Skip to content
กลับไปยังผลการค้นหา

Microsimulation — การสร้างแบบจำลองผลกระทบเชิงนโยบายในระดับจุลภาค

ผู้เสนอ
Guy Orcutt (concept, 1957); modern tax-transfer frameworks developed through EUROMOD and related projects
ปี
1957
ประเภท
Policy simulation / computational social science

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

Microsimulation เป็นวิธีการคำนวณที่จำลองผลกระทบของนโยบายโดยการดำเนินการโดยตรงกับประชากรของหน่วยจุลภาคแต่ละหน่วย — ครัวเรือน บริษัท ผู้ป่วย — และใช้กฎเกณฑ์กับแต่ละหน่วยตามลักษณะทางประชากร เศรษฐกิจ และพฤติกรรมของหน่วยนั้นๆ วิธีการนี้ได้รับการพัฒนาแนวคิดโดย Guy Orcutt ในปี 1957 และได้กลายเป็นเครื่องมือมาตรฐานในการประเมินการปฏิรูปภาษี ระบบบำนาญ และนโยบายด้านสุขภาพก่อนการนำไปปฏิบัติ

แนวคิดเบื้องหลังวิธีการ

คำถามเกี่ยวกับนโยบายส่วนใหญ่เป็นคำถามเกี่ยวกับผู้คนที่มีความแตกต่างหลากหลาย ไม่ใช่เกี่ยวกับค่าเฉลี่ย การปฏิรูปภาษีแบบอัตราเดียวส่งผลกระทบต่อผู้ปกครองคนเดียวที่มีรายได้น้อยแตกต่างอย่างมากจากคู่รักที่มีรายได้สูง และความแตกต่างเหล่านั้นมีความสำคัญต่อการทำความเข้าใจว่าใครได้ใครเสีย และต้นทุนรวมจะเป็นเท่าใด Microsimulation สามารถจับความแตกต่างเหล่านี้ได้โดยการรักษาประชากรไว้เป็นชุดข้อมูลของบันทึกข้อมูลรายบุคคล และดำเนินการตามกฎนโยบายทีละบันทึก — เหมือนที่หน่วยงานจัดเก็บภาษีดำเนินการ — แทนที่จะป้อนข้อมูลรวมเข้าสู่แบบจำลองมหภาค ผลลัพธ์ที่ได้คือภาพผลกระทบเชิงการกระจายที่ละเอียดและเป็นหน่วยต่อหน่วย ซึ่งแบบจำลองรวมไม่สามารถผลิตได้

ประวัติศาสตร์

รากฐานแนวคิดของ microsimulation วางโดย Guy Orcutt ในบทความ American Economic Review ปี 1957 ซึ่งเขาโต้แย้งว่าแบบจำลองทางเศรษฐกิจควรดำเนินการกับครัวเรือนและบริษัทแต่ละแห่งที่ทำการตัดสินใจจริง แทนที่จะเป็นปริมาณรวม การจำลองภาษี-สิทธิประโยชน์แบบสถิติได้ขยายตัวในช่วงทศวรรษ 1980 และ 1990 ด้วยแบบจำลองของรัฐบาลในหลายประเทศ แบบจำลอง EUROMOD (Sutherland & Figari, 2013) ได้สร้างการจำลองภาษี-สิทธิประโยชน์แบบข้ามชาติและประสานกันสำหรับประเทศในสหภาพยุโรป การจำลองแบบพลวัต — ซึ่งทำให้ประชากรสูงวัยขึ้นเมื่อเวลาผ่านไปโดยใช้สมการการเปลี่ยนแปลงทางประชากรและพฤติกรรม — ได้พัฒนาขึ้นพร้อมกัน โดยมีแบบจำลองเช่น LIAM2 ที่ให้บริการโครงสร้างพื้นฐานแบบโอเพนซอร์ส The Handbook of Microsimulation Modelling (O'Donoghue, 2014) ให้ภาพรวมที่ครอบคลุมของทั้งสองสาขา

ควรใช้เมื่อใด

Microsimulation เหมาะสมเมื่อคุณต้องการการวิเคราะห์ผลกระทบเชิงการกระจายในระดับหน่วยของการเปลี่ยนแปลงนโยบาย และสามารถเข้าถึงชุดข้อมูลจุลภาคขนาดใหญ่ที่เป็นตัวแทน (โดยทั่วไปอย่างน้อย 1,000 บันทึก มักจะหลายหมื่นรายการ) เป็นตัวเลือกตามธรรมชาติสำหรับการวิเคราะห์ภาษีและสิทธิประโยชน์ การปฏิรูปบำนาญ การจัดหาเงินทุนด้านสุขภาพ และการออกแบบประกันสังคม แบบจำลองแบบสถิตใช้เมื่อการปฏิรูปเป็นแบบไม่ต่อเนื่องและสามารถละเลยการตอบสนองทางพฤติกรรมหรือถือเป็นกรณีความไว แบบจำลองแบบพลวัตจำเป็นเมื่อเส้นทางเวลาของการสูงวัย การจ้างงาน หรือการเปลี่ยนแปลงด้านสุขภาพมีความสำคัญ วิธีการนี้ไม่เหมาะกับสถานการณ์ที่มีเฉพาะข้อมูลรวมเท่านั้น ที่ประชากรที่สนใจไม่มีการแสดงข้อมูลในระดับบุคคล หรือที่การตอบสนองทางพฤติกรรมมีความสำคัญทางทฤษฎีแต่ไม่สามารถกำหนดพารามิเตอร์จากหลักฐานได้

ข้อจำกัดและข้อควรพิจารณา

  • ต้องการชุดข้อมูลจุลภาคคุณภาพสูงขนาดใหญ่ ผลลัพธ์จะมีความเป็นตัวแทนเท่ากับข้อมูลพื้นฐานเท่านั้น
  • การตอบสนองทางพฤติกรรมเป็นเรื่องยากที่จะสร้างแบบจำลองได้อย่างน่าเชื่อถือ แบบจำลองแบบสถิตสันนิษฐานว่าไม่มีการตอบสนอง ซึ่งอาจเป็นการสันนิษฐานที่รุนแรงสำหรับการปฏิรูปขนาดใหญ่
  • พารามิเตอร์ความยืดหยุ่นที่จำเป็นสำหรับแบบจำลองแบบพลวัตจะต้องนำเข้าจากการศึกษาภายนอกและเพิ่มความไม่แน่นอน
  • การสร้างและตรวจสอบแบบจำลองจุลภาคต้องใช้ทรัพยากรมาก: ต้องใช้ความเชี่ยวชาญด้านการเขียนโปรแกรม ความรู้เชิงลึกเกี่ยวกับกฎนโยบาย และการจัดการข้อมูลอย่างระมัดระวัง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • สร้างโปรไฟล์ผลกระทบเชิงการกระจายเต็มรูปแบบ — ไม่ใช่แค่ผลกระทบเฉลี่ย แต่ใครได้ใครเสีย ตามรายได้ อายุ เพศ หรือลักษณะอื่นใดในข้อมูล
  • จัดการความแตกต่างของนโยบายได้อย่างเป็นธรรมชาติ: กฎภาษี-สิทธิประโยชน์ที่ซับซ้อนและไม่เป็นเชิงเส้นซึ่งไม่สามารถประมาณค่าในแบบจำลองมหภาคได้ จะถูกนำไปใช้ที่ระดับหน่วยอย่างแม่นยำ
  • ผลลัพธ์สามารถตีความได้โดยตรงโดยผู้กำหนดนโยบาย: ต้นทุนทางการคลัง การเปลี่ยนแปลงจำนวนคนยากจน และการเปลี่ยนแปลงสัมประสิทธิ์ Gini จะถูกรายงานในหน่วยที่คุ้นเคย
  • แบบจำลองแบบพลวัตสามารถคาดการณ์วิวัฒนาการของประชากรและทดสอบความยั่งยืนของนโยบายในระยะยาว

การประยุกต์ใช้

  • การประมาณการผลกระทบเชิงการกระจายและทางการคลังของการปฏิรูปภาษีเงินได้ทั่วทั้งกลุ่มรายได้ครัวเรือนก่อนที่จะมีการออกกฎหมาย
  • การคาดการณ์ต้นทุนระยะยาวและความเพียงพอของผลประโยชน์ของการปฏิรูประบบบำนาญเมื่อประชากรสูงวัยขึ้น
  • การประเมินผลกระทบของความยากจนและความไม่เท่าเทียมกันจากการออกแบบสวัสดิการสังคมใหม่ รวมถึงการเปลี่ยนแปลงการทดสอบรายได้และข้อจำกัดของสิทธิประโยชน์
  • การประเมินการปฏิรูปการจัดหาเงินทุนด้านสุขภาพ — เช่น การเปลี่ยนแปลงการร่วมจ่ายหรือการขยายความคุ้มครองประกัน — ต่อค่าใช้จ่ายของผู้ป่วยนอกตามกลุ่มประชากร
  • การสร้างสถิติพื้นฐานเชิงการกระจายสำหรับการวิจัยความไม่เท่าเทียมกันทางเศรษฐกิจโดยใช้ชุดข้อมูลการบริหารหรือการสำรวจขนาดใหญ่

วิธีการทำงาน

วิธีการทำงาน

1

มีการรวบรวมชุดข้อมูลจุลภาคที่เป็นตัวแทน — โดยทั่วไปคือการสำรวจครัวเรือนขนาดใหญ่หรือทะเบียนการบริหาร — และน้ำหนักการสุ่มตัวอย่างจะถูกรักษาไว้เพื่อให้แน่ใจว่าประชากรสังเคราะห์เป็นตัวแทนของประชากรที่แท้จริง ตัวแปรที่กฎนโยบายต้องการ (ส่วนประกอบรายได้ โครงสร้างครอบครัว สถานะการจ้างงาน ตัวบ่งชี้สุขภาพ) จะถูกทำความสะอาด ประสาน และตรวจสอบ สำหรับแบบจำลองแบบพลวัต ประชากรจะถูก 'ทำให้แก่ขึ้น' โดยใช้ความน่าจะเป็นของการเปลี่ยนแปลงทางประชากร ก่อนที่จะใช้นโยบาย

2

เครื่องมือเชิงนโยบายแต่ละอย่าง (ตารางภาษี สิทธิ์ประโยชน์ อัตราการสมทบ) จะถูกแปลงเป็นกฎการคำนวณที่ชัดเจน ในแบบจำลองจุลภาคแบบสถิต กฎจะสะท้อนกฎหมายปัจจุบันและการปฏิรูปที่คาดการณ์ไว้ และไม่มีการสันนิษฐานการตอบสนองทางพฤติกรรม ในแบบจำลองแบบพลวัต ความยืดหยุ่นของอุปทานแรงงาน การตอบสนองของการออม หรือพฤติกรรมการแสวงหาการรักษาพยาบาล จะถูกกำหนดพารามิเตอร์และเชื่อมโยงกับชุดกฎด้วย

3

เอนจิ้นกฎจะประมวลผลทุกบันทึกในชุดข้อมูลจุลภาค: คำนวณภาษีที่จ่าย สิทธิประโยชน์ที่ได้รับ หรือผลลัพธ์ที่ได้รับภายใต้สถานการณ์พื้นฐานและการปฏิรูปสำหรับแต่ละหน่วย สำหรับแบบจำลองแบบพลวัต เอนจิ้นจะก้าวผ่านช่วงเวลาที่ไม่ต่อเนื่อง อัปเดตลักษณะของหน่วยในแต่ละช่วงเวลาตามความน่าจะเป็นของการเปลี่ยนแปลง และใช้กฎที่บังคับใช้ แบบจำลองเชิงสุ่มจะสุ่มตัวเลขเพื่อแก้ไขการเปลี่ยนแปลง แบบจำลองเชิงกำหนดจะใช้น้ำหนักค่าคาดหวัง

4

ผลลัพธ์ระดับหน่วยจะถูกถ่วงน้ำหนักและรวมเข้าด้วยกันเพื่อประมาณการระดับประชากร: ตารางการกระจาย (ตามกลุ่มรายได้ กลุ่มอายุ ภูมิภาค) ต้นทุนหรือเงินออมทางการคลัง ตัวบ่งชี้ความยากจนและความไม่เท่าเทียมกัน และ — ในแบบจำลองแบบพลวัต — เส้นทางที่คาดการณ์ไว้เมื่อเวลาผ่านไป การตรวจสอบความไวจะเปลี่ยนแปลงพารามิเตอร์พฤติกรรมที่สำคัญเพื่อจำกัดความไม่แน่นอนในการประมาณการ

ข้อผิดพลาดที่พบบ่อย

  • การไม่รักษาหรือใช้การถ่วงน้ำหนักการสุ่มตัวอย่างอย่างถูกต้อง จะนำไปสู่การประมาณการที่ไม่เป็นตัวแทนของประชากรที่แท้จริง — ควรเผยแพร่น้ำหนักผ่านทุกขั้นตอนการรวมเสมอ
  • การปฏิบัติต่อแบบจำลองแบบสถิตราวกับว่าสามารถจับการตอบสนองทางพฤติกรรมได้: การสันนิษฐาน 'เช้าวันรุ่งขึ้น' (ไม่มีการเปลี่ยนแปลงพฤติกรรม) เป็นการทำให้ง่ายขึ้นโดยเจตนา ไม่ใช่ข้อค้นพบ ควรสื่อสารสิ่งนี้ให้ชัดเจนในรายงานใดๆ
  • การใช้ข้อมูลประชากรโดยไม่ตรวจสอบความเป็นตัวแทน: การไม่ตอบสนองต่อการสำรวจและช่องว่างการครอบคลุมของการบริหารอาจทำให้ผลการกระจายสำหรับกลุ่มย่อยเฉพาะเกิดความเอนเอียง
  • การปะปนความแม่นยำของแบบจำลองกับความถูกต้องของแบบจำลอง — แบบจำลองจุลภาคสามารถให้คำตอบที่ผิดพลาดได้อย่างแม่นยำมาก หากพารามิเตอร์พฤติกรรมหรือกฎนโยบายถูกระบุผิด
  • สำหรับแบบจำลองแบบพลวัต การละเลยความไม่แน่นอนที่ทับซ้อนกันของระยะเวลาการคาดการณ์ที่ยาวนาน — ควรรายงานช่วงความไวรอบการคาดการณ์กลางเสมอ

คำถามที่พบบ่อย

ความแตกต่างระหว่าง microsimulation แบบสถิตและแบบพลวัตคืออะไร?

แบบจำลองแบบสถิตใช้กฎนโยบายใหม่กับภาพรวมประชากรและคำนวณการเปลี่ยนแปลงเชิงการกระจาย 'ในวันรุ่งขึ้น' โดยสันนิษฐานว่าพฤติกรรมไม่เปลี่ยนแปลง แบบจำลองแบบพลวัตจะเลื่อนประชากรไปข้างหน้าเมื่อเวลาผ่านไปโดยใช้ความน่าจะเป็นของการเปลี่ยนแปลงทางประชากร (การเกิด การตาย การเปลี่ยนแปลงการจ้างงาน การเสื่อมถอยของสุขภาพ) และสามารถรวมการตอบสนองทางพฤติกรรม เช่น การปรับอุปทานแรงงาน แบบจำลองแบบสถิตนั้นง่ายกว่าและต้องการข้อมูลน้อยกว่า แบบจำลองแบบพลวัตจำเป็นเมื่อเส้นทางเวลาของการเปลี่ยนแปลงมีความสำคัญ เช่น ในการคาดการณ์บำนาญหรือการดูแลระยะยาว

ชุดข้อมูลจุลภาคต้องมีขนาดเท่าใด?

ทะเบียนสถิติระบุขั้นต่ำที่ใช้งานได้คือ 1,000 หน่วยจุลภาค แต่การวิเคราะห์เชิงการกระจายที่มีความหมาย — โดยเฉพาะอย่างยิ่งสำหรับกลุ่มย่อยขนาดเล็ก — โดยทั่วไปต้องการบันทึกหลายหมื่นรายการ ทะเบียนการบริหารที่มีความครอบคลุมประชากรเกือบสมบูรณ์จะดีกว่าการสำรวจครัวเรือนขนาดเล็ก ซึ่งการประมาณการกลุ่มย่อยอาจมีช่วงความเชื่อมั่นที่กว้าง แม้หลังจากการถ่วงน้ำหนัก

การตอบสนองทางพฤติกรรมถูกรวมเข้าด้วยกันอย่างไร?

ในแบบจำลองแบบสถิต จะไม่มีการรวม: ผลกระทบ 'อันดับแรก' หรือ 'ในวันรุ่งขึ้น' จะถูกรายงานโดยไม่มีการปรับปรุง เพื่อเพิ่มการตอบสนองทางพฤติกรรม นักวิเคราะห์จะเพิ่มความยืดหยุ่นของอุปทานแรงงาน อัตราการออม หรือพารามิเตอร์การแสวงหาการรักษาพยาบาลที่ประเมินจากวรรณกรรมหรือจากการทดลองตามธรรมชาติ พารามิเตอร์แต่ละตัวจะเพิ่มความไม่แน่นอนเพิ่มเติม ดังนั้นการวิเคราะห์ความไวในช่วงพารามิเตอร์ที่เป็นไปได้จึงเป็นสิ่งจำเป็น

Microsimulation เหมือนกับการสร้างแบบจำลองตามตัวแทน (agent-based modelling) หรือไม่?

ทั้งสองวิธีมีหลักการร่วมกันในการดำเนินการกับหน่วยบุคคลแทนที่จะเป็นปริมาณรวม แต่มีความแตกต่างกันในจุดเน้น Microsimulation โดยทั่วไปใช้ประชากรเชิงประจักษ์ที่คงที่และกฎนโยบายเชิงกำหนด (หรือปรับเทียบทางสถิติ) เพื่อประเมินผลลัพธ์เชิงการกระจาย ในขณะที่ agent-based models เน้นพฤติกรรมรวมที่เกิดขึ้นจากการปฏิสัมพันธ์ของตัวแทน และมักใช้ประชากรที่เป็นแบบจำลอง ไม่ใช่ตัวแทนเชิงประจักษ์ สำหรับงานด้านภาษี-สิทธิประโยชน์และการคำนวณต้นทุน Microsimulation เป็นกรอบการทำงานมาตรฐาน

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว