Advertisement

Neuere bevölkerungsbezogene Mikrosimulationen in Großbritannien und Deutschland

  • Rainer SchnellEmail author
  • Thomas Handke
Chapter

Zusammenfassung

Eine systematische Literatursuche führt zur Identifikation von 8 deutschen und 9 britischen dynamischen Mikrosimulationsmodellen der Bevölkerung zwischen 2005 und 2018. Für jedes Modell wird die Datengrundlage, die Implementierung, der erforderte Aufwand und eventuelle Validierungen erläutert.

Schlüsselbegriffe

dynamic microsimulation UK BRD Review Übersicht 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Appendino, J. R. (1986). Entwurf von Modulen des Darmstädter Mikrosimulationsmodells. Ehescheidungs-, Eheschließungs-, Sozialabgaben-, Konsum- und Vermögensbildungsmodul. (Unveröffentlichte Dissertation: Darmstadt). Technische Hochschule Darmstadt.Google Scholar
  2. Ballas, D., Clarke, G., Dorling, D., Eyre, H., Thomas, B., & Rossiter, D. (2005). SimBritain: A Spatial Microsimulation Approach to Population Dynamics. Population, Space and Place, 11, 13–34.Google Scholar
  3. Baroni, E., Eklöf, M., Hallberg, D., Lindh, T., & Zamac, J. (2009). Fertility Decisions – Simulation in an Agent-Based Model (IFSIM). In A. Zaidi, A. Harding, P. Williamson (Hrsg.), New Frontiers in Microsimulation Modelling, Bd. 36 von Public Policy and Social Welfare, (S. 265–286). Surrey/Burlington: Ashgate.Google Scholar
  4. Bélanger, A. Saubourin, P. (2017). Microsimulation and Population Dynamics: An Introduction to Modgen 12. Cham: Springer.Google Scholar
  5. Birkin, M., Wu, B., Rees, P. (2009). Moses: Dynamic Spatial Microsimulation with Demographic Interactions. In A. Zaidi, A. Harding, P. Williamson (Hrsg.), New Frontiers in Microsimulation Modelling, Bd. 36 von Public Policy and Social Welfare, (S. 53–78). Surrey/Burlington: Ashgate.Google Scholar
  6. Bonin, H. (2013). Mikrosimulation ausgewählter ehe- und familienbezogener Leistungen im Lebenszyklus. Gutachten für die Prognos AG. Forschungsbericht: Mannheim: Zentrum für Europäische Wirtschaftsforschung GmbH.Google Scholar
  7. Bonin, H., Reuss, K., & Stichnoth, H. (2015). Life-cycle Incidence of Family Policy Measures in Germany: Evidence from a Dynamic Microsimulation Model, Bd. 770 von SOEPpapers on Multidisciplinary Panel Data Research. Berlin: Deutsches Institut für Wirtschaftsforschung.Google Scholar
  8. Brewer, M., Browne, J., Emmerson, C., Goodman, A., Muriel, A., & Tetlow, G. (2007). Pensioner Poverty Over the Next Decade: What Role for Tax and Benefit Reform?, Bd. 103 von Commentary. London: Institute for Fiscal Studies.Google Scholar
  9. Browne, J., Emmerson, C., Heald, K., & Hood, A. (2014). Modelling Work, Health, Care and Income in the Older Population: The Ifs Retirement Simulator (RetSim), Bd. W14/12 von IFS Working Papers. London: Institute for Fiscal Studies.Google Scholar
  10. Campbell, M. & Ballas, D. (2016). SimAlba: A spatial microsimulation approach to the analysis of health inequalities. Frontiers in public health, 4.Google Scholar
  11. Dekkers, G., Buslei, H., Cozzolino, M., Desmet, R., Geyer, J., Hofmann, D., Raitano, M., Steiner, V., Tanda, P., Tedeschi, S., & Verschueren, F. (2008). What are the Consequences of the Awg Projections for the Adequacy of Social Security Pensions? An Application of the Dynamic Micro Simulation Model Midas for Belgium, Italy and Germany., Bd. 65 von ENEPRI Research Report:Google Scholar
  12. Ekland-Olson, S. & Gibbs, J. P. (2018). Science and Sociology: Predictive Power is the Name of the Game. Abingdon: Routledge.Google Scholar
  13. Emmerson, C., Heald, K., & Hood, A. (2014). The Changing Face of Retirement. Future Patterns of Work, Health, Care and Income among the Older Population, Bd. R95 IFS Report. London: Institute for Fiscal Studies.Google Scholar
  14. Emmerson, C., Reed, H., & Shephard, A. (2004). An Assessment of PENSIM2, Bd. 04/21 IFS Working Paper. London: Institute for Fiscal Studies.Google Scholar
  15. Evandrou, M., Falkingham, J., Johnson, P., Scott, A., Zaidi, A. (2007). The SAGE Model: A Dynamic Microsimulation Population Model for Britain. In: Gupta, A. Harding, A.(Hrsg.), Modelling Our Future. Population Ageing, Health And Aged Care, Bd. 16 von International Symposia In Economic Theory and Econometrics, (S. 443–447). Amsterdam: Elsevier.Google Scholar
  16. Fleck, C. (1996). Konzeption eines Mikrosimulationsmodells für die Bereiche ‚Demographie’ und ’Erwerbsbeteiligung’ auf der Grundlage des Sozioökonomischen Panels. (Unveröffentlichte Dissertation: Darmstadt). Technische Hochschule Darmstadt.Google Scholar
  17. Forder, J., & Fernandez, J. (2012). Analysing the Costs and Benefits of Social Care Funding Arrangements in England: Technical Report (3rd Edition), Bd. 2644/3 von PSSRU discussion paper. Kent/London: PSSRU.Google Scholar
  18. Frommert, D. (2015). Spot On or Way Off? Validating Results of the AVID Microsimulation Model Retrospectively. International Journal of Microsimulation, 8, 3–32.Google Scholar
  19. Gault, S. (2009). Benefit Reform – a Dynamic Microsimulation Approach Using Administrative Data. IMA Conference 2009, Canada. [Zitiert nach: Li, J. und O’Donoghue, C. (2013)].Google Scholar
  20. Hancock, R. (2000). Charging for Care in Later Life: An Exercise in Dynamic Microsimulation. In: L. Mitton, H. Sutherland, & M. Weeks (Hrsg.), Microsimulation Modelling for Policy Analysis. Challenges and Innovations, (S. 226–237). Cambridge: Cambridge University Press.Google Scholar
  21. Hannappel, M. (2015). (K)ein Ende der Bildungsexpansion in Sicht?! Ein Mikrosimulationsmodell zur Analyse von Wechselwirkungen zwischen demographischen Entwicklungen und Bildungsbeteiligung. Dissertation. Marburg: Metropolis-Verlag.Google Scholar
  22. Heien, T., Kortmann, K., & Schatz, C. (2007). Altersvorsorge in Deutschland 2005. Forschungsprojekt im Auftrag der Deutschen Rentenversicherung Bund und des Bundesministeriums für Arbeit und Soziales. Berlin: Deutsche Rentenversicherung Bund.Google Scholar
  23. Holm, E. & Sanders, L. (2007). Spatial Microsimulation Models. In: Sanders, L., (Hrsg.), Models in Spatial Analysis, Geographical Information Systems Series, (S. 159–195). London/Newport Beach: ISTE.Google Scholar
  24. Kavroudakis, D., Ballas, D., & Birkin, M. (2013). SimEducation: A Dynamic Spatial Microsimulation Model for Understanding Educational Inequalities. In R. Tanton, K. L. Edwards (Hrsg.), Spatial Microsimulation: A Reference Guide for Users, (S. 209–222). Dordrecht: Springer Science+Business.Google Scholar
  25. Leim, I. (2008). Die Modellierung der Fertilitätsentwicklung als Folge komplexer individueller Entscheidungsprozesse mit Hilfe der Mikrosimulation. Dissertation. Marburg: Metropolis-Verlag.Google Scholar
  26. Li, J. O’Donoghue, C. (2013). A Survey of Dynamic Microsimulation Models: Uses, Model Structure and Methodology. International Journal of Microsimulation, 6, 3–55.Google Scholar
  27. Li, J., O’Donoghue, C., & Dekkers, G. (2014). Dynamic Models. In: C. O’Donoghue (Hrsg.), Handbook of Microsimulation Modelling, Bd. 293 Contributions to Economic Analysis, (S. 305–343). Bingley: Emerald.Google Scholar
  28. Lovelace, R. & Dumont, M. (2016). Spatial Microsimulation with R. Boca Raton: CRC Press.Google Scholar
  29. Manescu, B. (2006). Entwicklung und Anwendung eines dynamischen Mikrosimulationsmodells für die Analyse wirtschaftspolitischer Reformvorschläge. (Unveröffentlichte Dissertation: St. Gallen). Universität St. Gallen.Google Scholar
  30. McCormick, A. W. (2011). A Dynamic Microsimulation of Scotland’s Household Composition, 2001–2035. (Unveröffentlichte Dissertation.: Liverpool). University of Liverpool.Google Scholar
  31. Munoz Hidalgo, M. E. (2016). Simulating residential heat consumption with spatially referenced synthetic microdata. Dissertation, HafenCity Universität, Hamburg.Google Scholar
  32. Murphy, M. (2010). Changes in Family and Kinship Networks Consequent on the Demographic Transitions in England and Wales. Continuity and Change, 25, 109–136.Google Scholar
  33. O’Donoghue, C. (2018). Increasing the Impact of Dynamic Microsimulation Modelling. International Journal of Microsimulation, 11(1), 61–96.Google Scholar
  34. O’Donoghue, C., Sutherland, H., & Utili, F. (2000). Integrating Output in EU- ROMOD: An Assessment of the Sensitivity of Multi-country Microsimulation Results. In: L. Mitton, H. Sutherland, M. Weeks (Hrsg.), Microsimulation Modelling for Policy Analysis. Challenges and Innovations, (S. 124–148). Cambridge: Cambridge University Press.Google Scholar
  35. Rahman, A., & Harding, A. (2017). Small Area Estimation and Microsimulation Modeling. Boca Raton: CRC Press.Google Scholar
  36. Reed, H. & Stark, G. (2011). Modelling the Costs for Individuals and Public Authorities in Wales of Alternative Funding Systems for the Long-term Care of Adults. Stage 1 Report: Building a Forecasting Model for Long-term Care in Wales: http://virtual-worlds-research.com/demonstrations/wsc/wag\_social\_care\_stage\_1.doc. Zugegriffen: 20. März 2019.
  37. Rossiter, D., Ballas, D., Clarke, G., & Dorling, D. (2009). Dynamic Spatial Microsimulation Using The Concept Of GHOSTs. International Journal of Microsimulation, 2, 15–26.Google Scholar
  38. Schatz, C. (2010). Altersvorsorge in Deutschland 2005. Methodenbericht Teil II: Fortschreibung und Anwartschaftsberechnung. München: TNS Infratest Sozialforschung.Google Scholar
  39. Schofield, D., Shrestha, R., Kelly, S., Veerman, L., Tanton, R., Passey, M., Vos, T., Cunich, M., & Callander, E. (2014). Health&WealthMOD2030: A Microsimulation Model of the Long Term Eco- nomic Impacts of Disease Leading to Premature Retirements of Australians Aged 45–64 Years Old. International Journal of Microsimulation, 7, 94–118.Google Scholar
  40. Silcock, D., Redwood, D., & Curry, C. (2012). Retirement Income and Assets: The Implications for Retirement Income of Government Policies to Extend Working Lives. Discussion Paper. London: Pensions Policy Institute.Google Scholar
  41. Silverman, E., Bijak, J., Noble, J., Cao, V., & Hilton, J. (2014). Semi- Artificial Models of Populations: Connecting Demography with Agent-Based Modelling. In S. H. Chen, T. Terano, R. Yamamoto, C. C. Tai (Hrsg.), Advances in Computational Social Science. The Fourth World Congress, (S. 177–189). Tokyo: Springer.Google Scholar
  42. Stein, P. Bekalarczyk, D. (2016). Zur Prognose beruflicher Positionierung von Migranten der dritten Generation. In R. Bachleitner, M. Weichbold, M. Pausch (Hrsg.), Empirische Prognoseverfahren in den Sozialwissenschaften, (S. 223– 257). Wiesbaden: Springer VS.Google Scholar
  43. Sutherland, H. (2000). EUROMOD (EU). In: A. Gupta, V. Kapur, (Hrsg.), Microsimulation in Government Policy and Forecasting, Bd. 247 von Contributions to economic analysis, (S. 575–580). Amsterdam: Elsevier.Google Scholar
  44. Sutherland, H., & Figari, F. (2013). EUROMOD: The European Union Tax- benefit Microsimulation Model. International Journal of Microsimulation, 6, (S. 4– 26).Google Scholar
  45. Taagepera, R. (2008). Making Social Sciences More Scientific: the Need for Predictive Models. Oxford: Oxford University Press.Google Scholar
  46. Wilkoszewski, H. (2011). German’s social policy challenge. Public intergenerational transfers in light of demographic change. (Unveröffentlichte Dissertation: London). London School of Economics and Political Science.Google Scholar
  47. Wittenberg, R., Hancock, R., Comas-Herrera, A., King, D., Malley, J., Pickard, L., Juarez-Garcia, A., & Darton, R. (2007). PSSRU Long-Term Care Finance Model and CARESIM: Two Linked UK Models of Long-Term Care for Older People. In: A. Gupta, A. Harding (Hrsg.), Modelling Our Future. Pupulation Ageing, Health and Aged Care, (S. 489–496). Amsterdam: Elsevier.Google Scholar
  48. Wittenberg, R., Hu, B., Hancock, R., Morciano, M., Comas-Herrera, A., Malley, J., & King, D. (2011). Projections of Demand for and Costs of Social Care for Older People in England, 2010 to 2030, under Current and Alterna- tive Funding Systems. Report of Research for the Commission on Funding of Care and Support., Bd. 2811/2 von PSSRU Discussion paper. Kent/London: PSSRU.Google Scholar
  49. Wolter, U. (2010). Die Prognose der sozio-demographischen Entwicklung mit Hilfe der dynamischen Mikrosimulation, untersucht am Beispiel der Prognose der sozio-demographischen Entwicklung der Bundesrepublik Deutschland bis in das Jahr 2050. (Unveröffentlichte Diplomarbeit: Duisburg). Universität Duisburg-Essen.Google Scholar
  50. Zinn, S. (2011). A Continuous-Time Microsimulation and First Steps Towards a Multi-Level Approach in Demography. (Unveröffentlichte Dissertation: Rostock). Universität Rostock.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020

Authors and Affiliations

  1. 1.Universität Duisburg-EssenDuisburgDeutschland
  2. 2.ILS – Institut für Landes- und Stadtentwicklungsforschung gGmbH DortmundDortmundDeutschland

Personalised recommendations