pic 45

Estimación de los flujos migratorios mundiales mediante la combinación de fuentes de datos tradicionales e innovadoras y el aprendizaje automático

Key information
Region/s
Data sources

Datos administrativos

Icon/Admin Created with Sketch.

Censos

Icons/Censuses Created with Sketch.

Medios de comunicación social

Icon/Social-Media Created with Sketch.

Encuestas

icon-survey Created with Sketch.

Resumen

El objetivo de este proyecto es generar estimaciones anuales de los flujos migratorios bilaterales entre países mediante la combinación de formas de datos nuevas y tradicionales con la tecnología de aprendizaje automático. Actualmente, el equipo de investigación está analizando las fuentes de datos anuales tradicionales existentes que se utilizan para las estadísticas sobre migración —censos, encuestas y datos administrativos— y creando una base de datos histórica mundial que recoja los flujos migratorios anuales entre países desde 1991. En una segunda fase, se crearán modelos de aprendizaje automático para estimar los flujos migratorios anuales en los que se utilizarán fuentes de datos innovadoras, como los datos de las búsquedas en Google y del tráfico aéreo. Por último, todas las estimaciones se validarán por medio de simulaciones y comparaciones con las estimaciones procedentes de las estadísticas nacionales e internacionales sobre la migración. 

Resultados

Los resultados clave iniciales revelan notables diferencias geográficas y temporales en lo que respecta a la cobertura de los datos sobre la migración. Si bien la cobertura de las fuentes tradicionales de datos sobre migración ha aumentado a lo largo del tiempo, sigue habiendo una pronunciada falta de datos en África, Asia, el Caribe y Europa Oriental. En América del Norte, América Latina, Europa Occidental y Oceanía los datos tienen una mayor cobertura, pero las diferencias en la manera en que se define el término “migrante” dificultan la labor de comparación. Por lo que respecta a los aspectos técnicos, se han probado distintas estructuras de modelos de aprendizaje automático, con grados de precisión sostenidos. En resumen, los resultados de esta primera fase son prometedores y, una vez que se realicen más pruebas y ajustes, se podrán extraer conclusiones y formular recomendaciones definitivas sobre este enfoque. 

 

(Imagen: © University of Liverpool)

Last modified
28 de abril de 2021