GAGI: A Gini-Adjusted GDP-per-Capita Index for Distribution-Aware Macroeconomic Welfare Monitoring

Technische Samenvatting: GAGI – Een Gini-gecorrigeerde BBP-per-capita Index voor Distributiebewuste Macro-economische Welzijnsmonitoring

Probleemstelling
Huidige macro-economische monitoring leunt zwaar op het Bruto Binnenlands Product (BBP) per capita als de primaire metriek voor economische welvaart. Het artikel betoogt dat deze metriek fundamenteel ontoereikend is voor het volgen van de welzijnseffecten van snelle technologische verschuivingen, specifiek AI-gestuurde automatisering. BBP per capita is een gemiddelde op populatieniveau dat "blind" is voor twee eerste-orde determinanten van geleefde welvaart: inkomensverdeling (ongelijkheid) en koopkracht (inflatie). Bijgevolg kan een land record BBP-groei rapporteren terwijl de reële, door ongelijkheid gecorrigeerde levensstandaard van het mediane huishouden stagneert of daalt. De auteur identificeert een gat in het regulatoire instrumentarium: het ontbreken van een minimale, reproduceerbare en transparante statistiek die kan dienen als een operationele "vroegtijdige waarschuwingsindicator" voor distributieve schade, die jaarlijks te berekenen is uit publieke gegevens zonder propriëtaire modelleringsaannames.

Methodologie: De GAGI-metriek
Het artikel introduceert de Gini-gecorrigeerde BBP per capita Index (GAGI). Deze is ontworpen als een algemene welzijnsindex toepasbaar op elke populatie, regio of tijdsperiode, hoewel het artikel deze specifiek toepast op de G7-economieën (2010–2026).

De metriek wordt gedefinieerd voor land $k$ en jaar $t$ als:
$$GAGI_{k,t} = \frac{(1 - G_{k,t}) \times \frac{BBP\text{-}pc_{k,t}}{\pi_{k,t}}}{(1 - G_{k,2010}) \times \frac{BBP\text{-}pc_{k,2010}}{\pi_{k,2010}}}$$

Waarbij:

• $G_{k,t}$ de Gini-coëfficiënt is (ongelijkheid).
• $BBP\text{-}pc_{k,t}$ het BBP per capita is in constante 2015 USD.
• $\pi_{k,t}$ de Consumentenprijsindex (CPI) is, met 2010 als baseline (100).

Belangrijkste Ontwerpeigenschappen:

1. Ongelijkheidscorrectie: De index schaalt het BBP opnieuw op basis van $(1 - G)$, wat groei die gepaard gaat met toenemende ongelijkheid effectief bestraft.
2. Koopkrachtcorrectie: De auteur deelt het constante BBP (dat al is gedefleerd door de BBP-deflator) expliciet door de CPI. Dit is een bewuste modelleringskeuze om de "wig" te verklaren tussen de prijzen van geproduceerde goederen (binnenlandse output) en de prijzen van geconsumeerde goederen (huishoudelijk mandje), wat bijzonder relevant is tijdens aanbodschokken waarbij de prijzen van import en energie afwijken van de binnenlandse outputprijzen.
3. Normalisatie: Het resultaat wordt genormaliseerd naar een 2010-baseline (waarde = 1.0). Dit zet de metriek om van een absoluut niveau naar een maatstaf voor verandering, wat betekenisvolle vergelijkingen tussen landen mogelijk maakt ondanks de enorme verschillen in absolute inkomens en ongelijkheid.
4. Dataminimalisme: De index steunt op drie inputs (Gini, BBP per capita, CPI) die jaarlijks worden gepubliceerd door de Wereldbank, het IMF of nationale statistische instanties, wat volledige controleerbaarheid en reproduceerbaarheid garandeert zonder propriëtaire data.

Empirische Resultaten (G7, 2010–2026)
Bij het toepassen van GAGI op G7-economieën komen vijf duidelijke empirische patronen naar voren:

1. De GAGI–BBP-wig: In alle G7-economieën ligt de GAGI-index consistent onder de standaard BBP per capita-index. Deze kloof is sinds 2022 materieel verbreed, gelijktijdig met versnelde AI-investeringen. Dit geeft aan dat bruto groei de welvaartsgecorrigeerde welvaart consequent overschat.
2. Divergerende Nationale Trajecten:
   • Verenigde Staten: Vertoont de grootste en meest aanhoudende GAGI–BBP-divergentie. Dit correleert met hoge AI-investeringen en zwakke instituties voor arbeidsabsorptie (lage uitgaven aan actief arbeidsmarktbeleid, lage collectieve onderhandelingsgraad). De auteur merkt een 13-voudige toename op van door werkgevers toegerekende AI-ontslagen in de VS tussen 2023 en 2025.
   • Japan en Italië: Tonen een bijna vlakke GAGI ondanks lage AI-investeringen, wat een "structurele stagnatie" faalmodus onthult waarbij welvaart faalt door een gebrek aan onderliggende productiviteitsgroei, onafhankelijk van de intensiteit van automatisering.
   • Nordic Comparators (Denemarken, Zweden): Buiten de G7 tonen deze economieën "automatisering met absorptie". Ondanks hoge robotdichtheden blijft hun GAGI stabiel door sterke herverdelingsmechanismen (hoge uitgaven aan ALMP, hoge vervangingspercentages van uitkeringen en hoge dekking van collectieve onderhandelingen).
3. Productiviteit–Loon Divergentie: De paper documenteert een cumulatief gat van 14 procentpunt tussen de groei van de arbeidsproductiviteit en de reële loongroei in hoogontwikkelde landen (1999–2024). In de VS is dit gat 20 procentpunt; in Japan steeg de productiviteit met 18% terwijl de reële compensatie met 4% daalde.
4. Uitholling van Middenvaardigheden: Data bevestigen een afname van het aandeel middenvaardigheden in de arbeid (bijv. de Amerikaanse beroepen in het middenloonsegment daalden van 38,4% in 2000 naar 26,4% in 2024), met specifieke blootstelling in administratieve, juridische en klantenservice-rollen.
5. Scenario-projecties (2024–2035): De paper presenteert drie scenario-gebaseerde projecties voor de G7-gemiddelde GAGI:
   • Scenario A (Business-as-Usual): Veronderstelt stijgende ongelijkheid en matige groei, waarbij wordt geprojecteerd dat de GAGI tegen het begin van de jaren 2030 onder een kritieke stabiliteitsdrempel (ca. 0,85) zal zakken.
   • Scenario B (Governance-Constrained): Veronderstelt dat ongelijkheid via beleidsactivering wordt gestabiliseerd, waardoor de GAGI stabiel blijft.
   • Scenario C (Full Complementarity): Veronderstelt optimale werkgelegenheid en vaardigheidstransformatie.
     De auteur benadrukt dat dit inkaderende illustraties zijn van de beleidsbelangen, en geen puntvoorspellingen.

Betekenis en Claims
Het artikel positioneert GAGI niet als een nieuw welvaartseconomisch concept (het citeert voorgangers zoals de Atkinson-index en de ongelijkheid-gecorrigeerde HDI), maar als een operationele monitoringsmethode. De primaire bijdrage is de "geschiktheid voor bestuur":

• Controleerbaarheid: Het biedt een transparante, reproduceerbare trigger voor regulatoren om op te reageren bij distributieve schade, vergelijkbaar met hoe centrale banken inflatie volgen.
• Detectie van Verborgen Schade: Het toont aan dat het monitoren van enkel de geaggregeerde output systematisch de distributieve kosten van automatisering mist, zelfs wanneer de headline groei sterk blijft.
• Beleidrelevantie: De divergentie tussen GAGI en BBP dient als bewijs dat de "welvaartsgecorrigeerde welvaart" van een natie ontkoppelt van zijn "productiegecorrigeerde welvaart".
• Integratie met HUF: GAGI wordt gepresenteerd als een empirische proxy voor de component "Economische Stabiliteit (E)" van de Human Utility Factor (HUF), een breder kader voor het afstemmen van automatisering op macro-socio-economisch welzijn.

Het artikel concludeert dat de geobserveerde patronen — specifiek de verbredende GAGI–BBP-wig en de scheiding van nationale regimes op basis van beleid — zichtbaar zijn in publieke statistieken zonder speculatieve modellering, wat noodzaakt tot een verschuiving in macro-economische monitoring naar distributiebewuste metrieken.