Przejdź do treści
Wróć do wyników wyszukiwania

Mikrosymulacja — modelowanie polityki na poziomie indywidualnym

Autor metody
Guy Orcutt (concept, 1957); modern tax-transfer frameworks developed through EUROMOD and related projects
Rok
1957
Typ
Policy simulation / computational social science

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Mikrosymulacja to metoda obliczeniowa symulująca efekty polityki poprzez bezpośrednie działanie na populację indywidualnych mikrojednostek — gospodarstw domowych, firm, pacjentów — i stosowanie reguł do każdej jednostki zgodnie z jej własnymi charakterystykami demograficznymi, ekonomicznymi i behawioralnymi.

Rozwinięta koncepcyjnie przez Guya Orcutta w 1957 roku, stała się standardowym narzędziem do oceny reform podatkowych, systemów emerytalnych i polityki zdrowotnej przed ich wdrożeniem.

Intuicja stojąca za metodą

Większość pytań dotyczących polityki to w rzeczywistości pytania o heterogeniczne osoby, a nie o średnie. Reforma podatku liniowego wpływa na samotnego rodzica o niskich dochodach zupełnie inaczej niż na parę o wysokich dochodach, a te różnice mają znaczenie dla zrozumienia, kto zyskuje, kto traci i jaki będzie łączny koszt. Mikrosymulacja uwzględnia to, utrzymując populację jako zbiór danych indywidualnych rekordów i stosując reguły polityki rekord po rekordzie — dokładnie tak, jak zrobiłby to urząd skarbowy — zamiast wprowadzać zagregowane sumy do makromodelu. Rezultatem jest bogaty, jednostkowy obraz wpływu dystrybucyjnego, którego modele agregatowe nie mogą wygenerować.

Historia

Podstawy koncepcyjne mikrosymulacji położył Guy Orcutt w artykule z 1957 roku w American Economic Review, gdzie argumentował, że modele ekonomiczne powinny działać na indywidualnych gospodarstwach domowych i firmach, które faktycznie podejmują decyzje, a nie na zagregowanych wielkościach. Statyczna mikrosymulacja podatkowo-świadczeniowa rozwijała się w latach 80. i 90. XX wieku wraz z rządowymi modelami w wielu krajach. Model EUROMOD (Sutherland & Figari, 2013) ustanowił transnarodową, zharmonizowaną mikrosymulację podatkowo-świadczeniową dla krajów Unii Europejskiej. Dynamiczna mikrosymulacja — która postarza populację w czasie przy użyciu równań przejść demograficznych i behawioralnych — rozwijała się równolegle, z modelami takimi jak LIAM2 zapewniającymi infrastrukturę open-source. The Handbook of Microsimulation Modelling (O'Donoghue, 2014) stanowi kompleksowy przegląd obu gałęzi.

Kiedy stosować

Mikrosymulacja jest odpowiednia, gdy potrzebna jest analiza dystrybucyjna na poziomie jednostek dotycząca zmiany polityki i gdy dostępny jest duży, reprezentatywny mikrozbiór danych (zazwyczaj co najmniej 1 000 rekordów, często dziesiątki tysięcy). Jest to naturalny wybór do analizy podatkowo-świadczeniowej, reformy emerytalnej, finansowania opieki zdrowotnej i projektowania ubezpieczeń społecznych. Model statyczny stosuje się, gdy reforma jest dyskretna, a reakcję behawioralną można zignorować lub potraktować jako przypadek wrażliwości; model dynamiczny jest potrzebny, gdy ważna jest ścieżka czasowa starzenia się, zatrudnienia lub przejść zdrowotnych. Metoda ta nie nadaje się do sytuacji, gdy dostępne są tylko dane zagregowane, gdy populacja zainteresowania nie ma reprezentacji w postaci indywidualnych rekordów, lub gdy reakcje behawioralne są teoretycznie kluczowe, ale nie można ich sparametryzować na podstawie dowodów.

Ograniczenia i uwagi

  • Wymaga wysokiej jakości, wielkoskalowego mikrozbioru danych; wyniki są tylko tak reprezentatywne, jak dane bazowe.
  • Reakcje behawioralne są trudne do wiarygodnego modelowania; modele statyczne zakładają brak reakcji, co może być silnym założeniem w przypadku dużych reform.
  • Parametry elastyczności potrzebne do modeli dynamicznych muszą być importowane z zewnętrznych badań i wprowadzają dodatkową niepewność.
  • Budowa i walidacja modelu mikrosymulacyjnego jest zasobochłonna: wymaga wiedzy programistycznej, głębokiej znajomości reguł polityki i starannego zarządzania danymi.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Generuje pełne profile wpływu dystrybucyjnego — nie tylko średnie efekty, ale kto zyskuje, a kto traci, według dochodu, wieku, płci lub innej charakterystyki zawartej w danych.
  • Naturalnie obsługuje heterogeniczność polityki: złożone, nieliniowe reguły podatkowo-świadczeniowe, których nie można przybliżyć w makromodelu, są stosowane dokładnie na poziomie jednostki.
  • Wyniki są bezpośrednio interpretowalne dla decydentów: koszty fiskalne, zmiana wskaźnika ubóstwa (headcount poverty) i przesunięcia współczynnika Giniego są raportowane w znanych jednostkach.
  • Modele dynamiczne mogą prognozować ewolucję populacji i testować zrównoważenie polityki w długich horyzontach czasowych.

Zastosowania

  • Szacowanie dystrybucyjnych i fiskalnych skutków reformy podatku dochodowego w grupach gospodarstw domowych według dochodów przed uchwaleniem ustawy.
  • Prognozowanie długoterminowych kosztów i adekwatności świadczeń w reformach systemów emerytalnych w miarę starzenia się populacji.
  • Ocena wpływu projektowania świadczeń socjalnych — w tym zmian w testowaniu dochodów i limitach świadczeń — na ubóstwo i nierówności.
  • Ocena reform finansowania opieki zdrowotnej — takich jak zmiany w opłatach współpłaconych lub rozszerzenie zakresu ubezpieczenia — na koszty ponoszone przez pacjentów według grup demograficznych.
  • Generowanie podstawowych statystyk dystrybucyjnych na potrzeby badań nad nierównościami ekonomicznymi przy użyciu dużych zbiorów danych administracyjnych lub ankietowych.

Jak to działa

Jak to działa

1

Składa się reprezentatywny mikrozbiór danych — zazwyczaj wielkoskalowe badanie gospodarstw domowych lub rejestr administracyjny — i zachowuje się wagi próby, aby zapewnić, że syntetyczna populacja reprezentuje prawdziwą populację. Zmienne potrzebne do reguł polityki (składowe dochodu, struktura rodziny, status zatrudnienia, wskaźniki zdrowia) są czyszczone, harmonizowane i walidowane. W przypadku modeli dynamicznych populacja jest 'postarzana' do przodu przy użyciu prawdopodobieństw przejść demograficznych przed zastosowaniem polityki.

2

Każdy instrument polityki (schemat podatkowy, prawo do świadczeń, stawka składki) jest tłumaczony na jawne reguły obliczeniowe. W statycznej mikrosymulacji reguły odzwierciedlają obecne prawo i kontrfaktyczną reformę, a nie zakłada się żadnej reakcji behawioralnej. W modelach dynamicznych uwzględnia się również elastyczność podaży pracy, reakcje na oszczędności lub zachowania związane z poszukiwaniem opieki zdrowotnej, które są sparametryzowane i powiązane z zestawem reguł.

3

Silnik reguł przetwarza każdy rekord w mikrozbiorze danych: oblicza podatki zapłacone, świadczenia otrzymane lub wyniki doświadczone w scenariuszach bazowych i reformowanych dla każdej jednostki. W przypadku modeli dynamicznych silnik przechodzi przez dyskretne okresy czasu, aktualizując charakterystyki jednostki w każdym okresie zgodnie z prawdopodobieństwami przejść i stosując obowiązujące reguły. Modele stochastyczne losują liczby losowe w celu rozstrzygnięcia przejść; modele deterministyczne stosują wagi wartości oczekiwanej.

4

Wyniki na poziomie jednostek są ważone i agregowane w celu wygenerowania oszacowań na poziomie populacji: tabele dystrybucyjne (według decyli dochodu, grup wiekowych, regionów), koszty lub oszczędności fiskalne, wskaźniki ubóstwa i nierówności, a w modelach dynamicznych — prognozowane ścieżki w czasie. Sprawdzenia wrażliwości zmieniają kluczowe parametry behawioralne w celu ograniczenia niepewności w oszacowaniach.

Częste pułapki

  • Niewłaściwe zachowanie lub błędne zastosowanie wag próby prowadzi do oszacowań, które nie reprezentują prawdziwej populacji — zawsze należy propagować wagi przez każdy etap agregacji.
  • Traktowanie modelu statycznego jako uwzględniającego reakcję behawioralną: założenie 'następnego dnia' (brak zmiany zachowania) jest celowym uproszczeniem, a nie wynikiem; należy to jasno komunikować w każdym raporcie.
  • Używanie danych populacyjnych bez sprawdzania reprezentatywności: brak odpowiedzi w badaniach i luki w pokryciu administracyjnym mogą zniekształcić wyniki dystrybucyjne dla określonych podgrup.
  • Mylenie precyzji modelu z trafnością modelu — mikrosymulacja może generować bardzo precyzyjne błędne odpowiedzi, jeśli parametry behawioralne lub reguły polityki są błędnie określone.
  • W przypadku modeli dynamicznych ignorowanie skumulowanej niepewności długich horyzontów projekcji; zawsze należy raportować zakresy wrażliwości wokół centralnych projekcji.

Najczęściej zadawane pytania

Jaka jest różnica między statyczną a dynamiczną mikrosymulacją?

Model statyczny stosuje nowe reguły polityki do migawki populacji i oblicza dystrybucyjną zmianę 'następnego dnia', zakładając niezmienione zachowanie. Model dynamiczny przesuwa populację w czasie przy użyciu prawdopodobieństw przejść demograficznych (narodziny, śmierć, zmiana zatrudnienia, pogorszenie stanu zdrowia) i może uwzględniać reakcje behawioralne, takie jak dostosowanie podaży pracy. Modele statyczne są prostsze i mniej wymagające pod względem danych; modele dynamiczne są potrzebne, gdy ważna jest ścieżka czasowa zmian, na przykład w prognozach emerytalnych lub długoterminowej opieki.

Jak duży musi być mikrozbiór danych?

Statystyczny rejestr określa praktyczne minimum 1 000 mikrojednostek, ale znacząca analiza dystrybucyjna — zwłaszcza dla małych podgrup — zazwyczaj wymaga dziesiątek tysięcy rekordów. Rejestry administracyjne z niemal pełnym pokryciem populacji są preferowane w stosunku do małych badań gospodarstw domowych, których oszacowania dla podgrup mogą mieć szerokie przedziały ufności nawet po ważeniu.

Jak uwzględniane są reakcje behawioralne?

W modelach statycznych nie są: efekt 'pierwszego rzędu' lub 'następnego dnia' jest raportowany bez modyfikacji. Aby dodać reakcję behawioralną, analitycy nakładają elastyczność podaży pracy, stopy oszczędności lub parametry dotyczące poszukiwania opieki zdrowotnej oszacowane z literatury lub z naturalnych eksperymentów. Każdy parametr wprowadza dodatkową niepewność, dlatego analiza wrażliwości w plausible zakresach parametrów jest niezbędna.

Czy mikrosymulacja to to samo co modelowanie agentowe?

Dzielą zasadę działania na indywidualne jednostki zamiast agregatów, ale różnią się naciskiem. Mikrosymulacja zazwyczaj wykorzystuje ustaloną populację empiryczną i deterministyczne (lub skalibrowane statystycznie) reguły polityki do szacowania wyników dystrybucyjnych; modele agentowe kładą nacisk na wyłaniające się zachowania zbiorowe wynikające z interakcji agentów i zazwyczaj używają stylizowanych, a nie empirycznie reprezentatywnych populacji. W przypadku pracy nad podatkami i świadczeniami oraz kosztorysowaniem polityki, mikrosymulacja jest standardową ramą.

Pokrewne metody

Źródła

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

    Otwórz odnośnik DOI
    Skopiowano.
  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.

    Otwórz odnośnik do publikacji
    Skopiowano.