📈 economie

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

Dit artikel introduceert de Local Inequality Index (LII), een nieuwe maatstaf gebaseerd op de gemiddelde logaritmische afwijking die zowel aan de eigenschappen van lokaliteit als spatialiteit voldoet door inkomensafwijkingen te wegen met een afstand-verval-kern, waardoor gelokaliseerde ongelijkheidspatronen in Chinese steden worden onthuld die conventionele globale maten niet kunnen detecteren.

Oorspronkelijke auteurs: Dongyuan Mu

Gepubliceerd 2026-10-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Dongyuan Mu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

Ongelijkheid wordt meestal beschouwd als een statistiek voor een heel land of een grote groep, een enkel getal dat samenvat hoe ver de rijken en de armen gemiddeld van elkaar verwijderd zijn. Maar mensen ervaren ongelijkheid niet als een nationaal gemiddelde; ze ervaren het vanuit de plek waar ze staan. Een persoon in een welvarende buurt kan zich veilig voelen, zelfs als het land arm is, terwijl iemand in een sturende stad zich achtergesteld kan voelen, zelfs als het land rijker wordt. Dit gevoel hangt af van de directe omgeving: de inkomens van de buren, de lokale kansen en de zichtbare kloven tussen de eigen situatie van de persoon en die van anderen in de nabijheid. Economen noemen dit de referentiegroep, de cirkel van mensen met wie we onszelf vergelijken, die vaak wordt bepaald door onze fysieke locatie in plaats van door de gehele populatie. Het begrijpen van hoe inkomen is verdeeld in deze specifieke lokale omgevingen is cruciaal, omdat het alles vormgeeft, van hoe veilig een straat aanvoelt tot hoe mensen stemmen op nationale kwesties.

Een nieuwe studie van Dongyuan Mu aan de Kindai Universiteit pakt de moeilijkheid aan om deze lokale ervaring te meten. Decennialang hebben onderzoekers geprobeerd lokale ongelijkheid te vangen door een standaard nationale formule toe te passen op een klein, vast gebied, zoals een graafschap of een cirkel rond een stad. Het probleem met deze aanpak is dat het de grens behandelt als een harde muur. Als een welvarende stad net buiten de lijn ligt, wordt deze genegeerd, ook al zou dit de belangrijkste vergelijking kunnen zijn voor iemand die vlak aan de rand leeft. Deze methode creëert een "modifiable areal unit problem", waarbij het resultaat verandert simpelweg omdat de onderzoeker de lijn op een iets andere plek heeft getrokken. Het artikel betoogt dat een ware maatstaf voor lokale ongelijkheid niet alleen een steekproef van mensen moet selecteren om naar te kijken; het moet de positie van elke enkele eenheid in het land lezen, waarbij ze worden gewogen op basis van hoe ver ze verwijderd zijn.

Om dit op te lossen, stelt de auteur een nieuw instrument voor genaamd de Local Inequality Index (Lokale Ongelijkheidsindex). In plaats van de wereld af te snijden op een specifieke afstand, kijkt deze index naar het hele land vanuit het perspectief van een enkele stad. Het erkent dat een verschil met een buur die tien mijl verderop woont veel significanter aanvoelt dan een verschil met iemand die duizend mijl verderop woont, zelfs als het inkomensverschil exact hetzelfde is. De index gebruikt een wiskundige regel waarbij de invloed van een verre stad afneemt naarmate de afstand groter wordt, wat ervoor zorgt dat de directe omgeving de meting meer vormgeeft dan de verre regio's. Hierdoor voldoet de index aan twee belangrijke eisen: het is specifiek voor de locatie die wordt gemeten, en het reageert op de exacte ordening van steden, wat betekent dat als een stad iets verschuift, de maatstaf van ongelijkheid voor zijn buren verandert.

De onderzoekers testten deze nieuwe index met gegevens van bijna 300 steden op prefectuurniveau in China, over de jaren 2000 tot 2020. Ze vergeleken de resultaten van hun nieuwe Local Inequality Index met de traditionele nationale maatstaf voor ongelijkheid. De traditionele maatstaf toonde een duidelijke trend: de kloof tussen rijk en arm over het hele land was in deze twee decennia gekrompen. De nieuwe index bevestigde deze algemene trend, maar onthulde ook een veel complexer en verborgen verhaal dat het nationale gemiddelde volledig miste. Terwijl het land als geheel gelijkwaardiger werd, was de lokale ervaring niet uniform. De index bracht geïsoleerde zakken van hoge ongelijkheid aan het licht die onzichtbaar waren in de nationale gegevens, evenals regio's waar lokale verschillen stilletjes verergerden terwijl de nationale cijfers verbeterden.

Een van de meest opvallende bevindingen betrof de noordoostelijke regio van China. Volgens de traditionele nationale statistieken daalde de ongelijkheid in deze regio, en werden de steden daar meer op elkaar gaan lijken. De Local Inequality Index vertelde echter een ander verhaal. Het toonde aan dat hoewel de steden binnen het noordoosten inderdaad gelijkwaardiger werden onderling, ze verder achterop raakten bij de rest van het land. Omdat de nieuwe index verre steden weegt op basis van hun inkomensverschil, begon de groeiende kloof tussen het noordoosten en de welvarende kustregio's de lokale ervaring te domineren. Als gevolg hiervan toonde de index aan dat de lokale ongelijkheid in het noordoosten feitelijk steeg, gedreven door de afstand tot de rijkere delen van het land, een omkering die de standaard nationale maatstaf niet detecteerde.

De studie keek ook naar de beroemde economische knooppunten langs de kust, zoals de Yangtze-delta en de Pearl River Delta. In deze gebieden onthulde de index dat hoge lokale ongelijkheid niet altijd werd veroorzaakt door één enkele superrijke stad omringd door arme steden. In de Yangtze-delta bijvoorbeeld, waren de steden rondom Shanghai zelf ook zeer welvarend, wat een relatief vloeiend inkomensverloop creëerde. In contrast hiermee vertoonde de Pearl River Delta een steiler lokaal gradiënt, waarbij de kloof tussen de rijkste stad en zijn directe buren veel scherper was. Dit onderscheid hielp verklaren waarom sommige welvarende regio's ongelijker aanvoelden dan andere, gebaseerd op de specifieke vorm van hun lokale inkomenslandschap in plaats van alleen hun algemene rijkdom.

Door deze methode toe te passen, demonstreerden de onderzoekers dat ongelijkheid geen enkel getal is dat overal geldt. Het is een landschap dat verandert afhankelijk van waar je staat. De Local Inequality Index biedt een manier om dit landschap in kaart te brengen, waarbij precies wordt getoond waar de inkomenskloven het scherpst aanvoelen voor de mensen die er leven. Het transformeert het abstracte concept van ongelijkheid in een concrete kaart van lokale omgevingen, en onthult patronen van isolatie en ongelijkheid die verborgen blijven wanneer we alleen naar het nationale gemiddelde kijken. Deze benadering suggereert dat om economisch welzijn echt te begrijpen, we niet alleen moeten kijken naar hoeveel geld een land heeft, maar ook naar hoe dat geld is verdeeld in de directe wereld van elk individu.

Technische Samenvatting: Ongelijkheid op een Locatie: Een Lokale Ongelijkheidindex Gebaseerd op de Gemiddelde Logaritmische Deviatie

Probleemstelling
Conventionele ongelijkheidsmaten behandelen ongelijkheid als een eigenschap van een populatie-aggregat, waarbij de ruimtelijke context waarin individuen economische ongelijkheid ervaren, wordt genegeerd. Terwijl theorieën over relatieve deprivatie suggereren dat individuen hun status beoordelen ten opzichte van lokale referentiegroepen in plaats van de nationale populatie, schieten bestaande empirische methoden tekort in het effectief vastleggen van "ongelijkheid op een locatie". Huidige benaderingen berekenen doorgaans standaardindices (bijv. Gini, MLD) binnen vaste administratieve eenheden of buffers met een vaste straal. Deze methoden lijden onder twee primaire beperkingen:

Modifiable Areal Unit Problem (MAUP): Resultaten zijn sterk afhankelijk van willekeurige grensbepalingen en schaal.
Gebrek aan Ruimtelijke Sensitiviteit: Positie wordt alleen gebruikt om een steekproef te selecteren; eenmaal geselecteerd, wordt de ruimtelijke ordening van eenheden binnen die steekproef genegeerd. Het verplaatsen van een eenheid binnen een buffer verandert de indexwaarde niet.

Het artikel betoogt dat een maatstaf voor lokale ongelijkheid de positie moet behandelen als een intrinsieke variabele die de meting zelf vormgeert, in plaats van louter als een filter voor dataselectie.

Methodologie: De Lokale Ongelijkheidindex (LII)
Het artikel stelt de Lokale Ongelijkheidindex (LII) voor, die is geconstrueerd door de Gemiddelde Logaritmische Deviatie (MLD) aan te passen aan een ruimtelijke context met behulp van een afstand-decay-kernel.

Kernconstructie: Voor een focale locatie $j$ wordt de LII ( $LII_j$ ) berekend als een gewogen MLD, waarbij de gewichten worden bepaald door een kernelfunctie $w(d_{ij})$ gebaseerd op de afstand tussen eenheid $i$ en de focale eenheid $j$ .
$LII_j := \ln \bar{X}^w_j - \sum_i S_j(p_i) \ln X_i$
Waarbij:
- $\bar{X}^w_j$ het ruimtelijk gewogen gemiddelde inkomen gecentreerd op $j$ is.
- $S_j(p_i)$ en $S_j(s_i)$ de ruimtelijk gewogen populatie- en inkomensaandelen zijn respectievelijk.
- De kernel $w(d_{ij})$ ervoor zorgt dat dichterbij gelegen eenheden zwaarder bijdragen aan zowel het referentiegemiddelde als de spreiding.
Kernel-specificatie: Het artikel raadt een homogene kernel $w(d) = d^{-\alpha}$ aan met een decay-parameter $\alpha \ge 0$ .
- Zelfafstand ( $d_{jj}$ ): Om de focale eenheid in zijn eigen omgeving op te nemen, wordt een strikt positieve zelfafstand gedefinieerd als $d_{jj} = k \cdot \min_{i \neq j} d_{ij}$ (waarbij $0 < k \le 1$ ). Dit voorkomt dat de focale eenheid wordt uitgesloten (zoals bij traditionele ruimtelijke gewichten) en zorgt ervoor dat de globale MLD genest is wanneer $\alpha = 0$ .
- Decay-parameter ( $\alpha$ ): Controleert de ruimtelijke schaal van de referentieomgeving. Naarmate $\alpha$ toeneemt, neemt de invloed van verre eenheden af.
Theoretische Eigenschappen:
Het artikel definieert twee noodzakelijke eigenschappen voor een geldige maatstaf voor ongelijkheid op een locatie:
1. Localiteit: De maatstaf moet op elke locatie gedefinieerd zijn en verschillende waarden opleveren voor verschillende locaties.
2. Spatialiteit: De maatstaf moet reageren op de ruimtelijke configuratie van eenheden; het verplaatsen van een eenheid moet de maatstaf op een bepaalde locatie veranderen.
  De LII voldoet aan beide eigenschappen voor elke $\alpha > 0$ . Het erft standaard ongelijkheidseigenschappen (schaalinvariantie, continuïteit) van de GE-familie en voldoet aan een "Ruimtelijk Transferprincipe" (ongelijkheid neemt af als een progressieve transfer plaatsvindt tussen eenheden die gelijk gewogen zijn vanuit het focale punt).

Belangrijkste Bijdragen

Conceptueel Kader: Het artikel formaliseert "ongelijkheid op een locatie" door Localiteit en Spatialiteit als verificatiecriteria vast te stellen, waarmee het onderscheid maakt tussen echte lokale maten en populatiematen toegepast op steekproeven.
Indexconstructie: Het construeert de LII, een maatstaf die de positie van elke eenheid leest via een kernelfunctie in plaats van positie te gebruiken om een steekproef te selecteren. Dit maakt een fijnmazige, locatie-specifieke waarde mogelijk voor elke observatie in de dataset.
Analytische Karakterisering: Het artikel leidt het gedrag van de LII af onder de homogene kernel. Het toont aan dat:
- Bij $\alpha = 0$ de LII convergeert naar de globale MLD.
- Naarmate $\alpha \to \infty$ , de LII convergeert naar de ongelijkheid van de directe buurt (of naar nul als de zelf-weging domineert).
- De respons van de LII op veranderingen in $\alpha$ wordt beheerst door de covariantie tussen lokale inkomensdeviaties en de logaritme van de afstand.

Empirische Resultaten
De auteur past de LII toe op Chinese prefectuursteden van 2000 tot 2020 ( $N \approx 290$ ).

Nationale Trends: De LII volgt de daling van de conventionele nationale MLD over de periode, wat bevestigt dat de index brede distributieve verschuivingen vastlegt.
Ruimtelijke Heterogeniteit: De LII onthult patronen die verborgen blijven voor geaggregeerde gegevens:
- Centrale/Westelijke Regio's: Tonen consequent lage LII-waarden, wat wijst op ruimtelijk homogene maar laag-inkomensrijke omgevingen in plaats van rechtvaardige distributies.
- Yangtze Rivier Delta (YRD): Deze regio behoudt hoge LII-waarden, maar het artikel merkt op dat deze niet is georganiseerd rond één dominant centrum; de steden rondom Shanghai zijn zelf ook zeer ontwikkeld, wat resulteert in een minder gespreide lokale inkomensomgeving vergeleken met andere hoog-ongelijke clusters.
- Pearl River Delta (PRD): Deze regio presenteert een configuratie die hoge LII's in stand houdt door een steile lokale inkomensgradiënt. Het inkomen van Shenzhen is ongeveer tweemaal zo hoog als dat van de steden binnen 100 km, wat een scherp contrast creëert dat de lokale ongelijkheid drijft. Tot 2015 registreerde Guangzhou de hoogste LII in de PRD, omdat het inkomen daar aanzienlijk achterliep op dat van Shenzhen, terwijl het dichtbij genoeg was om het ruimtelijk gewogen gemiddelde van de buurt te verhogen.
- Noordoost-China: Een cruciale bevinding is dat terwijl de interne ongelijkheid (regionale MLD) in het Noordoosten daalde, de LII steeg ten opzichte van het nationale median. Dit wordt gedreven door de groeiende inkomenskloof tussen het Noordoosten en de rest van China. Naarmate de kernel zich buiten de regionale grenzen uitstrekt, wordt de "armoede" van het Noordoosten ten opzichte van het nationale gemiddelde de dominante factor in deze lokale ongelijkheidsmaat.
Parametergevoeligheid: Het verhogen van $\alpha$ verschuift de focus naar directe buren. Voor grote knooppunten zoals Beijing en Shanghai zorgt een hoge $\alpha$ ervoor dat hun LII daalt (omdat zij hun eigen referentie worden), terwijl hun armere directe buren (bijv. Baoding) juist een stijgende LII laten zien vanwege het scherpe contrast met het knooppunt.

Betekenis en Claims
Het artikel beweert dat de LII een noodzakelijk instrument biedt om ongelijkheid te begrijpen als een ruimtelijk ervaren fenomeen. De primaire betekenis ligt in het vermogen om:

Lokale Dispariteiten Bloot te Leggen: Het detecteert geïsoleerde agglomeraties van hoge ongelijkheid en regio's waar lokale verschillen verergeren ondanks nationale of regionale verbeteringen (zoals in het geval van het Noordoosten).
MAUP te Vermijden: Door alle eenheden continu te wegen op basis van afstand, vermijdt het de willekeurige grensproblemen die inherent zijn aan vaste radii of administratieve eenheden.
Granulariteit: Het genereert een kaart van ongelijkheid op de resolutie van de data zelf (bijv. op stadsniveau), zonder aggregatie naar provincies te vereisen.

De auteur hanteert een bescheiden toon en merkt op dat de keuze van $\alpha$ en $k$ afhangt van de aannames van de onderzoeker met betrekking tot de ruimtelijke schaal van ongelijkheidsperceptie. Er wordt gesuggereerd dat toekomstig werk zich kan richten op principes voor de selectie van $\alpha$ en de toepassing van de additieve decomponeerbaarheid van de LII op sectorale of demografische groepen. Er wordt ook vermeld dat het kader toepasbaar is op niet-geografische "afstanden" (bijv. leeftijd of sociale netwerknabijheid).

Meer zoals dit