Comprendre le coefficient de Gini : une mesure des inégalités

L’inégalité des revenus alimente depuis longtemps les débats économiques et sociaux. Les écarts dans la répartition des revenus influencent tout, des choix de politique publique au bien-être individuel. Mais vous êtes-vous déjà demandé comment mesurer empiriquement ces inégalités ? L’un des moyens consiste à utiliser le coefficient de Gini.

Le coefficient de Gini est un indicateur puissant pour quantifier les inégalités. Il est largement employé en économie, en sociologie et en santé. S’il sert principalement à mesurer l’inégalité des revenus, il a aussi été adapté pour évaluer la répartition des richesses et même l’accès aux soins. Sa force tient au fait qu’il résume des jeux de données complexes en un seul chiffre. Cette valeur unique offre une lecture claire pour comparer les inégalités. Si vous souhaitez réviser vos bases en statistiques avant de commencer, consultez Statistical Inference in R.

Qu’est-ce que le coefficient de Gini ?

Le coefficient de Gini est une mesure statistique utilisée pour évaluer l’inégalité au sein d’un ensemble de données. Il varie de 0, qui représente l’égalité parfaite, à 1, qui indique l’inégalité totale. Une valeur de 0 signifie que chacun reçoit une part égale, tandis que 1 signifie qu’une seule personne détient tout.

Ci-dessus, un exemple simplifié de différents coefficients de Gini. Dans chacun des trois scénarios, on compte 10 personnes et 10 000 $. Dans le premier, l’argent est réparti parfaitement à parts égales, donnant un coefficient de Gini proche de 0. Dans le second, il existe essentiellement deux classes, la supérieure conservant la grande majorité de l’argent. Le coefficient de Gini est alors proche de 0,5. Dans le troisième, une seule personne possède tout l’argent tandis que le reste de la population n’en a aucun. Cet exemple extrême d’inégalité conduit à un coefficient de Gini proche de 1.

La polyvalence du coefficient de Gini le rend applicable à de nombreux contextes. Souvent, lorsqu’il est publié, il fait référence à l’inégalité des revenus. Toutefois, il a été adapté pour mesurer la répartition des richesses, l’inégalité de consommation, et même les écarts de surface des logements.

Contexte historique et importance actuelle

Le coefficient de Gini a été introduit en 1912 par le statisticien italien Corrado Gini dans son ouvrage fondateur sur la mesure de la variabilité. Pour en savoir plus, lisez Corrado Gini (1884–1965): Versatile Originator of Measures of Variability.

Au fil du temps, le coefficient de Gini a évolué et s’est étendu à des domaines comme l’écologie, les sciences de la santé et l’éducation. Par exemple, il est utilisé pour mesurer l’inégalité en biodiversité, l’accès aux soins et le niveau d’instruction. Néanmoins, son usage prédominant demeure économique, en particulier pour l’inégalité des revenus. Il constitue un outil essentiel pour les chercheurs, décideurs publics et analystes du monde entier.

En fournissant une mesure quantifiable des inégalités, le coefficient de Gini aide les gouvernements et les organisations à éclairer leurs décisions sur l’allocation des ressources, la fiscalité et les politiques sociales. Sa simplicité et sa clarté permettent des comparaisons aisées entre régions et périodes.

Le graphique ci-dessus montre l’évolution des coefficients de Gini connus pour plusieurs grands pays. Les données proviennent de la Banque mondiale. Les vides dans le graphique reflètent des années où les données économiques disponibles étaient insuffisantes.

Comment calculer le coefficient de Gini

Il existe plusieurs façons de calculer le coefficient de Gini, mais deux méthodes principales dominent, toutes deux consistant à comparer la distribution observée d’une ressource (par exemple, le revenu) à une distribution parfaitement égalitaire.

Formule basée sur la courbe de Lorenz

L’équation continue du coefficient de Gini peut s’écrire :

Où :

• L(x) est la courbe de Lorenz, qui représente la part cumulée de la variable (par exemple le revenu) en fonction de la part cumulée de la population.
• L’intégrale calcule l’aire sous la courbe de Lorenz.

La courbe de Lorenz trace la proportion cumulée de la variable par rapport à la proportion cumulée de la population. Le coefficient de Gini mesure l’écart entre cette courbe et la ligne d’égalité parfaite (une diagonale à 45 degrés).

Utiliser la formule basée sur la courbe de Lorenz

Appliquer cette formule pour calculer le coefficient de Gini est assez direct. Parcourons les étapes avec un exemple.

Supposons une population de cinq individus avec des revenus de 10 $, 20 $, 30 $, 40 $ et 50 $.

Étape 1 : organiser les données

Commencez par classer les revenus par ordre croissant. Puis calculez les pourcentages cumulatifs pour la population et pour les valeurs correspondantes.

Étape 2 : calculer les totaux cumulatifs

Calculez ensuite les parts de revenu cumulées pour la population. Ces valeurs permettront de tracer la courbe de Lorenz à l’étape suivante.

Voici à quoi ressemblent les données triées pour notre population à ce stade.

Étape 3 : tracer la courbe de Lorenz

Ensuite, représentez la part cumulée du revenu en fonction de la part cumulée de la population. C’est la courbe de Lorenz. Ajoutez une ligne à 45 degrés pour représenter l’égalité parfaite.

Le graphique ci-dessus illustre la courbe de Lorenz pour un jeu de données d’exemple. La ligne en pointillés représente la ligne d’égalité, et la zone ombrée entre la courbe de Lorenz et cette ligne correspond au coefficient de Gini. Notez les angles marqués de la courbe de Lorenz, dus à la petite taille de la population dans notre exemple. Des populations plus grandes produiront une courbe plus lisse.

Étape 4 : calculer l’aire entre la courbe de Lorenz et la ligne d’égalité

Enfin, utilisons ce graphique pour calculer le coefficient de Gini. Il est proportionnel à l’aire comprise entre la courbe de Lorenz et la ligne d’égalité. En général, on procède en quelques étapes.

On calcule d’abord l’aire sous la courbe de Lorenz par des méthodes d’intégration numérique, comme la règle des trapèzes. Une fois cette valeur obtenue, on la soustrait de l’aire sous la ligne d’égalité, qui vaut toujours 0,5 pour des données normalisées. Enfin, on multiplie le résultat par 2 pour obtenir la mesure complète de l’inégalité.

Dans notre exemple, le coefficient de Gini est de 0,27.

Méthode des écarts de revenu par paires

Pour de petites populations ou des données discrètes, la méthode des écarts par paires est souvent préférable. Elle évite l’interpolation inhérente à l’approche via la courbe de Lorenz et mesure directement l’inégalité en comparant toutes les différences par paires dans les données.

Voici la formule, parfois appelée méthode des écarts de revenu par paires :

Où :

• n est le nombre d’observations.
• xi et xj sont des valeurs individuelles du jeu de données.
• x est la moyenne du jeu de données.

Cette formule calcule la différence moyenne relative en comparant toutes les paires de valeurs du jeu de données.

Cette version permet de calculer directement le coefficient de Gini à partir des données sans passer par un graphique. Elle considère toutes les différences possibles par paires et les rapporte à la valeur moyenne.

Utiliser la méthode des écarts par paires

Reprenons notre population d’exemple : cinq individus avec des revenus de 10 $, 20 $, 30 $, 40 $ et 50 $.

Étape 1 : organiser les données

Démarrez avec le jeu de revenus trié.

Étape 2 : calculer les différences par paires

Pour chaque paire de valeurs xi et xj, calculez la valeur absolue de la différence xi - xj.

Étape 3 : sommer les différences

Additionnez toutes les différences absolues entre chaque paire de valeurs. Pour notre exemple, la somme des différences est de 400.

Étape 4 : normaliser le résultat

Enfin, divisez la somme des différences par 2n2x, où n est le nombre de points et x la moyenne du jeu de données. Cette étape fournit le coefficient de Gini final.

Nombre de points (n) = 5

Moyenne du jeu de données (x) = 10 + 20 + 30 + 40 + 505 = 30 

Normaliser la somme des écarts par paires :

Le coefficient de Gini pour ce jeu de données est d’environ 0,27.

Exercez-vous à mesurer les inégalités des émissions de carbone ou en analyse du basketball grâce à ces projets.

Interpréter les valeurs du coefficient de Gini

Sauf mention contraire, le coefficient de Gini se rapporte presque toujours à l’inégalité des revenus. Sa valeur s’étend de 0 à 1 : 0 représente l’égalité parfaite (tout le monde perçoit exactement le même revenu) et 1 l’inégalité totale, lorsqu’un individu concentre tous les revenus et les autres n’en ont aucun. Les valeurs intermédiaires renseignent sur le degré de disparité des revenus au sein d’une population.

Remarque : certaines sources multiplient cette valeur par 100 pour obtenir un intervalle entre 0 et 100.

Un coefficient de Gini faible indique une répartition relativement égalitaire des revenus, souvent associée à des pays dotés de politiques redistributives fortes. À l’inverse, un coefficient élevé reflète d’importants écarts de revenus, susceptibles d’alimenter des tensions sociales ou de freiner la mobilité économique.

Cela dit, l’interprétation dépend du contexte. Dans les pays développés, une valeur élevée peut traduire une montée des inégalités due à l’affaiblissement des protections du travail, à des politiques fiscales favorables aux plus aisés, ou à des écarts de rémunération dans des secteurs en forte croissance. Une valeur faible peut, au contraire, témoigner de dispositifs sociaux solides (santé universelle, éducation abordable, fiscalité progressive) réduisant les disparités.

Dans les pays en développement, une valeur élevée peut mettre en lumière des inégalités liées à la concentration foncière, à un accès limité à l’éducation ou à des marchés du travail informels et non régulés. Inversement, une valeur faible peut signaler des progrès rendus possibles par des politiques plus équitables, comme l’amélioration de l’accès à l’éducation, la lutte contre la pauvreté ou des réformes agricoles.

Applications du coefficient de Gini

Le coefficient de Gini est utilisé par des économistes, des pouvoirs publics et des sociologues, entre autres. Ses applications incluent :

• Élaboration de politiques : les gouvernements s’en servent pour orienter des politiques telles que la fiscalité progressive et les programmes sociaux afin de réduire les inégalités.
• Comparaisons régionales : il facilite les comparaisons internationales des inégalités.
• Mesure des inégalités de revenu ou de consommation : il permet d’évaluer les inégalités de revenu et de consommation, en mettant en évidence les disparités au sein d’un pays et entre pays.
• Étude des facteurs sociaux : au-delà de l’économie, le coefficient de Gini est utilisé indirectement pour étudier des facteurs sociaux tels que l’éducation, la criminalité et la santé.

Tendances géographiques du coefficient de Gini

Les pays scandinaves affichent des valeurs de Gini réputées faibles (< 0,30) en raison de politiques sociales et redistributives fortes. Les États-Unis, la Chine et la Russie présentent des valeurs modérées (entre 0,35 et 0,41) avec des écarts marqués entre revenus et patrimoine. L’Afrique du Sud se distingue par une valeur élevée (~ 0,63), révélant une forte inégalité de revenus liée à des facteurs historiques et structurels.

Vous pouvez expérimenter avec des données économiques dans DataLab de DataCamp. Il vous suffit de téléverser les données qui vous intéressent et de commencer à explorer !

Ci-dessus, un graphique des estimations les plus récentes du coefficient de Gini selon la Banque mondiale pour quelques pays intéressants. Vous pouvez explorer les données vous-même sur le site de la Banque mondiale.

Évolutions dans le temps

La mondialisation et les avancées technologiques ont façonné les tendances du Gini à l’échelle mondiale. Les économies émergentes connaissent souvent une hausse des inégalités lorsque l’industrialisation rapide concentre la richesse dans certains secteurs. À l’inverse, les pays développés affichent généralement des valeurs de Gini après impôts plus faibles, reflétant l’effet des politiques fiscales redistributives et de systèmes sociaux robustes.

La Banque mondiale suit le coefficient de Gini des pays du monde. Le graphique ci-dessus montre comment la part de pays à faible et à forte inégalité a évolué sur les deux dernières décennies. Ils définissent une forte inégalité comme un Gini supérieur à 40. Source du graphique : Inside the World Bank’s new inequality indicator: The number of countries with high inequality.

Rôle des politiques publiques

Les politiques publiques influencent fortement le coefficient de Gini d’un pays. Les États dotés de systèmes sociaux solides, tels que la santé universelle, l’éducation gratuite ou subventionnée et les allocations chômage, affichent souvent des valeurs plus faibles. Ces programmes redistribuent les ressources et réduisent l’écart entre hauts et bas revenus. Consultez cet article de recherche : Welfare type and income inequality: an income source decomposition including in-kind benefits and cash-transfers entitlement.

La fiscalité joue aussi un rôle. Les systèmes progressifs, où les plus hauts revenus paient une part plus importante de leurs revenus, réduisent efficacement les inégalités. À l’inverse, des structures régressives ou une application insuffisante de l’impôt peuvent aggraver les écarts. Lisez comment des politiques fiscales progressives ont réduit les inégalités aux États-Unis dans ce document du département du Trésor américain : Reducing Income Inequality through Progressive Tax Policy: The Effects of Recent Tax Changes on Inequality.

Les politiques favorisant un accès équitable aux opportunités — protections du travail, salaire minimum, logement abordable — peuvent faire baisser les valeurs de Gini dans le temps. Sans ces interventions, les inégalités structurelles persistent, notamment là où la gouvernance est faible ou les dispositifs sociaux sous-développés. Voyez ce débat sur la question de savoir si les syndicats aident à réduire les écarts.

Limites et critiques

Bien que largement utilisé, le coefficient de Gini présente plusieurs limites à garder à l’esprit lors de son interprétation.

Une limite majeure tient à la qualité des données. Des ensembles de données incohérents ou incomplets peuvent conduire à des conclusions erronées, notamment dans les régions avec économie informelle ou revenus non déclarés. Cela peut fausser la valeur du Gini et biaiser les décisions publiques qui s’y fondent. Pour atténuer certaines de ces divergences, des organisations comme la Banque mondiale utilisent la consommation comme proxy du revenu lorsque les données de revenu sont insuffisantes. Cependant, même ces ajustements ont leurs limites.

Par ailleurs, tel qu’il est souvent présenté, le coefficient de Gini se concentre uniquement sur l’inégalité des revenus. Il ne saisit donc pas d’autres dimensions essentielles, comme l’accès à l’éducation, à la santé ou la mobilité sociale. Cette focalisation étroite peut simplifier à l’excès la réalité des inégalités. On peut utiliser le coefficient de Gini pour d’autres formes d’inégalité, mais ce n’est pas l’usage le plus courant.

Fait notable, le coefficient de Gini peut produire des valeurs identiques pour des distributions de revenus différentes, masquant des nuances importantes. Deux sociétés au même Gini peuvent avoir des structures de revenus très différentes.

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

Dans l’exemple ci-dessus, deux populations — l’une avec une classe moyenne et l’autre sans — présentent le même coefficient de Gini. Cela illustre pourquoi les coefficients de Gini doivent être interprétés dans leur contexte : ils ne montrent pas la distribution sous-jacente.

Rappelez-vous : le coefficient de Gini n’est qu’un chiffre qui condense une grande quantité d’informations. Évitez donc de tirer des conclusions hâtives en vous basant uniquement sur lui.

Mesures alternatives et complémentaires

Le coefficient de Gini n’est pas la seule mesure disponible des inégalités. Vous pouvez consulter une liste des indicateurs utilisés par le gouvernement américain sur le site du recensement des États-Unis.

Voyons quelques autres métriques qui apportent des éclairages complémentaires.

Indice de Theil

L’indice de Theil est un outil puissant pour décomposer l’inégalité en composantes intra-groupes et inter-groupes. Il permet une analyse plus fine, notamment lors de comparaisons entre régions, secteurs ou groupes démographiques. Il met en évidence les disparités au sein d’une population et montre comment l’inégalité évolue selon les groupes considérés. C’est précieux pour l’analyse de politiques publiques et l’identification de besoins d’actions ciblées.

Indice d’Atkinson

L’indice d’Atkinson se distingue par son attention portée au bas de la distribution des revenus. Contrairement au coefficient de Gini, il accorde davantage de poids aux variations affectant les plus modestes. Il est particulièrement utile pour déterminer où se situent les inégalités le long de la distribution et pour évaluer l’impact des politiques de lutte contre la pauvreté ou d’amélioration du bien-être des plus défavorisés.

Courbe de Lorenz

La courbe de Lorenz intervient dans le calcul du coefficient de Gini, mais c’est aussi un indicateur utile en soi.

Développée par Max Lorenz en 1905, elle offre une représentation visuelle de la distribution des revenus en montrant la part cumulée de revenu détenue par différents percentiles de la population. Tandis que le Gini condense l’inégalité en un seul nombre, la courbe de Lorenz donne une vue plus granulaire de la répartition des revenus. Cette ressource explique bien la relation entre courbe de Lorenz et coefficient de Gini : Lorenz Curve: Definition and Uses.

Conclusion

Des outils comme le coefficient de Gini sont précieux car ils offrent une synthèse simple d’une distribution complexe. Cette clarté aide les décideurs et les économistes à œuvrer pour des sociétés plus équitables.

Si vous souhaitez découvrir d’autres outils statistiques, explorez notre large catalogue de cours en statistiques. Si vous préférez comprendre comment l’argent fait tourner l’économie, découvrez la série Python for Finance de DataCamp ou suivez le parcours Applied Finance pour explorer le risque de crédit, les portefeuilles et plus encore. Nous proposons également des programmes de montée en compétences pour des équipes entières : contactez notre équipe DataCamp for Business.