Hvordan man måler ulighed som oplevet forskel

En ny måde at måle ulighed i rigdom tager bedre højde for den måde, vi oplever den på. I et blad udgivet i Økonomiske Breve , økonomerne Samuel Bowles fra Santa Fe Institute og Wendy Carlin fra University College London og Santa Fe Institute foreslår en ny drejning på den meget brugte Gini-koefficient – ​​en arbejdshest statistisk målestok til at måle kløften mellem haves og have-nots.

I et fuldstændig ligeværdigt samfund, hvor alle individer er lige velhavende, Gini-koefficienten skal være 0. Omvendt, et samfund, hvor et enkelt individ besidder al rigdommen, bør have en Gini-koefficient lig med 1. Ved at bruge Gini-koefficienten, lande kan rangeres fra mindst til mest ulige.

Men individers formue eller indkomst er ikke hele billedet, når det kommer til ulighed. Ifølge Bowles og Carlin, standardalgoritmen til beregning af Gini-koefficienter giver ulige resultater, for eksempel når et enkelt individ ejer hele formuen, er Gini-koefficienten mindre end 1, hvilket er den værdi, den bør opnå under maksimal ulighed. Retter den fejl, de viser, kræver en netværksbaseret løsning, der tager højde for forholdet mellem individer i samfundet.

"Nogle af de dimensioner, langs hvilke ulighed måles, er bedst opfattet som individuelle egenskaber, som du simpelthen har mere eller mindre af, som højde, " forklarede Bowles. "Men andre dimensioner - som rigdom - opfattes bedst som forskelle mellem mennesker i deres forhold til andre."

Det venstre netværk på billedet repræsenterer Bowles' og Carlins tilgang, hvor pilene, der forbinder noderne, repræsenterer oplevede sociale interaktioner. Efter deres mål, det er forskellene i rigdom på disse kanter, ikke rigdommen af ​​hver enkelt knude, som er grundlaget for oplevet ulighed. I deres papir, Bowles og Carlin, der også viser den korrekte Gini-koefficient, er beregnet ud fra de tre forskelle, der er forbundet med de tre kanter i figuren, og den gennemsnitlige formue. For eksempel, sige, at individ A har en rigdom på 10, B har en rigdom på 4, og C har en rigdom på 3. Så er den korrekt målte Gini-koefficient baseret på forskellene langs de tre kanter i figuren til venstre 0,41.

Standardalgoritmen illustreret på det højre diagram i billedet tæller forskellen mellem, sige, person A og B to gange (de to enhovedede pile); men en fejl i algoritmen opstår, fordi den også tæller "forskellen" mellem et individs rigdom og hendes egen rigdom (de buede pile), som altid er nul. Som resultat, standardalgoritmen undervurderer graden af ​​ulighed, hvilket giver en Gini-koefficient på 0,27 for de samme data som ovenfor.

Fejlen bliver kun mærkbar, når man arbejder med små populationer, som arkæologer og biologer ofte gør. I Carlins tilfælde, en gruppe elever i hendes econ 101-klasse tippede hende om fejlen, da de anvendte en standard online-algoritme til beregning af Gini-koefficienter på et problemsæt.* Algoritmen, de havde fundet online fra Wolfram, returnerede forskellige svar for eksempler med et lille antal individer fra dem fundet ved at anvende definitionen, der repræsenterer netværksdiagrammet til venstre.

Bowles og Carlin bruger også forskelle i netværksstrukturen til at se på oplevelsen af ​​ulighed. Hvis de tre personer i det komplette netværk (til venstre) i stedet blev omarrangeret til en linje, med den rigere person i centrum, som kunne repræsentere en udlejer med to isolerede deleboere, så uden ændringer i de tre individers rigdom, uligheden oplevet langs kanterne, der forbinder de tre, ville stige fra 0,41 til 0,57.

De illustrerer deres metode ved hjælp af sociale netværksdata til at estimere oplevet ulighed i et samfund af landmænd i Nicaragua.

"At rette den lille talmæssige skævhed er ikke hovedbidraget fra vores papir, " siger Carlin. "Det er, at vi har givet en måde at forstå ulighed på i overensstemmelse med vores intuition om, hvordan vi oplever økonomiske uligheder, det er ved parvis sammenligning af ens egen formue eller indkomst med andres."