Ein auf maschinellem Lernen basierender verallgemeinerter Ansatz zur Vorhersage unbefugter Einwanderungsströme unter Berücksichtigung des dynamischen Zusammenhangs der Grenzsicherheit

Unbefugte Einwanderung ist seit langem eine umstrittene Herausforderung für entwickelte und sich entwickelnde Länder. Zahlreiche kontinuierlich sich entwickelnde Druck- und Anreizfaktoren über internationale Grenzen hinweg, wie Wirtschaft, Beschäftigung, Bevölkerungsdichte, Unruhen, Korruption und Klima, haben diese Migration vorangetrieben. Großflächige Pandemien wie COVID-19, die weitere Instabilität im finanziellen Wohlergehen der Länder verursachen, können den Emigrationsfluss aus verschiedenen Ländern initiieren oder verändern. Angesichts eines so komplexen Zusammenspiels von Faktoren, Klimawandel und demografischen Veränderungen in Migrantengemeinschaften ist es höchste Zeit, von den traditionellen parametrischen Ansätzen, die auf lokalisierten Umfragen in Migrantengemeinschaften basieren, zu auf maschinellem Lernen basierenden verallgemeinerten Ansätzen überzugehen. Soweit uns bekannt ist, hat die Literatur keinen nichtparametrischen Ansatz untersucht und eine umfassende Datenbank unabhängig von lokalisierten Umfragen entwickelt, um unbefugte Migration zu analysieren. Dieser Artikel schließt diese Lücke, indem er neun nichtparametrische Algorithmen für maschinelles Lernen zur Vorhersage unbefugter Einwanderungsströme unter Berücksichtigung des dynamischen Zusammenhangs der Grenzsicherheit einsetzt. Dieses Framework betrachtet das saisonale autoregressive integrierte gleitende Durchschnittsmodell als Nullmodell. Der vorgeschlagene neuartige Rahmen beseitigt die Abhängigkeit von lokalisierten Umfragen und bietet einen kostengünstigeren, schnelleren und big data-freundlicheren Ansatz. Diese Studie findet, dass das Bayesian Additive Regression Tree-Modell das beste prädiktive Modell ist.