आय ढांचे पर आधारित एक नवीन उपसमूह अपघटन पद्धति प्रस्तावित करता है ताकि एक मौलिक समतावादी आधार रेखा को अलग करके पारंपरिक दृष्टिकोणों में "सूचना मिश्रण समस्या" को हल किया जा सके, जिससे आय असमानता को शुद्ध अंतः-समूह और अंतर-समूह घटकों में गणितीय रूप से सुसंगत विभाजन सक्षम बनाया जा सके।

मूल लेखक: Joongyang Park, Muhammad Hamza, Youngsoon Kim

प्रकाशित 2026-08-03

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joongyang Park, Muhammad Hamza, Youngsoon Kim

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

महान आर्थिक पहेली: हमें एक बेहतर पैमाने की आवश्यकता क्यों है

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि दोस्तों का एक समूह कैंडी की इतनी अलग-अलग मात्रा क्यों रखता है। किसी के पास ढेर सारी कैंडी है, किसी के पास कुछ टुकड़े हैं, और किसी के पास कुछ भी नहीं है। अर्थशास्त्री इसे "आय असमानता" (income inequality) कहते हैं, और वे इसे मापने में बहुत समय बिताते हैं। लेकिन पेच यहाँ है: यह समझने के लिए कि कैंडी असमान क्यों है, आपको समस्या को छोटे टुकड़ों में तोड़ना होगा। आप जानना चाहते हैं: क्या यह असमानता इसलिए है क्योंकि समूह स्वयं अलग हैं (जैसे एक समूह को कैंडी का विशाल भंडार मिला जबकि दूसरे को बहुत कम मिली)? या यह इसलिए है क्योंकि, एक ही समूह के भीतर भी, कुछ बच्चे दूसरों की तुलना में अधिक जमाखोरी कर रहे हैं?

द दशकों से, इसे मापने का मानक तरीका समूह की "औसत" ऊंचाई से शुरू होने वाले एक पैमाने (रूलर) का उपयोग करने जैसा रहा है। यदि आप औसत से हर किसी की ऊंचाई मापते हैं, तो आपको एक संख्या मिलती है जो बताती है कि वे कितने फैले हुए हैं। लेकिन इस तरीके में एक छिपा हुआ दोष है। यह दो अलग-अलग चीजों को मिला देता है: यह तथ्य कि हर किसी के पास कुछ कैंडी है (आधार रेखा/baseline) और यह तथ्य कि अतिरिक्त कैंडी का वितरण असमान रूप से हुआ है। यह कमरे की गंदगी को मापने के लिए कमरे के केंद्र से हर वस्तु की दूरी मापने जैसा है, भले ही फर्श खुद एक मोटी, असमान कालीन से ढका हो जिस पर हर कोई खड़ा है। यदि आप उस कालीन का हिसाब नहीं रखते हैं, तो आपकी गंदगी की माप गलत होगी। यह शोध पत्र उसी विशिष्ट समस्या में गहराई से उतरता है, और एक नया तरीका प्रस्तावित करता है जिससे "गंदगी" को मापा जा सके जो कालीन को अनदेखा करे और केवल बिखरे हुए खिलौनों पर ध्यान केंद्रित करे।

कालीन और खिलौने: गंदगी मापने का एक नया तरीका

इस शोध पत्र के लेखक, ज्योंगंग पार्क, मुहम्मद हमज़ा और यंगसून किम का तर्क है कि आय असमानता को मापने का पुराना तरीका उस समस्या से जूझ रहा है जिसे वे "सूचना मिश्रण समस्या" (information mixture problem) कहते हैं। इसे ठीक करने के लिए, उन्होंने "असमान रूप से वितरित (UD) आय" की एक अवधारणा पर आधारित एक नया गणितीय उपकरण बनाया है।

यहाँ उनका नया तरीका काम करता है, एक सरल उपमा का उपयोग करते हुए। कल्पना कीजिए कि एक समाज फर्श पर खड़े लोगों का एक समूह है। पुराना तरीका देखता है कि हर कोई "औसत" ऊंचाई से कितनी दूर है। नया तरीका कहता है, "ठहरिए! पहले, चलिए इस फर्श को हटा देते हैं।"

समतावादी आधार रेखा (The Floor): लेखक कहते हैं कि प्रत्येक व्यक्ति के पास आय की एक "न्यूनतम" राशि होती है जो सभी के साथ साझा की जाती है, जैसे एक फर्श जिस पर हर कोई खड़ा है। उनके गणित में, यह समूह में सबसे कम आय है।
असमान अधिशेष (The Toys): एक बार जब आप उस साझा फर्श को हटा देते हैं, तो जो बचता है वह है "अधिशेष" (surplus)। यह वह अतिरिक्त आय है जो कुछ लोगों के पास है और दूसरों के पास नहीं है। यह "असमान रूप से वितरित" हिस्सा है।
नया पैमाना (RUD Income): वे फिर इस अधिशेष को एक "पूर्णतः समान" स्थिति के विरुद्ध मापते हैं जहाँ हर किसी के पास शून्य अधिशेष होता है (क्योंकि उन सभी के पास केवल फर्श होता है)।

यह शोध पत्र एक विशिष्ट सूत्र प्रस्तावित करता है, जिसे $L^2_{2,q}$ इंडेक्स कहा जाता है, जो इन "खिलौनों" के वास्तविक वितरण और शून्य खिलौनों की एक आदर्श स्थिति के बीच की दूरी को मापता है। इसे बिखरे हुए खिलौनों की कुल ऊर्जा मापने के रूप में समझें। यदि सभी के पास अतिरिक्त कैंडी की समान मात्रा है, तो खिलौने करीने से रखे हुए हैं (कम असमानता)। यदि एक बच्चे के पास एक पहाड़ है और बाकी के पास कुछ भी नहीं है, तो खिलौने हर जगह बिखरे हुए हैं (उच्च असमानता)।

उन्होंने क्या पाया: शुद्ध गणित का जादू

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने यह दिखाने के लिए एक गणितीय प्रमाण बनाया कि उनका नया पैमाना बेहतर क्यों है। उन्होंने प्रदर्शित किया कि उनका तरीका उन दो बड़ी समस्याओं को हल करता है जो पुराने तरीकों को परेशान करती हैं:

कोई "ओवरलैप" भ्रम नहीं: पुराने तरीके, जैसे प्रसिद्ध गिनी गुणांक (Gini coefficient), अक्सर एक भ्रमित करने वाला "ओवरlap" पद पैदा करते हैं जब आप डेटा को समूहों में विभाजित करने की कोशिश करते हैं (जैसे कैंडी को "लड़कों" और "लड़कियों" में विभाजित करना)। यह दो संख्याओं को जोड़ने और फिर एक तीसरी, रहस्यमय संख्या प्राप्त करने जैसा है जो न तो उनमें से किसी की है। लेखकों का नया तरीका "कड़ाई से योगात्मक" (strictly additive) है। इसका मतलब है कि यदि आप समूह A और समूह B के लिए अलग-अलग असमानता की गणना करते हैं, और फिर उन्हें जोड़ते हैं, तो आपको पूरे समाज की सटीक कुल असमानता प्राप्त होगी। कोई रहस्यमय संख्या नहीं, कोई अवशेष नहीं।
"फर्श" गणित को खराब नहीं करता: अन्य तरीकों के साथ एक बड़ी समस्या यह है कि यदि "फर्श" (न्यूनतम आय) बदलता है, तो पूरी माप बिगड़ जाती है। लेखकों ने सिद्ध किया कि उनका नया इंडेक्स, $L^2_{2,q}$ , सुसंगत रहता है भले ही फर्श बदल जाए। यह "पिगू-डालटन ट्रांसफर सिद्धांत" (Pigou-Dalton Transfer Principle) के नियम का सम्मान करता है, जो मूल रूप से कहता है: "यदि आप एक अमीर व्यक्ति से एक डॉलर लेकर गरीब व्यक्ति को देते हैं, तो असमानता कम होनी चाहिए।" उनका गणित दिखाता है कि ऐसा पूरी तरह से होता है, भले ही सबसे गरीब व्यक्ति का फर्श बढ़ जाए।

पाँच लोगों के साथ एक परीक्षण

अपना पक्ष सिद्ध करने के लिए, लेखकों ने केवल पाँच लोगों वाले एक छोटे समाज के साथ एक सिमुलेशन चलाया जिनकी आय 1, 2, 3, 4, और 5 थी।

पुराना तरीका: औसत (3) के आसपास के प्रसार को मापेगा।
नया तरीका: पहले, यह "फर्श" (1) को हटा देता है। नई आयएँ 0, 1, 2, 3, और 4 हो जाती हैं। फिर, वे इन्हें औसत के सापेक्ष स्केल करते हैं।
परिणाम: उन्होंने इस समूह को दो भागों में विभाजित किया: एक "निचला स्तर" (1 और 2) और एक "ऊपरी स्तर" (3, 4, और 5)। अपने नए सूत्र का उपयोग करके, वे पूरी तरह से गणना कर सके कि कुल "गंदगी" का कितना हिस्सा दो स्तरों के बीच के अंतर के कारण था बनाम प्रत्येक स्तर के भीतर की गंदगी के कारण था। गणित पूरी तरह से मेल खा गया: हिस्सों का योग बिना किसी त्रुटि के पूरे के बराबर था।

यह क्यों महत्वपूर्ण है (और आगे क्या है)

शोध पत्र यह निष्कर्ष निकालता है कि इस नए "सापेक्ष असमान रूप से वितरित" (RUD) ढांचे का उपयोग करके, हम अंततः आधार रेखा के विरूपण के बिना वास्तविक आर्थिक असमानता की संरचना को देख सकते हैं। यह कैमरे के लेंस को साफ करने जैसा है ताकि आप चमक (glare) के बजाय वास्तविक तस्वीर देख सकें।

हालाм, लेखक सावधानी बरतते हुए नोट करते हैं कि हालांकि गणित ठोस है, वास्तविक दुनिया में इसका उपयोग करने में एक चुनौती है। इस पद्धति का वास्तविक डेटा पर उपयोग करने के लिए, आपको यह जानना आवश्यक है कि "फर्श" (न्यूनतम आय) कहाँ है। वास्तविक अर्थव्यवस्था में, इस सटीक न्यूनतम को खोजना कठिन है और यह इस पर निर्भर करता है कि आप डेटा को कैसे मॉडल करते हैं। लेखक सुझाव देते हैं कि भविष्य के शोध को इस फर्श का अनुमान लगाने के सर्वोत्तम तरीके को खोजने की आवश्यकता है, शायद यह देखकर कि अन्य प्रकार के डेटा (जैसे बारिश की बूंदों का आकार या बल्बों का जीवनकाल) को कैसे मॉडल किया जाता है।

संक्षेप में, यह शोध पत्र केवल एक नया नंबर नहीं देता है; यह सोचने का एक नया तरीका देता है। यह सुझाव देता है कि यह वास्तव में समझने के लिए कि कुछ लोगों के पास दूसरों की तुलना में अधिक क्यों है, हमें पहले इस पर सहमत होना होगा कि "कुछ न होने" का क्या अर्थ है, और फिर वहां से सब कुछ मापना होगा। यह एक नया दृष्टिकोण है जो हमारे आर्थिक मानचित्रों को बहुत स्पष्ट बनाने का वादा करता है, बशर्ते हम उस शुरुआती रेखा को खींचने का तरीका खोज लें।

तकनीकी सारांश: आय असमानता का एक नवीन उपसमूह अपघटन (Subgroup Decomposition)

समस्या विवरण
यह शोध पत्र पारंपरिक आय असमानता अपघटन ढांचों में मौलिक सैद्धांतिक त्रुटियों की पहचान करता है, विशेष रूप से "सूचना मिश्रण समस्या" (information mixture problem) और "आय वितरण के भीतर भिन्नता की समस्या" (variation within an income distribution problem)। पारंपरिक विधियाँ, जिनमें 'सामान्यीकृत एंट्रॉपी' (Generalized Entropy) वर्ग और 'गिनी गुणांक' (Gini coefficient) पर आधारित पद्धतियां शामिल हैं, आमतौर पर कुल आय के अंकगणितीय माध्य (arithmetic mean) पर आधारित अपघटन करती हैं। लेखक तर्क देते हैं कि यह दृष्टिकोण आय के दो अलग-अलग घटकों को मिला देता है: एक समतावादी आधार रेखा (egalitarian baseline - वह न्यूनतम आय जो सभी व्यक्तियों द्वारा साझा की जाती है, जो प्राप्त समानता का प्रतिनिधित्व करती है) और एक असमान अधिशेष (unequal surplus - इस आधार रेखा से ऊपर शेष बची आय)। माध्य के इर्द-गिर्द फैलाव को मापकर, पारंपरिक सूचकांक अनजाने में समतावादी आधार रेखा के मूल्यांकन को असमान अधिशेष के साथ मिला देते हैं। इसके अलावा, क्योंकि ये सूचकांक पूर्ण समानता की स्थिति (शून्य-वेक्टर) से शुद्ध ज्यामितीय विचलन के बजाय आंतरिक सांख्यिकीय फैलाव को मापते हैं, इसलिए इन सूचकांकों का कोई भी योगात्मक अपघटन (additive decomposition) स्वाभाविक रूप से इस गलत मापन को विरासत में लेता है और उसे बढ़ा देता है। इससे संरचनात्मक विरूपण उत्पन्न होते हैं, जैसे कि गिनी अपघटनों में पाए जाने वाले जटिल "ओवरलैप" या "ट्रांसवेरिएशन" (transvariation) पद, जो सख्त योज्यता (strict additivity) और उपसमूह निरंतरता (subgroup consistency) का उल्लंघन करते हैं।

कार्यप्रणाली (Methodology)
इन समस्याओं को हल करने के लिए, यह शोध पत्र असमान रूप से वितरित (UD) और सापेक्ष UD (RUD) आय ढांचे पर आधारित एक नवीन उपसमूह अपघटन पद्धति प्रस्तावित करता है। इस दृष्टिकोण के मुख्य चरण निम्नलिखित हैं:

समतावादी आधार रेखा का निष्कर्षण: लेखक एक वितरण में न्यूनतम आय ( $y_1$ ) को समतावादी आधार रेखा के रूप में परिभाषित करते हैं। इस आधार रेखा को प्रत्येक व्यक्ति की आय से घटाकर UD आय वेक्टर ( $x_i = y_i - y_1$ ) बनाया जाता है। पूर्ण समानता की स्थिति में, UD आय वेक्टर पूर्ण शून्य-वेक्टर होता है।
पैमाने की अपरिवर्तनीयता (Scale Invariance) के लिए सामान्यीकरण: यह सुनिश्चित करने के लिए कि माप पैमाने के प्रति अपरिवर्तनीय रहे, UD आय को RUD आय ( $z_i = x_i / \mu_y$ ) में परिवर्तित किया जाता है, जहाँ $\mu_y$ मूल कुल आय का माध्य है। यह शून्य-वेक्टर आधार रेखा को सुरक्षित रखता है और यह गारंटी देता है कि आय के समानुपाती विस्तार (uniform scaling) के तहत सूचकांक स्थिर रहता है।
$L^2_{2,q}$ सूचकांक का चयन: लेखक $L^2_{2,q}$ सूचकांक का उपयोग करते हैं, जिसे RUD आय के वर्ग के माध्य के रूप में परिभाषित किया गया है ( $L^2_{2,q} = \frac{1}{n}\sum z_i^2$ )। यह सूचकांक गणितीय रूप से $\mu_z^2 + V_z$ के बराबर है, जहाँ $\mu_z^2$ सामाजिक माध्य और शून्य-वेक्टर के बीच वर्ग ज्यामितीय दूरी (विचलन से दूरी) का प्रतिनिधित्व करता है, और $V_z$ (RUD आय का प्रसरण/variance) अधिशेष के आंतरिक विचलन को दर्शाता है।
अपघटन रणनीति: शोध पत्र दो अपघटन दृष्टिकोण प्रस्तावित करता है:
- प्रसरण अपघटन (Variance Decomposition): कुल प्रसरण ( $V_z$ ) को RUD आयओं पर लागू मानक ANOVA तर्क का उपयोग करके समूह-के-बीच ( $V_{z, Between}$ ) और समूह-के-भीतर ( $V_{z, Within}$ ) घटकों में विभाजित किया जाता है। यह अवशिष्ट क्रॉस-टर्म्स (residual cross-terms) के बिना संरचनात्मक असमानताओं को अलग करता है।
- जनसंख्या-भारित अपघटन (Population-Weighted Decomposition): हमज़ा एट अल. (2026) के अनुसरण में, कुल सूचकांक को उपसमूह-विशिष्ट $L^2_{2,q}$ सूचकांकों के जनसंख्या-भारित योग के रूप में व्यक्त किया जाता है, जिससे उपसमूहों के बीच असमानता के स्तरों की सीधी तुलना संभव होती है।

प्रमुख योगदान

सूचना मिश्रण समस्या का समाधान: अपघटन से पहले समतावादी आधार रेखा को निकालने से, प्रस्तावित ढांचा यह सुनिश्चित करता है कि केवल शुद्ध, असमान रूप से वितरित अधिशेष का ही विभाजन किया जाए। यह असमानता के मापों को आधार रेखा के परिमाण के साथ दूषित होने से रोकता है।
गणितीय निरंतरता और योज्यता: $L^2_{2,q}$ सूचकांक सख्त योज्यता (Strict Additivity) और उपसमूह निरंतरता (Subgroup Consistency) को संतुष्ट करता है। गिनी गुणांक के विपरीत, जो जटिल ओवरलैप पद उत्पन्न करता है, यह विधि समूह-के-भीतर और समूह-के-बीच के प्रसरण के बीच एक पूर्ण योगात्मक विभाजन की अनुमति देती है।
स्वयंसिद्ध सुदृढ़ता (Axiomatic Robustness): शोध पत्र प्रदर्शित करता है कि प्रस्तावित अपघटन आवश्यक स्वयंसिद्धों को संतुष्ट करता है, जिसमें पैमाना अपरिवर्तनीयता (Scale Invariance), जनसंख्या स्वतंत्रता (Population Independence), और पिगु-डालटन स्थानांतरण सिद्धांत (Pigou-Dalton Transfer Principle) शामिल हैं। विशेष रूप से, लेखक दिखाते हैं कि $L^2_{2,q}$ सूचकांक आधारभूत आधार रेखा को बढ़ाने (जैसे, जब एक प्रगतिशील हस्तांतरण न्यूनतम आय को बढ़ाता है) के प्रणालीगत प्रभाव को सही ढंग से पकड़ता है, जो एक ऐसी विशेषता है जहाँ CDF-आधारित सूचकांक (जैसे जो गिनी गुणांक पर निर्भर करते हैं) विफल हो सकते हैं।
ज्यामितीय व्याख्या: कार्यप्रणाली असमानता को शून्य-वेक्टर से RUD आय वेक्टर की वर्ग ज्यामितीय दूरी के रूप में पुनर्गठित करती है, जो संरचनात्मक असमानताओं के लिए एक स्पष्ट यूक्लिडियन व्याख्या प्रदान करती है।

परिणाम
शोध पत्र पाँच व्यक्तियों के एक समाज को दो उपसमूहों में विभाजित करने वाले एक शैलीबद्ध संख्यात्मक उदाहरण के माध्यम से कार्यप्रणाली को सत्यापित करता है। परिणाम दर्शाते हैं:

सटीक अपघटन: कुल $L^2_{2,q}$ सूचकांक 6/9 (2/3 के बराबर) निकाला गया है। यह मान जनसंख्या-भारित उपसमूह-विशिष्ट सूचकांकों के योग के रूप में और समूह-के-बीच तथा समूह-के-भीतर प्रसरण के योग के रूप में पूरी तरह से विभाजित होता है।
संरचनात्मक स्पष्टता: अपघटन सफलतापूर्वक $z$ के वितरण के भीतर की भिन्नता के कारण होने वाली कुल असमानता के हिस्से को अलग करता है और आगे उस भिन्नता को उपसमूहों के बीच के अंतर बनाम उपसमूह के आंतरिक फैलाव में विभाजित करता है। विशेष रूप से, $z$ के भीतर की भिन्नता के कारण कुल असमानता का हिस्सा 1/3 है, और उपसमूहों के बीच के अंतर के कारण कुल असमानता का हिस्सा 1/4 है।
गुणों का सत्यापन: संख्यात्मक अनुप्रयोग पुष्टि करता है कि सूचकांक जनसंख्या प्रतिकृति (population replication) के तहत अपरिवर्तित रहता है और अपघटन बिना किसी अवशिष्ट पद के प्रभावी रहता है।

महत्व
शोध पत्र दावा करता है कि यह कार्यप्रणाली सामाजिक स्तरीकरण को देखने के लिए एक गणितीय रूप से कठोर और "दूषित रहित लेंस" प्रदान करती है। एक ऐसा ढांचा प्रस्तावित करके जो अंकगणितीय माध्य के इर्द-गिर्द प्रसरण-आधारित मापों में निहित संरचनात्मक विरूपणों से बचता है, लेखक आर्थिक असमानता के मूल संरचनात्मक चालकों की पहचान करने के लिए एक सटीक उपकरण प्रदान करते हैं। वे तर्क देते हैं कि लक्षित पुनर्वितरण नीतियों को डिजाइन करने के लिए यह दृष्टिकोण आवश्यक है, क्योंकि यह समतावादी आधार रेखा के आकार के कारण होने वाली असमानता और अधिशेष के वितरण के कारण होने वाली असमानता के बीच अंतर करता है। हालांकि शोध पत्र सूक्ष्म डेटा (microdata) में न्यूनतम सीमा ( $y_1$ ) के अनुमान की भविष्य की चुनौती को स्वीकार करता है, फिर भी यह तर्क देता है कि यह अपघटन ढांचा "सूचना मिश्रण समस्या" को हल करने के लिए आवश्यक सैद्धांतिक आधार है, जिसने पारंपरिक असमानता विश्लेषण को प्रभावित किया है।

महान आर्थिक पहेली: हमें एक बेहतर पैमाने की आवश्यकता क्यों है

कालीन और खिलौने: गंदगी मापने का एक नया तरीका

उन्होंने क्या पाया: शुद्ध गणित का जादू

पाँच लोगों के साथ एक परीक्षण

यह क्यों महत्वपूर्ण है (और आगे क्या है)

इसी तरह के और पेपर