Són tan emergents les potències emergents? Una mirada crítica des dels indicadors socioeconòmics
La noció de “potència emergent” s’ha consolidat com una categoria habitual en les relacions internacionals per designar aquells estats que han incrementat de manera significativa el seu pes econòmic, demogràfic i geopolític. Tanmateix, aquesta classificació sovint es basa en indicadors agregats que no sempre són tan objectius, complets o fiables com aparenten ser. Per aquest motiu, la pregunta sobre si les potències emergents són realment tan emergents no es pot respondre només observant taxes de creixement o magnituds absolutes de PIB, sinó també examinant críticament la qualitat de les dades que sostenen aquest relat.
Qualsevol aproximació rigorosa a aquesta qüestió exigeix distingir entre conceptualització, operacionalització i mesura, i avaluar les dades a partir de criteris de validesa, fiabilitat i transparència (Mas, n.d.)Això és especialment rellevant quan s’utilitzen indicadors socioeconòmics per classificar països dins del sistema internacional. La idea que un estat “emergeix” no depèn només de la realitat material que es vol descriure, sinó també de com aquesta realitat és capturada estadísticament. Quan les dades són incompletes, opaques o políticament condicionades, la categoria analítica esdevé molt més discutible.
Dins d’aquests indicadors, el PIB ocupa una posició central. Tot i això, el seu ús com a sinònim de desenvolupament o de poder presenta limitacions importants. El PIB per càpita resumeix l’ingrés mitjà, però no informa adequadament sobre la distribució de la renda, la desigualtat o la concentració de la riquesa (Mas, 2021) . Això implica que una economia pot registrar un fort creixement agregat i, alhora, mantenir desigualtats internes profundes, dèficits socials o fragilitats institucionals. En conseqüència, la idea d’“emergència” no hauria de deduir-se automàticament d’un únic indicador macroeconòmic, especialment si aquest indicador s’utilitza de manera aïllada i acrítica.
Aquesta prevenció esdevé encara més necessària quan hi ha indicis que les estadístiques oficials poden estar esbiaixades. S’ha argumentat que, en règims més autoritaris, les xifres oficials de creixement tendeixen a aparèixer artificialment inflades quan es comparen amb indicadors externs difícils de manipular, com la lluminositat nocturna observada per satèl·lit. Les estimacions apunten que, en els règims més autoritaris, el creixement anual del PIB podria estar exagerat en una proporció d’entre 1,15 i 1,3 vegades (Martínez, 2021). Aquest tipus d’evidència és especialment rellevant perquè suggereix que les dades econòmiques no sempre són meres eines descriptives, sinó també instruments polítics. Quan els governs tenen incentius per projectar imatges d’èxit econòmic, les estadístiques poden convertir-se en un recurs de legitimació interna i externa.
El cas de la Xina és especialment il·lustratiu. Diverses anàlisis han assenyalat inconsistències en les dades demogràfiques oficials, especialment en relació amb els censos, els naixements i l’evolució real de la població. Les revisions estadístiques, els retards en la publicació de dades i les discrepàncies entre registres administratius i xifres oficials han alimentat el dubte sobre la magnitud real del creixement demogràfic i sobre el moment en què la població xinesa hauria començat a disminuir(Fuxian, 2021) (Fuxian, 2022) (Lowsen, 2022). Això no implica negar la importància econòmica o geopolítica de la Xina, però sí obliga a relativitzar la solidesa empírica d’alguns dels indicadors que han sustentat el relat del seu ascens. Si una part del prestigi internacional d’un estat descansa en dades poc transparents, la seva condició de potència emergent és, en part, també una construcció estadística.
El cas de l’Índia mereix una atenció especial, perquè sovint s’ha presentat com la gran potència emergent democràtica del segle XXI. El seu creixement econòmic, el seu pes demogràfic i la seva projecció internacional han reforçat aquesta imatge. No obstant això, aquest relat també s’ha vist qüestionat per problemes creixents en la producció i difusió de dades públiques. S’ha denunciat la politització dels òrgans estadístics, la modificació de metodologies de càlcul del creixement, la retirada d’enquestes que mostraven caigudes del consum i augments de la pobresa rural, i l’ajornament del cens previst per al 2021, fet que ha deixat el país sense dades bàsiques actualitzades sobre població, ocupació i condicions de vida (Ghosh, 2025).
Per tant, un estat pot créixer, guanyar pes internacional i augmentar la seva influència regional o global, però si al mateix temps debilita els mecanismes de producció de dades fiables, també debilita la base empírica sobre la qual es construeix la seva imatge d’èxit. Això és especialment rellevant en un context internacional en què els rànquings, els indicadors i les comparacions numèriques tenen una enorme capacitat per definir prestigi, legitimitat i poder simbòlic (Cooley & Snyder, 2015)
En conclusió, les potències emergents sí que són emergents, però no necessàriament en la mesura ni de la manera que indiquen les estadístiques oficials. El problema no és només econòmic, sinó també metodològic i polític. Sense dades vàlides, fiables i transparents, el relat de l’emergència pot exagerar-se, simplificar-se o fins i tot instrumentalitzar-se. En aquest sentit, l’Índia exemplifica molt bé aquesta tensió: el seu ascens internacional és real, però la solidesa d’aquesta emergència depèn també de la solidesa de les dades amb què es vol demostrar.
Referències
Cooley, A., & Snyder, J. (2015). Rank Has Its Privileges: How International Ratings Dumb Down Global Governance. Foreign Affairs, 94(6), 101–108.
Fuxian, Y. (2021, August 5). China’s Demographic Manipulation. Project Syndicate.
Fuxian, Y. (2022, July 27). Leaked Data Show China’s Population Is Shrinking Fast. Project Syndicate.
Ghosh, J. (2025, February 14). Weaponizing Data Against Democracy. Project Syndicate.
Lowsen, B. (2022, March 1). How Reliable Are China’s Statistics? The Diplomat.
Martínez, L. R. (2021). How Much Should We Trust the Dictator’s GDP Growth Estimates? Journal of Political Economy, 130(10).
Mas, J. (n.d.). Fonts d’Informació i Indicadors per a Estudis Internacionals. FUOC.
Mas, J. (2021). Indicadors socioeconòmics. FUOC.
library(wbstats)Warning: package 'wbstats' was built under R version 4.4.3library(wbstats)
library(dplyr)Warning: package 'dplyr' was built under R version 4.4.2
Attaching package: 'dplyr'The following objects are masked from 'package:stats':
filter, lagThe following objects are masked from 'package:base':
intersect, setdiff, setequal, unionlibrary(ggplot2)Warning: package 'ggplot2' was built under R version 4.4.2library(scales)wb_search("slum") |>
select(indicator_id, indicator) |>
distinct()# A tibble: 11 × 2
indicator_id indicator
<chr> <chr>
1 EN.POP.SLUM.UR.ZS Population living in slums (% of urban popul…
2 IN.POV.HH.SLUMS.NUM Households in Slums (Number)
3 IN.POV.LIT.RAT.SLUMS.FEMALE.PCT Literacy Rate in Slums-Female (%)
4 IN.POV.LIT.RAT.SLUMS.MALE.PCT Literacy Rate in Slums - Male (%)
5 IN.POV.LIT.RAT.SLUMS.TOTL.PCT Literacy Rate in Slums - Total (%)
6 IN.POV.SLUM.POP.FEMALE.NUM Total Slum Population - Female (Number)
7 IN.POV.SLUM.POP.MALE.NUM Total Slum Population - Male (Number)
8 IN.POV.SLUM.POP.TOTL.NUM Total Slum Population (Number)
9 IN.POV.WORKERS.SLUMS.FEMALE.NUM Total Workers in Slums - Female (Number)
10 IN.POV.WORKERS.SLUMS.MALE.NUM Total Workers in Slums - Male (Number)
11 IN.POV.WORKERS.SLUMS.TOTL.NUM Total Workers in Slums (Number) slum <- wb_data(
indicator = "EN.POP.SLUM.UR.ZS",
start_date = 2020,
end_date = 2020
)View(slum)continents <- tibble(
country = c("Nigeria", "India", "Brazil", "Mexico", "Turkiye", "Papua New Guinea",
"Kenya", "Philippines", "Peru", "Haiti", "Belgium", "Fiji"),
continent = c("Àfrica", "Àsia", "Amèrica del Sud", "Amèrica del Nord", "Europa", "Oceania",
"Àfrica", "Àsia", "Amèrica del Sud", "Amèrica del Nord", "Europa", "Oceania")
)slum_continents <- slum |>
left_join(continents, by = "country") |>
filter(!is.na(continent)) |>
filter(!is.na(EN.POP.SLUM.UR.ZS)) |>
group_by(continent) |>
slice(1) |>
ungroup()slum_continents# A tibble: 6 × 10
iso2c iso3c country date EN.POP.SLUM.UR.ZS unit obs_status footnote
<chr> <chr> <chr> <dbl> <dbl> <chr> <chr> <chr>
1 HT HTI Haiti 2020 48.9 <NA> <NA> <NA>
2 PE PER Peru 2020 43.7 <NA> <NA> <NA>
3 BE BEL Belgium 2020 0 <NA> <NA> <NA>
4 FJ FJI Fiji 2020 9.4 <NA> <NA> <NA>
5 KE KEN Kenya 2020 50.8 <NA> <NA> <NA>
6 PH PHL Philippines 2020 36.6 <NA> <NA> <NA>
# ℹ 2 more variables: last_updated <date>, continent <chr>ggplot(slum_continents,
aes(x = reorder(country, EN.POP.SLUM.UR.ZS),
y = EN.POP.SLUM.UR.ZS,
fill = continent)) +
geom_col(show.legend = FALSE) +
coord_flip() +
scale_y_continuous(labels = label_number(suffix = "%")) +
labs(
title = "Població que viu en faveles, 2020",
subtitle = "Percentatge de població urbana que viu en slums/faveles",
x = "País",
y = "% de població urbana",
caption = "Font: Banc Mundial (indicador EN.POP.SLUM.UR.ZS)"
) +
theme_minimal()