Динамическая микросимуляционная модель пенсии - Dynamic microsimulation pension model

А динамическая микромоделирование пенсионной модели это тип пенсионная модель проектирование пенсионной системы с помощью микросимуляция и создание полной истории каждого человека в наборе данных. Результаты такой модели предлагают как совокупные (например, общий коэффициент замещения, неявный долг), так и индивидуальные показатели (например, отдельные денежные потоки) пенсионной системы. Благодаря сложности результатов, есть возможность исследовать распределение пенсий, бедность пенсионеров, влияние изменений пенсионной формулы, дополнительные примеры см., Например, (Deloitte, 2011).^[1] Подробный индивидуальный набор (административных) данных должен служить входными данными для модели.

Динамические модели пенсионного обеспечения микромоделирования

Динамическая микросимуляционная пенсионная модель (или динамическая модель с динамическим старением) является разновидностью пенсионная модель - увидеть его таксономия а также (Gál, Horváth, Orbán, & Dekkers, 2009).^[2]Существует два основных типа этой модели: (i) детерминированная, которая основана на лучших оценках входных параметров и одновременном моделировании всех состояний; и (ii) стохастический, основанный на случайном моделировании одного пути состояния для заинтересованного лица.

Детерминированные модели

Переходы между статусами (например, между занятостью, безработицей, выходом с рынка труда и т. Д.) Моделируются одновременно. Жизненный путь одного смоделированного человека или группы людей постепенно расширяется. Результат (например, страховой стаж, вновь назначенная пенсия) достигается усреднением по всем жизненным путям. В таком случае невозможно изучить экстремальные жизненные пути, а также невозможно удовлетворительно идентифицировать, например, количество пенсионеров, которым угрожает бедность. При большом количестве точек модели модель способна выявить только угрозу бедности, вызванную низким доходом. Угроза бедности, вызванная прерыванием трудовой карьеры (недостаточно длительный страховой стаж), не может быть смоделирована без дополнительной информации и корректировок, внесенных в модель.

Упрощение или усреднение необходимо в случаях, когда в формуле пенсии встречаются нелинейные зависимости от жизненного пути (например, минимальная пенсия, минимальное количество лет работы и т. Д.). Некоторые экстремальные ситуации можно решить, установив новый статус, но это усложняет модель, и, опять же, расчет является только приблизительным. При надлежащем наличии данных можно использовать всю структуру для выбранных параметров (в первую очередь периода страхования), но это требует больших затрат как вычислений, так и памяти.

С другой стороны, преимущество детерминированного подхода заключается в том, что легче обеспечить согласованность с внешними выходными данными, например демографический прогноз и макроэкономический сценарий роста средней заработной платы. Однако даже в этом случае может потребоваться калибровка модели. Например, чтобы обеспечить согласованность с внешним макроэкономическим прогнозом, необходимо откалибровать рост заработной платы на протяжении всей карьеры.

Стохастические модели

Переходы между статусами моделируются на основе случайных параметров (генерирование случайного числа). В определенный момент времени каждой точке модели соответствует только один статус. Переход между определенными состояниями зависит от случайного числа и его сравнения с вероятностью перехода.

У одного модельного пункта ровно одна случайная карьера. В результате страховой период и другие переменные, входящие в пенсионную формулу, известны точно на момент выхода на пенсию, что позволяет выполнять точное моделирование нелинейностей пенсионной формулы по крайним линиям, см., Например, ("Pojistné rozpravy 28/2011").^[3]

Требования к данным такие же, как и для детерминированной модели (вероятность переводов). Если доступны более подробные данные, их легко использовать и адаптировать структуру модели.

Для достижения стабильных общих результатов необходимо использовать достаточное количество точек модели или имитаций (при множественном моделировании результат является средним для соответствующих имитаций). Необходимость в большем количестве точек модели или моделирования увеличивает время расчета. Это, с другой стороны, компенсируется более простым расчетом, поскольку нет необходимости рассчитывать все жизненные пути одновременно и усреднять их.

Из-за случайность, результаты не совсем соответствуют внешним выходным данным (демографическим прогнозам, макроэкономическим прогнозам), но если количество точек модели или моделирования достаточно, степень согласованности очень хорошая.

Основным преимуществом стохастического подхода является возможность точного моделирования всех нелинейных элементов пенсионной формулы. Таким образом, результаты включают даже крайние черты, и можно исследовать случаи, когда людям угрожает бедность. В этот тип модели можно интегрировать больше статусов, и поэтому ее также можно использовать для моделирования других типов пособий (пособие по безработице, пособие на ребенка, пособие по болезни). С другой стороны, установление дополнительного статуса в детерминированной модели сильно усложняет модель.

Некоторые свойства стохастических моделей могут быть непривычными для пользователей. Некоторые выходные данные, особенно связанные с переводами между статусами, такие как количество смертей, количество новых сотрудников и т. Д., «Зашумлены». Это соответствует наблюдению за реальностью, но пользователей можно использовать для «сглаживания» результатов.

Для достижения стабильных результатов необходимо иметь большое количество точек модели или моделирования. Чем больше параметров генерируется стохастически, тем большее количество симуляций требуется для обеспечения сходимости.

Сильные и слабые стороны динамических моделей микросимуляции

Сильные стороны

моделирует всю историю жизни людей
дает возможность использовать всю доступную информацию и индивидуальные данные (точный расчет пенсий для лиц, приближающихся к пенсионному возрасту)
позволяет отразить все законодательные параметры (т.е. даже нелинейности и т. д.)
комплексные результаты (неотклоненные агрегированные результаты, индивидуальные результаты и структура пенсий, показатели бедности, подробнее см., например, см. (Deloitte, 2011) ^[1])
оценка актуарных аспектов пенсионной системы
может быть расширен для охвата других систем социальных льгот и использоваться в качестве последовательного инструмента при создании социальной политики

Недостатки

более высокие затраты на внедрение модели (программное обеспечение, опыт, команда) и обслуживание
более высокие требования к расчетам (требования к программному и аппаратному обеспечению)
большее время расчета (по сравнению со стандартными моделями)
высокие требования к исходным данным и подготовка допущений для модели
более высокие требования с точки зрения обеспечения согласованности с другими предположениями (макросценарий, демографические прогнозы)

Примеры динамических моделей микросимуляции

В разных странах существует ряд динамических моделей микросимуляции:

Динамическая модель микросимуляции Чешской Республики ^[1]^[3] (Министерство труда и социальных дел Чешской Республики),
Pensim2 (Британский департамент труда и пенсий),
Дестини (Французский национальный статистический институт),
Мосарт (Статистическое управление Норвегии),
FAMSIM (Австрийский институт семейных исследований) и др.

Для получения дополнительной информации см., Например, (Асгар Заиди и Кэтрин Рэйк, 2001).^[4]