📈 economia

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

Questo articolo introduce l'Indice di Disuguaglianza Locale (LII), una nuova misura basata sulla deviazione logaritmica media che soddisfa sia le proprietà di Località che di Spazialità pesando le deviazioni del reddito con un kernel di decadimento della distanza, rivelando così modelli di disuguaglianza localizzati nelle città cinesi che le convenzionali misure globali non riescono a rilevare.

Autori originali: Dongyuan Mu

Pubblicato 2026-10-21

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Dongyuan Mu

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

La disuguaglianza è solitamente considerata una statistica relativa a un intero paese o a un grande gruppo, un singolo numero che riassume quanto siano distanti, in media, i ricchi e i poveri. Ma le persone non vivono la disuguaglianza come una media nazionale; la vivono dal punto in cui si trovano. Una persona in un quartiere benestante potrebbe sentirsi sicura anche se il paese è povero, mentre qualcuno in una città in difficoltà potrebbe sentirsi lasciato indietro anche se la nazione si sta arricchendo. Questo sentimento dipende dall'ambiente circostante immediato: i redditi dei vicini, le opportunità locali e i divari visibili tra la situazione della persona e quella di chi le sta vicino. Gli economisti chiamano questo il gruppo di riferimento, il cerchio di persone con cui ci confrontiamo, che spesso viene tracciato a partire dalla nostra posizione fisica piuttosto che dall'intera popolazione. Comprendere come il reddito sia distribuito in questi specifici ambienti locali è fondamentale perché modella tutto, da quanto una strada sembri sicura a come le persone votano sulle questioni nazionali.

Un nuovo studio di Dongyuan Mu della Kindai University affronta la difficoltà di misurare questa esperienza locale. Per decenni, i ricercatori hanno cercato di catturare la disuguaglianza locale applicando una formula nazionale standard a un'area piccola e fissa, come una contea o un cerchio tracciato attorno a una città. Il problema di questo approccio è che tratta il confine come un muro invalicabile. Se una città ricca si trova appena fuori dalla linea, viene ignorata, anche se potrebbe essere il confronto più importante per qualcuno che vive proprio sul bordo. Questo metodo crea un "problema dell'unità areale modificabile", in cui il risultato cambia semplicemente perché il ricercatore ha tracciato la linea in un modo leggermente diverso. L'articolo sostiene che una vera misura della disuguaglianza locale non dovrebbe limitarsi a selezionare un campione di persone da osservare; dovrebbe leggere la posizione di ogni singola unità del paese, pesandole in base alla loro distanza.

Per risolvere questo problema, l'autore propone un nuovo strumento chiamato Indice di Disuguaglianza Locale. Invece di tagliare fuori il mondo a una certa distanza, questo indice osserva l'intero paese dalla prospettiva di una singola città. Esso riconosce che una disparità con un vicino che vive a dieci miglia di distanza è molto più significativa di una disparità con qualcuno che vive a mille miglia di distanza, anche se la differenza di reddito è esattamente la stessa. L'indice utilizza una regola matematica secondo cui l'influenza di una città distante svanisce man mano che la distanza aumenta, garantendo che l'ambiente circostante immediato modelli la misurazione più delle regioni lontane. Ciò consente all'indice di soddisfare due requisiti chiave: è specifico per la località misurata e risponde alla disposizione esatta delle città, il che significa che se una città si sposta leggermente, la misura della disuguaglianza per i suoi vicini cambia.

I ricercatori hanno testato questo nuovo indice utilizzando dati di quasi 300 città a livello di prefettura in Cina, coprendo gli anni dal 2000 al 2020. Hanno confrontato i risultati del loro nuovo Indice di Disuguaglianza Locale con la tradizionale misura nazionale della disuguaglianza. La misura tradizionale mostrava una tendenza chiara: il divario tra ricchi e poveri in tutto il paese si stava riducendo in questi due decenni. Il nuovo indice ha confermato questa tendenza generale, ma ha anche rivelato una storia molto più complessa e nascosta che la media nazionale ha completamente mancato. Mentre il paese nel suo complesso stava diventando più equo, l'esperienza locale non era uniforme. L'indice ha scoperto sacche isolate di alta disuguaglianza che erano invisibili nei dati nazionali, nonché regioni in cui le disparità locali stavano peggiorando silenziosamente nonostante i numeri nazionali migliorassero.

Uno dei risultati più sorprendenti riguardava la regione nord-orientale della Cina. Secondo le statistiche nazionali tradizionali, la disuguaglianza in questa regione era in calo e le città lì stavano diventando più simili tra loro. Tuttavia, l'Indice di Disuguaglianza Locale raccontava una storia diversa. Mostrava che, sebbene le città nel Nord-est stessero effettivamente diventando più uguali tra loro, stavano rimanendo molto indietro rispetto al resto del paese. Poiché il nuovo indice pesa le città distanti in base alla loro differenza di reddito, il crescente divario tra il Nord-est e le ricche regioni costiere ha iniziato a dominare l'esperienza locale. Di conseguenza, l'indice ha mostrato che la disuguaglianza locale nel Nord-est era in realtà in aumento, guidata dalla distanza dalle parti più ricche della nazione, un ribaltamento che la misura nazionale standard non era riuscita a rilevare.

Lo studio ha esaminato anche i famosi hub economici lungo la costa, come il delta del fiume Yangtze e il delta del fiume delle Perle. In queste aree, l'indice ha rivelato che l'alta disuguaglianza locale non era sempre causata da una singola città super-ricca circondata da città povere. Nel delta del fiume Yangtze, ad esempio, le città che circondavano Shanghai erano esse stesse molto ricche, creando un gradiente di reddito relativamente fluido. Al contrario, il delta del fiume delle Perle mostrava un gradiente locale più ripido, dove il divario tra la città più ricca e i suoi vicini immediati era molto più netto. Questa distinzione ha aiutato a spiegare perché alcune regioni ricche sembrassero più diseguali di altre, in base alla specifica forma del loro paesaggio di reddito locale piuttosto che alla loro ricchezza complessiva.

Applicando questo metodo, i ricercatori hanno dimostrato che la disuguaglianza non è un numero unico che si applica ovunque. È un paesaggio che cambia a seconda di dove ci si trova. L'Indice di Disuguaglianza Locale fornisce un modo per mappare questo paesaggio, mostrando esattamente dove i divari di reddito si percepiscono come più acuti per le persone che vi vivono. Trasforma il concetto astratto di disuguaglianza in una mappa concreta degli ambienti locali, rivelando schemi di isolamento e disparità che rimangono nascosti quando guardiamo solo alla media nazionale. Questo approccio suggerisce che per comprendere veramente il benessere economico, non dobbiamo guardare solo a quanti soldi ha un paese, ma a come quei soldi siano distribuiti nel mondo immediato di ogni individuo.

Sintesi Tecnica: Disuguaglianza in una Località: Un Indice di Disuguaglianza Locale Basato sulla Deviazione Logaritmica Media

Definizione del Problema
Le misure convenzionali della disuguaglianza trattano la disuguaglianza come una proprietà di un aggregato di popolazione, ignorando il contesto spaziale in cui gli individui sperimentano la disparità economica. Mentre le teorie della deprivazione relativa suggeriscono che gli individui valutino il proprio status rispetto a gruppi di riferimento locali piuttosto che alla popolazione nazionale, i metodi empirici esistenti non riesciano a catturare efficacemente la "disuguaglianza in una località". Gli approcci attuali tipicamente calcolano indici standard (ad esempio, Gini, MLD) all'interno di unità amministrative fisse o buffer a raggio fisso. Questi metodi soffrono di due limitazioni primarie:

Problema dell'Unità Areale Modificabile (MAUP): I risultati dipendono fortemente da definizioni di confine e scale arbitrarie.
Mancanza di Sensibilità Spaziale: La posizione viene utilizzata solo per selezionare un campione; una volta selezionato, la disposizione spaziale delle unità all'interno di quel campione viene ignorata. Spostare un'unità all'interno di un buffer non cambia il valore dell'indice.

Il documento sostiene che una misura della disuguaglianza locale debba trattare la posizione come una variabile intrinseca che modella la misurazione stessa, piuttosto che come un semplice filtro per la selezione dei dati.

Metodologia: L'Indice di Disuguaglianza Locale (LII)
Il documento propone l'Indice di Disuguaglianza Locale (LII), costruito adattando la Deviazione Logaritmica Media (MLD) a un contesto spaziale utilizzando un kernel di decadimento della distanza.

Costruzione del Nucleo: Per una località focale $j$ , l'LII ( $LII_j$ ) è calcolato come una MLD pesata dove i pesi sono determinati da una funzione kernel $w(d_{ij})$ basata sulla distanza tra l'unità $i$ e l'unità focale $j$ .
$LII_j := \ln \bar{X}^w_j - \sum_i S_j(p_i) \ln X_i$
Dove:
- $\bar{X}^w_j$ è la media del reddito spazialmente pesata centrata su $j$ .
- $S_j(p_i)$ e $S_j(s_i)$ sono le quote di popolazione e di reddito spazialmente pesate, rispettivamente.
- Il kernel $w(d_{ij})$ assicura che le unità più vicine contribuiscano maggiormente sia alla media di riferimento che alla dispersione.
Specificazione del Kernel: Il documento raccomanda un kernel omogeneo $w(d) = d^{-\alpha}$ con un parametro di decadimento $\alpha \ge 0$ .
- Auto-distanza ( $d_{jj}$ ): Per includere l'unità focale nel proprio ambiente, viene definita una auto-distanza strettamente positiva come $d_{jj} = k \cdot \min_{i \neq j} d_{ij}$ (dove $0 < k \le 1$ ). Ciò evita l'esclusione dell'unità focale (come avviene nei pesi spaziali tradizionali) e assicura che la MLD globale sia annidata quando $\alpha = 0$ .
- Parametro di Decadimento ( $\alpha$ ): Controlla la scala spaziale dell'ambiente di riferimento. All'aumentare di $\alpha$ , l'influenza delle unità distanti diminuisce.
Proprietà Teoriche:
Il documento definisce due proprietà necessarie per una misura valida della disuguaglianza in una località:
1. Località: La misura deve essere definita in ogni località e produrre valori diversi per località diverse.
2. Spazialità: La misura deve rispondere alla configurazione spaziale delle unità; spostare un'unità deve cambiare la misura in una qualche località.
  L'LII soddisfa entrambe le proprietà per qualsiasi $\alpha > 0$ . Eredita le proprietà standard di disuguaglianza (invarianza di scala, continuità) dalla famiglia GE e soddisfa un "Principio di Trasferimento Spaziale" (la disuguaglianza diminuisce se avviene un trasferimento progressivo tra unità equamente pesate dal punto focale).

Contributi Chiave

Quadro Concettuale: Il documento formalizza la "disuguaglianza in una località" stabilendo Località e Spazialità come criteri di verifica, distinguendo le vere misure locali dalle misure di popolazione applicate a sottocampioni.
Costruzione dell'Indice: Costruisce l'LII, una misura che legge la posizione di ogni unità tramite una funzione kernel invece di usare la posizione per selezionare un campione. Ciò consente di ottenere un valore granulare e specifico per località per ogni osservazione nel dataset.
Caratterizzazione Analitica: Il documento deriva il comportamento dell'LII sotto il kernel omogeneo. Dimostra che:
- Al valore $\alpha = 0$ , l'LII collassa nella MLD globale.
- Man mano che $\alpha \to \infty$ , l'LII converge alla disuguaglianza del vicinato immediato (o a zero se l'auto-peso domina).
- La risposta dell'LII alle variazioni di $\alpha$ è governata dalla covarianza tra le deviazioni del reddito locale e il logaritmo della distanza.

Risultati Empirici
L'autore applica l'LII alle città a livello di prefettura cinesi dal 2000 al 2020 ( $N \approx 290$ ).

Tendenze Nazionali: L'LII segue il declino della MLD nazionale convenzionale durante il periodo, confermando che l'indice cattura i cambiamenti distributivi generali.
Eterogeneità Spaziale: L'LII rivela schemi mascherati dai dati aggregati:
- Regioni Centrali/Occidentali: Mostrano costantemente bassi valori di LII, riflettendo ambienti spazialmente omogenei ma a basso reddito piuttosto che distribuzioni equitative.
- Delta del Fiume Yangtze (YRD): La regione mantiene alti valori di LII, ma il documento nota che non è organizzata attorno a un singolo centro dominante; le città che circondano Shanghai sono esse stesse altamente sviluppate, risultando in un ambiente di reddito locale meno disperso rispetto ad altri cluster ad alta disuguaglianza.
- Delta del Fiume Perla (PRD): Questa regione presenta una configurazione che sostiene alti LII a causa di un ripido gradiente di reddito locale. Il reddito di Shenzhen è circa il doppio di quello delle città entro i 100 km, creando un forte contrasto che guida la disparità locale. Fino al 2015, Guangzhou ha registrato l'LII più alto nel PRD, poiché il suo reddito era significativamente inferiore a quello di Shenzhen pur rimanendo abbastanza vicino da elevare la media del vicinato spazialmente pesato.
- Cina Nordorientale: Un risultato critico è che mentre la disuguaglianza interna del Nordest (MLD regionale) è diminuita, il suo LII è aumentato rispetto alla mediana nazionale. Ciò è guidato dall'allargamento del divario di reddito tra il Nordest e il resto della Cina. Man mano che il kernel si estende oltre i confini regionali, la "povertà" del Nordest rispetto alla media nazionale diventa il fattore dominante nella sua misura di disuguaglianza locale.
Sensibilità del Parametro: Aumentare $\alpha$ sposta l'attenzione sul vicinato immediato. Per hub principali come Pechino e Shanghai, valori elevati di $\alpha$ causano una diminuzione dell'LII (poiché diventano il proprio riferimento), mentre i loro vicini più poveri (ad esempio, Baoding) mostrano un aumento dell'LII a causa del forte contrasto con l'hub.

Significato e Rivendicazioni
Il documento sostiene che l'LII fornisce uno strumento necessario per comprendere la disuguaglianza come un fenomeno esperito spazialmente. La sua importanza primaria risiede nella capacità di:

Smascherare le Disparità Locali: Rileva agglomerati isolati di alta disuguaglianza e regioni in cui le disparità locali stanno peggiorando nonostante i miglioramenti nazionali o regionali (come visto nel caso del Nordest).
Evitare il MAUP: Pesando tutte le unità continuamente in base alla distanza, evita i problemi di confini arbitrari inerenti agli approcci a raggio fisso o alle unità amministrative.
Granularità: Genera una mappa della disuguaglianza alla risoluzione dei dati stessi (ad esempio, a livello di città), senza richiedere l'aggregazione in province.

L'autore mantiene un tono modesto, notando che la scelta di $\alpha$ e $k$ dipende dalle assunzioni del ricercatore riguardo alla scala spaziale della percezione della disuguaglianza. Suggerisce che il lavoro futuro potrebbe concentrarsi su regole di selezione basate su principi per $\alpha$ e sull'applicazione della decomponibilità additiva dell'LII a gruppi settoriali o demografici. Si nota inoltre che il framework è applicabile a "distanze" non geografiche (ad esempio, età o prossimità nelle reti sociali).

Articoli simili