Microsoft Word 1060-frontespizio doc

Intergenerational elasticities are useful summary measures, but they  may 

conceal interesting details about intergenerational mobility at different points of 

the distribution. Researchers have used different techniques to relax the linearity 

assumption, including spline, higher-order terms or  quantile regressions. 

Unfortunately, the sample size at our disposal prevents us from applying these 

techniques,  and we rely on more traditional and simpler transition matrices, 

dividing ancestors’ and descendants’ economic outcomes into  three classes, 

according to terciles (lower, middle and upper classes). In Table 5, we report the 

transition matrix referred to earnings. For those originating from the lower class, 

there are fairly similar opportunities to belong  to  one of the three destination 

classes. For those coming from the upper class, in contrast, the probability of 

falling down to the bottom of the economic ladder is relatively low. A similar “glass 

floor” is observed for the wealth transition matrix (Table 6); moreover, in this case, 

we also observe a “sticky floor”:  more than two  fifths of descendants from the 

lower class remain there after centuries. 

The results in Tables 3-6 suggest that the persistence of socioeconomic status 

in the long run is much higher  than previously thought. They are even more 

striking given the huge political, demographic and economic upheavals that have 

occurred in the city across the  centuries.  On the political ground, Florence has 

passed from the capital city of a small city-state (see Figure 2) to a city within a 

larger State (with the Italian unification in 1861), whose capital city is located 

elsewhere. Regarding demography, the population was fairly stable between 1400 

and 1800 and experienced a huge increase in the 19

th

  and 20

th

  centuries  (see 

Figure 3a). Finally, the GDP per capita was basically flat in the pre-industrial era, 

while it recorded an exceptionally high growth rate during the 20

th

 century (see 

Figure 3b), accompanied by the industrial revolution, the tertiarization, and finally, 

the technological revolution. 

One might wonder whether these results can be generalized to other 

societies. According to the evidence at our disposable, we argue that they can be 

thoughtfully extended to other advanced countries, presumably in  Western 

Europe, that share a similar long run development pattern with Florence. Indeed, 

Milanovic et al. (2011) showed that the gross domestic income per capita and the 

Gini index in Florence in 1427 were comparable to those of other pre-industrial 

societies for which we have data, such as England, Wales and Holland. Looking at 

more recent evidence, according to the Eurostat data, in 2013,  the purchasing 

power standard GDP per inhabitant in Tuscany was just slightly above the EU28 

average.  Moreover,  Güell et al. (2015a) provided  evidence on the degree of 

intergenerational mobility for all Italian provinces (the data are referred to 2005); 

according to their evidence, the (simulated) intergenerational income elasticity for 

15 

 

---

the province of Florence would be between 0.4 and 0.5, a figure that is slightly 

lower  than  that of Italy as a whole and broadly comparable with that of other 

advanced countries,  such as the  United States, the  United Kingdom and France 

(Corak, 2013).

9

  In sum, Florence  does not seem to be a  polar case in terms of 

economic development and (static and dynamic) inequality. 

 

5.  Robustness 

 

5.1   Imputation procedures and outliers 

 

Table  7  provides a first set of robustness checks. First,  we address  the 

imputation procedures. As far as earnings are concerned, the tax records, as is well 

known, may suffer from a severe underestimation due to tax evasion. In the first 

columns,  we upwardly revise the variables from the  tax records with the 

correction factors suggested by Marino and Zizza (2011).

10

  The results  are 

unchanged, and this may be explained by the fact that tax evasion is not correlated 

with the pseudo-ancestors’ earnings. As far as wealth is concerned, this variable is 

not directly observed in the 2011 tax records and has been obtained through an 

imputation process  based on the  real estate income. In the third column, we 

directly regress the real estate income on the ancestors’ wealth in order to avoid 

our results from being driven by our imputation procedure. The results are 

basically unchanged.  

Second, we address the sensitivity to outliers, as the distributions of earnings 

and wealth have long tails that might drive the results. In the second and fourth 

columns, we trim both the dependent variable and the key regressor at the 1% and 

the 99% levels, and we re-estimated equation (2): again, the estimates of positive 

and significant intergenerational elasticities are fully confirmed. 

 

5.2   Robustness of pseudo-links 

 

Our empirical strategy relies on the assumption that the probability that one 

9

 Güell et al. (2015a) do not estimate intergenerational elasticity, but the Informative Content of 

Surname (ICS) indicator that is monotonically related to the intergenerational elasticity. The 

reported figures have been obtained by mapping the ICS values into elasticities using Figure 2 in 

Güell et al. (2015b). See also Section 6.1 below.  

10

 Marino and Zizza (2011) compared incomes from tax records with those collected through the 

Survey of Household Income and Wealth. This approach is based on the hypothesis that,  as the 

survey questionnaire is multipurpose and replying is not compulsory, it is likely that respondents 

do not feel threatened or suspicious and would hence reply truthfully. On this basis, they provided, 

for each income type, a proxy of tax evasion (as measured by the difference between the income 

from the survey and the income from the fiscal source). 

16 

 

                                                           

---