SynPop-DE: Synthetische Bevölkerung von 40 Millionen deutschen Haushalten mit generativen neuronalen Netzen

Abstract

Haushaltsmikrodaten, die sozio-demografische, wohnungsbezogene, einkommens- und ausgabenbezogene Merkmale kombinieren, sind eine zentrale Grundlage für viele quantitative sozialwissenschaftliche Studien — etwa zur Modellierung der Auswirkungen der Energiewende auf Haushaltsebene. Für die gesamte Bevölkerung Deutschlands lagen solche Daten bisher jedoch nicht offen vor. SynPop-DE stellt eine synthetische Bevölkerung von 40.235.916 Haushalten und ihren 81.629.116 Mitgliedern in allen 400 deutschen Kreisen bereit, kalibriert auf den Zensus 2022, mit 34 Attributen je Haushalt. Wir erzeugen die synthetischen Haushalte, indem wir die gemeinsame Attributverteilung der deutschen Einkommens- und Verbrauchsstichprobe (EVS) mit einer zweistufigen Machine-Learning-Architektur schätzen. Zunächst komprimiert ein Autoencoder hochdimensionale kategoriale Daten in einen kontinuierlichen latenten Raum. Anschließend lernt ein Generative Adversarial Network (GAN), aus dieser Repräsentation neue Datensätze zu erzeugen. Wir gleichen diese Datensätze anschließend mittels iterativem proportionalem Update (IPU) an die Zensus-Randverteilungen aller deutschen Kreise an, um die räumliche Repräsentativität sicherzustellen. Die Validierung umfasst drei Dimensionen. Erstens bildet das Modell die statistischen Eigenschaften der Erhebungsdaten ab (Detailtreue). Zweitens ermöglicht es Folgeanalysen mit einer Genauigkeit, die der Originalerhebung entspricht (Nutzbarkeit). Drittens verhindert es Rückschlüsse auf einzelne Befragte (Datenschutz). Der Datensatz ist offen verfügbar unter https://synpop.de.

Datenquellen