動的マイクロシミュレーション年金モデルは、マイクロシミュレーションを用いて年金制度を予測し、データセット内の各個人の完全な履歴を生成する年金モデルの一種です。このモデルの結果は、年金制度の集計指標（例：総所得代替率、暗黙の債務）と個別指標（例：個人キャッシュフロー）の両方を提供します。結果の複雑さにより、年金の分配、年金受給者の貧困、年金制度の変更の影響などを調査することが可能です。詳細な例については、例えば（Deloitte, 2011）を参照してください。[1]詳細な個人（行政）データセットは、モデルの入力として使用する必要があります。
動的マイクロシミュレーション年金モデル
動的マイクロシミュレーション年金モデル（または動的高齢化を考慮した動的モデル）は年金モデルの一種です。その分類法および（Gál、Horváth、Orbán、Dekkers、2009）も参照してください。[2]この種のモデルには2つの基本的なタイプがあります。(i) 決定論的モデルは、入力パラメータの最良推定値とすべてのステータスの同時モデリングに基づきます。(ii) 確率論的モデルは、対象となる個人の1つのステータスパスのランダムシミュレーションに基づきます。
決定論的モデル
状態間の遷移（雇用、失業、労働市場からの退出など）はすべて同時にモデル化されます。モデル化された個人または個人のグループのライフパスは、徐々に分岐していきます。結果（保険期間、新たに支給される年金など）は、すべてのライフパスを平均化することで得られます。このような場合、極端なライフパスを探索することはできず、貧困の脅威にさらされている年金受給者の数などを適切に特定することもできません。モデルポイントの数が多い場合、モデルは低所得によって引き起こされる貧困の脅威のみを特定できます。就労の中断（保険期間が不十分）によって引き起こされる貧困の脅威は、追加情報とモデルへの調整なしではモデル化できません。
年金計算式においてライフパスの非線形依存性（最低年金額、最低就業年数など）が生じる場合、簡略化または平均化が必要となります。一部の極端な状況では、新たなステータスを設定することで対応可能ですが、モデルはより複雑になり、計算は概算値にしかなりません。適切なデータが利用可能であれば、選択したパラメータ（主に保険期間）についてモデル全体の構造を使用することは可能ですが、計算量とメモリ消費量の両方が増加します。
一方、決定論的アプローチの利点は、人口予測や平均賃金上昇のマクロ経済シナリオといった外部出力との整合性を確保しやすいことです。しかし、この場合でもモデルのキャリブレーションが必要になる場合があります。例えば、外部のマクロ経済予測との整合性を確保するには、キャリア全体にわたる賃金上昇率をキャリブレーションする必要があります。
確率モデル
状態間の遷移は、ランダムパラメータ（乱数生成）に基づいてモデル化されます。ある時点において、各モデルポイントはただ1つの状態に対応します。定義された状態間の遷移は、乱数と、その遷移確率との比較によって決まります。
1つのモデルポイントには、正確に1つのランダムキャリアが存在します。その結果、退職時点での保険期間や年金計算式に現れるその他の変数が正確に把握され、極端な線における年金計算式の非線形性を正確にモデル化することが可能になります。例えば、「Pojistné rozpravy 28/2011」を参照してください。[3]
データ要件は決定論的モデル（移転確率）と同じです。より詳細なデータが利用可能な場合は、それらを使用してモデルの構造を調整することが容易です。
安定した全体的結果を得るには、十分な数のモデルポイントまたはシミュレーションを使用する必要があります（複数のシミュレーションを行う場合、結果はそれぞれのシミュレーションの平均となります）。必要なモデルポイントまたはシミュレーションの数が増えると、計算時間は長くなります。しかし、すべてのライフパスを同時に計算して平均化する必要がないため、計算時間はより単純になります。
ランダム性のため、結果は外部出力（人口予測、マクロ経済予測）と完全には一致しませんが、モデルポイントまたはシミュレーションの数が十分であれば、一貫性の度合いは非常に良好です。
確率論的アプローチの主な利点は、年金計算式におけるすべての非線形要素を正確にモデル化できることです。そのため、結果には極端な線も含まれ、貧困の脅威にさらされている個人の事例を調査することが可能です。このタイプのモデルにはより多くのステータスを組み込むことができるため、他の種類の給付（失業手当、児童手当、傷病手当）のモデル化にも使用できます。一方、決定論的モデルでは、追加のステータスを設定することでモデルが非常に複雑になります。
確率モデルの特性の中には、ユーザーにとって馴染みのないものがあるかもしれません。特に死亡数や新規雇用者数といったステータス間の移動に関連する出力の一部は「ノイズ」を含んでいます。これは現実の観察結果と一致しますが、ユーザーは結果を「平滑化」することに慣れている可能性があります。
安定した結果を得るには、多数のモデルポイントまたはシミュレーションが必要です。確率的に生成されるパラメータの数が増えるほど、収束を確実にするために必要なシミュレーション回数は増加します。
動的マイクロシミュレーションモデルの長所と短所
強み
- 個人の人生の歴史全体をモデル化する
- 利用可能なすべての情報と個人データ（退職年齢に近づいている個人の年金の正確な計算）を利用できるようになります。
- すべての立法パラメータ（非線形性など）を反映することが可能になります。
- 包括的なアウトプット（非偏差集計結果、個別結果、年金構造、貧困指標、詳細については、例えば（デロイト、2011）[1]を参照）
- 年金制度の保険数理的側面の評価
- 他の社会福祉制度にも拡張でき、社会政策を作成するための一貫したツールとして使用できる。
弱点
- モデルの実装（ソフトウェア、経験、チーム）とメンテナンスにかかるコストの増加
- より高い計算要件（ソフトウェアとハードウェアの両方の要件）
- 計算時間が長くなる（標準モデルと比較して）
- 入力データとモデルの仮定の準備に対する高い要求
- 他の仮定（マクロシナリオ、人口予測）との整合性を確保するという点でより高い要求
動的マイクロシミュレーションモデルの例
さまざまな国に、数多くの動的マイクロシミュレーション モデルが存在します。
- チェコ共和国の動的マイクロシミュレーションモデル[1] [3]（チェコ共和国労働社会省）
- Pensim2（英国雇用年金省）
- Destinie（フランス国立統計研究所）、
- モサルト（ノルウェー統計局）、
- FAMSIM（オーストリア家族研究所）など
詳細については、例えばAsghar ZaidiとKatherine Rake（2001）を参照。[4]
参考文献
- ^ abc チェコ共和国の動的マイクロシミュレーションモデルの最終プロジェクト報告書に基づく要約。デロイト。2011年。2013年1月2日時点のオリジナルよりアーカイブ。
- ^ Gál, RI; Horváth, A.; Orbán, G.; Dekkers, G. (2009). PENMICRO: 個人データソースに基づくミクロ社会経済的ツールによる年金動向のモニタリング：実現可能性調査. TARKI社会調査研究所. p. 67.
- ^ ab ベドナジーク、ペトル (2011)。 「Mikrosimulační モデル českého důchodového systému se stochastickými kariérami」。ポジストネ・ロズプラヴィ。２８．
- ^ Zaidi, Asghar; Rake, Katherine (2001).動的マイクロシミュレーションモデル：レビューとSAGEへのいくつかの教訓. p. 40. CiteSeerX 10.1.1.96.1328 .
