📈 economics

Inequality in the Age of Pseudonymity

Deze paper toont aan dat het creëren van Sybils in pseudonieme digitale omgevingen het onmogelijk maakt om ongelijkheid te meten met maatstaven die voldoen aan de standaardwensen, waardoor populaire indicatoren zoals de Gini-coëfficiënt onbetrouwbaar worden en alleen gereduceerde, minder gedetailleerde alternatieven overblijven.

Oorspronkelijke auteurs: Aviv Yaish, Nir Chemaya, Dahlia Malkhi, Lin William Cong

Gepubliceerd 2026-03-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Aviv Yaish, Nir Chemaya, Dahlia Malkhi, Lin William Cong

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Grootte van de Pijl: Waarom we Inkomensongelijkheid in de Digitale Wereld niet Kunnen Meten

Stel je voor dat je een klaslokaal binnenloopt om te kijken hoe eerlijk het geld is verdeeld onder de leerlingen. Je ziet een lijst met namen en de hoeveelheid geld die elke naam op zijn rekening heeft staan. Als je ziet dat één leerling een zak vol geld heeft en de rest slechts een muntje, zeg je: "Wow, dat is heel ongelijk!"

Dit is precies wat economen doen met de Gini-coëfficiënt, een beroemde maatstaf voor ongelijkheid. Ze gebruiken deze cijfers om te zeggen of een land of een digitaal platform (zoals Bitcoin) eerlijk is.

Maar wat gebeurt er als de leerlingen in dat klaslokaal niet hun echte namen gebruiken? Wat als ze allemaal vermommingen dragen? En wat als rijke leerlingen niet alleen één masker dragen, maar er tien opzetten om hun geld over te verdelen?

Dat is de kern van dit nieuwe onderzoek. De auteurs laten zien dat in de digitale wereld, waar mensen anoniem kunnen zijn, onze traditionele meetlatjes volkomen nutteloos worden.

Het Probleem: De "Sybil"-Truc

In de digitale wereld (zoals bij cryptovaluta) kun je oneindig veel identiteiten aanmaken. Dit noemen ze Sybils (naar de legendarische Sybilla, een profetes die duizenden namen had).

Stel je voor dat je een rijke man bent, "De Koning".

In de echte wereld: Je hebt één naam, "Koning Jan", en een bankrekening met €1.000.000. De ongelijkheid is duidelijk.
In de digitale wereld: Je maakt 1000 nieuwe bankrekeningen aan. Je verdeelt je miljoen over die 1000 rekeningen, zodat elke rekening €1.000 heeft.

Voor een buitenstaander (de "teller") ziet het er nu zo uit: er zijn 1000 mensen, en iedereen heeft precies evenveel geld. De ongelijkheid lijkt nul te zijn! Maar in werkelijkheid is het nog steeds dezelfde ene rijke man. Hij heeft de meting bedrogen door zijn rijkdom te verspreiden over duizenden "fictieve" personen.

De Grote Ontdekking: Het Onmogelijke Driehoekje

De onderzoekers hebben bewezen dat er een fundamenteel conflict is tussen drie dingen die we van een goede ongelijkheids-maatstaf verwachten:

Eerlijkheid: Als je geld van een rijke naar een arme overmaakt, moet de ongelijkheid dalen. (Dit noemen ze het Transfer Principle).
Grootte maakt niet uit: Het maakt niet uit of je 10 of 1000 mensen telt; de verhouding moet hetzelfde blijven.
Sybil-bewustzijn: De maatstaf moet niet misleid worden door mensen die hun geld verspreiden over valse namen.

Het slechte nieuws: Je kunt deze drie niet allemaal hebben. Het is wiskundig onmogelijk.

Als je probeert een maatstaf te maken die niet misleid wordt door Sybils (zoals in het voorbeeld van de Koning met 1000 maskers), dan moet je de andere regels opgeven.

Als je de maatstaf "Sybil-proof" maakt, dan wordt hij zo simpel dat hij niets meer zegt. Hij wordt als het ware een "dode" maatstaf die voor elke situatie hetzelfde antwoord geeft (bijvoorbeeld: "De ongelijkheid is altijd 0" of "altijd 5").
Als je de maatstaf wel interessant wilt houden (zoals de beroemde Gini-coëfficiënt), dan kun je hem niet vertrouwen in een digitale wereld. Hij zal denken dat er minder ongelijkheid is dan er echt is, of juist meer, afhankelijk van hoe slim de mensen zijn met hun maskers.

Een Creatieve Analogie: De Spiegelspel

Stel je voor dat je een spiegelkast hebt.

De Gini-coëfficiënt is als een camera die probeert te tellen hoeveel mensen er in de kamer zijn en hoe dik ze zijn.
De Sybils zijn als een spiegelkast. Als je één dikke man in de kamer zet, en hij staat voor een spiegel, ziet de camera ineens tien dikke mannen.
Als de camera slim is en zegt: "Ah, dit is één man met spiegels!", dan moet hij de "dikte" van die man opnieuw berekenen. Maar de onderzoekers zeggen: "Nee, dat kan niet. Als je probeert de spiegels te doorprikken, verlies je de mogelijkheid om te zeggen wie nu echt dik is en wie niet. Je moet kiezen: of je ziet de spiegels (en meet dan verkeerd), of je probeert de spiegels te negeren (en dan wordt je meting zo saai dat hij niets meer vertelt)."

Wat betekent dit voor Bitcoin en DeFi?

Je hebt waarschijnlijk gehoord dat Bitcoin "extreem ongelijk" is, met een Gini-coëfficiënt die lijkt op die van Noord-Korea. De onderzoekers zeggen: Weet je het zeker?

Misschien is het niet zo ongelijk als het lijkt. Misschien is de "Koning" met de ene grote zak geld eigenlijk gewoon één persoon die zijn geld over duizenden wallets heeft verspreid om privacy te bewaren. Of misschien is het juist andersom.

Het punt is: We kunnen het niet weten. Zolang mensen anoniem kunnen zijn en hun geld kunnen verspreiden over valse identiteiten, zijn al onze huidige statistieken over wie rijk is en wie arm, onbetrouwbaar.

De Conclusie in Eenvoudige Woorden

De auteurs zeggen niet dat we moeten stoppen met meten. Ze zeggen wel dat we moeten stoppen met doen alsof we het precies kunnen meten in een anonieme wereld.

Vroeger: "We meten de ongelijkheid en zien dat het slecht is."
Nu: "We meten de ongelijkheid, maar we weten niet of we kijken naar 1000 arme mensen of naar 1 rijke man met 1000 maskers."

De enige manier om dit op te lossen, is ofwel:

Identiteiten verplicht maken (geen anonieme wallets meer, wat de privacy doodt).
Accepteren dat we in de digitale wereld geen goede cijfers hebben en dat onze huidige "topper"-statistieken (zoals de Gini) in feite slechts een illusie zijn.

Het is alsof je probeert het gewicht van een lading te meten terwijl de vrachtwagen voortdurend van kleur en vorm verandert. Je kunt de lading niet meten zonder de vrachtwagen eerst te dwingen om stil te staan en zijn echte naam te zeggen. En in de digitale wereld willen mensen juist niet hun echte naam zeggen.

Titel: Ongelijkheid in het Tijdperk van Pseudonymiteit

Auteurs: Aviv Yaish, Nir Chemaya, Lin William Cong, Dahlia Malkhi.
Context: Het artikel onderzoekt de validiteit van traditionele maatstaven voor economische ongelijkheid (zoals de Gini-coëfficiënt) wanneer deze worden toegepast op digitale platformen waar pseudonymiteit en "Sybil-aanvallen" (het creëren van valse identiteiten) gangbaar zijn.

1. Het Probleem

De meting van economische ongelijkheid is een hoeksteen van sociaal-wetenschappelijk beleid. Traditionele maatstaven, zoals de Gini-coëfficiënt (GC), worden vaak toegepast op digitale ecosystemen (bijv. Bitcoin, DeFi-platforms) om centralisatie en ongelijkheid te analyseren.

Het fundamentele probleem is echter dat deze maatstaven uitgaan van een directe koppeling tussen een identiteit en een economische actor. In pseudonieme omgevingen kunnen acteurs echter hun vermogen verspreiden over meerdere fictieve identiteiten (Sybils) om privacy te bewaren of manipulaties uit te voeren.

De Kernvraag: Kunnen we de ongelijkheid van een economie betrouwbaar meten als de link tussen waargenomen identiteiten en de onderliggende echte vermogensverdeling onbekend is?
Intuïtie vs. Realiteit: Men zou denken dat het splitsen van vermogen over meerdere accounts de gemeten ongelijkheid verlaagt (een ondergrens). Het artikel toont echter aan dat dit intuïtief onjuist is; Sybil-manipulaties kunnen de gemeten ongelijkheid juist verhogen of veranderen op een manier die de interpretatie van traditionele metrics onmogelijk maakt.

2. Methodologie

De auteurs hanteren een axiomatische benadering, een standaardmethode in de economische theorie voor het analyseren van ongelijkheidsmaatstaven.

Formalisatie:
- Er wordt een onderscheid gemaakt tussen de verborgen ware verdeling ( $w$ ) van $n$ echte acteurs en de waarneembare verdeling ( $\rho$ ) van $m$ identiteiten.
- Een matrix $R$ beschrijft hoe vermogen van echte acteurs wordt toegewezen aan waargenomen identiteiten.
- Sybil-proofness: Een maatstaf is Sybil-proof als de berekende ongelijkheid onveranderd blijft, ongeacht hoe een actor zijn vermogen over meerdere identiteiten verdeelt (zolang het totale vermogen behouden blijft).
Axioma's: De auteurs testen Sybil-proofness tegen de canonieke eigenschappen van ongelijkheidsmaatstaven:
1. Transfer Principle (Pigou-Dalton): Een progressieve overdracht van rijk naar arm moet ongelijkheid verlagen.
2. Symmetrie: De volgorde van de verdeling maakt niet uit.
3. Populatie-insensitiviteit: Het verdubbelen van de populatie (door kopieën van de verdeling) mag de ongelijkheid niet veranderen.
4. Schaalonafhankelijkheid: Het vermenigvuldigen van alle vermogens met een constante factor mag de ongelijkheid niet veranderen.

3. Belangrijkste Bijdragen en Resultaten

A. Onmogelijkheidsresultaten (Impossibility Theorems)

De kern van het artikel is een reeks onmogelijkheidsresultaten die aantonen dat er een fundamenteel conflict bestaat tussen Sybil-proofness en de traditionele eigenschappen:

Transfer Principle vs. Sybil-proofness: Geen enkele Sybil-proof maatstaf kan voldoen aan het Transfer Principle. Als een maatstaf Sybil-proof is, kan hij niet onderscheid maken tussen een echte progressieve overdracht en een Sybil-manipulatie die de verdeling verandert.
Egalitarian Zero Principle: Zelfs als men het Transfer Principle verzacht tot de "Egalitarian Zero Principle" (alleen eisen dat een volledig gelijke verdeling een ongelijkheid van 0 heeft), blijft er een onmogelijkheid bestaan. Een Sybil-proof maatstaf kan niet eisen dat een niet-gelijke verdeling een hogere ongelijkheid heeft dan een gelijke verdeling als Sybils betrokken zijn.

B. Karakterisering van Sybil-proof Maatstaven

De auteurs karakteriseren de volledige klasse van maatstaven die wél Sybil-proof zijn:

Som-afhankelijkheid (Sum-Dependence): Een maatstaf is Sybil-proof dan en slechts dan als hij uitsluitend afhankelijk is van de totale som van het vermogen.
- Dit betekent dat de maatstaf de verdeling als geheel negeert en de economie behandelt alsof alle identiteiten tot één enkele "grote coalitie" behoren (perfecte collusie).
- Formeel: $I(x) = I(y) \iff \sum x_i = \sum y_i$ .
Gevolg voor Constante Maatstaven: Als een Sybil-proof maatstaf bovendien schaalonafhankelijk of populatie-insensitief moet zijn, moet deze een constante functie zijn (d.w.z. hij geeft voor elke verdeling dezelfde waarde terug, bijvoorbeeld altijd 0).
- Dit maakt dergelijke maatstaven nutteloos voor het vergelijken van ongelijkheid tussen verschillende economieën.

C. Toepassing op Bestaande Metrics

De auteurs bewijzen dat populaire maatstaven niet Sybil-proof zijn:

Gini Coëfficiënt (GC): De GC is niet Sybil-proof. Hoewel hij voldoet aan het "Egalitarian Zero" principe (gelijkheid = 0), is hij niet constant. Omdat hij niet constant is, kan hij per definitie niet Sybil-proof zijn (volgens Corollary 4).
Generalized Entropy (GE) Familie: Maatstaven zoals de Theil-index, Coëfficiënt van Variatie (CV) en Atkinson-maatstaf vallen onder de GE-familie. Deze zijn schaalonafhankelijk en decomposeerbaar, maar door hun afhankelijkheid van de verdeling (en niet alleen de som) zijn ze ook niet Sybil-proof.

4. Significatie en Implicaties

Fundamentele Beperking: Het artikel legt uit dat het onmogelijk is om een robuust maatstaf voor ongelijkheid te ontwerpen die zowel de intuïtieve eigenschappen van ongelijkheid (zoals het Transfer Principle) behoudt als bestand is tegen pseudonymiteit.
Digitale Economieën: Voor blockchain, cryptovaluta en DeFi betekent dit dat rapportages over "extreme ongelijkheid" (zoals de claim dat Bitcoin ongelijk is als Noord-Korea) mogelijk volledig misleidend zijn. De hoge Gini-waarde kan het gevolg zijn van Sybil-aanvallen (veel kleine wallets van één persoon) in plaats van echte concentratie van rijkdom.
Traditionele Economieën: Het probleem is niet beperkt tot de digitale wereld. Het artikel wijst op parallellen met shell-bedrijven en truststructuren in traditionele economieën die vermogen verbergen.
Toekomstige Richtingen: De auteurs suggereren dat toekomstig onderzoek zich moet richten op:
- Benaderingen met een beperkt aantal Sybils.
- Benaderingen die "ongelijkheid" definiëren binnen een bepaalde tolerantie of met andere axioma's die minder strikt zijn.
- Empirische studies om de omvang van Sybils te schatten, hoewel dit zonder "ground truth" data extreem moeilijk is.

Conclusie

De paper concludeert dat de bestaande toolbox voor het meten van ongelijkheid (inclusief de Gini-coëfficiënt) onbruikbaar is in pseudonieme omgevingen zonder aanpassing. Elke maatstaf die probeert Sybil-proof te zijn, verliest zijn vermogen om feitelijke ongelijkheid te onderscheiden en reduceert de analyse tot het meten van de totale vermogenssom, wat geen inzicht geeft in de verdeling. Dit vormt een waarschuwing voor beleidsmakers en onderzoekers die digitale platforms analyseren op basis van on-chain data.