pic 45

Obtenir une estimation des flux migratoires mondiaux en associant des sources de données traditionnelles et novatrices au moyen de l’apprentissage automatique

Key information
Region/s
Data sources

Données administratives 

Icon/Admin Created with Sketch.

IA et apprentissage automatique

Fill 58 Created with Sketch.

Recensements

Icons/Censuses Created with Sketch.

Médias sociaux

Icon/Social-Media Created with Sketch.

Enquêtes

icon-survey Created with Sketch.

Résumé

Ce projet vise à tirer des estimations annuelles des flux migratoires bilatéraux internationaux au niveau mondial en associant des formes de données traditionnelles et nouvelles avec une technologie d’apprentissage automatique. L’équipe de recherche évalue actuellement les sources de données annuelles traditionnelles des statistiques sur les migrations – recensements, enquêtes et données administratives – et constitue une base de données mondiale des flux migratoires historiques de pays à pays sur une base annuelle à partir de 1991. Dans un deuxième temps, ce projet mettra au point des modèles d’apprentissage automatique pour obtenir des estimations sur les flux migratoires annuels, et inclura des sources de données novatrices telles que les données de recherche Google et les données du trafic aérien. Enfin, toutes les estimations seront validées par des simulations et des comparaisons avec les estimations des statistiques migratoires nationales et internationales. 

Résultats

Les premiers résultats clés révèlent de grandes disparités géographiques et temporelles dans la couverture des données sur la migration. Si la couverture des sources traditionnelles de données sur la migration a augmenté au fil du temps, les lacunes en matière de données restent prononcées en Afrique, en Asie, dans les Caraïbes et en Europe de l’Est. On observe une plus grande couverture des données en Amérique du Nord, en Amérique latine, en Europe occidentale et en Océanie, mais les différentes définitions des migrants posent des problèmes de comparabilité des données. En ce qui concerne les aspects techniques, diverses structures de modèles d’apprentissage automatique ont été testées, affichant des degrés de précision constants. Dans l’ensemble, il s’agit de résultats prometteurs au stade initial. D’autres tests et perfectionnements permettront de tirer des conclusions et des recommandations définitives sur cette approche.

(Image: © Université de Liverpool)

Last modified
13 Octobre 2021