EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 6: 1374 - 1389

DOI: https://doi.org/10.12082/dqxxkx.2024.240003

“第十三届空间综合人文学与社会科学学术论坛”会议专题论文

应用时空滤波模型的亚洲内部国际人口迁移流影响因素分析及短期预测

  • 叶绮霖 , 1 ,
  • 蒲英霞 , 1, 2, 3, * ,
  • 叶翠 1
展开
  • 1.南京大学地理与海洋科学学院，南京 210023
  • 2.江苏省地理信息技术重点实验室，南京 210023
  • 3.江苏省地理信息资源开发与利用协同创新中心，南京 210023
*蒲英霞（1972— ），女，山东日照人，博士，副教授，研究方向为GIS与空间数据分析集成。 E-mail:

叶绮霖（2000— ），女，广东佛山人，硕士生，研究方向为空间数据分析。E-mail:

收稿日期: 2024-01-03

  修回日期: 2024-04-23

  网络出版日期: 2024-05-24

基金资助

国家自然科学基金项目(42371435)

国家自然科学基金项目(41771417)

收起

Analysis of Influential Factors and Short-term Forecast of International Migration Flows in Asia Using Eigenvector Space-Time Filtering Models

  • YE Qilin , 1 ,
  • PU Yingxia , 1, 2, 3, * ,
  • YE Cui 1
Expand
  • 1. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China
  • 2. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing 210023, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
*PU Yingxia, E-mail:

Received date: 2024-01-03

  Revised date: 2024-04-23

  Online published: 2024-05-24

Supported by

National Natural Science Foundation of China(42371435)

National Natural Science Foundation of China(41771417)

Fold

摘要

亚洲是国际人口迁移的活跃区域。除区域社会经济因素外，迁移流之间的时空依赖也不可忽视。本文基于1990—2020年6个时期亚洲国家双边移民流量数据，采用零膨胀负二项回归以及与之相结合的特征向量空间滤波和时空滤波模型（时空同期和时空滞后），分析亚洲内部国际人口迁移的影响因素，并对2020—2025年人口迁移流进行预测。结果初步表明： ① 亚洲国际人口迁移流存在显著的时空自相关，且同期邻近迁移流比过去邻近迁移流影响更大，加入表征时空依赖的特征向量能够有效提高模型拟合能力； ② 人口规模、经济水平、战乱情况以及邻近性是影响亚洲国际人口迁移流的主要因素，在1990—2020年，人口规模效应先减后增，经济差异驱动力则先强后弱，因战乱死亡人数仍具有较强的推力，地理距离的阻碍作用在减小，语言邻近和经济合作依然对人口迁移具有显著的促进作用； ③ 综合时空同期和时空滞后2种模型的预测结果，2020—2025年巴基斯坦和印度之间、印度 →沙特、巴基斯坦 →阿富汗和叙利亚 →约旦的迁移趋势明显； ④ 根据2种时空滤波模型的结果，2020—2025年亚洲国际人口迁移流总量约为1.8×107人。揭示亚洲内部国际人口迁移的时空依赖特性和其他规律有助于准确预测未来人口迁移趋势，同时为国家经济社会发展的宏观政策制定等提供科学决策参考。

关键词： 国际人口迁移流; 零膨胀负二项回归模型; 时空依赖; 特征向量时空滤波模型; 时空同期结构; 时空滞后结构; 人口迁移预测模型; 亚洲

本文引用格式

叶绮霖 , 蒲英霞 , 叶翠 . 应用时空滤波模型的亚洲内部国际人口迁移流影响因素分析及短期预测[J]. 地球信息科学学报, 2024 , 26(6) : 1374 -1389 . DOI: 10.12082/dqxxkx.2024.240003

Abstract

With the continuous advancement of the globalization process, communication and cooperation among countries and regions around the world are becoming increasingly closer, and the scale of international migration flows is also expanding. Asia stands out as an active region for international migration, with a large portion of migratory movements occurring within its borders. In addition to the social and economic factors of the origin and destination regions, spatial and temporal dependence among migration flows is crucial in understanding international migration dynamics, indicating that migration is influenced by neighboring and past migration flows. Different from other kinds of data (e.g., regional GDP), migration flows between different regions often contain many zero values, necessitating specific methods for handling them. Additionally, spatial and temporal dependence among migration flows can be categorized into space-time contemporaneous and lagged structures, with the former reflecting the links to the preceding location and the instantaneous neighboring locations, and the latter pertaining to the preceding location and the preceding neighboring locations. Based on the bilateral migration data of Asian countries in six periods from 1990 to 2020, this study utilizes eigenvector space-time filtering models, along with contemporaneous and lagged dependent structures, as well as eigenvector spatial filtering models and zero-inflated negative binomial regression models, to explore the influential factors of the international migration flows within Asia and their changes during 1990-2020. Finally, this study aims to forecast international flows within Asia between 2020 and 2025 based on two types of space-time filtering models. Preliminary results indicate significant space-time autocorrelation of international migration flows within Asia, with neighboring migration flows exerting a greater influence over the same time period compared to the past. Incorporating eigenvectors to represent spatial and temporal dependence effectively improves the goodness-of-fit of the models. Main factors affecting international migration flows within Asia include population size, economic level, war situation, and proximity. During the 30 years (1990-2020), the influence of population size fluctuated, economic disparities initially increased before weakening, wars continued to drive emigration, geographical barriers decreased, and factors like language proximity and economic cooperation significantly influenced migration. Looking ahead from 2020 to 2025, migration trends are evident between Pakistan and India, as well as from India to Saudi Arabia, from Pakistan to Afghanistan and from Syria to Jordan. Combining the forecasting results of the two eigenvector space-time filtering models, the mean value of the total volume of international migration flows within Asia from 2020 to 2025 is projected to be approximately 1.8×107. India emerges as a major country for international migration. Understanding the spatial and temporal dependence and other characteristics of international migration within Asia is crucial for accurately forecasting future migration flows and providing scientific reference for policy making.

Key words： international migration flows; zero-inflated negative binomial regression model; space-time dependence; eigenvector space-time filtering model; contemporaneous structure; lagged structure; migration forecast model; Asia

1 引言

随着全球化进程的不断推进，各个国家和地区的交往愈加密切，国际移民规模也在不断扩大。国际移民组织（International Organization for Migration，IOM）发布的《世界移民报告2022》[1]指出，国际移民数量在1970—2020年增长明显，2020年国际移民总量达2.81亿，占世界人口的3.6%。亚洲是国际人口迁移的热点区域，2020年来自亚洲的国际移民占世界国际移民总量的40%以上，其中超过半数迁往亚洲其他国家。国家主席习近平于2013年提出建设“丝绸之路经济带”和“21世纪海上丝绸之路”（简称“一带一路”）的合作倡议，打造命运共同体。亚洲48个国家中共有41个与中国签署了合作文件，是“一带一路”的重要组成部分。人口要素的迁移流动将塑造新的人口分布格局，导致资本、技术等其他要素的重新配置和组织，进而对社会、经济、资源和环境等多个方面产生深刻影响[2-3]。因此，探究亚洲内部国际人口迁移的时空分布规律和影响因素，预测未来人口迁移流动趋势和规模，有助于为国际移民政策和国家经济社会发展政策的制定等提供更加科学的决策依据。
人口迁移问题受到多个领域学者的关注，目前已诞生许多经典理论。新古典经济学理论着重解析国际迁移的经济动力[4]。其中，宏观经济学理论认为国际移民是由地区间的劳动力供求差异和工资水平差异引起的[5]，而微观经济理论则关注个人层面[6-7]，个体在选择迁移目的地时会评估国家之间不同的工资和就业条件以及移民成本，并选择迁移到预期净收益最大的地方[8]。新移民经济学理论[9]认为迁移行为是由集体而非个体决定的结果，在追求最大限度获得预期收入的同时也要使家庭收入风险最小化[10⇓-12]。二元劳动力市场理论[13]主张人口迁移主要受目的地的劳动力需求驱动，发达国家的经济特征产生市场需求从而吸引欠发达地区的移民劳动力。Lee在干预机会理论[14-15]思想的基础上提出“推拉”理论[16]，认为人口迁移由迁出地的“推力”因素和目的地的“拉力”因素共同决定。引力模型迁移理论[17-18]总结人口迁移的3类影响因素分别为迁出地相关变量、目的地相关变量和距离。
现实世界具有空间和时间2个维度，人口迁移过程也存在一定的时空依赖关系。Chun[19]通过对美国人口迁移进行研究，揭示迁移流之间的相互作用，证实网络自相关的存在。Fan[20]指出人口迁移还存在时间依赖，过去的迁移存量对人口迁移具有促进作用。目前人口迁移领域常用的表征时空依赖的方法包括空间动态面板数据模型和时空滤波模型[21-22]。空间计量模型可分为横截面数据模型、空间静态面板数据模型和空间动态面板数据模型。针对时空数据，Anselin[23]和Baltagi等[24]将横截面数据模型扩展到空间静态面板数据模型。在静态模型基础上考虑时间滞后变量，构成空间动态面板数据模型。由于考虑了数据之间的复杂时空依赖关系，空间动态面板数据模型的估计较为复杂。相较而言，时空滤波模型可采用传统的最小二乘法进行估计，计算更为简便。为表征时空依赖作用，Griffith于2010年提出特征向量时空滤波（Eigenvector Space-Time Filtering，ESTF）模型[25]，并于2012年把时空依赖关系细分为时空同期结构和时空滞后结构，分别用于衡量相邻地理单元的同期和滞后影响[26]。时空滤波方法可以适应于不同的概率模型，且具直观的模型结果[27]。
国际人口迁移的主要研究方向包括人口迁移趋势[28]、移民驱动因素[29]、移民影响[30]、移民政策[31]和移民预测[32]等。对于国际移民驱动因素分析，许多学者展开了实证研究。Wondimagegnhu等[33]采用logit模型分析埃塞俄比亚向中东地区的国际迁移，阐明了较大的家庭规模、与移民或返乡者建立联系以及同辈或家庭的压力在其中的积极影响。刘晔等[34]应用社会网络分析方法和特征向量空间滤波（Eigenvector Spatial Filtering，ESF）面板负二项模型，揭示经济发展水平和国民收入差异、政治动荡和战乱冲突以及多维邻近性等是亚洲跨国/地区人口迁移的重要推动力。在国际人口迁移预测方面，情景设定、时间序列分析、计量经济学模型和贝叶斯模型等应用较多。Shayegh等[35]结合引力模型和世代交叠模型，利用1960—2000年160个国家的双边移民数据，预测了五大共享社会经济路径下21世纪的国际移民流动情况。González-Leonardo等[36]基于新型冠状病毒肺炎没有爆发的假设，采用自回归综合移动平均（Autoregressive Integrated Moving Average，ARIMA）模型预测了2020年15个国家的迁入总量，以此探究新型冠状病毒肺炎对国际迁移的限制作用。Cappelen等[37]构建了挪威的迁入率和人均工资、移民存量比率等的引力模型，并据此预测了在高、中、低3种假设下2012—2100年挪威的迁入总量。Billari等[38]结合专家评估意见，基于贝叶斯方法选择拟合效果最优的混合模型，预测了2030年和2065年意大利的迁入和迁出总量。目前国际人口迁移的相关研究多关注于变化趋势和驱动因素的分析，人口迁移预测则集中于迁移总量的预测，缺少针对迁移流的估计。此外，现有人口迁移分析和预测模型大多从时间序列分析或空间依赖等方面考量，缺少时间和空间两个维度的紧密结合。为充分衡量国际人口迁移的时空依赖作用，从而正确识别其中的影响因素以及提高预测的准确度，同时考虑特征向量时空滤波方法对概率模型的高适应性，本文采用零膨胀负二项模型与时空滤波相结合的方法探究国际人口迁移规律。
本文根据人口迁移流数据的分布特点，结合零膨胀负二项模型和特征向量时空滤波方法，对亚洲国际人口迁移展开研究，较好地表征了人口迁移的零膨胀、过度离散以及时空依赖特性，拓宽时空滤波方法在国际人口迁移及其预测领域的应用，弥补该领域相关研究较少兼顾时间和空间维度的不足；同时探索“一带一路”倡议的实施为亚洲国际人口迁移影响因素带来的变化。本文利用特征向量时空滤波方法分析1990—2020年6个时期的亚洲国际人口迁移流，以期揭示亚洲国际人口迁移的空间分布和演化特征，进而提高模型拟合优度和预测精度。

2 研究区概况、数据来源与研究方法

2.1 研究区域与数据来源

亚洲共有48个国家，由于缺乏朝鲜的基础数据，因此本文选择亚洲47个国家（由于数据缺乏，本研究不包含中国港澳台地区）的国际人口迁移流作为研究对象。国际人口迁移流数据采用上海大学Abel团队于2022年发布的全球200个国家或地区1990—2020年双边移民流量数据[39]。该数据集根据世界银行和联合国公布的移民存量数据，利用列联表、移民存量差异、移民流动率和多种人口核算方式6种方法对每5年的双边移民流量进行估计。列联表方法是指利用多个列联表记录不同时期人们在出生地和居住地之间的迁移情况，从而推测移民数量；移民存量差异方法通过获取特定时期开始和结束时移民存量规模的差异来估计移民数量；移民流动率方法把移民存量表中所有移民存量计数（在非对角线单元格中）除以全球在国外出生人口来估计特定时期内的移民流动率，然后将流动率乘以估计的全球移民流量；人口核算方法可基于开放或封闭的人口核算系统进行估计，区别在于是否可以移居或离开投入双边移民存量表所列国家以外的国家。基于开放或封闭的人口核算系统可以利用“最小化”方法估计移民流量，后者因其封闭特点还可使用伪贝叶斯方法进行估计。本研究选择其中与统计数据相关性最高、“基于封闭的人口核算系统”估计的流量数据[39]。其他统计数据主要来源于联合国人口司（https://population.un.org）、世界银行数据库（https://data.worldbank.org.cn/indicator）、Uppsala 冲突数据（UCDP）（https://www.pcr.uu.se/research/uc dp）、法国前景研究与国际中心CEPII数据库（http://www.cepii.fr/CEPII/en）以及联合国商品贸易统计数据库（https://comtradeplus.un.org）。

2.2 研究方法

2.2.1 零膨胀负二项回归模型

人口迁移流数据是非负整数。对于亚洲内部国际人口迁移流而言，一方面，同一时段不同国家间的迁移规模具有明显差异，存在过度离散现象；另一方面，迁移流存在大量零值，其数量超出了泊松分布、负二项分布等离散分布下随机产生的个数，即零膨胀现象。针对上述问题，Greene将零膨胀泊松回归模型（Zero-Inflated Poisson model，ZIP）推广至零膨胀负二项回归模型（Zero-Inflated Negative Binomial model，ZINB）[40]。其中，零膨胀负二项的混合分布如下：
P Y = y i , ϕ , α = ϕ + 1 - ϕ α α + λ α                       ( y i = 0 ) 1 - ϕ Γ α + y i Γ α Γ y i + 1 α α + λ α λ α + λ y i                                                                                           ( y i > 0 )
式中：Y为迁移流；yi为第i条迁移流的观测值； ϕ ( 0 ≤ ϕ < 1 )为膨胀系数；λ为均值参数；α为散度参数； P Y = y i , ϕ , α表示随机变量Y服从参数为 ϕ 、 α的零膨胀负二项混合分布； Γ α 、 Γ α + y i 和 Γ y i + 1分别表示 α 、 α + y i 和 y i + 1 的 Γ 函 数。
基于零膨胀负二项混合分布的回归模型（ZINB）的表达式如下：
  l o g λ = X T β   l o g i t ϕ = l o g ϕ 1 - ϕ = G T γ
式中：X、G为协变量；γ、β为系数向量；T为矩阵或变量的转置。
零膨胀负二项回归模型的结果包括零数据部分和非零计数部分。可通过Vuong检验[41]和似然比检验分别确定迁移流是否存在零膨胀问题以及零膨胀负二项模型是否优于零膨胀泊松模型。

2.2.2 特征向量空间滤波模型

Griffith[42]于2000年提出特征向量空间滤波（ESF）方法，通过提取表征空间自相关的特征向量并将其作为解释变量加入模型中，以消除观测值间的空间依赖带来的影响。具体实现如下：
（1）把衡量空间自相关程度的莫兰指数（Moran's I，MI）转换为矩阵相乘的形式，如式（3）所示。
M I = N ∑ i = 1 N ∑ j = 1 N W i j ∑ i = 1 N ∑ j = 1 N W i j y i - y - y j - y - ∑ i = 1 N y i - y - 2             = N l   ' W l Y   ' M W M Y Y ' M Y
式中：yi、yj分别为第i、j条流的观测值； y -为平均值；W为N×N阶的网络权重矩阵；Wij为矩阵元素；N为迁移流的数量；Y为N×1阶向量，其元素表示每个观测值与均值的差值；l表示元素值均为1的N×1阶向量；“'”表示矩阵转置； M = I - l l   ' N为N×N投影矩阵，其中I为单位矩阵。本文使用基于目的地或迁出地的网络权重矩阵[19]，即当迁移流的目的地或迁出地相邻时，则认为迁移流在网络上邻近。矩阵元素Wij的具体表达式如下：
W i j =     1           迁 移 流 的 目 的 地 或 迁 出 地 相 邻     0           其 他                                                                                                    
本文只考虑国家之间的迁移流，需要剔除国家内部的迁移流在网络权重矩阵的对应元素。
（2）对其中的MWM矩阵部分进行特征向量分解，得到N个正交且相互独立的特征向量以及对应的特征值。每个特征值λi对应的莫兰指数 M I i = N l ' W l λ i越大，则表征的网络自相关性越强[43]。
（3）为避免计算冗余、降低计算复杂程度等，通过以下步骤选取具有代表性的特征向量加入模 型[44]： ① 设定阈值对特征向量进行初步筛选（本文选用MI/MImax>0.25）； ② 利用步骤（1）得到的特征向量集进行逐步回归，选取模型AIC最小时所对应的特征向量。特征向量空间滤波方法不依赖于正态性假设，因此容易应用于负二项规范[45]。将通过上述步骤得到的特征向量加入零膨胀负二项回归模型（ZINB）中，计数部分的公式如下：
l o g Y i j = α l N + X o i β o + X d j β d + ∑ q = 1 Q E q φ q
式中：Yij为从i国家流向j国家的移民人数的期望值；Xoi为迁出地（i）相关解释变量；Xdj为目的地（j）相关解释变量；Eq表示第q个特征向量； βo、βd和φq分别为对应的系数向量；α为常数项lN的系数向量。

2.2.3 特征向量时空滤波模型

Griffith于2010年提出特征向量时空滤波 （ESTF）方法，将模型从空间维度拓展到时空维 度[25]。与特征向量空间滤波相比，时空滤波模型是从时空网络权重矩阵而非空间权重矩阵提取特征向量。时空网络权重矩阵可以分为时空同期结构和时空滞后结构，前者认为人口迁移流主要受到当前时段邻近迁移流及过去时段相同迁移流的影响，后者认为邻近迁移流的影响具有时间滞后性，即过去时段周边迁移流对当前迁移流产生影响。时空同期结构和时空滞后结构表达如下：
  时 空 同 期 结 构 ： I T ⊗ W N + W T ⊗ I N  
时空滞后结构： W T ⊗ W N + W T ⊗ I N
基于时空同期结构分解的矩阵表达如下：
I - l l   ' N T I T ⊗ W N + W T ⊗ I N I - l l   ' N T
基于时空滞后结构分解的矩阵部分表达如下：
I - l l   ' N T W T ⊗ W N + W T ⊗ I N I - l l   ' N T
其中，N为迁移流的数量；T为观测的时期个数；⊗为克罗内克积；WN为网络权重矩阵；WT为时间权重矩阵；I、IT、IN分别为NT×NT、T×T、N×N的单位矩阵。其中，时间权重矩阵定义为时期相邻则赋值为1，否则赋值为0。
将特征向量时空滤波项加入零膨胀负二项回归模型（ZINB）中，表达形式如下：
l o g Y i j = α l N + X o i β o + X d j β d + ∑ q = 1 Q E t s , q φ q
式中：Ets,q表示分别基于时空同期和时空滞后结 构提取的第q个特征向量，其他变量和系数的解释同式（5）。

2.2.4 选取模型解释变量

本文基于已有研究以及数据的可获得性，构建了包含迁出国和迁入国人口统计、经济发展水平、战乱情况、迁移流邻近性4个维度的指标体系（表1）。迁出国和迁入国的人口规模在经典的引力模型中被认为是影响人口迁移的重要因素[17]。劳动适龄人群在国际迁移中较为活跃[46]，劳动就业是国际人口迁移的原因之一，因此将劳动人口占比纳入模型中。经济发展水平差异是人口迁移的主要驱动力[5]，采用迁出国和迁入国人均GDP、第二产业占比、第三产业占比等指标来综合表征经济发展情况。国家政治安全和社会安定是人们安居乐业的基础，国家的战乱死亡人数用于表征战乱对国际人口迁移产生的影响。国家之间的邻近程度也不可忽视。采用迁出国和迁入国首都之间的大地距离反映迁移流来源地和目的地在空间上的邻近性，用迁出国和迁入国的官方语言是否相同衡量文化环境的相似性，以及迁出国和迁入国双边的贸易总额表示两地之间的经济合作邻近性。为避免共线性问题，对选取变量进行VIF检验。结果显示所有变量的VIF值均小于5，不存在共线性问题。
表1 变量名称及数据来源

Tab. 1 Variable description and data sources

指标类型 指标名称 变量名称 变量说明 数据来源
人口统计指标 人口总数 Opop/Dpop 迁出国/迁入国人口总数(万人) 联合国人口司
劳动力占比 Olabor/Dlabor 迁出国/迁入国劳动年龄(15~64岁)的人口占总人口的百分比
经济发展水平指标 人均GDP OGDP/DGDP 迁出国/迁入国人均GDP(现价美元) 世界银行
第二产业占比 Osecond/Dsecond 迁出国/迁入国第二产业占总增加值的百分比
第三产业占比 Othird/Dthird 迁出国/迁入国第三产业占总增加值的百分比
战乱情况指标 战乱死亡人数 Oward/Dward 迁出国/迁入国不同时期的战乱死亡人数(人) UCDP数据库
邻近性指标 空间邻近性 ODdist 迁出国与迁入国首都之间的大地距离(km) CEPII数据库
语言邻近性 ODlan 虚拟变量，若迁出国和迁入国的官方语言相同则为1，否则为0
经济合作邻近性 ODtrade 迁出国与迁入国的双边贸易总和(美元) 联合国商品贸易统计数据库
为方便后续的建模和预测分析，选取每五年起始年份的数据作为该时期的解释变量。此外，由于战乱的发生时间较为随机且不连续，因此对整个 5年期间因战乱死亡的人数进行加和，以反映该国家的政治安全状况和战乱受损程度。新型冠状病毒肺炎爆发于2019年底，2020年初发展至“全球大流行”。各国采取多种防疫措施，限制人员和货物等的流动。这一方面直接减少了跨国迁移的发生，另一方面也致使部分产业的全球供应链中断、国际贸易活动受到干扰[47]。各国的防控政策为国际人口迁移带来阻碍，入境时核酸检测阴性证明、入境后集中隔离甚至限制入境等措施都增加了迁移阻力。但由于政策因素难以量化，因此模型并未考虑政策影响的相关指标。人均GDP和国家双边贸易总和等的变化能在一定程度上反映新型冠状病毒肺炎对经济造成的打击，但不足以衡量对亚洲国际人口迁移的全部影响。因此本研究仅代表排除或不充分考虑新型冠状病毒肺炎等特殊事件的情况，如果切实研究2015—2020年和2020—2025年的亚洲内部国际人口迁移，则需要对新型冠状病毒肺炎爆发后各国采取的出入境限制措施等具体状况进行详细讨论。

3 亚洲内部国际人口迁移流影响因素分析

3.1 亚洲国际人口迁移的影响因素

本文采用零膨胀负二项、空间滤波和2种时空依赖结构的时空滤波模型对1990—2020年6个时期亚洲内部国际人口迁移流进行建模，识别人口迁移的主要影响因素（表2）。结果显示，考虑了空间依赖尤其是时空依赖的模型对数似然值更高、赤池信息准则（Akaike Information Criterion, AIC）数值更小，时空同期模型的贝叶斯信息准则（Bayesian Information Criterion, BIC）也高于零膨胀负二项模型和空间滤波模型，拟合效果有明显改善，这表明亚洲国际人口迁移流之间存在一定程度的时空依赖。对于时空滤波模型而言，时空同期结构又优于时空滞后结构，表明在5年时间尺度下，亚洲同一时期的邻近迁移流比过去时段的邻近迁移流影响更为显著，呈现羊群效应。在不考虑或仅考虑空间依赖的情况下，迁出国劳动力占比系数显著负相关，而在时空滞后模型中则显著正相关。事实上，一般认为迁出国的劳动力占比越大，就业竞争越激烈，人们更有可能向外迁移。这表明若没有充分考虑迁移流的时空依赖特征，可能会导致不准确甚至误导性的结果。基于时空网络权重矩阵提取的特征向量能够表示地理对象不同的时空分布模式，特征值越大，对应的特征向量表示的分布模式下时空自相关越强。因此，筛选满足一定阈值条件的特征向量加入模型，能够衡量时空自相关较为显著的时空分布模式对人口迁移产生的影响，从而过滤迁移流观测值间的时空依赖作用。相较未考虑时空依赖的零膨胀负二项模型以及只考虑了空间依赖的特征向量空间滤波模型，时空滤波模型更加准确地衡量了其他因素的影响，优化了模型的拟合效果。
表2 亚洲内部国际迁移流的四种不同模型结果（计数模型部分）

Tab. 2 Four different model results of international migration flows in Asia (count models)

变量 零膨胀负二项模型 空间滤波模型 时空滤波模型
时空同期模型 时空滞后模型
Esti SE Esti SE Esti SE Esti SE
Intercept 7.553*** 0.654 4.786*** 0.919 -10.680*** 1.076 -4.367*** 0.986
Opop 0.558*** 0.007 0.470*** 0.008 0.450*** 0.009 0.518*** 0.009
Dpop 0.461*** 0.008 0.544*** 0.009 0.544*** 0.009 0.636*** 0.009
Olabor -1.321*** 0.108 -0.973*** 0.167 -0.239 0.194 0.632*** 0.180
Dlabor -0.185 0.126 -0.290* 0.173 1.260*** 0.193 -0.370** 0.181
OGDP -0.102*** 0.013 -0.059*** 0.016 -0.058*** 0.017 -0.005 0.017
DGDP 0.488*** 0.011 0.414*** 0.015 0.371*** 0.017 0.476*** 0.016
Osecond -0.204*** 0.039 0.062 0.044 0.432*** 0.044 -0.090* 0.047
Dsecond -0.390*** 0.031 -0.495*** 0.040 -0.043 0.040 -0.517*** 0.039
Othird 0.020 0.044 0.157*** 0.054 0.220*** 0.063 -0.052 0.067
Dthird -1.239*** 0.047 -0.961*** 0.059 -0.217*** 0.061 -0.886*** 0.062
Oward 0.047*** 0.004 0.059*** 0.004 0.043*** 0.005 0.074*** 0.005
Dward 0.007*** 0.001 0.001 0.001 -0.004*** 0.001 0.003** 0.001
ODdist -1.199*** 0.014 -1.278*** 0.019 -1.163*** 0.020 -1.279*** 0.022
ODtrade 0.019*** 0.001 0.011*** 0.001 0.010*** 0.001 0.010*** 0.001
ODlan 0.722*** 0.034 0.998*** 0.056 0.819*** 0.056 1.135*** 0.051
特征向量数/个 - 127 327 222
对数似然值 -89 680.02 -79 811.68 -77 718.25 -79 530.22
AIC 179 426.04 160 197.35 156 810.50 160 014.44
BIC 179 672.60 162 341.40 161 942.80 163 577.90

注：***、**和*分别表示0.01、0.05和0.1的显著性水平；Esti、SE分别表示估计系数和标准误。

由表2可知，人口规模、经济水平、战乱情况以及多维邻近性是亚洲内部国际人口迁移流的主要影响因素。
（1） 人口规模发挥关键作用。从该指标的系数及其显著性可得，人口迁移倾向从人口数量较多的国家迁入到同样人口较多的其他国家。人口规模较大的国家，一般而言其市场体量大且种类繁多，就业和消费机会丰富，容易吸引海外移民[34]。迁出国人口密集将挤压就业和受教育空间、拉低生活水平，促使人口外迁，寻求更高质量的就业和受教育机会。
（2） 经济发展水平差距是主要推动力。国家间经济水平的差异意味着工资水平和生活水平等多方面的差距，迁出国人均GDP越低，而迁入国越高，其产生的“推力”和“拉力”就越强[48]。研究结果表明，在4种模型中经济发展水平都对人口迁移具有显著的影响，其中时空同期模型结果显示迁出国和迁入国的人均GDP各自减少和增加1%，则将分别增加0.058%和0.371%的国际人口迁移，体现经济发展水平的重要驱动作用。
（3） 战乱情况是重要的决策条件。战乱死亡人数不仅表明国家安全形势的不稳定性和对生命健康的威胁程度，也反映国家的受损指数。迁出国的战乱情况系数在4种模型中都具有高显著性，冲突和动乱是跨国人口迁移的重要触发条件，生命安全和社会稳定是人们迁移定居的必要考虑因素。
（4） 邻近性是有力的联通桥梁。地理距离邻近可减少迁移的交通成本，同时易于获取更多信息，降低迁移行为风险。经济全球化推动世界各个国家和地区的贸易合作不断深化，进而带来人口、货物和资本等在国际间的流动。语言相通、文化邻近有利于国际移民融入当地环境、更好地适应变化，知识与技能的可迁移性减轻迁移阻碍[49]。
此外，劳动力市场需求提供迁移指向。根据时空同期模型和时空滞后模型的结果，迁出国的劳动人口占比越高，劳动力供应相对富余，当地就业机会减少；而迁入国的第三产业占比提高，劳动力转向质量追求，数量需求减少，二者均将导致劳动力向需求量更大的目的地迁移。

3.2 亚洲国际人口迁移影响因素的时间变化特征

为捕捉不同影响因素随时间的变化趋势，利用特征向量空间滤波模型分别拟合6个时期的亚洲内部国际人口迁移流（表3）。
表3 亚洲内部国际人口迁移流6个时期的空间滤波模型结果（计数模型部分）

Tab. 3 The results from eigenvector spatial filtering models of six different time periods of international migration flows in Asia (count models)

变量 1990—1995年 1995—2000年 2000—2005年 2005—2010年 2010—2015年 2015—2020年
Esti SE Esti SE Esti SE Esti SE Esti SE Esti SE
Intercept -15.405*** 2.210 -4.999** 2.541 -13.718*** 2.726 -5.956** 2.362 -7.050** 2.801 -25.618*** 3.835
Opop 0.559*** 0.019 0.519*** 0.020 0.482*** 0.022 0.487*** 0.021 0.456*** 0.022 0.502*** 0.027
Dpop 0.618*** 0.019 0.597*** 0.021 0.547*** 0.022 0.408*** 0.023 0.303*** 0.023 0.465*** 0.028
Olabor 2.337*** 0.393 -0.131 0.427 0.654 0.419 -1.151*** 0.434 0.719 0.506 3.958*** 0.598
Dlabor -1.105*** 0.402 -1.112** 0.436 -0.377 0.466 0.391 0.386 -0.384 0.452 1.758*** 0.524
OGDP -0.049 0.040 -0.133*** 0.041 -0.186*** 0.041 -0.320*** 0.040 0.072 0.050 -0.157*** 0.061
DGDP 0.555*** 0.030 0.441*** 0.039 0.362*** 0.037 0.291*** 0.038 0.072 0.049 0.003 0.059
Osecond -0.002 0.068 -0.056 0.116 0.278* 0.146 -0.161 0.129 -1.697*** 0.164 -0.867*** 0.230
Dsecond -0.360*** 0.057 0.251** 0.098 0.904*** 0.135 1.407*** 0.105 0.973*** 0.161 0.351* 0.211
Othird 0.880*** 0.072 1.291*** 0.168 1.630*** 0.199 0.627*** 0.143 -1.546*** 0.259 -0.644 0.396
Dthird 0.574*** 0.073 0.409** 0.160 0.419** 0.180 1.058*** 0.159 3.063*** 0.240 1.772*** 0.397
Oward 0.063*** 0.009 0.022* 0.012 0.090*** 0.012 0.021 0.013 0.051*** 0.012 0.039*** 0.014
Dward 0.020*** 0.003 -0.005 0.003 0.010*** 0.003 -0.013*** 0.003 -0.001 0.003 0.003 0.004
ODdist -1.786*** 0.042 -1.734*** 0.045 -1.639*** 0.046 -1.354*** 0.038 -1.089*** 0.049 -1.066*** 0.055
ODtrade 0.016*** 0.002 0.017*** 0.002 0.029*** 0.003 0.074*** 0.001 0.167*** 0.003 0.046*** 0.004
ODlan 1.459*** 0.122 0.981*** 0.128 0.463*** 0.128 0.836*** 0.115 1.281*** 0.139 0.931*** 0.150
特征向量数/个 127

注：***、**和*分别表示0.01、0.05和0.1的显著性水平；Esti、SE分别表示估计系数和标准误。

（1） 人口规模的影响先减弱后增强。迁出国和迁入国人口规模指标的系数分别从1990—1995年的0.559和0.618降低至2010—2015年的0.456和0.303，随后于2015—2020年分别上升至0.502和0.465，整体呈现在1990—2015年不断下降、于2015—2020年回升的变化趋势。在2005—2010年，迁出国的人口规模系数超过了目的地，人口规模在人口迁移过程中表现为更强的“推力”，人口密度过大带来的竞争加剧、生活质量下降等负面影响逐渐显现。
（2） 经济差异驱动力先增强后减弱。在2010年及之前，经济差异在人口的迁移过程中起显著的关键作用，而到2015—2020年，其对人口迁移的驱动力减弱。对于迁出国的人均GDP，系数绝对值从2005—2010年的0.320减小至2015—2020年的0.157。“一带一路”倡议牵引下，各国经贸和金融合作不断深入，贸易投资领域多元化，出现基建能源建设、产业项目扶持等促使人口主要从高经济发展水平的国家向低经济发展水平的国家进行迁移的多种项目形态[50]。在“一带一路”背景下，单一的经济差异已经不能作为人口迁移的决定性因素。
（3） 战乱情况是关键性因素。在1990—2020年，亚洲爆发了多次规模较大的战争和冲突，包括1990—1995年塔吉克斯坦内战和阿富汗内乱、2005—2010年巴基斯坦国内恐怖袭击和阿富汗战争以及2010—2020年叙利亚内战等。这些冲突导致了巨大的人员伤亡，阻碍了国家的发展进步。 6个时期的迁入国或迁出国战乱死亡人数的系数均有较高显著性，战乱情况对人口迁移的抑制作用体现于每个时期。
（4） 邻近性仍然是一个不可忽视的推动力。随着时间的推移，国家间的距离对人口迁移的阻力不断减小，对应系数的绝对值从1.786降低至1.066。一方面，技术进步降低交通成本、缩短时间距离；另一方面，设施联通是“一带一路”建设的优先领域。倡议着力构建铁路、公路、航空等基础设施网络，提高沿线国家和地区的联通性。与经济差异类似，双边贸易总和的系数自1990—2015年不断增长，从0.016增加到了0.167，至2015—2020年明显减小，系数变为0.046。“一带一路”促进国家间的多样化合作，贸易合作带来的直接推动作用相对削弱。语言相通性的影响在30年间不断波动，没有明显的变化趋势。然而，与2010—2015年相比，2015—2020年的系数有所下降，从1.281减小至0.931。这可能是由于技术进步、教育水平提高以及相关移民政策的制定在一定程度上抵消了语言不同所带来的“推力”。

4 亚洲内部国际人口迁移流短期预测

4.1 模型验证

利用4种不同的模型对2010—2015以及2015—2020年亚洲内部国际人口迁移流总量进行拟合（表4）。
表4 4种模型对2010—2015年和2015—2020年亚洲内部国际人口迁移流总量的拟合结果

Tab. 4 Fitted values of total international migration in Asia for 2010-2015 and 2015-2020 from four models

时间/年 人口迁移量/人 模型
零膨胀负二项 空间滤波 时空同期 时空滞后
2010—2015 实际总量 28 215 016
拟合值 25 606 174 26 227 717 26 558 371 26 222 705
2015—2020 实际总量 22 714 585
拟合值 26 915 301 27 691 568 22 044 790 22 640 657
受新型冠状病毒肺炎影响，2015—2020年的迁移流总量较2010—2015年有所减少。对于2010—2015年的迁移流总量，特征向量时空同期模型的拟合结果与实际总量最为接近，特征向量时空滞后模型的结果则与特征向量空间滤波模型相近，数值仅相差5 000左右；对于2015—2020年，特征向量时空同期和滞后滤波模型的拟合结果分别为22 044 790人和22 640 657人，与实际总量误差在百万量级以内，准确度明显高于零膨胀负二项回归模型拟合的结果（26 915 301人）和特征向量空间滤波模型拟合的结果（27 691 568人）。爆发新型冠状病毒肺炎的2015—2020年和相较而言没有特殊事件发生的2010—2015年的拟合结果综合表明，特征向量时空滤波模型具有更佳的预测能力。基于上述分析，我们选择效果更优的时空滤波模型对2020—2025年亚洲内部国际人口迁移流进行预测。

4.2 预测结果及分析

4.2.1 2020—2025年亚洲内部国际人口迁移总量预测

迁移流总量的预测结果如表5所示。综合考虑时空同期模型和时空滞后模型，2020—2025年亚洲内部国际迁移流总量估计值约为1.8×107人，其中时空同期模型的预测值略高于时空滞后模型。与2015—2020年相比，2020—2025年的迁移总量预测值明显减少。
表5 特征向量时空滤波模型对2020—2025年亚洲内部国际人口迁移总量预测结果

Tab. 5 Forecasted values of total international migration in Asia for 2020-2025 using eigenvector space-time filtering models

人口迁移量/人 时空同期模型 时空滞后模型
平均预测值 18 305 629 17 625 054
标准误差 1 968 564 2 348 358
计算2个时期的解释变量均值如表6所示，表中省略随时间变化较小的空间邻近性和语言邻近性变量。由表6可知，与2015年相比，2020年迁出国与迁入国人口数量，以及基于时空同期模型系数结果，促进作用更为显著的劳动力占比和人均GDP，还有经济合作邻近性都在降低，从而导致迁移总量的减少。全球经济在新型冠状病毒肺炎中遭受重大冲击，在2020年，即使是人口规模减小的情况下，人均GDP仍有明显下降。根据预测亚洲战乱死亡人数将有所增加，进而推动国际迁移，但最终亚洲国际迁移流整体表现为减少趋势。
表6 亚洲内部国际人口迁移2015年和2020年解释变量均值（对数化）与时空滤波模型系数结果

Tab. 6 Mean values of explanatory variables (logarithmic) for 2015 and 2020 and coefficients of two eigenvector space-time filtering models for international migration in Asia

变量 2015年均值
(对数化)		 2020年均值
(对数化)		 时空同期模型 时空滞后模型
Esti SE Esti SE
Opop 16.546 16.390 0.450*** 0.009 0.518*** 0.009
Dpop 16.546 16.390 0.544*** 0.009 0.636*** 0.009
Olabor 4.197 4.154 -0.239 0.194 0.632*** 0.180
Dlabor 4.197 4.154 1.260*** 0.193 -0.370** 0.181
OGDP 15.479 14.933 -0.058*** 0.017 -0.005 0.017
DGDP 15.479 14.933 0.371*** 0.017 0.476*** 0.016
Osecond 3.405 3.436 0.432*** 0.044 -0.090* 0.047
Dsecond 3.405 3.436 -0.043 0.040 -0.517*** 0.039
Othird 4.006 3.908 0.220*** 0.063 -0.052 0.067
Dthird 4.006 3.908 -0.217*** 0.061 -0.886*** 0.062
Oward -7.978 -7.346 0.043*** 0.005 0.074*** 0.005
Dward -7.978 -7.346 -0.004*** 0.001 0.003** 0.001
ODtrade 11.984 8.569 0.010*** 0.001 0.010*** 0.001

注：***、**和*分别表示0.01、0.05和0.1的显著性水平； Esti、SE分别表示估计系数和标准误。

4.2.2 2020—2025年亚洲内部国际人口迁移流预测

除了迁移总量，具体的迁移流信息也值得关注。为探究主要迁移流的空间分布特征，同时便于迁移流的识别，分别选择时空同期滤波模型和时空滞后滤波模型预测结果排名前30迁移流的空间格局进行可视化（图1、图2）。预计2020—2025年亚洲国际人口迁移流空间分布将呈现区域特征。根据时空同期滤波模型预测结果（图1），人口主要在西亚和南亚、南亚和东南亚之间进行跨区域迁移。区域内迁移主要集中于南亚，以印度和巴基斯坦的相互迁移最为显著。印度至沙特一带是国际迁移的热点区域。在时空滞后滤波模型结果中（图2），预计跨区域迁移仍是主要的迁移类型，迁移方向包括西亚和南亚之间、南亚和东南亚之间以及南亚和东亚之间。区域内迁移除南亚外，西亚中由叙利亚迁向其相邻国家也较为多发。迁移流时空滞后滤波模型预测结果整体表现为印度、阿富汗和巴基斯坦3个国家间的较大规模迁移，以及自南亚迁向西亚、东亚和东南亚的分散格局。
图1 2020—2025年亚洲国际人口迁移流预测结果前30条的空间格局（时空同期滤波模型）

Fig. 1 Spatial pattern of the forecasted top 30 international migration flows in Asia for 2020-2025 using the space-time contemporaneous filtering model

图2 2020—2025年亚洲国际人口迁移流预测结果前30条的空间格局（时空滞后滤波模型）

Fig. 2 Spatial pattern of the forecasted top 30 international migration flows in Asia for 2020-2025 using the space-time lagged filtering model

图3和图4分别为时空同期滤波模型和时空滞后滤波模型预测结果中排名前十的迁移流，其中横坐标为迁移流方向，如巴基斯坦 →沙特表示从巴基斯坦到沙特的迁移流。如图3所示，在时空同期滤波模型预测结果中，巴基斯坦 →沙特、巴基斯坦 →印度和印度 →沙特是3条最主要的迁移流。而时空滞后滤波模型预测结果（图4）则显示，巴基斯坦 →印度、叙利亚 →黎巴嫩和印度 →巴基斯坦为亚洲国际迁移的前三名迁移流。综合2种模型结果，巴基斯坦与印度相互迁移，以及印度 → 沙特、巴基斯坦 →阿富汗和叙利亚 →约旦的趋势明显。
图3 2020—2025年亚洲国际人口迁移流预测结果前10名（时空同期滤波模型）

Fig. 3 Forecasted top 10 international migration flows in Asia for 2020-2025 using the space-time contemporaneous filtering model

图4 2020—2025年亚洲国际人口迁移流预测结果前10名（时空滞后滤波模型）

Fig. 4 Forecasted top 10 international migration flows in Asia for 2020-2025 using the space-time lagged filtering model

4.2.3 2020—2025年亚洲国家迁入流和迁出流预测

表7和表8分别列出了时空同期和时空滞后模型预测的2020—2025年国际人口迁入总量和迁出总量排名前十位的国家。
表7 2020—2025年亚洲迁入总量预测结果前十位国家

Tab. 7 Top 10 countries with forecasted total immigration in Asia from 2020 to 2025

时空同期模型 时空滞后模型
国家 预测均值/人 标准误差/人 国家 预测均值/人 标准误差/人
沙特 2 558 132 498 615 印度 2 356 584 831 270
印度 2 165 196 778 521 巴基斯坦 1 183 233 566 675
阿联酋 1 085 902 574 853 黎巴嫩 1 054 088 336 902
伊朗 897 776 450 206 中国 1 043 012 222 228
孟加拉国 870 622 266 425 阿联酋 880 394 640 287
巴基斯坦 746 236 290 608 沙特 731 951 683 992
中国 738 290 166 045 泰国 679 166 450 292
约旦 653 566 251 045 约旦 628 327 267 167
泰国 608 101 303 596 日本 606 402 200 395
韩国 587 207 209 470 伊朗 469 098 531 770
表8 2020—2025年亚洲迁出总量预测结果前十位国家

Tab. 8 Top 10 countries with forecasted total emigration in Asia from 2020 to 2025

时空同期模型 时空滞后模型
国家 预测均值/人 标准误差/人 国家 预测均值/人 标准误差/人
巴基斯坦 4 509 955 856 907 印度 3 896 327 843 928
印度 3 771 111 634 607 巴基斯坦 2 748 513 1 104 889
叙利亚 976 623 796 468 叙利亚 1 894 109 921 629
阿富汗 910 766 348 349 阿富汗 1 315 259 417 643
孟加拉国 773 031 894 166 孟加拉国 1 045 111 923 951
泰国 704 723 159 647 印度尼西亚 617 570 152 090
中国 576 710 266 094 伊拉克 613 063 391 688
缅甸 547 684 263 463 黎巴嫩 600 382 599 601
伊朗 519 383 229 816 伊朗 567 636 580 148
伊拉克 441 008 347 104 缅甸 493 033 410 482
根据时空同期模型预测结果，预计2020—2025年亚洲国际人口迁入总量排名前三的国家将分别是沙特、印度和阿联酋。其迁入总量均值分别为2 558 132、2 165 196和1 085 902人，约占亚洲国际人口迁移流总量的14%、12%和6%，是迁入总量预测中达到百万数量级的国家。预计亚洲国际人口迁出总量最大的3个国家分别为巴基斯坦、印度和叙利亚。其迁出总量预测均值分别为4 509 955、3 771 111和976 623人，约占亚洲国际人口迁移流总量的25%、21%和5%。相较其他亚洲国家，巴基斯坦和印度具有显著的迁出活动。印度、孟加拉国、巴基斯坦、中国和泰国是亚洲国际迁移活跃地区，其迁入和迁出总量都位居前列。
时空滞后模型预测结果显示，预计2020—2025年亚洲国际人口迁入总量超过百万的共有4个国家：印度、巴基斯坦、黎巴嫩和中国。其迁入总量均值分别为2 356 584、1 183 233、1 054 088和1 043 012，约占迁移流总量的13%、7%、6%和6%。该模型的迁出总量预测结果与时空同期模型相似，排名前5的国家包括印度、巴基斯坦、叙利亚、阿富汗和孟加拉国，且均达到百万数量级。其迁出总量均值分别为3 896 327、2 748 513、1 894 109、1 315 259和1 045 111人，约占迁移流总量的22%、16%、11%、7%和6%。综合时空同期模型和时空滞后模型2种模型结果，亚洲国际人口的迁出比迁入更加集中。此外，印度是唯一迁入和迁出总量的预测结果都位居前3的国家，是无可置疑的国际人口迁入和迁出大国。

5 结论与讨论

国际人口迁移流具有时空依赖特性。本文基于1990—2020年6个时期亚洲内部国际双边移民流量数据，采用零膨胀负二项回归模型、特征向量空间滤波模型以及特征向量时空同期和时空滞后滤波模型，对比不同模型的拟合结果，探究了亚洲国际人口迁移流的影响因素及其时间变化趋势。通过拟合效果更佳的时空滤波模型，对2020—2025年亚洲国际人口迁移流进行了短期预测。初步得到以下几点结论：
（1） 亚洲国际人口迁移流存在显著的时空自相关。人口迁移流同时受到过去时段迁移存量和周边邻近迁移流的影响，其中时空同期效应强于时空滞后效应，即邻近迁移流在当前时段比在过去时段作用更为明显。因此，在模型中加入表征时空依赖结构的特征向量能够更加准确地解释和拟合迁移流。
（2） 亚洲国际人口迁移流主要受人口规模、经济水平、战乱情况以及邻近性的影响。人口迁移倾向于发生在人口规模较大的2个国家之间，并受经济发展水平差异的驱动。战乱将驱使本国人民迁出，而随着战乱死亡人数的增多，迁移频率也会增加。若两国间地理相近、语言相通或存在密切的经济往来，将促进国际迁移。在过去30年间，亚洲国际人口迁移的主要影响因素发生了改变。人口规模效应呈现先减弱后增强的趋势，迁出国的“推力”超过了迁入国的“拉力”；经济差异的影响则先增强后减弱，特别在“一带一路”实施期间，多元化的国际合作发展项目为人口迁移提供了新选择，较低经济发展水平的国家从而吸引更多的海外移民；技术进步、设施联通、经济合作深化等因素缩短了距离，减轻了地理隔离和语言不通带来的阻碍。
（3） 特征向量时空滤波模型在2020—2025年亚洲国际人口迁移流预测方面表现出更优的效果。模型综合预测结果显示，国际人口迁移主要为西亚和南亚、南亚和东南亚之间的跨区域迁移。此外，时空滞后模型的预测迁移流中自南亚迁向东亚也较为频发。巴基斯坦与印度相互迁移，以及印度→沙特阿拉伯、巴基斯坦→阿富汗和叙利亚→约旦的迁移趋势明显。
（4） 综合时空同期和时空滞后滤波模型结果，预计2020—2025年亚洲内部国际人口迁移流总量均值约为1.8×107。根据时空同期滤波模型预测结果，沙特、印度和阿联酋以及巴基斯坦、印度和叙利亚分别位居迁入和迁出总量前3名。时空滞后滤波模型预测结果显示，印度、巴基斯坦、黎巴嫩和中国是亚洲主要的国际人口迁入国，迁出总量排名则与时空同期模型结果相似。印度是国际人口迁移大国，迁出总量和迁入总量都位居前列。
在“一带一路”以及新型冠状病毒肺炎等公共事件的背景下，国际人口迁移过程中国家人口规模、经济水平差异等因素的影响程度有所变化，移民政策的关键作用日渐凸显，国家交流合作成为重要的迁移推动力。各国在引进跨国劳动力时，应考虑推动产业转型升级，创造更多高技能岗位并提高待遇水平，逐步增强移民吸引力。同时，维护国家政治安全，营造和谐稳定环境。预测迁入和迁出流量可为各国经济社会的发展决策提供参考，帮助政府把握人口变化趋势，做好人员流动的充足准备，保障社会平稳运行。
本研究主要存在以下2点不足： ① 除了上述提及的影响因素外，难以量化的世界经济政治格局以及国际移民政策等也深刻影响着国际人口迁移。今后可针对这些方面做进一步分析，完善对亚洲国际人口迁移动力机制的理解； ② 迁移流的时空依赖可能同时存在时空同期和时空滞后效应。本文对这2种结构分别进行了讨论，有待通过方法改进，以综合分析这两种效应。
本文图文责任编辑： 蒋树芳 黄光玉

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
McAuliffe M, A Triandafyllidou (eds.). World Migration Report 2022[R]. Geneva: International Organization for Migration (IOM), 2021.

[2]
王国霞, 秦志琴, 程丽琳. 20世纪末中国迁移人口空间分布格局——基于城市的视角[J]. 地理科学, 2012, 32(3):273-281.

DOI

[Wang G X, Qin Z Q, Cheng L L. Spatial distribution of population migration in China in the 1990s’[J]. Scientia Geographica Sinica, 2012, 32(3):273-281. ] DOI: 10.13249/j.cnki.sgs.2012.03.004

[3]
曾嵘, 魏一鸣, 范英, 等. 人口、资源、环境与经济协调发展系统分析[J]. 系统工程理论与实践, 2000, 20(12):1-6.

DOI

[Zeng R, Wei Y M, Fan Y, et al. System analysis of harmonization development among population, resource, environment and economy[J]. Systems Engineering-Theory & Practice, 2000, 20(12):1-6. ] DOI:10.3321/j.issn:1000-6788.2000.12.001

[4]
张晓青. 国际人口迁移理论述评[J]. 人口学刊, 2001, 23(3):41-45.

[Zhang X Q. Evaluation of theories on International Migration[J]. Population Journal, 2001, 23(3):41-45. ] DOI:10.16405/j.cnki.1004-129x.2001.03.008

[5]
Lewis W A. Economic development with unlimited supplies of labour[J]. The Manchester school of economic and social studies, 1954, 22(2):139-191. DOI:10.1111/j.1467-9957.1954.tb00021.x

[6]
Sjaastad L A. The costs and returns of human migration[J]. Journal of Political Economy, 1962, 70(5, Part 2):80-93. DOI:10.1086/258726

[7]
Todaro M P. A model of labor migration and urban unemployment in less developed countries[J]. The American economic review, 1969, 59(1):138-148.

[8]
Borjas G J. Friends or strangers:the impact of immigrants on the U.S. economy[M]. New York: Basic Books, 1990.

[9]
Stark O, Bloom D E. The new economics of labor migration[J]. The American Economic Review, 1985, 75(2):173-178.

[10]
Stark O. Migration decision making[J]. Journal of Development Economics, 1984,14(1): 251-259. DOI:10.1016/0304-3878(84)90053-1

[11]
Katz E, Stark O. Labor migration and risk aversion in less developed countries[J]. Journal of Labor Economics, 1986, 4(1):134-149. DOI:10.1086/298097

PMID

[12]
Lauby J, Stark O. Individual migration as a family strategy: Young women in the Philippines[J]. Population Studies, 1988, 42(3):473-486. DOI:10.1080/0032472031000143596

[13]
Piore M J. Birds of passage: Migrant labor and industrial societies[M]. Cambridge: Cambridge University Press, 1979.

[14]
Stouffer S A. Intervening opportunities: A theory relating mobility and distance[J]. American Sociological Review, 1940, 5(6):845-867. DOI:10.2307/2084520

[15]
Stouffer S A. Intervening opportunities and competing migrants[J]. Journal of Regional Science, 1960, 2(1):1-26. DOI:10.1111/j.1467-9787.1960.tb00832.x

[16]
Lee E S. A theory of migration[J]. Demography, 1966, 3(1):47-57. DOI:10.2307/2060063

[17]
Zipf G K. The P1P2/D hypothesis: on the intercity movement of persons[J]. American sociological review, 1946, 11(6):677-686. DOI:10.2307/2087063

[18]
Lowry I S. Migration and metropolitan growth: Two analytical models[J]. Recherches Économiques De Louvain, 1971, 37(4):482-482. DOI:10.1017/S0770451800027123

[19]
Chun Y W. Modeling network autocorrelation within migration flows by eigenvector spatial filtering[J]. Journal of Geographical Systems, 2008, 10(4):317-344. DOI:10.1007/s10109-008-0068-2

[20]
Fan C C. Modeling interprovincial migration in China, 1985-2000[J]. Eurasian Geography and Economics, 2005, 46(3):165-184. DOI:10.2747/1538-7216.46.3.165

[21]
董理, 张启春. 我国地方政府公共支出规模对人口迁移的影响——基于动态空间面板模型的实证研究[J]. 财贸经济, 2014(12):40-50.

[Dong L, Zhang Q C. The impact of local government public expenditure size on migration in China: A dynamic spatial panel data approach[J]. Finance & Trade Economics, 2014(12):40-50. ] DOI:10.19795/j.cnki.cn11-1166/f.2014.12.005

[22]
李建学, 蒲英霞, 刘大伟. 中国省际人口迁移短期预测分析[J]. 地理与地理信息科学, 2021, 37(2):54-62.

[Li J X, Pu Y X, Liu D W. Short-term forecast of interprovincial migration flows in China[J]. Geography and Geo-Information Science, 2021, 37(2):54-62. ] DOI:10.3969/j.issn.1672-0504.2021.02.008

[23]
Anselin L. Spatial econometrics: methods and models[M]. Dordrecht: Kluwer Academic Publishers, 1988.

[24]
Baltagi B H, Song S H, Koh W. Testing panel data regression models with spatial error correlation[J]. Journal of Econometrics, 2003, 117(1):123-150. DOI:10.1016/s0304-4076(03)00120-9

[25]
Griffith D A. Modeling spatio-temporal relationships: Retrospect and prospect[J]. Journal of Geographical Systems, 2010, 12(2):111-123. DOI:10.1007/s10109-010-0120-x

[26]
Griffith D A. Spatial statistics: A quantitative geographer's perspective[J]. Spatial Statistics, 2012, 1:3-15. DOI:10.1016/j.spasta.2012.03.005

[27]
Oshan T M. The spatial structure debate in spatial interaction modeling: 50 years on[J]. Progress in Human Geography, 2021, 45(5):925-950. DOI:10.1177/0309132520968134

[28]
Czaika M, de Haas H. The globalization of migration: Has the world become more migratory?[J]. International Migration Review, 2014, 48(2):283-323. DOI:10.1111/imre.12095

[29]
Brzozowski J, Coniglio N. International Migration and the (Un)happiness Push: Evidence from Polish Longitudinal Data[J]. International Migration Review, 2021, 55(4):1089-1120. DOI:10.1177/01979183211004835

[30]
Romano D, Traverso S. Disentangling the impact of international migration on food and nutrition security of left-behind households: Evidence from Bangladesh[J]. The European Journal of Development Research, 2020, 32(4):783-811. DOI:10.1057/s41287-019-00240-4

[31]
汪建昌. 中国国际移民政策变迁研究:内在逻辑与未来走向[J]. 江海学刊, 2021(3):131-137,255.

[Wang J C. Changes of international migration policy of China: Internal logic and future path[J]. Jianghai Academic Journal, 2021(3):131-137,255. ] DOI:10.3969/j.issn.1000-856X.2021.03.019

[32]
Vanella P, Deschermeier P. A probabilistic cohort-component model for population forecasting-the case of Germany[J]. Journal of Population Ageing, 2020, 13(4):513-545. DOI:10.1007/s12062-019-09258-2

[33]
Wondimagegnhu B A, Fantahun L. Taking high-stakes venture to make ends meet? Determinants and impacts of international migration of Ethiopians to the Middle East[J]. Comparative Migration Studies, 2023, 11(1):12. DOI:10.1186/s40878-023-00338-z

PMID

[34]
刘晔, 王晓歌, 管靖, 等. 1990—2015年亚洲内部人口迁移格局及影响因素[J]. 地理学报, 2022, 77(10):2409-2425.

DOI

[Liu Y, Wang X G, Guan J, et al. Spatial pattern and determinants of international migration flows in Asia, 1990-2015[J]. Acta Geographica Sinica, 2022, 77(10):2409-2425. ] DOI:10.11821/dlxb202210001

[35]
Shayegh S, Emmerling J, Tavoni M. International migration projections across skill levels in the shared socioeconomic pathways[J]. Sustainability, 2022, 14(8):4757. DOI:10.3390/su14084757

[36]
González-Leonardo M, Potančoková M, Yildiz D, et al. Quantifying the impact of COVID-19 on immigration in receiving high-income countries[J]. PLoS One, 2023, 18(1):e0280324. DOI:10.1371/journal.pone.0280324

[37]
Cappelen Å, Skjerpen T, Tønnessen M. Forecasting immigration in official population projections using an econometric model[J]. International Migration Review, 2015, 49(4):945-980. DOI:10.1111/imre.12092

[38]
Billari F C, Graziani R, Melilli E. Stochastic population forecasting based on combinations of expert evaluations within the Bayesian paradigm[J]. Demography, 2014, 51(5):1933-1954. DOI:10.1007/s13524-014-0318-5

PMID

[39]
Abel G J, Cohen J E. Bilateral international migration flow estimates for 200 countries[J]. Scientific Data, 2019, 6(1):82. DOI:10.1038/s41597-019-0089-3

PMID

[40]
Greene W H. Accounting for excess zeros and sample selection in Poisson and negative binomial regression models[J]. NYU Working Paper, 1994:EC-94-10.

[41]
Vuong Q H. Likelihood ratio tests for model selection and non-nested hypotheses[J]. Econometrica, 1989, 57(2):307. DOI:10.2307/1912557

[42]
Griffith D A. A linear regression solution to the spatial autocorrelation problem[J]. Journal of Geographical Systems, 2000, 2(2):141-156. DOI:10.1007/PL00011451

[43]
Odland J. Spatial autocorrelation[M]. Newbury Park, CA: Sage Publications, 1988.

[44]
Griffith D A, Paelinck J H P. Specifying a joint space-and time-lag using a bivariate Poisson distribution[J]. Journal of Geographical Systems, 2009, 11(1):23-36. DOI:10.1007/s10109-008-0075-3

[45]
Scherngell T, Lata R. Towards an integrated European Research Area? Findings from Eigenvector spatially filtered spatial interaction models using European Framework Programme data[J]. Papers in Regional Science, 2013, 92(3):555-578. DOI:10.1111/j.1435-5957.2012.00419.x

[46]
张晓青, 王雅丽, 任嘉敏. 1990—2013年国际人口迁移特征、机制及影响研究[J]. 人口与发展, 2014, 20(4):20-27.

[ Zhang X Q, Wang Y L, Ren J M. Study on the characteristics, mechanism and impact of international migration between 1990 and 2013[J]. Population and Development, 2014, 20(4):20-27. ]

[47]
沈国兵, 徐源晗, 袁征宇. 新冠疫情全球蔓延对我国就业的影响及机制分析[J]. 经济问题探索, 2021(12):1-12.

[ Shen G B, Xu Y H, Yuan Z Y. The effect of global spread of COVID-19 on China’s employment and its mechanism analysis[J]. Inquiry into Economic Issues, 2021(12):1-12. ]

[48]
陈红艳, 喻忠磊, 张华. 中国国际人口迁移的空间格局及影响因素[J]. 人口与发展, 2016, 22(6):12-24.

[Chen H Y, Yu Z L, Zhang H. Spatial patterns and impact factors of China's international migration[J]. Population and Development, 2016, 22(6):12-24. ] DOI:10.3969/j.issn.1674-1668.2016.06.002

[49]
范力达. 全球化背景下的国际间人口迁移研究[J]. 人口学刊, 2003, 25(3):21-24.

[Fan L D. Study of the international population migration under the globalization background[J]. Population Journal, 2003, 25(3):21-24. ] DOI: 10.16405/j.cnki.1004-129x.2003.03.004

[50]
吕越, 马明会, 李杨. 共建“一带一路”取得的重大成就与经验[J]. 管理世界, 2022, 38(10):44-55,95,56.

[Lv Y, Ma M H, Li Y. The major achievements and experience in the joint construction of the Belt and Road initiative[J]. Journal of Management World, 2022, 38(10):44-55,95,56. ] DOI:10.19744/j.cnki.11-1235/f.2022.0144

Options
文章导航

/

〈 〉