Analiza podataka Meta, Harvard University i University of Hong Kong pokazuje povezanost između klimatske ranjivosti i neto gubitka stanovništva u brojnim malim ostrvskim državama. Climate Crisis 247 je rangirao zemlje prema neto migraciji u periodu januar 2019. – decembar 2022. i uporedio rezultate sa GAIN indeksom Univerziteta Notre Dame. Najveći neto odlazak prema podacima beleži Haiti, dok Jamajka i Dominikanska Republika takođe imaju značajne gubitke. Podaci sugerišu da su klimatski rizici jedan od važnih pokretača ovih migracija, ali nisu jedini faktor.
Koja ostrva najviše gube stanovnika zbog klimatskih promena? (2019–2022)
Photo by Claudia Altamimi on Unsplash
Modeliranje migracija povezanih s klimatskim promenama veoma je složeno. Iako postoji širok konsenzus da će kombinacija naglih i sporo nastalih klimatskih opasnosti preoblikovati raspodelu stanovništva globalno, tačni obrasci i obim tih pomeranja ostaju neizvesni.
Podaci dobijeni u saradnji Meta, Harvard University i University of Hong Kong predstavljaju jedan od najdetaljnijih uvida dosad, jer mapiraju međunarodne migracione tokove na osnovu lokacija milijardi korisnika Facebooka. Climate Crisis 247 je iskoristio te podatke da rangira države po neto promeni stanovništva usled migracije u periodu januar 2019. – decembar 2022., a zatim je rezultate uporedio sa indeksom ranjivosti na klimatske promene (GAIN) Univerziteta Notre Dame.
Metodologija i ograničenja
Metod: Rangiranje po neto migraciji prema Meta podacima (međunarodni tokovi po mesecima, 2019–2022).
Komplement: Indeks klimatske ranjivosti (GAIN) korišćen je za poređenje izloženosti i otpornosti zemalja.
Ograničenja: Podaci Meta odražavaju obrasce korisnika društvenih mreža i mogu podceniti ili preceniti stvarne migracione tokove u zavisnosti od pokrivenosti platforme. Migracija je rezultat višestrukih faktora (ekonomski razlozi, politička nestabilnost, nasilje, porodične veze) — klima je važan, ali ne i jedini pokretač.
Deset ostrvskih država sa najvećim neto odlivom stanovništva (2019–2022)
10. Papua Nova Gvineja
Neto migracija, 2019–2022: -9.823 ljudi
Klimatski indeks ranjivosti: 0,55 (27/187)
Najčešće destinacije: Podaci nisu dostupni
9. Gvineja-Bisau
Neto migracija, 2019–2022: -11.988 ljudi
Klimatski indeks ranjivosti: 0,62 (5/187)
Najčešće destinacije: Portugal, Senegal, Gvineja
8. Surinam
Neto migracija, 2019–2022: -13.913 ljudi
Klimatski indeks ranjivosti: 0,42 (92/187)
Najčešće destinacije: Podaci nisu dostupni
Photo byAsso MyrononUnsplash
7. Mauricijus
Neto migracija, 2019–2022: -15.286 ljudi
Klimatski indeks ranjivosti: 0,41 (103/187)
Najčešće destinacije: Bangladeš, Indija, Francuska
6. Sao Tome i Principe
Neto migracija, 2019–2022: -15.924 ljudi
Klimatski indeks ranjivosti: 0,54 (31/187)
Najčešće destinacije: Podaci nisu dostupni
5. Fidži
Neto migracija, 2019–2022: -24.856 ljudi
Klimatski indeks ranjivosti: 0,46 (72/187)
Najčešće destinacije: Australija, Novi Zeland, Sjedinjene Države
4. Kabo Verde
Neto migracija, 2019–2022: -36.421 ljudi
Klimatski indeks ranjivosti: 0,43 (90/187)
Najčešće destinacije: Portugal, Sjedinjene Države, Francuska
3. Dominikanska Republika
Neto migracija, 2019–2022: -77.724 ljudi
Klimatski indeks ranjivosti: 0,43 (89/187)
Najčešće destinacije: Sjedinjene Države, Haiti, Španija
2. Jamajka
Neto migracija, 2019–2022: -98.363 ljudi
Klimatski indeks ranjivosti: 0,42 (96/187)
Najčešće destinacije: Sjedinjene Države, Kanada, Ujedinjeno Kraljevstvo
1. Haiti
Neto migracija, 2019–2022: -214.494 ljudi
Klimatski indeks ranjivosti: 0,51 (44/187)
Najčešće destinacije: Dominikanska Republika, Sjedinjene Države, Brazil
Šta ovo znači
Podaci ukazuju na jasan trend: mnoge male ostrvske države beleže značajan odliv stanovništva u periodu koji je obuhvatio i ekstremne vremenske događaje, pandemiju i političke potrese. To ima posledice po lokalne ekonomije, demografsku strukturu i sposobnost država da se prilagode budućim klimatskim udarima.
Važno: Ove brojke ne znače da je klima jedini ili neposredan uzrok svakog slučaja migracije — ali pokazuju vezu između ranjivosti i većeg neto odlaska stanovništva.
Za dublje razumevanje potrebno je kombinovati ovakve velike skupove podataka sa terenskim istraživanjima i lokalnim statistikama. Donosioci politika bi trebalo da razmotre mere za smanjenje rizika, podršku adaptaciji i inkluzivne planove preseljenja kako bi ublažili nesrazmerne posledice za ove države.
Pomozite nam da budemo bolji.
