Advertisement

Potenziale der agentenbasierten Mikrosimulation zur Versorgungsplanung in der Pflege

  • Joscha KrauseEmail author
  • Ralf Münnich
  • Simon Schmaus
  • Jan Ole Berndt
  • Daniel S. Lebherz
  • Ingo J. Timm
Chapter

Zusammenfassung

Dieser Beitrag untersucht mikrosimulative Verfahren als Alternative für Makrosimulationsansätze zur Planung lokaler pflegerischer Versorgung. Dazu wird eine realitätsnahe georeferenzierte synthetische Population auf Personenebene anhand der Kreise Trier und Trier-Saarburg erzeugt. Diese wird durch die Kombination einer dynamischen Mikrosimulation mit Elementen der agentenbasierten Sozialsimulation über einen Zeitraum von 11 Jahren fortgeschrieben. Die mikrosimulative Komponente modelliert die Veränderung soziodemographischer und gesundheitsbezogener Charakteristika der Individuen. Die agentenbasierte Komponente modelliert soziale Interaktionen zwischen den Individuen, welche wiederum in die Nachfrage spezifischer Pflegeleistungen transformiert werden. Das Wechselspiel dieser beiden Komponenten ermöglicht sowohl die Analyse von Pflegebedarf unter Berücksichtigung individueller sozialer Konstellationen, als auch die räumliche Darstellung leistungsdifferenzierter Pflegenachfrage.

Schlagworte

agentenbasierte Sozialsimulation dynamische Mikrosimulation Pflegeversorgung 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. Bender, R. und Grouven, U. (1997). Ordinal logistic regression in medical research. Journal of the Royal College of Physicians of London, 31(5):546–551.Google Scholar
  2. Berndt, J. O., Rodermund, S. C., Lorig, F., und Timm, I. J. (2017). Modeling user behavior in social media with complex agents. In Third International Conference on Human and Social Analytics (HUSO 2017), Seiten 18–24.Google Scholar
  3. Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences, 99(suppl 3):7280–7287.CrossRefGoogle Scholar
  4. Bonin, H., Pfeiffer, F., Reuß, K., und Stichnoth, H. (2013). Mikrosimulation ausgewählter ehe-und familienbezogener Leistungen im Lebenszyklus: Gutachten für die Prognos AG. Forschungsbericht, ZEW.Google Scholar
  5. Davidsson, P. (2001). Multi agent based simulation: Beyond social simulation. In Proceedings of the Second International Workshop on Multi-Agent-Based Simulation-Revised and Additional Papers, MABS ’00, Seiten 97–107, London, UK. Springer, ISBN: 3-540-41522-X.Google Scholar
  6. Davidsson, P. (2002). Agent based social simulation: A computer science view. Journal of Artificial Societies and Social Simulation, 5(1).Google Scholar
  7. Davison, A. C. und Tsai, C. L. (1992). Regression model diagnostics. International Statistical Review, 60:337–353.Google Scholar
  8. Dekkers, G. (2015). The simulation properties of microsimulation models with static and dynamic ageing - a brief guide into choosing one type of model over the other. The International Journal of Microsimulation, 8(1):97–109.Google Scholar
  9. Galler, H. P. (1997). Discrete-time and continuous-time approaches to dynamic microsimulation reconsidered. Technical Paper 13, National Centre for Social and Economic Modelling.Google Scholar
  10. Gilbert, N. und Troitzsch, K. (2005). Simulation For The Social Scientist. UK Higher Education OUP Humanities & Social Sciences Sociology. McGraw-Hill Education, ISBN: 9780335216000.Google Scholar
  11. Goldstein, J. (1999). Emergence as a Construct: History and Issues. Emergence, 1(1):49–72.CrossRefGoogle Scholar
  12. Hajek, A., Lehnert, T., Wegener, A., Riedel-Heller, S. G., und König, H.-H. (2017). Informelles Pflegepotenzial bei Älteren in Deutschland – Ergebnisse einer bevölkerungsrepräsentativen Befragung. Zeitschrift für Gerontologie und Geriatrie.Google Scholar
  13. Handl, A. (2002). Multivariate Verfahren-Theorie und Praxis multivariater Verfahren unter besonderer Berücksichtigung von S-PLUS.Google Scholar
  14. Hannappel, M. und Troitzsch, K. G. (2015). Mikrosimulationsmodelle. In Braun, N. und Saam, N. J., Herausgeber, Handbuch Modellbildung und Simulation in den Sozialwissenschaften, Seiten 455–489.Google Scholar
  15. Springer. König, J. und Böckmann, L. (2010). Rheinland-Pfalz 2050: Auswirkungen des demografischen Wandels auf den Pflegebedarf. Statistische Analysen 2010, 16.Google Scholar
  16. Knirsch, P. und Timm, I. J. (1999). Adaptive multiagent systems applied on temporal logsitics networks. In Logistics in the Information Age, Seiten 213–218. SGE Ditoriali, Padova Italy.Google Scholar
  17. Kolb, J.-P. (2013). Methoden zur Erzeugung synthetischer Simulationsgesamtheiten - Generation of synthetic universes. Dissertation, Universität Trier, Fachbereich IV, Lehrstuhl für Wirtschafts- und Sozialstatistik.Google Scholar
  18. Krause, J. und Münnich, R. (2018). Kleinräumige Projektionen der zukünftigen Pflegesituation in der Großregion Trier. In Münnich, R. und Kopp, J., Herausgeber, Pflege an der Grenze. Springer.Google Scholar
  19. Kuhn, M. und Johnson, K. (2013). Applied predictive modeling, Band 26. Springer.Google Scholar
  20. Law, A. M. (2015). Simulation Modeling and Analysis. McGraw Hill Education, Fünfte Auflage.Google Scholar
  21. Leim, I. (2008). Die Modellierung der Fertilitätsentwicklung als Folge individueller Entscheidungsprozesse mit Hilfe der Mikrosimulation. Beckenbach, Frank et al.(Hg.): Social Science Simulations, 5.Google Scholar
  22. Li, J. (2011). Dynamic microsimulation for public policy analysis, Band 24. Jinjing Li.Google Scholar
  23. Li, J. und O’Donoghue, C. (2014). Evaluating binary alignment methods in microsimulation models. Journal of Artificial Societies and Social Simulation, 17(1):15.Google Scholar
  24. Li, J., O’Donoghue, C., et al. (2013). A survey of dynamic microsimulation models: Uses, model structure and methodology. International Journal of Microsimulation, 6(2):3–55.Google Scholar
  25. Lorig, F., Dammenhayn, N., Müller, D.-J., und Timm, I. J. (2015). Measuring and comparing scalability of agent-based simulation frameworks. In German Conference on Multiagent System Technologies, Seiten 42–60. Springer.Google Scholar
  26. Macal, C. M. und North, M. J. (2009). Agent-based modeling and simulation. In Winter Simulation Conference, WSC ’09, Seiten 86–98. ISBN: 978-1-4244-5771-7.Google Scholar
  27. Müller, J.-P. (2004). Emergence of Collective Behaviour and Problem Solving. In Omicini, A., Petta, P., und Pitt, J., Herausgeber, Engineering Societies in the Agents World. 4th International Workshop (ESAW 2003), Band 3071 of Lecture Notes in Computer Science, Seiten 1–21, Berlin. Springer.Google Scholar
  28. Münnich, R., Gabler, S., Ganninger, M., Burgard, J. P., und Kolb, J.-P. (2012). Stichprobenoptimierung und Schätzung im Zensus 2011, Band 21 of Statistik und Wissenschaft. Destatis: Wiesbaden.Google Scholar
  29. OpenStreetMap Foundation (2017). OpenStreetMap - Deutschland. Online-Quelle, https://www.openstreetmap.de/. abgerufen am 15.11.2016.
  30. Orcutt, G. H. (1957). A new type of socio-economic system. The review of economics and statistics, 39(2):116–123.CrossRefGoogle Scholar
  31. Schimpl-Neimanns, B. und Herwig, A. (2011). Mikrozensus Scientific Use File 2009: Dokumentation und Datenaufbereitung. GESIS-Technical Reports 11, GESIS - Leibniz-Institut für Sozialwissenschaften.Google Scholar
  32. Simoes, E., Münnich, R. T., Ueding, E., Kühn, A., Graf, J., Krause, J., Sokolov, A., Mohr, S., und Brucker, S. Y. (2016). Pflege und Pflegebedürftigkeit als gesamtgesellschaftliche Aufgabe. Nummer 12 in Schriften zur grenzüberschreitenden Zusammenarbeit. Zürich/St. Gallen: Dike Verlag und Baden-Baden: Nomos.Google Scholar
  33. Statistische Ämter des Bundes und der Länder (2014). Zensus 2011. Online-Quelle, https://ergebnisse.zensus2011.de/. abgerufen am 15.11.2016.
  34. Stephensen, P. (2016). Logit scaling: A general method for alignment in microsimulation models. International Journal of Microsimulation, 9(3):89–102.Google Scholar
  35. Studer, R., Benjamins, V. R., und Fensel, D. (1998). Knowledge engineering: principles and methods. Data & knowledge engineering, 25(1-2):161–197.CrossRefGoogle Scholar
  36. Sutherland, H. und Figari, F. (2013). EUROMOD: the European Union taxbenefit microsimulation model. International Journal of Microsimulation, 6(1):4–26.Google Scholar
  37. Waldmann, K.-H. und Helm, W. E. (2016). Simulation stochastischer Systeme. Springer.Google Scholar
  38. Webel, K. und Wied, D. (2016). Stochastische Prozesse. Springer.Google Scholar
  39. Willekens, F. (2006). Description of the micro-simulation model (continuous-time micro-simulation). Deliverable D8 (first part), MicMac Bridging the micro-macro gap in population forecasting, NIDI, The Netherlands.Google Scholar
  40. Wooldridge, M. (2000). Reasoning about Rational Agents. MIT Press, ISBN: 9780262265027.Google Scholar
  41. Zhou, M. (2013). Mircosimulation - Statistical methodology and assessment of uncertainty. Working Paper 44/2013, Kela Research Department.Google Scholar
  42. Zucchelli, E., Jones, A. M., Rice, N., et al. (2010). The evaluation of health policies through microsimulation methods. Health, Econometrics and Data Group (HEDG) Working Papers, 10(03).Google Scholar
  43. Zühlke, S. und Christians, H. (2005). Datenangebot und Datenzugang im Forschungsdatenzentrum der Statistischen Landesämter. Amtliche Mikrodaten für die Sozial-und Wirtschaftswissenschaften. Beiträge zu den Nutzerkonferenzen des FDZ der Statistischen Landesämter, Seiten 7–21Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Joscha Krause
    • 1
    Email author
  • Ralf Münnich
    • 1
  • Simon Schmaus
    • 1
  • Jan Ole Berndt
    • 2
  • Daniel S. Lebherz
    • 2
  • Ingo J. Timm
    • 2
  1. 1.Professur für Wirtschafts- und SozialstatistikUniversität TrierTrierDeutschland
  2. 2.Professur für Wirtschaftsinformatik IUniversität TrierTrierDeutschland

Personalised recommendations