Advertisement

Dynamische Mikrosimulationen zur Analyse und Planung regionaler Versorgungsstrukturen in der Pflege

  • Jan Pablo BurgardEmail author
  • Joscha Krause
  • Hariolf Merkle
  • Ralf Münnich
  • Simon Schmaus
Chapter

Zusammenfassung

In diesem Beitrag wird ein dynamisches Mikrosimulationsmodell präsentiert, welches die Analyse und Planung regionaler Pflegestrukturen unter Berücksichtigung ortsspezifischer Charakteristika, sowie personenbezogener Merkmale ermöglicht. Am Beispiel der Stadt Trier wird eine synthetische realitätsnahe Population erzeugt, welche durch Georeferenzierung auf reale Adressen verortet wird. Die Bevölkerung wird auf Basis multipler Datenquellen über einen Zeithorizont von 60 Jahren zeitdiskret in jährlichen Schritten fortgeschrieben. Dabei werden insbesondere pflege- und versorgungsbezogene Aspekte, wie etwa die alters- und geschlechtsspezifische Pflegemorbidität oder die Familienkonstellationen der Pflegebedürftigen, detailliert modelliert. Die Implikationen des wachsenden Pflegebedarfs im Zeitverlauf werden anhand verschiedener Szenarien zu Demographie und individuellem Verhalten ausführlich analysiert. Zusätzlich wird eine Sensitivitätsanalyse vorgenommen, welche die Abhängigkeit der Simulationsergebnisse von getroffenen Annahmen, sowie multidimensionale Interaktionen zwischen relevanten Effekten quantifiziert. Es kann gezeigt werden, dass durch Mikrosimulationen komplexe Pflegeversorgungsstrukturen fundiert und detailliert abgebildet werden können. Hieraus ergeben sich in der Zukunft zahlreiche neue Möglichkeiten der Versorgungsforschung.

Schlüsselbegriffe

Dynamische Mikrosimulation Regionale Simulation Versorgungsplanung Pflegeplanung 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Albers, S., Klapper D., Konradt U., Walter A., & Wolf J. (Hrsg.). (2009). Methodik der empirischen Forschung. Wiesbaden: Gabler.Google Scholar
  2. Böckmann, L., Kirschey, T., & Stoffel, J. (2017). Rheinland-Pfalz 2060. Auswirkungen des demografischen Wandels auf den Pflegebedarf (Basisjahr 2015). In Statistisches Landesamt Rheinland-Pfalz. (Hrsg.) Statistische Analysen No. 44. Bad Ems: Statistisches Landesamt Rheinland-Pfalz. https://www.statistik.rlp.de/fileadmin/dokumente/stat_analysen/pflege/rp2060-pflege.pdf. Zugegriffen am 03.01.2019.
  3. Burgard, J. P., Krause, J., & Schmaus, S. (2019). Estimation of Regional Transition Probabilities for Spatial Dynamic Microsimulations from Survey Data Lacking in Regional Detail. Research Papers in Economics 12/19. Universität Trier. https://www.uni-trier.de/fileadmin/fb4/prof/VWL/EWF/Research_Papers/2019-12.pdf. Zugegriffen am 24.05.2019.
  4. Chin, S. F., & Harding A. (2006). Regional Dimensions: Creating Synthetic Small-area Microdata and Spatial Microsimulation Models, Online Technical Paper – TP33, NATSEM, University of Canberra. https://core.ac.uk/download/pdf/30348943.pdf. Zugegriffen am 03.01.2019.
  5. Cox, D. R., & Miller, H. D. (1965). The Theory of Stochastic Processes. London: Methuen.Google Scholar
  6. De Waal, T., Pannekoek, J., & Scholtus, S. (2011). Handbook of Data Editing and Imputation. Wiley handbooks in survey methodology. New Jersey: John Wiley & Sons.Google Scholar
  7. Deville, J.-C., & Särndal C.-E. (1992). Calibration estimators in survey sampling. Journal of the American Statistical Association 87, 376–382.Google Scholar
  8. Ehrentraut, O., Hackmann T., Krämer L., & Schmutz S. (2015). Zukunft der Pflegepolitik: Perspektiven, Handlungsoptionen und Politikempfehlungen. Friedrich-Ebert-Stiftung, Abteilung Wirtschafts- und Sozialpolitik. https://library.fes.de/pdf-files/wiso/12140.pdf. Zugegriffen: 03.01.2019.
  9. Frick, J., U. Rendtel, & Wagner, G. (1993). Eine Strategie zur Kontrolle von Längsschnittgewichtungen am Beispiel des Sozio-oekonomischen Panels (SOEP), DIW Discussion Papers, No. 80, Deutsches Institut für Wirtschaftsforschung (DIW).Google Scholar
  10. Finch W., Bolin J. E., & Kelly K. (2014). Multilevel modeling using R. New York: CRC Press.Google Scholar
  11. Galler, H. P. (1997). Discrete-time and continuous-time approaches to dynamic microsimulation reconsidered. National Centre for Social and Economic Modelling. https://pdfs.semanticscholar.org/c243/ff74973c2069163f6902ea98c4bb6a4b5111.pdf. Zugegriffen: 03.01.2019.
  12. Gelman A., & Hill, J. (2006). Data analysis using regression and multilevel/hierarchical models. Cambridge: Cambridge university press.Google Scholar
  13. Geyer, J. (2015). Einkommen und Vermögen der Pflegehaushalte in Deutschland. DIW-Wochenbericht. Jg. 82, Nr. 14/15: 323–328.Google Scholar
  14. Harding, A., Keegan, M., & Kelly, S. (2010). Validating a dynamic population microsimulation model: Recent experience in australia. International Journal of Microsimulation. 3(2): 46–64.Google Scholar
  15. Kahle, D., & Wickham, H. (2013). ggmap: Spatial Visualization with ggplot2. In The R Journal. 5(1).Google Scholar
  16. Kolb, J.-P. (2013). Methoden zur Erzeugung synthetischer Simulationsgesamtheiten – Generation of synthetic universes. Dissertation, Universität Trier.Google Scholar
  17. König, J., & Böckmann, L. (2010). Rheinland-Pfalz 2050: Auswirkungen des demografischen Wandels auf den Pflegebedarf. In Statistisches Landesamt Rheinland-Pfalz. (Hrsg.), Statistische Analysen No. 16. Bad Ems: Statistisches Landesamt Rheinland-Pfalz. https://www.statistik.rlp.de/fileadmin/dokumente/stat_analysen/pflege/rp2050-pflege.pdf. Zugegriffen am 03.01.2019.
  18. Krause, J., & Münnich, R. (2019). Kleinräumige projektionen der zukünftigen Pflegesituation in der Großregion Trier. In Münnich, R., J. Kopp. Hrsg. Pflege an der Grenze – Entwicklungen – Fragestellungen – Herangehensweisen. Wiesbaden: Springer VS.Google Scholar
  19. Krause, J., Münnich, R., Schmaus, S., Berndt, J. O., Lebherz, D. S., & Timm, I. J. (2019). Potentiale der agentenbasierten Mikrosimulation zur Versorgungsplanung. In R. Münnich, J. Kopp. (Hrsg.), Pflege an der Grenze – Entwicklungen – Fragestellungen – Herangehensweisen. Wiesbaden: Springer VS.Google Scholar
  20. Li, J. (2011). Dynamic Microsimulation for Public Policy Analysis. Dissertation, Maastricht University, 2011.Google Scholar
  21. Li, J., & O’Donoghue, C. (2013). A survey of dynamic microsimulation models: uses, model structure and methodology. International Journal of Microsimulation. 6(2): 3–55.Google Scholar
  22. Li, J., & O’Donoghue, C. (2014). Evaluating binary alignment methods in microsimulation models. Journal of Artifical Societies and Social Simulation. 17(1): art. 15.Google Scholar
  23. Münnich, R., Burgard, J. P., & Vogt, M. (2013). Small area-statistik: Methoden und anwendungen. AStA Wirtschafts-und Sozialstatistisches Archiv. 6(3-4): 149–191.Google Scholar
  24. Münnich, R., Gabler, S., Ganninger M., Burgard, J. P., & Kolb, J. P.. (2012). Stichprobenoptimierung und Schätzung im Zensus 2011, Statistik und Wissenschaft. Destatis: Wiesbaden.Google Scholar
  25. Naumann, D. (2014). Einflussfaktoren auf pflegearrangements in privathaushalten. Zentrum für Qualität in der Pflege. https://www.zqp.de/wp-content/uploads/Analyse_Einflussfaktoren_Pflege_Privathaushalte.pdf. Zugegriffen am 03.01.2019.
  26. Pischner, R. (1994). Quer- und Längsschnittgewichtung des Sozio-oekonomischen Panels (SOEP). In S. Gabler, J. Hoffmeyer-Zlotnik, H.P. Jürgen, D. Krebs. (Hrsg.), Gewichtung in der Umfragepraxis. Wiesbaden: VS Verlag für Sozialwissenschaften. 166–187.Google Scholar
  27. Reaside, D. E. (1976). Monte Carlo Principles and Applications. Physics in Medicine & Biology 21(2).Google Scholar
  28. Rahlf, T. (2014). Datendesign mit R. München: Open Source Press.Google Scholar
  29. Rao, J. N. K., & Molina, I. (2015). Small Area Estimation. Wiley Series in Survey Methodology. Jon Wiley & Sons, 2. Auflage.Google Scholar
  30. Rothgang, H., Müller, R., & Unger, R. (2012). Themenreport „Pflege 2030“. Was ist zu erwarten – was ist zu tun?. Gütersloh: Bertelsmann Stiftung.Google Scholar
  31. Rubinstein, R. Y., & Kroese, D. P. (2017). Simulation and the Monte Carlo Method. Wiley series in probability and statistics. 3. Auflage. New Jersey: John Wiley & Sons.Google Scholar
  32. Saltelli, A., Tarantola, S., & Campolongo, F. (2000). Sensitivity anaysis as an ingredient of modeling. Statistical Science. 15.4: 377–395.Google Scholar
  33. Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D, Saisana, M., Tarantola, S. (2008). Global Sensitivity Analysis – The Primer. Chichester: John Wiley & Sons.Google Scholar
  34. Schaich, E., Münnich, R. (2001). Mathematische Statistik für Ökonomen – Lehrbuch. München: Vahlen.Google Scholar
  35. Sozio-oekonomisches Panel. (2012). Data für die Jahre 1984 – 2012, Version 29.Google Scholar
  36. Statistische Ämter des Bundes und der Länder. (Hrsg.) (2014). Zensus 2011: Zensus Kompakt. Stuttgart. https://www.zensus2011.de/SharedDocs/Downloads/DE/Publikationen/Aufsaetze_Archiv/2015_01_Zensus_Kompakt_endgueltig.pdf?__blob=publicationFile&v=3. Zugegriffen am 03.01.2019.
  37. Statistisches Bundesamt. (Hrsg.). (2018). Pflegestatistik 2017 – Pflege im Rahmen der Pflegeversicherung Deutschlandergebnisse. https://www.destatis.de/DE/Themen/Gesellschaft-Umwelt/Gesundheit/Pflege/Publikationen/Downloads-Pflege/pflege-deutschlandergebnisse-5224001179004.pdf?__blob=publicationFile&v=5
  38. Stephensen, P. (2016). Logit scaling: A general method for alignment in microsimulation models. International Journal of Microsimulation, 9(3):89–102.Google Scholar
  39. Tanton, R. (2014). A review of spatial microsimulation methods. International Journal of Microsimulation, 7(1):4–25, 2014.Google Scholar
  40. Tanton, R. (2018). Spatial Microsimulation: Developments and Potential Future Directions. International Journal of Microsimulation, 11(1):142–161.Google Scholar
  41. Van Laarhoven, P. J., & Aarts, E. H. (1987). Simulated annealing: Theory and applications. Mathematics and its applications, Nr. 37. Dordrecht: Reidel.Google Scholar
  42. Webel, K., & Wied, D. (2016. Stochastische Prozesse. 2. Auflage. Wiesbaden: Gabler.Google Scholar
  43. Zinn, S. (2012). A mate-matching algorithm for continuous-time microsimulation models. International journal of microsimulation, 5(1):31–51.Google Scholar
  44. Zuchelli, E., Jones, A. M., & Rice, N. (2012). The evaluation of health policies through dynamic microsimulation methods. International Journal of Microsimulation, 5(1):2–20, 2012.Google Scholar

Copyright information

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

Authors and Affiliations

  • Jan Pablo Burgard
    • 1
    Email author
  • Joscha Krause
    • 1
  • Hariolf Merkle
    • 1
  • Ralf Münnich
    • 1
  • Simon Schmaus
    • 1
  1. 1.Universität TrierTrierDeutschland

Personalised recommendations