深度学习四十年人类迁移

人类迁移是全球人口结构变化的基本驱动力，塑造着各国的人口结构、劳动力市场和社会政策。尽管长期迁移模式常与经济发展相关，但它们也会因冲突、环境危机和政治变革等冲击而迅速转变。尽管其重要性不言而喻，但迁移仍难以进行一致的测量：现有数据稀疏、集中于高收入环境，并且因定义、时间分辨率和数据类型不兼容而零散。本研究提出了一个1990年至今覆盖230个国家/地区年度原籍地-目的地迁移的新数据集，将多种数据源整合到一个统一的建模框架中。通过结合官方统计数据、基于人口普查的存量、净迁移估计和过往流重建，我们的方法产生了时间上更详细、空间上更全面的估计，极大地扩展了现有资源。利用由地理、经济、文化和政治协变量信息驱动的深度递归神经网络集成，我们捕捉了持续趋势和对变化条件的短期响应，同时传播不确定性以生成置信区间。我们的结果在保留数据上优于现有的五年期流估计，并提供了更精细的时间分辨率，揭示了全球迁移模式中先前被掩盖的动态。该框架突出了不确定性仍然很高且数据收集最紧迫的区域。通过发布所有数据、代码和训练好的模型，我们为未来的工作提供了一个透明且可复现的基础。这些进展使得能够更及时、更详细地理解人类流动性，对日益动态的全球系统中的研究和政策具有启示意义。