Skip to content
بازگشت به نتایج جست‌وجو

شبیه‌سازی خرد — مدل‌سازی سیاست در سطح فردی

معرفی‌شده توسط
Guy Orcutt (concept, 1957); modern tax-transfer frameworks developed through EUROMOD and related projects
سال
1957
نوع
Policy simulation / computational social science

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

شبیه‌سازی خرد یک روش محاسباتی است که با عملیات مستقیم بر روی جمعیتی از واحدهای خرد فردی — خانوارها، شرکت‌ها، بیماران — و اعمال قوانین برای هر واحد بر اساس ویژگی‌های جمعیتی، اقتصادی و رفتاری خاص خود، اثرات سیاست را شبیه‌سازی می‌کند. این روش که از نظر مفهومی در سال ۱۹۵۷ توسط گای اورکات توسعه یافت، به ابزار استانداردی برای ارزیابی اصلاحات مالیاتی، سیستم‌های بازنشستگی و سیاست بهداشت و درمان قبل از اجرا تبدیل شده است.

شهود پشت روش

بیشتر مسائل سیاستی در واقع سؤالاتی درباره افراد ناهمگن هستند، نه درباره میانگین‌ها. یک اصلاح مالیات یکنواخت، تأثیر بسیار متفاوتی بر یک والد مجرد کم‌درآمد نسبت به یک زوج پردرآمد دارد، و این تفاوت‌ها برای درک اینکه چه کسی برنده می‌شود، چه کسی بازنده می‌شود و هزینه کلی چقدر خواهد بود، اهمیت دارند. شبیه‌سازی خرد با حفظ جمعیت به عنوان مجموعه‌ای از رکوردهای فردی و اجرای قوانین سیاستی رکورد به رکورد — دقیقاً همانطور که یک مرجع مالیاتی انجام می‌دهد — به جای تغذیه کل‌های تجمعی به یک مدل کلان، این موضوع را در بر می‌گیرد. نتیجه، تصویری غنی و واحد به واحد از تأثیر توزیعی است که مدل‌های تجمعی قادر به تولید آن نیستند.

تاریخ

بنیان‌های مفهومی شبیه‌سازی خرد توسط گای اورکات در مقاله‌ای در سال ۱۹۵۷ در مجله American Economic Review پایه‌گذاری شد، جایی که او استدلال کرد که مدل‌های اقتصادی باید بر روی خانوارها و شرکت‌های فردی که در واقع تصمیم‌گیری می‌کنند، عمل کنند، نه بر روی مقادیر تجمعی. شبیه‌سازی خرد مالیات-مزایای ایستا در دهه‌های ۱۹۸۰ و ۱۹۹۰ با مدل‌های دولتی در بسیاری از کشورها گسترش یافت. مدل EUROMOD (Sutherland & Figari, 2013) یک شبیه‌سازی خرد مالیات-مزایای هماهنگ و بین‌کشوری برای کشورهای اتحادیه اروپا ایجاد کرد. شبیه‌سازی خرد پویا — که جمعیت را با استفاده از معادلات انتقال جمعیتی و رفتاری در طول زمان سن‌دهی می‌کند — به موازات آن توسعه یافت، با مدل‌هایی مانند LIAM2 که زیرساخت منبع باز را فراهم می‌کردند. کتابچه راهنمای مدل‌سازی شبیه‌سازی خرد (O'Donoghue, 2014) یک بررسی جامع از هر دو شاخه ارائه می‌دهد.

چه زمانی استفاده شود

شبیه‌سازی خرد زمانی مناسب است که به تحلیل توزیعی در سطح واحد از یک تغییر سیاستی نیاز دارید و به یک مجموعه داده خرد بزرگ و نماینده (معمولاً حداقل ۱۰۰۰ رکورد، اغلب ده‌ها هزار) دسترسی دارید. این انتخاب طبیعی برای تحلیل مالیات-مزایا، اصلاحات بازنشستگی، تأمین مالی بهداشت و طراحی بیمه اجتماعی است. یک مدل ایستا زمانی کاربرد دارد که اصلاحات گسسته باشد و بتوان از پاسخ رفتاری صرف‌نظر کرد یا آن را به عنوان یک مورد حساسیت در نظر گرفت؛ یک مدل پویا زمانی مورد نیاز است که مسیر زمانی پیری، اشتغال، یا انتقال‌های سلامتی اهمیت داشته باشد. این روش برای موقعیت‌هایی که فقط داده‌های تجمعی در دسترس هستند، جمعیت مورد علاقه نمایشی از رکوردهای فردی ندارد، یا پاسخ‌های رفتاری از نظر نظری مرکزی هستند اما نمی‌توانند از شواهد پارامتربندی شوند، مناسب نیست.

محدودیت‌ها و ملاحظات

  • به یک مجموعه داده خرد با کیفیت بالا و در مقیاس بزرگ نیاز دارد؛ نتایج فقط به اندازه‌ی داده‌های زیربنایی نماینده هستند.
  • مدل‌سازی قابل اعتماد پاسخ‌های رفتاری دشوار است؛ مدل‌های ایستا فرض می‌کنند پاسخی وجود ندارد، که می‌تواند برای اصلاحات بزرگ یک فرض قوی باشد.
  • پارامترهای کشش مورد نیاز برای مدل‌های پویا باید از مطالعات خارجی وارد شوند و عدم قطعیت بیشتری را معرفی می‌کنند.
  • ساخت و اعتبارسنجی یک مدل شبیه‌سازی خرد منابع‌بر است: این کار نیازمند تخصص برنامه‌نویسی، دانش عمیق از قوانین سیاستی، و مدیریت دقیق داده‌ها است.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • نمایه‌های کامل تأثیر توزیعی را تولید می‌کند — نه فقط اثرات میانگین، بلکه چه کسی سود می‌برد و چه کسی ضرر می‌کند، بر اساس درآمد، سن، جنسیت، یا هر ویژگی دیگری در داده‌ها.
  • ناهمگونی سیاست را به طور طبیعی مدیریت می‌کند: قوانین پیچیده و غیرخطی مالیات-مزایا که نمی‌توانند در یک مدل کلان تقریب زده شوند، دقیقاً در سطح واحد اعمال می‌شوند.
  • نتایج مستقیماً توسط سیاست‌گذاران قابل تفسیر هستند: هزینه مالی، تغییر در تعداد افراد فقیر، و تغییرات ضریب جینی در واحدهای آشنا گزارش می‌شوند.
  • مدل‌های پویا می‌توانند تکامل جمعیت را پیش‌بینی کرده و پایداری سیاست را در افق‌های طولانی آزمایش کنند.

کاربردها

  • تخمین اثرات توزیعی و مالی اصلاحات مالیات بر درآمد در میان گروه‌های درآمدی خانوار قبل از تصویب قانون.
  • پیش‌بینی هزینه‌های بلندمدت و کفایت مزایای اصلاحات سیستم بازنشستگی با پیر شدن جمعیت.
  • ارزیابی تأثیر فقر و نابرابری بازطراحی مزایای اجتماعی، از جمله تغییرات در آزمون وسع و سقف مزایا.
  • ارزیابی اصلاحات تأمین مالی بهداشت و درمان — مانند تغییرات در پرداخت مشترک یا گسترش پوشش بیمه — بر هزینه‌های پرداختی بیمار از جیب توسط گروه‌های جمعیتی.
  • تولید آمارهای پایه توزیعی برای تحقیقات نابرابری اقتصادی با استفاده از مجموعه داده‌های اداری یا نظرسنجی بزرگ.

چگونه کار می‌کند

چگونه کار می‌کند

1

یک مجموعه داده خرد نماینده جمع‌آوری می‌شود — معمولاً یک نظرسنجی بزرگ از خانوارها یا یک ثبت اداری — و وزن‌های نمونه‌گیری حفظ می‌شوند تا اطمینان حاصل شود که جمعیت مصنوعی نماینده جمعیت واقعی است. متغیرهای مورد نیاز قوانین سیاستی (اجزای درآمد، ساختار خانواده، وضعیت اشتغال، شاخص‌های سلامت) پاکسازی، هماهنگ و اعتبارسنجی می‌شوند. برای مدل‌های پویا، جمعیت قبل از اعمال سیاست با استفاده از احتمالات انتقال جمعیتی به جلو 'سن‌دهی' می‌شود.

2

هر ابزار سیاستی (جدول مالیاتی، حق دریافت مزایا، نرخ مشارکت) به قوانین محاسباتی صریح ترجمه می‌شود. در شبیه‌سازی خرد ایستا، قوانین، قانون فعلی و اصلاحات فرضی را منعکس می‌کنند و هیچ پاسخ رفتاری فرض نمی‌شود. در مدل‌های پویا، کشش‌های عرضه نیروی کار، پاسخ‌های پس‌انداز یا رفتار جستجوی سلامت نیز پارامتربندی شده و به مجموعه قوانین پیوند داده می‌شوند.

3

موتور قوانین، هر رکورد در مجموعه داده خرد را پردازش می‌کند: مالیات‌های پرداختی، مزایای دریافتی، یا نتایج تجربه شده تحت سناریوهای پایه و اصلاحی را برای هر واحد محاسبه می‌کند. برای مدل‌های پویا، موتور دوره‌های زمانی گسسته را طی می‌کند و ویژگی‌های واحد را در هر دوره بر اساس احتمالات انتقال به‌روزرسانی کرده و قوانین غالب را اعمال می‌کند. مدل‌های تصادفی اعداد تصادفی را برای حل انتقال‌ها می‌کشند؛ مدل‌های قطعی وزن‌های ارزش مورد انتظار را اعمال می‌کنند.

4

خروجی‌های سطح واحد وزن‌دهی و تجمیع می‌شوند تا تخمین‌های سطح جمعیت تولید شوند: جداول توزیعی (بر اساس دهک درآمدی، گروه سنی، منطقه)، هزینه یا صرفه‌جویی مالی، شاخص‌های فقر و نابرابری، و — در مدل‌های پویا — مسیرهای پیش‌بینی شده در طول زمان. بررسی‌های حساسیت، پارامترهای رفتاری کلیدی را برای محدود کردن عدم قطعیت در تخمین‌ها تغییر می‌دهند.

دام‌های رایج

  • عدم حفظ یا اعمال صحیح وزن‌های نمونه‌گیری منجر به تخمین‌هایی می‌شود که نماینده جمعیت واقعی نیستند — همیشه وزن‌ها را در هر مرحله تجمیع منتشر کنید.
  • رفتار یک مدل ایستا را طوری در نظر گرفتن که گویی پاسخ رفتاری را در بر می‌گیرد: فرض 'صبح روز بعد' (بدون تغییر رفتار) یک ساده‌سازی عمدی است، نه یک یافته؛ این موضوع را در هر گزارشی به وضوح بیان کنید.
  • استفاده از داده‌های جمعیتی بدون بررسی نمایندگی: عدم پاسخ به نظرسنجی و شکاف‌های پوشش اداری می‌تواند نتایج توزیعی را برای زیرگروه‌های خاص مغرضانه کند.
  • دقت مدل را با صحت مدل اشتباه گرفتن — یک شبیه‌سازی خرد می‌تواند پاسخ‌های نادرست بسیار دقیقی تولید کند اگر پارامترهای رفتاری یا قوانین سیاستی اشتباه مشخص شده باشند.
  • برای مدل‌های پویا، نادیده گرفتن عدم قطعیت ترکیبی افق‌های پیش‌بینی طولانی؛ همیشه محدوده‌های حساسیت را در اطراف پیش‌بینی‌های مرکزی گزارش دهید.

پرسش‌های متداول

تفاوت بین شبیه‌سازی خرد ایستا و پویا چیست؟

یک مدل ایستا قوانین سیاستی جدید را بر روی یک تصویر لحظه‌ای از جمعیت اعمال می‌کند و تغییر توزیعی 'صبح روز بعد' را محاسبه می‌کند، با فرض عدم تغییر رفتار. یک مدل پویا جمعیت را با استفاده از احتمالات انتقال جمعیتی (تولد، مرگ، تغییر اشتغال، وخامت سلامت) به جلو در طول زمان پیش می‌برد و می‌تواند پاسخ‌های رفتاری مانند تعدیل عرضه نیروی کار را در بر گیرد. مدل‌های ایستا ساده‌تر و کم‌تقاضاتر از نظر داده هستند؛ مدل‌های پویا زمانی مورد نیاز هستند که مسیر زمانی تغییر اهمیت داشته باشد، به عنوان مثال در پیش‌بینی‌های بازنشستگی یا مراقبت‌های بلندمدت.

مجموعه داده خرد چقدر باید بزرگ باشد؟

ثبت‌کننده وضعیت ایستا حداقل عملی ۱۰۰۰ واحد خرد را مشخص می‌کند، اما تحلیل توزیعی معنادار — به ویژه برای زیرگروه‌های کوچک — معمولاً به ده‌ها هزار رکورد نیاز دارد. ثبت‌های اداری با پوشش تقریباً کامل جمعیت بر نظرسنجی‌های کوچک خانوار ترجیح داده می‌شوند، که تخمین‌های زیرگروه آن‌ها حتی پس از وزن‌دهی نیز می‌تواند دارای فواصل اطمینان گسترده‌ای باشد.

پاسخ‌های رفتاری چگونه گنجانده می‌شوند؟

در مدل‌های ایستا، آن‌ها گنجانده نمی‌شوند: اثر 'مرتبه اول' یا 'صبح روز بعد' بدون تعدیل گزارش می‌شود. برای افزودن پاسخ رفتاری، تحلیلگران کشش‌های عرضه نیروی کار، نرخ‌های پس‌انداز، یا پارامترهای جستجوی سلامت را که از ادبیات یا آزمایش‌های طبیعی تخمین زده شده‌اند، لایه‌بندی می‌کنند. هر پارامتر عدم قطعیت اضافی را معرفی می‌کند، بنابراین تحلیل حساسیت در محدوده‌های پارامتری قابل قبول ضروری است.

آیا شبیه‌سازی خرد همان مدل‌سازی مبتنی بر عامل است؟

آن‌ها اصل عملیات بر روی واحدهای فردی به جای مقادیر تجمعی را به اشتراک می‌گذارند، اما در تأکید متفاوت هستند. شبیه‌سازی خرد معمولاً از یک جمعیت تجربی ثابت و قوانین سیاستی قطعی (یا کالیبره شده آماری) برای تخمین نتایج توزیعی استفاده می‌کند؛ مدل‌های مبتنی بر عامل بر رفتار جمعی نوظهور ناشی از تعاملات عامل تأکید دارند و تمایل به استفاده از جمعیت‌های سبک‌سازی شده، نه نماینده تجربی، دارند. برای کارهای مربوط به مالیات-مزایا و هزینه‌یابی سیاست، شبیه‌سازی خرد چارچوب استاندارد است.

روش‌های مرتبط

منابع

  1. O'Donoghue, C. (Ed.) (2014). Handbook of Microsimulation Modelling. Emerald.

    باز کردن مرجع DOI
    کپی شد.
  2. Li, J. & O'Donoghue, C. (2013). A Survey of Dynamic Microsimulation Models: Uses, Model Structure and Methodology. International Journal of Microsimulation, 6(2), 3–55.

    باز کردن مرجع انتشار
    کپی شد.