- 拆分视图
-
的观点
-
引用
引用
Zakaria Mehrab, Logan Stundal, Srinivasan Venkatramanan, Samarth Swarup, Bryan Lewis, Henning S Mortveit, Christopher L Barrett, Abhishek Pandey, Chad R Wells, Alison P Galvani, Burton H Singer, David Leblang, Rita R Colwell, Madhav Marathe,基于主体的强迫移民研究框架:以乌克兰为例,PNAS Nexus,第3卷,第3期,2024年3月,pgae080, https://doi.org/10.1093/pnasnexus/pgae080
- 分享图标 分享
摘要
俄罗斯对乌克兰的持续侵略已迫使800多万人迁出乌克兰。了解被迫移徙的动态对于制定政策和提供人道主义援助至关重要。现有的工作受到依赖观测数据的阻碍,这些观测数据只能在事后很久才能得到。在这项工作中,我们研究了由社会和行为理论驱动的数据驱动的基于主体的框架在预测乌克兰战争初期冲突事件导致的移民外流方面的有效性。我们讨论了拟议框架的政策用例,展示了它如何利用难民人口统计细节来回答紧迫的政策问题。我们还展示了如何结合冲突预测情景来预测未来冲突引起的移民流动。对各种冲突情况下的未来移民进行详细估计,既有助于减少决策者的不确定性,也有助于改善危机环境下有限人道主义资源的分配和部署。
冲突引发的移民流动受到了学者和政策制定者的极大关注。然而,由于数据限制和计算规模的问题,在接近实时的情况下估计这些流量一直受到损害。利用4600万合成个体的综合数据集和一个新颖的基于主体的建模框架,我们计算并验证了应对乌克兰冲突的每日难民潮。将模型拟合与其他方法进行比较,表明结果的准确性,并通过使用反事实冲突预测来证明政策效用。在典型的硬件上,模型校准可以在几天内完成,强调了在人道主义危机期间模型的实用性。
介绍
人口学家、经济学家、地理学家、政治学家和社会学家对移民——即人们从原籍地向目的地的流动——进行了广泛的研究,他们对这些流动的原因和后果都持不同的观点(1-4)。在大多数情况下,这些研究认为移徙是有计划的移动,未来的移徙者打算永久留在目的地,或至少在相当长的一段时间内。在全球范围内,联合国报告称,在与COVID-19大流行相关的边境限制之前,国际移民约占世界人口的3.5%(5)。
与有计划的移徙(例如为了教育和就业)相反,各国越来越多地经历了被迫移徙;由冲击事件引起的迁移或内部位移。根据联合国难民事务高级专员办事处的数据,截至2019年底,全球有近8000万被迫移民(5)。据联合国难民署最近的最新估计,截至2023年6月,这一数字已攀升至1.1亿(5)。被迫移民与计划移民不同,那些离开家园的人是由于冲突或自然灾害,他们通常打算在安全的情况下返回家园。了解被迫移民的动态对政策制定者至关重要;由于强迫移民的突然性,收容这些难民的国家提供公共援助和维持公民秩序的工作受到了损害。
2022年俄罗斯入侵乌克兰就是这样一个令人震惊的事件,导致乌克兰人大规模被迫迁移到欧洲。截至2023年5月,830万乌克兰人逃往欧洲,另有540万人在乌克兰境内流离失所。人道主义评估表明,1020万乌克兰人需要人道主义援助(7)。为了满足这些需求,东道国的政策制定者和人道主义组织必须利用所有可用的信息,做出资源和后勤阶段决策,以援助需要援助的入境难民(8)。然而,被迫迁移事件的突变性使得这种阶段决策变得非常重要,在过去,在某些情况下,反动的应对措施未能满足大规模难民潮的需求(9)。因此,基于潜在的地缘政治或环境冲击来估计被迫移民的框架至关重要。
现有的传统迁移模型主要用于计划迁移的背景下,它们本质上是功能性的。例如,重力模型(10)主要基于距离来估计从源位置到目的位置的迁移,而辐射模型(11)通过两个位置的人口和中间位置的人口来估算迁移。然而,强制迁移主要是由于外部事件(例如冲突事件或灾难)而发生的(12),使得这些模型不太适合这个目的,因为这些模型没有提供一个直接的方法来合并这些事件的影响。政治和社会科学家已经发展了多种关于移民过程中人类行为和决策的理论,这些理论在多大程度上有助于解释计划移民已经得到了广泛的研究。流行的理论包括但不限于效用最大化(1)、计划行为理论(13)和羊群效应(14)。然而,这些理论尚未在强迫移民中进行研究,尽管有人认为,由社会理论驱动的模型在强迫移民期间普遍没有数据或数据不足的情况下基本上是有用的(15)。
为了解决这些限制,我们提出了ABSCIM(基于代理的冲突诱导迁移模拟器),这是一个数据驱动、理论指导、基于代理的框架,用于模拟强制迁移。框架的数据驱动部分的必要性源于这样一个事实,即与强制迁移事件相关的数据的不确定性和噪声始终是挥之不去的问题(6,16),并且对于驱动框架所必需的数据类型而言,不确定性仍然存在。我们通过将现实世界的冲突信息与数字孪生(17,18)以合成人口的形式结合起来,朝着填补这一空白迈出了一步。理论指导模型的必要性出现了,因为使用社会理论的框架提供了一个强大的基础,将被政策制定者所接受,并且比其他选择更有可能准确地模拟人类行为(15)。为了解决这个问题,我们将必要的社会规则嵌入到合成个体与现实世界冲突事件交互时的决策过程中。此外,由于迁移最终是一种宏观层面的现象,是由微观层面的个体决策聚集而产生的(16),因此基于代理的模型(ABM)适合模拟这种自下而上的行为。通过将每个合成个体的决策过程嵌入从社会理论中衍生出来的规则,并让它们在ABM的框架下对现实世界的事件做出反应,我们可以获得有意义的结果。因此,它提供了与观察到的行为相关联的机会,并提供了分析强制迁移的不同方面的灵活性。鉴于代理是微观层面的实体,ABM可以生成高分辨率和低分辨率的信息,这强调了它在生成在现实场景中获得的重要数据方面的有用性。此外,可以分别定义不同人口群体代理人的行为模式,支持公平和平等。最后,政策制定者寻求执行各种反事实分析的能力,以帮助他们了解各种不确定性并制定相应的计划。由于ABM允许分解部分和因素,选择切实的目标并结合理论指导的决策过程,这些目标将帮助决策者通过提供可理解的“杠杆”来改变模型,从而实现这一目标。
本研究在乌克兰被迫移民的背景下调查以下问题。首先,如何将社会理论整合到ABM中,以计算冲突引发地区的移民外流?其次,ABM如何有效地在精细的时间、空间和人口分辨率下生成估计?最后但并非最不重要的是,这种模式的政策含义是什么?ABSCIM使用计划行为理论作为代理决策的基础。ABSCIM将现实世界数据的冲突事件与现实人口的数字双胞胎的决策过程相结合,可以产生有意义的结果。从暂时来看,乌克兰每天都有移民外流。通过与现有的跨境报告进行比较,我们获得了0.96的Pearson相关系数(PCC),表明ABSCIM能够非常准确地捕捉时间趋势。在空间上,反弹道导弹可以在任何空间尺度上分解冲突引起的流离失所,例如乌克兰境内的行政2级地区。最后,由于我们通过使用从公开可用数据中开发的合成人口(19,20)来建模个体代理,因此迁移估计可以基于人口统计学特征(包括年龄和性别)进行汇总。我们通过两种方式展示了模型的策略相关性。首先,我们利用ABM数据丰富的输出来探索战时性侵犯的普遍性——这是一个未被充分研究的问题,我们的模型有助于解决数据限制对其研究的损害。其次,我们开发了两个反事实冲突预测,以证明该模型如何集成到决策者分析中。这两项政策应用都强调了拟议的反弹道导弹框架如何产生新的高分辨率理论基础数据,这些数据可以减少不确定性,并有助于在被迫迁移事件期间进行资源分期。
相关工作
本节涵盖了最相关文献的一个子集。附录SA第1节讨论了其他相关工作。
被迫迁移:Davis等人(21)通过将来自潜在目的地的移民数量纳入辐射模型,以及由于这种迁移而产生的额外资源,估算了由于海平面上升而导致的移民数量和目的地。然而,该模型使用历史数据的比例模型来计算目的地的估计移民数量,这是相当简单的。它也没有考虑与冲击移民相关的其他行为动态(如回迁、同伴效应、不同人口结构的不同迁移能力)。De Lellis等人(22)扩展了他们的方法,通过以线性方程的形式引入整个模型动力学并结合一个附加参数来解释不愿意迁移和返回迁移。此外,这些论文主要关注移民选择目的地的经济因素。Pandey等人(23)最近的一项工作试图评估因俄罗斯入侵而导致的乌克兰难民的健康状况。该文件的重点是估计冲突对健康的影响;此外,那篇论文中的计算方法与这里研究的方法不同。这里概述的基于代理的方法自然提供了一种结合个人和集体行为来产生紧急迁移流的方法。
基于主体的建模:Nelson等人(24)在内战和环境因素的影响下对索马里牧羊人的流离失所进行了建模。模型发现,获得植被与牧羊人的运动有相关性。然而,与冲突的关系仍不清楚。Collins等人(12)提出了一种由效用函数驱动的基于agent的模型来理解迁移过程中群体运动的发生方式。与我们的工作密切相关的是,Hebert等人(25)没有考虑不同的人口统计数据,在选择目的地时没有普遍化,也没有考虑同伴效应。Suleimenova等人(26)的工作可能是最接近我们的,他们试图通过模拟非洲的三场冲突来预测难民将如何在一系列难民营中选择。但是,它们的重点主要是确定难民的目的地,因为流离失所的人口已经确定。另一方面,我们的模型侧重于识别这些最初的流离失所者。
移民的社会理论:已经探索了各种社会理论,但主要是在计划移民的背景下。例如,微观经济预期效用理论描述个人如何在一组离散的选择中进行选择。Biondo等人(27)通过考虑代理人总是试图最大化其收入来考虑人才流失的回流迁移。加西亚-迪亚兹(Garcia-Diaz)(2)也做了类似的工作,agent根据收入和邻居计算的效用来改变状态。除此之外,另一种流行的理论是解释被调查者对个体的回应行为。Kniveton等人(15)利用计划行为理论(Theory of Planned Behavior)探讨了气候变化下个体的迁移决策。Smith等人(28)也使用相同的理论来理解降雨引起的迁移。然而,如前所述,这些理论没有数学公式,也没有在被迫迁移的背景下进行探索。
方法与数据
动力学模型
我们问题的主要输入空间包括一组冲突事件C={c1,c2,…,cj,…},一组个人代理a ={a1,a2,…,ai,…},一组受影响区域的家庭代理H={h1,h2,…,hk,…}。我们还假设已知N(hk)≥H,每户hk∈H≥的邻居数。最后,我们给出了映射函数η:A→H,表示每个个体的家庭。这两种类型的代理创建了一个分层的基于代理的结构,其中个人代理的决策转化为他们的家庭,而迁移的最终决策是在家庭层面上做出的。我们假设当一个家庭迁移时,所有相关的个人代理也会迁移。
我们的模型采用流行的计划行为理论(29)方法作为其基本的社会理论。这一理论过去曾被用于有计划的移民(13)。在其一般形式中,该理论指出,应对风险的结果取决于三件事:(a)对风险的态度,(b)感知行为控制(PBC)或个人对执行该行为的难易程度的感知,以及(c)主观规范或信念,即该行为是否反映了同伴的行为。由于我们采用了这一理论,我们的模型包含了下面我们将描述的所有三个组成部分。图1展示了模型如何操作的整体可视化。
态度:直觉上,个人对风险的态度可以与与该风险相关的事件的影响相关(13)。为此,agent ai∈a在时刻t观察到的冲突事件cj的影响由下式建模:
它是式(30)中提出的方程的推广。这里,Ij是强度(在我们的上下文中,强度计算的详细信息请参见附录SA), Tj是时间,Lj是冲突事件j的位置,xi(t)是agent i在t时刻的位置,如果它们还没有迁移的话。ΔS和ΔT分别是计算两个地点和时间的时空差异的函数。δ和τ是空间和时间衰减参数(δ>1,τ>1)。
假设事件对被调查者的总影响由单个事件影响的总和(30)给出,则对风险的态度由:
其中C(t)={cj∣Tj
感知行为控制:相同的影响可以被不同的主体感知到不同。例如,老年人和儿童比其他群体更容易受到社会政治暴力的影响(31,32)。由此,agent ai在时刻t的感知影响为:
其中,βi为风险倾向(详见附录SA), θ(0≤θ≤1)为智能体ai的记忆保留度。第一个组件依赖于代理的固有属性,并控制人代理感知当前影响的程度。第二个组件控制代理记住了多少过去的影响。为简单起见,我们认为该参数不会因代理而变化。接下来,通过逻辑函数将这种感知到的影响转换为迁移的初始概率:
这里,v是增长率,而Q控制着一个agent在风险感知为0的情况下迁移的概率。
主观规范:虽然前面的构式是在个人-代理人层面形成的,但这个构式是在家庭代理人层面形成的。我们结合了同伴效应的概念来捕捉这个结构。同伴效应是指他人的行为如何影响个人的行为,过去在移民背景下对其进行了研究(33,34)。使用代理到家庭映射η的逆图像和先前计算的个人代理迁移概率,我们通过定义每个家庭代理的初始迁移概率hk $来解释家庭内同伴效应,该概率由该家庭的个人代理的平均概率共同形成,如下所示:
在这里,求和项解释了家庭hk $ $中所有代理的迁移概率,并通过η−1(hk) $ $的基数进行了规范化,η−1(hk) $ $表示居住在hk $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $。
基于这个集体概率,迁移决策从伯努利分布中抽样如下。
最后,为了解释家庭间的同伴效应,我们采用了一个基于阈值的迁移函数,该函数由阈值函数驱动,这是一种用于同伴效应背景下的标准做法((35,36)),并通过查看相邻家庭来更新每个家庭的迁移概率。形式上,设N(hk)为hk附近的住户集合,则在t时刻hk住户调整后的迁移决策为:
一旦在家庭层面上做出迁移决定,所有相关的个人代理都会基于我们所做的假设进行迁移,并且他们不会参与后续时间步骤的感知-行动循环。有关该模型的符号和参数的摘要,请参阅附录SA。请注意,这个模型只考虑了由于冲突事件导致的人口的初始流离失所。一旦一个人流离失所,他们可以继续前往其他地方,甚至返回家园。由于了解目的地超出了该模型的范围,因此我们的模型最适合于估计冲突场景中信息最稀缺的冲击期间的初始位移。
校准
校准包括为ABM中使用的参数选择合适的值,以便它们产生真实的输出。由于ABM可以产生多种输出,因此在选择一些可观测数据可用的输出后进行校准。对于我们的背景,我们根据ABM生成的每日难民估计,根据每日过境数据(在下一节中描述)校准我们的模型。我们采用了一种基于坐标下降优化算法的标定技术。校正技术的详情载于附录SA。
虽然我们的模型设计是为了推广到其他冲突环境,但我们的模型的一个局限性是,根据冲突的性质和冲突诱发地区代理人的性质,可能会出现重新校准的必要性。在这里,我们简要讨论在不同的冲突环境中可能需要重新校准的参数和可以被认为是全局参数的参数,甚至在不同的冲突场景中也是如此。
衰减参数:时间衰减(τ)、空间衰减(δ)和记忆衰减(θ)参数可以在不同的冲突设置中推广。事实上,已有文献对记忆衰减参数提出了建议,我们将其用于乌克兰的研究。因此,一旦校准了一个冲突设置,这些参数不需要重新校准。
迁移控制参数:公式4中使用的两个迁移控制参数可能需要在不同的冲突设置中重新校准。例如,无风险迁移(Q)参数控制代理迁移的概率,即使它们没有风险感知。低Q值与迁移的高概率相关,即使没有风险的感知。这可能发生在暴力行为人居住在领土内或目标代理人属于少数阶级的冲突环境中。同样,增长率参数(v)控制着agent迁移意愿随风险感知的增加而增加的速率。更高的v值会使agent倾向于迁移,即使是低风险感知。然而,肯定有一个v的阈值,超过这个阈值,意图看起来几乎是一样的,因为它是在概率空间中。虽然这不在我们的研究范围内,但模型的敏感性分析值得努力了解这些动态。注意,还增加了两个额外的参数(偏差量表b和冲突量表w,详见附录SA)来衡量事件的感知影响。然而,我们的模型设计隐含地暗示了v和这些缩放参数之间的相关性,如v=zbw,其中z是一个隐藏参数。而且,由于b,w∈[0,1],它们不会改变v的初始范围,因此,v的校准间接意味着这两个参数的缩放,因此,在缩放参数的情况下,重新校准v也是足够的。
阈值参数:Eq. 7中的两个阈值参数Ihi和Ilo的适当值将取决于代理的邻域结构。然而,由于在现实场景中不可能获得如此粒度的信息,因此需要根据经验进行校准。
要演示建模框架对其他冲突环境的通用性以及在其他冲突环境中进行校准的可行性,请参阅结果部分的讨论和附录SA中的更详细讨论。
数据描述
代理数据:数字孪生的概念描述了合成信息和真实信息之间的一对一对应关系,它已经受到社会模拟研究人员的广泛关注(37)。如果统计上相似,关于一个群体的综合信息可以用来研究现实的行为模式。受此启发,我们使用了生物复杂性研究所(Biocomplexity Institute)利用人口普查数据和其他来源构建的合成人口数据(20)。它载有(i)每个人的人口统计属性(例如年龄、性别)和(ii)按住户属性(例如住户人数和地点)划分住户。合成种群的构造使它们与真实的同类非常相似。鉴于它在统计上与实际人口分布具有相似的表示,该数据为我们提供了合理的微观能力来模拟实际情况。乌克兰的合成人口数据包含~ 2120万男性和~ 2470万女性个体,跨越~ 1900万户家庭。为简单起见,我们认为代理人的位置与其家庭的位置相同。
冲突数据:我们从武装冲突定位与事件数据项目((38))获得冲突数据。ACLED是一个广泛使用的数据集,提供了非洲、中东和南亚地区政治暴力和抗议活动的详细信息。它有从1997年至今的数据,每日更新。它记录了各种各样的事件,包括骚乱、抗议、战斗、爆炸/远程暴力、针对平民的暴力和战略发展(如签署和平协议)。它还提供有关地点、事件时间、参与者以及伤亡人数的信息。
在我们的工作中,我们提取了2022年3月1日至2022年5月15日期间与乌克兰有关的冲突事件,因为这是战争的震撼期,值得探索和研究。在这个数据集中,乌克兰总共记录了5645个事件。其中,我们重点关注三种可能对基础设施和人类生命造成破坏的事件——爆炸、战斗和针对平民的暴力,其中包括冲突交战方故意针对或伤害平民或非战斗人员的事件。
过境数据:主要用于校准目的,我们利用人道主义数据交换(HDX)(39)在2022年3月1日至2022年5月15日期间收集的过境数据。我们注意到,缺乏关于战争初期从乌克兰离开家园的人的时间序列数据。过境数据是下一个最好的可用数据。然而,这类数据有一些特殊之处。例如,跟踪这种移动的机构没有办法跟踪每个人的移动(40)。然而,它仍然是有价值的数据,可以为我们的模型的可靠性提供一些背景,因为这些数据是日常时间分辨率的,并且可以用来验证我们的模型。有关过境验证以及代理决定作为难民或国内流离失所者逃离的更多细节,请参阅附录SA。
结果
在本节中,我们主要强调我们的模型(我们称之为ABSCIM(基于代理的冲突导致迁移模拟器))在俄罗斯入侵乌克兰的背景下生成细粒度时空数据的能力。我们在一个可用并发内存有限(384 GB)和可用并发节点有限(40个)的HPC集群中,在不到四天的时间内校准了模型。在附录SA中,我们还描述了马里北部过去冲突背景下的ABSCIM估计。在我们3月1日至5月6日的研究期间,从乌克兰过境的报告人数约为516万。我们的模型在不输入任何历史数据的情况下,得出了同一时期内难民人数的中位数,估计为564万。除了这些总的难民估计外,通过在模拟过程中记录代理人在每个时间步长的日期、地点和人口特征,ABSCIM还可以在精细的时间、空间和人口分辨率下产生颗粒估计。
每日估计:图2a展示了两个值得注意的特征,突出了ABSCIM的总体性能,以捕获冲突引起的迁移的潜在动态。首先,与报告的跨境数据相比,ABSCIM很好地捕捉了整体流出的形状,特别是3月初的激增以及随后4月初相对较小的激增。报告的过境数据与ABM估计之间的Pearson相关系数(PCC)值为0.96,这在数量上告诉我们,ABSCIM在捕捉每日从乌克兰过境的总体趋势方面做得很好。令人印象深刻的是,ABSCIM仅使用合成的人口数据和冲突事件输入来捕捉移民浪潮。其次,除了难民流动的总体形态之外,该模型估计的每日难民总数与过境数据中报告的数字密切相关。为了了解ABSCIM的拟合度,我们将其与训练用于预测每日难民流出的香草回归方法的性能进行了比较,发现ABSCIM在估计流出的趋势和规模方面都更好。有关分析的详情,请参阅附录SA。总的来说,可信间隔与分析期间大多数日子报告的过境数据非常接近。
每日人口趋势:图2b对图2a中ABSCIM提供的每日难民总数进行了分解,将其分为广泛的人口年龄类别(老年人、成年人和儿童)以及性别(男性、女性)。作为一个额外的验证点,我们还将估计的人口分布与国际移民组织(IOM)进行的前四轮报告进行了比较,其详细信息见附录SB。以如此精细的人口分辨率生成信息的能力是ABM方法所独有的,该方法利用了乌克兰的合成人口,并强调了此处框架的政策相关性。通过每天对逃离乌克兰的冲突难民进行人口统计上的详细估计,可以制定更有针对性的政策和人道主义应对措施。我们在附录SA中进一步探讨了这种可能性,其中我们显示了按不同年龄组划分的估计。这种分类对于寻求满足难民在医疗相关年龄组的特殊需求的保健专业人员来说是有意义的。当然,这些类别也可以进一步按性别分类。这种详细的数据可以帮助确定难民人口的一些重要特征,例如,难民的构成是否随着时间的推移而变化,这表明需要采取灵活的政策反应,以适应冲突展开时不断变化的难民需求。除了这些年龄和人口特征之外,模型还记录了这些难民的地理来源,为了解难民状况(例如旅行距离)以及敌对行动结束后需要难民重新安置援助的乌克兰地区提供了额外的机会。
空间-次国家分析:与前面的分析类似,ABSCIM也可以在空间性的精细水平上估计移民(图2c和d)。在冲突过程中,很难获得乌克兰州或州一级因武装冲突而流离失所的平民总数的空间明确估计。在暴力程度较高的区域,由于人道主义工作者和国际组织人员在这种环境中面临风险,数据的准确收集和报告受到影响,因此数据稀疏问题更为突出。然而,这种性质的数据对于了解危机空间中哪些地区外迁人数最多,因此最有可能需要重建和重新安置支持至关重要,结论中再次讨论了这一主题。从ABM中得出的时间和空间估计的颗粒性质既强调了这种方法的力量,也强调了政策相关性,提供了与政策分析相关的各种汇总水平的位移估计。此外,这里显示的空间地图仅提供了我们研究期间所有天的位移流出的累积快照。这些流离失所者地图也可以在冲突的每一天生成,从而有助于对新到达的难民的原籍地有更多必要的了解。
累积流离失所估计突出了模型中出现的空间粒度水平,结果强烈表明,受暴力影响最严重的地区也代表了流离失所的乌克兰人最多的起源。考虑到图2,流离失所人员的估计数已累计到行政2级。结果表明,ABSCIM适当地识别了在战争初始阶段遭受重型地面部队战斗行动或更远程暴力(如火炮打击和巡航导弹攻击)的最大迁移。事实上,对位于里昂的莱曼、北罗顿涅茨克和李sychansk等城市的卫星分析表明,在这里分析的战争初期,这些地区有20%至30%的建筑和基础设施因冲突而遭受破坏(41)。这些空间结果补充了日常和人口分析,说明了ABM在乌克兰冲突等危机展开时近乎实时地产生与政策相关的见解的潜力。
政策影响
政策制定者经常必须在面对不确定性和信息不对称的情况下应对危机情况,这损害了他们在新情况下有效实施政策和制定量身定制解决方案的能力(42)。在乌克兰冲突开始时,难民大量涌入,这就是这样一种危机局势。从2022年2月24日到3月26日,在乌克兰作战行动的前30天里,ABSCIM表明,427万乌克兰人逃离了自己的国家,其中绝大多数逃往邻国欧洲(445万人在过境数据中报告)。这是自第二次世界大战以来欧洲最大的移民。ABSCIM计算的移民流动的空间、时间和人口粒度可以在危机期间为政策制定者提供关键数据,我们在这里通过分析模型的人口数据输出和反事实冲突分析来探讨这些数据。
乌克兰难民危机的严重程度要求迅速作出政策反应,尽管与入境难民人口的规模、构成以及因此而产生的特殊需求有关的许多不确定因素。例如,欧盟各级官员在危机一开始就采取行动,首次启动了《临时保护指令》,赋予乌克兰难民临时居留权、就业权和获得社会服务等其他保护(43)。3月初,欧盟委员会实施了《欧洲难民团结行动法案》,以促进资金更灵活地转移,以满足日益增长的难民资源需求,如创伤咨询、食品和住房或就业支持(44)。然而,到3月底,委员会也认识到数据的限制削弱了会员国和非政府组织有效应对危机的能力,因此提出了一项10点协调计划。除其他指令外,该计划呼吁成员国制定应急计划,并分享入境乌克兰难民的信息,以更好地将难民需求与过剩的人道主义能力相匹配(45)。事实上,支持第一波乌克兰难民的最初努力主要是当地非政府组织和市政府或私人公民的临时努力,随着新开始的冲突的展开,预期的不确定性(46)。
难民危机的规模,特别是在战斗的最初几周,增加了数据限制损害政策和人道主义反应效率的可能性。我们知道,人道主义组织和各国政府过去在难民流动方面都有错误的估计。例如,在2003年入侵伊拉克之前,由于不确定暴力对平民流离失所的影响,援助组织为一波预期中的逃离伊拉克难民准备了流离失所营地,但这波难民从未出现过(47)。像我们这样的建模框架,整合了冲突数据,以提供对难民组成的估计,或可用于规划各种情况,可以作为一种工具,帮助人道主义者应对难民危机局势。虽然ABSCIM的产出有几个潜在的政策应用,但这里我们举例说明了两个,它们强调了该模型作为一种工具的效用,可以帮助减少与逃离暴力的难民有关的不确定性。我们首先检查ABSCIM生成的关于性别和年龄的详细人口统计数据,以评估战时性侵犯的普遍程度——这是一种在武装冲突中经常被忽视的暴力形式,也是在乌克兰正在进行的战争中被广泛报道的虐待形式。在此之后,我们制作并分析了三种基于场景的冲突预测,以预测未来不同条件下的预期难民流动。
人口统计分析:在俄罗斯入侵乌克兰的许多令人担忧的因素中,广泛报道了俄罗斯武装部队对乌克兰妇女的性侵犯和强奸(48)。联合国的一些人认为,虐待的规模反映了俄罗斯军方有意的战术选择,可能是为了使平民失去人性,并在平民中煽动恐惧(49,50)。联合国和人权观察都独立记录了几起发生在战争头几个月的性侵犯案件,受害者年龄从4岁到80岁不等(51,52)。然而,战时性侵犯难民受害者的虐待程度和因此需要的支持是难以量化的(53)。这不仅部分是由于难民需求的数据收集问题(46),而且也是由于与受害者的污名化或羞耻感相关的少报,或由于难民性侵犯受害者实际或感知到缺乏可用服务而产生的无助感(54)。最近对乌克兰战时性暴力的分析表明,有限的可用数据,特别是按性别和年龄分组的难民和国内流离失所者流动数据,严重影响了服务的提供和对乌克兰难民中性别暴力受害者的需求评估(55)。
由于ABSCIM可以提供按性别、年龄和原籍地分列的难民和国内流离失所者每日流动估计数,因此它可以作为一种政策工具,填补影响决策的数据空白。性侵犯的许多健康后果,包括艾滋病毒感染风险的增加(56)以及心理创伤或自杀意念风险的增加(57,58),促使人们努力量化逃离武装冲突的难民中性侵犯的普遍程度。尽管做出了这些努力,但这些估计存在很大的不确定性和区域异质性。最近一项关于战时性侵犯的荟萃分析表明,平均21%,即五分之一逃离武装冲突的妇女经历过某种形式的性暴力(59);然而,根据冲突的不同,该值可能从低至4.4%到高至43.5%不等。
使用ABSCIM对每日成年女性难民(17-50岁)的估计(参见附录SA的数据),我们计算了在战争初期乌克兰发生的性侵犯的潜在数量。考虑到性侵犯发生率的不确定性,我们保守地采用了文献(59)中报道的所有冲突(14.9%)的下限估计值,并使用了欧洲两个冲突(波斯尼亚37.6%,科索沃3.4%)的性侵犯估计值。利用这些性侵犯估计和ABSCIM计算的详细人口和空间数据,我们估计了乌克兰在冲突开始时可能发生的性暴力的程度(见附录SB,关于性侵犯流行的不确定性和ABSCIM政策应用的价值的额外分析)。我们的分析表明,在决定逃离的前一周,大约有102万名妇女逃离了俄罗斯军队活跃的地区。这些平民面临着潜在性侵犯的最大风险。根据ABSCIM对战时性暴力流行程度的最佳估计,以及对处于危险中的平民总数的估算,这表明在战争初期,可能有多达152万[35万,38万]人遭受过某种形式的性暴力。附录SB提供了描述这些估计及其不确定性的额外细节。
关于这个基线估计,有两件事值得注意。首先,考虑到报道的对逃离俄罗斯控制地区的受害者进行攻击的普遍现象,这些数字可能低估了这种形式的暴力的总规模。第二,难民之间的异质性也表明,这个问题在后来的移民中可能更为明显。在最初的浪潮中,乌克兰人往往在欧洲拥有更多的资源和家庭关系,这导致了他们早期的移民(46),而过去的政治暴力工作强烈表明,后来的移民缺乏类似的经济或社会资源(60),这可能表明随着冲突的发展,该地区需要更多的财政支持。由于后来逃离冲突的难民更有可能遇到俄罗斯军队,他们遭受某种形式的性暴力的可能性更高。尽管如此,这些估计表明,ABSCIM计算的人口详细数据可以用来补充生殖健康专家和创伤专家的分析。此外,妇女在逃离武装冲突时面临的性暴力风险不会在离开冲突空间后结束,包括抵达邻国后人口贩运的风险增加(54,61)。因此,根据经验进行的估计提供了对具体政策问题的规模和资源需求的及时认识,从而证明了ABSCIM的有用性。最后,(据我们所知)对乌克兰战时性侵犯的潜在规模没有其他估计,因此ABSCIM的这些估计是对正在进行的政策工作的有益补充。
预测情景分析:冲突预测作为一种帮助决策者应对危机局势的机制,长期以来一直是以经验为导向的政治暴力学者的目标(62-64)。其基本假设是,有了对未来冲突的经验估计,政府和非政府组织都可以重新部署人员,以减少伤害风险,或为难民流动准备资源。然而,由于缺乏冲突与平民流离失所之间关系的模型,冲突预测对决策者的作用将更加有限,决策者最感兴趣的是对冲突的结果作出反应,而不是对冲突本身作出反应。通过将冲突预测直接整合到ABSCIM中,我们克服了这些限制,并根据经验对预期的未来难民潮进行了估计,这可以直接为政策制定者的决策提供信息。为此,我们利用带有空间网格的Log-Cox高斯点过程模型(详见附录SB)创建了三种截然不同的冲突场景,决策者将其视为2022年5月的可能结果,并分析了结果,以说明ABSCIM在这种反事实分析中的有效性,决策者和冲突分析师可能会将其纳入其分析工作流程。这些场景从2022年4月21日开始;到那时,ABSCIM估计在1899万家庭代理人(4581万人员代理人)中有875万家庭代理人(2359万人员代理人)流离失所(国内流离失所者或难民)。这大约占乌克兰人口的51.5%,剩下的人口代表了未来可能逃离乌克兰的很大一部分。
反事实分析:基线情景,即现状,代表了基于其当前轨迹(截至2022年4月21日)的冲突预测,并且不存在任何可能改变其动态的外部冲击。这一预测及其对难民外流的影响本身就是一项宝贵的资产,可以通过通知资源分配和人事管理,为预期的难民做好准备,极大地协助人道主义工作者。向乌克兰难民提供人道主义援助的波兰地方官员的早期报告表明,近期未来难民人数的不确定性是一个主要问题,特别是在住房供应以及有限的粮食和医疗资源的理想运送地点方面(46)。除了这个基本的现状情景之外,我们还提供了两种可能的情景,以补充政策制定者的应急计划分析。这些情景代表了专家们在2022年4月底可能会出现的结果。
第一个反事实的场景——白俄罗斯攻势。这一设想是假设俄罗斯在4月下旬从白俄罗斯发动第二次进攻,沿着白俄罗斯边境深入乌克兰100公里。3月,俄军向基辅的进攻受挫后,一支相当大的俄军撤退到白俄罗斯的集结地。在春季,人们担心这些军事资产可能会重新组合,并对乌克兰首都发动第二次主要攻势(65),这些担忧在战争的第一年持续存在,这体现在对未来潜在作战战区的情报评估中(66)。因此,这一预测考虑到俄罗斯从北方发动第二次大规模入侵对难民潮的影响,这些难民潮主要来自逃离首都周围人口密集地区附近暴力事件的平民。
第二个反事实的场景——赫尔森反攻。这一情景预测,冲突将从乌克兰东部(到4月21日,即用于拟合冲突预测模型的数据的截止日期,冲突已经集中在那里)向南转移到赫尔松州。这一情景反映了两周后可能出现的情况,如果乌克兰早些时候对占领了第聂伯河沿岸Kherson和周围定居点的俄罗斯军队发动反攻的话。赫尔松代表着南部一个重要的战略港口城市,由于其人口被俄罗斯占领,它代表着乌克兰恢复的重要利益。4月下旬的猜测表明,乌克兰重新夺回这座城市的努力可能迫在眉睫(67),因此,政策制定者将有兴趣了解这样一场重大的军事行动将如何影响乌克兰难民的流动(参见附录SB,了解这些场景的冲突反事实和空间域可视化的更多细节)。
分析和影响:表1总结了我们对难民外流预测分析的总体结果,并展示了在三种情况下预测的冲突事件和死亡人数的总数,以及在同一时间段内ACLED数据中报告的观察数字。该表提供了在这三种情况下估计的难民总流出估计数,以及根据预测期间(2005年4月22日至5月)报告的观察到的ACLED事件计算的估计难民总数。根据ABSCIM的综合难民估计数,所有三种冲突预测情景都表明,难民外流的总体水平高于利用观测数据得出的估计数。根据ACLED报告的观察到的冲突事件,ABSCIM估计在这段时间内有60万难民,而使用预测冲突数据,ABSCIM估计在三种情况下平均有830.7万难民。在预测期间,边境检查站报告有65万难民离开乌克兰。因此,基于这一报告的交叉图,使用观察到的冲突事件,模型在预测期间低估了难民流量约7%,使用预测的冲突事件,模型高估了难民流量约28%。
场景. | 描述. | 事件. | 死亡人数. | ABSCIM. |
---|---|---|---|---|
. | . | . | . | 估计(1000秒). |
现状 | 无冲击事件的预测趋势 | 759 | 760 | 833.4 |
白俄罗斯进攻 | 俄军的攻势从白俄罗斯边境深入乌克兰境内100公里 | 1034年 | 719 | 828.5 |
赫尔松反攻 | 乌克兰在赫尔松和州边界50公里范围内发动反攻 | 1073年 | 987 | 830.3 |
场景. | 描述. | 事件. | 死亡人数. | ABSCIM. |
---|---|---|---|---|
. | . | . | . | 估计(1000秒). |
现状 | 无冲击事件的预测趋势 | 759 | 760 | 833.4 |
白俄罗斯进攻 | 俄军的攻势从白俄罗斯边境深入乌克兰境内100公里 | 1034年 | 719 | 828.5 |
赫尔松反攻 | 乌克兰在赫尔松和州边界50公里范围内发动反攻 | 1073年 | 987 | 830.3 |
难民过境数据报告(2005年4月22日至5月):650,268
∙根据观察到的ACLED事件估计的难民:600,071人
场景. | 描述. | 事件. | 死亡人数. | ABSCIM. |
---|---|---|---|---|
. | . | . | . | 估计(1000秒). |
现状 | 无冲击事件的预测趋势 | 759 | 760 | 833.4 |
白俄罗斯进攻 | 俄军的攻势从白俄罗斯边境深入乌克兰境内100公里 | 1034年 | 719 | 828.5 |
赫尔松反攻 | 乌克兰在赫尔松和州边界50公里范围内发动反攻 | 1073年 | 987 | 830.3 |
场景. | 描述. | 事件. | 死亡人数. | ABSCIM. |
---|---|---|---|---|
. | . | . | . | 估计(1000秒). |
现状 | 无冲击事件的预测趋势 | 759 | 760 | 833.4 |
白俄罗斯进攻 | 俄军的攻势从白俄罗斯边境深入乌克兰境内100公里 | 1034年 | 719 | 828.5 |
赫尔松反攻 | 乌克兰在赫尔松和州边界50公里范围内发动反攻 | 1073年 | 987 | 830.3 |
难民过境数据报告(2005年4月22日至5月):650,268
∙根据观察到的ACLED事件估计的难民:600,071人
有三个原因可以解释这种差异。首先,冲突预测本质上是概率性的,因此在更广泛的地理空间中抽样冲突点,从而在报告的情景下暴露更多的代理人遭受暴力(见附录SB有关冲突预测的更多细节)。其次,反事实情景模拟了在过去没有暴力的地区出现新的冲突舞台。这使得以前在地理上远离冲突前线的更多人口暴露在冲突事件中,导致更高的估计外流。最后,该模型对内部位移的处理可能会在更分散的空间事件背景下导致这些更高的数字。在更大的地理范围内发生的事件可能导致代理迁移而不是在内部逃离的可能性增加(见讨论部分),这表明在未来的研究中有一个改进的机会,通过更明确地将内部流离失所和连续的代理移动再次作为内部流离失所者或难民来扩展这种方法。
图3a总结了现状预测对难民外流人数的影响,即每个地区与利用观察到的难民外流事件得出的估计数之间的差距越来越大。正如预期的那样,可以观察到热点主要出现在东南部,在那里观察到大多数冲突事件。现状预测中的大多数原因与使用观测数据的估计相比没有实质性差异。总体而言,现状预测表现良好,对于乌克兰的大多数地区来说,与使用观察到的冲突事件得出的估计相比,它捕捉到了类似的移民动态。这为使用该方法评估诸如白俄罗斯和赫尔森情景等突发事件提供了额外的信心。
图3b显示了假设俄罗斯于2022年4月22日从白俄罗斯发起进攻,并在两周的预测期内渗透到乌克兰境内100公里的难民潮。出现了一些有趣的模式,这些模式突出了ABSCIM在确定反事实偶然情况下新移民的可能性方面的效用。值得注意的是,基辅地区附近的Raions总体估计难民流出量低于附近的Raions。冲突模型表明,在这种情况下,大多数战斗将发生在基辅附近。我们认为家庭耗竭是造成这种差异的原因。例如,考虑两个Raions, Sarnenskyi和korostinsky(分别在图3b中用白色和灰色边界标记)位于边界附近,但在进攻情景中表现出不同的难民流出行为。由于该地区过去的冲突,在4月22日之前仍未迁移的家庭代理人(国内流离失所者或难民)的人数有很大差异。萨尔涅斯基的家庭代理人总数最初为113,742人,到4月21日,只有703名家庭代理人进行了迁移(仍有99.38%的家庭代理人)。截至4月21日,科罗奥斯滕斯基的14万0627名家庭代理人中,已有10万5112人逃离,只剩下25.11%的家庭代理人。科罗奥斯基的家庭特工的枯竭是我们在进攻情景中没有观察到从该地区流出的显著差异的主要原因,尽管它靠近边境。(随着时间的推移,家庭消耗的可视化,见附录SB.)通过提供生活在可能的未来冲突空间的乌克兰人数量的详细信息,ABSCIM可以有效地总结在新的冲突情景下未来难民潮的可能性。
最后,图3c给出了在Kherson反攻情景下预计的难民总数的等效估计。有趣的是,与ABSCIM根据观测数据估计的流出量相比,反攻中心最靠近赫尔松市的Raions,沿着赫尔松州外围(粗体边界)的Raions显示出最大的总流出量。这些差异再次突出了地理上更加分散的冲突情况对难民总流动的影响。据预测,赫尔松州周边地区发生的新冲突事件导致总体流出量增加,预计乌克兰重新夺回赫尔松市的行动将导致更广泛的战斗。
总的来说,这些分析强调了这样一个事实,即ABSCIM可以为各种与政策相关的情景产生难民估计,包括对冲突事件的最佳(现状)预测,也可以为突发事件提供难民估计,这将有助于决策者针对不断发展的冲突条件和难民潮进行反事实分析。此外,使用ABSCIM估计的数据的颗粒性质使我们能够在任何时空分辨率下以及沿着关键的人口统计指标(如年龄和性别)对结果进行分解。这种精确性可以极大地促进人道主义援助的安排,以预测可能发生的紧急情况,或根据难民在逃离冲突时可能经历的人口特征或预期的暴力形式来满足难民的特殊需要。
讨论
迁移是一个复杂的过程,潜在的驱动因素可能太昂贵而无法计算量化(40,68)。在这项工作中,我们在俄罗斯入侵乌克兰的背景下,从社会和计算的角度对冲突引发的移民进行了建模。将社会理论驱动的现实世界数字双胞胎的决策过程与现实世界事件结合起来,我们根据关键人口维度对难民流出进行每日估计,并确定预期难民流动的空间来源,无论是在州还是州的层面。高分辨率信息的生成使该模型适合于解决各种与政策有关的问题。我们通过分析各种可能的未来冲突情景下的战时性侵犯和潜在的难民潮,说明了反弹道导弹的潜在政策用途。此外,尽管在乌克兰战争最初几周迅速展开的危机局势背景下存在有限的“地面真相”数据,但ABM使用每日过境点的最佳报告估计进行了验证,证明了该模型的有效性;进一步增强了该模型作为政策制定者在危机应对工作流程中使用的工具的效用。
虽然提出的框架采取了一些重要步骤,以发展一个由社会理论提供信息的冲突引起的流离失所的计算模型,但存在一些途径来改进或以其他方式扩展这一初步工作。首先,一旦最初迁移,ABM在以后的迁移中不会考虑这些代理。但是,回返的移徙和国内流离失所的平民是促成移徙的因素,应纳入框架。例如,未来的建模可以允许新的冲突事件影响国内流离失所的代理人(已经在国内逃离暴力的人)随后决定越过国际边界逃离的可能性。此外,利用反弹道导弹追踪国内流离失所者将提供额外的宝贵信息,因为这些人往往是最需要人道主义援助但又最难以接触到的人群。
其次,我们的模型在冲突过程中采用静态同伴效应,而动态模拟的趋势几乎可以肯定地赋予同伴效应动态性质。通俗地说,每个智能体之间的通信和从邻居那里获取信息的程度会随着时间的推移而变化,我们的模型没有考虑到这一点。通过允许对等效应随时间变化,该模型可以更灵活地适应受武装冲突严重影响地区的家庭耗竭情况。从本质上讲,这将转化为允许代理理性地更新他们如何解释这些空间中同伴的行为。例如,与固定的同伴效应不同,该模型可以结合一种随时间的调整,这种调整允许代理的同伴网络的组成随着冲突的展开而扩大,以便代理在逃离/留下的决策过程中评估冲突空间中更远的代理的行为。
第三,该模型没有对移民的目的地进行任何推断,因此主要适用于估计冲击期间的初始位移,在此期间数据稀缺更为普遍,移民的性质难以预测。在此之后,移民受到其他方面的驱动(例如返回移民和级联移民),这需要了解由初始流离失所引起的移民的目的地。正如文献综述中提到的,已有研究试图回答给定位移数量作为输入的目的地问题。因此,我们工作的自然延伸将是创建一个端到端模型,以识别来自原籍国和目的地的流离失所者。该模型具有探索级联效应和初始位移后的返回迁移的潜力。
最后,我们的模型采用了一种不可知论的视角来看待使冲突事件永久化的行动者。具体来说,该模型没有区分俄罗斯或乌克兰发起的冲突事件。先前的冲突研究已经证明了行动者身份对平民在空间和最终目的地的聚集行为的理性决策的影响,无论是在国内还是在国际上(斯蒂尔,2019)。鉴于俄罗斯的战术选择是针对乌克兰境内的平民定居点,因此,区分俄罗斯和乌克兰发起的行动可以作为评估冲突事件的有效途径,从而导致国内流离失所与更有可能导致出境难民流动的冲突事件。
尽管如此,以目前的形式,该模型对冲突引发的移民进行了人口统计上的每日详细估计,并使用了冲突最初几周内每天从乌克兰过境的最佳公开报告进行了验证。此外,该模型以最小的数据输入产生这些估计:该模型只需要报告的冲突事件和一组合成的代理。此外,正如我们已经证明的那样,地质统计学冲突预测可以产生貌似合理的事件,作为应急计划分析模型的输入,从而强调了这里提出的模型的政策效用。
补充材料
补充材料可在PNAS Nexus在线获得。
资金
这项工作得到了美国国家科学基金会(NSF)资助项目#2053013的部分支持:重点关注的CoPe:沿海农村社区适应能力建设,国防威胁减少局(DTRA)合同HDTRA1-19-D-0007,国家科学基金会资助项目OAC-1916805。网络工程和科学持续创新的可扩展网络基础设施,美国国家科学基金会计算探险基金CCF-1918656,弗吉尼亚大学战略投资基金奖号SIF160,以及弗吉尼亚大学人道主义合作战略投资基金奖。感谢审稿人提出的宝贵意见和建议,帮助我们提高了稿件的质量。
作者的贡献
Z.M, l.s., s.v., s.s., b.l., h.s.m., d.l.和M.V.M.设计了研究,分析并调查了结果。Z.M, l.s.和S.V.整理数据并进行实验。S.V Z.M l。,砂岩,B.L, H.S.M, C.L.B,美国专利,C.R.W, A.P.G, B.H.G, D.L, R.R.C, M.V.M.撰写并回顾了手稿。
数据可用性
本文的源代码、预处理脚本和边界数据可以在这里的Github Repository中获得。可以通过ACLED门户打开帐户并生成密钥来访问冲突数据。合成种群数据可从该链接获得,并可在SA 4.0的CC下使用。用于验证人口统计估计的IOM调查报告的来源见附录SB的参考资料。
参考文献
作者指出
利益竞争:作者声明没有利益竞争。