Amélioration du processus de génération de données synthétiques dans les modèles de microsimulation spatiale

Les modèles de simulation sont de plus en plus utilisés dans la recherche appliquée pour créer des micro-populations synthétiques et prédire les résultats individuels possibles des interventions politiques. Des recherches antérieures soulignent la pertinence des techniques de simulation pour estimer les résultats potentiels des changements dans des domaines tels que la fiscalité et les politiques d'allocations familiales, la criminalité, l'éducation ou les inégalités en santé. À ce jour, cependant, il y a très peu de recherches publiées sur la création, la calibration et les tests de telles micro-populations et modèles, et peu sur la question de la capacité des données synthétiques à s'adapter localement par opposition à globalement dans de tels modèles. Cet article discute du processus d'amélioration de la génération de micro-populations synthétiques avec l'objectif d'améliorer et d'étendre les modèles de microsimulation spatiale existants. Des expériences utilisant différentes configurations de variables pour contraindre les modèles sont entreprises, mettant l'accent sur la production d'un ensemble de modèles pour correspondre aux différentes conditions sociodémographiques que l'on trouve dans une ville typique. Les résultats montrent que créer des processus pour générer des populations synthétiques spécifiques à des zones, qui reflètent les diverses populations au sein de la zone d'étude, fournit des estimations de population plus précises pour les travaux futurs sur les politiques que les configurations de modèles globaux traditionnels.