随着在格拉斯哥举行的联合国气候大会，全世界都在关注气候危机的后果以及我们如何仍然可以改变方向。然而，尽管气候驱动的移民被视为公共话语和学术研究的主要威胁，但在全球范围内考虑环境和社会因素的综合研究却很少。现在，在机器学习的帮助下，阿尔托大学领导的一个研究小组更清晰地描绘了 178 个国家的移民所涉及的因素。
传统上，与气候变化相关的移民研究采用线性方法，专注于环境压力是否与移民直接相关——通常一次针对一个国家或一组国家。研究人员已经知道社会因素也必须发挥作用，但在全球范围内研究这两者，以及所有国家和次区域的所有必要信息，一直是一项重大挑战。
'也许我们研究中最令人惊讶的发现是，当我们纵观全局时，在解释迁移时，社会因素比环境因素更重要。无论收入水平如何，国民总收入是解释一半国家净移民的关键因素，”阿尔托大学的博士生、发表在《环境研究快报》上的研究的主要作者文拉尼瓦说。
在他们的分析中，该团队使用了一种称为随机森林分析的机器学习技术，非常适合处理非常大的数据集中变量之间的复杂关系。这使研究人员能够解释每个因素对每个研究国家的重要性。根据收入、受教育年限、预期寿命、政府效率等方面评估社会因素;环境因素是通过自然灾害、水风险、粮食生产短缺和干旱流行率来衡量的。
例如，收入是芬兰和埃塞俄比亚最重要的因素，而在美国和南非，教育解释了净负迁移的大部分国内差异。在美国和埃塞俄比亚等移民超过移民的地区，健康是最重要的因素，而在芬兰和南非，收入是最能解释净正移民的特征。在全球范围内，在环境变量中，干旱风险是最重要的变量。在埃塞俄比亚，两个环境变量在净正迁移方面排在前三名：干旱风险和水风险。
研究中使用的数据是从 1990 年到 2000 年，这是世界上 178 个国家(包括高收入和低收入国家)在研究的详细级别(10 公里乘 10 公里单位)提供的最新信息。
“地方层面而非国家层面的非常详细的数据让我们能够看到人们迁出的地区，以及人们迁往的地区——无论是跨国界还是国内。例如，如果某个特定地区出现了干旱等环境压力，我们可以放大查看同期是否因外迁而造成人口流失，”Niva 说。
大多数净移民发生在脆弱地区
同样的细节证实，虽然环境压力本身不太可能直接导致移民，但出发国家或地区的环境压力是相关的。超过一半(58%)的净负迁移发生在环境压力大、适应变化能力低的地区。
'这是我们这个时代最大的挑战之一：环境压力下的地区是复原力最低的地区，这意味着他们没有做好应对变化的准备。随着非洲和南亚的人口迅速增长，决策者需要帮助建设能力，以确保脆弱地区能够应对气候变暖和其他环境压力的后果，”全球水和食品教授马蒂库姆解释说阿尔托大学的问题。
为了更好地了解这些因素如何解释最近的全球迁移，该团队目前正在创建一个跨越 2000-2020 年的数据集，预计将在明年左右得出结果。
“目前我们可以说的是，通过最近发表的这项研究，我们已经能够确定与移民有关的基本因素——接下来我们将探讨随着气候变暖，这些因素的重要性是否以及如何随着时间的推移而变化，”库姆说。
