Ekonomisk ojämlikhet är tillräckligt lätt för att hitta statistik om, men dessa är ofta svåra att analysera. Bernie Sanders kampanjwebbplats är ett exempel. Det ger fyra datapunkter: de bästa 1% av befolkningen tar in 22, 8% av landets inkomst före skatt; de övre 0, 1% av befolkningen kontrollerar ungefär lika mycket rikedom som de nedre 90%; de översta 1% stod för 58% av realinkomsttillväxten från 2009 till 2014, med 42% till 99% till botten; och USA har den högsta barnfattigdomen bland utvecklade länder.
Dessa siffror hoppar mellan 0, 1%, 1% och 90%, och mellan rikedom, inkomst, inkomstökning och fattigdomsnivåer. Inte alla dessa variabler är nödvändigtvis korrelerade: en amerikansk advokat med studentskuld kan göra flera hundra gånger vad en kenyansk herder gör, men har mycket lägre nettoförmögenhet. För kampanjer är den här presentationsstilen fin: bilden av genomgripande orättvisa framträder tydligt nog. För jämförelse mellan tid och rum behöver vi dock ett fint, rent rubriknummer.
Naturligtvis kommer varje enskild datapunkt att förvränga bilden, att lämna ut detta, överbetona det och ge det farliga intrycket att livet är enklare än det är. Så vi måste välja den bästa metriken som möjligt.
"Sätta tillbaka Gini i flaskan"
Under många år har antalet som används för att mäta ojämlikhet varit Gini-koefficienten. Det är inte svårt att se varför, med tanke på dess lockande enkelhet: 0 betecknar perfekt jämlikhet, där allas inkomst - eller ibland rikedom - är densamma; 1 betecknar perfekt ojämlikhet, där en enskild individ gör alla inkomster (siffror ovanför 1 kan teoretiskt resultera om vissa människor har negativa inkomster).
Gini-koefficienten ger oss en enda glidskala för att mäta inkomstskillnaden, men vad betyder det egentligen? Svaret är förskräckligt komplex. Om du plottar befolknings-percentiler efter inkomst på den horisontella axeln mot kumulativ inkomst på den vertikala axeln, får du något som kallas Lorenz-kurvan. I exemplen nedan kan vi se att den 54: e percentilen motsvarar 13, 98% av den totala inkomsten i Haiti och 22, 53% i Bolivia. Med andra ord, 54% av befolkningen tar cirka 14% av Haitis inkomst och cirka 23% av Bolivias. Den raka linjen säger det uppenbara: i ett perfekt lika samhälle skulle de 54% lägga in 54% av den totala inkomsten.
Ta en av dessa kurvor, beräkna området under den, dela resultatet med området under den raka linjen som anger perfekt jämlikhet, och du har din Gini-koefficient. Ingen av dem är väldigt intuitiv.
Det är inte heller det enda problemet med Gini-koefficienten. Ta ett hypotetiskt samhälle där de bästa 10% av befolkningen tjänar 25% av den totala inkomsten, och detsamma gör 40%. Du får en Gini-koefficient på 0, 225. Skär nu ned de nedre 40% -inkomsterna med två tredjedelar - till 8, 3% av landets totala inkomst - och ge skillnaden till de bästa 10%, som nu tjänar 47, 5% (det belopp som intjänats med 40% -90% storleken kvar stadig). Gini-koefficienten mer än fördubblas till 0, 475. Men om de nedre 40% -inkomsterna sjunker med ytterligare 45%, till bara 4, 6% av det totala, och all den förlorade inkomsten återigen går till topp 10%, stiger Gini-koefficienten inte så mycket - det är nu bara 0, 532.
Palma-förhållandet
För Alex Cobham och Andy Sumner, två ekonomer, är det inte så vettigt. När de nedre 40% av en befolkning förlorar hälften av sina inkomster och de rikaste 10% får dibs, bör ett förnuftigt mått på inkomstskillnaden öka mer än stegvis.
2013 föreslog Cobham och Sumner ett alternativ till Gini-koefficienten: Palma-förhållandet. De uppkallade det efter José Gabriel Palma, en chilensk ekonom. Palma märkte att medelklassen - definierad som de i femte till nionde inkomstdeklarna, eller de 40% -90% - i de flesta länder tar cirka hälften av den totala inkomsten. "Den (relativa) stabiliteten i inkomstens andel av mitten är ett slående konsekvent fynd för olika datamängder, länder och tidsperioder.", Berättade Cobham till Investopedia via e-post. Med tanke på den insikten verkar det finnas lite mening med att använda Gini-förhållandet, som är känsligt för förändringar i mitten av inkomstspektrumet men relativt blint för förskjutningar i ytterligheterna.
Palma-kvoten delar inkomsterna på de bästa 10% med andelen av de nedre 40%. Resultatet är ett mätvärde som, enligt Cobham och Sumners ord, är "överkänsligt för förändringar i fördelningen vid ytterligheterna, snarare än i den relativt inerta mitten." Tabellen nedan, från vilken de hypotetiska Gini-koefficienterna tagits ovan, visar hur denna effekt spelar ut:
Den nära halveringen av de nedre 40% -inkomsterna - och den resulterande ökningen av de rikaste 10% -inkomsterna - får Palma-kvoten att skjuta upp från 5 till 10, medan Gini-koefficienten bara ökar något.
Palma-förhållandet har en annan fördel: dess verkliga betydelse är lätt att förstå. Det är inte produkten från statistiska trollkarlar, utan enkel uppdelning: de högst intjänande 10% av befolkningen gör X gånger mer än de lägst intjänade 40%. Gini-förhållandet, Cobham och Sumner skriver, "ger inget intuitivt uttalande för en icke-teknisk publik." Det bästa vi kan göra är något liknande: i en skala från 0 till 1 är detta land 0.X ojämlikt.
Så borde vi förvänta oss att Palma-förhållandet sätter "Gini tillbaka i flaskan", som Cobham och Sumners papper uttryckte det? Kanske i tid. När Cobham beklagade Investopedia: "Ah, Gini's tyranni förblir stark!" Men utvecklingscirklar börjar märka Palma-kvoten. OECD och FN har inkluderat det i sina databaser, sa Cobham, och den Nobelprisbelönade ekonomen Joseph Stiglitz har använt det som grund för ett förslag till målen för hållbar utveckling.
