Regeringar över hela världen samlades i Marrakech i december förra året för att ratificera en pakt för att förbättra samarbetet kring internationell migration. Bland andra mål, Global Compact for Migration försöker använda "korrekta och disaggregerade data som grund för evidensbaserad policy." Hur kan maskininlärningsteknik hjälpa till med djupt polariserande samhällsfrågor som migration?

I början av 2018, med stöd från IBM Corporate Citizenship och det danska utrikesministeriet, IBM och Danish Refugee Council (DRC) inledde ett partnerskap som helt och hållet syftar till behovet av att bättre förstå migrationsdrivkrafter och evidensbaserad policyvägledning för en rad olika intressenter. Vid den nyligen genomförda THINK Copenhagen keynote, DRC:s generalsekreterare, Christian Friis Bach, presenterade de första resultaten av denna insats.

Om vi ​​kan förutsäga migration och flyktingströmmar kan vi förebygga och förbättra skyddet av människor i rörelse. Bra samarbete med @IBM om prediktiv modellering. Presenterade första resultaten på #TÄNK2018CPH! pic.twitter.com/x1JDyI8s6L

— Christian Friis Bach (@christianfbach) 7 november, 2018

I detta inlägg, Jag ska gå igenom utvecklingen av ett maskininlärningssystem som ger strategiska prognoser för blandad migration tillsammans med scenarioanalys. Blandad migration avser gränsöverskridande förflyttningar av människor som motiveras av en mångfald faktorer att flytta, inklusive flyktingar som flyr från förföljelse och konflikt, offer för människohandel, och människor som söker bättre liv och möjligheter. Sådana populationer har en rad juridiska statuser, varav några inte återspeglas i officiell statlig statistik.

Att förstå migreringsdynamik och drivkrafter är i sig komplicerat. Omständigheterna skiljer sig från person till person. Frågan "varför bestämde du dig för att flytta?" är inte lätt för folk att svara på. Dock, i den mån enskilda beslut återspeglar strukturella samhälleliga faktorer, dynamiken kan delvis förklaras med aggregerade åtgärder. Till exempel, ekonomiska drivkrafter för rörelse kan förväntas vara relaterade till sysselsättningsmöjligheter och därför makroindikatorer för sysselsättning. Dessa utmaningar förvärras av datatillgänglighet och täckning av specifika indikatorer.

Prognossystemet

Vi började med att utnyttja övervakningsprogrammet 4MI som drivs av DRC genom vilket tusentals migranter på resande fot intervjuas. Analys av undersökningsdata avslöjar kluster på hög nivå av drivrutiner för migrering. Dessa kluster sträckte sig från bristande rättigheter och andra sociala tjänster, till ekonomisk nödvändighet och konflikt. Dessa drivkrafter mappas sedan till kvantitativa indikatorer. Funktioner som härrör från dessa indikatorer matas sedan till en modell som genererar prognoser tillsammans med konfidensintervall (Figur 1). Dessutom, systemet genererar också sammanhang för varje förutsägelse genom att visa specifika drivkrafter som bidrog till prognosen.

Med hjälp av dessa indikatorer, Vi utvecklade en ensemblemodell för att årligen göra strategiska prognoser för bilaterala flöden om blandade volymer. Våra utvärderingar visar att felfrekvensen ligger inom några tusen personer per år även för länder med instabila förhållanden. Systemet tillåter vidare scenarioanalys, där relativa förändringar i påverkande faktorer kan modelleras för att göra justerade förutsägelser.

Intressant kontraintuitiv dynamik framträder ur en sådan analys. Till exempel, Arbetslösheten i Etiopien är över genomsnittet jämfört med länder söder om Sahara. Ett stort antal etiopier reser till Saudiarabien för att arbeta. Ökade sysselsättningsgrader till den bästa femman i regionen kommer att resultera i större migration till Storbritannien (två procents ökning), Sverige (två procents ökning) och Saudiarabien (åtta procents ökning). Detta återspeglar en ökad förmåga och möjlighet för etiopier att möta sina ambitioner utomlands. Om arbetslösheten ökar till de värsta nivåerna, modellen förutspår en ökning av migrationen till Sydafrika (ökning med tre procent) och Saudiarabien (ökning med fyra procent), med EU-destinationer i stort sett oföränderliga till ökad arbetslöshet.

Sådan detaljerad kvantitativ analys har tidigare inte varit tillgänglig för intressenter som behöver formulera policysvar.

Kausal slutledning

Prognossystemet som beskrivs ovan är rent datadrivet där vi litar på modellen för att härleda samband mellan alla variabler. Alternativt om vi försöker utnyttja ämneskunskap och inkludera specifika insikter i systemet, vi skulle kunna använda probabilistiska grafiska modeller.

Vid en workshop som hölls på IBM Research – Ireland, ämnesexperter från Mixed Migration Center i Genève och Demokratiska republiken Kongo tog fram "spaghetti" -nätverket som visar hur de förväntar sig att indikatorkluster är orsakssammanhängande. Med detta som input, vi kombinerade sedan deras expertutlåtande med uppgifterna. Vi använde en teknik som kallas strukturinlärning för att utveckla ett sådant nätverk.

Prognoser som använder sådana nätverk fungerar vanligtvis inte så bra som de rent datadrivna metoderna som presenteras ovan; ändå, de hjälper till med scenarioanalys och policyanalys.

Vad kommer härnäst?

Detta är de första stegen mot en framtid där beslutsfattare har omedelbar tillgång till bevis när och där det behövs och där komplexa relationer lätt kan utforskas för att ge mer insikt som driver bättre politik.

Tills vidare, vi fortsätter att förbättra systemet och samla användarfeedback med ämnesexperter inom DRC. Efter mer detaljerad validering, vi kommer att sträva efter att utöka det geografiska omfånget och scenarioanalysfunktionerna.

Den här historien återpubliceras med tillstånd av IBM Research. Läs originalberättelsen här.