Dynamiczny mikrosymulacyjny model emerytalny

Dynamiczny mikrosymulacyjny model emerytalny to rodzaj modelu emerytalnego projektującego system emerytalny za pomocą mikrosymulacji i generujący pełną historię każdej osoby w zbiorze danych. Wyniki takiego modelu oferują zarówno zagregowane (np. całkowity współczynnik zastąpienia, implicit dług), jak i indywidualne (np. indywidualne przepływy pieniężne) systemu emerytalnego. Dzięki złożoności wyników istnieje możliwość zbadania rozkładu emerytur, ubóstwa emerytów, wpływu zmian formuły emerytalnej, więcej przykładów patrz np. (Deloitte, 2011). Jako wejście modelowe powinien służyć szczegółowy indywidualny zbiór danych (administracyjnych).

Dynamiczne modele mikrosymulacyjne emerytur

Dynamiczne mikrosymulacyjne modele emerytalne (lub model dynamiczny z dynamicznym starzeniem się) to rodzaj modelu emerytalnego – patrz jego taksonomia , a także (Gál, Horváth, Orbán i Dekkers, 2009). Istnieją dwa podstawowe typy tego rodzaju modeli – (i) deterministyczny, który opiera się na najlepszych estymatorach parametrów wejściowych i symultanicznym modelowaniu wszystkich stanów; oraz (ii) stochastyczny, oparty na losowej symulacji jednej ścieżki statusu dla danej osoby.

Modele deterministyczne

Transfery między statusami (np. między zatrudnieniem, bezrobociem, wyjściem z rynku pracy itp.) są modelowane jednocześnie. Ścieżka życiowa jednego modelowanego osobnika lub grupy osobników stopniowo się rozgałęzia. Wynik (np. okres ubezpieczenia, nowo przyznana emerytura) uzyskuje się poprzez uśrednienie we wszystkich ścieżkach życia. W takim przypadku nie jest możliwe zbadanie skrajnych ścieżek życia, nie jest też możliwe zadowalające określenie np. liczby emerytów zagrożonych ubóstwem. Przy dużej liczbie punktów modelu model jest w stanie zidentyfikować jedynie zagrożenie ubóstwem spowodowane niskimi dochodami. Zagrożenia ubóstwem spowodowanego przerwaniem kariery zawodowej (niewystarczająco długi okres ubezpieczenia) nie można modelować bez dodatkowych informacji i korekt modelu.

Uproszczenie lub uśrednienie jest konieczne w przypadkach, gdy w formule emerytalnej występują nieliniowe zależności ścieżki życia (np. emerytura minimalna, minimalna liczba lat pracy itp.). Niektórym ekstremalnym sytuacjom można zaradzić, ustanawiając nowy status, ale to sprawia, że ​​model jest bardziej złożony, a obliczenia są tylko przybliżone. Przy odpowiedniej dostępności danych możliwe jest wykorzystanie całej struktury dla wybranych parametrów (przede wszystkim okresu ubezpieczenia), ale jest to zarówno obliczeniowe, jak i pamięciochłonne.

Z drugiej strony zaletą podejścia deterministycznego jest to, że łatwiej jest zapewnić spójność z wynikami zewnętrznymi, np. projekcją ludności i scenariuszem makroekonomicznym wzrostu przeciętnego wynagrodzenia. Jednak nawet w tym przypadku może być konieczna kalibracja modelu. Na przykład, aby zapewnić spójność z zewnętrzną projekcją makroekonomiczną, konieczna jest kalibracja wzrostu wynagrodzeń w ciągu całej kariery zawodowej.

Modele stochastyczne

Przejścia pomiędzy statusami modelowane są w oparciu o losowe parametry (generowanie liczby losowej). W danym momencie każdy punkt modelu odpowiada tylko jednemu statusowi. Przejście między zdefiniowanymi statusami zależy od losowej liczby i jej porównania z prawdopodobieństwem przeniesienia.

Jeden punkt modelu ma dokładnie jedną losową karierę. W rezultacie okres ubezpieczenia i inne zmienne występujące we wzorze emerytalnym są znane dokładnie w momencie przejścia na emeryturę, co umożliwia dokładne modelowanie nieliniowości formuły emerytalnej w skrajnych liniach, zob. np. („Pojistné rozpravy 28/ 2011").

Wymagania dotyczące danych są takie same jak w przypadku modelu deterministycznego (prawdopodobieństwo transferów). Jeśli dostępne są bardziej szczegółowe dane, łatwo z nich skorzystać i dostosować strukturę modelu.

Aby uzyskać stabilne wyniki ogólne, konieczne jest użycie wystarczającej liczby punktów modelu lub symulacji (w przypadku wielu symulacji wynik jest średnią z odpowiednich symulacji). Potrzeba większej liczby punktów modelowych lub symulacji wydłuża czas obliczeń. To z kolei rekompensuje prostsza kalkulacja, ponieważ nie trzeba obliczać jednocześnie wszystkich ścieżek życia i uśredniać ich.

Ze względu na losowość wyniki nie pokrywają się dokładnie z wynikami zewnętrznymi (projekcje populacyjne, projekcje makroekonomiczne), ale jeśli liczba punktów modelu lub symulacji jest wystarczająca, stopień spójności jest bardzo dobry.

Główną zaletą podejścia stochastycznego jest możliwość dokładnego modelowania wszystkich nieliniowych elementów formuły emerytalnej. Wyniki obejmują więc nawet skrajne linie i możliwe jest zbadanie przypadków jednostek zagrożonych ubóstwem. Możliwe jest włączenie większej liczby statusów do tego typu modelu, dzięki czemu można go wykorzystać również do modelowania innych rodzajów świadczeń (zasiłek dla bezrobotnych, dziecko, choroba). Z drugiej strony ustalenie dodatkowego statusu w modelu deterministycznym czyni model bardzo skomplikowanym.

Niektóre właściwości modeli stochastycznych mogą być dla użytkowników nietypowe. Niektóre wyjścia, zwłaszcza te związane z przejściami między statusami, jak liczba zgonów, liczba nowo zatrudnionych osób itp., są „zaszumione”. Odpowiada to obserwacji rzeczywistości, ale użytkownicy mogą być przyzwyczajeni do „gładkich” wyników.

Aby uzyskać stabilne wyniki, konieczne jest posiadanie dużej liczby punktów modelowych lub symulacji. Im więcej parametrów generowanych jest stochastycznie, tym większa liczba symulacji wymaganych do zapewnienia konwergencji.

Mocne i słabe strony dynamicznych modeli mikrosymulacyjnych

Silne strony

  • modeluje całą historię życia jednostek
  • umożliwia wykorzystanie wszystkich dostępnych informacji i danych indywidualnych (dokładne wyliczenie emerytur dla osób zbliżających się do wieku emerytalnego)
  • umożliwia odzwierciedlenie wszystkich parametrów legislacyjnych (tj. nawet nieliniowości itp.)
  • produkty kompleksowe (nieodchylone wyniki zagregowane, wyniki indywidualne i struktura emerytur, wskaźniki ubóstwa, więcej zob. np. (Deloitte, 2011) )
  • ocena aspektów aktuarialnych systemu emerytalnego
  • można rozszerzyć na inne systemy świadczeń społecznych i wykorzystać jako spójne narzędzie w kreowaniu polityki społecznej

Słabości

  • wyższe koszty wdrożenia modelu (oprogramowanie, doświadczenie, zespół) i utrzymania
  • wyższe wymagania obliczeniowe (zarówno wymagania programowe, jak i sprzętowe)
  • dłuższy czas obliczeń (w porównaniu ze standardowymi modelami)
  • wysokie wymagania co do danych wejściowych i przygotowania założeń do modelu
  • wyższe wymagania w zakresie zapewnienia spójności z innymi założeniami (scenariusz makro, projekcje ludnościowe)

Przykłady dynamicznych modeli mikrosymulacyjnych

W różnych krajach istnieje wiele dynamicznych modeli mikrosymulacyjnych:

Więcej zob. np. (Asghar Zaidi i Katherine Rake, 2001).

Pobrano z „ https://en.wikipedia.org/w/index.php?title=Dynamic_microsimulation_pension_model&oldid=1147682700 ”