Appearance
Measuring global migration flows using online data
Summary
Problem: 现有的国际迁移流量估计在覆盖范围、可靠性、及时性方面存在严重局限。国际移民组织（IOM）指出，仅有45个国家政府提供迁移流量数据，且这些数据方法不一致、定义各异、往往过时（联合国人口司最新数据可追溯至2015年）。这促使联合国和《全球移民契约》呼吁改进数据收集方法。 Approach: 本文利用Facebook 30亿活跃用户的隐私保护数据，通过识别用户预测居住地的变化来检测迁移事件。迁移被定义为个人在一个国家居住超过一年后迁往另一个国家并居住超过一年（符合联合国建议定义）。随后将个体迁移事件聚合为国家对-月份层面的计数，并应用基于Facebook使用率和国家收入水平的加权方法（selection rate）使估计对总体人口具有代表性，最后通过差分隐私技术添加噪声保护个体隐私。 Finding: 估计2022年有3910万人进行国际迁移（占样本国家人口的0.63%）。COVID-19疫情期间迁移流量下降64%，2022年反弹至比疫情前高24%的水平。俄罗斯入侵后乌克兰迁出人口增加十倍。估计与新西兰和欧盟的高质量行政数据高度相关（相关系数分别为0.98和0.94）。 Significance: 该研究提供了一种可近乎全球覆盖、月度粒度、延迟更短的迁移流量测量方法，弥补了传统数据在广度、分辨率和及时性上的不足，为研究者和政策制定者提供了新的数据资源，并已通过人道主义数据交换平台（Humanitarian Data Exchange）公开发布。
Theoretical Framework
- Theoretical tradition: 该研究属于计算社会科学与人口学的交叉领域，采用数据驱动的方法来测量和描述迁移现象，而非检验特定社会理论。
- Prior theories built upon: 研究建立在迁移研究中的几个关键实证发现之上：迁移者往往更富有（引用文献23）；较贫穷国家中更富裕的个体更可能同时使用Facebook和迁移（引用文献30、31）；社会网络联系对迁移流具有强预测力；距离是迁移率的强预测因子。
- Causal mechanism: 本文主要关注测量而非因果机制。不过，研究隐含的机制是：Facebook使用率与迁移倾向之间存在系统性关联（尤其在较贫穷国家，两者都偏向更富裕人群），因此需要通过加权来校正这种选择偏差，使Facebook用户迁移流能够代表总体迁移流。
- Key assumptions: 核心假设包括：(1) Facebook用户的迁移行为能够通过预测居住地变化被准确检测；(2) 迁移的选择偏差可以通过国家层面Facebook使用率和收入水平的函数来建模和校正；(3) 差分隐私噪声对聚合估计的影响可忽略不计；(4) 新西兰行政数据可作为校准全球选择偏差的基准。
- Theoretical move: 本文并非扩展或挑战某一特定迁移理论，而是应用和综合了已有的关于迁移选择性的实证发现，将其转化为一个可操作的加权方法论，从而将社交媒体大数据转化为可靠的人口迁移测量工具。
- Scope conditions: 该方法适用于Facebook可访问且使用率可估计的国家，排除了Facebook被禁止或存在其他限制的国家（如中国需单独方法）。估计对迁移定义敏感（如6个月vs 12个月阈值），对特殊政策驱动的迁移走廊（如萨摩亚配额）可能产生偏差。
Research Design
本研究为观察性、计算性研究设计。分析单位为个体Facebook用户（用于检测迁移事件），随后聚合为国家对-月份层面的迁移流量。关键自变量为用户的预测居住地变化（基于自我报告位置和IP地址信号），因变量为国际迁移事件（定义为在一个国家居住超过12个月后迁往另一个国家并居住超过12个月）。加权方法中，关键操作化变量包括国家层面Facebook使用率、国家收入水平（世界银行分类）以及基于新西兰行政数据计算的全球偏移量。
Data & Sample
- N: 超过30亿Facebook活跃用户；覆盖181个国家（占全球人口的79.2%）
- Population: 全球国际迁移者
- Country/Region: 181个国家，排除非常小的国家和Facebook被禁止的国家；中国有单独的实验性估计（未包含在主要结果中）
- Recruitment/Data-collection method: Facebook用户数据（非招募制），基于用户自我报告位置和IP地址的预测居住地
- Time period: 2019年1月至2022年12月，月度粒度
- Data source: Facebook（Meta公司内部数据）；验证数据来自新西兰统计局和欧盟统计局（Eurostat）
Analytical Strategy
- 使用分段方法（segment-based method）将预测居住地转化为用户的国家位置时间序列
- 应用加权方法（selection rate）校正Facebook使用率和迁移选择偏差，权重取决于国家Facebook使用率和收入水平，并加入基于新西兰行政数据计算的全球偏移量
- 与朴素方法（仅用Facebook使用率倒数加权）对比，selection模型使与瑞典政府估计的差异减少约53.3%
- 使用差分隐私技术添加噪声（95%的月度估计变化少于7人），负值截断为0
- 验证分析：与新西兰2019年年度数据（相关系数0.98）和Eurostat 2019年数据（相关系数0.94）进行相关性比较
- 稳健性检查：在SI Appendix中测试了多种替代加权方法、6个月迁移阈值替代定义、与更多行政数据及低频全球迁移估计的基准比较
Results & Findings
- 全球迁移总量与趋势：2022年月均约330万人迁移，全年总计3910万人（占样本国家人口的0.63%）。COVID-19疫情爆发后全球迁移流量下降64%，2020年7月后开始反弹，2021年月均214万人（比2019年低18%），2022年1月首次恢复到疫情前水平，全年月均330万人（比2019年高24%）。这一发现验证了研究预期——月度数据能够捕捉传统年度数据无法观测的危机响应和恢复动态。
- 主要迁移走廊与地理模式：2022年墨西哥到美国迁移近100万人；20.9%的迁移发生在接壤国家之间（尽管接壤国家对仅占不到1.7%）；欧洲内部、拉丁美洲和加勒比地区（委内瑞拉流向邻国）有大量区域迁移；西亚-南亚走廊（印度、巴基斯坦、孟加拉国到沙特、卡塔尔、阿联酋）呈现对称迁移模式（合同结束后返回）。距离是迁移率的强预测因子，社会联系对远距离国家对迁移也有强预测力。
- 收入水平与迁移：高收入国家吸引67%的全球移民，同时输出33%的全球移民（尽管仅占世界人口的19%），与先前研究发现迁移者往往更富有一致。这验证了加权方法中关于收入与迁移选择偏差的假设。
- 危机引发的迁移变化：俄罗斯入侵后，2022年2月至12月间230万人从乌克兰迁出并定居他国至少一年，是战前迁出率的十倍；波兰、德国、捷克、美国和英国接收最多，与UNHCR估计高度一致。香港到英国的迁移在2020年6月安全法通过后增加超过十五倍；缅甸到新加坡的迁移在2021年2月政变后增加超过五倍。
- COVID-19政策与迁移的关系：移民流入与COVID-19政策严格度指数负相关——100分制中每增加10分，下月移民减少5.1%。所有区域的COVID导致的迁移下降均超过50%，南亚下降最大（2020年比2019年下降81.5%），北美下降55.6%。不同类型国家（低限制、先松后紧、持续高限制）呈现不同的迁移恢复模式。
- 验证结果：与新西兰官方数据相关系数0.98，与Eurostat数据相关系数0.94。Facebook估计能捕捉印度到新西兰的月度迁移高峰（2019年2月和2020年2月，对应新西兰高等教育学年开始）以及2020年3月边境关闭后的迁移骤降。存在系统性偏差：小流量估计值偏大（部分因差分隐私噪声截断所致）；低估萨摩亚到新西兰的迁移（因萨摩亚配额政策的独特选择模式）；对斯洛伐克报告的估计可能捕捉了行政统计中排除的迁移（仅含永久居留许可持有者）。
Limitations
- 排除Facebook被禁止或使用受限的国家（如中国需单独方法），样本覆盖全球人口的79.2%（含中国后为97.4%）
- 迁移定义较为保守（12个月阈值），可能低估危机引发的短期迁移（如乌克兰临时保护身份人数高于估计）
- 差分隐私噪声导致小流量估计值系统性偏大（负值截断为0）
- 加权模型依赖新西兰行政数据校准全球偏移量，对特殊政策驱动的迁移走廊（如萨摩亚配额）可能产生偏差
- 个体层面数据不可公开获取，仅释放聚合估计
- 验证数据本身存在局限（Eurostat数据仅年度粒度、各国方法不一致）
- 作者为Meta员工，存在潜在利益冲突（论文已声明）
Key Contributions
- 开发了一种利用社交媒体数据估算国际迁移流量的新方法，实现181个国家、月度粒度的近乎全球覆盖
- 通过selection rate加权方法解决了Facebook使用和迁移的双重选择偏差问题，显著提高了发展中地区的估计准确性（与瑞典数据相比误差减少53.3%）
- 首次提供了COVID-19疫情期间全球迁移流量的月度动态估计，揭示了64%的下降和2022年24%的反弹
- 捕捉了乌克兰战争、香港安全法、缅甸政变等危机事件引发的迁移剧变，展示了高分辨率数据对危机监测的价值
- 建立了迁移流量与COVID-19政策严格度之间的定量关系（10分严格度增加对应5.1%移民下降）
- 通过人道主义数据交换平台（Humanitarian Data Exchange）公开发布估计数据，支持研究和政策干预
- 验证了Facebook数据与高质量行政数据（新西兰、欧盟）的高度一致性（相关系数0.98和0.94）
Key Claims
"Using privacy protected records from three billion Facebook users, we estimate country-to-country migration flows at monthly granularity for 181 countries, accounting for selection into Facebook usage." (Abstract)
"We estimate that 39.1 million people migrated internationally in 2022 (0.63% of the population of the countries in our sample)." (Abstract)
"Migration flows significantly changed during the COVID-19 pandemic, decreasing by 64% before rebounding in 2022 to a pace 24% above the precrisis rate." (Abstract)
"We also find that migration from Ukraine increased tenfold in the wake of the Russian invasion." (Abstract)
"Our estimates closely match high-quality measures of migration where available but can be produced nearly worldwide and with less delay than alternative methods." (Abstract)