Den Gini-Koeffizienten verstehen: Ein Maß für Ungleichheit

Einkommensungleichheit steht seit Langem im Fokus wirtschaftlicher und gesellschaftlicher Debatten. Unterschiede in der Einkommensverteilung beeinflussen alles – von politischen Entscheidungen bis hin zum individuellen Wohlbefinden. Aber wie messen wir Ungleichheit eigentlich empirisch? Eine gängige Methode ist der Gini-Koeffizient.

Der Gini-Koeffizient ist eine aussagekräftige Kennzahl zur Quantifizierung von Ungleichheit. Er wird in vielen Disziplinen genutzt, etwa in der Volkswirtschaftslehre, Soziologie und im Gesundheitswesen. Hauptsächlich misst er Einkommensungleichheit, wurde aber auch für Vermögensverteilung oder sogar den Zugang zu Gesundheitsleistungen angepasst. Seine Stärke liegt darin, komplexe Datensätze in einer einzigen Zahl zu bündeln. Dieser eine Wert ermöglicht klare Vergleiche von Ungleichheit. Wenn du deine Statistikkenntnisse auffrischen möchtest, schau zum Einstieg bei Statistical Inference in R vorbei.

Was ist der Gini-Koeffizient?

Der Gini-Koeffizient ist ein statistisches Maß zur Bewertung von Ungleichheit innerhalb eines Datensatzes. Er reicht von 0, was perfekte Gleichheit bedeutet, bis 1, was perfekte Ungleichheit anzeigt. Ein Wert von 0 heißt: Alle erhalten den gleichen Anteil. Ein Wert von 1 heißt: Eine Person besitzt alles.

Oben siehst du ein vereinfachtes Beispiel verschiedener Gini-Koeffizienten. In allen drei Szenarien gibt es 10 Personen und 10.000 $. Im ersten Beispiel ist das Geld vollkommen gleich verteilt, der Gini-Koeffizient liegt nahe 0. Im zweiten Beispiel gibt es im Wesentlichen zwei Klassen, wobei die obere Klasse den Großteil des Geldes hält. Das ergibt einen Gini-Koeffizienten nahe 0,5. Im dritten Beispiel besitzt eine Person das gesamte Geld, während der Rest der Bevölkerung nichts besitzt. Dieses Extrem führt zu einem Gini-Koeffizienten nahe 1.

Die Vielseitigkeit des Gini-Koeffizienten macht ihn in zahlreichen Kontexten einsetzbar. Oft bezieht er sich bei der Berichterstattung auf Einkommensungleichheit. Er wurde jedoch auch angepasst, um Vermögensverteilung, Ungleichheit im Konsum und sogar Unterschiede bei der Wohnungsgröße zu messen.

Historischer Hintergrund und aktuelle Bedeutung

Der Gini-Koeffizient wurde 1912 vom italienischen Statistiker Corrado Gini in seiner grundlegenden Arbeit zur Messung von Variabilität eingeführt. Mehr über ihn erfährst du hier: Corrado Gini (1884–1965): Versatile Originator of Measures of Variability.

Im Laufe der Jahre hat sich der Gini-Koeffizient weiterentwickelt und seine Anwendungen auf Bereiche wie Ökologie, Gesundheitswissenschaften und Bildung ausgeweitet. So wird er etwa genutzt, um Ungleichheit in der Biodiversität, beim Zugang zum Gesundheitswesen und bei der Bildungserreichung zu messen. Dennoch bleibt sein Haupteinsatzfeld die Ökonomie, insbesondere die Einkommensungleichheit. Er dient weltweit als wichtiges Instrument für Forschende, politische Entscheidungsträger und Analysten.

Als quantifizierbares Maß für Ungleichheit hilft der Gini-Koeffizient Regierungen und Organisationen, fundierte Entscheidungen über Ressourcenzuteilung, Steuerpolitik und Sozialprogramme zu treffen. Seine Einfachheit ermöglicht zudem Vergleiche über Regionen und Zeiträume hinweg.

Die obige Grafik zeigt bekannte Gini-Koeffizienten im Zeitverlauf für mehrere große Länder. Die Daten stammen von der Weltbank. Lücken in der Grafik spiegeln Datenlücken wider, also Jahre, in denen der Weltbank nicht genügend wirtschaftliche Informationen vorlagen.

So berechnest du den Gini-Koeffizienten

Es gibt verschiedene Wege, den Gini-Koeffizienten zu berechnen. Zwei zentrale Methoden vergleichen dabei die tatsächliche Verteilung einer Ressource, etwa Einkommen, mit einer perfekt gleichen Verteilung.

Formel auf Basis der Lorenzkurve

Die kontinuierliche Gleichung für den Gini-Koeffizienten lautet:

Dabei gilt:

• L(x) ist die Lorenzkurve. Sie zeigt den kumulierten Anteil der betrachteten Größe (z. B. Einkommen) in Abhängigkeit vom kumulierten Bevölkerungsanteil.
• Das Integral berechnet die Fläche unter der Lorenzkurve.

Die Lorenzkurve stellt den kumulierten Anteil der Größe dem kumulierten Bevölkerungsanteil gegenüber. Der Gini-Koeffizient misst, wie weit die Lorenzkurve von der Linie perfekter Gleichheit (der 45-Grad-Diagonalen) abweicht.

Einsatz der lorenzkurvenbasierten Formel

Die Berechnung mit dieser Formel ist recht geradlinig. Gehen wir sie Schritt für Schritt anhand eines Beispiels durch.

Angenommen, wir haben fünf Personen mit Einkommen von 10 $, 20 $, 30 $, 40 $ und 50 $.

Schritt 1: Daten ordnen

Sortiere die Einkommen aufsteigend. Berechne danach die kumulierten Anteile für die Bevölkerung und die jeweiligen Werte.

Schritt 2: Kumulative Summen berechnen

Als Nächstes berechnen wir die kumulierten Einkommensanteile der Bevölkerung. Diese Werte benötigen wir, um im nächsten Schritt die Lorenzkurve zu zeichnen.

So sehen die sortierten Daten für unsere Population an dieser Stelle aus.

Schritt 3: Lorenzkurve zeichnen

Nun tragen wir den kumulierten Einkommensanteil gegen den kumulierten Bevölkerungsanteil auf. Das ist die Lorenzkurve. Ergänze eine 45-Grad-Linie als Referenz für perfekte Gleichheit.

Die Grafik oben zeigt die Lorenzkurve für einen Beispieldatensatz. Die gepunktete Linie ist die Gleichheitslinie, und die schraffierte Fläche zwischen Lorenzkurve und Gleichheitslinie entspricht dem Gini-Koeffizienten. Beachte die kantigen Übergänge der Lorenzkurve – sie entstehen durch die kleine Populationsgröße. Größere Populationen führen zu einer glatteren Kurve.

Schritt 4: Fläche zwischen Lorenzkurve und Gleichheitslinie berechnen

Zum Schluss nutzen wir die Grafik zur Berechnung des Gini-Koeffizienten. Er ist proportional zur Fläche zwischen Lorenzkurve und Gleichheitslinie. Üblicherweise erfolgt die Berechnung in wenigen Schritten.

Zuerst bestimmen wir die Fläche unter der Lorenzkurve mithilfe numerischer Integration, z. B. der Trapezregel. Diesen Wert ziehen wir von der Fläche unter der Gleichheitslinie ab, die bei normalisierten Daten stets 0,5 beträgt. Anschließend multiplizieren wir das Ergebnis mit 2, um das gesamte Maß der Ungleichheit abzubilden.

Für unser Beispiel beträgt der Gini-Koeffizient 0,27.

Methode der paarweisen Einkommensdifferenzen

Bei kleinen Populationen oder diskreten Datensätzen eignet sich die Methode der paarweisen Einkommensdifferenzen besonders gut. Sie vermeidet die in der Lorenzkurven-Methode notwendige Interpolation und misst Ungleichheit direkt, indem alle paarweisen Unterschiede der Daten verglichen werden.

Die Formel, oft als pairwise income gap method bezeichnet, lautet:

Dabei gilt:

• n ist die Anzahl der Beobachtungen.
• xi und xj sind Einzelwerte im Datensatz.
• x ist der Mittelwert des Datensatzes.

Diese Formel berechnet die relative mittlere Differenz, indem alle Wertepaarungen im Datensatz verglichen werden.

Diese Variante ermittelt den Gini-Koeffizienten direkt aus den Daten, ohne Grafik. Sie betrachtet alle möglichen paarweisen Differenzen und setzt sie ins Verhältnis zum Durchschnitt.

Einsatz der paarweisen Differenzenmethode

Gehen wir die Schritte erneut mit unserem Beispiel durch: fünf Personen mit Einkommen von 10 $, 20 $, 30 $, 40 $ und 50 $.

Schritt 1: Daten ordnen

Beginne mit dem sortierten Datensatz der Einkommen.

Schritt 2: Paarweise Differenzen berechnen

Für jedes Wertepaar xi und xj berechnest du den absoluten Unterschied |xi − xj|.

Schritt 3: Differenzen aufsummieren

Summiere alle absoluten Differenzen über alle Wertepaarungen. Für unsere Beispieldaten ergibt sich eine Summe von 400.

Schritt 4: Ergebnis normalisieren

Zum Schluss teilst du die Summe aller paarweisen Differenzen durch 2n²x, wobei n die Anzahl der Datenpunkte und x der Mittelwert ist. Dieser Schritt liefert den endgültigen Gini-Koeffizienten.

Anzahl der Datenpunkte (n) = 5

Mittelwert des Datensatzes (x) = 10 + 20 + 30 + 40 + 505 = 30 

Normiere die Summe der paarweisen Differenzen:

Der Gini-Koeffizient für den Beispieldatensatz beträgt ungefähr 0,27.

Miss dich an weiteren Beispielen und analysiere Ungleichheit bei CO₂-Emissionen oder in der Basketball-Analyse mit diesen Projekten.

Gini-Koeffizienten richtig interpretieren

Der Gini-Koeffizient bezieht sich, sofern nicht anders angegeben, fast immer auf Einkommensungleichheit. Er nimmt Werte zwischen 0 und 1 an: 0 steht für perfekte Gleichheit (alle verdienen exakt gleich), 1 für maximale Ungleichheit (eine Person vereinnahmt alles, die anderen nichts). Werte dazwischen geben Aufschluss über das Ausmaß der Ungleichheit in einer Bevölkerung.

Hinweis: Manche Quellen multiplizieren den Wert mit 100 und geben den Gini dann auf einer Skala von 0 bis 100 an.

Ein niedriger Gini-Koeffizient deutet auf eine relativ gleichmäßige Einkommensverteilung hin – oft in Ländern mit starken Umverteilungsmechanismen. Ein hoher Gini-Koeffizient zeigt große Einkommensunterschiede an, die zu Problemen wie sozialer Unruhe oder sinkender sozialer Mobilität beitragen können.

Die Interpretation hängt jedoch vom Kontext ab. In Industrieländern kann ein hoher Gini-Wert auf wachsende Ungleichheit durch schwächere Arbeitnehmerrechte, steuerliche Vorteile für Vermögende oder Lohnunterschiede in schnell wachsenden Branchen hinweisen. Ein niedriger Wert kann auf starke Sozialsysteme wie eine allgemeine Gesundheitsversorgung, bezahlbare Bildung oder progressive Besteuerung hindeuten.

In Entwicklungsländern kann ein hoher Gini-Wert auf Ungleichheiten durch konzentrierten Landbesitz, eingeschränkten Bildungszugang oder informelle, unregulierte Arbeitsmärkte verweisen. Ein niedriger Wert kann Fortschritte durch gerechtere Politik anzeigen, etwa verbesserten Bildungszugang, Armutsbekämpfung oder Agrarreformen.

Anwendungsfelder des Gini-Koeffizienten

Der Gini-Koeffizient wird u. a. von Ökonominnen und Ökonomen, Regierungen und Soziologinnen und Soziologen verwendet. Typische Anwendungen sind:

• Politikgestaltung: Regierungen nutzen ihn als Grundlage für progressive Steuern und Sozialprogramme zur Verringerung von Ungleichheit.
• Regionale Vergleiche: Er erleichtert internationale Vergleiche von Ungleichheit.
• Messung von Einkommens- oder Konsumungleichheit: Er hilft, Einkommens- und Konsumungleichheit zu bewerten – innerhalb von Ländern und im Vergleich zwischen Ländern.
• Analyse sozialer Faktoren: Über die Ökonomie hinaus wird der Gini-Koeffizient indirekt zur Untersuchung sozialer Faktoren wie Bildung, Kriminalität und Gesundheit eingesetzt.

Geografische Trends beim Gini-Koeffizienten

Skandinavische Länder sind bekannt für niedrige Gini-Werte (<0,30) dank starker Sozialprogramme und Umverteilung. Die USA, China und Russland haben moderat hohe Werte (zwischen 0,35 und 0,41) mit deutlichen Unterschieden zwischen Einkommen und Vermögen. Südafrika fällt mit einem hohen Wert (~0,63) auf – ein Hinweis auf erhebliche Einkommensungleichheit mit historischen und strukturellen Ursachen. 

Mit Wirtschaftsdaten kannst du in DataCamp’s DataLab experimentieren. Lade einfach deine Daten hoch und leg los!

Oben siehst du eine Grafik der aktuellsten Schätzungen der Gini-Koeffizienten für einige ausgewählte Länder laut Weltbank. Du kannst die Daten selbst bei der Weltbank untersuchen.

Trends im Zeitverlauf

Globalisierung und technologische Entwicklungen prägen die Gini-Trends weltweit. In aufstrebenden Volkswirtschaften steigt die Ungleichheit oft, weil sich Wohlstand in schnell wachsenden Sektoren konzentriert. Industrieländer zeigen dagegen häufig niedrigere Gini-Werte nach Steuern und Transfers – ein Effekt von Umverteilung über das Steuersystem und starke soziale Sicherung.

Die Weltbank verfolgt Gini-Koeffizienten weltweit. Die obige Grafik zeigt, wie sich der Anteil der Länder mit niedriger bzw. hoher Ungleichheit in den letzten zwei Jahrzehnten verändert hat. Hohe Ungleichheit definieren sie als einen Gini über 40. Quellenangabe: Inside the World Bank’s new inequality indicator: The number of countries with high inequality.

Rolle der Politik

Politik ist ein zentraler Treiber des Gini-Koeffizienten eines Landes. Staaten mit umfassenden Sozialsystemen wie allgemeiner Gesundheitsversorgung, kostenloser oder geförderter Bildung und Arbeitslosenunterstützung melden oft niedrigere Gini-Werte. Diese Programme verteilen Ressourcen um und verringern die Kluft zwischen hohen und niedrigen Einkommen. Lies dazu diese Studie: Welfare type and income inequality: an income source decomposition including in-kind benefits and cash-transfers entitlement.

Auch die Steuerpolitik spielt eine Rolle. Progressive Steuersysteme, in denen höhere Einkommen prozentual stärker besteuert werden, senken Ungleichheit wirksam. Regressive Strukturen oder schwache Steuerdurchsetzung können Ungleichheit dagegen verschärfen. Wie progressive Steuern die Ungleichheit in den USA verringert haben, beschreibt dieses Dokument des US-Finanzministeriums: Reducing Income Inequality through Progressive Tax Policy: The Effects of Recent Tax Changes on Inequality.

Maßnahmen, die Chancen gerechter verteilen – etwa Arbeitsschutz, Mindestlohn oder bezahlbarer Wohnraum – können Gini-Werte langfristig senken. Ohne solche Eingriffe bleiben strukturelle Ungleichheiten oft bestehen, besonders in Regionen mit schwacher Regierungsführung oder unzureichenden Sozialsystemen. Eine Diskussion dazu, ob Gewerkschaften Ungleichheiten verringern, findest du hier.

Grenzen und Kritik

So verbreitet der Gini-Koeffizient ist, so wichtig ist es, seine Grenzen bei der Interpretation zu beachten.

Ein zentrales Problem ist die Datenqualität. Inkonsistente oder unvollständige Daten können zu falschen Schlussfolgerungen führen – besonders in Regionen mit großen informellen Sektoren oder nicht erfasstem Einkommen. Das kann den Gini verzerren und politische Entscheidungen auf dieser Basis fehlleiten. Um solche Unterschiede teilweise auszugleichen, nutzt die Weltbank bei fehlenden Einkommensdaten den Konsum als Proxy. Doch auch solche Anpassungen haben Grenzen.

Zudem konzentriert sich der Gini-Koeffizient in der Praxis meist allein auf Einkommen. Andere Dimensionen von Ungleichheit – Zugang zu Bildung, Gesundheitsversorgung oder soziale Mobilität – bleiben außen vor. Das kann das Gesamtbild gesellschaftlicher Ungleichheit vereinfachen. Zwar lässt sich der Gini auch auf andere Formen anwenden, doch wird das in der Regel nicht gemacht.

Problematisch ist auch, dass derselbe Gini-Wert aus unterschiedlichen Verteilungen resultieren kann und dadurch wichtige Unterschiede verdeckt. Zwei Gesellschaften mit identischem Gini-Wert können völlig verschiedene Einkommensstrukturen haben.

import numpy as npdef gini_coefficient(income_distribution):    sorted_income = np.sort(income_distribution)    n = len(income_distribution)    cumulative_income = np.cumsum(sorted_income)    relative_cumulative_income = cumulative_income / cumulative_income[-1]    lorenz_curve_area = (np.sum(relative_cumulative_income) - 0.5) / n    gini_coefficient = 1 - 2 * lorenz_curve_area    return round(gini_coefficient, 2)# Population with a middle classincome_distribution1 = np.array([1, 1, 1, 50, 50, 50, 9000, 9000, 90000])# Population without a middle classincome_distribution2 = np.array([1, 1, 1, 1, 1, 1, 1, 1, 140])gini1 = gini_coefficient(income_distribution1)gini2 = gini_coefficient(income_distribution2)print("Gini coefficient for distribution 1:", gini1)print("Gini coefficient for distribution 2:", gini2)

Gini coefficient for distribution 1: 0.83Gini coefficient for distribution 2: 0.83

Im obigen Beispiel haben zwei Populationen – eine mit Mittelschicht, eine ohne – denselben Gini-Wert. Das zeigt, warum der Gini immer im Kontext interpretiert werden muss: Er bildet die zugrunde liegende Verteilung nicht ab.

Denk daran: Der Gini-Koeffizient ist nur eine Zahl, die viele Details verdichtet. Triff daher keine Schlüsse allein auf seiner Basis.

Alternativen und ergänzende Kennzahlen

Der Gini-Koeffizient ist nicht das einzige Maß für Ungleichheit. Eine Übersicht der in den USA verwendeten Maße findest du auf der Website des US Census.

Hier sind einige weitere Kennzahlen, die zusätzliche Einblicke liefern.

Theil-Index

Der Theil-Index ist hilfreich, um Ungleichheit in Ungleichheiten innerhalb von Gruppen und zwischen Gruppen zu zerlegen. So lassen sich Unterschiede zwischen Regionen, Sektoren oder Bevölkerungsgruppen gezielt analysieren. Er zeigt, wo Ungleichheit in einer Population entsteht, und unterstützt damit die Politikgestaltung mit gezielten Maßnahmen.

Atkinson-Index

Der Atkinson-Index legt besonderes Gewicht auf das untere Ende der Einkommensverteilung. Anders als der Gini misst er Veränderungen bei den Ärmsten stärker. So lässt sich erkennen, wo in der Verteilung die Ungleichheit liegt. Der Atkinson-Index eignet sich daher, um die Wirkung von Maßnahmen zur Armutsbekämpfung oder zur Stärkung benachteiligter Gruppen zu bewerten.

Lorenzkurve

Die Lorenzkurve wird zur Berechnung des Gini-Koeffizienten herangezogen, ist aber auch für sich ein nützliches Instrument.

Die 1905 von Max Lorenz entwickelte Kurve visualisiert die Einkommensverteilung. Sie zeigt den kumulierten Einkommensanteil verschiedener Bevölkerungsperzentile. Während der Gini Ungleichheit in einer Zahl zusammenfasst, bietet die Lorenzkurve einen detaillierteren Blick auf die Verteilung. Eine lesenswerte Einführung: Lorenz Curve: Definition and Uses.

Fazit

Instrumente wie der Gini-Koeffizient sind wirkungsvoll, weil sie komplexe Verteilungen auf das Wesentliche herunterbrechen. Diese Klarheit unterstützt Politik und Ökonomie dabei, gerechtere Gesellschaften zu gestalten.

Wenn du mehr statistische Werkzeuge entdecken möchtest, sieh dir unser breites Angebot an Statistik-Kursen an. Wenn dich eher interessiert, wie Geld die Welt bewegt, lohnt sich DataCamps Reihe Python for Finance oder der Lernpfad Applied Finance zu Themen wie Kreditrisiko, Portfolios und mehr. Für ganze Teams bieten wir Weiterbildung am Stück – nimm einfach Kontakt mit dem Team von DataCamp for Business auf.