Demokrati og ulighed – Eksempel på anvendelse af “Comparative Political Data Set”

07/04/2020          Taleboble Kommentarer

Den officielle statistik gør — som alt andet godt — mere nytte, jo flere, der har adgang til at benytte den.  Frit tilgængelige statistikbanker, som de der leveres af f.eks Danmarks Statistik og Eurostat bidrager derfor stærkt til at øge værdien af den officielle statistik. Samme princip gælder naturligvis for ikke-officiel statistik, og særligt værdifuldt bliver det når nogen påtager sig, at samle data fra forskellige kilder i frit tilængelige databanker. Et eksempel herpå er “Comparative Political Data Set” (CPDS), der kombinerer en række oplysninger for en gruppe af demokratiske lande, hentet fra både officiel statistik og fra andre kilder. Bag dette datasæt står en række forskere fra Universitetet i Zürich med professor Dr. Klaus Amingeon i spidsen. Datasættet indeholder dels oplysninger om valg, regeringsdannelse og politiske partier i de udvalgte lande og dels oplysninger om økonomi og befolkningsforhold. Datasættet har bla. været anvendt af to forskere fra universitetet i Aberdeen — Ioannis Theodossiou og Alexandros Zangelidis. De kombinerer data fra CPDS med data om ulighed fra OECD i et studie af sammenhængen mellem uligheden i et samfund og graden af politisk deltagelse.

Theodossiou og Zangelidis udgangspunkt er, at uligheden i indkomst i  demokratiske land har været stigende de seneste tre årtier, samtidig med at valgdeltagelsen har været faldende, og de stiller spørgsmålet, om der er en sammenhæng mellem de to udviklinger. Mere præcist stiller de spørgsmålet om der er tale om en selvforstærkende proces, hvor stigende ulighed fører til faldende politisk interesse, med faldende valgdeltagelse som følge, samtidig med at den faldende valgdeltagelse i sig selv fører til større ulighed. Mekanismen bag en sådan selvfortærkende udvikling kan være, at de der sakker bagud i indkomstudviklingen mister troen på, at valgdeltagelse giver dem nogen indflydelse, og derfor undlader at deltage i valgene. Det resulterer i, at de velstillede opnår en større repræsentation i de besluttende organer, som de — ikke overraskende — bruger til at fremme deres egne interesser på bekostning af de mindre velstilledes.

Anvendelse af denne type data til analyse at en to-vejs sammenhæng rejser en række praktiske og teoretiske problemer. I deres artikel redegør Theodossiou og Zangelidis for problemerne og anvender forskellige metoder for at imødegå dem. Deres samlede konklusion er, at de anvendte data støtter hypotesen om den selvforstærkende mekanisme.

Referencer:
Armingeon, Klaus, Virginia Wenger, Fiona Wiedemeier, Christian Isler, Laura Knöpfel, David Weisstanner and Sarah Engler: “2019. Comparative Political Data Set 1960-2017″
Zurich: Institute of Political Science, University of Zurich.  (link)
Ioannis Theodossiou og Alexandros Zangelidis: “Inequality and Participative Democrazy — a Self-Reinforcing Mechanism”,  Review of Income and Wealth,  Series 66, Number 1, March 20120 (link)

Den globale indkomstfordeling

18/06/2019          Taleboble Kommentarer

Gini-koefficienten er det mest udbredte (men ikke det eneste) mål for ulighed i indkomstfordelinger (se tidl. indlæg). Oftest angives Gini-koefficienten i procent således at en kvotient på 0 angiver fuldstændig lighed, dvs at alle har samme indkomst, og en kvotient på 100 angiver fulstændig ulighed, dvs. at al indkomst tilfalder en indkomstmodtager. I paksis ligger værdien naturligvis et sted derimellem. I EU-landende ligger koefficienten mellem 23 og 40. Danmark ligger i den lave ende med en Gini-koefficient omkring 28.

Traditionelt opgøres og sammenlignes Gini-koefficienter for lande, som f.eks i tabel ilc_di12 i Eurostats statistikbank. EU opgør også en Gini-koefficient for EU som helhed — den er omkring 40 — og der forekommer også opgørelser af Gini-koefficienten for verden som helhed. Verdens samlede indkomstulighed kan dels tilskrives forskelle i indkomstniveau mellem rige og fattige lande og dels ulighed indenfor de enkelte lande. Der kan bo meget rige mennesker i meget fattige lande, og fattigdom forekommer også i rige lande. Økonomen Jørgen Modalsli — forskningsleder i det norske statistikbureau — har i en artikel (Modalsli 2017) søgt at opdele  Gini-koefficienten for hele verden i de komponenter, der kan tilskrives indkomstforskelle mellem lande, og de komponenter, der kan tilskrives ulighed inden for de enkelte lande. 

Modalslis beregninger vedrører året 2005, hvor han opgør Gini-koefficienten for verden som helhed til 69,7. I hans samlede beregninger indgår 188 lande. I tabellen neden for er resultatene aggregeret på syv regioner. Diagonalen i tabellen viser hvor stor en andel (i pct.) af den samlede Gini-koefficent på 69,7, der kan tiskrives indkomstforskelle mellem indkomstmodtagere indenfor hver af de syv regioner. Tallene uden for diagonalen angiver andelen, der kan tilskrives forskelle mellem regionerne indbydes. De indbyrdes forskelle afspejler både forskelle i de regionale Gini-koefficienter, dvs.  graden af ulighed i de enkelte regioner,  og forskelle i gennemsnitsindkomst mellem regionerne. 

Global Gini-koefficient dekomponeret på regioner (pct. af samlet koefficient1)

  Afrika Latin-amerika2 Nord-amerika Europa Asien, vest Asien, øst Oceanien
Afrika 0            
Latinamerika1 1 1          
Nordamerika 5 3 1        
Europa 5 3 3 2      
Asien, vest 2 3 10 11 2    
Asien, øst 5 4 10 11 10 7  
Oceanien 0 0 0 0 0 1 0

Noter: 1Tallene i tabellen summer op til 100   2Inklusiv Caribien

Som det  fremgår af tabellen, så er det forskellene mellem Nordamerika og Europa på den ene side og Asien på den anden og mellem det vestlige og østlige Asien, der bidrager mest til den samlede ulighed. Også de interne forskelle i det østlige Asien, der både omfatter et stort rigt land som Japan og et stort fattigt land som Kina, bidrager betydeligt. Selv om Afrika og Latinamerika er fattige regioner med en høj grad af ulighed i indkomstfordelingen, indgår de kun med forholdsvis beskedne andele i den samlede verdensulighed. Det skyldes, at de to regioners folketal er lavt i forhold til Asiens.

Ser man på de detaljerede landeresultater, så er det naturligt nok forskellen mellem verdens største rige økonomi, USA, og verdens største fattige økonomier, Kina og Indien, der dominerer. Ulighederne mellem Kina og USA tegner sig for for 6,0 pct af den globale ulighed, og forskellene mellem USA og Indien for 5,5 pct.  

Referencer:
Jørgen Modalsli: “Decomposing Global Inequality”, Review of Income and Wealth Ser 3 Nr 3 september 2017

Den globale fordeling af personlig formue

06/11/2018          Taleboble Kommentarer (1)

Interessen for fordelingen af de personlige formuer har været stigende i de senere år. Det afspejler sig bl.a. i den store opmærksomhed, der har været omkring Thomas Pikettys bog: Kapitalen i det 20. århundrede. Pikkety konkluderer på grundlag af et omfattende datamateriale, at uligheden i formuefordelingen er stigende, og at det navnlig er de allerigeste, der øger deres andel af de samlede  formuer. Desværre giver den officielle statistik kun begrænsede muligheder for den slags analyser, og en væsentlig del af Pikketys indsats bestod netop i at sammenstykke et anvendeligt datamateriale på grundlag af en række kilder.

Der er dog en udvikling i gang i retning af bedre formueopgørelser i den officielle statistik. Danmarks Statistik leverer et eksempel med etableringen af en formuestatistik for husholdningerne i 2016 med data fra 2014 og frem. Men der er stadig et stykke vej til en global sammenlignelig formuestatistik, baseret på officiel statistik. (mere…)

Måling af ulighed i indkomst

28/11/2017          Taleboble Kommentarer

Belysning af ulighed i indkomstfordlingen har altid spillet en central rolle i den officielle statistik, og Danmarks Statistik har da også i mange år offentliggjort mål for indkomstuligheden. Den seneste opgørelse vedrører 2016, og blev offentliggjort i statistikbanken/IFOR41 den 13. november. Danmarks Statistik offentliggør fire forskellige mål for uligheden — Gini-koefficient, Maksimal udjævningsprocent, S80/20-målet og P90/10-målet — men der findes mange andre mål, der kunne være anvendt. På tabel IFOR41′ s informationsside i Statistikbanken (statistikbanken/ifor41->information->begreber) findes en kort beskrivelse af de fire mål.

Gini-koefficienten er langt det mest udbredte ulighedsmål, Den antager en værdi mellem 0 og 1 (eller 100, hvis man måler i procent), hvor 0 angiver total lighed, dvs. alle har samme indkomst, og 1 angiver maksimal ulighed, dvs. al indkomst tilfalder én person. Der argumenteres sjældent for, at netop dette mål anvendes, så måske er årsagen til udbredelsen mere tradition end konkrete overvejelser.

I konkrete overvejelser over hvilket ulighedsmål, der bør foretrækkes, indgår typisk følgende fire kriterier:

Ingen af de mål, Danmarks Statistiks offentliggør, opfylder alle kriterierne. Faktisk opfyldes alle kriterierne kun af en ganske bestemt matematisk afgrænset gruppe af mål (Cowell 2009). Blandt de mål, der opfylder kriterierne er Atkinsons indeks et af de mest populære.

Atkinsons indeks (AI) knytter sig tæt til den økonomiske velfærdsteori, hvilket nok er en væsentlig årsag til målets popularitet. Brugeren af AI tager eksplicit stilling til, hvor stor vægt der skal lægges på afvigelser fra ligheden i bunden af indkomstfordelingen i forhold til afvigelser i toppen, når uligheden måles. Større vægt på afvigelse i den lave ende ses kom et udtryk for aversion mod ulighed. I praksis sker valget af graden af ulighedsaversion ved fastlæggelsen af en aversionsparameter. Jo højere værdi af parameteren, jo mere afspejler indekset aversion mod ulighed

I tabellen nedenfor er vist uligheden i Danmark i 1987 og i 2016 som opgjort af Danmarks Statistik suppleret med egne opgørelser af Atkinsons indeks med fire forskellige værdier af aversionsparameteren. For alle målene gælder, at større værdi indikerer større ulighed. Ved beregningerne er anvendt et regneark (Inequality_Calculator.xls) som F. A. Cowel, der er en central figur indenfor måling og analyse af ulighed, har stillet til rådighed på internettet.

Indkomstulighed1 i Danmark 1987 og 2016.

1987 2016
Ændring
Gini-koefficient 0,22 0,29 31%
Maksimal udjævningsprocent 15,00 19,88 33%
S80/20(Baseret på gennemsnit i deciler) 3,24 4,48 38%
P90/10 (Baseret på decilgrænser) 2,50 3,26 30%
Atkinson, parameter = 0,5 0,06 0,09 56%
Atkinson, parameter = 1,0 0,11 0,17 44%
Atkinson, parameter = 1,5 0,22 0,28 29%
Atkinson, parameter = 2,0 0,57 0,63 12%

Anm.: Atkinson-indeksene er beregnet på grundlag af statistikbankens opgørelser på deciler. Ved beregningen er anvendt et regneark udarbejdet af F. A.Cowell
Noter: 1Ved indkomst forstås ækvivaleret disponibel indkomst
Kilder: Danmarks Statistikbank, IFOR32, IFOR41 og IFOR22

Som det fremgår af tabellen, så er uligheden større i 2016 end den var i 1987, uanset hvilket af målene der anvendes, men af AI-opgørelserne fremgår det også, at ændringen falder med stigende værdi af aversionsparameteren. Det afspejler, at den stigende ulighed især er fremkommet ved at de allerrigeste har øget deres andel af de samlede indkomster, samtidig med, at fordelingen blandt den øvrige del af befolkningen har været mere stabil.

Referencer:
Frank A. Cowell: Mesuring Inequality, 2009 (link)
Danmarks Statistik: Statistikbanken IFOR41   (link)

Inflation og indkomstfordeling

04/01/2017          Taleboble Kommentarer

I den økonomiske statistik opgøres indkomst i penge. Penge er i det hele taget den centrale måleenhed i den økonomiske statistik. Det er derfor lidt af et problem, at måleenheden penge er så ustabil over tid. Vil man f.eks. sammenligne indkomster opgjort i kroner i 2006 med indkomster opgjort i kroner i 2014, så må man tage hensyn til, at kronens værdi er lavere i 2014 end i 2006. Indkomsten må med andre ord korrigeres for inflation. Indkomst korrigeret for inflation kaldes realindkomst.

Måling af inflation er tidligere behandlet i denne blog. Inflationen opgøres sædvanligvis som udviklingen i forbrugerprisindekset, der søger at beskrive prisudviklingen som den opleves at den gennemsnitlige forbruger. Men den gennemsnitlige forbruger er en abstraktion. For den faktiske forbruger er det afgørende, hvordan priserne har udviklet sig for de goder, der indgår i hans personlige forbug, og ikke hvordan den gennemsnitlige prisudvikling har været.

Danmarks Statistik har for nyligt etableret et supplement til forbrugerprisindekset, hvor prisudviklingen for forskellige husstandsstyper netop belyses under hensyntagen til forskellene i deres forbrugssammensætning. Den nye statistik og dens metoder er beskrevet i en Analyse fra Danmarks Statistik. I tabellen nedenfor er nogle af hovedresultaterne præsenteret.

Inflation og indkomstudvikling for husstande 2006-2014

 Udvikling 2006-214 Yngre husstande1 Ældre
husstande1
Med børn1 Uden børn
Par Enlig Par Enlig Par Enlig
Inflation Generel  16,3 16,3  16,3  16,3  16,3  16,3
Specifik  15,0  15,7  15,9  15,5  17,7  20,9
Indkomsstigning  28,8 22,7  24.4 11,2 32,9 30,4
Stigning i realindkomst Generel 10,7 5,5 7,0 -4,4 14,3 12,1
Specifik  12,0  6,1  7,3  -3,7  13,5 7,9
Forskel 1,3 0,5 0,4 0,7 -0,8 -4,3

Note:  1Husstande, hvor hovedpersonen — dvs. personen med den højeste indkomst — er under 60 år, eller som har børn, er kategoriseret som yngre.
Kilde: DST Analyse 2016:26, 8, december 2016

Den generelle inflation, vist i førte tabelrække, er den samme for alle husstandstyper, i modsætning til den specifikke inflation, vist i anden tabelrække, hvor forskelle i husstandstypernes forbrugssammensætning er taget i betragtning. Tilsvarende afhænger udviklingen i realindkomst af om det generelle eller det specifikke inflationsmål er anvendt ved beregningen. Differencen mellem stigningen i den specifikke og den generelle realindkomst kan tages som et udtryk for inflationens virkning på indkomstfordelingen mellem husstandstyperne.

Som det fremgår af tabellens sidste række, så er differencen negativ for de ældre husstande, svarende til, at den specifikke inflation har haft en negativ virkning på deres realindkomst. Til gengæld har navnlig par med børn haft gavn af den specifikke inflation. Bemærk dog, at selv om den specifikke inflation har ramt ældre husstande, så er deres realindkomst alligevel steget mere end de yngre husstandes.

Forskellene i specifik inflation for husstandstyperne kan for en stor del forklares med forskelle i boligforbrugets andel af det samlede forbrug. Da prisen for boligforbrug er steget mere end den gennemsnitlige inflation, så vil husstande med høj boligandel blive hårdest ramt. Boligforbrugets andel er høj for alle husstande, men højere for ældre husstande (34-39 pct.)  end for yngre (27-30 pct.).

Forskelle i specifik inflation vil naturligvis også kunne iagttages, hvis man opdeler husholdningerne efter størrelsen af deres disponible indkomst. Det betyder, at der med god mening kunne tages hensyn til den specifikke inflation ved beregningen af ulighedsmål for indkomstfordelingen, f.eks. gini-koefficienten. Specifik inflation for indkomstgrupper indgår (endnu?) ikke i Danmarks Statistiks opgørelser. For Tysklands vedkommende har en undersøgelse vist, at den specifikke inflation i perioden 2005-2014 var højest for husholdninger med lave indkomster (Benjamin Held: Sind ärmere Haushalte stärker von Inflation betroffen?, Wirtsshaft und Statistik, november 2014) .