Skip to content
Назад к результатам поиска

Микросимуляция — Моделирование политики на индивидуальном уровне

Автор метода
Guy Orcutt (concept, 1957); modern tax-transfer frameworks developed through EUROMOD and related projects
Год
1957
Тип
Policy simulation / computational social science

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Микросимуляция — это вычислительный метод, который моделирует эффекты политики, действуя непосредственно на популяцию индивидуальных микроединиц — домохозяйств, фирм, пациентов — и применяя правила к каждой единице в соответствии с ее собственными демографическими, экономическими и поведенческими характеристиками.

Концептуально разработанный Гаем Оркаттом в 1957 году, он стал стандартным инструментом для оценки налоговых реформ, пенсионных систем и политики в области здравоохранения перед их внедрением.

Интуиция метода

Большинство вопросов политики на самом деле являются вопросами о гетерогенных людях, а не о средних значениях. Реформа с плоской шкалой налогообложения по-разному влияет на родителя-одиночку с низким доходом и на пару с высоким доходом, и эти различия важны для понимания того, кто выигрывает, кто проигрывает и какова будет совокупная стоимость. Микросимуляция учитывает это, сохраняя популяцию в виде набора данных индивидуальных записей и применяя правила политики запись за записью — точно так же, как это делал бы налоговый орган — вместо того, чтобы подавать совокупные итоги в макромодель. Результатом является подробная, поединичная картина распределительного воздействия, которую не могут дать агрегированные модели.

История

Концептуальные основы микросимуляции были заложены Гаем Оркаттом в статье American Economic Review 1957 года, где он утверждал, что экономические модели должны оперировать индивидуальными домохозяйствами и фирмами, которые фактически принимают решения, а не совокупными величинами. Статическая микросимуляция налогов и пособий расширилась в 1980-х и 1990-х годах благодаря государственным моделям во многих странах. Модель EUROMOD (Sutherland & Figari, 2013) установила межстрановую, гармонизированную микросимуляцию налогов и пособий для стран Европейского Союза. Динамическая микросимуляция — которая старит популяцию во времени с использованием уравнений демографических и поведенческих переходов — развивалась параллельно, с такими моделями, как LIAM2, предоставляющими инфраструктуру с открытым исходным кодом. Handbook of Microsimulation Modelling (O'Donoghue, 2014) представляет собой всесторонний обзор обеих ветвей.

Когда применять

Микросимуляция подходит, когда вам нужен распределительный анализ политики на уровне единиц и у вас есть доступ к большому, репрезентативному набору микроданных (обычно не менее 1 000 записей, часто десятки тысяч). Это естественный выбор для анализа налогов и пособий, пенсионной реформы, финансирования здравоохранения и проектирования социального страхования. Статическая модель применяется, когда реформа дискретна и поведенческую реакцию можно игнорировать или рассматривать как случай для проверки чувствительности; динамическая модель необходима, когда важна временная траектория старения, занятости или переходов в состоянии здоровья. Метод не подходит для ситуаций, когда доступны только агрегированные данные, когда интересующая популяция не имеет индивидуального представления записей, или когда поведенческие реакции теоретически центральны, но не могут быть параметризованы на основе фактических данных.

Ограничения и замечания

  • Требует высококачественного, крупномасштабного набора микроданных; результаты репрезентативны только в той мере, в какой это позволяют исходные данные.
  • Поведенческие реакции трудно моделировать надежно; статические модели предполагают отсутствие реакции, что может быть сильным допущением для крупных реформ.
  • Параметры эластичности, необходимые для динамических моделей, должны быть импортированы из внешних исследований и вносят дополнительную неопределенность.
  • Создание и проверка модели микросимуляции требует больших ресурсов: она требует экспертных знаний в области программирования, глубокого понимания правил политики и тщательного управления данными.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Производит полные профили распределительного воздействия — не только средние эффекты, но и кто выигрывает и кто проигрывает, по доходу, возрасту, полу или любой другой характеристике в данных.
  • Естественно обрабатывает гетерогенность политики: сложные, нелинейные правила налогообложения и пособий, которые не могут быть аппроксимированы в макромодели, применяются точно на уровне единиц.
  • Результаты напрямую интерпретируемы для политиков: фискальные затраты, изменение уровня бедности и сдвиги коэффициента Джини сообщаются в привычных единицах.
  • Динамические модели могут прогнозировать эволюцию популяции и тестировать устойчивость политики в долгосрочной перспективе.

Применение

  • Оценка распределительных и фискальных эффектов реформы подоходного налога по группам домохозяйств по уровню дохода до принятия законодательства.
  • Прогнозирование долгосрочных затрат и адекватности пособий реформ пенсионной системы по мере старения населения.
  • Оценка воздействия реформ системы социального обеспечения, включая изменения в тестировании нуждаемости и ограничения пособий, на бедность и неравенство.
  • Оценка влияния реформ финансирования здравоохранения — таких как изменения в совместных платежах или расширение страхового покрытия — на расходы пациентов из собственного кармана по демографическим группам.
  • Получение базовых статистических данных о распределении для исследований экономического неравенства с использованием крупных административных или опросных наборов данных.

Как это работает

Как это работает

1

Собирается репрезентативный набор микроданных — обычно крупномасштабное обследование домохозяйств или административный реестр — и сохраняются веса выборки, чтобы гарантировать, что синтетическая популяция представляет истинную популяцию. Переменные, необходимые для правил политики (компоненты дохода, семейная структура, статус занятости, показатели здоровья), очищаются, гармонизируются и проверяются. Для динамических моделей популяция «стареет» вперед с использованием вероятностей демографических переходов перед применением политики.

2

Каждый инструмент политики (налоговая шкала, право на получение пособий, ставка взносов) преобразуется в явные вычислительные правила. В статической микросимуляции правила отражают текущее законодательство и контрфактическую реформу, и поведенческая реакция не предполагается. В динамических моделях эластичность предложения труда, реакции сбережений или поведение, связанное со здоровьем, также параметризуются и связываются с набором правил.

3

Движок правил обрабатывает каждую запись в наборе микроданных: он вычисляет налоги, уплаченные, пособия, полученные, или результаты, пережитые в базовых и реформированных сценариях для каждой единицы. Для динамических моделей движок проходит через дискретные периоды времени, обновляя характеристики единицы в каждом периоде в соответствии с вероятностями переходов и применяя действующие правила. Стохастические модели используют случайные числа для разрешения переходов; детерминированные модели применяют веса ожидаемого значения.

4

Результаты на уровне единиц взвешиваются и агрегируются для получения оценок на уровне популяции: таблицы распределения (по децилям дохода, возрастным группам, регионам), фискальные затраты или экономия, показатели бедности и неравенства, а также — в динамических моделях — прогнозируемые траектории во времени. Проверки чувствительности варьируют ключевые поведенческие параметры для ограничения неопределенности в оценках.

Частые ошибки

  • Несохранение или неправильное применение весов выборки приводит к оценкам, которые не отражают истинную популяцию — всегда распространяйте веса на каждом этапе агрегирования.
  • Рассмотрение статической модели как учитывающей поведенческую реакцию: предположение «на следующее утро» (без изменения поведения) является преднамеренным упрощением, а не выводом; четко сообщайте об этом в любом отчете.
  • Использование данных о населении без проверки репрезентативности: отсутствие ответа на опросы и пробелы в административном охвате могут исказить распределительные результаты для определенных подгрупп.
  • Смешение точности модели с достоверностью модели — микросимуляция может дать очень точные неверные ответы, если поведенческие параметры или правила политики указаны неверно.
  • Для динамических моделей игнорирование кумулятивной неопределенности длительных горизонтов прогнозирования; всегда сообщайте диапазоны чувствительности вокруг центральных прогнозов.

Часто задаваемые вопросы

В чем разница между статической и динамической микросимуляцией?

Статическая модель применяет новые правила политики к срезу популяции и вычисляет распределительное изменение «на следующее утро», предполагая неизменность поведения. Динамическая модель продвигает популяцию вперед во времени, используя вероятности демографических переходов (рождение, смерть, изменение занятости, ухудшение здоровья) и может включать поведенческие реакции, такие как корректировка предложения труда. Статические модели проще и требуют меньше данных; динамические модели необходимы, когда важна временная траектория изменений, например, при прогнозировании пенсий или долгосрочного ухода.

Насколько большим должен быть набор микроданных?

Статистический реестр устанавливает практический минимум в 1000 микроединиц, но содержательный распределительный анализ — особенно для малых подгрупп — обычно требует десятков тысяч записей. Административные реестры с почти полным охватом населения предпочтительнее небольших обследований домохозяйств, оценки которых по подгруппам могут иметь широкие доверительные интервалы даже после взвешивания.

Как учитываются поведенческие реакции?

В статических моделях они не учитываются: сообщается «первоочередной» или «утренний» эффект без корректировки. Чтобы добавить поведенческую реакцию, аналитики включают эластичность предложения труда, ставки сбережений или параметры поведения, связанного со здоровьем, оцененные из литературы или естественных экспериментов. Каждый параметр вносит дополнительную неопределенность, поэтому анализ чувствительности по правдоподобным диапазонам параметров имеет важное значение.

Является ли микросимуляция тем же, что и агентно-ориентированное моделирование?

Они разделяют принцип работы с отдельными единицами, а не с агрегатами, но различаются по акцентам. Микросимуляция обычно использует фиксированную эмпирическую популяцию и детерминированные (или статистически откалиброванные) правила политики для оценки распределительных результатов; агентно-ориентированные модели подчеркивают эмерджентное коллективное поведение, возникающее в результате взаимодействий агентов, и, как правило, используют стилизованные, а не эмпирически репрезентативные популяции. Для работы по налогообложению, пособиям и оценке затрат микросимуляция является стандартной основой.

Похожие методы

Источники

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

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку на публикацию
    Скопировано.