BEVÖLKERUNGSPROGNOSEMODELLE IM VERGLEICH. Amtliche Vorausberechnungen vs. neue Simulationsansätze

Transkript

1 BEVÖLKERUNGSPROGNOSEMODELLE IM VERGLEICH Amtliche Vorausberechnungen vs. neue Simulationsansätze

2 Gliederung (1) Einführung (2) Die Komponentenmethode des LfStaD (3) Neue Simulationsansätze aus Rostock (4) Grundlagen neuer Simulationsansätze (5) Fazit Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 2

3 EINFÜHRUNG 1

4 Was sind Bevölkerungsprognosen? Bevölkerungsprognose = Aussage über die zukünftige Bevölkerungsentwicklung Grundlage: begründete Annahmen zu dieser zukünftigen Entwicklung bzw. zu deren einzelnen Komponenten Annahmengenerierung: meist Ableitung aus quantitativer Entwicklung der Bevölkerung in der Vergangenheit Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 4

5 Komponenten der Bevölkerungsentwicklung Die Veränderung einer Bevölkerungsgesamtheit P zwischen dem Zeitpunkt t und dem Zeitpunkt t+1 lässt sich mathematisch formulieren als: P t+1 = P t + B - D + I - O, wobei: B = Zahl der Geburten (engl. births) zwischen t und t+1 D = Zahl der Sterbefälle (engl. deaths) zwischen t und t+1 I = Zahl der Zuwanderungen (engl. in-migrations) zwischen t und t+1 O = Zahl der Abwanderungen (engl. out-migrations) zwischen t und t Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 5

6 Komponentenmethode Seit den 1930er Jahren international anerkannt Jährliche Fortschreibung setzt klassischerweise auf Kohorten differenziert nach Alter und Geschlecht auf Separate Annahmen zu Fertilität, Mortalität und Migration innerhalb der Kohorten Ermöglicht Aussagen zur zukünftigen Bevölkerungszahl und -struktur Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 6

7 Unterscheidungen Deterministische vs. probabilistische Modelle Deterministisch: Berechnung eines Ergebnisverlaufs Probabilistisch: Berechnung einer Ergebnisverteilung Makro- vs. Mikroprojektionen Makro: Berechnung auf Basis von (Sub-) Populationen Mikro: Berechnung auf Basis von Individuen Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 7

8 DIE KOMPONENTENMETHODE DES LFSTAD 2

9 Vorausberechnungen des LfStaD Verschiedene regional und/oder sozial differenzierte Angebote: auf Kreisebene, auf Gemeinde-Ebene, nach Migrationshintergrund Deterministische Kohorten-Komponetenmodelle Ergebnisberichte unter In C++ programmierte Software: Sikurs, Gemeinschaftsprojekt nach Baukastenprinzip im KOSIS-Verbund Informationen unter Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 9

10 Vom LfStaD genutztes Sikurs- Modell Die Bevölkerungsgesamtheit P t wird in n Subpopulationen S zerlegt: P t S 1 S 2 S n Separate Berechnung der Modellgleichung auf Kohortenebene P t Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 10

11 Vom LfStaD genutztes Sikurs- Modell Subpopulation S nt Separate Berechnung auf Kohortenebene + + B n : Frauen x Geburtenrate D n : Personen x Sterberaten O n : Personen x Wegzugsraten Wechsel der Subpopulation: Personen x Übertrittsrate I n : Personen x Zuzugsquoten = Subpopulation S nt Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 11

12 Regionalisierte Vorausberechnung Bevölkerungsentwicklung und Bevölkerungsstruktur Bayerns laut Vorausberechnung 2011 bis Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 12

13 Regionalisierte Vorausberechnung Prozentuale Gesamtbevölkerungsentwicklung bis Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 15

14 Vorausberechnung Migrationshintergrund Bevölkerungsentwicklung Bayerns laut Vorausberechnung 2011 bis 2024 (vorläufige Ergebnisse in Tsd. Personen) Bev. mit MHG 2011 Bev. ohne MHG 2011 Bev. ohne MHG 2024 Bev. mit MHG Ausländer mit ME Deutsche mit ME Personen ohne ME Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 16

15 Vor- und Nachteile des Modells Vorteile: Benötigte Differenzierung in bis zu Untereinheiten innerhalb eines Berechnungslaufs möglich Sehr benutzerfreundliches und flexibles Programm Nachteil: Keine Aussagen zu Konfidenzintervallen und Eintrittswahrscheinlichkeiten möglich Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 17

16 NEUE SIMULATIONSANSÄTZE AUS ROSTOCK 3

17 PPPM Probabilistic Population Projection Model Bohk, Christina (2012): Ein probabilistisches Bevölkerungsprognosemodell. Entwicklung und Anwendung für Deutschland. VS Verlag für Sozialwissenschaften Kohorten-Komponenten-Modell Java- bzw. James II-basierte Software: P3J Download: p3j/wiki/home Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 19

18 PPPM Die einheimische Bevölkerung E t wird getrennt von den direkten Zu- und Fortzügen betrachtet: E t I t O t alle Einheimischen- Generationen Immigranten- Generation 1 Immigranten- Generation 2 Emigranten- Generation 1 Emigranten- Generation 2 Separate Berechnung der Modellgleichung auf Kohortenebene E t+1 I t+1 O t+1 vgl. Bohk (2012): Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 20

19 MicMac Projekt MicMac - Bridging the micro-macro gap in population forecasting eines internationales Konsortiums unter Mitarbeit des MPIDR ( Lebensverlaufsprojektionen auf Mikro- und Makroebene Java- bzw. James II-basierte Software: MicMacCore Download: Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 22

20 MicMac Man geht hier von verschiedenen Zuständen aus, die Individuen oder Subpopulationen im Laufe eines Lebens durchlaufen: P t I t Übertrittsraten auf Zustandsebene Frau, ausländisch, keine Kinder, Bamberg Frau, ausländisch keine Kinder, Fürth Frau, deutsch keine Kinder, Bamberg Frau, deutsch keine Kinder, Fürth Frau, deutsch, 1 Kind, Bamberg Frau, deutsch, 1 Kind, Fürth Frau, deutsch, 2 Kinder, Bamberg Frau, deutsch 2 Kinder, Fürth Frau, deutsch, 3 Kinder, Bamberg Frau, deutsch 3 Kinder, Fürth Wegzug Tod P t+1 vgl. Zinn/Gampe (2011): The MicMacCore. Version 1.0. Manual Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 23

21 GRUNDLAGEN NEUER SIMULATIONSANSÄTZE 4

22 Monte-Carlo-Methoden Monte-Carlo-Methoden sind numerischen Methoden, die Zufallszahlen zur approximativen Lösung mathematischer Probleme, zur Erzeugung von Verteilungen oder zur Simulation dynamischer Prozesse einsetzen Bei wiederholter Durchführung der Zufallsexperimente konvergieren die Zufallsergebnisse z.b. gegen den gesuchten Wert (wie π), Mittelwerte oder gegen die gesuchte Verteilung Anwendungsbeispiele: Bestimmung von Integralen, Optimierungsverfahren, Schätzung von a posteriori Verteilungen, Imputation fehlender Werte, Erstellung synthetischer Datensätze, Nachbildung von Produktions- oder Entwicklungsprozessen etc Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 26

23 Beispiel: Monte-Carlo-Bestimmung der Kreiszahl π Man lässt zufällig P Q Punkte P(x i ; y i ) auf ein Einheitsquadrat Q regnen und bestimmt die Zahl P V der Punkte P innerhalb des Viertelkreises V 1 0,75 0,5 0, ,25 0,5 0, Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 27

24 Beispiel: Monte-Carlo-Bestimmung der Kreiszahl π Man lässt zufällig P Q Punkte P(x i ; y i ) auf ein Einheitsquadrat Q regnen und bestimmt die Zahl P V der Punkte P innerhalb des Viertelkreises V 1 0,75 0,5 Satz des Pythagoras: Wenn x i 2 + y i 2 1, dann pεp V 0,25 y i x i 0 0 0,25 0,5 0, Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 28

25 Beispiel: Monte-Carlo-Bestimmung der Kreiszahl π Man lässt zufällig P Q Punkte P(x i ; y i ) auf ein Einheitsquadrat Q regnen und bestimmt die Zahl P V der Punkte P innerhalb des Viertelkreises V 1 0,75 0,5 Satz des Pythagoras: Wenn x i 2 + y i 2 1, dann pεp V 0,25 π 4 P V P Q 0 0 0,25 0,5 0, Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 29

26 Beispiel: Monte-Carlo-Bestimmung der Kreiszahl π Man lässt zufällig P Q Punkte P(x i ; y i ) auf ein Einheitsquadrat Q regnen und bestimmt die Zahl P V der Punkte P innerhalb des Viertelkreises V 1 0,75 0,5 Satz des Pythagoras: Wenn x i 2 + y i 2 1, dann pεp V 0,25 π 4 P V P Q 3, ,25 0,5 0, Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 30

27 Anwendung im Prognosebereich PPPM: Wiederholtes zufälliges Ziehen von potentiellen Annahmenverläufen über x Prognosejahre Verlauf 1 Verlauf 2 S nt Verlauf 3 Verlauf 4 Verlauf 1 Verlauf 2 Zufallsziehung Verlauf 3 Verlauf 1 S nt+x x N(S nt+x ) Verlauf 3 Verlauf Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 31

28 Anwendung im Prognosebereich MicMac: Wiederholtes zufälliges Ziehen von Folgezuständen entsprechend der zustandsspezifischen Transitionsraten Biographie 1 Z 1t+x Biographie 2 Z 2t+x Z 0 Biographie 3 x Z 3t+x P t+x Biographie 4 Z 4t+x N(P t+x ) Biographie n Z nt+x Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 32

29 Anwendung im Imputationsbereich Item Nonresponse: Wiederholtes Ergänzen ausgefallener / verweigerter Antworten V 1 V n m=3 Ergänzungen Schätzer 1 V 1 V n V 1 V n ka ka Schätzer 2 MI- Schätzer ka V 1 V n Schätzer Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 33

30 Anwendung bei der Erstellung synthetischer Datensätze Beispiel Betriebspanel des IAB - Anonymisierungstrategien Beschätigten- und Leistungsempfängerhistorik Y nicht_befragt Y synthetisch Y synthetisch BP synthetisch synthetisch Betriebspanel Daten sind vollständig oder teil-synthetisch Keine Re-Identifikation einzelner Betriebe möglich Variablen stehen in vollem Umfang zur Verfügung Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 34

31 FAZIT UND AUSBLICK 5

32 Fazit Simulationsmethoden können Qualität und Leistungsfähigkeit der amtlichen Statistik nicht nur im Prognosebereich weiter erhöhen Die parallele Entwicklung neuer Modelle und anwenderfreundlicher Software ist sehr zu begrüßen Aber: Die amtliche Statistik ist in ihrem Handeln eingeschränkt (gesetzlicher Auftrag) und den Belangen der Praxis verpflichtet Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 36

33 Ausblick Novelle des Bundesstatistikgesetzes: Methodische Weiterbildung und Forschung auf höherem Niveau müssen Teil der gesetzlichen Aufgaben der amtlichen Statistik werden, um den Anschluss an neue Entwicklungen nicht zu verpassen Netzwerkbildung: Kontakte zwischen wissenschaftlicher und amtlicher Statistik müssen in Deutschland weiter intensiviert werden, doch wir schreiten voran! Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 37

34 Ein Wort in eigener Sache Mit diesem Buch liegen kompakte Beschreibungen von Prognoseverfahren vor, die vor allem in Systemen der betrieblichen Informationsverarbeitung eingesetzt werden. Das Buch wendet sich gleichermaßen an Wissenschaft und Praxis. Das Spektrum reicht von einfachen Verfahren der Vorhersage über neuere Ansätze der künstlichen Intelligenz und Zeitreihenanalyse bis hin zur Prognose von Softwarezuverlässigkeit und zur kooperativen Vorhersage in Liefernetzen Lamprecht/Rässler: Bevölkerungsprognosemodelle im Vergleich 38

35 VIELEN DANK FÜR IHRE AUFMERKSAMKEIT! Prof. Dr. Susanne Rässler, Dipl.-Pol. Daniela Lamprecht,