Com es mesura la desigualtat econòmica d'un país o d'una ciutat? La ferramenta més utilitzada a nivell mundial és l'índex de Gini, un indicador que resumix en una sola xifra com es distribuïx la renda entre la població. No obstant això, dos territoris poden tindre el mateix índex de Gini i afrontar realitats socials molt distintes. Incorporar la taxa de pobresa en el càlcul de l'índex pot aportar una visió més completa de la desigualtat territorial.
Com es calcula l'índex de Gini
El càlcul del índex de Gini part d'una idea senzilla: si tota la població tinguera exactament els mateixos ingressos estaríem davant una situació d'igualtat perfecta. Eixa situació ideal pot representar-se com una línia recta. No obstant això, en la realitat, la distribució de la renda es desvia d'eixa línia: algunes persones concentren una part major dels ingressos i altres una part menor.
L'índex de Gini mesura, precisament, quant s'allunya eixa distribució real (que coneixem com la corba de Lorenz) de la igualtat perfecta. El resultat s'expressa entre 0 i 1 (encara que també 0 a 100): com més alt és el valor, major és la desigualtat. Un valor de 0 significaria que tots disposen de la mateixa renda. Un valor d'1 (o 100), que una sola persona concentra tota la renda.
L'índex de Gini permet als governs, els organismes internacionals i els mitjans de comunicació comparar la desigualtat en països i regions. Espanya, per exemple, presenta un índex relativament elevat dins d'Europa: 31,2 en 2024.
 |
| Coeficient de Gini de la renda disponible equivalent per habitant, 2024 (Escala de 0 a 100). Font: Eurostat |
El problema de mesurar la desigualtat amb una sola xifra
L'índex de Gini té un gran avantatge: és senzill de calcular i interpretar. No obstant això, esta capacitat de síntesi és també una de les seues principals limitacions.
Ho explicarem. Imaginem dos regions amb un índex de Gini pràcticament idèntic. A simple vista, podríem pensar que les dos presenten nivells similars de desigualtat. No obstant això, la realitat pot ser molt distinta: en una d'elles una part important de la població pot viure en situació de pobresa, mentres que en l'altra la majoria dels residents pot ser que dispose d'ingressos relativament elevats. Encara que les dos compartisquen un valor de Gini similar, les seues necessitats socials, i les prioritats de les polítiques públiques, serien molt diferents.
Esta limitació resulta especialment rellevant quan analitzem la desigualtat a escala municipal. Els municipis xicotets solen presentar estimacions més inestables: unes poques llars amb rendes extremes poden alterar molt el resultat.
Es tracta d'un problema estadístic ben conegut, ja que en àrees xicotetes l'índex és especialment sensible a valors extrems i xicotetes variacions en la distribució de la renda. De fet, esta va ser una de les motivacions de el nostre treball. En analitzar l'índex de Gini a escala municipal observem un patró inesperat: municipis amb major renda apareixien sistemàticament com més desiguals que municipis de renda molt més baixa.
Incorporar la taxa de pobresa canvia el mapa
Per a superar esta limitació, plantegem una adaptació de l'índex de Gini que incorpora la pobresa local en el seu càlcul, el índex de Gini normalitzat. D'esta manera, en lloc d'interpretar la desigualtat de cada municipi de forma aïllada, la relacionem amb una referència comuna per a tota Espanya.
Concretament, utilitzem la proporció de població que viu per davall del llindar de pobresa i analitzem si el nivell de desigualtat observat és superior o inferior al que caldria esperar donat eixe context. En altres paraules, no avaluem els municipis de forma aïllada, sinó en relació amb un context socioeconòmic comú per a tota Espanya.
Per a millorar la precisió de les estimacions, especialment en municipis xicotets on els resultats solen ser més inestables, utilitzem models estadístics que combinen dades georeferenciades amb informació prèvia i distribucions de probabilitat per a aprofitar també la informació disponible de municipis pròxims (models bayesians espacials).
Apliquem este mètode a 8 043 municipis espanyols utilitzant dades del Atles de Distribució de la Renda de les Llars del Institut Nacional d'Estadística (INE) corresponents a 2022. Amb l'índex de Gini original, el mapa d'Espanya apareix relativament homogeni amb diferències entre municipis, però sense un patró territorial clar. Amb l'índex normalitzat, en canvi, sorgix un patró molt més definit: Andalusia, Extremadura i Múrcia mostren nivells de desigualtat més alts de l'esperat per al seu nivell de pobresa, mentres que Catalunya, País Basc, Madrid i Balears presenten nivells més baixos de l'esperat.
És a dir, algunes regions que aparentment semblaven molt desiguals deixen de ser-ho quan es té en compte la seua estructura socioeconòmica, mentres que unes altres emergixen com a territoris especialment vulnerables.
En general, l'índex original identifica les grans ciutats com les zones més desiguals, però, en ajustar per pobresa, el patró s'invertix: els municipis rurals i de baixa densitat presenten una desigualtat relativament major que la de les grans ciutats. Els valors per als municipis analitzats poden consultar-se en la web del projecte.
Què implica això per a les polítiques públiques
El principal avantatge d'este mètode és que no requerix dades difícils d'obtindre. Es basa en dos indicadors àmpliament disponibles: l'índex de Gini i la taxa de pobresa. Això facilita la seua aplicació en altres països i a diferents escales territorials, des de barris i províncies fins a comunitats autònomes o comparacions internacionals.
La desigualtat no depén únicament de com es distribuïxen els ingressos, sinó també del context econòmic en el qual eixa distribució es produïx. Incorporar la pobresa al seu mesurament permet identificar territoris que passen desapercebuts amb els indicadors tradicionals, i oferix una imatge més completa de les diferències socials existents entre municipis. Esta anàlisi més completa de la desigualtat relativa pot donar suport a polítiques redistributives, la planificació de servicis públics o el disseny d'estratègies enfront de la despoblació.
Xavier Perafita Basart, Professor, Universitat de Girona; Laura Vilà-Quintana, Analista de dades; Marc Saez Zafra, Catedràtic d'Estadística i Econometria, Universitat de Girona; María A. Barceló Rado, Catedràtica acreditada d'Estadística i Econometria, Universitat de Girona i Marta Solans Margalef, Professora lectora, Universitat de Girona
Este article va ser publicat originalment en The Conversation. Llija el original.
* Ho pots llegir perqué cronicacampdeturia.org és Creative Commons