Bouwstenen van een simulatiemodel

De bouwstenen die de basis vormen van een simulatiemodel zijn de inputdata, het geheel van beleidsmaatregelen en de output data (zie Figuur 3.1). Hier kunnen nog verschillende dimensies aan worden toegevoegd, zoals veranderingen in de bevolkingsstructuur en het integreren van een ruimtelijke dimensie, alsook van macro-economische effecten (zie ook Verbist & Philips (2021) voor een bespreking).

74

Figuur 3.1 Bouwstenen van een microsimulatiemodel

Bron: Verbist en Philips (2021)

Inputdata verzameling en voorbereiding

We verwezen reeds naar de verschillende soorten data die de input kunnen vormen van een simulatiemodel (hypothetische gezinnen; administratieve data; surveydata). Zeker de administratieve en de surveydata vergen vaak een zekere mate van voorbereiding alvorens ze in het model kunnen geïntegreerd worden. Deze voorbereiding heeft betrekking op data cleaning of het imputeren van missing data. Voor tax-benefit modellen is het vaak nodig om een netto-bruto procedure toe te passen, omdat veel datasets enkel informatie hebben over netto inkomens, terwijl bruto inkomens nodig zijn voor het berekenen van belastingen en uitkeringen. Daarnaast kan het nodig zijn om de data te herwegen (bv. voor belangrijke verschuivingen in de bevolking, zie ook ‘Veranderingen in bevolkingsstructuur’) en te indexeren, omdat er meestal een of meerdere jaren verstrijken tussen het moment van dataverzameling en de constructie of update van het model.

Opnemen beleidsregels

De beleidsregels zijn de tweede belangrijke component van simulatiemodellen in de sociale wetenschappen. Beleidsregels zijn een set van computer routines die geprogrammeerd zijn in een generieke of specifieke computertaal, met het oog op het modelleren van de relevante wetgeving. In het geval van een tax-benefit model, gaat het om het parametriseren van de wetgeving op het vlak van belastingen en uitkeringen. Dit betekent dat de wetgeving wordt vertaald in computer routines, die aangepast kunnen worden om de impact van alternatief beleid inzake belastingen en uitkeringen te simuleren. Aangezien de wetgeving verandert met de tijd moeten deze regels regelmatig worden geüpdatet; dit kan een tijds- en arbeidsintensieve procedure zijn. Li et al. (2014) geven aan dat de jaarlijkse update van een tax-benefit tot verschillende weken in beslag kan nemen, afhankelijk van de complexiteit van het beleidssysteem en van de doorgevoerde beleidsveranderingen.

Inputdata verzameling / voorbereiding

Beleidsregels

Output

Integratie macro-aggregaten en ruimtelijke opdeling

Verandering bevolkingsstructuur:

- Demografische processen - Gedragsreacties

Validering en callibrering

75 Veranderingen in de bevolkingsstructuur

Het meenemen van veranderingen in de bevolkingsstructuur over de tijd is relevant voor de empirische microsimulatiemodellen, eerder dan voor de standaardsimulaties. Er zijn verschillende technieken mogelijk om deze tijdsdimensie mee te nemen. Eerste manier is het ‘statisch verouderen’, wat betekent dat de data aangepast worden door herweging en indexering. Met herweging wordt het gewicht dat elke eenheid in de dataset heeft aangepast, zodat veranderingen in de samenstelling van de bevolking worden gereflecteerd. Als bijvoorbeeld het aandeel van personen ouder dan 65 jaar toeneemt van 20% naar 24%

tussen de tijd van dataverzameling en het tijdstip van de analyse, dan kan dit opgenomen worden door het relatieve gewicht van individuen ouder dan 65 te laten stijgen. Herweging wordt typisch gebruikt om oudere survey of administratieve data up-to-date te maken, of om projecties over de tijd te maken van een budget in de nabije toekomst. Indexering is nodig als monetaire bedragen veranderen over de tijd, door bv. inkomensgroei of inflatie. Deze statische verouderingstechnieken zijn vooral aangewezen voor veranderingen of projecties over de korte en de middellange termijn, en veel minder voor projecties over een langere termijn (zoals bv. 20 jaar). Immervoll, Lindstrom, Mustonen, en Viitamaki (2005, p. 2) definiëren statische verouderingstechnieken als “methods attempting to align the available micro-data with other known information (such as changes in population aggregates, age distributions or unemployment rates), without modelling the processes that drive these changes (e.g. migration, fertility, or economic downturn)”. Dit noemt men in de literatuur ‘nowcasting’: de data worden zo dicht mogelijk bij het huidig tijdstip gebracht.

Bij statische veroudering worden er dus geen dynamische veranderingen doorgevoerd in de kenmerken van de eenheden. Er wordt m.a.w. geen rekening gehouden met veranderingen in gedrag of dynamische processen die de bevolkingsstructuur veranderen. Men kan hiermee wel rekening houden door een dynamisch model op te zetten, of dynamische modules toe te voegen aan een statisch model, waardoor demografische processen mee worden opgenomen. Dit betekent dat men ook processen modelleert, zoals gezinsvorming, mortaliteit, fertiliteit… (voor meer informatie over dergelijke dynamische modellen, zie bv.

Li et al. (2014)). Ook gedragsreacties kunnen gemodelleerd worden om het effect van beleid op menselijk gedrag (proberen) in te schatten. Verschillende soorten gedragsreacties kunnen beschouwd worden (bv.

consumptie, financiële investeringen, al dan niet opnemen van uitkeringen, …), maar de meeste aandacht in dit verband gaat naar gedragsveranderingen met betrekking tot het arbeidsaanbod van individuen (zie voor meer informatie ook Li et al. (2014) en Creedy en Duncan (2002). Dit soort veranderingen kan gemodelleerd worden alvorens de berekening van de beleidsregels plaats vinden, d.w.z. dat men de effecten van het beleid berekent op basis van de veranderde dataset.

Integreren van macro aggregaten en ruimtelijke opdelingen

Afhankelijk van de doelstelling van het model en van beschikbare gegevens kunnen ook macro en ruimtelijke dimensies deel vormen van de modelstructuur. Ook deze bouwsteen is enkel relevant voor de empirische microsimulaties en niet voor de standaardsimulaties. Het opnemen van de macro dimensie betekent dat men de impact van macro-economische aggregaten, zoals economische groei of veranderingen in prijzen, op de micro-eenheden (bv. het beschikbaar gezinsinkomen) wil meenemen. Dit gebeurt meestal door het linken van een microsimulatiemodel met een Algemeen Evenwichtsmodel (zie bv. Peichl (2016); Cockburn e.a. (2014)). De ruimtelijke dimensie heeft betrekking op het feit dat sociale fenomenen ruimtelijk heterogeen zijn (bv. concentratie van armoede in bepaalde steden of wijken). Wil men de ruimtelijke heterogeniteit van het effect van beleidsmaatregelen in kaart brengen, dan zijn aangepaste data en technieken nodig. Dit gebeurt met zogenaamde ruimtelijk simulatiemodellen, die gebruik maken van beschikbare informatie opgesplitst over kleine gebieden. Hiervoor gebruikt men vaak

76 Census gegevens of grootschalige administratieve data (Tanton & Clarke, 2014). Deze aggregaten, die betrekking kunnen hebben op demografische, economische en sociale variabelen, vormen de basis voor het creëren van records voor elk klein gebied (voor meer informatie zie Tanton & Clarke (2014)). Aldus kan men bv. armoede-impact monitoren voor gemeenten of statistische sectoren.

Afleiden output data

In een simulatiemodel worden de beleidsregels toegepast op de inputdata, waarbij al dan niet rekening wordt gehouden met veranderingen in de bevolkingsstructuur, veranderingen in macro-aggregaten en ruimtelijke heterogeniteit. Dit resulteert dan in de output dataset. Deze output dataset bevat voor elke eenheid de gesimuleerde variabelen, met name de belastingen, uitkeringen en het beschikbaar inkomen.

Deze output data vormen dan de basis om relevante indicatoren af te leiden, zoals ongelijkheid en armoede in het geval van microdata, of werkprikkels en netto beschikbaar inkomen onder gewijzigde beleidsregels voor hypothetische gezinnen.

Valideren en kalibreren

Op basis van de output dient het model gevalideerd te worden. Standaardsimulaties spelen een belangrijke rol bij het valideren en kalibreren van microsimulatiemodellen. Zij zijn bij uitstek geschikt om fouten in het model op te sporen, omdat zij voor specifieke eenheden in detail de verschillende stappen van berekening weergeven. Daarnaast is het ook belangrijk om de uitkomsten te vergelijken met andere bronnen, zoals administratieve budgettaire gegevens van belastingen en uitkeringen. Er zijn echter verschillende redenen waarom een dergelijke vergelijking niet evident is. Zo zijn de categorieën van de overheidsadministraties niet altijd vergelijkbaar met de gegevens van het model. Ook kan het zijn dat non-take-up en belastingontwijking tot andere uitkomsten leiden. Daarnaast is het ook moeilijk om de administratieve uitvoeringspraktijken of –uitvoerbaarheid in het model te incorporeren. Deze praktijk kan ook gevolgen hebben voor de uitkomsten (zie ook sectie 7).