Illustrationsbillede indhold

Styrker og svagheder ved mikrosimulering

Der kan være en række forskellige grunde til, at mikrosimulering er et fordelagtigt værktøj at benytte til fremskrivning af befolkningsudviklingen og dens karakteristika.

Nogle af de styrker, der karakteriserer mikrosimuleringsmodeller er:

  • Kendskab til en persons livsforløb i løbet af hele den periode, som vedkommende har optrådt i modellen. Det gør modellen velegnet til at modellere eksempelvis opbygning af pensionsformue (akkumulerede indbetalinger) eller ved beskrivelse af en persons sygdomsprofil, hvor tidligere sygdomsforløb kan have betydning. Et andet eksempel, hvor kendskab til en persons status i tidligere perioder udnyttes, er SMILEs arbejdsmarkedsmodel. Befolkningens arbejdsmarkedstilknytning i den kommende måned sikres her en vis persistens ved at afhænge af de foregående 36 måneders færden inden og uden for arbejdsmarkedet.
  • De er særligt velegnede til at beskrive fordelinger af eksempelvis indkomst og pension. SMILE kan eksempelvis generere fordelinger af indkomst fremfor blot den gennemsnitlige indkomst for en gruppe af personer. Det muliggør, at man kan lave analyser på befolkningsgrupper, der omfatter eksempelvis de 40 pct. fattigste i befolkningen eller de 5 pct. rigeste. Således kan man adressere problemstillinger, der ikke er begrænset til populationer, der alene er beskrevet ved overordnede karakteristika som køn, alder og uddannelse.
  • Det er enkelt at skabe relationer mellem personerne i modellen. I SMILE  er personer eksempelvis sammenknyttet i familier, så der på ethvert tidspunkt er kendskab til relationen mellem såvel børn og deres forældre som mellem søskende. Dette kan udnyttes i forbindelse med modellering af eksempelvis social arv i uddannelse eller have indflydelse på de enkelte personers bopælsstatus.
  • Modellerne er nemme at udvide med flere karakteristika. 

Omvendt indebærer anvendelsen af modellerne selvfølgelig også en række udfordringer:

  •  Markant afviklingstid og behov for stor computerkapacitet.
  •  Reestimation af modellens overgangssandsynligheder er ganske omfattende, når modellen skal opdateres med nye historiske data.
  •  Det er typisk sværere at være up-to-date med seneste data, fordi aggregeret data ofte er tilgængeligt før detaljeret mikrodata.
  •  Modelresultater, der beskriver meget små persongrupper, er behæftet med betydeligt usikkerhed, som delvist kan afhjælpes ved gentagende modelafviklinger.
  •  Der tages typisk ikke højde for ligevægtseffekter (eksempelvis modelleres det ikke, at et generelt stigende uddannelsesniveau kan dæmpe lønudviklinger blandt uddannede).