Skip to content
返回搜索结果

个体模拟 — 个人层面政策建模

提出者
Guy Orcutt (concept, 1957); modern tax-transfer frameworks developed through EUROMOD and related projects
年份
1957
类型
Policy simulation / computational social science

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

个体模拟是一种计算方法,通过直接作用于由家庭、公司、患者等个体微观单位组成的群体,并根据每个单位自身的人口统计、经济和行为特征应用规则来模拟政策效应。该方法由盖伊·奥克特(Guy Orcutt)于1957年提出概念,现已成为实施前评估税制改革、养老金体系和医疗政策的标准工具。

方法背后的直觉

大多数政策问题实际上是关于异质性人群的问题,而不是关于平均值的问题。一项固定税率改革对低收入单亲家庭的影响与对高收入夫妇的影响截然不同,而这些差异对于理解谁受益、谁受损以及总成本是多少至关重要。个体模拟通过将人群保留为个人记录的数据集,并逐条记录运行政策规则——就像税务机关那样——而不是将汇总数据输入宏观模型,从而捕捉到这一点。其结果是能够提供宏观模型无法产生的、关于分配影响的丰富、逐单位的图景。

历史学

个体模拟的概念基础由盖伊·奥克特(Guy Orcutt)在1957年发表于《美国经济评论》的文章中奠定,他认为经济模型应作用于实际做出决策的个体家庭和公司,而非汇总量。静态税收福利个体模拟在20世纪80年代和90年代随着许多国家的政府模型而扩展。欧盟模型(EUROMOD)(Sutherland & Figari, 2013)为欧盟国家建立了跨国、统一的税收福利个体模拟。动态个体模拟——通过人口统计和行为转变方程随时间推移人口——并行发展,例如LIAM2模型提供了开源基础设施。《个体模拟建模手册》(O'Donoghue, 2014)对这两个分支进行了全面调查。

何时使用

当您需要对政策变化的分配性、单位层面分析,并且能够获取大型、具有代表性的微观数据集(通常至少有1000条记录,常有数万条)时,个体模拟是适用的。它是税收福利分析、养老金改革、医疗融资和社保设计的自然选择。当改革是离散的且可以忽略行为响应或将其视为敏感性案例时,静态模型是适用的;当人口老龄化、就业或健康转变的时间路径很重要时,则需要动态模型。该方法不适用于只有汇总数据可用、目标人群没有个体记录表示、或行为响应在理论上至关重要但无法从证据中参数化的情况。

局限与注意事项

  • 需要高质量、大规模的微观数据集;结果的代表性仅取决于底层数据的质量。
  • 行为响应难以可靠建模;静态模型假设没有响应,这对于大规模改革来说可能是一个强烈的假设。
  • 动态模型所需的弹性参数必须从外部研究中导入,并引入额外的不确定性。
  • 构建和验证个体模拟模型是资源密集型的:它需要编程专业知识、对政策规则的深入了解以及细致的数据管理。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 产生完整的分配影响概况——不仅是平均效应,还有谁受益、谁受损,按收入、年龄、性别或数据中的任何其他特征划分。
  • 自然地处理政策异质性:宏观模型无法近似的复杂、非线性税收福利规则在单位层面被精确应用。
  • 结果可供政策制定者直接解读:财政成本、贫困人口数量变化和基尼系数变化以熟悉的单位报告。
  • 动态模型可以预测人口的演变并在长期内测试政策的可持续性。

应用

  • 在立法生效前,估算所得税改革对不同家庭收入群体的影响以及财政影响。
  • 随着人口老龄化,预测养老金体系改革的长期成本和福利充足性。
  • 评估社会福利改革(包括资格审查变化和福利上限)对贫困和不平等的影响。
  • 评估医疗融资改革(如共付额变化或保险覆盖范围扩大)对不同人口群体患者自付费用的影响。
  • 利用大型行政或调查数据集,为经济不平等研究生成基线分配统计数据。

使用方式

使用方式

1

组装一个代表性的微观数据集——通常是大型家庭调查或行政登记数据——并保留抽样权重,以确保合成人口代表真实人口。政策规则所需的变量(收入构成、家庭结构、就业状况、健康指标)经过清理、统一和验证。对于动态模型,在应用政策之前,使用人口转变概率将人口“向前推进”。

2

每个政策工具(税收表、福利资格、缴款率)都被转化为明确的计算规则。在静态个体模拟中,规则反映了当前法律和反事实改革,不假设行为响应。在动态模型中,劳动供给弹性、储蓄反应或寻求健康的行为也被参数化并链接到规则集。

3

规则引擎处理微观数据集中的每一条记录:它为每个单位计算基线情景和改革情景下的税收、福利或结果。对于动态模型,引擎会逐步推进离散的时间段,在每个时期根据转变概率更新单位特征并应用现行规则。随机模型通过绘制随机数来解决转变问题;确定性模型则应用期望值权重。

4

单位层面的输出经过加权和汇总,以产生群体层面的估计值:分配表(按收入十分位数、年龄组、地区)、财政成本或节约、贫困和不平等指标,以及——在动态模型中——随时间推移的预测路径。敏感性检查会改变关键行为参数,以界定估计值中的不确定性范围。

常见陷阱

  • 未能保留或正确应用抽样权重会导致估计值不能代表真实人口——务必在每次汇总步骤中传播权重。
  • 将静态模型视为捕捉了行为响应:‘事后’假设(无行为改变)是一种刻意的简化,而非发现;在任何报告中都要清楚地说明这一点。
  • 使用未检查代表性的人口数据:调查不响应和行政覆盖范围的差距可能导致特定亚群体的分配结果出现偏差。
  • 混淆模型的精确性与模型的准确性——如果行为参数或政策规则指定错误,个体模拟可能会产生非常精确的错误答案。
  • 对于动态模型,忽略长期预测的复合不确定性;务必报告中心预测周围的敏感性范围。

常见问题

静态个体模拟与动态个体模拟有何区别?

静态模型将新的政策规则应用于人口快照,并计算‘事后’分配变化,假设行为不变。动态模型使用人口转变概率(出生、死亡、就业变化、健康恶化)将人口向前推进,并可以纳入行为响应,如劳动供给调整。静态模型更简单,数据要求更少;当变化的时间路径很重要时,例如在养老金或长期护理预测中,则需要动态模型。

微观数据集需要多大?

Statwise注册表规定了1000个微观单位的实际最低数量,但有意义的分配分析——特别是对于小型亚群体——通常需要数万条记录。具有近乎完整人口覆盖的行政登记数据优于小型家庭调查,后者的亚群体估计即使在加权后也可能具有较宽的置信区间。

如何纳入行为响应?

在静态模型中不纳入:报告的是‘一阶’或‘事后’效应,未经调整。为了加入行为响应,分析人员会叠加从文献或自然实验中估计出的劳动供给弹性、储蓄率或健康寻求参数。每个参数都会引入额外的不确定性,因此对合理参数范围进行敏感性分析至关重要。

个体模拟与基于主体的建模是相同的吗?

它们都遵循作用于个体单位而非汇总量的原则,但在侧重点上有所不同。个体模拟通常使用固定的经验人口和确定性(或统计校准)的政策规则来估计分配结果;基于主体的模型则强调由主体互动产生的涌现集体行为,并倾向于使用风格化的、非经验代表性的人口。对于税收福利和政策成本核算工作,个体模拟是标准框架。

相关方法

参考文献

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

    打开 DOI 文献
    已复制。
  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.

    打开出版物文献
    已复制。