Se, come è vero, la scienza dell’economia – come la costruzione europea, secondo la celebre frase di Jean Monnet – è forgiata dalle crisi, dette crisi hanno portato, fra l’altro, a grosse innovazioni sia nella pratica che nella grammatica dell’economia.
Per quest’ultima, dopo i due grandi ‘cigni neri’ di questo primo scorcio del XX° secolo – la Grande recessione del 2008-2009 prima, e la pandemia del 2020-20?? poi – gli economisti dovettero chinarsi dapprima su quella scivolosa cerniera che unisce la finanza all’economia, e poi sui modi di rianimare l’attività̀ nei Paesi in lockdown.
Ma c’è anche un filo rosso che unisce i due devastanti episodi: si tratta dell’aumento delle diseguaglianze, che sono cresciute sia con il primo che con il secondo ‘cigno nero’.
E non basta: un secondo filo rosso descrive l’esigenza di rendere più̀ tempestive le analisi dei fenomeni economici.
Queste crisi andarono a stingersi così rapidamente nello spazio e nel tempo che di- ventava imbarazzante guidare guardando nello specchietto retrovisore, come succede di solito, dato il ritardo delle statistiche nel tastare il polso delle economie. Così, sono andati diffondendosi altri ricorsi a dati ‘in tempo reale’. La frequenza di certe parole nell’universo del web, le prenota- zioni nei ristoranti, la mobilità (trasporti aerei e terrestri…), e chi più̀ ne ha più̀ ne metta.
Un recente studio del National Bureau of Economic Research (Real Time Inequality, di Thomas Blanchet, Emmanuel Saez e Gabriel Zucman – Working Paper 30229) ha messo assieme due di questi nuovi campi di indagini: lo studio delle diseguaglianze e l’analisi tempestiva dei dati. Certamente, nel titolo dello studio (Diseguaglianze in tempo reale) il ‘tempo reale’ forse è un po’ esagerato, nel senso che i dati non portano a risultati così tempestivi come, ad esempio, i dati giornalieri sui passeggeri trasportati.
Ma è vero che fino a oggi le diseguaglianze erano un fenomeno strutturale, per il quale, a differenza dell’analisi congiunturale, i dati erano disponibili solo a distanza di molto tempo. Come hanno fatto gli autori a ridurre la tempestività̀ a solo un trimestre di distanza? Intanto, hanno limitato l’analisi agli Stati Uniti, un Paese che ha un apparato statistico particolarmente robusto. Poi, hanno costruito dapprima, e verificato sul campo poi, un modello per collegare una serie di dati a frequenza mensile e trimestrale alle coorti delle distribuzioni del reddito. I dati utilizzati sono, a livello mensile, le rilevazioni su consumi e reddito disponibile (a sua volta declinato nel reddito dei fattori – capitale e lavoro – e nel reddito positivo da trasferimenti e negativo da tasse e contributi); e, a livello trimestrale, i censimenti trimestrali di occupazione e salari, oltre ai dati di contabilità̀ nazionale, che in America hanno un ineguagliato livello di dettaglio.
Questa metodologia permette di monitorare gli andamenti dei redditi per classi di reddito, etnicità̀ e genere, in coerenza con i dati di contabilità̀ nazionale, e di valutare gli effetti delle politiche redistributive (trasferimenti e imposte) in ‘tempo reale’ (vedi i caveat di cui sopra). Il modello è stato validato con successo simulandolo retroattivamente a partire dal 1976, e confrontando i risultati con i dati effettivi, che però sono disponibili, come detto, solo con molto ritardo.
Allora, che cosa ci dicono le proiezioni del modello, che arrivano fino al marzo 2022? Primo, tutte le coorti di reddito – il 10% più̀ ricco, il seguente 40% ‘medio’ e il 50% più̀ povero – avevano riguadagnato (in termini di reddito dei fattori) il livello pre-crisi entro 20 mesi dall’inizio della recessione. Se aggiungiamo trasferimenti e tasse, i risultati sono ancora migliori: il 50% meno ricco nel 2021 ha rag- giunto un reddito disponibile reale più̀ alto del 20% rispetto al pre-crisi. Insomma, in America il supporto all’economia ha funzionato, sia per quantità̀ che per qualità̀. I timori ora sono sull’inflazione e sulla capacità dei redditi di proteggere il potere d’acquisto.
