收入不平等长期以来一直是经济和社会讨论的焦点。收入分配的差异影响着从政策决策到个体福祉的一切。那么，您是否想过我们如何实证地衡量不平等？一种方法是使用基尼系数。
基尼系数是量化不平等的有力指标。它广泛用于经济学、社会学和健康等多个领域。它主要用来衡量收入不平等，但也被改用于衡量财富分配，甚至医疗服务可及性等。基尼系数的优势在于能将复杂的数据集概括为一个数字。这个单一数值为比较不平等提供了清晰的视角。如果您想在开始之前温习统计学，请查看R中的统计推断。
什么是基尼系数？
基尼系数是用于评估数据集中不平等程度的统计指标。其取值范围为0到1，0表示完全平等，1表示完全不平等。基尼值为0意味着每个人的份额完全相等，而为1则意味着由一个人拥有全部。
上图展示了不同基尼系数的简化示例。在这三种情景中，都有10个人和$10,000。第一个示例中，资金完全平均分配，得到接近0的基尼系数。第二个示例中，基本存在两个阶层，上层阶层保留了绝大部分资金，这导致基尼系数接近0.5。第三个示例中，一人拥有全部资金，其余人口一无所有。这种极端不平等导致基尼系数接近1。
基尼系数的通用性使其适用于多种情境。通常，报告的基尼系数指的是收入不平等。然而，它也被用于衡量财富分配、消费不平等，甚至住房面积差异。
历史背景与当代重要性
基尼系数由意大利统计学家Corrado Gini于1912年在其关于变异性测量的开创性研究中提出。您可以在Corrado Gini (1884–1965): Versatile Originator of Measures of Variability中了解更多。
多年来，基尼系数不断发展，应用领域扩展至生态学、健康科学和教育等。例如，它被用于衡量生物多样性、医疗可及性和教育成就中的不平等。然而，其主要用途仍在经济领域，尤其是收入不平等方面。它是全球研究人员、政策制定者和分析师的重要工具。
通过提供可量化的不平等度量，基尼系数帮助政府和组织就资源配置、税收政策和社会福利项目作出明智决策。其简洁与清晰便于跨地区、跨时间的比较。
上图展示了若干大国的已知基尼系数随时间的变化。该图数据来自世界银行。图中的空白对应数据缺口，即世界银行在某些年份未获得足够的经济数据。
如何计算基尼系数
计算基尼系数的方法有很多，但主要有两类，两者都涉及将某种资源（如收入）的实际分配与完全平等分配进行比较。
Lorenz曲线法公式
基尼系数的连续形式可写为：
其中：
- L(x) 为Lorenz曲线，表示某变量（如收入）的累积占比，作为人口累积占比的函数。
- 积分用于计算Lorenz曲线下的面积。
Lorenz曲线展示变量的累积比例与人口的累积比例。基尼系数衡量Lorenz曲线与完全平等线（45度对角线）之间的偏离程度。
使用基于Lorenz曲线的公式
使用此公式计算基尼系数的过程相对直接。让我们通过一个示例逐步进行。
假设我们有一个包含5个人口的群体，收入分别为$10、$20、$30、$40和$50。
步骤1：整理数据
先将收入按从小到大排序。然后分别计算人口与其对应数值的累积百分比。
步骤2：计算累积总量
接下来，需要计算人口的收入累积占比。这些数值将帮助我们在下一步绘制Lorenz曲线。
以下是此时我们样本人口排序后的数据表现。
| 个人收入 | 累积收入（%） | 累积人口（%） |
|---|
| 10 | 6.7% | 20% |
| 20 | 40% | 30% |
| 40 | 60% | 40% |
| 66.7% | 80% | |
| 100% | 100% | |
步骤3：绘制Lorenz曲线
接着，我们将收入累积占比与人口累积占比作图，这就是Lorenz曲线。我们会添加一条45度线来表示完全平等。
上图展示了一个示例数据集的Lorenz曲线。虚线代表平等线，Lorenz曲线与平等线之间的阴影区域对应基尼系数。注意Lorenz曲线的尖角，这源于我们示例中人口规模较小。更大的样本规模会得到更平滑的Lorenz曲线。
步骤4：计算Lorenz曲线与平等线之间的面积
最后，我们使用该图来计算基尼系数。基尼系数与Lorenz曲线和平等线之间的面积成正比。通常，这会分几步计算完成。
首先，用数值积分方法（如梯形法则）计算Lorenz曲线下的面积。得到该值后，从平等线下的面积中减去它；对于归一化数据，平等线下的面积恒为0.5。最后，将结果乘以2，以反映不平等的完整度量。
在我们的示例中，基尼系数为0.27。
成对收入差异法
在处理小样本或离散数据集时，成对收入差异法是一种更合适的基尼系数计算方式。该方法避免了基于Lorenz曲线方法中固有的插值，直接通过比较数据中所有成对差异来度量不平等。
其公式如下，有时称为成对收入差异法：
其中：
- n 为观测值数量。
- xi 与 xj 为数据集中的个体取值。
- x 为数据集的均值。
该公式通过比较数据集中所有成对取值，计算相对平均差。
此方法无需作图，直接从数据计算基尼系数。它考察所有可能的成对差异，并与平均值进行比较。
使用成对差异法
我们再次以示例人口演示：5个人，收入分别为$10、$20、$30、$40和$50。
步骤1：整理数据
从已排序的收入数据集开始。
步骤2：计算成对差异
对于每一对取值 xi 与 xj，计算两者差值的绝对值 xi-xj。
步骤3：求和差异
将所有成对差值的绝对值相加。对我们的示例数据而言，差值之和为400
步骤4：归一化结果
最后，将所有成对差异之和除以 2n2x，其中n为数据点数量，x 为数据集均值。此步骤将得到最终的基尼系数。
数据点数量（n）= 5
数据集均值 (x)= 10 + 20 + 30 + 40 + 505=30
对成对差异之和进行归一化：
给定示例数据集的基尼系数约为0.27。
您可以通过这些项目亲自尝试衡量碳排放或篮球分析中的不平等。
解读基尼系数的取值
除非另有说明，基尼系数几乎总是指收入不平等。其取值范围为0到1，0代表完全平等（每个人收入完全相同），1代表完全不平等（由一人掌握全部收入，其他人一无所有）。介于这两个极端之间的数值可反映一个群体内部的收入差距程度。
注意： 一些来源会将该值乘以100，得到范围为0–100的基尼系数。
较低的基尼系数表示收入分配相对均等，通常与采取强力再分配政策的国家相关。相反，较高的基尼系数反映显著的收入差距，可能带来诸如社会动荡或经济流动性下降等挑战。
然而，对这些数值的解读取决于语境。在发达国家，高基尼值可能反映因劳动保护削弱、对富人有利的税收政策或高速增长行业的工资差距而导致的不平等上升。低基尼值则可能表明强有力的福利项目（如全民医疗、可负担教育或累进税制）减少了差距。
在发展中国家，高基尼值可能凸显出由土地高度集中、教育机会有限或非正规、无监管的劳动力市场导致的差距。相反，低基尼值可能表明通过公平政策（如改善受教育机会、扶贫举措或农业改革）取得的进展。
基尼系数的应用
经济学家、政府和社会学家等都会使用基尼系数。其应用包括：
基尼系数的地理分布趋势
斯堪的纳维亚国家因强大的社会项目和再分配政策而著名地拥有较低的基尼值（<0.30）。美国、中国和俄罗斯的基尼值均为中等（介于0.35与0.41之间），在收入与财富之间存在显著差距。南非以较高的基尼值（约0.63）而著称，凸显出由历史与结构性因素驱动的严重收入不平等。
您可以在DataCamp的DataLab中试验经济数据。只需上传您感兴趣的数据并开始探索！
上图是根据世界银行对若干有代表性的国家最新的基尼系数估计所绘制的图表。您可以在世界银行自行探索这些数据。
时间趋势
全球化与技术进步塑造了全球范围内的基尼趋势。新兴经济体在快速工业化过程中，常因财富集中于特定部门而经历不平等上升。相比之下，发达国家的税后基尼值通常更低，反映出再分配税制和健全社会福利体系的影响。
世界银行跟踪全球各国的基尼系数。上图展示了过去二十年间低与高基尼系数国家所占比例的变化。他们将高不平等定义为基尼系数高于40。图源：Inside the World Bank’s new inequality indicator: The number of countries with high inequality。
政策的作用
政策是一个国家基尼系数的重要决定因素。拥有健全福利体系（如全民医疗、免费或补贴教育、失业救济）的国家，往往报告较低的基尼值。这些项目有助于再分配资源，缩小高收入与低收入群体之间的差距。请参阅这篇研究文章：Welfare type and income inequality: an income source decomposition including in-kind benefits and cash-transfers entitlement。
税制同样发挥作用。累进税制（高收入者缴纳其收入中更高比例的税）在降低不平等方面尤其有效。相反，累退税结构或税收执法不力会加剧差距。您可以阅读美国财政部的这份文件，了解累进税政策如何降低美国的不平等：Reducing Income Inequality through Progressive Tax Policy: The Effects of Recent Tax Changes on Inequality。
促进机会公平获取的政策（如劳动保护、最低工资法和可负担住房举措）可随时间降低基尼值。缺乏这些干预时，结构性不平等往往会持续存在，尤其是在治理薄弱或社会项目不发达的地区。请查看有关工会是否有助于减少差距的讨论。
局限与批评
尽管基尼系数被广泛使用，但在解读其结果时必须考虑一些局限性。
其一是对数据质量的敏感性。数据不一致或不完整，尤其在存在非正规经济或未记录收入的地区，可能导致结论失真。这会使基尼值偏离，并影响基于该数据制定的政策决策。为弥补部分差异，世界银行等机构在收入数据不足时，会以消费作为收入的替代指标。然而，即便这类调整也存在局限。
此外，常见的基尼系数呈现主要聚焦于收入不平等。这意味着它未能涵盖不平等的其他重要维度，如受教育机会、医疗可及性或社会流动性。如此狭窄的关注可能过于简化社会不平等的全貌。您可以用基尼系数衡量其他形式的不平等，但大多数时候并非如此使用。
更具风险的是，基尼系数可能对不同的收入分布给出相同的数值，从而掩盖了不平等中重要的差异。两个社会拥有相同的基尼值，但其收入结构可能截然不同。
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)技术支持
Gini coefficient for distribution 1: 0.83Gini coefficient for distribution 2: 0.83技术支持
在上述示例中，一个拥有中产阶级的群体与一个没有中产阶级的群体，其基尼系数相同。这说明了为何基尼系数需要结合背景来解读：它并不展示潜在的分布结构。
请记住，基尼系数只是将大量底层信息压缩为一个数字。因此，切勿仅凭基尼系数作出武断判断。
替代与互补指标
基尼系数并非衡量不平等的唯一指标。您可以在美国人口普查局网站查看美国政府使用的不平等指标列表。
下面介绍几种可提供更多洞见的度量。
泰尔指数（Theil Index）
泰尔指数可将不平等分解为组内与组间差异，从而实现更细致的分析，尤其适用于比较不同地区、行业或人群。它能凸显群体内部的差距，并展示在考虑不同群体时不平等如何变化。这使其对政策分析和识别需要定向干预的领域颇具价值。
阿特金森指数（Atkinson Index）
阿特金森指数的独特之处在于关注收入分布的低端。不同于基尼系数，阿特金森指数对社会中最贫困群体收入变化赋予更高权重。它特别有助于判断不平等主要发生在分布的哪个部分。该指数常用于评估旨在减少贫困或改善最不利群体福祉的政策影响。
Lorenz曲线
Lorenz曲线是计算基尼系数的一部分，但它本身也是有用的指标。
由Max Lorenz于1905年提出，Lorenz曲线提供了收入分配的可视化表示，展示不同人口百分位所拥有的收入累积份额。虽然基尼系数将不平等浓缩为一个数字，Lorenz曲线则提供了更细粒度的视角，展示收入在群体中的分布状况。我认为这篇关于Lorenz曲线与基尼系数的讨论很有意思：Lorenz Curve: Definition and Uses。
结语
像基尼系数这样的工具之所以具有影响力，是因为它们能对复杂分布进行简明提炼。这种清晰度有助于引导政策制定者和经济学家致力于建设更公平的社会。
如果您想了解更多统计工具，请查看我们的统计学课程系列。若您更感兴趣于金钱如何推动世界运转，请探索DataCamp的金融Python入门课程，或查看其应用金融学习路径，深入信用风险、投资组合等概念。若您希望为整个团队同时提升技能，也可与我们的DataCamp for Business团队联系。
收入不平等长期以来一直是经济和社会讨论的焦点。收入分配的差异影响着从政策决策到个体福祉的一切。那么，您是否想过我们如何实证地衡量不平等？一种方法是使用基尼系数。
基尼系数是量化不平等的有力指标。它广泛用于经济学、社会学和健康等多个领域。它主要用来衡量收入不平等，但也被改用于衡量财富分配，甚至医疗服务可及性等。基尼系数的优势在于能将复杂的数据集概括为一个数字。这个单一数值为比较不平等提供了清晰的视角。如果您想在开始之前温习统计学，请查看R中的统计推断。
什么是基尼系数？
基尼系数是用于评估数据集中不平等程度的统计指标。其取值范围为0到1，0表示完全平等，1表示完全不平等。基尼值为0意味着每个人的份额完全相等，而为1则意味着由一个人拥有全部。
上图展示了不同基尼系数的简化示例。在这三种情景中，都有10个人和$10,000。第一个示例中，资金完全平均分配，得到接近0的基尼系数。第二个示例中，基本存在两个阶层，上层阶层保留了绝大部分资金，这导致基尼系数接近0.5。第三个示例中，一人拥有全部资金，其余人口一无所有。这种极端不平等导致基尼系数接近1。
基尼系数的通用性使其适用于多种情境。通常，报告的基尼系数指的是收入不平等。然而，它也被用于衡量财富分配、消费不平等，甚至住房面积差异。
历史背景与当代重要性
基尼系数由意大利统计学家Corrado Gini于1912年在其关于变异性测量的开创性研究中提出。您可以在Corrado Gini (1884–1965): Versatile Originator of Measures of Variability中了解更多。
多年来，基尼系数不断发展，应用领域扩展至生态学、健康科学和教育等。例如，它被用于衡量生物多样性、医疗可及性和教育成就中的不平等。然而，其主要用途仍在经济领域，尤其是收入不平等方面。它是全球研究人员、政策制定者和分析师的重要工具。
通过提供可量化的不平等度量，基尼系数帮助政府和组织就资源配置、税收政策和社会福利项目作出明智决策。其简洁与清晰便于跨地区、跨时间的比较。
上图展示了若干大国的已知基尼系数随时间的变化。该图数据来自世界银行。图中的空白对应数据缺口，即世界银行在某些年份未获得足够的经济数据。
如何计算基尼系数
计算基尼系数的方法有很多，但主要有两类，两者都涉及将某种资源（如收入）的实际分配与完全平等分配进行比较。
Lorenz曲线法公式
基尼系数的连续形式可写为：
其中：
Lorenz曲线展示变量的累积比例与人口的累积比例。基尼系数衡量Lorenz曲线与完全平等线（45度对角线）之间的偏离程度。
使用基于Lorenz曲线的公式
使用此公式计算基尼系数的过程相对直接。让我们通过一个示例逐步进行。
假设我们有一个包含5个人口的群体，收入分别为$10、$20、$30、$40和$50。
步骤1：整理数据
先将收入按从小到大排序。然后分别计算人口与其对应数值的累积百分比。
步骤2：计算累积总量
接下来，需要计算人口的收入累积占比。这些数值将帮助我们在下一步绘制Lorenz曲线。
以下是此时我们样本人口排序后的数据表现。
步骤3：绘制Lorenz曲线
接着，我们将收入累积占比与人口累积占比作图，这就是Lorenz曲线。我们会添加一条45度线来表示完全平等。
上图展示了一个示例数据集的Lorenz曲线。虚线代表平等线，Lorenz曲线与平等线之间的阴影区域对应基尼系数。注意Lorenz曲线的尖角，这源于我们示例中人口规模较小。更大的样本规模会得到更平滑的Lorenz曲线。
步骤4：计算Lorenz曲线与平等线之间的面积
最后，我们使用该图来计算基尼系数。基尼系数与Lorenz曲线和平等线之间的面积成正比。通常，这会分几步计算完成。
首先，用数值积分方法（如梯形法则）计算Lorenz曲线下的面积。得到该值后，从平等线下的面积中减去它；对于归一化数据，平等线下的面积恒为0.5。最后，将结果乘以2，以反映不平等的完整度量。
在我们的示例中，基尼系数为0.27。
成对收入差异法
在处理小样本或离散数据集时，成对收入差异法是一种更合适的基尼系数计算方式。该方法避免了基于Lorenz曲线方法中固有的插值，直接通过比较数据中所有成对差异来度量不平等。
其公式如下，有时称为成对收入差异法：
其中：
该公式通过比较数据集中所有成对取值，计算相对平均差。
此方法无需作图，直接从数据计算基尼系数。它考察所有可能的成对差异，并与平均值进行比较。
使用成对差异法
我们再次以示例人口演示：5个人，收入分别为$10、$20、$30、$40和$50。
步骤1：整理数据
从已排序的收入数据集开始。
步骤2：计算成对差异
对于每一对取值 xi 与 xj，计算两者差值的绝对值 xi-xj。
步骤3：求和差异
将所有成对差值的绝对值相加。对我们的示例数据而言，差值之和为400
步骤4：归一化结果
最后，将所有成对差异之和除以 2n2x，其中n为数据点数量，x 为数据集均值。此步骤将得到最终的基尼系数。
数据点数量（n）= 5
数据集均值 (x)= 10 + 20 + 30 + 40 + 505=30
对成对差异之和进行归一化：
给定示例数据集的基尼系数约为0.27。
您可以通过这些项目亲自尝试衡量碳排放或篮球分析中的不平等。
解读基尼系数的取值
除非另有说明，基尼系数几乎总是指收入不平等。其取值范围为0到1，0代表完全平等（每个人收入完全相同），1代表完全不平等（由一人掌握全部收入，其他人一无所有）。介于这两个极端之间的数值可反映一个群体内部的收入差距程度。
注意： 一些来源会将该值乘以100，得到范围为0–100的基尼系数。
较低的基尼系数表示收入分配相对均等，通常与采取强力再分配政策的国家相关。相反，较高的基尼系数反映显著的收入差距，可能带来诸如社会动荡或经济流动性下降等挑战。
然而，对这些数值的解读取决于语境。在发达国家，高基尼值可能反映因劳动保护削弱、对富人有利的税收政策或高速增长行业的工资差距而导致的不平等上升。低基尼值则可能表明强有力的福利项目（如全民医疗、可负担教育或累进税制）减少了差距。
在发展中国家，高基尼值可能凸显出由土地高度集中、教育机会有限或非正规、无监管的劳动力市场导致的差距。相反，低基尼值可能表明通过公平政策（如改善受教育机会、扶贫举措或农业改革）取得的进展。
基尼系数的应用
经济学家、政府和社会学家等都会使用基尼系数。其应用包括：
基尼系数的地理分布趋势
斯堪的纳维亚国家因强大的社会项目和再分配政策而著名地拥有较低的基尼值（<0.30）。美国、中国和俄罗斯的基尼值均为中等（介于0.35与0.41之间），在收入与财富之间存在显著差距。南非以较高的基尼值（约0.63）而著称，凸显出由历史与结构性因素驱动的严重收入不平等。
您可以在DataCamp的DataLab中试验经济数据。只需上传您感兴趣的数据并开始探索！
上图是根据世界银行对若干有代表性的国家最新的基尼系数估计所绘制的图表。您可以在世界银行自行探索这些数据。
时间趋势
全球化与技术进步塑造了全球范围内的基尼趋势。新兴经济体在快速工业化过程中，常因财富集中于特定部门而经历不平等上升。相比之下，发达国家的税后基尼值通常更低，反映出再分配税制和健全社会福利体系的影响。
世界银行跟踪全球各国的基尼系数。上图展示了过去二十年间低与高基尼系数国家所占比例的变化。他们将高不平等定义为基尼系数高于40。图源：Inside the World Bank’s new inequality indicator: The number of countries with high inequality。
政策的作用
政策是一个国家基尼系数的重要决定因素。拥有健全福利体系（如全民医疗、免费或补贴教育、失业救济）的国家，往往报告较低的基尼值。这些项目有助于再分配资源，缩小高收入与低收入群体之间的差距。请参阅这篇研究文章：Welfare type and income inequality: an income source decomposition including in-kind benefits and cash-transfers entitlement。
税制同样发挥作用。累进税制（高收入者缴纳其收入中更高比例的税）在降低不平等方面尤其有效。相反，累退税结构或税收执法不力会加剧差距。您可以阅读美国财政部的这份文件，了解累进税政策如何降低美国的不平等：Reducing Income Inequality through Progressive Tax Policy: The Effects of Recent Tax Changes on Inequality。
促进机会公平获取的政策（如劳动保护、最低工资法和可负担住房举措）可随时间降低基尼值。缺乏这些干预时，结构性不平等往往会持续存在，尤其是在治理薄弱或社会项目不发达的地区。请查看有关工会是否有助于减少差距的讨论。
局限与批评
尽管基尼系数被广泛使用，但在解读其结果时必须考虑一些局限性。
其一是对数据质量的敏感性。数据不一致或不完整，尤其在存在非正规经济或未记录收入的地区，可能导致结论失真。这会使基尼值偏离，并影响基于该数据制定的政策决策。为弥补部分差异，世界银行等机构在收入数据不足时，会以消费作为收入的替代指标。然而，即便这类调整也存在局限。
此外，常见的基尼系数呈现主要聚焦于收入不平等。这意味着它未能涵盖不平等的其他重要维度，如受教育机会、医疗可及性或社会流动性。如此狭窄的关注可能过于简化社会不平等的全貌。您可以用基尼系数衡量其他形式的不平等，但大多数时候并非如此使用。
更具风险的是，基尼系数可能对不同的收入分布给出相同的数值，从而掩盖了不平等中重要的差异。两个社会拥有相同的基尼值，但其收入结构可能截然不同。
在上述示例中，一个拥有中产阶级的群体与一个没有中产阶级的群体，其基尼系数相同。这说明了为何基尼系数需要结合背景来解读：它并不展示潜在的分布结构。
请记住，基尼系数只是将大量底层信息压缩为一个数字。因此，切勿仅凭基尼系数作出武断判断。
替代与互补指标
基尼系数并非衡量不平等的唯一指标。您可以在美国人口普查局网站查看美国政府使用的不平等指标列表。
下面介绍几种可提供更多洞见的度量。
泰尔指数（Theil Index）
泰尔指数可将不平等分解为组内与组间差异，从而实现更细致的分析，尤其适用于比较不同地区、行业或人群。它能凸显群体内部的差距，并展示在考虑不同群体时不平等如何变化。这使其对政策分析和识别需要定向干预的领域颇具价值。
阿特金森指数（Atkinson Index）
阿特金森指数的独特之处在于关注收入分布的低端。不同于基尼系数，阿特金森指数对社会中最贫困群体收入变化赋予更高权重。它特别有助于判断不平等主要发生在分布的哪个部分。该指数常用于评估旨在减少贫困或改善最不利群体福祉的政策影响。
Lorenz曲线
Lorenz曲线是计算基尼系数的一部分，但它本身也是有用的指标。
由Max Lorenz于1905年提出，Lorenz曲线提供了收入分配的可视化表示，展示不同人口百分位所拥有的收入累积份额。虽然基尼系数将不平等浓缩为一个数字，Lorenz曲线则提供了更细粒度的视角，展示收入在群体中的分布状况。我认为这篇关于Lorenz曲线与基尼系数的讨论很有意思：Lorenz Curve: Definition and Uses。
结语
像基尼系数这样的工具之所以具有影响力，是因为它们能对复杂分布进行简明提炼。这种清晰度有助于引导政策制定者和经济学家致力于建设更公平的社会。
如果您想了解更多统计工具，请查看我们的统计学课程系列。若您更感兴趣于金钱如何推动世界运转，请探索DataCamp的金融Python入门课程，或查看其应用金融学习路径，深入信用风险、投资组合等概念。若您希望为整个团队同时提升技能，也可与我们的DataCamp for Business团队联系。