AUBI-simuleringar

Adaptiv universell basinkomst — simuleringar av behovsheterogenitet, socialt kapital och kollektiv finansiering

Status: Explorativ. Det här är modell- och simuleringsresultat, inte empirisk evidens om verkliga institutioner. Vi skriver aldrig att simuleringarna “stödjer H2b empiriskt” — de ger mekanistiskt stöd inom modellen, vilket är något annat. Se Så vet vi för skillnaden.

Frågan

Under vilka betingelser kan en adaptiv universell grundinkomst — inklusive en kollektiv fond för frivilligt arbete — förbättra välfärden jämfört med ren universalism, enbart riktade stöd, eller enbart individuell basinkomst?

Det här är ett originalarbete för Svensk Subsidiaritet (Björn Kenneth Holmström, med DeepSeek som samarbetspartner för modellering och kod) — inte en GAE-rapport. Simuleringarna testar en specifik arkitektur: en universell grund, ett behovsanpassat påfyllnadslager, och en kollektiv fond som finansierar frivilligt arbete.

Tre nivåer av evidens — och var det här arbetet hör hemma

Det är lätt att blanda ihop tre olika typer av stöd för en hypotes:

EMPIRISK EVIDENS
      ↓
Vad händer faktiskt hos människor eller i samhällen?

MODELLEVIDENS
      ↓
Kan den föreslagna mekanismen i princip ge det beteende vi förväntar oss?

SIMULERING
      ↓
Under vilka parameterförhållanden fungerar — eller misslyckas — mekanismen?

AUBI-simuleringarna ger oss framför allt de två nedersta nivåerna: modellevidens och simulering. De ger oss inte empirisk evidens om verkliga välfärdssystem. Det är en skillnad vi håller strikt genom hela den här sidan.

Viktig distinktion: H2b, inte H2

Det är lätt att vilja koppla det här direkt till hypotes H2 i Evidensmatrisen (“större legitim variation i preferenser ökar värdet av lokal differentiering”). Det vore fel.

H2 handlar om preferensheterogenitet — att människor vill olika saker. Det här arbetet testar H2b — behovsheterogenitet:

När relevanta behov varierar väsentligt mellan människor, grupper eller platser kan en enhetlig försörjning ge sämre träff än en gemensam ram med lämpligt anpassade komponenter.

En transfer som varierar med funktionsnedsättning eller familjesituation testar inte om lokala preferenser motiverar differentiering — den testar om lokala behovsskillnader gör det. Det är olika mekanismer med olika testbara implikationer, och rapporten håller dem uttryckligen isär. H2b behandlas därför som en egen hypotes, inte en variant av H2.

Vad simuleringarna testar

Arkitekturen har tre skikt: en universell grund, ett adaptivt påfyllnadslager styrt av observerade (brusiga) behov, och en kollektiv fond som finansierar frivilligt arbete. Nio delstudier undersöker heterogenitet, mätfel, dynamisk parameterjustering, målfunktionens viktning, återkoppling, socialt kapital, allokering mellan individuell transfer och kollektiv fond, känslighet för effektivitetsparametrar — samt, i en senare omgång, en real kapacitetsbegränsning för själva basinkomsten.

Huvudresultat: villkorat mekanistiskt stöd för H2b

När behovsheterogeniteten är hög och mätfelet måttligt ger adaptiv provision bättre behovstäckning än ren universalism. När heterogeniteten är låg är universalism ofta bättre.

Det här mönstret återkommer både i de tidiga jämförelserna och i den senare allokeringsanalysen: vid hög heterogenitet hamnar optimum på en lägre universell bas och mer adaptiv/fondbaserad respons; relativt homogena populationer gynnas mer av en högre, enklare bas.

Det är precis den typ av villkorlighet vi letade efter — “behovsheterogenitet → adaptation lönar sig” är inte tillräckligt i sig. Mätfel, administrationskostnad och målfunktionens utformning är alla nödvändiga villkor, inte fotnoter.

När adaptation inte hjälper — failure modes

Lika viktigt som när mekanismen fungerar är när den inte gör det. Modellen identifierar sju sätt som adaptiv provision kan misslyckas på. Det här är modellidentifierade risker, inte observerade misslyckanden hos verkliga AUBI-system:

Mätfel. Vid högt observationsfel försvinner den adaptiva fördelen: systemet riktar resurser fel tillräckligt ofta för att äta upp vinsten från bättre matchning.
Administrativ överbelastning. Vid låg behovsheterogenitet ger adaptation liten eller ingen fördel — kostnaden för att observera och rikta blir en ren förlust. Även vid hög heterogenitet kan tillräckligt dyr differentiering radera fördelen.
Fel målfunktion. Utan explicit viktning mot svår deprivation (λ) optimerar målfunktionen lätt bort de mest utsatta till förmån för genomsnittlig träffsäkerhet. Ett rent designval kan alltså producera ett resultat som ser bra ut i genomsnitt men är dåligt för dem med störst behov.
Anpassningsinstabilitet. Mycket snabb parameterjustering ökar responsiviteten men också volatiliteten. I de testade scenarierna var måttlig tröghet (γ ≤ 0,5) ofta att föredra — ett resultat inom modellen, inte en parameterrekommendation för verkligheten.
Återkopplingsinstabilitet. Insatsen förändrar den variabel systemet försöker styra: behov → provision → beteende/villkor → förändrat behov. Det gör problemet cybernetiskt snarare än ett enkelriktat riktningsproblem, och stabiliserande mekanismer blir viktigare ju starkare återkopplingen är.
Goodhart-risk. När provision beror på uppmätt behov får aktörer incitament att optimera indikatorn snarare än det underliggande tillståndet.
Kapacitetsbegränsning. Ökade nominella transfereringar skapar inte automatiskt fler reala varor och tjänster. Särskilt relevant för bostäder och andra kapacitetsbegränsade nyttigheter.

Övriga fynd

Deltagande i frivilligt arbete var stabilt kring 53 %, i stort sett oberoende av basinkomstnivån — se kalibreringsreservationen nedan innan detta tolkas som något om verkligt mänskligt beteende.
En blandning (≈60 % basinkomst / 40 % kollektiv fond) var robust över flera scenarier när socialt kapital vägdes in, inklusive efter att en real kapacitetsbegränsning infördes för basinkomsten. b ≈ 0,6 är ett simuleringsresultat för den här modellen, de här parametrarna och den här målfunktionen — inte en policyrekommendation.

Ett villkorat arkitekturrum, inte ett svar på universalism kontra targeting

Simuleringarna ska inte läsas som att de avgör den gamla striden om universalism mot behovsprövning — varken åt det ena eller det andra hållet. Vad modellen i stället beskriver är ett villkorat arkitekturrum, där vilken utformning som fungerar beror på systemets förutsättningar:

låg heterogenitet
        ↓
större universell komponent kan dominera

hög heterogenitet
        ↓
adaptiva/kollektiva komponenter vinner värde

dålig mätning
        ↓
den adaptiva fördelen krymper

hög administrativ börda
        ↓
den adaptiva fördelen krymper

starka kollektiva effekter
        ↓
kollektiv provision vinner värde

Det gör kopplingen till den faktiska forskningslitteraturen om universalism och targeting mer användbar: frågan är inte vilken princip som är bäst, utan under vilka observerbara betingelser respektive arkitektur presterar.

Samma logik gäller AUBI själv. Simuleringarna stödjer att behandla AUBI som en familj av arkitekturer snarare än ett fixerat system — grundens storlek, det adaptiva lagrets styrka, metoden för behovsigenkänning, justeringshastigheten, den administrativa intensiteten, fondens andel, målfunktionen och de reala resursramarna är alla fria designdimensioner. Modellens slutsats är därför att det troligen inte finns någon universellt optimal AUBI-parametrisering, bara parameterintervall som är rimliga givet en viss kontext. Också det är en modellhärledd slutsats.

Vad vi själva flaggade, och vad rapporten redan svarat på

Vi frågade internt om simuleringarna verkligen skilde pengar som icke-resurs (MMT:s poäng) från faktiska reala resurser. Rapportens senaste version är ovanligt rak om det här, och förtjänar att beskrivas i sak snarare än tonas ner.

Den ursprungliga modellen bytte namn från “budget” till “real resurs” (R) utan att strukturellt förändra mekaniken — R fördelades fortfarande som en enkel skalär mellan basinkomst och kollektiv fond, utan priser, utbudselasticitet eller inflationsmekanism. Den kollektiva fonden fick en verklig kapacitetsgräns (antalet arbetstimmar begränsas av fondens storlek), men basinkomsten gjorde det inte — pengar delades ut som om de automatiskt kunde omsättas i varor och tjänster, oavsett om reala resurser faktiskt fanns tillgängliga.

En ny delstudie (“Real kapacitetsmodell”) adresserar det här direkt: basinkomstens reala köpkraft begränsas nu av en produktionskapacitet C via en mättande funktion, så att en nominell transfer som överstiger kapaciteten ger urholkad köpkraft snarare än fullt täckt behov. Resultatet: den optimala fördelningen (b ≈ 0,6) förblir stabil över de testade kapacitetsnivåerna, medan högre kapacitet genomgående förbättrar utfallet — men rapporten medger samtidigt att den reala kapacitetsfunktionen är starkt förenklad och att basinkomstsidans pris-/utbudseffekter fortfarande inte modelleras fullt ut.

Vår bedömning: det här är ett genuint, väl dokumenterat steg framåt, inte ett löst problem. Asymmetrin mellan B och K är fortfarande en förenkling (en enda skalär kapacitet C, ingen faktisk prisnivå, inget om vilka varor som är knappa). Men skillnaden mot den tidigare versionen är verklig: rapporten gör nu ett konkret försök att testa MMT-mekanismen i kod, i stället för att bara åberopa den i prosa.

Empiriskt testbara förutsägelser

Det kanske mest värdefulla resultatet av de här simuleringarna är inte “AUBI fungerar” — det är att modellen genererar konkreta, falsifierbara förutsägelser som kan prövas mot verkliga transfereringssystem:

Förutsägelse 1 — heterogenitet. Högre behovsheterogenitet i en population bör öka värdet av differentierad/adaptiv tilldelning relativt enhetlig tilldelning. Observerbar implikation: i i övrigt jämförbara populationer bör behovsanpassade insatser slå enhetlig provision tydligare där behovsfördelningen är mer spridd.

Förutsägelse 2 — mätkvalitet. Högre observationsfel (svårare att korrekt bedöma behov) bör minska eller eliminera den fördelen. Observerbar implikation: riktade eller adaptiva program med sämre behovsbedömning bör visa mindre vinster, mer felallokering, eller båda.

Förutsägelse 3 — administrationskostnad. Fördelen av differentierad provision bör minska när kostnaden för att differentiera stiger. Observerbar implikation: vid likartad behovsheterogenitet bör billigare targeting slå administrativt intensiv targeting när totala systemkostnader räknas in, inte bara transfereringsutgiften.

Förutsägelse 4 — målfunktion. Fördelen av adaptation beror på hur välfärdsmålet viktas — särskilt hur systemet behandlar svår deprivation, inte bara genomsnittlig träffsäkerhet. Observerbar implikation: program som optimerar genomsnittligt underskott bör fördela annorlunda än program som uttryckligen prioriterar de sämst ställda.

Förutsägelse 5 — anpassningshastighet. Snabb parameteranpassning bör skapa mer volatilitet i utfall än måttlig anpassning, när observationerna är brusiga. Observerbar implikation: mycket responsiva ersättningsregler bör visa större kortsiktig instabilitet när behovsuppskattningarna är osäkra eller snabbt föränderliga.

Förutsägelse 6 — återkoppling. Effektiviteten hos adaptiva transfereringar bör delvis bero på om transfereringen i sig förändrar framtida behov. Observerbar implikation: program som märkbart förändrar uppmätt behov bör visa systematiska skillnader mellan statiska targeting-utvärderingar och långsiktiga utvärderingar.

Förutsägelse 7 — kollektiva insatser. När kollektiva insatser faktiskt minskar framtida behov eller skapar värderat socialt kapital bör en blandad individuell/kollektiv arkitektur slå en lika resurssatt rent individuell transferering, under motsvarande välfärdsmål. Observerbar implikation: program som kombinerar individuella transfereringar med fungerande gemensamma insatser bör slå rena transfereringsprogram på bredare utfallsmått.

Förutsägelse 8 — real kapacitet. Välfärdseffekten av ökad köpkraft bör bero på utbudskapaciteten i de relevanta varorna och tjänsterna. Observerbar implikation: samma transfereringsökning bör ge olika reala effekter i områden och sektorer med olika kapacitetsbegränsningar — bostäder är det tydligaste fallet.

Dessa förutsägelser pekar mot en konkret nästa empirisk fråga: har verkliga socialförsäkrings- och transfereringssystem — sjukersättning, barnbidrag, bostadsstöd, anhörigstöd, personliga budgetar, adaptivt socialt skydd — egenskaper som motsvarar modellens antaganden, och matchar deras faktiska utfall förutsägelserna ovan? Det är dit vi bör gå härnäst, inte till ännu fler simuleringar av samma modell. Se Öppna frågor →.

Vad det här etablerar, och vad det inte gör

[R] — Rigoröst inom modellen: Givet modellens egna antaganden (gammafördelade behov, en logistisk arbetsbeslutsregel, en mättande kapacitetsfunktion för real köpkraft) är resultaten interna, reproducerbara beräkningsfynd.

[H] — Heuristiskt / explorativt: Vad resultaten antyder om verkliga AUBI-system. Rapportens egen konfidensbedömning nedgraderades mellan versioner — de nya hypoteserna (H21–H24, samt H2b) är nu genomgående märkta explorativa, låg konfidens, inte “villkorat stödd” som i ett tidigare utkast. Det är rätt kalibrering: parametrar som φ_work, η_work och kapacitetsnivån C är fritt valda, inte kalibrerade mot verklig data.

Det här etablerar INTE:

att ett AUBI-system skulle fungera så här i verkligheten
att 60/40-fördelningen är en policyrekommendation
att deltagandesiffran (53 %) säger något om verkligt mänskligt beteende
att modellen har löst frågan om real resursbegränsning fullt ut (se ovan)

GAE-tolkning

Simuleringarna knyter an till flera mekanismer i GAE-linsen. Det här är analytiska kopplingar, inte empirisk bekräftelse — GAE hjälper oss att namnge vad modellen gör, det bekräftar inte att modellen har rätt.

Varietetsgap. Heterogena behov skapar efterfrågan på differentierade systemsvar.
Observerbarhet. Adaptiv provision förutsätter tillräcklig information om relevant behov.
Goodhart-risk. Mätbaserad provision skapar incitament att optimera den observerbara indikatorn.
Anpassningsflaskhals. Långsam justering hindrar systemet från att möta snabbt föränderliga behov.
Återkoppling. Insatsen förändrar det tillstånd den försöker styra.
Nödvändig samstämmighet. Arkitekturen bör matcha problemets struktur och den information som faktiskt finns tillgänglig.

H2b i Evidensmatrisen

Vi har lagt till en rad för H2b i den centrala Evidensmatrisen, med status “Modellstött / empiriskt olöst” — en sammansatt statusbeskrivning i linje med hur matrisen redan hanterar liknande fall (jämför H18, H20). Det är inte en ny formell kategori, bara en tydligare beskrivning av ett läge matrisen redan har språk för.

De fyra mer AUBI-arkitekturspecifika hypoteserna (H21–H24) har vi medvetet inte lagt in som egna nummer i den centrala matrisen ännu — de gäller den specifika kollektiva fondens design snarare än allmänna styrningsmekanismer, och bör få stå för sig själva här tills de eventuellt kalibreras mot verklig data eller pilotresultat.

Se H2b i Evidensmatrisen →

Begränsningar (utöver resursfrågan ovan)

Rapportens egen begränsningssektion är ovanligt självkritisk och bör läsas i sin helhet i den fullständiga rapporten. I korthet: behov representeras endimensionellt (en enda knapphetsskalär, inte hälsa/boende/omsorg separat); arbetsmarknaden är en enkel binär logistisk modell utan kompetens, hälsa eller normer; ingen strategisk gaming är modellerad i de publicerade resultaten, trots att tidigare designdiskussioner uttryckligen övervägde det innan spåret medvetet pausades till förmån för MMT-perspektivet; grid-baserad optimering med få repetitioner i vissa känslighetsanalyser; ingen kalibrering mot verklig data eller pilotresultat.

Läs hela rapporten

Den fullständiga tekniska rapporten (metod, alla nio delstudier, känslighetsanalyser, kodsnuttar, fullständig koppling till evidensmatrisen) finns som nedladdningsbar PDF:

Ladda ner hela rapporten (PDF, svenska) → Ladda ner hela rapporten (PDF, engelska) →

Kod och rådata

All simuleringskod och samtliga resultatfiler finns öppet på GitHub: svensk-subsidiaritet-simulations

Arkivet innehåller de 25 Python-skript och 28 CSV-filer som ligger bakom siffrorna på den här sidan, uppdelade i den enkla och den utökade modellen. Två dokument är värda att läsa innan man drar slutsatser av resultaten:

MANIFEST.md kopplar varje skript till de resultatfiler det producerar och till vad körningen undersöker.
METOD.md redovisar modellantaganden och kända begränsningar — bland annat att Universal inte belastas med administrationskostnad, att förlustmåttet skiljer sig mellan de två modellerna, och att den utökade modellen inte är bit-identiskt reproducerbar eftersom arbets- och fuskbesluten använder en oseedad slumpgenerator.

Koden är licensierad under MIT, resultat och text under CC BY 4.0.

Relaterat

H2b i Evidensmatrisen → Öppna frågor → — förutsägelserna ovan, samt kalibrering mot verklig data och modellering av strategiskt beteende. Så vet vi → — för [R]/[IP]/[H]-systemet och skillnaden mellan modell- och empirisk evidens som används ovan.

Senast uppdaterad: efter H2b-syntesen (v0.1) — fullständig failure-mode-lista, arkitekturrum, åtta förutsägelser och GAE-koppling.