Het Gini-record of de Gini-coëfficiënt is een feitelijk verspreidingspercentage dat door de Italiaanse analist Corrado Gini in 1912 werd gecreëerd. Het wordt regelmatig gebruikt als een controle van de monetaire onbalans, het schatten van de toe-eigening van de lonen of, minder gebruikelijk, de verspreiding van de rijkdom onder een bevolking. De coëfficiënt varieert van 0 (of 0%) tot 1 (of 100%), waarbij 0 staat voor een volledige eerlijkheid en 1 voor een volledige onbalans. Kwaliteiten meer dan 1 zijn hypothetisch denkbaar vanwege een negatief salaris of een negatieve rijkdom.

Inzicht in de Gini-index

Een land waar elke inwoner een vergelijkbaar loon heeft, zou een Gini-coëfficiënt hebben van 0. Een land waar één inwoner al het loon heeft verdiend, terwijl elke andere persoon niets heeft verdiend, zou een Gini-coëfficiënt van 1 hebben.

Een soortgelijk onderzoek kan worden toegepast op de spreiding van de rijkdom (de “rijkdom Gini-coëfficiënt”), maar aangezien rijkdom moeilijker te meten is dan loon, verwijzen de Gini-coëfficiënten over het algemeen naar het loon en komen ze in wezen voor als “Gini-coëfficiënt” of “Gini-record”, zonder aan te geven dat ze verwijzen naar het loon. De Gini-coëfficiënten zullen over het algemeen veel hoger zijn dan de coëfficiënten voor geld.

De Gini-coëfficiënt is een belangrijk instrument voor het ontleden van het loon of de rijkdom die binnen een land of regio in omloop is, maar het mag niet worden verward met een volledige schatting van het loon of de rijkdom. Een hoogbetaalde natie en een laagbetaalde natie kan de equivalente Gini-coëfficiënt hebben, zolang de salarissen maar relatief verspreid zijn binnen elke natie: Turkije en de VS hadden beide een salaris-Gini-coëfficiënt van ongeveer 0,39-0,40 in 2016, zoals aangegeven door de OESO, maar het BBP van Turkije per individu was niet bepaald een groot deel van dat van de VS. (in 2010 in dollars).

Grafische weergave van de Gini-index

De Gini-lijst wordt vaak grafisch aangesproken via de Lorenz-bocht, die de verspreiding van het salaris (of de rijkdom) laat zien door het plotten van het percentiel van de bevolking door het loon op de vlakke as en het totale loon op de verticale spil. De Gini-coëfficiënt is gelijk aan het gebied onder de lijn van onberispelijk eigen vermogen (0,5 per definitie) minus de zone onder de Lorenz-bocht, geïsoleerd door de regio onder de lijn van onberispelijk eigen vermogen. Het is als het ware het dubbele van het territorium tussen de Lorenzbocht en de lijn van onberispelijke overeenstemming.

In de onderstaande grafiek vergelijkt het 47ste percentiel met 10,46% in Haïti en 17,42% in Bolivia, wat betekent dat de basis 47% van de Haïtianen 10,46% van het totale salaris van hun land inneemt en de basis 47% van de Bolivianen 17,42% van dat van hen. De rechte lijn spreekt tot een theoretisch gelijkwaardige samenleving: de basis 47% neemt 47% van het nationale salaris in beslag.

Om het salaris Gini coëfficiënt voor Haïti in 2012 te beoordelen, zouden we de regio onder de Lorenz-bocht ontdekken: ongeveer 0,2. Als we dat cijfer aftrekken van 0,5 (de regio onder de corresponderende lijn), krijgen we 0,3, die we op dat moment verdelen door 0,5. Dit levert een ruwe Gini op van 0,6 of 60%. De CIA geeft de echte Gini voor Haïti in 2012 als 60,8% (zie hieronder). Dit cijfer spreekt tot zeer grote ongelijkheid; alleen Micronesië, de Focale Afrikaanse Republiek, Zuid-Afrika en Lesotho zijn in toenemende mate inconsistent, zoals de CIA aangeeft.

Een ander perspectief op de Gini-coëfficiënt is als percentage van de afwijking van de onberispelijke uniformiteit. Hoe verder een Lorenz-bocht afwijkt van de vlekkeloos equivalente rechte lijn (die spreekt van een Gini-coëfficiënt van 0), hoe hoger de Gini-coëfficiënt en hoe minder equivalent het grote publiek. In het bovenstaande model is Haïti inconsequenter dan Bolivia.

De Ginilijst ver en breed

Wereldwijd Gini

Christoph Lakner van de Wereldbank en Branko Milanovic van het City College of New York meten dat de wereldwijde pay Gini coëfficiënt 0,705 was in 2008, een daling ten opzichte van 0,722 in 1988. De cijfers verschillen echter aanzienlijk. DELTA financiële specialisten François Bourguignon en Christian Morrisson meten dat het cijfer 0,657 was in zowel 1980 als 1992. Het werk van Bourguignon en Morrisson laat een ondersteunde ontwikkeling in onbalans zien sinds 1820, toen de wereldwijde Gini-coëfficiënt 0,500 bedroeg. Lakner en Milanovic’s tonen een afname van de ongelijkheid rond het begin van de 21e eeuw, net als een boek van Bourguignon uit 2015:

Tekortkomingen

Ondanks het feit dat de Gini-coëfficiënt waardevol is voor het ontleden van de financiële ongelijkheid, heeft deze een aantal zwakke punten. De precisie van de metriek is afhankelijk van solide informatie over het bruto binnenlands product en de lonen. Schaduweconomieën en toevallige monetaire acties zijn in elk land beschikbaar. Casual monetary action zal, in het algemeen, spreken tot een groter beetje echte financiële creatie in het creëren van naties en aan de onderkant van de loontoe-eigening binnen naties. In de twee gevallen betekent dit dat het Gini-record van geschatte lonen de echte salarisongelijkheid zal overdrijven. Exacte informatie over de rijkdom wordt steeds moeilijker te verkrijgen vanwege de roem van de onkostenverzekeringen.

Een andere smet is dat totaal verschillende loonkredieten kunnen leiden tot niet te onderscheiden Gini-coëfficiënten. Omdat de Gini probeert een tweedimensionaal gebied (het gat tussen de Lorenz-bocht en de uniformiteitslijn) te distilleren tot een eenduidig getal, worden de gegevens over de “vorm” van de ongelijkheid donkerder. Regelmatig zou dit betekenen dat de inhoud van een foto uitsluitend wordt weergegeven door de lengte langs één rand of door de eenvoudige normale schitteringsschatting van de pixels. Hoewel het gebruik van de Lorenz-bocht als verbetering meer gegevens kan geven in dit opzicht, toont het ook geen statistische variaties tussen subgroepen binnen de toe-eigening, bijvoorbeeld de circulatie van het loon over de leeftijd, ras of sociale bijeenkomsten. In die zin kan het begrijpen van de socio-economie belangrijk zijn om te begrijpen waar een bepaalde Gini-coëfficiënt voor staat. Bijvoorbeeld, een enorme gelaten bevolking duwt de Gini hoger.