📈 经济学

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

本文引入了局部不平等指数（LII），这是一种基于平均对数偏差的新型度量指标，它通过利用距离衰减核对收入偏差进行加权，从而满足了局部性（Locality）和空间性（Spatiality）属性，进而揭示了传统全局度量指标无法检测到的中国城市的局部不平等模式。

原作者： Dongyuan Mu

发布于 2026-10-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Dongyuan Mu

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

不平等通常被认为是一个关于整个国家或大型群体的统计数据，是一个总结贫富差距平均水平的单一数字。然而，人们感受到的并不是国家层面的平均值，而是从他们所处的位置出发的体验。一个生活在富裕社区的人即使国家整体贫困，也可能感到安全；而一个生活在挣扎中的城镇的人，即使国家正在变得更加富有，也可能感到被遗弃。这种感觉取决于直接的周围环境：邻居的收入、当地的机会，以及个人现状与周围人之间可见的差距。经济学家称之为“参照群体”，即我们用来进行自我比较的圈子，这个圈子通常是由我们的物理位置而非整个人口构成的。理解这些特定局部环境中的收入分布至关重要，因为它塑造了从街道的安全感到人们如何对国家议题进行投票的一切。

金泽大学的穆东元（Dongyuan Mu）的一项新研究针对衡量这种局部体验的难度提出了对策。几十年来，研究人员一直试图通过将标准的国家公式应用于一个小的固定区域（如县或围绕城市的圆圈）来捕捉局部不平等。这种方法的问题在于它将边界视为一道硬性的墙。如果一个富裕的城市恰好位于界线之外，它就会被忽略，尽管对于住在边缘的人来说，这可能是最重要的比较对象。这种方法产生了一个“可变面域单元问题”（modifiable areal unit problem），即结果会仅仅因为研究人员将线画在稍微不同的地方而发生变化。论文指出，衡量局部不平等的真正标准不应只是选择一组样本进行观察，而应该读取全国每一个单位的位置，并根据它们之间的距离进行加权。

为了解决这个问题，作者提出了一种名为“局部不平等指数”（Local Inequality Index）的新工具。该指数不再在特定的距离处切断世界，而是从单个城市的视角观察整个国家。它承认，与十英里外的邻居之间的差距，比与一千英里外的人之间的差距感觉上要显著得多，即便两者的收入差是完全相同的。该指数使用了一个数学规则，即随着距离的增加，远处城市的影响力会逐渐减弱，从而确保直接的周围环境对测量结果的影响大于遥远的地区。这使得该指数能够满足两个关键要求：它对所测量的位置具有特异性，并且会对城市的精确排列做出反应，这意味着如果一个城市稍微移动，其邻居的局部不平等程度也会随之改变。

研究人员利用中国近300个地级市的数据测试了这一新指数，时间跨度为2000年至2020年。他们将新开发的局部不平等指数与传统的国家不平等衡量标准进行了对比。传统衡量标准显示出一个清晰的趋势：过去二十年间，全国范围内的贫富差距正在缩小。新指数证实了这一总体趋势，但也揭示了一个更为复杂且隐藏的故事，这是国家平均值完全无法察觉的。虽然整个国家正变得更加平等，但局部体验却并不统一。该指数发现了孤立的高不平等区域，这些区域在国家数据中是不可见的，同时也发现了某些局部差距正在悄然恶化的地区，即便国家的整体指标正在改善。

其中一个最引人注目的发现涉及中国东北地区。根据传统的国家统计数据，该地区的这种不平等正在下降，那里的城市彼此之间正变得越来越相似。然而，局部不平等指数却讲述了不同的故事。它显示，虽然东北内部的城市之间确实变得更加平等了，但它们正相对于全国其他地区变得更加落后。由于新指数会根据距离对远方城市进行加权，东北地区与富裕沿海地区之间日益扩大的差距开始主导了局部体验。因此，该指数显示，东北地区的局部不平等实际上是在上升的，这是由其与国家更富裕部分的距离所驱动的，这种反转是标准国家衡量标准未能检测到的。

研究还观察了沿海著名的经济枢纽，如长江三角洲和珠江三角洲。在这些地区，指数显示，高局部不平等并不总是由于一个超级富有的城市被贫穷的城市包围所导致的。例如，在长江三角洲，上海周边的城市本身也非常富裕，形成了一个相对平滑的收入梯度。相比之下，珠江三角洲则显示出更陡峭的局部梯度，即最富有的城市与其直接邻居之间的差距更为剧烈。这种区别有助于解释为什么某些富裕地区比其他地区感觉更不平等，其依据是其局部收入景观的具体形状，而非仅仅是它们的总财富。

通过应用这种方法，研究人员证明了不平等并非一个适用于所有地方的单一数字。它是一个取决于你站在哪里而变化的景观。局部不平等指数提供了一种绘制这种景观的方法，展示了收入差距在人们生活的地方感觉最为尖锐之处。它将抽象的不平等概念转化为一张具体的局部环境地图，揭示了那些在仅看国家平均值时会被掩盖的孤立与差距模式。这种方法表明，要真正理解经济福祉，我们不仅要看一个国家拥有多少钱，还要看这些钱是如何分布在每个个体的直接世界之中的。

技术摘要：位置上的不平等：基于平均对数偏差的局部不平等指数

问题陈述
传统的收入不平等衡量标准将不平等视为人口总体的属性，忽略了个人所经历经济差异的空间背景。虽然相对剥夺感理论表明，个人是根据局部参照群体而非全国人口来评估自身地位的，但现有的实证方法无法有效捕捉“位置上的不平等”。目前的方法通常在固定的行政单位或固定半径的缓冲区内计算标准指数（如基尼系数、MLD）。这些方法存在两个主要局限性：

可变区域单元问题 (MAUP)： 结果高度依赖于任意的边界定义和尺度。
缺乏空间敏感性： 位置仅被用于选择样本；一旦选定，样本内单元的空间排列就会被忽略。在缓冲区内移动一个单元并不会改变该指数的值。

本文认为，一种衡量局部不平等的度量标准必须将位置视为塑造测量本身本身的一种内在变量，而不仅仅是作为数据筛选的过滤器。

方法论：局部不平等指数 (LII)
本文提出局部不平等指数 (LII)，通过利用距离衰减核函数将平均对数偏差 (MLD) 适配到空间语境中来构建。

核心构建： 对于焦点位置 $j$ ，LII ( $LII_j$ ) 的计算是通过加权 MLD 实现的，其权重由基于单元 $i$ 与焦点单元 $j$ 之间距离的核函数 $w(d_{ij})$ 决定。
$LII_j := \ln \bar{X}^w_j - \sum_i S_j(p_i) \ln X_i$
其中：
- $\bar{X}^w_j$ 是以 $j$ 为中心的空间加权平均收入。
- $S_j(p_i)$ 和 $S_j(s_i)$ 分别是空间加权的人口份额和收入份额。
- 核函数 $w(d_{ij})$ 确保了较近的单元对参考均值和离散度的贡献更为显著。
核函数设定： 本文推荐使用齐次核 $w(d) = d^{-\alpha}$ ，其中衰减参数 $\alpha \ge 0$ 。
- 自距离 ( $d_{jj}$ )： 为了将焦点单元纳入其自身环境，定义了一个严格正的自距离 $d_{jj} = k \cdot \min_{i \neq j} d_{ij}$ （其中 $0 < k \le 1$ ）。这防止了焦点单元被排除在外（如传统空间权重所示），并确保当 $\alpha = 0$ 时，全局 MLD 被嵌套其中。
- 衰减参数 ( $\alpha$ )： 控制参照环境的空间尺度。随着 $\alpha$ 的增加，远处单元的影响力会逐渐减弱。
理论特性：
本文为有效的局部不平等度量定义了两个必要属性：
1. 局部性 (Locality)： 该度量必须在每个位置都有定义，并且对于不同的位置产生不同的值。
2. 空间性 (Spatiality)： 该度量必须对单元的空间配置做出响应；移动一个单元必须改变某些位置的度量值。
  LII 对于任何 $\alpha > 0$ 均满足这两个属性。它继承了广义熵 (GE) 系列的标准不平等属性（规模不变性、连续性），并满足“空间转移原则”（即如果发生发生在与焦点点等权重的单元之间的累进转移，则不平等程度降低）。

核心贡献

概念框架： 本文通过确立“局部性”和“空间性”作为验证标准，将“位置上的不平等”形式化，从而将其与应用于子样本的人口度量区分开来。
指数构建： 本文构建了 LII，该指数通过核函数读取每个单元的位置，而非仅仅利用位置来选择样本。这使得能够为数据集中的每一个观测值生成细粒度的、特定于位置的数值。
分析特征： 本文推导了 LII 在齐次核下的行为。研究表明：
- 当 $\alpha = 0$ 时，LII 退化为全局 MLD。
- 当 $\alpha \to \infty$ 时，LII 收敛于紧邻邻里的不平等程度（或者如果自权重占主导地位，则收敛于零）。
- LII 对 $\alpha$ 的响应受局部收入偏差与对数距离之间协方差的支配。

实证结果
作者将 LII 应用于 2000 年至 2020 年间的中国地级市数据（ $N \approx 290$ ）。

全国趋势： LII 追踪了期间传统全国 MLD 的下降趋势，证实了该指数捕捉到了广泛的分布变化。
空间异质性： LII 揭示了被聚合数据所掩盖的模式：
- 中西部地区： 始终表现出较低的 LII 值，反映出的是空间同质但低收入的环境，而非公平的分布。
- 长江三角洲 (YRD)： 该地区保持着较高的 LII 值，但论文指出，该地区并非围绕单一主导中心组织；上海周边的城市本身也高度发达，导致其局部收入环境相比其他高不平等集群而言，其分散程度较低。
- 珠江三角洲 (PRD)： 该区域呈现出一种维持高 LII 的配置，这是由于剧烈的局部收入梯度造成的。深圳的收入约为其 100 公里内城市收入的两倍，这种鲜明的对比驱动了局部差异。直到 2015 年，广州在珠三角记录了最高的 LII，因为其收入明显落后于深圳，但又足够接近，从而提升了空间加权后的邻里平均水平。
- 东北地区： 一个关键发现是，尽管东北内部的不平等（区域 MLD）有所下降，但其 LII 相对于全国中位数呈上升趋势。这是由东北与其他地区之间不断扩大的收入差距驱动的。随着核函数的延伸跨越区域边界，东北相对于全国平均水平的“贫困”成为了其局部不平等度量的决定性因素。
参数敏感性： 增加 $\alpha$ 会将重心转向紧邻邻里。对于北京和上海等主要枢纽，高 $\alpha$ 值会导致其 LII 下降（因为它们成为了自身的参照），而其较贫穷的直接邻居（如保定）则会表现出上升的 LII，这源于其与枢纽之间的剧烈反差。

意义与主张
本文声称 LII 是理解作为空间体验现象的不平等的必要工具。其主要意义在于其能力：

揭示局部差异： 它能检测出孤立的高不平等聚集区，以及尽管全国或区域水平在改善、但局部差异却在加剧的地区（如东北案例所示）。
避免 MAUP： 通过基于距离对所有单元进行连续加权，它避免了固定半径或行政单位方法中固有的任意边界问题。
细粒度： 它可以在数据本身的解析度（如城市级）上生成不平等地图，而无需聚合到省级。

作者保持了谦逊的语气，指出 $\alpha$ 和 $k$ 的选择取决于研究者对不平等感知空间尺度的假设。作者建议未来的工作可以专注于 $\alpha$ 的原则性选择规则，以及将 LII 的加法可分解性应用于行业或人口统计群体。此外，该框架也被指出适用于非地理性的“距离”（例如年龄或社交网络接近度）。

技术摘要：位置上的不平等：基于平均对数偏差的局部不平等指数

类似论文