预见人类流动：预测与前瞻方法在移民政策中的创新应用与治理挑战

《Data & Policy》：Anticipating human mobility: Methods, data, and policy in forecasting and foresight

本刊推荐：针对全球移民模式日益复杂、传统治理方式滞后的挑战，研究人员聚焦“预测与前瞻方法在移民政策制定中的应用”主题，综合运用机器学习(ML)、人工智能(AI)、移动电话数据(MPD)和参与式前瞻等方法，开发了从冲突地区流离失所预测到气候相关流动评估的创新工具。研究强调了方法多元性、数据伦理和治理框架的重要性，为政策制定者、人道主义组织提供了可操作的见解，推动移民治理从被动应对转向主动预见，最终提升全球移民和收容社区的有效性和人道主义成果。

　　

全球移民模式正变得日益复杂，由经济因素、政治不稳定、冲突、社会动态以及气候变化影响加剧共同驱动。这种复杂性使得传统的被动式移民治理方式显得力不从心，难以应对动态且常常突然发生的破坏性现象。面对这样的挑战，决策者迫切需要从被动响应转向主动预见，发展出更具前瞻性和人道主义的策略。正是在这样的背景下，《Data & Policy》推出了特刊“移民政策中的预见方法：预测、前瞻及其他前瞻性方法在移民决策中的应用”，汇集了多篇学术和实践贡献，展示了预见方法的最新进展。

为了系统推进这一领域，研究人员采用了多种关键技术方法。这些方法涵盖了基于机器学习(ML)和人工智能(AI)的定量预测，例如使用冲突、粮食不安全和植被健康数据来预测流离失所，以及利用集成建模预测非法越境和庇护申请；同时，也采用了定性前瞻方法，如参与式情景构建和混合方法，结合了定量数据与参与式研讨会、系统映射等定性方式；此外，还利用了大数据和新型数据源，如移动电话数据(MPD)，包括呼叫详细记录(CDRs)和GPS追踪，但强调了数据访问、匿名化和伦理共享的挑战；研究还涉及调查方法，在高度不稳定环境中通过电话访谈快速生成流离失所数据；最后，通过概念框架和分类法，如基于经验、探索和专业的分类，来构建方法选择指南。

研究结果部分通过多个具体研究展示了方法的应用和成效。

Harnessing data and algorithms: The rise of advanced forecasting

研究人员利用机器学习和人工智能进行了先进的预测分析。例如，Kjarum和Madsen(2025)为丹麦难民委员会开发了 anticipatory humanitarian action for displacement model，使用ML预测萨赫勒地区(布基纳法索、马里、尼日尔)和南苏丹的流离失所，尽管预测突然激增存在困难，但成功将预测转化为具体的人道主义干预。Bosco等人(2024)提出了一种集成建模架构，预测中地中海路线上的非法越境和意大利的庇护申请，在短期和中期实现了高解释方差，为政策支持提供了及时工具。Casagran和Stavropoulos(2024)描述了EUMigraTool平台，为非政府组织(NGOs)提供欧盟(EU)内庇护寻求者到达的短期和中期预测，处理来自GDELT Project、Eurostat和新闻数据等公共信息，同时应对验证和伦理部署的复杂性。Ruhnke和Rischke(2024)使用随机森林模型预测黎巴嫩和土耳其的移动意愿，发现社会凝聚力和政治代表等因素是重要预测因子，但整体预测准确性仍面临挑战。Barker和Bijak(2025)采用混合频率VAR模型，使用宏观经济数据预测26个欧洲国家的移民流动，在短期预测中表现合理，但长期预测不确定性高，可用于情景开发。

The double-edged sword: Big data and novel data sources

大数据和新型数据源带来了变革潜力，但也存在挑战。Bircan(2024)批判性评估了移动电话记录和社交媒体等数据源，质疑它们是增强还是仅仅复制传统见解，强调需要严格的方法框架、伦理管理和与传统数据验证以真正利用其认知价值。Aydogdu等人(2025)深入探讨了移动电话数据(MPD)在预期流离失所中的应用，回顾了从呼叫详细记录(CDRs)和GPS追踪到xDR和空中时间充值等新形式的数据生命周期，突出了MPD在自然灾害和冲突响应中进行事前分析的能力，同时详细阐述了数据访问、匿名化、偏见缓解和伦理数据共享的挑战，倡导强大的数据合作。

Beyond numbers: The role of foresight, scenarios, and participation

除了定量模型，定性深度、情景探索和直接参与受影响人群的方法也至关重要。Udovyk和M-Domènech(2024)通过参与式前瞻与流离到西班牙的乌克兰人共同开发了四种未来返回情景(疲惫返回、精力充沛返回、虚拟返回和断开连接)，表明生活经验和共同创造的叙事可以深刻影响更细致的政策制定。Krelinova等人(2025)在乌克兰内部流离失所的案例研究中，展示了国际移民组织(IOM)如何部署基于调查的预测方法——通用人口调查，通过电话访谈快速生成流离失所数据、追踪移动意愿并预测持久解决方案(返回或整合)，在高度不稳定环境中为 humanitarian planning 和政府政策提供了准确、近实时和可操作的证据。Golesorkhi(2024)使用定性视角，通过案例研究和法律-制度分析，探讨将性别 apartheid 编纂为危害人类罪对庇护申请(特别是来自阿富汗的妇女和女孩)的潜在影响，比较了瑞典、芬兰、丹麦与德国、法国的政策响应， delineating 了国际法和难民保护交叉点的关键移民情景。Martin等人(2025)描述了联合国开发计划署(UNDP)的一个项目，结合了预测分析(模拟气候变化对内部移民的影响)与参与式前瞻研讨会和系统映射，这种混合方法允许探索不同气候情景(如代表浓度路径(RCP)和共享社会经济路径(SSP))下人口变化的复杂空间模式，并评估跨社会经济领域的潜在影响，为应对气候变化的预见政策提供了整合多样知识形式的宝贵经验。Ashkapova和Zulfiu Alili(2025)提供了北马其顿将预见治理嵌入国家移民政策的转化案例研究，详细介绍了该国多阶段旅程，包括使前瞻与移民政策决议2021-2025对齐、通过培训和研讨会为政府和公民社会利益相关者进行能力建设，以及合作开发定制治理模型，提供了从被动转向主动政策的真实世界例子，并评估了确保政府所有权、资源和长期可持续性的持续挑战。

Structuring the field: Conceptual frameworks and methodological reflections

为了导航这一快速发展的领域，概念清晰和总体框架至关重要。Marcucci、Verhulst和Cervantes(2025)直接提出了一个新颖的分类法，将预见方法分为三类：基于经验、基于探索和基于专业，旨在指导政策制定者和研究人员为特定背景选择并整合最合适的方法，特别是在混合定量和定性方法及利用创新工具和数据源的趋势下。他们的工作为以快速演进和方法多样性为特征的领域提供了急需的地图。

Synthesizing insights: Key contributions to anticipatory migration policy

特刊中的文章共同为移民政策中预见方法的理论和实践做出了重要贡献：展示了方法多元性，从ML模型提供流离失所、非法越境和庇护申请的细粒度预测，到高级统计技术处理复杂数据结构，再到大数据价值的批判性评估、MPD的深入探索、基于法律和社会分析的情景构建，以及参与式和混合前瞻方法；强调了整合定量预测与定性、上下文理解的需求；涵盖了广泛的移民类型和背景，从冲突引起的流离失所、灾害相关移动到庇护寻求、劳工和经济移民、返回移民动态以及(不)移动意愿的基础层面；对数据的潜力和陷阱持有清晰视角，探索了从官方统计和宏观经济指标到前沿大数据如MPD、GDELT事件数据以及直接人类参与的丰富定性数据的效用，同时突出了数据访问限制、获取成本、质量和代表性担忧(“数字鸿沟”)、强大验证技术的需求以及伦理框架的重要性；最终目标是告知更好、更有效、更人道的移民政策和人道主义行动，强调尊重人权、确保公平和赋能移民及流离失所人群的方法，参与式方法和以人为本的设计原则产生强烈共鸣。

Navigating uncertainty: Cross-cutting challenges and future horizons

尽管特刊记录了重大进展，但通往完全有效的预见移民政策的道路仍充满持续挑战：不确定性阴云笼罩，移民的复杂、动态和常常危机驱动的性质使得精确预测非常困难，承认和量化这种不确定性对于负责任的预测和前瞻至关重要；数据和算法的伦理治理需要持续警惕，使用大数据和MPD带来监视、偏见表示和潜在误用的风险，隐私-by-design、问责制、透明度(或至少复杂ML模型的可解释性)和公平性原则必须嵌入这些技术的开发和部署中；弥合研究见解与政策实施之间的差距仍然是一个持久挑战，涉及持续对话、政策机构内的能力建设以及将预见知识整合到决策周期中的清晰路径开发；未来研究和发展方向包括进一步系统开发和评估定量和定性方法的整合、混合方法；增强移民相关数据(传统和非传统)的可用性、质量和可访问性的努力；加强伦理框架，随着AI和大数据变得更强大，需要强大、适应性的伦理指南和监督机制专门针对移民背景定制；关注本地和情境化预见，有效预见通常需要理解本地驱动因素、脆弱性和能力，适应特定背景并融入本地知识的方法将越来越重要；需要进行纵向评估，更多纵向研究评估不同预见方法随时间的真实世界准确性、效用和影响。

Conclusion: Toward a more anticipatory and humane future

特刊的贡献揭示了一个快速演进的领域——以方法创新、跨学科合作和共享承诺为标志，致力于更人道和前瞻的移民政策。预见移民不再是一种推测性或学术努力；它已成为有效治理、负责人道主义响应以及在日益增长的全球流动性中保障人类尊严的重要支柱。同样重要的是培养实践社区，如大数据 for migration alliance，可以促进跨机构和地理区域的经验教训、伦理标准和 proven practices 的交流。这些网络在建设能力、对齐规范和扩展有效做法方面发挥关键作用。为了真正实现预见能力，数据必须以更系统、可持续和负责任的方式提供，包括确保互操作性、解决偏见和数据不对称，以及嵌入保护个人和社区的保障措施。还需要设计治理框架，在尊重权利和信任的同时实现数据共享。最后，迫切需要深化对AI在移民预测中潜力和局限性的理解，虽然AI承诺增强精确性和及时性，但也引入了强化歧视模式或模糊问责制的风险。持续研究、伦理审查和参与式设计对于负责任地利用AI在这一领域至关重要。关于AI与移民数据的使用，欧盟AI法案代表了引入强大治理和维护欧洲价值观的开创性努力，通过将移民、庇护和边境管理领域的许多AI应用分类为“高风险”，该法案要求重大保障措施，包括增强数据质量、系统使用的透明度以及关键的人类监督。通往预见移民治理的旅程是复杂的，但回报——更具韧性的机构、更公正的结果和更人道的未来——值得努力。希望这里 presented 的研究将激发持续创新、批判性反思和一致行动以实现这一愿景。