Medir la desigualdad sin contar la pobreza distorsiona el retrato de la realidad económica

Cómo se calcula el índice de Gini

El cálculo del índice de Gini parte de una idea sencilla: si toda la población tuviera exactamente los mismos ingresos estaríamos ante una situación de igualdad perfecta. Esa situación ideal puede representarse como una línea recta. Sin embargo, en la realidad, la distribución de la renta se desvía de esa línea: algunas personas concentran una parte mayor de los ingresos y otras una parte menor.

El índice de Gini mide, precisamente, cuánto se aleja esa distribución real (que conocemos como la curva de Lorenz) de la igualdad perfecta. El resultado se expresa entre 0 y 1 (aunque también 0 a 100): cuanto más alto es el valor, mayor es la desigualdad. Un valor de 0 significaría que todos disponen de la misma renta. Un valor de 1 (o 100), que una sola persona concentra toda la renta.

El índice de Gini permite a los gobiernos, los organismos internacionales y los medios de comunicación comparar la desigualdad en países y regiones. España, por ejemplo, presenta un índice relativamente elevado dentro de Europa: 31,2 en 2024.

El problema de medir la desigualdad con una sola cifra

El índice de Gini tiene una gran ventaja: es sencillo de calcular e interpretar. Sin embargo, esta capacidad de síntesis es también una de sus principales limitaciones.

Vamos a explicarlo. Imaginemos dos regiones con un índice de Gini prácticamente idéntico. A simple vista, podríamos pensar que ambas presentan niveles similares de desigualdad. Sin embargo, la realidad puede ser muy distinta: en una de ellas una parte importante de la población puede vivir en situación de pobreza, mientras que en la otra la mayoría de los residentes puede que disponga de ingresos relativamente elevados. Aunque ambas compartan un valor de Gini similar, sus necesidades sociales, y las prioridades de las políticas públicas, serían muy diferentes.

Esta limitación resulta especialmente relevante cuando analizamos la desigualdad a escala municipal. Los municipios pequeños suelen presentar estimaciones más inestables: unos pocos hogares con rentas extremas pueden alterar mucho el resultado.

Se trata de un problema estadístico bien conocido, ya que en áreas pequeñas el índice es especialmente sensible a valores extremos y pequeñas variaciones en la distribución de la renta. De hecho, esta fue una de las motivaciones de nuestro trabajo. Al analizar el índice de Gini a escala municipal observamos un patrón inesperado: municipios con mayor renta aparecían sistemáticamente como más desiguales que municipios de renta mucho más baja.

Incorporar la tasa de pobreza cambia el mapa

Para superar esta limitación, planteamos una adaptación del índice de Gini que incorpora la pobreza local en su cálculo, el índice de Gini normalizado. De este modo, en lugar de interpretar la desigualdad de cada municipio de forma aislada, la relacionamos con una referencia común para toda España.

Concretamente, utilizamos la proporción de población que vive por debajo del umbral de pobreza y analizamos si el nivel de desigualdad observado es superior o inferior al que cabría esperar dado ese contexto. En otras palabras, no evaluamos los municipios de forma aislada, sino en relación con un contexto socioeconómico común para toda España.

Para mejorar la precisión de las estimaciones, especialmente en municipios pequeños donde los resultados suelen ser más inestables, utilizamos modelos estadísticos que combinan datos georreferenciados con información previa y distribuciones de probabilidad para aprovechar también la información disponible de municipios cercanos (modelos bayesianos espaciales).

Aplicamos este método a 8 043 municipios españoles utilizando datos del Atlas de Distribución de la Renta de los Hogares del Instituto Nacional de Estadística (INE) correspondientes a 2022. Con el índice de Gini original, el mapa de España aparece relativamente homogéneo con diferencias entre municipios, pero sin un patrón territorial claro. Con el índice normalizado, en cambio, surge un patrón mucho más definido: Andalucía, Extremadura y Murcia muestran niveles de desigualdad más altos de lo esperado para su nivel de pobreza, mientras que Cataluña, País Vasco, Madrid y Baleares presentan niveles más bajos de lo esperado.

Es decir, algunas regiones que aparentemente parecían muy desiguales dejan de serlo cuando se tiene en cuenta su estructura socioeconómica, mientras que otras emergen como territorios especialmente vulnerables.

En general, el índice original identifica las grandes ciudades como las zonas más desiguales, pero, al ajustar por pobreza, el patrón se invierte: los municipios rurales y de baja densidad presentan una desigualdad relativamente mayor que la de las grandes ciudades. Los valores para los municipios analizados pueden consultarse en la web del proyecto.

Qué implica esto para las políticas públicas

La principal ventaja de este método es que no requiere datos difíciles de obtener. Se basa en dos indicadores ampliamente disponibles: el índice de Gini y la tasa de pobreza. Esto facilita su aplicación en otros países y a diferentes escalas territoriales, desde barrios y provincias hasta comunidades autónomas o comparaciones internacionales.

La desigualdad no depende únicamente de cómo se distribuyen los ingresos, sino también del contexto económico en el que esa distribución se produce. Incorporar la pobreza a su medición permite identificar territorios que pasan desapercibidos con los indicadores tradicionales, y ofrece una imagen más completa de las diferencias sociales existentes entre municipios. Este análisis más completo de la desigualdad relativa puede apoyar políticas redistributivas, la planificación de servicios públicos o el diseño de estrategias frente a la despoblación.

Xavier Perafita Basart, Profesor, Universitat de Girona; Laura Vilà-Quintana, Analista de datos; Marc Saez Zafra, Catedrático de Estadística y Econometría, Universitat de Girona; María A. Barceló Rado, Catedrática acreditada de Estadística y Econometría, Universitat de Girona y Marta Solans Margalef, Profesora lectora, Universitat de Girona

Este artículo fue publicado originalmente en The Conversation.