Data about migration flows are largely inconsistent across countries, typically outdated, and often inexistent. Despite the importance of migration as a driver of demographic change, there is limited availability of migration statistics. Generally, researchers rely on census data to indirectly estimate flows. However, little can be inferred for specific years between censuses and for recent trends. The increasing availability of geolocated data from online sources has opened up new opportunities to track recent trends in migration patterns and to improve our understanding of the relationships between internal and international migration. In this paper, we use geolocated data for about 500,000 users of the social network website "Twitter". The data are for users in OECD countries during the period May 2011- April 2013. We evaluated, for the subsample of users who have posted geolocated tweets regularly, the geographic movements within and between countries for independent periods of four months, respectively. Since Twitter users are not representative of the OECD population, we cannot infer migration rates at a single point in time. However, we proposed a difference-in-differences approach to reduce selection bias when we infer trends in out-migration rates for single countries. Our results indicate that our approach is relevant to address two longstanding questions in the migration literature. First, our methods can be used to predict turning points in migration trends, which are particularly relevant for migration forecasting. Second, geolocated Twitter data can substantially improve our understanding of the relationships between internal and international migration. Our analysis relies uniquely on publicly available data that could be potentially available in real time and that could be used to monitor migration trends. The Web Science community is well-positioned to address, in future work, a number of methodological and substantive questions that we discuss in this article.

Digital trace data presents an opportunity for promptly monitoring shifts in migrant populations. This contribution aims to determine whether the number of European migrants in the United Kingdom (UK) declined between March 2019 and March 2020, using weekly estimates derived from the Facebook Advertising Platform. The collected data is disaggregated according to age, level of education, and country of origin. To examine the fluctuation in the number of migrants, a simple Bayesian trend model is employed, incorporating indicator variables for age, education, and country. The Facebook data indicates a downward trend in the number of European migrants residing in the UK. This result is further confirmed by the data from the Labour Force Survey. Notably, the outcomes reveal that in the run-up to Brexit, the most significant decline occurred among the age group of 20 to 29 years old – the largest migrant group – and the tertiary educated. This analyses could not be implemented with traditional data sources such as the Labour Force Survey, because this level of disaggregation is not provided. However, there are also important limitations associated with digital trace data, such as algorithm changes and representativeness. These limitations need to be addressed by employing sound statistical methodologies. Nevertheless, this research shows the potential of digital trace data in anticipating migration trends at a timely granularity and informing policymakers.

A lack of comprehensive migration data is a major barrier for understanding the causes and consequences of migration processes, including for specific groups like high-skilled migrants. We leverage large-scale bibliometric data from Scopus and OpenAlex to trace the global movements of scholars. Based on our empirical validations, we develop pre-processing steps and offer best practices for the measurement and identification of migration events. We have prepared a publicly accessible dataset that shows a high level of correlation between the counts of scholars in Scopus and OpenAlex for most countries. Although OpenAlex has more extensive coverage of non-Western countries, the highest correlations with Scopus are observed in Western countries. We share aggregated yearly estimates of international migration rates and of bilateral flows for 210 countries and areas worldwide for the period 1998-2020 and describe the data structure and usage notes. We expect that the publicly shared dataset will enable researchers to further study the causes and the consequences of migration of scholars to forecast the future mobility of academic talent worldwide.

Although up-to-date information on the nature and extent of migration within the European Union (EU) is important for policymaking, timely and reliable statistics on the number of EU citizens residing in or moving across other member states are difficult to obtain. In this paper, we develop a statistical model that integrates data on EU migrant stocks using traditional sources such as census, population registers and Labour Force Survey, with novel data sources, primarily from the Facebook Advertising Platform. Findings suggest that combining different data sources provides near real-time estimates that can serve as early warnings about shifts in EU mobility patterns. Estimated migrant stocks match relatively well to the observed data, despite some overestimation of smaller migrant populations and underestimation for larger migrant populations in Germany and the United Kingdom. In addition, the model estimates missing stocks for migrant corridors and years where no data are available, offering timely now-casted estimates.

Abstract This study leverages mobile data for 5.4 million users to unveil the complex dynamics of daily mobility and longer-term relocations in and from Santiago, Chile, during the COVID-19 pandemic, focusing on socioeconomic differentials. We estimated a relative increase in daily mobility, in 2020, for lower-income compared to higher-income regions. In contrast, longer-term relocation rose primarily among higher-income groups. These shifts indicate nuanced responses to the pandemic across socioeconomic classes. Compared to 2017, economic factors in 2020 had a stronger influence on the decision to relocate and the selection of destinations, suggesting transformations in mobility behaviors. Contrary to previously held beliefs, there was no evidence supporting a preference for rural over urban destinations, despite the surge in emigration from Santiago during the pandemic. This study enhances our understanding of how varying socioeconomic conditions interact with mobility decisions during crises and provides insights for policymakers aiming to enact fair and evidence-based measures in rapidly changing circumstances.

Abstract This study assesses the initial effects of the 2016 Brexit referendum on the mobility of academic scholars to and from the United Kingdom (UK). We leverage bibliometric data from millions of Scopus publications to infer changes in the countries of residence of published researchers by the changes in their institutional affiliations over time. We focus on a selected sample of active and internationally mobile researchers whose movements are traceable for every year between 2013 and 2019 and measure the changes in their migration patterns. Although we do not observe a brain drain following Brexit, we find evidence that scholars’ mobility patterns changed after Brexit. Among the active researchers in our sample, their probability of leaving the UK increased by approximately 86% if their academic origin (country of first publication) was an EU country. For scholars with a UK academic origin, their post-Brexit probability of leaving the UK decreased by approximately 14%, and their probability of moving (back) to the UK increased by roughly 65%. Our analysis points to a compositional change in the academic origins of the researchers entering and leaving the UK as one of the first impacts of Brexit on the UK and EU academic workforce.