United Kingdom of Great Britain and Northern Ireland
Market Forecast Tables 2022
These tables show forest products production and trade forecasts for 2022 and 2023. These cover roundwood (logs, pulpwood and fuel wood), sawnwood (coniferous and non-coniferous), wood-based panels (plywood, particle board, OSB and fibreboard), pulp, paper and wood pellets. The forecast data are provided by national correspondents and approved at the meeting of the Committee on Forests and the Forest Industry.
List of tables
List of Tables and Notes |
Table 1 - Sawn Softwood |
Table 2 - Sawn Hardwood (total) |
Table 2a - Sawn Hardwood (temperate) |
Table 2b - Sawn Hardwood (tropical) |
Table 3 - Veneer Sheets |
Table 4 - Plywood |
Table 5 - Particle Board (excluding OSB) |
Table 5a - Oriented Strand Board |
Table 6 - Fibreboard |
Table 6a - Hardboard |
Table 6b - MDF/HDF |
Table 6c - Other Fibreboard |
Table 7 - Wood Pulp |
Table 8 - Paper and Paperboard |
Table 9 - Removals of wood in the rough |
Table 9a - Removals of wood in the rough (softwood) |
Table 9b - Removals of wood in the rough (hardwood) |
Table 10 - Softwood sawlogs |
Table 11 - Hardwood sawlogs |
Table 11a - Hardwood logs (temperate) |
Table 11b - Hardwood logs (tropical) |
Table 12 - Pulpwood |
Table 12a - Pulpwood (softwood) |
Table 12b - Pulpwood (hardwood) |
Table 12c - Wood Residues, Chips and Particles |
Table 13 - Wood Pellets |
Table 14 - Europe: Summary table of market forecasts for 2022 and 2023 |
Table 15 - North America: Summary table of market forecasts for 2022 and 2023 |
Source: UNECE Committee on Forests and the Forest Industry , November 2022, http://www.unece.org/forests/fpm/timbercommittee.html |
Notes: Data in italics are estimated by the secretariat. EECCA is Eastern Europe, Caucasus and Central Asia. |
Data for the two latest years are forecasts. |
In contrast to previous years, data are shown only for countries providing forecasts. Sub-regional totals are only for reporting countries. |
Data are shown only for countries providing forecasts. Sub-regional totals thus reflect only the reporting countries of the subregion. No sub-regional forecast is provided for "Eastern Europe, Caucasus and Central Asia" due to lack of information provided by countries in this sub-region. |
Germany – Pellets consumption is an estimated consumption as reported by Pellet Federation. There is a difference between reported consumption and apparent consumption of 242,000 metric tonnes and 214,000 metric tonnes, respectively. For 2022 and 2023, this difference is additionally stored at newly installed plants, i.e. sold but not yet consumed. |
Slovenia trade figures are lower than actual as they do not include estimates for non-recorded trade with other EU countries. |
Polish trade data exclude non-reporters (estimated at 1-3% of total). Residues exclude recovered wood. Polish sawnwood data exclude shop lumber. Wood pulp production is in metric tonnes, not air-dried, and excludes recovered fibre pulp. Wood pellets production data includes briquettes and non-wood based material. |
United Kingdom production figures for OSB is secretariat estimate. |
Softwood = coniferous, hardwood = non-coniferous |
For tables 1-13, data in italics are secretariat estimates or repeated data. All other data are from national sources and are of course estimates for the current and future year. |
Countries with nil, missing or confidential data for all years on a table are not shown. |
Table 1
5.C | |||||||||||||||||
TABLE 1 | |||||||||||||||||
SAWN SOFTWOOD | SCIAGES CONIFERES | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 6,547 | 6,469 | 6,400 | 10,582 | 10,370 | 10,300 | 1,911 | 2,045 | 2,000 | 5,947 | 5,947 | 5,900 | Autriche | |||
Bulgaria | Bulgaria | 528 | ... | ... | 638 | ... | ... | 25 | ... | ... | 135 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 32 | 33 | 32 | 2 | 1 | 1 | 31 | 32 | 31 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 3,250 | 3,249 | 3,272 | 5,015 | 5,144 | 5,279 | 526 | 555 | 560 | 2,291 | 2,450 | 2,567 | République tchèque | |||
Estonia | Estonia | 2,296 | 1,910 | 1,910 | 1,600 | 1,600 | 1,600 | 1,699 | 1,360 | 1,360 | 1,003 | 1,050 | 1,050 | Estonie | |||
Finland | Finland | 3,731 | 3,650 | 3,570 | 11,900 | 11,750 | 12,200 | 547 | 350 | 70 | 8,716 | 8,450 | 8,700 | Finlande | |||
Germany | Germany | 20,104 | 19,800 | 19,500 | 25,313 | 25,300 | 25,000 | 5,700 | 5,000 | 4,500 | 10,909 | 10,500 | 10,000 | Allemagne | |||
Latvia | Latvia | 1,968 | 1,500 | 1,300 | 3,641 | 3,500 | 3,300 | 1,463 | 900 | 700 | 3,136 | 2,900 | 2,700 | Lettonie | |||
Luxembourg | Luxembourg | 56 | 43 | 43 | 39 | 39 | 39 | 28 | 5 | 5 | 12 | 1 | 1 | Luxembourg | |||
Malta | Malta | 7 | 8 | 9 | 0 | 0 | 0 | 7 | 8 | 9 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 3,036 | 2,905 | 2,850 | 110 | 100 | 100 | 3,408 | 3,276 | 3,226 | 481 | 470 | 475 | Pays-Bas | |||
Poland | Poland | 4,857 | 4,750 | 4,900 | 4,583 | 4,500 | 4,650 | 1,239 | 1,250 | 1,300 | 965 | 1,000 | 1,050 | Pologne | |||
Portugal | Portugal | 632 | 730 | 665 | 817 | 850 | 840 | 121 | 130 | 125 | 306 | 250 | 300 | Portugal | |||
Serbia | Serbia | 379 | 400 | 422 | 99 | 110 | 120 | 295 | 300 | 310 | 15 | 10 | 8 | Serbie | |||
Slovakia | Slovakia | 563 | 650 | 675 | 1,302 | 1,300 | 1,325 | 324 | 350 | 350 | 1,063 | 1,000 | 1,000 | Slovaquie | |||
Slovenia | Slovenia | 627 | 600 | 550 | 904 | 1,000 | 970 | 563 | 500 | 500 | 840 | 900 | 920 | Slovénie | |||
Sweden | Sweden | 6,954 | 6,450 | 5,300 | 19,000 | 18,500 | 17,500 | 514 | 450 | 300 | 12,560 | 12,500 | 12,500 | Suède | |||
Switzerland | Switzerland | 1,245 | 1,275 | 1,315 | 1,150 | 1,180 | 1,220 | 280 | 275 | 270 | 185 | 180 | 175 | Suisse | |||
UK | United Kingdom | 10,960 | 8,920 | 9,410 | 3,574 | 3,010 | 3,400 | 7,623 | 6,150 | 6,250 | 237 | 240 | 240 | Royaume-Uni | |||
Total Europe | 67,771 | 63,342 | 62,124 | 90,268 | 88,255 | 87,844 | 26,303 | 22,936 | 21,866 | 48,800 | 47,848 | 47,586 | Total Europe | ||||
Canada | Canada a | 19,841 | 18,893 | 24,156 | 55,842 | 52,183 | 50,290 | 1,030 | 752 | 745 | 37,031 | 34,041 | 26,878 | Canada a | |||
United States | United States a | 88,263 | 88,484 | 89,272 | 63,417 | 64,178 | 64,820 | 26,931 | 26,270 | 26,533 | 2,085 | 1,963 | 2,081 | Etats-Unis a | |||
Total North America | 108,104 | 107,378 | 113,428 | 119,259 | 116,361 | 115,109 | 27,961 | 27,021 | 27,277 | 39,116 | 36,005 | 28,959 | Total Amérique du Nord | ||||
a converted from nominal to actual size using factor of 0.72 | a convertis du dimension nominale au véritable avec une facteur du 0.72 | ||||||||||||||||
Table 2
5.NC | |||||||||||||||||
TABLE 2 | |||||||||||||||||
SAWN HARDWOOD (total) | SCIAGES NON-CONIFERES (total) | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 186 | 215 | 220 | 182 | 178 | 170 | 177 | 210 | 220 | 173 | 173 | 170 | Autriche | |||
Bulgaria | Bulgaria | 71 | ... | ... | 79 | ... | ... | 22 | ... | ... | 30 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 6 | 7 | 6 | 0 | 0 | 0 | 6 | 7 | 6 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 416 | 427 | 430 | 145 | 147 | 151 | 338 | 340 | 344 | 67 | 60 | 65 | République tchèque | |||
Estonia | Estonia | 230 | 150 | 150 | 150 | 100 | 100 | 177 | 140 | 140 | 97 | 90 | 90 | Estonie | |||
Finland | Finland | 64 | 55 | 55 | 54 | 50 | 50 | 30 | 25 | 25 | 20 | 20 | 20 | Finlande | |||
Germany | Germany | 786 | 760 | 700 | 1,061 | 1,060 | 1,000 | 459 | 400 | 400 | 735 | 700 | 700 | Allemagne | |||
Latvia | Latvia | 234 | 160 | 150 | 797 | 850 | 750 | 75 | 60 | 50 | 638 | 750 | 650 | Lettonie | |||
Luxembourg | Luxembourg | 38 | 51 | 51 | 39 | 39 | 39 | 18 | 12 | 12 | 19 | 0 | 0 | Luxembourg | |||
Malta | Malta | 7 | 7 | 8 | 0 | 0 | 0 | 7 | 7 | 8 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 309 | 301 | 283 | 38 | 40 | 40 | 343 | 331 | 308 | 72 | 70 | 65 | Pays-Bas | |||
Poland | Poland | 512 | 500 | 540 | 486 | 460 | 510 | 312 | 350 | 380 | 286 | 310 | 350 | Pologne | |||
Portugal | Portugal | 224 | 220 | 225 | 148 | 160 | 150 | 106 | 90 | 100 | 31 | 30 | 25 | Portugal | |||
Serbia | Serbia | 185 | 197 | 200 | 353 | 382 | 390 | 103 | 95 | 100 | 271 | 280 | 290 | Serbie | |||
Slovakia | Slovakia | 225 | 325 | 350 | 350 | 375 | 400 | 52 | 100 | 100 | 177 | 150 | 150 | Slovaquie | |||
Slovenia | Slovenia | 121 | 55 | 80 | 140 | 125 | 130 | 99 | 100 | 100 | 118 | 170 | 150 | Slovénie | |||
Sweden | Sweden | 111 | 110 | 110 | 100 | 100 | 100 | 50 | 45 | 45 | 39 | 35 | 35 | Suède | |||
Switzerland | Switzerland | 80 | 85 | 90 | 55 | 60 | 65 | 40 | 40 | 40 | 15 | 15 | 15 | Suisse | |||
UK | United Kingdom | 534 | 540 | 540 | 37 | 40 | 40 | 536 | 540 | 540 | 39 | 40 | 40 | Royaume-Uni | |||
Total Europe | 4,338 | 4,166 | 4,188 | 4,215 | 4,166 | 4,085 | 2,950 | 2,892 | 2,918 | 2,826 | 2,893 | 2,815 | Total Europe | ||||
Canada | Canada | 1,208 | 1,229 | 1,116 | 880 | 813 | 714 | 798 | 894 | 779 | 470 | 478 | 377 | Canada | |||
United States | United States | 14,348 | 15,065 | 14,707 | 17,326 | 17,607 | 17,467 | 717 | 1,040 | 878 | 3,695 | 3,581 | 3,638 | Etats-Unis | |||
Total North America | 15,556 | 16,295 | 15,823 | 18,206 | 18,420 | 18,181 | 1,514 | 1,934 | 1,658 | 4,165 | 4,059 | 4,015 | Total Amérique du Nord | ||||
Table 2a
TABLE 2a | |||||||||||||||||
SAWN HARDWOOD (temperate) | SCIAGES NON-CONIFERES (zone tempérée) | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 182 | 211 | 216 | 182 | 178 | 170 | 172 | 205 | 215 | 172 | 172 | 169 | Autriche | |||
Bulgaria | Bulgaria | 70 | ... | ... | 79 | ... | ... | 21 | ... | ... | 30 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 4 | 3 | 2 | 0 | 0 | 0 | 4 | 3 | 2 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 409 | 421 | 424 | 145 | 147 | 151 | 329 | 331 | 335 | 65 | 57 | 62 | République tchèque | |||
Estonia | Estonia | 227 | 149 | 149 | 150 | 100 | 100 | 172 | 136 | 136 | 94 | 87 | 87 | Estonie | |||
Finland | Finland | 63 | 54 | 54 | 54 | 50 | 50 | 25 | 20 | 20 | 16 | 16 | 16 | Finlande | |||
Germany | Germany | 747 | 718 | 658 | 1,059 | 1,058 | 998 | 385 | 325 | 325 | 698 | 665 | 665 | Allemagne | |||
Luxembourg | Luxembourg | 27 | 49 | 49 | 39 | 39 | 39 | 6 | 10 | 10 | 19 | 0 | 0 | Luxembourg | |||
Malta | Malta | 6 | 6 | 7 | 0 | 0 | 0 | 6 | 6 | 7 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 166 | 160 | 142 | 31 | 32 | 32 | 184 | 177 | 154 | 49 | 49 | 45 | Pays-Bas | |||
Poland | Poland | 498 | 485 | 524 | 486 | 459 | 509 | 295 | 333 | 362 | 283 | 307 | 347 | Pologne | |||
Portugal | Portugal | 222 | 190 | 197 | 136 | 150 | 137 | 74 | 50 | 70 | -12 | 10 | 10 | Portugal | |||
Serbia | Serbia | 184 | 196 | 199 | 352 | 381 | 389 | 103 | 95 | 100 | 271 | 280 | 290 | Serbie | |||
Slovenia | Slovenia | 119 | 52 | 77 | 140 | 125 | 130 | 96 | 97 | 97 | 118 | 170 | 150 | Slovénie | |||
Sweden | Sweden | 111 | 109 | 109 | 100 | 100 | 100 | 49 | 44 | 44 | 37 | 35 | 35 | Suède | |||
Switzerland | Switzerland | 71 | 76 | 81 | 52 | 57 | 62 | 34 | 34 | 34 | 15 | 15 | 15 | Suisse | |||
UK | United Kingdom | 458 | 460 | 460 | 37 | 40 | 40 | 456 | 460 | 460 | 36 | 40 | 40 | Royaume-Uni | |||
Total Europe | 3,563 | 3,340 | 3,349 | 3,042 | 2,917 | 2,908 | 2,411 | 2,326 | 2,372 | 1,890 | 1,903 | 1,931 | Total Europe | ||||
Canada | Canada | 1,202 | 1,214 | 1,107 | 880 | 813 | 714 | 781 | 865 | 753 | 459 | 464 | 360 | Canada | |||
United States | United States | 14,162 | 14,835 | 14,498 | 17,326 | 17,607 | 17,467 | 491 | 773 | 632 | 3,656 | 3,545 | 3,600 | Etats-Unis | |||
Total North America | 15,364 | 16,049 | 15,605 | 18,206 | 18,420 | 18,181 | 1,272 | 1,638 | 1,385 | 4,115 | 4,009 | 3,960 | Total Amérique du Nord | ||||
Table 2b
5.NC.T | |||||||||||||||||
TABLE 2b | |||||||||||||||||
SAWN HARDWOOD (tropical) | SCIAGES NON-CONIFERES (tropicale) | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 4 | 4 | 4 | 0 | 0 | 0 | 5 | 5 | 5 | 1 | 1 | 1 | Autriche | |||
Bulgaria | Bulgaria | 1 | ... | ... | 0 | ... | ... | 1 | ... | ... | 0 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 2 | 4 | 4 | 0 | 0 | 0 | 2 | 4 | 4 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 7 | 6 | 6 | 0 | 0 | 0 | 9 | 9 | 9 | 2 | 3 | 3 | République tchèque | |||
Estonia | Estonia | 3 | 1 | 1 | 0 | 0 | 0 | 5 | 4 | 4 | 2 | 3 | 3 | Estonie | |||
Finland | Finland | 1 | 1 | 1 | 0 | 0 | 0 | 5 | 5 | 5 | 4 | 4 | 4 | Finlande | |||
Germany | Germany | 39 | 42 | 42 | 2 | 2 | 2 | 74 | 75 | 75 | 37 | 35 | 35 | Allemagne | |||
Luxembourg | Luxembourg | 12 | 2 | 2 | 0 | 0 | 0 | 12 | 2 | 2 | 0 | 0 | 0 | Luxembourg | |||
Malta | Malta | 1 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 143 | 141 | 141 | 8 | 8 | 8 | 159 | 154 | 153 | 23 | 21 | 20 | Pays-Bas | |||
Poland | Poland | 14 | 15 | 16 | 0 | 1 | 1 | 17 | 17 | 18 | 3 | 3 | 3 | Pologne | |||
Portugal | Portugal | 2 | 30 | 28 | 12 | 10 | 13 | 32 | 40 | 30 | 43 | 20 | 15 | Portugal | |||
Serbia | Serbia | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | Serbie | |||
Slovenia | Slovenia | 2 | 3 | 3 | 0 | 0 | 0 | 3 | 3 | 3 | 0 | 0 | 0 | Slovénie | |||
Sweden | Sweden | -0 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 1 | 1 | 0 | 0 | Suède | |||
Switzerland | Switzerland | 9 | 9 | 9 | 3 | 3 | 3 | 6 | 6 | 6 | 0 | 0 | 0 | Suisse | |||
UK | United Kingdom | 76 | 80 | 80 | 0 | 0 | 0 | 79 | 80 | 80 | 3 | 0 | 0 | Royaume-Uni | |||
Total Europe | 316 | 341 | 339 | 26 | 25 | 28 | 412 | 406 | 396 | 122 | 90 | 84 | Total Europe | ||||
Canada | Canada | 6 | 16 | 9 | 0 | 0 | 0 | 16 | 29 | 26 | 11 | 14 | 17 | Canada | |||
United States | United States | 186 | 230 | 208 | 0 | 0 | 0 | 226 | 267 | 246 | 39 | 36 | 38 | Etats-Unis | |||
Total North America | 192 | 246 | 217 | 0 | 0 | 0 | 242 | 296 | 273 | 50 | 50 | 55 | Total Amérique du Nord | ||||
Table 3
6.1x | |||||||||||||||||
TABLE 3 | |||||||||||||||||
VENEER SHEETS | FEUILLES DE PLACAGE | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 59 | 56 | 56 | 8 | 7 | 7 | 70 | 65 | 65 | 18 | 16 | 16 | Autriche | |||
Bulgaria | Bulgaria | 31 | ... | ... | 18 | ... | ... | 24 | ... | ... | 10 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 1 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 11 | 20 | 21 | 30 | 32 | 33 | 41 | 50 | 54 | 60 | 62 | 66 | République tchèque | |||
Estonia | Estonia | 103 | 140 | 140 | 110 | 140 | 140 | 85 | 86 | 90 | 92 | 86 | 90 | Estonie | |||
Finland | Finland | 8 | 8 | 7 | 170 | 184 | 178 | 9 | 9 | 9 | 171 | 185 | 180 | Finlande | |||
Germany | Germany | 167 | 165 | 160 | 116 | 115 | 110 | 111 | 110 | 110 | 59 | 60 | 60 | Allemagne | |||
Latvia | Latvia | 155 | 85 | 55 | 42 | 45 | 45 | 154 | 110 | 50 | 41 | 70 | 40 | Lettonie | |||
Luxembourg | Luxembourg | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | Luxembourg | |||
Malta | Malta | 1 | 1 | 2 | 0 | 0 | 0 | 1 | 1 | 2 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 34 | 34 | 34 | 0 | 0 | 0 | 41 | 41 | 41 | 7 | 7 | 7 | Pays-Bas | |||
Poland | Poland | 146 | 145 | 150 | 46 | 42 | 44 | 121 | 125 | 130 | 21 | 22 | 24 | Pologne | |||
Portugal | Portugal | -71 | 12 | 3 | 21 | 22 | 23 | 37 | 30 | 30 | 130 | 40 | 50 | Portugal | |||
Serbia | Serbia | 19 | 18 | 23 | 27 | 22 | 25 | 13 | 14 | 15 | 21 | 18 | 17 | Serbie | |||
Slovakia | Slovakia | 16 | 25 | 25 | 29 | 30 | 30 | 21 | 20 | 20 | 34 | 25 | 25 | Slovaquie | |||
Slovenia | Slovenia | 8 | 4 | 5 | 23 | 24 | 21 | 14 | 14 | 14 | 29 | 34 | 30 | Slovénie | |||
Sweden | Sweden | 30 | 25 | 20 | 60 | 55 | 50 | 17 | 20 | 15 | 47 | 50 | 45 | Suède | |||
Switzerland | Switzerland | 3 | 3 | 3 | 0 | 0 | 0 | 4 | 4 | 4 | 1 | 1 | 1 | Suisse | |||
UK | United Kingdom | 14 | 10 | 10 | 0 | 0 | 0 | 14 | 10 | 10 | 0 | 0 | 0 | Royaume-Uni | |||
Total Europe | 737 | 752 | 715 | 700 | 718 | 706 | 779 | 710 | 660 | 742 | 676 | 651 | Total Europe | ||||
Canada | Canada | 144 | 181 | 173 | 581 | 565 | 565 | 183 | 222 | 230 | 620 | 607 | 622 | Canada | |||
United States | United States | 2,675 | 2,784 | 2,730 | 2,284 | 2,284 | 2,284 | 671 | 759 | 715 | 281 | 258 | 269 | Etats-Unis | |||
Total North America | 2,819 | 2,965 | 2,903 | 2,866 | 2,849 | 2,849 | 854 | 981 | 945 | 901 | 865 | 891 | Total Amérique du Nord | ||||
Note: Definition of veneers now includes all production (including converted directly to plywood). However most replies here continue to exclude the part going to plywood. | |||||||||||||||||
La définition des placages comprend maintenant toute la production (y compris la conversion directe en contreplaqué). | |||||||||||||||||
Cependant, la plupart des réponses continuent d'exclure la partie destinée au contreplaqué. | |||||||||||||||||
Table 4
6.2x | |||||||||||||||||
TABLE 4 | |||||||||||||||||
PLYWOOD | CONTREPLAQUES | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 94 | 85 | 80 | 184 | 180 | 170 | 267 | 205 | 200 | 357 | 300 | 290 | Autriche | |||
Bulgaria | Bulgaria | 65 | ... | ... | 37 | ... | ... | 66 | ... | ... | 38 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 13 | 15 | 14 | 0 | 0 | 0 | 13 | 15 | 14 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 201 | 199 | 201 | 260 | 262 | 263 | 186 | 188 | 187 | 245 | 251 | 249 | République tchèque | |||
Estonia | Estonia | 102 | 100 | 100 | 190 | 180 | 180 | 118 | 110 | 110 | 206 | 190 | 190 | Estonie | |||
Finland | Finland | 296 | 280 | 285 | 1,130 | 1,120 | 1,120 | 121 | 110 | 100 | 955 | 950 | 935 | Finlande | |||
Germany | Germany | 1,185 | 1,170 | 1,170 | 103 | 100 | 100 | 1,464 | 1,450 | 1,450 | 382 | 380 | 380 | Allemagne | |||
Latvia | Latvia | 68 | 30 | 30 | 310 | 300 | 250 | 98 | 60 | 30 | 340 | 330 | 250 | Lettonie | |||
Luxembourg | Luxembourg | 11 | 2 | 2 | 0 | 0 | 0 | 12 | 2 | 2 | 1 | 0 | 0 | Luxembourg | |||
Malta | Malta | 10 | 11 | 11 | 0 | 0 | 0 | 10 | 11 | 11 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 600 | 580 | 565 | 0 | 0 | 0 | 695 | 670 | 650 | 95 | 90 | 85 | Pays-Bas | |||
Poland | Poland | 773 | 770 | 790 | 543 | 540 | 550 | 604 | 620 | 650 | 374 | 390 | 410 | Pologne | |||
Portugal | Portugal | 215 | 215 | 200 | 126 | 110 | 100 | 116 | 130 | 120 | 27 | 25 | 20 | Portugal | |||
Serbia | Serbia | 41 | 43 | 48 | 15 | 14 | 17 | 30 | 32 | 34 | 4 | 3 | 3 | Serbie | |||
Slovakia | Slovakia | 232 | 320 | 345 | 307 | 375 | 400 | 65 | 70 | 70 | 140 | 125 | 125 | Slovaquie | |||
Slovenia | Slovenia | 79 | 66 | 68 | 102 | 96 | 98 | 57 | 50 | 50 | 80 | 80 | 80 | Slovénie | |||
Sweden | Sweden | 260 | 245 | 245 | 101 | 90 | 90 | 206 | 200 | 200 | 47 | 45 | 45 | Suède | |||
Switzerland | Switzerland | 209 | 214 | 220 | 7 | 7 | 8 | 205 | 210 | 215 | 3 | 3 | 3 | Suisse | |||
UK | United Kingdom | 1,486 | 1,490 | 1,490 | 0 | 0 | 0 | 1,541 | 1,540 | 1,540 | 55 | 50 | 50 | Royaume-Uni | |||
Total Europe | 5,940 | 5,835 | 5,864 | 3,415 | 3,374 | 3,346 | 5,874 | 5,673 | 5,633 | 3,349 | 3,212 | 3,115 | Total Europe | ||||
Canada | Canada | 2,485 | 2,288 | 2,490 | 1,698 | 1,644 | 1,639 | 1,421 | 1,144 | 1,406 | 634 | 500 | 555 | Canada | |||
United States | United States | 17,031 | 17,295 | 17,163 | 9,705 | 9,895 | 9,800 | 8,086 | 8,163 | 8,124 | 759 | 762 | 761 | Etats-Unis | |||
Total North America | 19,516 | 19,583 | 19,653 | 11,403 | 11,539 | 11,439 | 9,507 | 9,306 | 9,530 | 1,393 | 1,263 | 1,316 | Total Amérique du Nord | ||||
Table 5
6.3xPB | |||||||||||||||||
TABLE 5 | |||||||||||||||||
PARTICLE BOARD (excluding OSB) | PANNEAUX DE PARTICULES (ne comprennent pas l'OSB) | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 868 | 776 | 766 | 2,550 | 2,350 | 2,300 | 361 | 370 | 360 | 2,043 | 1,944 | 1,894 | Autriche | |||
Bulgaria | Bulgaria | 487 | ... | ... | 773 | ... | ... | 118 | ... | ... | 403 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 47 | 42 | 41 | 0 | 0 | 0 | 47 | 42 | 41 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 739 | 688 | 671 | 965 | 945 | 930 | 578 | 598 | 577 | 804 | 855 | 836 | République tchèque | |||
Estonia | Estonia | 182 | 155 | 155 | 210 | 130 | 130 | 76 | 85 | 85 | 103 | 60 | 60 | Estonie | |||
Finland | Finland | 107 | 119 | 119 | 54 | 50 | 50 | 83 | 93 | 93 | 30 | 24 | 24 | Finlande | |||
Germany | Germany | 6,015 | 5,970 | 5,870 | 6,036 | 6,020 | 5,920 | 2,142 | 2,100 | 2,050 | 2,162 | 2,150 | 2,100 | Allemagne | |||
Latvia | Latvia | 139 | 120 | 180 | 350 | 300 | 300 | 53 | 70 | 80 | 264 | 250 | 200 | Lettonie | |||
Luxembourg | Luxembourg | 15 | 3 | 3 | 0 | 0 | 0 | 16 | 4 | 4 | 2 | 1 | 1 | Luxembourg | |||
Malta | Malta | 10 | 10 | 11 | 0 | 0 | 0 | 10 | 10 | 11 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 446 | 430 | 430 | 0 | 0 | 0 | 520 | 500 | 500 | 74 | 70 | 70 | Pays-Bas | |||
Poland | Poland | 7,601 | 7,700 | 7,740 | 6,333 | 6,370 | 6,370 | 2,093 | 2,150 | 2,220 | 824 | 820 | 850 | Pologne | |||
Portugal | Portugal | 451 | 527 | 427 | 743 | 730 | 720 | 313 | 295 | 304 | 605 | 498 | 597 | Portugal | |||
Serbia | Serbia | 420 | 417 | 422 | 272 | 230 | 235 | 208 | 235 | 240 | 60 | 48 | 53 | Serbie | |||
Slovakia | Slovakia | 182 | 220 | 215 | 608 | 625 | 625 | 143 | 140 | 135 | 568 | 545 | 545 | Slovaquie | |||
Slovenia | Slovenia | 155 | 155 | 147 | 0 | 0 | 0 | 162 | 163 | 154 | 6 | 8 | 7 | Slovénie | |||
Sweden | Sweden | 971 | 985 | 975 | 561 | 550 | 550 | 506 | 520 | 510 | 97 | 85 | 85 | Suède | |||
Switzerland | Switzerland | 280 | 300 | 320 | 380 | 390 | 400 | 125 | 130 | 135 | 225 | 220 | 215 | Suisse | |||
UK | United Kingdom | 2,664 | 2,242 | 2,242 | 2,090 | 1,722 | 1,722 | 638 | 600 | 600 | 65 | 80 | 80 | Royaume-Uni | |||
Total Europe | 21,780 | 20,859 | 20,734 | 21,926 | 20,412 | 20,252 | 8,189 | 8,105 | 8,099 | 8,336 | 7,658 | 7,617 | Total Europe | ||||
Canada | Canada | 1,487 | 1,594 | 1,591 | 1,647 | 1,724 | 1,686 | 593 | 594 | 586 | 754 | 724 | 681 | Canada | |||
United States | United States | 5,111 | 7,189 | 5,725 | 4,136 | 4,220 | 3,874 | 1,462 | 3,144 | 2,159 | 488 | 175 | 309 | Etats-Unis | |||
Total North America | 6,597 | 8,783 | 7,316 | 5,783 | 5,944 | 5,560 | 2,056 | 3,738 | 2,745 | 1,241 | 899 | 989 | Total Amérique du Nord | ||||
Data are calculated by subtracting OSB from the particleboard/OSB total - les données sont calculées en soustrayant les OSB du total des panneaux de particules et OSB. | |||||||||||||||||
Table 5a
6.3.1 | |||||||||||||||||
TABLE 5a | |||||||||||||||||
ORIENTED STRAND BOARD (OSB) | PANNEAUX STRUCTURAUX ORIENTES (OSB) | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 186 | 224 | 214 | 0 | 0 | 0 | 192 | 230 | 220 | 6 | 6 | 6 | Autriche | |||
Bulgaria | Bulgaria | 175 | ... | ... | 252 | ... | ... | 8 | ... | ... | 85 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 15 | 18 | 17 | 0 | 0 | 0 | 15 | 18 | 17 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 355 | 360 | 366 | 745 | 770 | 795 | 127 | 132 | 135 | 517 | 542 | 564 | République tchèque | |||
Estonia | Estonia | 44 | 45 | 45 | 0 | 0 | 0 | 44 | 45 | 45 | 1 | 0 | 0 | Estonie | |||
Finland | Finland | 47 | 47 | 47 | 0 | 0 | 0 | 47 | 47 | 47 | 0 | 0 | 0 | Finlande | |||
Germany | Germany | 1,473 | 1,480 | 1,480 | 1,282 | 1,280 | 1,280 | 746 | 750 | 750 | 555 | 550 | 550 | Allemagne | |||
Latvia | Latvia | 211 | 160 | 100 | 700 | 600 | 600 | 73 | 60 | 50 | 562 | 500 | 550 | Lettonie | |||
Luxembourg | Luxembourg | 117 | 265 | 265 | 338 | 338 | 338 | 7 | 1 | 1 | 229 | 74 | 74 | Luxembourg | |||
Netherlands | Netherlands | 192 | 185 | 185 | 0 | 0 | 0 | 208 | 200 | 200 | 16 | 15 | 15 | Pays-Bas | |||
Poland | Poland | 802 | 800 | 860 | 827 | 830 | 880 | 316 | 350 | 380 | 341 | 380 | 400 | Pologne | |||
Portugal | Portugal | 31 | 33 | 33 | 0 | 0 | 0 | 34 | 35 | 36 | 3 | 2 | 3 | Portugal | |||
Serbia | Serbia | 44 | 53 | 58 | 0 | 0 | 0 | 46 | 55 | 60 | 2 | 2 | 2 | Serbie | |||
Slovakia | Slovakia | 91 | 90 | 95 | 0 | 0 | 0 | 94 | 95 | 100 | 3 | 5 | 5 | Slovaquie | |||
Slovenia | Slovenia | 33 | 35 | 34 | 0 | 0 | 0 | 36 | 37 | 36 | 2 | 2 | 2 | Slovénie | |||
Sweden | Sweden | 116 | 95 | 95 | 0 | 0 | 0 | 121 | 100 | 100 | 5 | 5 | 5 | Suède | |||
Switzerland | Switzerland | 90 | 90 | 90 | 0 | 0 | 0 | 90 | 90 | 90 | 0 | 0 | 0 | Suisse | |||
UK | United Kingdom | 925 | 868 | 868 | 598 | 598 | 598 | 461 | 440 | 440 | 133 | 170 | 170 | Royaume-Uni | |||
Total Europe | 4,948 | 4,848 | 4,852 | 4,741 | 4,416 | 4,491 | 2,665 | 2,685 | 2,707 | 2,459 | 2,253 | 2,346 | Total Europe | ||||
Canada | Canada | 1,618 | 1,589 | 1,570 | 7,240 | 7,581 | 7,646 | 124 | 72 | 72 | 5,746 | 6,064 | 6,147 | Canada | |||
United States | United States | 19,804 | 20,091 | 20,381 | 13,839 | 14,040 | 14,243 | 6,147 | 6,236 | 6,326 | 182 | 185 | 188 | Etats-Unis | |||
Total North America | 21,422 | 21,680 | 21,951 | 21,079 | 21,621 | 21,889 | 6,271 | 6,308 | 6,398 | 5,928 | 6,249 | 6,335 | Total Amérique du Nord | ||||
Table 6
TABLE 6 | |||||||||||||||||
FIBREBOARD | PANNEAUX DE FIBRES | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 504 | 469 | 445 | 690 | 570 | 545 | 370 | 340 | 330 | 556 | 441 | 430 | Autriche | |||
Bulgaria | Bulgaria | 106 | ... | ... | 75 | ... | ... | 118 | ... | ... | 87 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 15 | 16 | 15 | 0 | 0 | 0 | 15 | 16 | 15 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 462 | 470 | 481 | 45 | 46 | 47 | 574 | 590 | 609 | 157 | 166 | 175 | République tchèque | |||
Estonia | Estonia | 74 | 68 | 68 | 80 | 70 | 70 | 77 | 69 | 69 | 83 | 71 | 71 | Estonie | |||
Finland | Finland | 162 | 165 | 165 | 46 | 46 | 46 | 164 | 161 | 161 | 48 | 41 | 41 | Finlande | |||
Germany | Germany | 4,401 | 4,425 | 4,335 | 6,105 | 6,100 | 6,000 | 1,944 | 1,940 | 1,865 | 3,648 | 3,615 | 3,530 | Allemagne | |||
Latvia | Latvia | 19 | 11 | 6 | 37 | 35 | 20 | 69 | 57 | 47 | 87 | 81 | 61 | Lettonie | |||
Luxembourg | Luxembourg | 13 | 128 | 128 | 147 | 147 | 147 | 19 | 5 | 5 | 153 | 24 | 24 | Luxembourg | |||
Malta | Malta | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | Malte | |||
Netherlands | Netherlands | 454 | 436 | 436 | 29 | 29 | 29 | 572 | 550 | 550 | 147 | 143 | 143 | Pays-Bas | |||
Poland | Poland | 4,398 | 4,650 | 4,770 | 5,750 | 5,850 | 6,050 | 912 | 970 | 990 | 2,264 | 2,170 | 2,270 | Pologne | |||
Portugal | Portugal | 488 | 510 | 500 | 555 | 550 | 540 | 336 | 335 | 340 | 404 | 375 | 380 | Portugal | |||
Serbia | Serbia | 123 | 151 | 163 | 21 | 18 | 20 | 143 | 168 | 181 | 41 | 35 | 38 | Serbie | |||
Slovakia | Slovakia | 248 | 239 | 239 | 0 | 0 | 0 | 275 | 265 | 265 | 27 | 26 | 26 | Slovaquie | |||
Slovenia | Slovenia | 26 | 30 | 30 | 136 | 135 | 135 | 57 | 55 | 55 | 167 | 160 | 160 | Slovénie | |||
Sweden | Sweden | 308 | 317 | 293 | 0 | 0 | 0 | 391 | 395 | 365 | 84 | 78 | 72 | Suède | |||
Switzerland | Switzerland | 292 | 302 | 312 | 205 | 210 | 215 | 266 | 266 | 266 | 179 | 174 | 169 | Suisse | |||
UK | United Kingdom | 1,807 | 1,780 | 1,710 | 798 | 900 | 850 | 1,080 | 950 | 930 | 72 | 70 | 70 | Royaume-Uni | |||
Total Europe | 13,901 | 14,168 | 14,097 | 14,719 | 14,706 | 14,714 | 7,385 | 7,132 | 7,043 | 8,203 | 7,670 | 7,660 | Total Europe | ||||
Canada | Canada | 1,492 | 1,348 | 1,355 | 1,349 | 1,395 | 1,395 | 1,009 | 889 | 885 | 866 | 936 | 924 | Canada | |||
United States | United States | 9,727 | 10,134 | 9,985 | 7,560 | 7,691 | 7,663 | 3,008 | 3,190 | 3,123 | 841 | 747 | 801 | Etats-Unis | |||
Total North America | 11,219 | 11,482 | 11,340 | 8,909 | 9,086 | 9,058 | 4,017 | 4,079 | 4,007 | 1,707 | 1,683 | 1,725 | Total Amérique du Nord | ||||
Table 6a
6.4.1 | |||||||||||||||||
TABLE 6a | |||||||||||||||||
HARDBOARD | PANNEAUX DURS | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 32 | 36 | 34 | 75 | 48 | 45 | 17 | 20 | 19 | 60 | 32 | 30 | Autriche | |||
Bulgaria | Bulgaria | 45 | ... | ... | 51 | ... | ... | 40 | ... | ... | 46 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 1 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 146 | 146 | 147 | 0 | 0 | 0 | 167 | 168 | 170 | 21 | 22 | 23 | République tchèque | |||
Estonia | Estonia | 27 | 24 | 24 | 0 | 0 | 0 | 34 | 30 | 30 | 7 | 6 | 6 | Estonie | |||
Finland | Finland | 26 | 30 | 30 | 46 | 46 | 46 | 21 | 20 | 20 | 41 | 36 | 36 | Finlande | |||
Germany | Germany | 213 | 210 | 210 | 0 | 0 | 0 | 242 | 240 | 240 | 29 | 30 | 30 | Allemagne | |||
Latvia | Latvia | 11 | 10 | 5 | 0 | 0 | 0 | 23 | 20 | 15 | 12 | 10 | 10 | Lettonie | |||
Luxembourg | Luxembourg | -71 | -9 | -9 | 0 | 0 | 0 | 2 | 1 | 1 | 73 | 10 | 10 | Luxembourg | |||
Netherlands | Netherlands | 44 | 35 | 35 | 0 | 0 | 0 | 66 | 55 | 55 | 22 | 20 | 20 | Pays-Bas | |||
Poland | Poland | -212 | 10 | 10 | 76 | 100 | 100 | 139 | 180 | 180 | 427 | 270 | 270 | Pologne | |||
Portugal | Portugal | 44 | 20 | 30 | 12 | 0 | 0 | 42 | 30 | 40 | 10 | 10 | 10 | Portugal | |||
Serbia | Serbia | 33 | 38 | 41 | 21 | 18 | 20 | 31 | 35 | 37 | 19 | 15 | 16 | Serbie | |||
Slovakia | Slovakia | 17 | 20 | 20 | 0 | 0 | 0 | 22 | 25 | 25 | 5 | 5 | 5 | Slovaquie | |||
Slovenia | Slovenia | 1 | 0 | 0 | 0 | 0 | 0 | 8 | 6 | 6 | 7 | 6 | 6 | Slovénie | |||
Sweden | Sweden | 75 | 87 | 78 | 0 | 0 | 0 | 88 | 100 | 90 | 14 | 13 | 12 | Suède | |||
Switzerland | Switzerland | 13 | 13 | 13 | 0 | 0 | 0 | 21 | 21 | 21 | 8 | 8 | 8 | Suisse | |||
UK | United Kingdom | 101 | 100 | 100 | 0 | 0 | 0 | 111 | 110 | 110 | 11 | 10 | 10 | Royaume-Uni | |||
Total Europe | 544 | 771 | 769 | 281 | 212 | 211 | 1,075 | 1,062 | 1,060 | 812 | 503 | 502 | Total Europe | ||||
Canada | Canada | 46 | 42 | 36 | 90 | 90 | 90 | 68 | 60 | 66 | 112 | 108 | 120 | Canada | |||
United States | United States | 503 | 509 | 514 | 499 | 504 | 509 | 252 | 255 | 258 | 248 | 250 | 253 | Etats-Unis | |||
Total North America | 549 | 551 | 550 | 589 | 594 | 599 | 320 | 315 | 324 | 360 | 358 | 373 | Total Amérique du Nord | ||||
Table 6b
6.4.2 | |||||||||||||||||
TABLE 6b | |||||||||||||||||
MDF/HDF | |||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 316 | 283 | 265 | 615 | 522 | 500 | 192 | 166 | 161 | 491 | 405 | 396 | Autriche | |||
Bulgaria | Bulgaria | 58 | ... | ... | 24 | ... | ... | 75 | ... | ... | 41 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 13 | 13 | 12 | 0 | 0 | 0 | 13 | 13 | 12 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 248 | 249 | 251 | 45 | 46 | 47 | 243 | 250 | 258 | 40 | 47 | 54 | République tchèque | |||
Estonia | Estonia | 21 | 20 | 20 | 0 | 0 | 0 | 38 | 35 | 35 | 17 | 15 | 15 | Estonie | |||
Finland | Finland | 117 | 116 | 116 | 0 | 0 | 0 | 124 | 121 | 121 | 7 | 5 | 5 | Finlande | |||
Germany | Germany | 2,385 | 2,425 | 2,400 | 4,693 | 4,700 | 4,650 | 625 | 625 | 600 | 2,932 | 2,900 | 2,850 | Allemagne | |||
Latvia | Latvia | 1 | 0 | 0 | 37 | 35 | 20 | 28 | 25 | 20 | 64 | 60 | 40 | Lettonie | |||
Luxembourg | Luxembourg | 80 | 136 | 136 | 147 | 147 | 147 | 13 | 3 | 3 | 80 | 14 | 14 | Luxembourg | |||
Malta | Malta | 5 | 5 | 5 | 0 | 0 | 0 | 5 | 5 | 5 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 291 | 285 | 285 | 0 | 0 | 0 | 408 | 400 | 400 | 117 | 115 | 115 | Pays-Bas | |||
Poland | Poland | 3,533 | 3,560 | 3,630 | 3,542 | 3,600 | 3,700 | 743 | 760 | 780 | 752 | 800 | 850 | Pologne | |||
Portugal | Portugal | 456 | 485 | 465 | 535 | 550 | 540 | 280 | 285 | 280 | 359 | 350 | 355 | Portugal | |||
Serbia | Serbia | 88 | 110 | 118 | 0 | 0 | 0 | 110 | 130 | 140 | 22 | 20 | 22 | Serbie | |||
Slovakia | Slovakia | 162 | 150 | 150 | 0 | 0 | 0 | 183 | 170 | 170 | 22 | 20 | 20 | Slovaquie | |||
Slovenia | Slovenia | 20 | 29 | 29 | 136 | 135 | 135 | 39 | 43 | 43 | 155 | 149 | 149 | Slovénie | |||
Sweden | Sweden | 213 | 210 | 200 | 0 | 0 | 0 | 272 | 265 | 250 | 59 | 55 | 50 | Suède | |||
Switzerland | Switzerland | 105 | 110 | 115 | 205 | 210 | 215 | 70 | 65 | 60 | 170 | 165 | 160 | Suisse | |||
UK | United Kingdom | 1,622 | 1,600 | 1,530 | 798 | 900 | 850 | 878 | 750 | 730 | 54 | 50 | 50 | Royaume-Uni | |||
Total Europe | 9,734 | 9,786 | 9,727 | 10,776 | 10,845 | 10,804 | 4,341 | 4,111 | 4,068 | 5,383 | 5,170 | 5,145 | Total Europe | ||||
Canada | Canada | 1,301 | 1,135 | 1,153 | 1,159 | 1,205 | 1,205 | 780 | 648 | 639 | 637 | 718 | 691 | Canada | |||
United States | United States | 6,012 | 6,042 | 6,073 | 3,882 | 3,901 | 3,921 | 2,552 | 2,565 | 2,578 | 422 | 424 | 426 | Etats-Unis | |||
Total North America | 7,313 | 7,177 | 7,226 | 5,041 | 5,106 | 5,126 | 3,332 | 3,213 | 3,217 | 1,059 | 1,142 | 1,117 | Total Amérique du Nord | ||||
Table 6c
6.4.3 | |||||||||||||||||
TABLE 6c | |||||||||||||||||
OTHER FIBREBOARD | AUTRES PANNEAUX DE FIBRES | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 157 | 150 | 146 | 0 | 0 | 0 | 162 | 154 | 150 | 5 | 4 | 4 | Autriche | |||
Bulgaria | Bulgaria | 3 | ... | ... | 0 | ... | ... | 3 | ... | ... | 0 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 1 | 2 | 2 | 0 | 0 | 0 | 1 | 2 | 2 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 68 | 75 | 83 | 0 | 0 | 0 | 164 | 172 | 181 | 96 | 97 | 98 | République tchèque | |||
Estonia | Estonia | 26 | 24 | 24 | 80 | 70 | 70 | 5 | 4 | 4 | 59 | 50 | 50 | Estonie | |||
Finland | Finland | 19 | 19 | 19 | 0 | 0 | 0 | 20 | 20 | 20 | 0 | 0 | 0 | Finlande | |||
Germany | Germany | 1,803 | 1,790 | 1,725 | 1,412 | 1,400 | 1,350 | 1,078 | 1,075 | 1,025 | 686 | 685 | 650 | Allemagne | |||
Latvia | Latvia | 7 | 1 | 1 | 0 | 0 | 0 | 18 | 12 | 12 | 11 | 11 | 11 | Lettonie | |||
Luxembourg | Luxembourg | 4 | 1 | 1 | 0 | 0 | 0 | 4 | 1 | 1 | 0 | 0 | 0 | Luxembourg | |||
Malta | Malta | 1 | 1 | 2 | 0 | 0 | 0 | 1 | 1 | 2 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 119 | 116 | 116 | 29 | 29 | 29 | 98 | 95 | 95 | 8 | 8 | 8 | Pays-Bas | |||
Poland | Poland | 1,077 | 1,080 | 1,130 | 2,132 | 2,150 | 2,250 | 30 | 30 | 30 | 1,085 | 1,100 | 1,150 | Pologne | |||
Portugal | Portugal | -12 | 5 | 5 | 8 | 0 | 0 | 15 | 20 | 20 | 35 | 15 | 15 | Portugal | |||
Serbia | Serbia | 2 | 3 | 4 | 0 | 0 | 0 | 2 | 3 | 4 | 0 | 0 | 0 | Serbie | |||
Slovakia | Slovakia | 70 | 69 | 69 | 0 | 0 | 0 | 70 | 70 | 70 | 0 | 1 | 1 | Slovaquie | |||
Slovenia | Slovenia | 5 | 1 | 1 | 0 | 0 | 0 | 10 | 6 | 6 | 5 | 5 | 5 | Slovénie | |||
Sweden | Sweden | 20 | 20 | 15 | 0 | 0 | 0 | 31 | 30 | 25 | 11 | 10 | 10 | Suède | |||
Switzerland | Switzerland | 174 | 179 | 184 | 0 | 0 | 0 | 175 | 180 | 185 | 1 | 1 | 1 | Suisse | |||
UK | United Kingdom | 84 | 80 | 80 | 0 | 0 | 0 | 91 | 90 | 90 | 7 | 10 | 10 | Royaume-Uni | |||
Total Europe | 3,628 | 3,616 | 3,607 | 3,661 | 3,649 | 3,699 | 1,976 | 1,965 | 1,922 | 2,009 | 1,997 | 2,013 | Total Europe | ||||
Canada | Canada | 144 | 171 | 166 | 100 | 100 | 100 | 162 | 181 | 180 | 117 | 110 | 114 | Canada | |||
United States | United States | 3,212 | 3,583 | 3,398 | 3,179 | 3,286 | 3,233 | 204 | 370 | 287 | 171 | 73 | 122 | Etats-Unis | |||
Total North America | 3,357 | 3,754 | 3,564 | 3,279 | 3,386 | 3,333 | 366 | 551 | 467 | 288 | 183 | 236 | Total Amérique du Nord | ||||
Table 7
7.x | |||||||||||||||||
TABLE 7 | |||||||||||||||||
WOOD PULP | PATE DE BOIS | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 mt | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 2,261 | 2,229 | 2,235 | 2,004 | 1,970 | 1,980 | 578 | 577 | 577 | 321 | 318 | 322 | Autriche | |||
Bulgaria | Bulgaria | 125 | ... | ... | 210 | ... | ... | 7 | ... | ... | 92 | ... | ... | Bulgarie | |||
Czech Republic | Czech Republic | 803 | 806 | 806 | 614 | 640 | 660 | 310 | 300 | 289 | 121 | 134 | 143 | République tchèque | |||
Estonia | Estonia | 84 | 140 | 140 | 260 | 200 | 200 | 49 | 50 | 50 | 225 | 110 | 110 | Estonie | |||
Finland | Finland a | 6,625 | 5,760 | 6,280 | 10,950 | 9,360 | 10,520 | 150 | 220 | 220 | 4,475 | 3,820 | 4,460 | Finlande a | |||
Germany | Germany | 5,622 | 5,685 | 5,715 | 2,327 | 2,390 | 2,420 | 4,451 | 4,400 | 4,400 | 1,156 | 1,105 | 1,105 | Allemagne | |||
Latvia | Latvia | 2 | 6 | 2 | 14 | 10 | 10 | 2 | 2 | 2 | 14 | 6 | 10 | Lettonie | |||
Netherlands | Netherlands | 929 | 987 | 987 | 37 | 37 | 37 | 2,167 | 2,150 | 2,150 | 1,274 | 1,200 | 1,200 | Pays-Bas | |||
Poland | Poland | 2,767 | 2,750 | 2,790 | 1,749 | 1,720 | 1,750 | 1,194 | 1,220 | 1,250 | 177 | 190 | 210 | Pologne | |||
Portugal | Portugal | 1,660 | 1,640 | 1,645 | 2,809 | 2,750 | 2,800 | 141 | 140 | 145 | 1,290 | 1,250 | 1,300 | Portugal | |||
Serbia | Serbia | 75 | 76 | 79 | 0 | 0 | 0 | 76 | 77 | 80 | 1 | 1 | 1 | Serbie | |||
Slovakia | Slovakia | 680 | 685 | 695 | 769 | 775 | 800 | 160 | 160 | 170 | 248 | 250 | 275 | Slovaquie | |||
Slovenia | Slovenia | 331 | 309 | 309 | 86 | 82 | 82 | 250 | 230 | 230 | 5 | 3 | 3 | Slovénie | |||
Sweden | Sweden | 8,146 | 8,250 | 8,400 | 11,701 | 11,950 | 12,150 | 602 | 600 | 600 | 4,157 | 4,300 | 4,350 | Suède | |||
Switzerland | Switzerland | 160 | 160 | 160 | 70 | 70 | 70 | 90 | 90 | 90 | 0 | 0 | 0 | Suisse | |||
UK | United Kingdom | 984 | 990 | ... | 220 | 220 | ... | 766 | 780 | 790 | 2 | 10 | 10 | Royaume-Uni | |||
Total Europe | 31,255 | 30,473 | 30,243 | 33,820 | 32,174 | 33,479 | 10,993 | 10,996 | 11,043 | 13,558 | 12,697 | 13,499 | Total Europe | ||||
Canada | Canada | 7,265 | 6,097 | 6,156 | 14,886 | 13,861 | 13,468 | 1,095 | 950 | 1,185 | 8,717 | 8,714 | 8,497 | Canada | |||
United States | United States | 48,100 | 48,274 | 48,187 | 49,685 | 49,859 | 49,772 | 6,036 | 6,036 | 6,036 | 7,621 | 7,621 | 7,621 | Etats-Unis | |||
Total North America | 55,365 | 54,372 | 54,344 | 64,571 | 63,720 | 63,240 | 7,131 | 6,986 | 7,221 | 16,337 | 16,335 | 16,118 | Total Amérique du Nord | ||||
a imports exclude dissolving pulp | a les importations excluent pâte à dissoudre | ||||||||||||||||
Table 8
10.x | |||||||||||||||||
TABLE 8 | |||||||||||||||||
PAPER AND PAPERBOARD | PAPIERS ET CARTONS | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 mt | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 2,334 | 2,340 | 2,315 | 5,065 | 5,100 | 5,080 | 1,296 | 1,310 | 1,300 | 4,028 | 4,070 | 4,065 | Autriche | |||
Bulgaria | Bulgaria | 573 | ... | ... | 394 | ... | ... | 358 | ... | ... | 180 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 44 | 48 | 46 | 0 | 0 | 0 | 44 | 48 | 46 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 1,618 | 1,602 | 1,604 | 901 | 906 | 909 | 1,623 | 1,604 | 1,600 | 906 | 908 | 905 | République tchèque | |||
Estonia | Estonia | 126 | 150 | 150 | 70 | 90 | 90 | 138 | 130 | 130 | 83 | 70 | 70 | Estonie | |||
Finland | Finland | 636 | 590 | 620 | 8,660 | 7,450 | 8,150 | 361 | 350 | 350 | 8,385 | 7,210 | 7,880 | Finlande | |||
Germany | Germany | 18,980 | 18,500 | 18,400 | 23,123 | 22,800 | 22,700 | 10,009 | 9,800 | 9,800 | 14,152 | 14,100 | 14,100 | Allemagne | |||
Latvia | Latvia | 174 | 182 | 182 | 28 | 30 | 30 | 186 | 200 | 200 | 40 | 48 | 48 | Lettonie | |||
Luxembourg | Luxembourg | 31 | 8 | 8 | 0 | 0 | 0 | 38 | 8 | 8 | 7 | 0 | 0 | Luxembourg | |||
Malta | Malta | 26 | 27 | 27 | 0 | 0 | 0 | 26 | 27 | 27 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 2,869 | 2,890 | 2,890 | 2,942 | 2,950 | 2,950 | 2,268 | 2,260 | 2,260 | 2,341 | 2,320 | 2,320 | Pays-Bas | |||
Poland | Poland | 8,002 | 8,100 | 8,150 | 5,324 | 5,450 | 5,550 | 5,233 | 5,300 | 5,400 | 2,556 | 2,650 | 2,800 | Pologne | |||
Portugal | Portugal | 1,245 | 1,250 | 1,290 | 2,247 | 2,200 | 2,240 | 928 | 850 | 900 | 1,931 | 1,800 | 1,850 | Portugal | |||
Serbia | Serbia | 760 | 780 | 785 | 535 | 520 | 525 | 462 | 470 | 480 | 237 | 210 | 220 | Serbie | |||
Slovakia | Slovakia | 554 | 600 | 600 | 1,019 | 975 | 1,000 | 474 | 450 | 475 | 939 | 825 | 875 | Slovaquie | |||
Slovenia | Slovenia | 491 | 435 | 440 | 635 | 605 | 590 | 435 | 420 | 420 | 579 | 590 | 570 | Slovénie | |||
Sweden | Sweden | 704 | 950 | 950 | 8,924 | 8,700 | 8,850 | 897 | 750 | 750 | 9,117 | 8,500 | 8,650 | Suède | |||
Switzerland | Switzerland | 1,050 | 1,055 | 1,060 | 1,170 | 1,175 | 1,180 | 610 | 600 | 590 | 730 | 720 | 710 | Suisse | |||
UK | United Kingdom | 7,482 | 7,430 | 7,450 | 3,640 | 3,530 | 3,650 | 4,589 | 4,660 | 4,550 | 747 | 760 | 750 | Royaume-Uni | |||
Total Europe | 47,697 | 46,937 | 46,967 | 64,677 | 62,481 | 63,494 | 29,977 | 29,237 | 29,286 | 46,957 | 44,781 | 45,813 | Total Europe | ||||
Canada | Canada | 4,940 | 4,796 | 4,930 | 8,787 | 8,436 | 8,436 | 2,424 | 2,567 | 2,538 | 6,272 | 6,207 | 6,045 | Canada | |||
United States | United States | 65,622 | 68,268 | 66,945 | 67,476 | 70,196 | 68,836 | 8,223 | 8,555 | 8,389 | 10,077 | 10,483 | 10,280 | Etats-Unis | |||
Total North America | 70,561 | 73,064 | 71,874 | 76,263 | 78,632 | 77,272 | 10,647 | 11,122 | 10,927 | 16,348 | 16,690 | 16,325 | Total Amérique du Nord | ||||
Table 9
TABLE 9 | |||||||||||||||||||||||
REMOVALS OF WOOD IN THE ROUGH | QUANTITES ENLEVEES DE BOIS BRUT | ||||||||||||||||||||||
TOTAL | TOTAL | ||||||||||||||||||||||
1000 m3 - Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||||||||
Country | Industrial wood - Bois industriels | Wood fuel c Bois de chauffage c | Pays | ||||||||||||||||||||
Total | Logs | Pulpwood a | Other b | Total | |||||||||||||||||||
Grumes | Bois de trituration a | Autre b | |||||||||||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 13,521 | 13,873 | 13,650 | 10,420 | 10,607 | 10,300 | 3,101 | 3,266 | 3,350 | 0 | 0 | 0 | 4,900 | 5,263 | 5,400 | 18,420 | 19,136 | 19,050 | Autriche | |||
Bulgaria | Bulgaria | 3,172 | ... | ... | 1,524 | ... | ... | 1,606 | ... | ... | 42 | ... | ... | 2,357 | ... | ... | 5,529 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | ... | ... | ... | ... | ... | ... | ... | ... | ... | 0 | 0 | 0 | 7 | 7 | 8 | ... | ... | ... | Chypre | |||
Czech Republic | Czech Republic | 25,146 | 21,122 | 20,576 | 17,739 | 15,858 | 14,572 | 7,294 | 5,149 | 5,887 | 113 | 115 | 117 | 5,110 | 4,933 | 4,536 | 30,256 | 26,055 | 25,112 | République tchèque | |||
Estonia | Estonia | 6,520 | 6,317 | 6,317 | 4,145 | 4,060 | 4,060 | 2,323 | 2,200 | 2,200 | 52 | 57 | 57 | 4,148 | 4,100 | 4,100 | 10,667 | 10,417 | 10,417 | Estonie | |||
Finland | Finland | 58,036 | 55,847 | 58,540 | 26,292 | 24,618 | 24,713 | 31,744 | 31,229 | 33,827 | 0 | 0 | 0 | 8,868 | 8,868 | 8,868 | 66,904 | 64,715 | 67,408 | Finlande | |||
Germany | Germany | 59,187 | 57,179 | 54,270 | 47,403 | 44,256 | 42,085 | 11,624 | 12,765 | 12,027 | 161 | 158 | 158 | 23,224 | 23,900 | 24,100 | 82,411 | 81,079 | 78,370 | Allemagne | |||
Latvia | Latvia | 13,003 | 12,650 | 12,550 | 7,827 | 7,400 | 7,300 | 3,986 | 4,100 | 4,100 | 1,190 | 1,150 | 1,150 | 2,940 | 3,150 | 3,200 | 15,943 | 15,800 | 15,750 | Lettonie | |||
Luxembourg | Luxembourg | 217 | 332 | 197 | 39 | 86 | 144 | 84 | 160 | 38 | 94 | 86 | 15 | 46 | 73 | 45 | 262 | 405 | 242 | Luxembourg | |||
Netherlands | Netherlands | 648 | 653 | 653 | 210 | 214 | 214 | 394 | 395 | 395 | 43 | 44 | 44 | 2,362 | 2,350 | 2,350 | 3,010 | 3,003 | 3,003 | Pays-Bas | |||
Poland | Poland | 38,587 | 40,300 | 41,530 | 18,508 | 19,300 | 19,950 | 19,471 | 20,410 | 21,000 | 608 | 590 | 580 | 4,519 | 4,450 | 4,350 | 43,106 | 44,750 | 45,880 | Pologne | |||
Portugal | Portugal | 12,136 | 12,240 | 12,155 | 2,147 | 2,190 | 2,220 | 9,659 | 9,700 | 9,600 | 331 | 350 | 335 | 1,762 | 1,830 | 1,780 | 13,899 | 14,070 | 13,935 | Portugal | |||
Serbia | Serbia | 1,646 | 1,586 | 1,630 | 1,176 | 1,166 | 1,185 | 307 | 280 | 295 | 163 | 140 | 150 | 6,251 | 6,950 | 7,010 | 7,897 | 8,536 | 8,640 | Serbie | |||
Slovakia | Slovakia | 7,170 | 7,475 | 7,590 | 4,243 | 4,335 | 4,400 | 2,893 | 3,100 | 3,150 | 34 | 40 | 40 | 495 | 550 | 610 | 7,665 | 8,025 | 8,200 | Slovaquie | |||
Slovenia | Slovenia | 2,673 | 3,078 | 2,995 | 1,977 | 2,210 | 2,130 | 648 | 825 | 825 | 48 | 43 | 40 | 1,043 | 1,200 | 1,260 | 3,716 | 4,278 | 4,255 | Slovénie | |||
Sweden | Sweden | 71,400 | 71,400 | 70,400 | 39,300 | 37,800 | 36,000 | 31,800 | 33,300 | 34,100 | 300 | 300 | 300 | 5,400 | 5,400 | 5,400 | 76,800 | 76,800 | 75,800 | Suède | |||
Switzerland | Switzerland | 3,003 | 3,088 | 3,163 | 2,450 | 2,550 | 2,610 | 550 | 535 | 550 | 3 | 3 | 3 | 1,980 | 2,030 | 2,100 | 4,983 | 5,118 | 5,263 | Suisse | |||
UK | United Kingdom | 8,716 | 7,660 | 8,410 | 6,354 | 5,360 | 6,060 | 1,898 | 1,900 | 1,900 | 463 | 400 | 450 | 2,184 | 2,180 | 2,180 | 10,899 | 9,840 | 10,590 | Royaume-Uni | |||
Total Europe | 324,781 | 314,800 | 314,626 | 191,753 | 182,010 | 177,943 | 129,382 | 129,314 | 133,244 | 3,646 | 3,476 | 3,439 | 77,596 | 77,234 | 77,297 | 402,369 | 392,027 | 391,915 | Total Europe | ||||
Canada | Canada | 138,131 | 135,303 | 135,303 | 120,741 | 117,995 | 117,995 | 15,239 | 15,040 | 15,040 | 2,152 | 2,268 | 2,268 | 1,472 | 1,567 | 1,567 | 139,603 | 136,869 | 136,869 | Canada | |||
United States | United States | 382,956 | 386,045 | 384,500 | 183,473 | 184,966 | 184,219 | 185,734 | 187,318 | 186,526 | 13,749 | 13,762 | 13,755 | 71,111 | 71,127 | 71,119 | 454,066 | 457,172 | 455,619 | Etats-Unis | |||
Total North America | 521,087 | 521,348 | 519,803 | 304,213 | 302,961 | 302,214 | 200,973 | 202,358 | 201,566 | 15,901 | 16,030 | 16,023 | 72,582 | 72,693 | 72,685 | 593,669 | 594,041 | 592,488 | Total Amérique du Nord | ||||
a | Pulpwood, round and split, as well as chips and particles produced directly | a | Bois de trituration, rondins et quartiers, ainse que plaquettes et particules fabriquées | ||||||||||||||||||||
therefrom and used as pulpwood | directement à partir des rondins et quartiers et utilisées comme bois de trituration | ||||||||||||||||||||||
b | Pitprops, poles, piling, posts etc. | b | Bois de mine, poteaux, pilotis, piquets etc. | ||||||||||||||||||||
c | Including chips and particles produced from wood in the rough and | c | Y compris plaquettes et particules fabriquées à partir du bois brut et utilisées | ||||||||||||||||||||
used for energy purposes | à des fins energétiques | ||||||||||||||||||||||
Table 9a
1.2.3.C | |||||||||||||||||||||||
TABLE 9a | |||||||||||||||||||||||
REMOVALS OF WOOD IN THE ROUGH | QUANTITES ENLEVEES DE BOIS BRUT | ||||||||||||||||||||||
SOFTWOOD | CONIFERES | ||||||||||||||||||||||
1000 m3 - Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||||||||
Country | Industrial wood - Bois industriels | Wood fuel c Bois de chauffage c | Pays | ||||||||||||||||||||
Total | Logs | Pulpwood a | Other b | Total | |||||||||||||||||||
Grumes | Bois de trituration a | Autre b | |||||||||||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 12,671 | 12,947 | 12,700 | 10,139 | 10,315 | 10,000 | 2,531 | 2,632 | 2,700 | 0 | 0 | 0 | 2,993 | 3,158 | 3,200 | 15,663 | 16,105 | 15,900 | Autriche | |||
Bulgaria | Bulgaria | 2,228 | ... | ... | 1,178 | ... | ... | 1,019 | ... | ... | 31 | ... | ... | 608 | ... | ... | 2,836 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | ... | ... | ... | 2 | 2 | 2 | ... | ... | ... | 0 | 0 | 0 | 6 | 6 | 7 | ... | ... | ... | Chypre | |||
Czech Republic | Czech Republic | 24,251 | 20,470 | 19,943 | 17,301 | 15,480 | 14,210 | 6,841 | 4,880 | 5,621 | 109 | 110 | 112 | 4,463 | 4,365 | 3,965 | 28,714 | 24,835 | 23,908 | République tchèque | |||
Estonia | Estonia | 4,447 | 4,330 | 4,330 | 3,268 | 3,200 | 3,200 | 1,152 | 1,100 | 1,100 | 27 | 30 | 30 | 1,431 | 1,400 | 1,400 | 5,878 | 5,730 | 5,730 | Estonie | |||
Finland | Finland | 48,840 | 46,602 | 48,616 | 25,247 | 23,457 | 23,590 | 23,593 | 23,145 | 25,026 | 0 | 0 | 0 | 4,279 | 4,279 | 4,279 | 53,119 | 50,881 | 52,895 | Finlande | |||
Germany | Germany | 55,270 | 53,354 | 50,415 | 44,611 | 41,447 | 39,283 | 10,505 | 11,757 | 10,982 | 153 | 150 | 150 | 9,265 | 9,600 | 9,800 | 64,534 | 62,954 | 60,215 | Allemagne | |||
Latvia | Latvia | 8,661 | 8,350 | 8,250 | 5,975 | 5,600 | 5,500 | 2,036 | 2,100 | 2,100 | 650 | 650 | 650 | 315 | 350 | 400 | 8,976 | 8,700 | 8,650 | Lettonie | |||
Luxembourg | Luxembourg | 156 | 169 | 143 | 27 | 51 | 122 | 35 | 32 | 6 | 94 | 86 | 15 | 24 | 30 | 11 | 180 | 199 | 154 | Luxembourg | |||
Netherlands | Netherlands | 452 | 449 | 449 | 154 | 154 | 154 | 263 | 260 | 260 | 35 | 35 | 35 | 451 | 450 | 450 | 903 | 899 | 899 | Pays-Bas | |||
Poland | Poland | 31,131 | 32,500 | 33,350 | 15,698 | 16,370 | 16,900 | 14,861 | 15,570 | 15,900 | 572 | 560 | 550 | 2,189 | 2,150 | 2,100 | 33,320 | 34,650 | 35,450 | Pologne | |||
Portugal | Portugal | 3,352 | 3,440 | 3,455 | 1,851 | 1,900 | 1,970 | 1,370 | 1,400 | 1,350 | 131 | 140 | 135 | 445 | 480 | 450 | 3,797 | 3,920 | 3,905 | Portugal | |||
Serbia | Serbia | 319 | 315 | 335 | 202 | 210 | 220 | 76 | 70 | 75 | 41 | 35 | 40 | 129 | 150 | 160 | 448 | 465 | 495 | Serbie | |||
Slovakia | Slovakia | 3,678 | 3,815 | 3,830 | 2,724 | 2,735 | 2,750 | 928 | 1,050 | 1,050 | 26 | 30 | 30 | 223 | 250 | 285 | 3,901 | 4,065 | 4,115 | Slovaquie | |||
Slovenia | Slovenia | 1,790 | 1,978 | 1,888 | 1,510 | 1,680 | 1,600 | 262 | 285 | 275 | 18 | 13 | 13 | 106 | 150 | 160 | 1,896 | 2,128 | 2,048 | Slovénie | |||
Sweden | Sweden | 64,850 | 64,650 | 63,450 | 39,100 | 37,600 | 35,800 | 25,600 | 26,900 | 27,500 | 150 | 150 | 150 | 2,700 | 2,700 | 2,700 | 67,550 | 67,350 | 66,150 | Suède | |||
Switzerland | Switzerland | 2,602 | 2,652 | 2,712 | 2,224 | 2,300 | 2,350 | 376 | 350 | 360 | 2 | 2 | 2 | 834 | 880 | 900 | 3,436 | 3,532 | 3,612 | Suisse | |||
UK | United Kingdom | 8,608 | 7,550 | 8,300 | 6,298 | 5,300 | 6,000 | 1,895 | 1,900 | 1,900 | 415 | 350 | 400 | 1,571 | 1,570 | 1,570 | 10,179 | 9,120 | 9,870 | Royaume-Uni | |||
Total Europe | 273,305 | 263,571 | 262,166 | 177,509 | 167,801 | 163,651 | 93,345 | 93,431 | 96,205 | 2,454 | 2,341 | 2,312 | 32,032 | 31,968 | 31,837 | 305,330 | 295,533 | 293,995 | Total Europe | ||||
Canada | Canada | 113,236 | 110,975 | 110,975 | 108,690 | 106,633 | 106,633 | 4,232 | 3,975 | 3,975 | 314 | 367 | 367 | 659 | 724 | 724 | 113,895 | 111,700 | 111,700 | Canada | |||
United States | United States | 306,264 | 307,884 | 307,074 | 150,702 | 151,554 | 151,128 | 143,462 | 144,219 | 143,840 | 12,100 | 12,111 | 12,106 | 33,760 | 33,770 | 33,765 | 340,023 | 341,654 | 340,839 | Etats-Unis | |||
Total North America | 419,499 | 418,859 | 418,049 | 259,392 | 258,187 | 257,761 | 147,694 | 148,194 | 147,816 | 12,414 | 12,478 | 12,472 | 34,419 | 34,495 | 34,489 | 453,918 | 453,354 | 452,538 | Total Amérique du Nord | ||||
a | Pulpwood, round and split, as well as chips and particles produced directly | a | Bois de trituration, rondins et quartiers, ainse que plaquettes et particules fabriquées | ||||||||||||||||||||
therefrom and used as pulpwood | directement à partir des rondins et quartiers et utilisées comme bois de trituration | ||||||||||||||||||||||
b | Pitprops, poles, piling, posts etc. | b | Bois de mine, poteaux, pilotis, piquets etc. | ||||||||||||||||||||
c | Including chips and particles produced from wood in the rough and | c | Y compris plaquettes et particules fabriquées à partir du bois brut et utilisées | ||||||||||||||||||||
used for energy purposes | à des fins energétiques | ||||||||||||||||||||||
Table 9b
1.2.3.NC | |||||||||||||||||||||||
TABLE 9b | |||||||||||||||||||||||
REMOVALS OF WOOD IN THE ROUGH | QUANTITES ENLEVEES DE BOIS BRUT | ||||||||||||||||||||||
HARDWOOD | NON-CONIFERES | ||||||||||||||||||||||
1000 m3 - Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||||||||
Country | Industrial wood - Bois industriels | Wood fuel c Bois de chauffage c | Pays | ||||||||||||||||||||
Total | Logs | Pulpwood a | Other b | Total | |||||||||||||||||||
Grumes | Bois de trituration a | Autre b | |||||||||||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 850 | 926 | 950 | 280 | 292 | 300 | 570 | 634 | 650 | 0 | 0 | 0 | 1,907 | 2,105 | 2,200 | 2,757 | 3,031 | 3,150 | Autriche | |||
Bulgaria | Bulgaria | 944 | ... | ... | 346 | ... | ... | 587 | ... | ... | 11 | ... | ... | 1,749 | ... | ... | 2,693 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | ... | ... | ... | ... | ... | ... | ... | ... | ... | 0 | 0 | 0 | 1 | 1 | 1 | ... | ... | ... | Chypre | |||
Czech Republic | Czech Republic | 895 | 652 | 633 | 438 | 378 | 362 | 453 | 269 | 266 | 4 | 5 | 5 | 647 | 568 | 571 | 1,542 | 1,220 | 1,204 | République tchèque | |||
Estonia | Estonia | 2,073 | 1,987 | 1,987 | 877 | 860 | 860 | 1,171 | 1,100 | 1,100 | 25 | 27 | 27 | 2,717 | 2,700 | 2,700 | 4,789 | 4,687 | 4,687 | Estonie | |||
Finland | Finland | 9,196 | 9,245 | 9,924 | 1,045 | 1,161 | 1,123 | 8,151 | 8,084 | 8,801 | 0 | 0 | 0 | 4,589 | 4,589 | 4,589 | 13,785 | 13,834 | 14,513 | Finlande | |||
Germany | Germany | 3,918 | 3,824 | 3,855 | 2,792 | 2,809 | 2,802 | 1,119 | 1,008 | 1,045 | 8 | 8 | 8 | 13,959 | 14,300 | 14,300 | 17,877 | 18,124 | 18,155 | Allemagne | |||
Latvia | Latvia | 4,342 | 4,300 | 4,300 | 1,852 | 1,800 | 1,800 | 1,950 | 2,000 | 2,000 | 540 | 500 | 500 | 2,625 | 2,800 | 2,800 | 6,967 | 7,100 | 7,100 | Lettonie | |||
Luxembourg | Luxembourg | 61 | 163 | 54 | 12 | 35 | 22 | 49 | 128 | 32 | 0 | 0 | 0 | 22 | 43 | 34 | 83 | 206 | 89 | Luxembourg | |||
Netherlands | Netherlands | 196 | 204 | 204 | 57 | 60 | 60 | 131 | 135 | 135 | 9 | 9 | 9 | 1,912 | 1,900 | 1,900 | 2,108 | 2,104 | 2,104 | Pays-Bas | |||
Poland | Poland | 7,456 | 7,800 | 8,180 | 2,810 | 2,930 | 3,050 | 4,610 | 4,840 | 5,100 | 36 | 30 | 30 | 2,330 | 2,300 | 2,250 | 9,787 | 10,100 | 10,430 | Pologne | |||
Portugal | Portugal | 8,784 | 8,800 | 8,700 | 296 | 290 | 250 | 8,289 | 8,300 | 8,250 | 200 | 210 | 200 | 1,318 | 1,350 | 1,330 | 10,102 | 10,150 | 10,030 | Portugal | |||
Serbia | Serbia | 1,327 | 1,271 | 1,295 | 974 | 956 | 965 | 231 | 210 | 220 | 122 | 105 | 110 | 6,122 | 6,800 | 6,850 | 7,449 | 8,071 | 8,145 | Serbie | |||
Slovakia | Slovakia | 3,492 | 3,660 | 3,760 | 1,519 | 1,600 | 1,650 | 1,965 | 2,050 | 2,100 | 8 | 10 | 10 | 272 | 300 | 325 | 3,764 | 3,960 | 4,085 | Slovaquie | |||
Slovenia | Slovenia | 883 | 1,100 | 1,107 | 467 | 530 | 530 | 386 | 540 | 550 | 30 | 30 | 27 | 937 | 1,050 | 1,100 | 1,820 | 2,150 | 2,207 | Slovénie | |||
Sweden | Sweden | 6,550 | 6,750 | 6,950 | 200 | 200 | 200 | 6,200 | 6,400 | 6,600 | 150 | 150 | 150 | 2,700 | 2,700 | 2,700 | 9,250 | 9,450 | 9,650 | Suède | |||
Switzerland | Switzerland | 401 | 436 | 451 | 226 | 250 | 260 | 174 | 185 | 190 | 1 | 1 | 1 | 1,146 | 1,150 | 1,200 | 1,547 | 1,586 | 1,651 | Suisse | |||
UK | United Kingdom | 108 | 110 | 110 | 56 | 60 | 60 | 3 | 0 | 0 | 48 | 50 | 50 | 613 | 610 | 610 | 720 | 720 | 720 | Royaume-Uni | |||
Total Europe | 51,476 | 51,228 | 52,460 | 14,247 | 14,211 | 14,294 | 36,038 | 35,883 | 37,039 | 1,191 | 1,135 | 1,127 | 45,564 | 45,266 | 45,460 | 97,039 | 96,493 | 97,919 | Total Europe | ||||
Canada | Canada | 24,896 | 24,328 | 24,328 | 12,051 | 11,361 | 11,361 | 11,007 | 11,065 | 11,065 | 1,838 | 1,901 | 1,901 | 812 | 842 | 842 | 25,708 | 25,170 | 25,170 | Canada | |||
United States | United States | 76,692 | 78,161 | 77,427 | 32,771 | 33,412 | 33,091 | 42,272 | 43,099 | 42,685 | 1,649 | 1,651 | 1,650 | 37,351 | 37,356 | 37,354 | 114,043 | 115,517 | 114,780 | Etats-Unis | |||
Total North America | 101,588 | 102,489 | 101,754 | 44,822 | 44,773 | 44,453 | 53,279 | 54,164 | 53,750 | 3,487 | 3,552 | 3,551 | 38,163 | 38,199 | 38,196 | 139,751 | 140,687 | 139,950 | Total Amérique du Nord | ||||
a | Pulpwood, round and split, as well as chips and particles produced directly | a | Bois de trituration, rondins et quartiers, ainse que plaquettes et particules fabriquées | ||||||||||||||||||||
therefrom and used as pulpwood | directement à partir des rondins et quartiers et utilisées comme bois de trituration | ||||||||||||||||||||||
b | Pitprops, poles, piling, posts etc. | b | Bois de mine, poteaux, pilotis, piquets etc. | ||||||||||||||||||||
c | Including chips and particles produced from wood in the rough and | c | Y compris plaquettes et particules fabriquées à partir du bois brut et utilisées | ||||||||||||||||||||
used for energy purposes | à des fins energétiques | ||||||||||||||||||||||
Table 10
1.2.1.C | |||||||||||||||||
TABLE 10 | |||||||||||||||||
SOFTWOOD SAWLOGS | GRUMES DE SCIAGES DES CONIFERES | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption a | Imports | Exports | |||||||||||||||
Country | Consommation Apparente a | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 17,589 | 16,095 | 16,500 | 10,139 | 10,315 | 10,000 | 8,044 | 6,660 | 7,000 | 594 | 880 | 500 | Autriche | |||
Bulgaria | Bulgaria | 1,173 | ... | ... | 1,178 | ... | ... | 0 | ... | ... | 5 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 2 | 2 | 2 | 2 | 2 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 8,801 | 8,617 | 7,916 | 17,301 | 15,480 | 14,210 | 750 | 663 | 660 | 9,250 | 7,526 | 6,954 | République tchèque | |||
Estonia | Estonia | 3,640 | 3,730 | 3,730 | 3,268 | 3,200 | 3,200 | 455 | 600 | 600 | 83 | 70 | 70 | Estonie | |||
Finland | Finland | 25,080 | 23,224 | 23,365 | 25,247 | 23,457 | 23,590 | 165 | 78 | 86 | 332 | 311 | 311 | Finlande | |||
Germany | Germany | 39,795 | 39,077 | 38,613 | 44,611 | 41,447 | 39,283 | 3,190 | 3,300 | 3,600 | 8,006 | 5,670 | 4,270 | Allemagne | |||
Latvia | Latvia | 6,786 | 6,350 | 6,100 | 5,975 | 5,600 | 5,500 | 1,088 | 1,100 | 900 | 277 | 350 | 300 | Lettonie | |||
Luxembourg | Luxembourg | 393 | 90 | 161 | 27 | 51 | 122 | 609 | 164 | 164 | 243 | 125 | 125 | Luxembourg | |||
Netherlands | Netherlands | 176 | 169 | 169 | 154 | 154 | 154 | 87 | 80 | 80 | 65 | 65 | 65 | Pays-Bas | |||
Poland | Poland | 14,868 | 15,470 | 16,000 | 15,698 | 16,370 | 16,900 | 1,090 | 1,150 | 1,200 | 1,920 | 2,050 | 2,100 | Pologne | |||
Portugal | Portugal | 1,971 | 1,990 | 2,075 | 1,851 | 1,900 | 1,970 | 150 | 130 | 140 | 30 | 40 | 35 | Portugal | |||
Serbia | Serbia | 226 | 220 | 233 | 202 | 210 | 220 | 28 | 12 | 15 | 4 | 2 | 2 | Serbie | |||
Slovakia | Slovakia | 3,057 | 3,235 | 3,250 | 2,724 | 2,735 | 2,750 | 1,049 | 900 | 900 | 716 | 400 | 400 | Slovaquie | |||
Slovenia | Slovenia | 1,511 | 1,740 | 1,620 | 1,510 | 1,680 | 1,600 | 287 | 320 | 300 | 286 | 260 | 280 | Slovénie | |||
Sweden | Sweden | 39,240 | 37,680 | 35,880 | 39,100 | 37,600 | 35,800 | 880 | 1,010 | 1,010 | 740 | 930 | 930 | Suède | |||
Switzerland | Switzerland | 1,935 | 2,045 | 2,105 | 2,224 | 2,300 | 2,350 | 52 | 55 | 55 | 341 | 310 | 300 | Suisse | |||
UK | United Kingdom | 6,515 | 5,510 | 6,200 | 6,298 | 5,300 | 6,000 | 359 | 360 | 360 | 142 | 150 | 160 | Royaume-Uni | |||
Total Europe | 172,758 | 165,244 | 163,919 | 177,509 | 167,801 | 163,651 | 18,283 | 16,582 | 17,070 | 23,033 | 19,139 | 16,802 | Total Europe | ||||
Canada | Canada | 104,025 | 102,730 | 102,894 | 108,690 | 106,633 | 106,633 | 2,221 | 1,489 | 1,245 | 6,887 | 5,392 | 4,984 | Canada | |||
United States | United States | 142,644 | 143,443 | 143,043 | 150,702 | 151,554 | 151,128 | 278 | 280 | 279 | 8,336 | 8,391 | 8,364 | Etats-Unis | |||
Total North America | 246,668 | 246,173 | 245,937 | 259,392 | 258,187 | 257,761 | 2,500 | 1,769 | 1,524 | 15,223 | 13,784 | 13,348 | Total Amérique du Nord | ||||
a Countries which did not provide trade data are included in consumption data | a La consommation comprend les pays qui n'ont pas fournies des données sur la commerce | ||||||||||||||||
Table 11
1.2.1.NC | |||||||||||||||||||||||||||||||||||||||||
TABLE 11 | |||||||||||||||||||||||||||||||||||||||||
HARDWOOD SAWLOGS (total) | GRUMES DE SCIAGES DES NON-CONIFERES | ||||||||||||||||||||||||||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||||||||||||||||||||||||||
1000 m3 | |||||||||||||||||||||||||||||||||||||||||
Apparent Consumption a | Imports | Exports | |||||||||||||||||||||||||||||||||||||||
Country | Consommation Apparente a | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||||||||||||||||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | Country | Consumption | Production | Imports | Exports | Country | ||||||||||||||||||||||||
Austria | Austria | 398 | 362 | 370 | 280 | 292 | 300 | 162 | 140 | 120 | 45 | 70 | 50 | Autriche | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Bulgaria | Bulgaria | 346 | ... | ... | 346 | ... | ... | 0 | ... | ... | 0 | ... | ... | Bulgarie | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Czech Republic | Czech Republic | 305 | 239 | 218 | 438 | 378 | 362 | 132 | 135 | 138 | 265 | 274 | 282 | République tchèque | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Estonia | Estonia | 901 | 885 | 885 | 877 | 860 | 860 | 48 | 45 | 45 | 23 | 20 | 20 | Estonie | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Finland | Finland | 1,218 | 1,193 | 1,123 | 1,045 | 1,161 | 1,123 | 173 | 32 | 0 | 0 | 0 | 0 | Finlande | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Germany | Germany | 2,174 | 2,346 | 2,348 | 2,792 | 2,809 | 2,802 | 110 | 111 | 120 | 727 | 574 | 574 | Allemagne | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Latvia | Latvia | 1,570 | 1,470 | 1,520 | 1,852 | 1,800 | 1,800 | 27 | 60 | 50 | 309 | 390 | 330 | Lettonie | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Luxembourg | Luxembourg | 199 | 139 | 126 | 12 | 35 | 22 | 209 | 111 | 111 | 22 | 7 | 7 | Luxembourg | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Netherlands | Netherlands | 62 | 70 | 70 | 57 | 60 | 60 | 65 | 70 | 70 | 59 | 60 | 60 | Pays-Bas | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Poland | Poland | 2,740 | 2,860 | 3,050 | 2,810 | 2,930 | 3,050 | 80 | 80 | ... | 150 | 150 | ... | Pologne | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Portugal | Portugal | 406 | 380 | 350 | 296 | 290 | 250 | 140 | 120 | 130 | 30 | 30 | 30 | Portugal | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Serbia | Serbia | 954 | 951 | 955 | 974 | 956 | 965 | 30 | 15 | 20 | 50 | 20 | 30 | Serbie | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Slovakia | Slovakia | 1,658 | 1,700 | 1,750 | 1,519 | 1,600 | 1,650 | 562 | 500 | 500 | 423 | 400 | 400 | Slovaquie | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Slovenia | Slovenia | 263 | 242 | 260 | 467 | 530 | 530 | 43 | 42 | 40 | 248 | 330 | 310 | Slovénie | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Sweden | Sweden | 226 | 226 | 226 | 200 | 200 | 200 | 26 | 26 | 26 | 0 | 0 | 0 | Suède | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Switzerland | Switzerland | 104 | 130 | 150 | 226 | 250 | 260 | 27 | 35 | 40 | 149 | 155 | 150 | Suisse | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
UK | United Kingdom | 67 | 80 | 80 | 56 | 60 | 60 | 15 | 20 | 20 | 4 | 0 | 0 | Royaume-Uni | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Total Europe | 13,592 | 13,273 | 13,481 | 14,247 | 14,211 | 14,294 | 1,849 | 1,542 | 1,430 | 2,504 | 2,480 | 2,243 | Total Europe | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ||||||||||||||
Canada | Canada | 13,122 | 12,288 | 12,248 | 12,051 | 11,361 | 11,361 | 1,145 | 1,018 | 969 | 75 | 92 | 83 | Canada | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
United States | United States | 30,814 | 31,416 | 31,115 | 32,771 | 33,412 | 33,091 | 151 | 154 | 153 | 2,109 | 2,150 | 2,129 | Etats-Unis | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | |||||||||||||
Total North America | 43,935 | 43,704 | 43,363 | 44,822 | 44,773 | 44,453 | 1,297 | 1,173 | 1,122 | 2,183 | 2,241 | 2,212 | Total Amérique du Nord | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ERROR:#REF! | ||||||||||||||
a Countries which did not provide trade data are included in consumption data | a La consommation comprend les pays qui n'ont pas fournies des données sur la commerce | ||||||||||||||||||||||||||||||||||||||||
Table 11a
TABLE 11a | |||||||||||||||||
HARDWOOD LOGS (temperate) | GRUMES DE NON-CONIFERES (zone tempérée) | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption a | Imports | Exports | |||||||||||||||
Country | Consommation Apparente a | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 280 | 292 | 300 | 280 | 292 | 300 | ... | ... | ... | ... | ... | ... | Autriche | |||
Bulgaria | Bulgaria | 346 | ... | ... | 346 | ... | ... | ... | ... | ... | ... | ... | ... | Bulgarie | |||
Czech Republic | Czech Republic | 303 | 237 | 216 | 438 | 378 | 362 | 130 | 133 | 136 | 265 | 274 | 282 | République tchèque | |||
Estonia | Estonia | 877 | 860 | 860 | 877 | 860 | 860 | ... | ... | ... | ... | ... | ... | Estonie | |||
Finland | Finland | 1,045 | 1,161 | 1,123 | 1,045 | 1,161 | 1,123 | ... | ... | ... | ... | ... | ... | Finlande | |||
Germany | Germany | 2,168 | 2,341 | 2,343 | 2,792 | 2,809 | 2,802 | 98 | 101 | 110 | 722 | 569 | 569 | Allemagne | |||
Latvia | Latvia | 1,852 | 1,800 | 1,800 | 1,852 | 1,800 | 1,800 | ... | ... | ... | ... | ... | ... | Lettonie | |||
Luxembourg | Luxembourg | 191 | 139 | 22 | 12 | 35 | 22 | 201 | 111 | ... | 22 | 7 | ... | Luxembourg | |||
Netherlands | Netherlands | 53 | 62 | 62 | 57 | 60 | 60 | 50 | 55 | 55 | 53 | 53 | 53 | Pays-Bas | |||
Poland | Poland | 2,739 | 2,858 | 3,050 | 2,810 | 2,930 | 3,050 | 78 | 78 | ... | 150 | 150 | ... | Pologne | |||
Portugal | Portugal | 382 | 355 | 325 | 296 | 290 | 250 | 110 | 90 | 100 | 24 | 25 | 25 | Portugal | |||
Serbia | Serbia | 953 | 950 | 954 | 974 | 956 | 965 | 29 | 14 | 19 | 50 | 20 | 30 | Serbie | |||
Slovakia | Slovakia | 1,519 | 1,600 | 1,650 | 1,519 | 1,600 | 1,650 | ... | ... | ... | ... | ... | ... | Slovaquie | |||
Slovenia | Slovenia | 262 | 241 | 259 | 467 | 530 | 530 | 42 | 41 | 39 | 248 | 330 | 310 | Slovénie | |||
Sweden | Sweden | 200 | 200 | 200 | 200 | 200 | 200 | ... | ... | ... | ... | ... | ... | Suède | |||
Switzerland | Switzerland | 226 | 250 | 260 | 226 | 250 | 260 | ... | ... | ... | ... | ... | ... | Suisse | |||
UK | United Kingdom | 66 | 80 | 80 | 56 | 60 | 60 | 14 | 20 | 20 | 4 | 0 | 0 | Royaume-Uni | |||
Total Europe | 13,462 | 13,426 | 13,504 | 14,247 | 14,211 | 14,294 | 753 | 643 | 479 | 1,538 | 1,428 | 1,269 | Total Europe | ||||
Canada | Canada | 12,051 | 11,361 | 11,361 | 12,051 | 11,361 | 11,361 | ... | ... | ... | ... | ... | ... | Canada | |||
United States | United States | 30,813 | 31,415 | 31,114 | 32,771 | 33,412 | 33,091 | 150 | 152 | 151 | 2,108 | 2,149 | 2,128 | Etats-Unis | |||
Total North America | 42,864 | 42,777 | 42,475 | 44,822 | 44,773 | 44,453 | 150 | 152 | 151 | 2,108 | 2,149 | 2,128 | Total Amérique du Nord | ||||
a Countries which did not provide trade data are included in consumption data | a La consommation comprend les pays qui n'ont pas fournies des données sur la commerce | ||||||||||||||||
Table 11b
1.2.1.NC.T | |||||||||||||||||
TABLE 11b | |||||||||||||||||
HARDWOOD LOGS (tropical) | GRUMES DE NON-CONIFERES (tropicale) | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Net Trade | Imports | Exports | |||||||||||||||
Country | Commerce Net | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Czech Republic | Czech Republic | -2 | -2 | -2 | 2 | 2 | 2 | 0 | 0 | 0 | République tchèque | ||||||
Germany | Germany | -7 | -5 | -5 | 11 | 10 | 10 | 5 | 5 | 5 | Allemagne | ||||||
Luxembourg | Luxembourg | -8 | 0 | ... | 8 | 0 | ... | 0 | 0 | ... | Luxembourg | ||||||
Netherlands | Netherlands | -9 | -8 | -8 | 15 | 15 | 15 | 6 | 7 | 7 | Pays-Bas | ||||||
Poland | Poland | -1 | -2 | -2 | 2 | 2 | 2 | 0 | 0 | 0 | Pologne | ||||||
Portugal | Portugal | -24 | -25 | -25 | 30 | 30 | 30 | 6 | 5 | 5 | Portugal | ||||||
Serbia | Serbia | -1 | -1 | -1 | 1 | 1 | 1 | 0 | 0 | 0 | Serbie | ||||||
Slovenia | Slovenia | -1 | -1 | -1 | 1 | 1 | 1 | 0 | 0 | 0 | Slovénie | ||||||
UK | United Kingdom | -1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | Royaume-Uni | ||||||
Total Europe | -54 | -44 | -44 | 71 | 61 | 61 | 17 | 17 | 17 | Total Europe | |||||||
United States | United States | -1 | -1 | -1 | 2 | 2 | 2 | 1 | 1 | 1 | Etats-Unis | ||||||
Total North America | -1 | -1 | -1 | 2 | 2 | 2 | 1 | 1 | 1 | Total Amérique du Nord | |||||||
Table 12
TABLE 12 | |||||||||||||||||
PULPWOOD (total) | BOIS DE TRITURATION (total) | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption a | Imports | Exports | |||||||||||||||
Country | Consommation Apparente a | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 14,154 | 13,876 | 13,900 | 10,568 | 10,416 | 10,450 | 4,953 | 4,650 | 4,500 | 1,367 | 1,190 | 1,050 | Autriche | |||
Bulgaria | Bulgaria | 1,639 | ... | ... | 1,699 | ... | ... | 27 | ... | ... | 87 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | Chypre | |||
Czech Republic | Czech Republic | 6,155 | 4,306 | 4,709 | 9,027 | 6,877 | 7,621 | 475 | 469 | 475 | 3,347 | 3,040 | 3,387 | République tchèque | |||
Estonia | Estonia | 3,575 | 3,600 | 3,600 | 6,323 | 6,100 | 6,100 | 268 | 240 | 240 | 3,015 | 2,740 | 2,740 | Estonie | |||
Finland | Finland | 57,262 | 49,139 | 51,233 | 47,052 | 46,586 | 49,737 | 11,200 | 3,364 | 2,307 | 990 | 811 | 811 | Finlande | |||
Germany | Germany | 27,289 | 28,098 | 28,031 | 28,327 | 29,465 | 28,527 | 3,819 | 3,509 | 3,680 | 4,858 | 4,876 | 4,176 | Allemagne | |||
Latvia | Latvia | 4,879 | 5,025 | 5,180 | 8,296 | 8,600 | 8,800 | 1,417 | 875 | 780 | 4,834 | 4,450 | 4,400 | Lettonie | |||
Luxembourg | Luxembourg | 605 | 681 | 559 | 605 | 681 | 559 | ... | ... | ... | ... | ... | ... | Luxembourg | |||
Malta | Malta | … | … | … | … | … | … | ... | ... | ... | ... | ... | ... | Malte | |||
Netherlands | Netherlands | 1,566 | 1,565 | 1,565 | 1,365 | 1,365 | 1,365 | 644 | 680 | 680 | 443 | 480 | 480 | Pays-Bas | |||
Poland | Poland | 31,755 | 32,925 | 31,800 | 29,682 | 30,910 | 31,800 | 3,947 | 3,810 | ... | 1,874 | 1,795 | ... | Pologne | |||
Portugal | Portugal | 13,642 | 12,870 | 12,780 | 11,483 | 11,620 | 11,500 | 2,833 | 1,815 | 1,850 | 674 | 565 | 570 | Portugal | |||
Serbia | Serbia | 812 | 840 | 890 | 800 | 830 | 875 | 15 | 12 | 17 | 3 | 2 | 2 | Serbie | |||
Slovakia | Slovakia | 3,849 | 4,000 | 4,100 | 4,043 | 4,250 | 4,350 | 1,043 | 1,000 | 1,000 | 1,237 | 1,250 | 1,250 | Slovaquie | |||
Slovenia | Slovenia | 1,129 | 1,019 | 1,345 | 2,008 | 2,275 | 2,325 | 653 | 674 | 680 | 1,532 | 1,930 | 1,660 | Slovénie | |||
Sweden | Sweden | 61,355 | 61,618 | 61,918 | 55,300 | 55,800 | 56,100 | 6,858 | 6,774 | 6,774 | 803 | 956 | 956 | Suède | |||
Switzerland | Switzerland | 1,773 | 1,773 | 1,793 | 1,340 | 1,345 | 1,370 | 623 | 613 | 613 | 190 | 185 | 190 | Suisse | |||
UK | United Kingdom | 5,304 | 5,040 | 5,280 | 5,020 | 4,770 | 5,010 | 384 | 380 | 380 | 101 | 110 | 110 | Royaume-Uni | |||
Total Europe | 236,743 | 226,375 | 228,683 | 222,939 | 221,890 | 226,489 | 39,158 | 28,865 | 23,976 | 25,354 | 24,380 | 21,782 | Total Europe | ||||
Canada | Canada | 40,927 | 37,948 | 37,855 | 38,095 | 36,525 | 36,525 | 3,722 | 2,250 | 2,204 | 890 | 827 | 873 | Canada | |||
United States | United States | 240,634 | 243,316 | 241,975 | 246,219 | 249,015 | 247,617 | 264 | 268 | 266 | 5,849 | 5,966 | 5,908 | Etats-Unis | |||
Total North America | 281,560 | 281,264 | 279,830 | 284,314 | 285,540 | 284,142 | 3,986 | 2,517 | 2,469 | 6,740 | 6,794 | 6,781 | Total Amérique du Nord | ||||
Includes wood residues, chips and particles for all purposes | Comprend les dechets de bois, plaquettes et particules pour toute utilisation | ||||||||||||||||
a Countries which did not provide trade data are included in consumption data | a La consommation comprend les pays qui n'ont pas fournies des données sur la commerce | ||||||||||||||||
Table 12a
1.2.2.C | |||||||||||||||||
TABLE 12a | |||||||||||||||||
PULPWOOD LOGS (ROUND AND SPLIT) | BOIS DE TRITURATION (RONDINS ET QUARTIERS) | ||||||||||||||||
Softwood | Conifères | ||||||||||||||||
1000 m3 - Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
Apparent Consumption a | Imports | Exports | |||||||||||||||
Country | Consommation Apparente a | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 4,145 | 4,212 | 4,300 | 2,531 | 2,632 | 2,700 | 1,973 | 1,850 | 1,800 | 360 | 270 | 200 | Autriche | |||
Bulgaria | Bulgaria | 1,000 | ... | ... | 1,019 | ... | ... | 15 | ... | ... | 34 | ... | ... | Bulgarie | |||
Czech Republic | Czech Republic | 4,111 | 2,444 | 2,838 | 6,841 | 4,880 | 5,621 | 270 | 263 | 265 | 3,000 | 2,699 | 3,048 | République tchèque | |||
Estonia | Estonia | 533 | 560 | 560 | 1,152 | 1,100 | 1,100 | 32 | 40 | 40 | 650 | 580 | 580 | Estonie | |||
Finland | Finland | 24,151 | 23,246 | 25,181 | 23,593 | 23,145 | 25,026 | 1,294 | 754 | 808 | 736 | 653 | 653 | Finlande | |||
Germany | Germany | 10,697 | 11,527 | 11,552 | 10,505 | 11,757 | 10,982 | 2,523 | 2,200 | 2,400 | 2,331 | 2,430 | 1,830 | Allemagne | |||
Latvia | Latvia | 1,714 | 1,850 | 1,750 | 2,036 | 2,100 | 2,100 | 473 | 400 | 350 | 795 | 650 | 700 | Lettonie | |||
Luxembourg | Luxembourg | 35 | 32 | 6 | 35 | 32 | 6 | ... | ... | ... | ... | ... | ... | Luxembourg | |||
Netherlands | Netherlands | 195 | 180 | 180 | 263 | 260 | 260 | 113 | 110 | 110 | 182 | 190 | 190 | Pays-Bas | |||
Poland | Poland | 14,706 | 15,470 | 15,900 | 14,861 | 15,570 | 15,900 | 1,174 | 1,200 | 1,250 | 1,329 | 1,300 | 1,250 | Pologne | |||
Portugal | Portugal | 1,402 | 1,420 | 1,380 | 1,370 | 1,400 | 1,350 | 75 | 65 | 70 | 43 | 45 | 40 | Portugal | |||
Serbia | Serbia | 76 | 70 | 75 | 76 | 70 | 75 | 0 | 0 | 0 | 0 | 0 | 0 | Serbie | |||
Slovakia | Slovakia | 843 | 900 | 900 | 928 | 1,050 | 1,050 | 645 | 600 | 600 | 730 | 750 | 750 | Slovaquie | |||
Slovenia | Slovenia | 288 | 325 | 315 | 262 | 285 | 275 | 264 | 270 | 270 | 239 | 230 | 230 | Slovénie | |||
Sweden | Sweden | 28,302 | 29,632 | 30,232 | 25,600 | 26,900 | 27,500 | 3,110 | 3,255 | 3,255 | 408 | 523 | 523 | Suède | |||
Switzerland | Switzerland | 306 | 280 | 290 | 376 | 350 | 360 | 20 | 20 | 20 | 90 | 90 | 90 | Suisse | |||
UK | United Kingdom | 2,085 | 2,080 | 2,080 | 1,895 | 1,900 | 1,900 | 213 | 210 | 210 | 23 | 30 | 30 | Royaume-Uni | |||
Total Europe | 94,588 | 94,228 | 97,539 | 93,345 | 93,431 | 96,205 | 12,194 | 11,237 | 11,448 | 10,950 | 10,440 | 10,114 | Total Europe | ||||
Canada | Canada | 5,139 | 4,236 | 4,204 | 4,232 | 3,975 | 3,975 | 961 | 297 | 273 | 54 | 36 | 45 | Canada | |||
United States | United States | 143,467 | 144,224 | 143,845 | 143,462 | 144,219 | 143,840 | 5 | 5 | 5 | 0 | 0 | 0 | Etats-Unis | |||
Total North America | 148,606 | 148,460 | 148,049 | 147,694 | 148,194 | 147,816 | 966 | 302 | 278 | 54 | 36 | 45 | Total Amérique du Nord | ||||
a Countries which did not provide trade data are included in consumption data | a La consommation comprend les pays qui n'ont pas fournies des données sur la commerce | ||||||||||||||||
Table 12b
1.2.2.NC | |||||||||||||||||
TABLE 12b | |||||||||||||||||
PULPWOOD LOGS (ROUND AND SPLIT) | BOIS DE TRITURATION (RONDINS ET QUARTIERS) | ||||||||||||||||
Hardwood | Non-conifères | ||||||||||||||||
1000 m3 - Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
Apparent Consumption a | Imports | Exports | |||||||||||||||
Country | Consommation Apparente a | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 1,182 | 1,214 | 1,200 | 570 | 634 | 650 | 688 | 700 | 650 | 75 | 120 | 100 | Autriche | |||
Bulgaria | Bulgaria | 583 | ... | ... | 587 | ... | ... | 5 | ... | ... | 9 | ... | ... | Bulgarie | |||
Czech Republic | Czech Republic | 365 | 187 | 190 | 453 | 269 | 266 | 2 | 9 | 8 | 90 | 91 | 84 | République tchèque | |||
Estonia | Estonia | 336 | 370 | 370 | 1,171 | 1,100 | 1,100 | 139 | 130 | 130 | 974 | 860 | 860 | Estonie | |||
Finland | Finland | 12,721 | 9,117 | 9,428 | 8,151 | 8,084 | 8,801 | 4,661 | 1,085 | 679 | 91 | 52 | 52 | Finlande | |||
Germany | Germany | 1,111 | 1,021 | 1,079 | 1,119 | 1,008 | 1,045 | 261 | 259 | 280 | 269 | 246 | 246 | Allemagne | |||
Latvia | Latvia | 432 | 375 | 480 | 1,950 | 2,000 | 2,000 | 166 | 175 | 180 | 1,684 | 1,800 | 1,700 | Lettonie | |||
Luxembourg | Luxembourg | 49 | 128 | 32 | 49 | 128 | 32 | ... | ... | ... | ... | ... | ... | Luxembourg | |||
Netherlands | Netherlands | 62 | 65 | 65 | 131 | 135 | 135 | 19 | 20 | 20 | 89 | 90 | 90 | Pays-Bas | |||
Poland | Poland | 5,095 | 5,325 | 5,100 | 4,610 | 4,840 | 5,100 | 560 | 560 | ... | 75 | 75 | ... | Pologne | |||
Portugal | Portugal | 8,939 | 8,930 | 8,890 | 8,289 | 8,300 | 8,250 | 1,000 | 950 | 970 | 350 | 320 | 330 | Portugal | |||
Serbia | Serbia | 230 | 210 | 220 | 231 | 210 | 220 | 0 | 0 | 0 | 1 | 0 | 0 | Serbie | |||
Slovakia | Slovakia | 1,909 | 2,000 | 2,050 | 1,965 | 2,050 | 2,100 | 91 | 100 | 100 | 147 | 150 | 150 | Slovaquie | |||
Slovenia | Slovenia | 131 | 154 | 160 | 386 | 540 | 550 | 117 | 114 | 110 | 372 | 500 | 500 | Slovénie | |||
Sweden | Sweden | 8,485 | 8,486 | 8,686 | 6,200 | 6,400 | 6,600 | 2,313 | 2,119 | 2,119 | 28 | 33 | 33 | Suède | |||
Switzerland | Switzerland | 137 | 148 | 153 | 174 | 185 | 190 | 3 | 3 | 3 | 40 | 40 | 40 | Suisse | |||
UK | United Kingdom | 54 | 50 | 50 | 3 | 0 | 0 | 52 | 50 | 50 | 1 | 0 | 0 | Royaume-Uni | |||
Total Europe | 41,820 | 37,780 | 38,153 | 36,038 | 35,883 | 37,039 | 10,077 | 6,274 | 5,299 | 4,294 | 4,377 | 4,185 | Total Europe | ||||
Canada | Canada | 10,804 | 10,827 | 10,819 | 11,007 | 11,065 | 11,065 | 46 | 47 | 39 | 249 | 284 | 285 | Canada | |||
United States | United States | 42,259 | 43,085 | 42,672 | 42,272 | 43,099 | 42,685 | 42 | 42 | 42 | 55 | 56 | 56 | Etats-Unis | |||
Total North America | 53,063 | 53,912 | 53,491 | 53,279 | 54,164 | 53,750 | 88 | 89 | 81 | 304 | 340 | 340 | Total Amérique du Nord | ||||
a Countries which did not provide trade data are included in consumption data | a La consommation comprend les pays qui n'ont pas fournies des données sur la commerce | ||||||||||||||||
Table 12c
3 | |||||||||||||||||
TABLE 12c | |||||||||||||||||
WOOD RESIDUES, CHIPS AND PARTICLES | DECHETS DE BOIS, PLAQUETTES ET PARTICULES | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 m3 | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 8,827 | 8,450 | 8,400 | 7,467 | 7,150 | 7,100 | 2,292 | 2,100 | 2,050 | 931 | 800 | 750 | Autriche | |||
Bulgaria | Bulgaria | 56 | ... | ... | 93 | ... | ... | 7 | ... | ... | 44 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 8 | 10 | 10 | 8 | 9 | 9 | 1 | 1 | 1 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 1,679 | 1,675 | 1,681 | 1,733 | 1,728 | 1,734 | 203 | 197 | 202 | 257 | 250 | 255 | République tchèque | |||
Estonia | Estonia | 2,706 | 2,670 | 2,670 | 4,000 | 3,900 | 3,900 | 96 | 70 | 70 | 1,390 | 1,300 | 1,300 | Estonie | |||
Finland | Finland | 20,390 | 16,776 | 16,624 | 15,308 | 15,357 | 15,910 | 5,245 | 1,525 | 820 | 163 | 106 | 106 | Finlande | |||
Germany | Germany | 15,481 | 15,550 | 15,400 | 16,703 | 16,700 | 16,500 | 1,036 | 1,050 | 1,000 | 2,258 | 2,200 | 2,100 | Allemagne | |||
Latvia | Latvia | 2,733 | 2,800 | 2,950 | 4,310 | 4,500 | 4,700 | 778 | 300 | 250 | 2,355 | 2,000 | 2,000 | Lettonie | |||
Luxembourg | Luxembourg | 680 | 517 | 517 | 521 | 521 | 521 | 283 | 17 | 17 | 124 | 21 | 21 | Luxembourg | |||
Malta | Malta | 2 | 2 | 3 | 0 | 0 | 0 | 2 | 2 | 3 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 1,310 | 1,320 | 1,320 | 971 | 970 | 970 | 512 | 550 | 550 | 173 | 200 | 200 | Pays-Bas | |||
Poland | Poland | 11,954 | 12,130 | 12,400 | 10,211 | 10,500 | 10,800 | 2,213 | 2,050 | 2,000 | 469 | 420 | 400 | Pologne | |||
Portugal | Portugal | 3,301 | 2,520 | 2,510 | 1,824 | 1,920 | 1,900 | 1,758 | 800 | 810 | 281 | 200 | 200 | Portugal | |||
Serbia | Serbia | 506 | 560 | 595 | 493 | 550 | 580 | 15 | 12 | 17 | 2 | 2 | 2 | Serbie | |||
Slovakia | Slovakia | 1,097 | 1,100 | 1,150 | 1,150 | 1,150 | 1,200 | 307 | 300 | 300 | 360 | 350 | 350 | Slovaquie | |||
Slovenia | Slovenia | 710 | 540 | 870 | 1,360 | 1,450 | 1,500 | 272 | 290 | 300 | 922 | 1,200 | 930 | Slovénie | |||
Sweden | Sweden | 24,568 | 23,500 | 23,000 | 23,500 | 22,500 | 22,000 | 1,435 | 1,400 | 1,400 | 367 | 400 | 400 | Suède | |||
Switzerland | Switzerland | 1,330 | 1,345 | 1,350 | 790 | 810 | 820 | 600 | 590 | 590 | 60 | 55 | 60 | Suisse | |||
UK | United Kingdom | 3,164 | 2,910 | 3,150 | 3,122 | 2,870 | 3,110 | 119 | 120 | 120 | 77 | 80 | 80 | Royaume-Uni | |||
Total Europe | 100,505 | 94,375 | 94,600 | 93,564 | 92,585 | 93,254 | 17,174 | 11,374 | 10,500 | 10,234 | 9,584 | 9,154 | Total Europe | ||||
Canada | Canada | 24,984 | 22,884 | 22,832 | 22,856 | 21,485 | 21,485 | 2,716 | 1,906 | 1,891 | 587 | 507 | 544 | Canada | |||
United States | United States | 54,907 | 56,007 | 55,457 | 60,485 | 61,697 | 61,091 | 216 | 221 | 219 | 5,794 | 5,910 | 5,852 | Etats-Unis | |||
Total North America | 79,892 | 78,891 | 78,290 | 83,341 | 83,182 | 82,576 | 2,932 | 2,127 | 2,110 | 6,382 | 6,417 | 6,396 | Total Amérique du Nord | ||||
Table 13
4.1x | |||||||||||||||||
TABLE 13 | |||||||||||||||||
WOOD PELLETS | GRANULES DE BOIS | ||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
1000 mt | |||||||||||||||||
Apparent Consumption | Imports | Exports | |||||||||||||||
Country | Consommation Apparente | Production | Imports - Importations | Exports - Exportations | Pays | ||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
Austria | Austria | 1,144 | 1,270 | 1,410 | 1,607 | 1,720 | 2,060 | 413 | 328 | 400 | 875 | 778 | 1,050 | Autriche | |||
Bulgaria | Bulgaria | 202 | ... | ... | 216 | ... | ... | 132 | ... | ... | 146 | ... | ... | Bulgarie | |||
Cyprus | Cyprus | 4 | 3 | 3 | 0 | 0 | 0 | 4 | 3 | 3 | 0 | 0 | 0 | Chypre | |||
Czech Republic | Czech Republic | 126 | 199 | 201 | 490 | 503 | 517 | 39 | 35 | 37 | 403 | 339 | 353 | République tchèque | |||
Estonia | Estonia | 67 | 70 | 70 | 1,600 | 1,550 | 1,550 | 26 | 20 | 20 | 1,559 | 1,500 | 1,500 | Estonie | |||
Finland | Finland | 552 | 479 | 456 | 365 | 375 | 380 | 196 | 110 | 80 | 9 | 6 | 4 | Finlande | |||
Germany | Germany | 2,932 | 3,200 | 3,400 | 3,353 | 3,600 | 3,800 | 392 | 450 | 500 | 813 | 850 | 900 | Allemagne | |||
Latvia | Latvia | 221 | 280 | 100 | 2,138 | 2,200 | 2,000 | 592 | 380 | 400 | 2,509 | 2,300 | 2,300 | Lettonie | |||
Luxembourg | Luxembourg | 49 | 63 | 63 | 63 | 63 | 63 | 13 | 4 | 4 | 28 | 4 | 4 | Luxembourg | |||
Malta | Malta | 1 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | Malte | |||
Netherlands | Netherlands | 2,449 | 2,457 | 2,457 | 307 | 315 | 315 | 2,297 | 2,297 | 2,297 | 155 | 155 | 155 | Pays-Bas | |||
Poland | Poland | 1,169 | 1,220 | 1,330 | 1,594 | 1,620 | 1,680 | 269 | 280 | 300 | 694 | 680 | 650 | Pologne | |||
Portugal | Portugal | 224 | 270 | 265 | 731 | 860 | 800 | 3 | 10 | 15 | 510 | 600 | 550 | Portugal | |||
Serbia | Serbia | 497 | 430 | 485 | 468 | 420 | 460 | 84 | 60 | 80 | 55 | 50 | 55 | Serbie | |||
Slovakia | Slovakia | 19 | 145 | 195 | 310 | 325 | 350 | 46 | 45 | 45 | 337 | 225 | 200 | Slovaquie | |||
Slovenia | Slovenia | 111 | 112 | 150 | 149 | 162 | 170 | 166 | 120 | 150 | 204 | 170 | 170 | Slovénie | |||
Sweden | Sweden | 1,771 | 1,985 | 1,985 | 1,900 | 2,100 | 2,100 | 154 | 235 | 235 | 282 | 350 | 350 | Suède | |||
Switzerland | Switzerland | 350 | 355 | 360 | 275 | 285 | 295 | 75 | 70 | 65 | 0 | 0 | 0 | Suisse | |||
UK | United Kingdom | 9,430 | 9,450 | 9,450 | 304 | 320 | 320 | 9,128 | 9,130 | 9,130 | 2 | 0 | 0 | Royaume-Uni | |||
Total Europe | 21,318 | 21,989 | 22,381 | 15,870 | 16,418 | 16,860 | 14,030 | 13,578 | 13,762 | 8,582 | 8,007 | 8,241 | Total Europe | ||||
Canada | Canada | 706 | 761 | 548 | 3,830 | 4,131 | 4,131 | 29 | 33 | 35 | 3,153 | 3,402 | 3,618 | Canada | |||
United States | United States | 1,122 | 1,136 | 1,129 | 8,449 | 8,557 | 8,503 | 196 | 198 | 197 | 7,523 | 7,619 | 7,571 | Etats-Unis | |||
Total North America | 1,828 | 1,898 | 1,677 | 12,279 | 12,688 | 12,634 | 225 | 231 | 232 | 10,676 | 11,021 | 11,189 | Total Amérique du Nord | ||||
Table 14
3+4 | |||||||||||||||||
TABLE 14 | |||||||||||||||||
Europe: Summary table of market forecasts for 2022 and 2023 | |||||||||||||||||
Europe: Tableau récapitulatif des prévisions du marché pour 2022 et 2023 | |||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||
million m3 (pulp, paper and pellets million m.t. - pâte de bois, papiers et cartons, et granulés en millions de tonnes métriques) | |||||||||||||||||
Apparent Consumption | |||||||||||||||||
Consommation Apparente | Production | Imports - Importations | Exports - Exportations | ||||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||
actual | forecasts | actual | forecasts | actual | forecasts | actual | forecasts | ||||||||||
réels | prévisions | réels | prévisions | réels | prévisions | réels | prévisions | ||||||||||
Sawn softwood | 67.77 | 63.34 | 62.12 | 90.27 | 88.25 | 87.84 | 26.30 | 22.94 | 21.87 | 48.80 | 47.85 | 47.59 | Sciages conifères | ||||
Softwood logs a | 172.76 | 165.24 | 163.92 | 177.51 | 167.80 | 163.65 | 18.28 | 16.58 | 17.07 | 23.03 | 19.14 | 16.80 | Grumes de conifères a | ||||
Sawn hardwood | 4.34 | 4.17 | 4.19 | 4.22 | 4.17 | 4.09 | 2.95 | 2.89 | 2.92 | 2.83 | 2.89 | 2.82 | Sciages non-conifères | ||||
– temperate zone b | 3.56 | 3.34 | 3.35 | 3.04 | 2.92 | 2.91 | 2.41 | 2.33 | 2.37 | 1.89 | 1.90 | 1.93 | – zone tempérée b | ||||
– tropical zone b | 0.32 | 0.34 | 0.34 | 0.03 | 0.02 | 0.03 | 0.41 | 0.41 | 0.40 | 0.12 | 0.09 | 0.08 | – zone tropicale b | ||||
Hardwood logs a | 13.59 | 13.27 | 13.48 | 14.25 | 14.21 | 14.29 | 1.85 | 1.54 | 1.43 | 2.50 | 2.48 | 2.24 | Grumes de non-conifères a | ||||
– temperate zone b | 13.46 | 13.43 | 13.50 | 14.25 | 14.21 | 14.29 | 0.75 | 0.64 | 0.48 | 1.54 | 1.43 | 1.27 | – zone tempérée b | ||||
– tropical zone b | 0.05 | 0.04 | 0.04 | 0.07 | 0.06 | 0.06 | 0.02 | 0.02 | 0.02 | – zone tropicale b | |||||||
Veneer sheets | 0.74 | 0.75 | 0.72 | 0.70 | 0.72 | 0.71 | 0.78 | 0.71 | 0.66 | 0.74 | 0.68 | 0.65 | Feuilles de placage | ||||
Plywood | 5.94 | 5.84 | 5.86 | 3.41 | 3.37 | 3.35 | 5.87 | 5.67 | 5.63 | 3.35 | 3.21 | 3.12 | Contreplaqués | ||||
Particle board (excluding OSB) | 21.78 | 20.86 | 20.73 | 21.93 | 20.41 | 20.25 | 8.19 | 8.10 | 8.10 | 8.34 | 7.66 | 7.62 | Pann. de particules (sauf OSB) | ||||
OSB | 4.95 | 4.85 | 4.85 | 4.74 | 4.42 | 4.49 | 2.67 | 2.69 | 2.71 | 2.46 | 2.25 | 2.35 | OSB | ||||
Fibreboard | 13.90 | 14.17 | 14.10 | 14.72 | 14.71 | 14.71 | 7.39 | 7.13 | 7.04 | 8.20 | 7.67 | 7.66 | Panneaux de fibres | ||||
– Hardboard | 0.54 | 0.77 | 0.77 | 0.28 | 0.21 | 0.21 | 1.07 | 1.06 | 1.06 | 0.81 | 0.50 | 0.50 | – Durs | ||||
– MDF | 9.73 | 9.79 | 9.73 | 10.78 | 10.85 | 10.80 | 4.34 | 4.11 | 4.07 | 5.38 | 5.17 | 5.15 | – MDF | ||||
– Other board | 3.63 | 3.62 | 3.61 | 3.66 | 3.65 | 3.70 | 1.98 | 1.96 | 1.92 | 2.01 | 2.00 | 2.01 | – Autres panneaux | ||||
Pulpwood a | 236.74 | 226.37 | 228.68 | 222.94 | 221.89 | 226.49 | 39.16 | 28.87 | 23.98 | 25.35 | 24.38 | 21.78 | Bois de trituration a | ||||
– Pulp logs | 136.41 | 132.01 | 135.69 | 129.38 | 129.31 | 133.24 | 22.27 | 17.51 | 16.75 | 15.24 | 14.82 | 14.30 | – Bois ronds de trituration | ||||
– softwood | 94.59 | 94.23 | 97.54 | 93.34 | 93.43 | 96.20 | 12.19 | 11.24 | 11.45 | 10.95 | 10.44 | 10.11 | – conifères | ||||
– hardwood | 41.82 | 37.78 | 38.15 | 36.04 | 35.88 | 37.04 | 10.08 | 6.27 | 5.30 | 4.29 | 4.38 | 4.19 | – non-conifères | ||||
– Residues, chips and particles | 100.50 | 94.37 | 94.60 | 93.56 | 92.59 | 93.25 | 17.17 | 11.37 | 10.50 | 10.23 | 9.58 | 9.15 | – Déchets, plaquettes et part. | ||||
Wood pulp | 31.26 | 30.47 | 31.02 | 33.82 | 32.17 | 33.48 | 10.99 | 11.00 | 11.04 | 13.56 | 12.70 | 13.50 | Pâte de bois | ||||
Paper and paperboard | 47.70 | 46.94 | 46.97 | 64.68 | 62.48 | 63.49 | 29.98 | 29.24 | 29.29 | 46.96 | 44.78 | 45.81 | Papiers et cartons | ||||
Wood Pellets | 21.32 | 21.99 | 22.38 | 15.87 | 16.42 | 16.86 | 14.03 | 13.58 | 13.76 | 8.58 | 8.01 | 8.24 | Granulés de bois | ||||
a Countries which did not provide trade data are included in consumption data | a La consommation comprend les pays qui n'ont pas fourni des données sur le commerce | ||||||||||||||||
b Trade figures by zone do not equal the total as some countries cannot provide data for both zones | b Les chiffres du commerce par zone ne correspondent pas aux totaux | ||||||||||||||||
en raison du fait que certains pays ne peuvent les différencier. | |||||||||||||||||
Table 15
3+4 | |||||||||||||||||||
TABLE 15 | |||||||||||||||||||
North America: Summary table of market forecasts for 2022 and 2023 | |||||||||||||||||||
Amérique du Nord: Tableau récapitulatif des prévisions du marché pour 2022 et 2023 | |||||||||||||||||||
Data only for those countries providing forecasts - Données uniquement pour les pays fournissant des prévisions | |||||||||||||||||||
million m3 (pulp, paper and pellets million m.t. - pâte de bois, papiers et cartons, et granulés en millions de tonnes métriques) | |||||||||||||||||||
Apparent Consumption | |||||||||||||||||||
Consommation Apparente | Production | Imports - Importations | Exports - Exportations | ||||||||||||||||
2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | 2021 | 2022 | 2023 | ||||||||
actual | forecasts | actual | forecasts | actual | forecasts | actual | forecasts | ||||||||||||
réels | prévisions | réels | prévisions | réels | prévisions | réels | prévisions | ||||||||||||
Sawn softwood | 108.10 | 107.38 | 113.43 | 119.26 | 116.36 | 115.11 | 27.96 | 27.02 | 27.28 | 39.12 | 36.00 | 28.96 | Sciages conifères | ||||||
Softwood logs | 246.67 | 246.17 | 245.94 | 259.39 | 258.19 | 257.76 | 2.50 | 1.77 | 1.52 | 15.22 | 13.78 | 13.35 | Grumes de conifères | ||||||
Sawn hardwood | 15.56 | 16.29 | 15.82 | 18.21 | 18.42 | 18.18 | 1.51 | 1.93 | 1.66 | 4.17 | 4.06 | 4.02 | Sciages non-conifères | ||||||
– temperate zone | 15.36 | 16.05 | 15.61 | 18.21 | 18.42 | 18.18 | 1.27 | 1.64 | 1.38 | 4.11 | 4.01 | 3.96 | – zone tempérée | ||||||
– tropical zone | 0.19 | 0.25 | 0.22 | 0.00 | 0.00 | 0.00 | 0.24 | 0.30 | 0.27 | 0.05 | 0.05 | 0.06 | – zone tropicale | ||||||
Hardwood logs | 43.94 | 43.70 | 43.36 | 44.82 | 44.77 | 44.45 | 1.30 | 1.17 | 1.12 | 2.18 | 2.24 | 2.21 | Grumes de non-conifères | ||||||
– temperate zone | 42.86 | 42.78 | 42.48 | 44.82 | 44.77 | 44.45 | 0.15 | 0.15 | 0.15 | 2.11 | 2.15 | 2.13 | – zone tempérée | ||||||
– tropical zone | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | – zone tropicale | |||||||||
Veneer sheets | 2.82 | 2.97 | 2.90 | 2.87 | 2.85 | 2.85 | 0.85 | 0.98 | 0.95 | 0.90 | 0.86 | 0.89 | Feuilles de placage | ||||||
Plywood | 19.52 | 19.58 | 19.65 | 11.40 | 11.54 | 11.44 | 9.51 | 9.31 | 9.53 | 1.39 | 1.26 | 1.32 | Contreplaqués | ||||||
Particle board (excluding OSB) | 6.60 | 8.78 | 7.32 | 5.78 | 5.94 | 5.56 | 2.06 | 3.74 | 2.74 | 1.24 | 0.90 | 0.99 | Pann. de particules (sauf OSB) | ||||||
OSB | 21.42 | 21.68 | 21.95 | 21.08 | 21.62 | 21.89 | 6.27 | 6.31 | 6.40 | 5.93 | 6.25 | 6.34 | OSB | ||||||
Fibreboard | 11.22 | 11.48 | 11.34 | 8.91 | 9.09 | 9.06 | 4.02 | 4.08 | 4.01 | 1.71 | 1.68 | 1.73 | Panneaux de fibres | ||||||
– Hardboard | 0.55 | 0.55 | 0.55 | 0.59 | 0.59 | 0.60 | 0.32 | 0.32 | 0.32 | 0.36 | 0.36 | 0.37 | – Durs | ||||||
– MDF | 7.31 | 7.18 | 7.23 | 5.04 | 5.11 | 5.13 | 3.33 | 3.21 | 3.22 | 1.06 | 1.14 | 1.12 | – MDF | ||||||
– Other board | 3.36 | 3.75 | 3.56 | 3.28 | 3.39 | 3.33 | 0.37 | 0.55 | 0.47 | 0.29 | 0.18 | 0.24 | – Autres panneaux | ||||||
Pulpwood | 281.56 | 281.26 | 279.83 | 284.31 | 285.54 | 284.14 | 3.99 | 2.52 | 2.47 | 6.74 | 6.79 | 6.78 | Bois de trituration | ||||||
– Pulp logs | 201.67 | 202.37 | 201.54 | 200.97 | 202.36 | 201.57 | 1.05 | 0.39 | 0.36 | 0.36 | 0.38 | 0.39 | – Bois ronds de trituration | ||||||
– softwood | 148.61 | 148.46 | 148.05 | 147.69 | 148.19 | 147.82 | 0.97 | 0.30 | 0.28 | 0.05 | 0.04 | 0.04 | – conifères | ||||||
– hardwood | 53.06 | 53.91 | 53.49 | 53.28 | 54.16 | 53.75 | 0.09 | 0.09 | 0.08 | 0.30 | 0.34 | 0.34 | – non-conifères | ||||||
– Residues, chips and particles | 79.89 | 78.89 | 78.29 | 83.34 | 83.18 | 82.58 | 2.93 | 2.13 | 2.11 | 6.38 | 6.42 | 6.40 | – Déchets, plaquettes et part. | ||||||
Wood pulp | 55.37 | 54.37 | 54.34 | 64.57 | 63.72 | 63.24 | 7.13 | 6.99 | 7.22 | 16.34 | 16.33 | 16.12 | Pâte de bois | ||||||
Paper and paperboard | 70.56 | 73.06 | 71.87 | 76.26 | 78.63 | 77.27 | 10.65 | 11.12 | 10.93 | 16.35 | 16.69 | 16.32 | Papiers et cartons | ||||||
Wood pellets | 1.83 | 1.90 | 1.68 | 12.28 | 12.69 | 12.63 | 0.23 | 0.23 | 0.23 | 10.68 | 11.02 | 11.19 | Granulés de bois | ||||||
printed on 16/12 |
Joint Forest Sector Questionnaire - 2020 - National Reply -United Kingdom
Reply as received from country.
Manual
Changes from JQ2019 to JQ2020 Below is a complete list of all changes to JQ2020. Items in bold are significant changes. 1) Definitions a) Included additional products under definition of production b) Changed definition of veneer to exclude veneer used for plywood (item 7). This reverts to the pre-2017 definition. c) Removed reference to particle board as an aggregate (item 8.2). d) Added fine OSB to definition of OSB (item 8.2.1). 2) Questionnaires a) Changed representation of unit “mt” to “t” (metric tonnes). b) Cubic metre (m3) referenced as solid volume (in accordance with definitions). c) Included m3ub (underbark) for roundwood on ITTO 2. d) ECE-EU i) Removed the “ex” (partial) HS codes ii) Removed item 1.2.C.Other (3 rows) iii) Restored data checks between this questionnaire and JQ2
JQ1|Primary Products|Production
Country: | UK | Date: 14/10/2021 | Country: | UK | |||||||||||||||||||||||||||||||||
Name of Official responsible for reply: | |||||||||||||||||||||||||||||||||||||
Official Address (in full): | |||||||||||||||||||||||||||||||||||||
FOREST SECTOR QUESTIONNAIRE JQ1 | Forest Research, 231 Corstorphine Road, Edinburgh EH12 7AT, UK | ||||||||||||||||||||||||||||||||||||
Industrial Roundwood Balance | |||||||||||||||||||||||||||||||||||||
PRIMARY PRODUCTS | Telephone: | Fax: | This table highlights discrepancies between items and sub-items. Please verify your data for any non-zero figure! | Discrepancies | |||||||||||||||||||||||||||||||||
Removals and Production | E-mail: | test for good numbers, missing number, bad number, negative number | |||||||||||||||||||||||||||||||||||
51 | 51 | ||||||||||||||||||||||||||||||||||||
Product | Product | Unit | 2019 | 2020 | Product | Product | Unit | 2019 | 2020 | 2019 | 2020 | % change | Conversion factors | ||||||||||||||||||||||||
Code | Quantity | Quantity | Code | Quantity | Quantity | Roundwood | Industrial roundwood availability McCusker 14/6/07: McCusker 14/6/07: minus 1.2.3 (other ind. RW) production | 8,697 | 8,263 | -5% | m3 of wood in m3 or mt of product | ||||||||||||||||||||||||||
REMOVALS OF ROUNDWOOD (WOOD IN THE ROUGH) | REMOVALS OF ROUNDWOOD (WOOD IN THE ROUGH) | Recovered wood used in particle board | missing data | missing data | missing data | Solid wood equivalent | |||||||||||||||||||||||||||||||
1 | ROUNDWOOD (WOOD IN THE ROUGH) | 1000 m3ub | 10,783 | 10,438 | 1 | ROUNDWOOD (WOOD IN THE ROUGH) | 1000 m3ub | 0 | 0 | Solid Wood Demand | agglomerate production | 298 | 271 | -9% | 2.4 | ||||||||||||||||||||||
1.1 | WOOD FUEL (INCLUDING WOOD FOR CHARCOAL) | 1000 m3ub | 2,478 | 2,429 | 1.1 | WOOD FUEL (INCLUDING WOOD FOR CHARCOAL) | 1000 m3ub | 0 | 0 | Sawnwood production | 3,455 | 3,340 | -3% | 1 | |||||||||||||||||||||||
1.1.C | Coniferous | 1000 m3ub | 1,866 | 1,817 | 1.1.C | Coniferous | 1000 m3ub | veneer production | 0 | 0 | missing data | 1 | |||||||||||||||||||||||||
1.1.NC | Non-Coniferous | 1000 m3ub | 613 | 613 | 1.1.NC | Non-Coniferous | 1000 m3ub | plywood production | 0 | 0 | missing data | 1 | |||||||||||||||||||||||||
1.2 | INDUSTRIAL ROUNDWOOD | 1000 m3ub | 8,305 | 8,009 | 1.2 | INDUSTRIAL ROUNDWOOD | 1000 m3ub | 0 | 0 | particle board production (incl OSB) | 2,495 | 2,296 | -8% | 1.58 | |||||||||||||||||||||||
1.2.C | Coniferous | 1000 m3ub | 8,157 | 7,896 | 1.2.C | Coniferous | 1000 m3ub | 0 | 0 | fibreboard production | 751 | 656 | -13% | 1.8 | |||||||||||||||||||||||
1.2.NC | Non-Coniferous | 1000 m3ub | 148 | 113 | 1.2.NC | Non-Coniferous | 1000 m3ub | 0 | 0 | mechanical/semi-chemical pulp production | missing data | missing data | missing data | 2.5 | |||||||||||||||||||||||
1.2.NC.T | of which: Tropical | 1000 m3ub | 0 | 0 | 1.2.NC.T | of which: Tropical | 1000 m3ub | chemical pulp production | 0 | 0 | missing data | 4.9 | |||||||||||||||||||||||||
1.2.1 | SAWLOGS AND VENEER LOGS | 1000 m3ub | 6,024 | 5,892 | 1.2.1 | SAWLOGS AND VENEER LOGS | 1000 m3ub | 0 | 0 | dissolving pulp production | 0 | 0 | missing data | 5.7 | |||||||||||||||||||||||
1.2.1.C | Coniferous | 1000 m3ub | 5,926 | 5,829 | 1.2.1.C | Coniferous | 1000 m3ub | Availability | Solid Wood Demand | missing data | missing data | missing data | |||||||||||||||||||||||||
1.2.1.NC | Non-Coniferous | 1000 m3ub | 98 | 63 | 1.2.1.NC | Non-Coniferous | 1000 m3ub | Difference (roundwood-demand) | missing data | missing data | missing data | positive = surplus | |||||||||||||||||||||||||
1.2.2 | PULPWOOD, ROUND AND SPLIT (INCLUDING WOOD FOR PARTICLE BOARD, OSB AND FIBREBOARD) | 1000 m3ub | 1,795 | 1,632 | 1.2.2 | PULPWOOD, ROUND AND SPLIT (INCLUDING WOOD FOR PARTICLE BOARD, OSB AND FIBREBOARD) | 1000 m3ub | 0 | 0 | gap (demand/availability) | missing data | missing data | Negative number means not enough roundwood available | ||||||||||||||||||||||||
1.2.2.C | Coniferous | 1000 m3ub | 1,793 | 1,630 | 1.2.2.C | Coniferous | 1000 m3ub | Positive number means more roundwood available than demanded | |||||||||||||||||||||||||||||
1.2.2.NC | Non-Coniferous | 1000 m3ub | 1 | 2 | 1.2.2.NC | Non-Coniferous | 1000 m3ub | ||||||||||||||||||||||||||||||
1.2.3 | OTHER INDUSTRIAL ROUNDWOOD | 1000 m3ub | 486 | 485 | 1.2.3 | OTHER INDUSTRIAL ROUNDWOOD | 1000 m3ub | 0 | 0 | ||||||||||||||||||||||||||||
1.2.3.C | Coniferous | 1000 m3ub | 438 | 436 | 1.2.3.C | Coniferous | 1000 m3ub | % of particle board that is from recovered wood | 35% | ||||||||||||||||||||||||||||
1.2.3.NC | Non-Coniferous | 1000 m3ub | 48 | 48 | 1.2.3.NC | Non-Coniferous | 1000 m3ub | share of agglomerates produced from industrial roundwood residues | 100% | ||||||||||||||||||||||||||||
PRODUCTION | PRODUCTION | usable industrial roundwood - amount of roundwood that is used, remainder leaves industry | 98.5% | ||||||||||||||||||||||||||||||||||
2 | WOOD CHARCOAL | 1000 t | 5 | 5 | 2 | WOOD CHARCOAL | 1000 t | ||||||||||||||||||||||||||||||
3 | WOOD CHIPS, PARTICLES AND RESIDUES | 1000 m3 | 2,827 | 3,038 | 3 | WOOD CHIPS, PARTICLES AND RESIDUES | 1000 m3 | 0 | 0 | ||||||||||||||||||||||||||||
3.1 | WOOD CHIPS AND PARTICLES | 1000 m3 | 2,120 | 2,279 | 3.1 | WOOD CHIPS AND PARTICLES | 1000 m3 | ||||||||||||||||||||||||||||||
3.2 | WOOD RESIDUES (INCLUDING WOOD FOR AGGLOMERATES) | 1000 m3 | 707 | 760 | 3.2 | WOOD RESIDUES (INCLUDING WOOD FOR AGGLOMERATES) | 1000 m3 | ||||||||||||||||||||||||||||||
4 | RECOVERED POST-CONSUMER WOOD | 1000 t | 4,500 | 4,050 | 4 | RECOVERED POST-CONSUMER WOOD | 1000 t | ||||||||||||||||||||||||||||||
5 | WOOD PELLETS AND OTHER AGGLOMERATES | 1000 t | 298 | 271 | 5 | WOOD PELLETS AND OTHER AGGLOMERATES | 1000 t | 0 | 0 | ||||||||||||||||||||||||||||
5.1 | WOOD PELLETS | 1000 t | 298 | 271 | 5.1 | WOOD PELLETS | 1000 t | ||||||||||||||||||||||||||||||
5.2 | OTHER AGGLOMERATES | 1000 t | 0 | 0 | 5.2 | OTHER AGGLOMERATES | 1000 t | ||||||||||||||||||||||||||||||
6 | SAWNWOOD (INCLUDING SLEEPERS) | 1000 m3 | 3,455 | 3,340 | 6 | SAWNWOOD (INCLUDING SLEEPERS) | 1000 m3 | 0 | 0 | ||||||||||||||||||||||||||||
6.C | Coniferous | 1000 m3 | 3,408 | 3,302 | 6.C | Coniferous | 1000 m3 | ||||||||||||||||||||||||||||||
6.NC | Non-Coniferous | 1000 m3 | 46 | 37 | 6.NC | Non-Coniferous | 1000 m3 | ||||||||||||||||||||||||||||||
6.NC.T | of which: Tropical | 1000 m3 | 0 | 0 | 6.NC.T | of which: Tropical | 1000 m3 | ||||||||||||||||||||||||||||||
7 | VENEER SHEETS | 1000 m3 | 0 | 0 | 7 | VENEER SHEETS | 1000 m3 | 0 | 0 | ||||||||||||||||||||||||||||
7.C | Coniferous | 1000 m3 | 0 | 0 | 7.C | Coniferous | 1000 m3 | ||||||||||||||||||||||||||||||
7.NC | Non-Coniferous | 1000 m3 | 0 | 0 | 7.NC | Non-Coniferous | 1000 m3 | ||||||||||||||||||||||||||||||
7.NC.T | of which: Tropical | 1000 m3 | 0 | 0 | 7.NC.T | of which: Tropical | 1000 m3 | ||||||||||||||||||||||||||||||
8 | WOOD-BASED PANELS | 1000 m3 | 3,246 | 2,952 | 8 | WOOD-BASED PANELS | 1000 m3 | 0 | 0 | ||||||||||||||||||||||||||||
8.1 | PLYWOOD | 1000 m3 | 0 | 0 | 8.1 | PLYWOOD | 1000 m3 | 0 | 0 | ||||||||||||||||||||||||||||
8.1.C | Coniferous | 1000 m3 | 0 | 0 | 8.1.C | Coniferous | 1000 m3 | ||||||||||||||||||||||||||||||
8.1.NC | Non-Coniferous | 1000 m3 | 0 | 0 | 8.1.NC | Non-Coniferous | 1000 m3 | ||||||||||||||||||||||||||||||
8.1.NC.T | of which: Tropical | 1000 m3 | 0 | 0 | 8.1.NC.T | of which: Tropical | 1000 m3 | ||||||||||||||||||||||||||||||
8.2 | PARTICLE BOARD, ORIENTED STRAND BOARD (OSB) AND SIMILAR BOARD | 1000 m3 | 2,495 | 2,296 | 8.2 | PARTICLE BOARD, ORIENTED STRAND BOARD (OSB) AND SIMILAR BOARD | 1000 m3 | ||||||||||||||||||||||||||||||
8.2.1 | of which: ORIENTED STRAND BOARD (OSB) | 1000 m3 | +++ | +++ | 8.2.1 | of which: ORIENTED STRAND BOARD (OSB) | 1000 m3 | ||||||||||||||||||||||||||||||
8.3 | FIBREBOARD | 1000 m3 | 751 | 656 | 8.3 | FIBREBOARD | 1000 m3 | 0 | 0 | ||||||||||||||||||||||||||||
8.3.1 | HARDBOARD | 1000 m3 | 0 | 0 | 8.3.1 | HARDBOARD | 1000 m3 | ||||||||||||||||||||||||||||||
8.3.2 | MEDIUM/HIGH DENSITY FIBREBOARD (MDF/HDF) | 1000 m3 | 751 | 656 | 8.3.2 | MEDIUM/HIGH DENSITY FIBREBOARD (MDF/HDF) | 1000 m3 | ||||||||||||||||||||||||||||||
8.3.3 | OTHER FIBREBOARD | 1000 m3 | 0 | 0 | 8.3.3 | OTHER FIBREBOARD | 1000 m3 | ||||||||||||||||||||||||||||||
9 | WOOD PULP | 1000 t | +++ | +++ | 9 | WOOD PULP | 1000 t | ERROR:#VALUE! | ERROR:#VALUE! | ||||||||||||||||||||||||||||
9.1 | MECHANICAL AND SEMI-CHEMICAL WOOD PULP | 1000 t | +++ | +++ | 9.1 | MECHANICAL AND SEMI-CHEMICAL WOOD PULP | 1000 t | ||||||||||||||||||||||||||||||
9.2 | CHEMICAL WOOD PULP | 1000 t | 0 | 0 | 9.2 | CHEMICAL WOOD PULP | 1000 t | 0 | 0 | ||||||||||||||||||||||||||||
9.2.1 | SULPHATE PULP | 1000 t | 0 | 0 | 9.2.1 | SULPHATE PULP | 1000 t | ||||||||||||||||||||||||||||||
9.2.1.1 | of which: BLEACHED | 1000 t | 0 | 0 | 9.2.1.1 | of which: BLEACHED | 1000 t | ||||||||||||||||||||||||||||||
9.2.2 | SULPHITE PULP | 1000 t | 0 | 0 | 9.2.2 | SULPHITE PULP | 1000 t | ||||||||||||||||||||||||||||||
9.3 | DISSOLVING GRADES | 1000 t | 0 | 0 | 9.3 | DISSOLVING GRADES | 1000 t | ||||||||||||||||||||||||||||||
10 | OTHER PULP | 1000 t | 2,693 | 2,560 | 10 | OTHER PULP | 1000 t | 0 | 0 | ||||||||||||||||||||||||||||
10.1 | PULP FROM FIBRES OTHER THAN WOOD | 1000 t | 7 | 7 | 10.1 | PULP FROM FIBRES OTHER THAN WOOD | 1000 t | ||||||||||||||||||||||||||||||
10.2 | RECOVERED FIBRE PULP | 1000 t | 2,686 | 2,553 | 10.2 | RECOVERED FIBRE PULP | 1000 t | ||||||||||||||||||||||||||||||
11 | RECOVERED PAPER | 1000 t | 7,348 | 6,576 | 11 | RECOVERED PAPER | 1000 t | ||||||||||||||||||||||||||||||
12 | PAPER AND PAPERBOARD | 1000 t | 3,851 | 3,631 | 12 | PAPER AND PAPERBOARD | 1000 t | 0 | ERROR:#VALUE! | ||||||||||||||||||||||||||||
12.1 | GRAPHIC PAPERS | 1000 t | 918 | +++ | 12.1 | GRAPHIC PAPERS | 1000 t | ERROR:#VALUE! | ERROR:#VALUE! | ||||||||||||||||||||||||||||
12.1.1 | NEWSPRINT | 1000 t | +++ | +++ | 12.1.1 | NEWSPRINT | 1000 t | ||||||||||||||||||||||||||||||
12.1.2 | UNCOATED MECHANICAL | 1000 t | +++ | +++ | 12.1.2 | UNCOATED MECHANICAL | 1000 t | ||||||||||||||||||||||||||||||
12.1.3 | UNCOATED WOODFREE | 1000 t | +++ | +++ | 12.1.3 | UNCOATED WOODFREE | 1000 t | ||||||||||||||||||||||||||||||
12.1.4 | COATED PAPERS | 1000 t | +++ | +++ | 12.1.4 | COATED PAPERS | 1000 t | ||||||||||||||||||||||||||||||
12.2 | HOUSEHOLD AND SANITARY PAPERS | 1000 t | 762 | 742 | 12.2 | HOUSEHOLD AND SANITARY PAPERS | 1000 t | ||||||||||||||||||||||||||||||
12.3 | PACKAGING MATERIALS | 1000 t | 1,884 | 1,915 | 12.3 | PACKAGING MATERIALS | 1000 t | ERROR:#VALUE! | ERROR:#VALUE! | ||||||||||||||||||||||||||||
12.3.1 | CASE MATERIALS | 1000 t | +++ | +++ | 12.3.1 | CASE MATERIALS | 1000 t | ||||||||||||||||||||||||||||||
12.3.2 | CARTONBOARD | 1000 t | +++ | +++ | 12.3.2 | CARTONBOARD | 1000 t | ||||||||||||||||||||||||||||||
12.3.3 | WRAPPING PAPERS | 1000 t | +++ | +++ | 12.3.3 | WRAPPING PAPERS | 1000 t | ||||||||||||||||||||||||||||||
12.3.4 | OTHER PAPERS MAINLY FOR PACKAGING | 1000 t | +++ | +++ | 12.3.4 | OTHER PAPERS MAINLY FOR PACKAGING | 1000 t | ||||||||||||||||||||||||||||||
12.4 | OTHER PAPER AND PAPERBOARD N.E.S. (NOT ELSEWHERE SPECIFIED) | 1000 t | 287 | +++ | 12.4 | OTHER PAPER AND PAPERBOARD N.E.S. (NOT ELSEWHERE SPECIFIED) | 1000 t | ||||||||||||||||||||||||||||||
m3 = cubic metres solid volume | |||||||||||||||||||||||||||||||||||||
m3ub = cubic metres solid volume underbark (i.e. excluding bark) | |||||||||||||||||||||||||||||||||||||
t = metric tonnes | |||||||||||||||||||||||||||||||||||||
JQ2 | Primary Products | Trade
FOREST SECTOR QUESTIONNAIRE JQ2 | Country: | UK | Date: | 10/14/21 | |||||||||||||||||||||||||||||||||||||||||||||
Name of Official responsible for reply: | |||||||||||||||||||||||||||||||||||||||||||||||||
PRIMARY PRODUCTS | Official Address (in full): | Forest Research, 231 Corstorphine Road, Edinburgh EH12 7AT, UK | This table highlights discrepancies between production and trade. For any negative number, indicating greater net exports than production, please verify your data! | ||||||||||||||||||||||||||||||||||||||||||||||
Trade | Telephone: | Fax: | This table highlights discrepancies between items and sub-items. Please verify your data for any non-zero figure! | ||||||||||||||||||||||||||||||||||||||||||||||
E-mail: | Country: | UK | Country: | UK | |||||||||||||||||||||||||||||||||||||||||||||
Specify Currency and Unit of Value (e.g.:1000 US $): | 1000 £ sterling | Trade | Discrepancies | ||||||||||||||||||||||||||||||||||||||||||||||
Product | Unit of | I M P O R T | E X P O R T | Product | I M P O R T | E X P O R T | Product | Apparent Consumption | |||||||||||||||||||||||||||||||||||||||||
code | Product | quantity | 2019 | 2020 | 2019 | 2020 | code | 2019 | 2020 | 2019 | 2020 | code | 2019 | 2020 | |||||||||||||||||||||||||||||||||||
Quantity | Value | Quantity | Value | Quantity | Value | Quantity | Value | Quantity | Value | Quantity | Value | Quantity | Value | Quantity | Value | ||||||||||||||||||||||||||||||||||
1 | ROUNDWOOD (WOOD IN THE ROUGH) | 1000 m3ub | 1,462 | 127,578 | 1,151 | 127,075 | 277 | 21,571 | 170 | 19,751 | 1 | ROUNDWOOD (WOOD IN THE ROUGH) | 1000 m3ub | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | ROUNDWOOD (WOOD IN THE ROUGH) | 1000 m3ub | 11,968 | 11,419 | |||||||||||||||||||||||
1.1 | WOOD FUEL (INCLUDING WOOD FOR CHARCOAL) | 1000 m3ub | 354 | 40,610 | 265 | 35,412 | 47 | 2,887 | 24 | 2,436 | 1.1 | WOOD FUEL (INCLUDING WOOD FOR CHARCOAL) | 1000 m3ub | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1.1 | WOOD FUEL (INCLUDING WOOD FOR CHARCOAL) | 1000 m3ub | 2,785 | 2,671 | |||||||||||||||||||||||
1.1.C | Coniferous | 1000 m3ub | 306 | 31,788 | 207 | 23,214 | 47 | 2,554 | 24 | 2,233 | 1.1.C | Coniferous | 1000 m3ub | 1.1.C | Coniferous | 1000 m3ub | 2,125 | 2,000 | |||||||||||||||||||||||||||||||
1.1.NC | Non-Coniferous | 1000 m3ub | 48 | 8,822 | 59 | 12,198 | 1 | 333 | 0 | 202 | 1.1.NC | Non-Coniferous | 1000 m3ub | 1.1.NC | Non-Coniferous | 1000 m3ub | 660 | 671 | |||||||||||||||||||||||||||||||
1.2 | INDUSTRIAL ROUNDWOOD | 1000 m3ub | 1,108 | 86,968 | 885 | 91,663 | 230 | 18,684 | 146 | 17,315 | 1.2 | INDUSTRIAL ROUNDWOOD | 1000 m3ub | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1.2 | INDUSTRIAL ROUNDWOOD | 1000 m3ub | 9,183 | 8,748 | |||||||||||||||||||||||
1.2.C | Coniferous | 1000 m3ub | 965 | 70,226 | 804 | 78,672 | 197 | 15,416 | 137 | 15,172 | 1.2.C | Coniferous | 1000 m3ub | 1.2.C | Coniferous | 1000 m3ub | 8,925 | 8,563 | |||||||||||||||||||||||||||||||
1.2.NC | Non-Coniferous | 1000 m3ub | 143 | 16,742 | 81 | 12,991 | 33 | 3,269 | 9 | 2,143 | 1.2.NC | Non-Coniferous | 1000 m3ub | 1.2.NC | Non-Coniferous | 1000 m3ub | 257 | 185 | |||||||||||||||||||||||||||||||
1.2.NC.T | of which: Tropical | 1000 m3ub | 48 | 5,005 | 24 | 2,678 | 0 | 39 | 0 | 25 | 1.2.NC.T | of which: Tropical | 1000 m3ub | 1.2.NC.T | of which: Tropical | 1000 m3ub | 48 | 24 | |||||||||||||||||||||||||||||||
2 | WOOD CHARCOAL | 1000 t | 91 | 41,694 | 98 | 48,269 | 3 | 1,915 | 3 | 1,572 | 2 | WOOD CHARCOAL | 1000 t | 2 | WOOD CHARCOAL | 1000 t | 93 | 100 | |||||||||||||||||||||||||||||||
3 | WOOD CHIPS, PARTICLES AND RESIDUES | 1000 m3 | 173 | 9,499 | 279 | 14,819 | 163 | 10,251 | 83 | 10,059 | 3 | WOOD CHIPS, PARTICLES AND RESIDUES | 1000 m3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | WOOD CHIPS, PARTICLES AND RESIDUES | 1000 m3 | 2,837 | 3,234 | |||||||||||||||||||||||
3.1 | WOOD CHIPS AND PARTICLES | 1000 m3 | 168 | 9,097 | 267 | 14,056 | 162 | 10,155 | 82 | 9,947 | 3.1 | WOOD CHIPS AND PARTICLES | 1000 m3 | 3.1 | WOOD CHIPS AND PARTICLES | 1000 m3 | 2,126 | 2,463 | |||||||||||||||||||||||||||||||
3.2 | WOOD RESIDUES (INCLUDING WOOD FOR AGGLOMERATES) | 1000 m3 | 5 | 402 | 12 | 763 | 1 | 95 | 1 | 111 | 3.2 | WOOD RESIDUES (INCLUDING WOOD FOR AGGLOMERATES) | 1000 m3 | 3.2 | WOOD RESIDUES (INCLUDING WOOD FOR AGGLOMERATES) | 1000 m3 | 711 | 771 | |||||||||||||||||||||||||||||||
4 | RECOVERED POST-CONSUMER WOOD | 1000 t | 21 | 1,199 | 48 | 1,594 | 85 | 4,244 | 6 | 2,010 | 4 | RECOVERED POST-CONSUMER WOOD | 1000 t | 4 | RECOVERED POST-CONSUMER WOOD | 1000 t | 4,436 | 4,092 | |||||||||||||||||||||||||||||||
5 | WOOD PELLETS AND OTHER AGGLOMERATES | 1000 t | 8,895 | 1,312,367 | 9,124 | 1,345,592 | 72 | 4,288 | 15 | 2,935 | 5 | WOOD PELLETS AND OTHER AGGLOMERATES | 1000 t | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | WOOD PELLETS AND OTHER AGGLOMERATES | 1000 t | 9,121 | 9,380 | |||||||||||||||||||||||
5.1 | WOOD PELLETS | 1000 t | 8,878 | 1,308,689 | 9,078 | 1,338,875 | 33 | 1,730 | 4 | 652 | 5.1 | WOOD PELLETS | 1000 t | 5.1 | WOOD PELLETS | 1000 t | 9,144 | 9,345 | |||||||||||||||||||||||||||||||
5.2 | OTHER AGGLOMERATES | 1000 t | 17 | 3,678 | 46 | 6,717 | 40 | 2,558 | 11 | 2,283 | 5.2 | OTHER AGGLOMERATES | 1000 t | 5.2 | OTHER AGGLOMERATES | 1000 t | -23 | 35 | |||||||||||||||||||||||||||||||
6 | SAWNWOOD (INCLUDING SLEEPERS) | 1000 m3 | 7,040 | 1,598,191 | 7,218 | 1,586,591 | 215 | 57,783 | 231 | 63,052 | 6 | SAWNWOOD (INCLUDING SLEEPERS) | 1000 m3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 6 | SAWNWOOD (INCLUDING SLEEPERS) | 1000 m3 | 10,279 | 10,327 | |||||||||||||||||||||||
6.C | Coniferous | 1000 m3 | 6,437 | 1,288,118 | 6,677 | 1,302,465 | 193 | 38,180 | 208 | 42,880 | 6.C | Coniferous | 1000 m3 | 6.C | Coniferous | 1000 m3 | 9,653 | 9,772 | |||||||||||||||||||||||||||||||
6.NC | Non-Coniferous | 1000 m3 | 603 | 310,073 | 541 | 284,126 | 22 | 19,603 | 23 | 20,173 | 6.NC | Non-Coniferous | 1000 m3 | 6.NC | Non-Coniferous | 1000 m3 | 627 | 555 | |||||||||||||||||||||||||||||||
6.NC.T | of which: Tropical | 1000 m3 | 98 | 70,147 | 71 | 52,516 | 4 | 3,503 | 5 | 3,672 | 6.NC.T | of which: Tropical | 1000 m3 | 6.NC.T | of which: Tropical | 1000 m3 | 94 | 67 | |||||||||||||||||||||||||||||||
7 | VENEER SHEETS | 1000 m3 | 53 | 20,538 | 22 | 19,903 | 2 | 3,482 | 2 | 2,581 | 7 | VENEER SHEETS | 1000 m3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 7 | VENEER SHEETS | 1000 m3 | 51 | 20 | |||||||||||||||||||||||
7.C | Coniferous | 1000 m3 | 37 | 2,574 | 2 | 1,759 | 2 | 1,437 | 1 | 1,184 | 7.C | Coniferous | 1000 m3 | 7.C | Coniferous | 1000 m3 | 35 | 1 | |||||||||||||||||||||||||||||||
7.NC | Non-Coniferous | 1000 m3 | 16 | 17,965 | 20 | 18,144 | 1 | 2,045 | 1 | 1,397 | 7.NC | Non-Coniferous | 1000 m3 | 7.NC | Non-Coniferous | 1000 m3 | 16 | 20 | |||||||||||||||||||||||||||||||
7.NC.T | of which: Tropical | 1000 m3 | 2 | 2,252 | 2 | 3,532 | 0 | 160 | 0 | 411 | 7.NC.T | of which: Tropical | 1000 m3 | 7.NC.T | of which: Tropical | 1000 m3 | 2 | 2 | |||||||||||||||||||||||||||||||
8 | WOOD-BASED PANELS | 1000 m3 | 3,597 | 1,113,844 | 3,245 | 949,482 | 382 | 119,597 | 388 | 111,307 | 8 | WOOD-BASED PANELS | 1000 m3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 8 | WOOD-BASED PANELS | 1000 m3 | 6,461 | 5,810 | |||||||||||||||||||||||
8.1 | PLYWOOD | 1000 m3 | 1,453 | 509,521 | 1,362 | 429,754 | 86 | 39,515 | 83 | 34,686 | 8.1 | PLYWOOD | 1000 m3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 8.1 | PLYWOOD | 1000 m3 | 1,367 | 1,280 | |||||||||||||||||||||||
8.1.C | Coniferous | 1000 m3 | 509 | 145,385 | 462 | 113,629 | 19 | 6,307 | 20 | 6,324 | 8.1.C | Coniferous | 1000 m3 | 8.1.C | Coniferous | 1000 m3 | 490 | 443 | |||||||||||||||||||||||||||||||
8.1.NC | Non-Coniferous | 1000 m3 | 944 | 364,136 | 900 | 316,125 | 67 | 33,208 | 63 | 28,361 | 8.1.NC | Non-Coniferous | 1000 m3 | 8.1.NC | Non-Coniferous | 1000 m3 | 877 | 837 | |||||||||||||||||||||||||||||||
8.1.NC.T | of which: Tropical | 1000 m3 | 311 | 124,401 | 214 | 83,696 | 48 | 21,850 | 48 | 20,429 | 8.1.NC.T | of which: Tropical | 1000 m3 | 8.1.NC.T | of which: Tropical | 1000 m3 | 264 | 165 | |||||||||||||||||||||||||||||||
8.2 | PARTICLE BOARD, ORIENTED STRAND BOARD (OSB) AND SIMILAR BOARD | 1000 m3 | 1,247 | 265,112 | 1,004 | 204,903 | 234 | 57,410 | 246 | 53,567 | 8.2 | PARTICLE BOARD, ORIENTED STRAND BOARD (OSB) AND SIMILAR BOARD | 1000 m3 | 8.2 | PARTICLE BOARD, ORIENTED STRAND BOARD (OSB) AND SIMILAR BOARD | 1000 m3 | 3,508 | 3,054 | |||||||||||||||||||||||||||||||
8.2.1 | of which: ORIENTED STRAND BOARD (OSB) | 1000 m3 | 399 | 85,473 | 414 | 81,910 | 147 | 32,242 | 160 | 30,614 | 8.2.1 | of which: ORIENTED STRAND BOARD (OSB) | 1000 m3 | 8.2.1 | of which: ORIENTED STRAND BOARD (OSB) | 1000 m3 | NT -252.8797307 | NT -253.5028073 | |||||||||||||||||||||||||||||||
8.3 | FIBREBOARD | 1000 m3 | 897 | 339,211 | 879 | 314,825 | 62 | 22,673 | 59 | 23,055 | 8.3 | FIBREBOARD | 1000 m3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 8.3 | FIBREBOARD | 1000 m3 | 1,586 | 1,475 | |||||||||||||||||||||||
8.3.1 | HARDBOARD | 1000 m3 | 121 | 63,615 | 101 | 62,648 | 5 | 2,195 | 4 | 2,635 | 8.3.1 | HARDBOARD | 1000 m3 | 8.3.1 | HARDBOARD | 1000 m3 | 116 | 96 | |||||||||||||||||||||||||||||||
8.3.2 | MEDIUM/HIGH DENSITY FIBREBOARD (MDF/HDF) | 1000 m3 | 720 | 261,189 | 710 | 235,409 | 49 | 16,287 | 51 | 16,017 | 8.3.2 | MEDIUM/HIGH DENSITY FIBREBOARD (MDF/HDF) | 1000 m3 | 8.3.2 | MEDIUM/HIGH DENSITY FIBREBOARD (MDF/HDF) | 1000 m3 | 1,422 | 1,315 | |||||||||||||||||||||||||||||||
8.3.3 | OTHER FIBREBOARD | 1000 m3 | 56 | 14,408 | 68 | 16,768 | 8 | 4,190 | 4 | 4,403 | 8.3.3 | OTHER FIBREBOARD | 1000 m3 | 8.3.3 | OTHER FIBREBOARD | 1000 m3 | 48 | 64 | |||||||||||||||||||||||||||||||
9 | WOOD PULP | 1000 t | 872 | 467,126 | 768 | 397,505 | 7 | 2,390 | 17 | 7,038 | 9 | WOOD PULP | 1000 t | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 9 | WOOD PULP | 1000 t | NT -864.965324 | NT -750.997044 | |||||||||||||||||||||||
9.1 | MECHANICAL AND SEMI-CHEMICAL WOOD PULP | 1000 t | 23 | 9,447 | 21 | 9,434 | 6 | 1,817 | 4 | 964 | 9.1 | MECHANICAL AND SEMI-CHEMICAL WOOD PULP | 1000 t | 9.1 | MECHANICAL AND SEMI-CHEMICAL WOOD PULP | 1000 t | NT -17 | NT -17 | |||||||||||||||||||||||||||||||
9.2 | CHEMICAL WOOD PULP | 1000 t | 799 | 421,075 | 698 | 357,766 | 1 | 449 | 13 | 6,058 | 9.2 | CHEMICAL WOOD PULP | 1000 t | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 9.2 | CHEMICAL WOOD PULP | 1000 t | 798 | 685 | |||||||||||||||||||||||
9.2.1 | SULPHATE PULP | 1000 t | 796 | 416,771 | 696 | 354,949 | 1 | 383 | 13 | 6,003 | 9.2.1 | SULPHATE PULP | 1000 t | 9.2.1 | SULPHATE PULP | 1000 t | 795 | 683 | |||||||||||||||||||||||||||||||
9.2.1.1 | of which: BLEACHED | 1000 t | 784 | 410,462 | 689 | 354,949 | 1 | 377 | 13 | 6,003 | 9.2.1.1 | of which: BLEACHED | 1000 t | 9.2.1.1 | of which: BLEACHED | 1000 t | 783 | 676 | |||||||||||||||||||||||||||||||
9.2.2 | SULPHITE PULP | 1000 t | 3 | 4,304 | 2 | 2,817 | 0 | 66 | 0 | 55 | 9.2.2 | SULPHITE PULP | 1000 t | 9.2.2 | SULPHITE PULP | 1000 t | 3 | 2 | |||||||||||||||||||||||||||||||
9.3 | DISSOLVING GRADES | 1000 t | 50 | 36,604 | 49 | 30,306 | 0 | 123 | 0 | 16 | 9.3 | DISSOLVING GRADES | 1000 t | 9.3 | DISSOLVING GRADES | 1000 t | 50 | 49 | |||||||||||||||||||||||||||||||
10 | OTHER PULP | 1000 t | 25 | 53,232 | 20 | 50,491 | 2 | 2,020 | 9 | 3,895 | 10 | OTHER PULP | 1000 t | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 10 | OTHER PULP | 1000 t | 2,717 | 2,571 | |||||||||||||||||||||||
10.1 | PULP FROM FIBRES OTHER THAN WOOD | 1000 t | 18 | 49,583 | 15 | 47,314 | 0 | 254 | 0 | 684 | 10.1 | PULP FROM FIBRES OTHER THAN WOOD | 1000 t | 10.1 | PULP FROM FIBRES OTHER THAN WOOD | 1000 t | 25 | 22 | |||||||||||||||||||||||||||||||
10.2 | RECOVERED FIBRE PULP | 1000 t | 7 | 3,650 | 5 | 3,176 | 2 | 1,766 | 8 | 3,211 | 10.2 | RECOVERED FIBRE PULP | 1000 t | 10.2 | RECOVERED FIBRE PULP | 1000 t | 2,692 | 2,549 | |||||||||||||||||||||||||||||||
11 | RECOVERED PAPER | 1000 t | 83 | 17,462 | 159 | 34,543 | 4,327 | 437,475 | 3,842 | 393,506 | 11 | RECOVERED PAPER | 1000 t | 11 | RECOVERED PAPER | 1000 t | 3,104 | 2,893 | |||||||||||||||||||||||||||||||
12 | PAPER AND PAPERBOARD | 1000 t | 5,150 | 3,538,001 | 4,439 | 2,902,530 | 825 | 1,048,668 | 749 | 931,294 | 12 | PAPER AND PAPERBOARD | 1000 t | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 12 | PAPER AND PAPERBOARD | 1000 t | 8,176 | 7,321 | |||||||||||||||||||||||
12.1 | GRAPHIC PAPERS | 1000 t | 2,477 | 1,729,243 | 1,862 | 1,206,053 | 352 | 493,927 | 310 | 401,779 | 12.1 | GRAPHIC PAPERS | 1000 t | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 12.1 | GRAPHIC PAPERS | 1000 t | 3,043 | NT -1551.713097706 | |||||||||||||||||||||||
12.1.1 | NEWSPRINT | 1000 t | 456 | 209,372 | 343 | 108,595 | 214 | 141,582 | 189 | 112,229 | 12.1.1 | NEWSPRINT | 1000 t | 12.1.1 | NEWSPRINT | 1000 t | NT -242.0884536 | NT -154.25315387 | |||||||||||||||||||||||||||||||
12.1.2 | UNCOATED MECHANICAL | 1000 t | 282 | 168,883 | 212 | 146,286 | 9 | 43,797 | 8 | 45,634 | 12.1.2 | UNCOATED MECHANICAL | 1000 t | 12.1.2 | UNCOATED MECHANICAL | 1000 t | NT -273.716985467 | NT -204.71608291 | |||||||||||||||||||||||||||||||
12.1.3 | UNCOATED WOODFREE | 1000 t | 791 | 655,459 | 595 | 471,697 | 52 | 226,806 | 46 | 188,654 | 12.1.3 | UNCOATED WOODFREE | 1000 t | 12.1.3 | UNCOATED WOODFREE | 1000 t | NT -738.91791469 | NT -548.750931726 | |||||||||||||||||||||||||||||||
12.1.4 | COATED PAPERS | 1000 t | 947 | 695,529 | 712 | 479,475 | 77 | 81,743 | 68 | 55,262 | 12.1.4 | COATED PAPERS | 1000 t | 12.1.4 | COATED PAPERS | 1000 t | NT -869.87664614 | NT -643.9929292 | |||||||||||||||||||||||||||||||
12.2 | HOUSEHOLD AND SANITARY PAPERS | 1000 t | 313 | 349,483 | 362 | 334,836 | 7 | 42,632 | 9 | 45,866 | 12.2 | HOUSEHOLD AND SANITARY PAPERS | 1000 t | 12.2 | HOUSEHOLD AND SANITARY PAPERS | 1000 t | 1,068 | 1,095 | |||||||||||||||||||||||||||||||
12.3 | PACKAGING MATERIALS | 1000 t | 2,234 | 1,387,927 | 2,110 | 1,295,451 | 336 | 420,183 | 316 | 398,844 | 12.3 | PACKAGING MATERIALS | 1000 t | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 12.3 | PACKAGING MATERIALS | 1000 t | 3,782 | 3,709 | |||||||||||||||||||||||
12.3.1 | CASE MATERIALS | 1000 t | 1,147 | 470,409 | 1,102 | 438,106 | 152 | 67,697 | 127 | 58,679 | 12.3.1 | CASE MATERIALS | 1000 t | 12.3.1 | CASE MATERIALS | 1000 t | NT -995 | NT -975 | |||||||||||||||||||||||||||||||
12.3.2 | CARTONBOARD | 1000 t | 798 | 674,649 | 726 | 635,329 | 126 | 220,754 | 130 | 217,061 | 12.3.2 | CARTONBOARD | 1000 t | 12.3.2 | CARTONBOARD | 1000 t | NT -671.32861878 | NT -596.52043756 | |||||||||||||||||||||||||||||||
12.3.3 | WRAPPING PAPERS | 1000 t | 206 | 202,165 | 192 | 184,138 | 38 | 115,709 | 37 | 106,936 | 12.3.3 | WRAPPING PAPERS | 1000 t | 12.3.3 | WRAPPING PAPERS | 1000 t | NT -167.323168134 | NT -155.087271933 | |||||||||||||||||||||||||||||||
12.3.4 | OTHER PAPERS MAINLY FOR PACKAGING | 1000 t | 84 | 40,704 | 89 | 37,878 | 19 | 16,024 | 22 | 16,167 | 12.3.4 | OTHER PAPERS MAINLY FOR PACKAGING | 1000 t | 12.3.4 | OTHER PAPERS MAINLY FOR PACKAGING | 1000 t | NT -64.348213057 | NT -67.392290461 | |||||||||||||||||||||||||||||||
12.4 | OTHER PAPER AND PAPERBOARD N.E.S. (NOT ELSEWHERE SPECIFIED) | 1000 t | 126 | 71,348 | 105 | 66,191 | 129 | 91,925 | 114 | 84,805 | 12.4 | OTHER PAPER AND PAPERBOARD N.E.S. (NOT ELSEWHERE SPECIFIED) | 1000 t | 12.4 | OTHER PAPER AND PAPERBOARD N.E.S. (NOT ELSEWHERE SPECIFIED) | 1000 t | 284 | NT 8.71309771 | |||||||||||||||||||||||||||||||
m3 = cubic metres solid volume | |||||||||||||||||||||||||||||||||||||||||||||||||
m3ub = cubic metres solid volume underbark (i.e. excluding bark) | |||||||||||||||||||||||||||||||||||||||||||||||||
t = metric tonnes | |||||||||||||||||||||||||||||||||||||||||||||||||
JQ3 | Secondary Products| Trade
62 | 91 | 91 | |||||||||||||
Country: | UK | Date: 14/10/2021 | Country: | ||||||||||||
Name of Official responsible for reply: | |||||||||||||||
Official Address (in full): | |||||||||||||||
FOREST SECTOR QUESTIONNAIRE JQ3 | Forest Research, 231 Corstorphine Road, Edinburgh EH12 7AT, UK | ||||||||||||||
SECONDARY PROCESSED PRODUCTS | Telephone: | Fax: | |||||||||||||
Trade | E-mail: | ||||||||||||||
This table highlights discrepancies between items and sub-items. Please verify your data for any non-zero figure! | |||||||||||||||
Specify Currency and Unit of Value (e.g.:1000 US $): | 1000 £ sterling | Discrepancies | |||||||||||||
Product | Product | I M P O R T V A L U E | E X P O R T V A L U E | Product | Product | I M P O R T V A L U E | E X P O R T V A L U E | ||||||||
code | 2019 | 2020 | 2019 | 2020 | Code | 2019 | 2020 | 2019 | 2020 | ||||||
13 | SECONDARY WOOD PRODUCTS | 13 | SECONDARY WOOD PRODUCTS | ||||||||||||
13.1 | FURTHER PROCESSED SAWNWOOD | 145222.324 | 115322.71 | 27287.134 | 25236.439 | 13.1 | FURTHER PROCESSED SAWNWOOD | 0 | 0 | 0 | 0 | ||||
13.1.C | Coniferous | 45872.149 | 39284.464 | 18156.988 | 16907.702 | 13.1.C | Coniferous | ||||||||
13.1.NC | Non-coniferous | 99350.175 | 76038.246 | 9130.146 | 8328.737 | 13.1.NC | Non-coniferous | ||||||||
13.1.NC.T | of which: Tropical | 8702.216 | 5261.88 | 351.963 | 137.878 | 13.1.NC.T | of which: Tropical | ||||||||
13.2 | WOODEN WRAPPING AND PACKAGING MATERIAL | 184262.181 | 170305.569 | 57290.187 | 45625.47 | 13.2 | WOODEN WRAPPING AND PACKAGING MATERIAL | ||||||||
13.3 | WOOD PRODUCTS FOR DOMESTIC/DECORATIVE USE | 172482.387 | 150692.592 | 34864.121 | 31538.169 | 13.3 | WOOD PRODUCTS FOR DOMESTIC/DECORATIVE USE | ||||||||
13.4 | BUILDER’S JOINERY AND CARPENTRY OF WOOD | 756759.918 | 670676.854 | 61900.782 | 57246.015 | 13.4 | BUILDER’S JOINERY AND CARPENTRY OF WOOD | ||||||||
13.5 | WOODEN FURNITURE | 3628859.64 | 3161855.892 | 481479.665 | 405968.387 | 13.5 | WOODEN FURNITURE | ||||||||
13.6 | PREFABRICATED BUILDINGS OF WOOD | 59175.05 | 59681.051 | 10729.963 | 11232.808 | 13.6 | PREFABRICATED BUILDINGS OF WOOD | ||||||||
13.7 | OTHER MANUFACTURED WOOD PRODUCTS | 264754.087 | 259546.882 | 42897.169 | 41283.809 | 13.7 | OTHER MANUFACTURED WOOD PRODUCTS | ||||||||
14 | SECONDARY PAPER PRODUCTS | 14 | SECONDARY PAPER PRODUCTS | ||||||||||||
14.1 | COMPOSITE PAPER AND PAPERBOARD | 40654.062 | 33788.212 | 11522.993 | 10277.632 | 14.1 | COMPOSITE PAPER AND PAPERBOARD | ||||||||
14.2 | SPECIAL COATED PAPER AND PULP PRODUCTS | 336653.51 | 301668.319 | 233634.588 | 203402.928 | 14.2 | SPECIAL COATED PAPER AND PULP PRODUCTS | ||||||||
14.3 | HOUSEHOLD AND SANITARY PAPER, READY FOR USE | 37542.026 | 54637.186 | 12899.941 | 15361.313 | 14.3 | HOUSEHOLD AND SANITARY PAPER, READY FOR USE | ||||||||
14.4 | PACKAGING CARTONS, BOXES ETC. | 805232.036 | 724671.61 | 333044.578 | 314087.913 | 14.4 | PACKAGING CARTONS, BOXES ETC. | ||||||||
14.5 | OTHER ARTICLES OF PAPER AND PAPERBOARD, READY FOR USE | 826477.314 | 707388.939 | 562464.704 | 504745.512 | 14.5 | OTHER ARTICLES OF PAPER AND PAPERBOARD, READY FOR USE | OK | OK | OK | OK | ||||
14.5.1 | of which: PRINTING AND WRITING PAPER, READY FOR USE | 28967.174 | 23201.467 | 2136.873 | 2376.166 | 14.5.1 | of which: PRINTING AND WRITING PAPER, READY FOR USE | ||||||||
14.5.2 | of which: ARTICLES, MOULDED OR PRESSED FROM PULP | 26220.492 | 27260.874 | 14403.41 | 13912.032 | 14.5.2 | of which: ARTICLES, MOULDED OR PRESSED FROM PULP | ||||||||
14.5.3 | of which: FILTER PAPER AND PAPERBOARD, READY FOR USE | 24291.486 | 22277.647 | 89838.001 | 89169.633 | 14.5.3 | of which: FILTER PAPER AND PAPERBOARD, READY FOR USE | ||||||||
ECE-EU | Species | Trade
Country: | UK | Date: | 10/14/21 | |||||||||||||||||||||||||||||||||||
Name of Official responsible for reply: | ||||||||||||||||||||||||||||||||||||||
FOREST SECTOR QUESTIONNAIRE ECE/EU Species Trade | Official Address (in full): | Forest Research, 231 Corstorphine Road, Edinburgh EH12 7AT, UK | DISCREPANCIES - please note cells with notes and review data | Checks | ||||||||||||||||||||||||||||||||||
- looks to see if JQ2 and this sheet the same | ||||||||||||||||||||||||||||||||||||||
Trade in Roundwood and Sawnwood by species | Telephone: | Fax: | - checks the sum when they should be equal | |||||||||||||||||||||||||||||||||||
E-mail: | ||||||||||||||||||||||||||||||||||||||
Specify Currency and Unit of Value (e.g.:1000 national currency): | 1000 £ sterling | |||||||||||||||||||||||||||||||||||||
I M P O R T | E X P O R T | I M P O R T | E X P O R T | |||||||||||||||||||||||||||||||||||
Product | Classification | Classification | Unit of | 2019 | 2020 | 2019 | 2020 | Product | Classification | Classification | Unit of | 2019 | 2020 | 2019 | 2020 | |||||||||||||||||||||||
Code | HS2017 | CN2017 | Product | Quantity | Quantity | Value | Quantity | Value | Quantity | Value | Quantity | Value | Code | HS2017 | CN2017 | Product | Quantity | Quantity | Value | Quantity | Value | Quantity | Value | Quantity | Value | |||||||||||||
1.2.C | 4403.11/21/22/23/24/25/26 | Industrial Roundwood, Coniferous | 1000 m3ub | 965 | 70,226 | 804 | 78,672 | 197 | 15,416 | 137 | 15,172 | 196.962627041 | 1.2.C | 4403.11/21/22/23/24/25/26 | Industrial Roundwood, Coniferous | 1000 m3ub | does not match JQ2 | does not match JQ2 | ||||||||||||||||||||
4403.23/24 | Fir/Spruce (Abies spp., Picea spp.) | 1000 m3ub | 590 | 30,932 | 459 | 29,919 | 160 | 9,369 | 108 | 6,007 | 159.804622776 | 4403.23/24 | Fir/Spruce (Abies spp., Picea spp.) | 1000 m3ub | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | ||||||||||||||||
4403 23 10 | sawlogs and veneer logs | 1000 m3ub | 502 | 22,412 | 330 | 13,055 | 160 | 9,364 | 108 | 5,945 | 159.8027773 | 4403 23 10 | sawlogs and veneer logs | 1000 m3ub | ||||||||||||||||||||||||
4403 23 90 4403 24 00 | pulpwood and other industrial roundwood | 1000 m3ub | 88 | 8,520 | 129 | 16,864 | 0 | 5 | 0 | 62 | 0.001845476 | 4403 23 90 4403 24 00 | pulpwood and other industrial roundwood | 1000 m3ub | ||||||||||||||||||||||||
4403.21/22 | Pine (Pinus spp.) | 1000 m3ub | 232 | 8,987 | 129 | 16,395 | 2 | 406 | 1 | 425 | 1.711515105 | 4403.21/22 | Pine (Pinus spp.) | 1000 m3ub | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | ||||||||||||||||
4403 21 10 | sawlogs and veneer logs | 1000 m3ub | 0 | 10 | 0 | 19 | 0 | 38 | 0 | 67 | 0.018463958 | 4403 21 10 | sawlogs and veneer logs | 1000 m3ub | ||||||||||||||||||||||||
4403 21 90 4403 22 00 | pulpwood and other industrial roundwood | 1000 m3ub | 232 | 8,977 | 129 | 16,375 | 2 | 367 | 1 | 358 | 1.693051147 | 4403 21 90 4403 22 00 | pulpwood and other industrial roundwood | 1000 m3ub | ||||||||||||||||||||||||
1.2.NC | 4403.12/41/49/91/93/94 4403.95/96/97/98/99 | Industrial Roundwood, Non-Coniferous | 1000 m3ub | 143 | 16,742 | 81 | 12,991 | 33 | 3,269 | 9 | 2,143 | 35.44648916 | 1.2.NC | 4403.12/41/49/91/93/94 4403.95/96/97/98/99 | Industrial Roundwood, Non-Coniferous | 1000 m3ub | ||||||||||||||||||||||
4403.91 | of which: Oak (Quercus spp.) | 1000 m3ub | 24 | 4,642 | 25 | 4,664 | 0 | 43 | 0 | 55 | 0 | 4403.91 | of which: Oak (Quercus spp.) | 1000 m3ub | ||||||||||||||||||||||||
4403.93/94 | of which: Beech (Fagus spp.) | 1000 m3ub | 0 | 215 | 0 | 70 | 1 | 358 | 1 | 336 | 35.44648916 | 4403.93/94 | of which: Beech (Fagus spp.) | 1000 m3ub | ||||||||||||||||||||||||
4403.95/96 | of which: Birch (Betula spp.) | 1000 m3ub | 40 | 2,843 | 11 | 299 | 0 | 2 | 0 | 5 | 33.18588 | 4403.95/96 | of which: Birch (Betula spp.) | 1000 m3ub | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | subitems as large as total | ||||||||||||||||
4403 95 10 | sawlogs and veneer logs | 1000 m3ub | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.02384875 | 4403 95 10 | sawlogs and veneer logs | 1000 m3ub | ||||||||||||||||||||||||
4403 95 90 4403 96 00 | pulpwood and other industrial roundwood | 1000 m3ub | 40 | 2,843 | 11 | 299 | 0 | 2 | 0 | 5 | 1.09576 | 4403 95 90 4403 96 00 | pulpwood and other industrial roundwood | 1000 m3ub | ||||||||||||||||||||||||
4403.97 | of which: Poplar/Aspen (Populus spp.) | 1000 m3ub | 2 | 89 | 1 | 150 | 3 | 228 | 1 | 78 | 0.0000275 | 4403.97 | of which: Poplar/Aspen (Populus spp.) | 1000 m3ub | ||||||||||||||||||||||||
4403.98 | of which: Eucalyptus (Eucalyptus spp.) | 1000 m3ub | 4 | 389 | 3 | 290 | 0 | 0 | 0 | 0 | 0 | 4403.98 | of which: Eucalyptus (Eucalyptus spp.) | 1000 m3ub | ||||||||||||||||||||||||
6.C | 4406.11/91 4407.11/12/19 | Sawnwood, Coniferous | 1000 m3 | 6,437 | 1,288,118 | 6,677 | 1,302,465 | 193 | 38,180 | 208 | 42,880 | 0.0000275 | 6.C | 4406.11/91 4407.11/12/19 | Sawnwood, Coniferous | 1000 m3 | ||||||||||||||||||||||
4407.12 | of which: Fir/Spruce (Abies spp., Picea spp.) | 1000 m3 | 3,471 | 683,138 | 3,645 | 705,732 | 116 | 23,272 | 132 | 27,161 | 3.2622125 | 4407.12 | of which: Fir/Spruce (Abies spp., Picea spp.) | 1000 m3 | ||||||||||||||||||||||||
4407.11 | of which: Pine (Pinus spp.) | 1000 m3 | 1,878 | 382,879 | 1,984 | 390,848 | 72 | 13,140 | 72 | 14,326 | 0 | 4407.11 | of which: Pine (Pinus spp.) | 1000 m3 | ||||||||||||||||||||||||
6.NC | 4406.12/92 4407.21/22/25/26/27/28/29/91/92/93/94/95/96/97/99 | Sawnwood, Non-coniferous | 1000 m3 | 603 | 310,073 | 541 | 284,126 | 22 | 19,603 | 23 | 20,173 | 192.8320655 | 6.NC | 4406.12/92 4407.21/22/25/26/27/28/29/91/92/93/94/95/96/97/99 | Sawnwood, Non-coniferous | 1000 m3 | ||||||||||||||||||||||
4407.91 | of which: Oak (Quercus spp.) | 1000 m3 | 156 | 129,865 | 157 | 130,645 | 6 | 3,934 | 7 | 5,042 | 116.1096673 | 4407.91 | of which: Oak (Quercus spp.) | 1000 m3 | ||||||||||||||||||||||||
4407.92 | of which: Beech (Fagus spp.) | 1000 m3 | 12 | 5,094 | 12 | 4,692 | 1 | 169 | 1 | 262 | 71.62620349 | 4407.92 | of which: Beech (Fagus spp.) | 1000 m3 | ||||||||||||||||||||||||
4407.93 | of which: Maple (Acer spp.) | 1000 m3 | 5 | 3,998 | 4 | 3,141 | 0 | 124 | 0 | 127 | 22.32466482 | 4407.93 | of which: Maple (Acer spp.) | 1000 m3 | ||||||||||||||||||||||||
4407.94 | of which: Cherry (Prunus spp.) | 1000 m3 | 1 | 482 | 1 | 793 | 0 | 32 | 0 | 251 | 6.164623932 | 4407.94 | of which: Cherry (Prunus spp.) | 1000 m3 | ||||||||||||||||||||||||
4407.95 | of which: Ash (Fraxinus spp.) | 1000 m3 | 13 | 9,206 | 9 | 6,426 | 1 | 716 | 1 | 658 | 0.549690138 | 4407.95 | of which: Ash (Fraxinus spp.) | 1000 m3 | ||||||||||||||||||||||||
4407.97 | of which: Poplar/Aspen (Populus spp.) | 1000 m3 | 37 | 14,047 | 25 | 9,489 | 2 | 638 | 1 | 627 | 0.170465034 | 4407.97 | of which: Poplar/Aspen (Populus spp.) | 1000 m3 | ||||||||||||||||||||||||
4407.96 | of which: Birch (Betula spp.) | 1000 m3 | 51 | 13,944 | 30 | 8,353 | 0 | 62 | 0 | 39 | 0.043491513 | 4407.96 | of which: Birch (Betula spp.) | 1000 m3 | ||||||||||||||||||||||||
Light blue cells are requested only for EU members using the Combined Nomenclature to fill in - other countries are welcome to do so if their trade classification nomenclature permits | 1.020737369 | |||||||||||||||||||||||||||||||||||||
Please note that information on tropical species trade is requested in questionnaire ITTO2 for ITTO member countries | 1.508227009 | |||||||||||||||||||||||||||||||||||||
m3 = cubic metres solid volume | 0.15894102 | |||||||||||||||||||||||||||||||||||||
m3ub = cubic metres solid volume underbark (i.e. excluding bark) | ||||||||||||||||||||||||||||||||||||||
conversion factors
JFSQ | ||||||||
FOREST SECTOR QUESTIONNAIRE | ||||||||
Conversion Factors | ||||||||
NOTE THESE ARE ONLY GENERAL NUMBERS. IT WOULD BE PREFERABLE TO USE SPECIES- OR COUNTRY-SPECIFIC FACTORS | ||||||||
Multiply the quantity expressed in units on the right side of "per" with the factor to get the value expressed in units on left side of "per". | ||||||||
FAO and UNECE Statistical Publications | Results from UNECE/FAO 2009 Conversion Factors Questionnaire (median) | |||||||
Product | JFSQ | Product | volume to weight | volume to area | volume/weight of finished product to volume of roundwood | volume to weight | volume/weight of finished product to volume of roundwood | |
Code | Quantity | m3 per MT | m3 per m2 | Roundwood | m3 per MT | Roundwood | ||
Unit | equivalent | equivalent | Notes to results of UNECE/FAO Conversion Factor Questionnaire | |||||
1 | 1000 m3 ub | ROUNDWOOD (WOOD IN THE ROUGH) | ||||||
1.1 | 1000 m3 ub | WOOD FUEL, INCLUDING WOOD FOR CHARCOAL | 1.38 | |||||
1.1.C | 1000 m3 ub | Coniferous | 1.60 | Green = 1.12 | Based on 891 kg/m3 green, basic density of .41, and 20% moisture seasoned | |||
Seasoned = 1.82 | Based on 407 kg/m3 dry, assuming 20% moisture | |||||||
1.1.NC | 1000 m3 ub | Non-Coniferous | 1.33 | Green=1.05 | Based on 1137 kg/m3 green, specific gravity of .55, and 20% moisture seasoned | |||
Seasoned=1.43 | ||||||||
1.2 | 1000 m3 ub | INDUSTRIAL ROUNDWOOD | ||||||
1.2.C | 1000 m3 ub | Coniferous | 1.10 | Based on 50/50 ratio of share of logs/pulpwood in industrial roundwood | ||||
1.2.C.Fir | Fir (and Spruce) | 1.21 | Austrian Energy Agency, 2009. weighted by share of standing inventory of European speices (57% spruce, 10% silver fir and remaining species) | |||||
1.2.C.Pine | Pine | 1.08 | Austrian Energy Agency, 2009, weighted 25% Scots Pine, 2% maritime pine, 2% black pine and remaining species | |||||
1.2.NC | 1000 m3 ub | Non-Coniferous | 0.91 | Based on 50/50 ratio of share of logs/pulpwood in industrial roundwood | ||||
1.2.NC.T | 1000 m3 ub | of which:Tropical | 1.37 | AFRICA=1.31, ASIA=0.956, LA. AM= 0.847, World=1.12 | Source: Fonseca "Measurement of Roundwood" 2005, ITTO Annual Review 2007, table 3-2-a Species weight averaged using m3/tonne from Fonseca 2005 and volume exported by species from each region as shown in ITTO 2007 (assumes that bark is removed) | |||
1.2.1 | 1000 m3 ub | SAWLOGS AND VENEER LOGS | 1.05 | Based on 950 kg/m3 green. Bark is included in weight but not in volume. | ||||
1.2.1.C | 1000 m3 ub | Coniferous | 1.43 | 1.07 | Based on 935 kg/m3 green. Bark is included in weight but not in volume. | |||
1.2.1.NC | 1000 m3 ub | Non-Coniferous | 1.25 | 0.91 | Based on 1093 kg/m3 green. Bark is included in weight but not in volume. | |||
1.2.NC.Beech | Beech | 0.92 | Austrian Energy Agency, 2009 | |||||
1.2.NC.Birch | Birch | 0.88 | Austrian Energy Agency, 2009 | |||||
1.2.NC.Eucalyptus | Eucalyptus | 0.77 | ATIBT, 1982 | |||||
1.2.NC.Oak | Oak | 0.88 | Austrian Energy Agency, 2009 | |||||
1.2.NC.Poplar | Poplar | 1.06 | Austrian Energy Agency, 2009 | |||||
1.2.2 | 1000 m3 ub | PULPWOOD (ROUND & SPLIT) | 1.48 | 1.08 | Based on 930 kg/m3 green. Bark is included in weight but not in volume. | |||
1.2.2.C | 1000 m3 ub | Coniferous | 1.54 | 1.12 | Based on 891 kg/m3 green. Bark is included in weight but not in volume. | |||
1.2.2.NC | 1000 m3 ub | Non-Coniferous | 1.33 | 0.91 | Based on 1095 kg/m3 green. Bark is included in weight but not in volume. | |||
1.2.3 | 1000 m3 ub | OTHER INDUSTRIAL ROUNDWOOD | 1.33 | 1.07 | ||||
1.2.3.C | 1000 m3 ub | Coniferous | 1.43 | 1.12 | same as 1.2.2.C | |||
1.2.3.NC | 1000 m3 ub | Non-Coniferous | 1.25 | 0.91 | same as 1.2.2.NC | |||
2 | 1000 MT | WOOD CHARCOAL | 6.00 | 5.35 | Does not include the use of any of the wood fiber to generate the heat to make (add about 30% if inputted wood fiber used to provide heat) | |||
3 | 1000 m3 | WOOD CHIPS, PARTICLES AND RESIDUES | ||||||
3.1 | 1000 m3 | WOOD CHIPS AND PARTICLES | 1.60 | softwood=1.19 | 1.205 | Based on swe/odmt of 2.41 and avg delivered mt / odmt of 2.0 in solid m3 | ||
hardwood = 1.05 | 1.123 | Based on swe/odmt of 2.01 and avg delivered mt / odmt of 1.79 in solid m3 | ||||||
mix = 1.15 | ||||||||
3.2 | 1000 m3 | WOOD RESIDUES | 1.50 | Green=1.15 | Based on wood chips | |||
Seasoned = 2.12 | 2.07 | Assumption for seasoned is based on average basic density of .42 from questionnaire and assumes 15% moisture content | ||||||
4 | 1000 mt | RECOVERED POST-CONSUMER WOOD | Delivered MT (12-20% atmospheric moisture). Convert to dry weight for energy purposes (multiply by 0.88 - 0.80) | |||||
5 | 1000 MT | WOOD PELLETS AND OTHER AGGLOMERATES | ||||||
5.1 | 1000 MT | WOOD PELLETS | 1.51 | 1.44 | Bulk (loose) volume, 5-10% moisture | |||
5.2 | 1000 MT | OTHER AGGLOMERATES | 1.31 | 2.29 | roundwood equivalent is m3rw/odmt, volume to weight is bulk (loose volume) | |||
6 | 1000 m3 | SAWNWOOD | 1.6 / 1.82* | |||||
6.C | 1000 m3 | Coniferous | 1.82 | Green=1.202 | RoughGreen=1.67 | Green sawnwood based on basic density of .94, less bark (11%) | ||
Dry = 1.99 | RoughDry=1.99 | Dry sawnwood weight based on basic density of .42, 4% shrinkage and 15% moisture content | ||||||
PlanedDry=2.13 | ||||||||
6.C.Fir | Fir and Spruce | 2.16 | Austrian Energy Agency, 2009. Dried weight (15% moisture content dry weight). Weighted ratio of standing inventory. | |||||
6.C.Pine | Pine | 1.72 | Austrian Energy Agency, 2009. Dried weight (15% moisture content dry weight). Weighted ratio of standing inventory. | |||||
6.NC | 1000 m3 | Non-Coniferous | 1.43 | Green=1.04 | RoughGreen=1.86 | Green sawnwood based on basic density of 1.09, less bark (12%) | ||
Seasoned=1.50 | RoughDry=2.01 | Dry sawnwood weight based on basic density of .55, 5% shrinkage and 15% moisture content | ||||||
PlanedDry=2.81 | ||||||||
6.NC.Ash | Ash | 1.47 | Wood Database (wood-database.com). Air-dry. | |||||
6.NC.Beech | Beech | 1.42 | Austrian Energy Agency, 2009. Dried weight (15% moisture content dry weight). | |||||
6.NC.Birch | Birch | 1.47 | Austrian Energy Agency, 2009. Dried weight (15% moisture content dry weight). | |||||
6.NC.Cherry | Cherry | 1.62 | Giordano, 1976, Tecnologia del legno. Air-dry. Prunus avium. | |||||
6.NC.Maple | Maple | 1.35 | Giordano, 1976, Tecnologia del legno. Air-dry | |||||
6.NC.Oak | Oak | 1.38 | Austrian Energy Agency, 2009. Dried weight (15% moisture content dry weight). | |||||
6.NC.Poplar | Poplar | 2.29 | Austrian Energy Agency, 2009. Dried weight (15% moisture content dry weight). | |||||
6.NC.T | 1000 m3 | of which:Tropical | 1.38 | Based on FP Conversion Factors (2019), Asia (720 kg / m3) | ||||
7 | 1000 m3 | VENEER SHEETS | 1.33 | 0.0025 | 1.9* | |||
7.C | 1000 m3 | Coniferous | 0.003 | Green=1.20 | 1.5*** | Green veneer based on basic density of .94, less bark (11%) | ||
Seasoned=2.06 | 1.6*** | Dry veneer weight based on basic density of .42, 9% shrinkage and 5% moisture content | ||||||
7.NC | 1000 m3 | Non-Coniferous | 0.001 | Green=1.04 | 1.5*** | Green veneer based on basic density of 1.09, less bark (11%) | ||
Seasoned=1.53 | 1.6*** | Dry veneer weight based on basic density of .55, 11.5% shrinkage and 5% moisture content | ||||||
7.NC.T | 1000 m3 | of which:Tropical | ||||||
8 | 1000 m3 | WOOD-BASED PANELS | 1.6 | |||||
8.1 | 1000 m3 | PLYWOOD | 1.54 | 0.105 | 2.3* | |||
8,1.C | 1000 m3 | Coniferous | 0.0165*** | 1.69 | 2.12 | dried, sanded, peeled | ||
8.1.NC | 1000 m3 | Non-Coniferous | 0.0215*** | 1.54 | 1.92 | dried, sanded, sliced | ||
8.1.NC.T | 1000 m3 | of which:Tropical | ||||||
8.2 | 1000 m3 | PARTICLE BOARD (including OSB) | 1.54 | |||||
8.2x | 1000 m3 | PARTICLE BOARD (excluding OSB) | 0.018*** | 1.53 | 1.50 | |||
8.2.1 | 1000 m3 | of which: OSB | 0.018*** | 1.67 | 1.63 | |||
8.3 | 1000 m3 | FIBREBOARD | ||||||
8.3.1 | 1000 m3 | HARDBOARD | 1.05 | 0.005 Alex McCusker: Alex McCusker: 0.003 per Conversion Factors Study | 1.06 | 1.93 | solid wood per m3 of product | |
8.3.2 | 1000 m3 | MEDIUM/HIGH DENSITY FIBREBOARD (MDF/HDF) | 2.00 | 0.016 | 1.37 | 1.70 | solid wood per m3 of product | |
8.3.3 | 1000 m3 | OTHER FIBREBOARD | 4.00 | 0.025 | 3.44 | 0.71 | solid wood per m3 of product, mostly insulating board | |
9 | 1000 MT | WOOD PULP | 3.37 | 3.86 | ||||
9.1 | 1000 MT | MECHANICAL AND SEMI-CHEMICAL | 2.60 | air-dried metric ton (mechanical 2.50, semi-chemical 2.70) | ||||
9..2 | 1000 MT | CHEMICAL | 4.90 | |||||
9.2.1 | 1000 MT | SULPHATE | 4.57 | air-dried metric ton (unbleached 4.63, bleached 4.50) | ||||
9.2.1.1 | 1000 MT | of which: bleached | 4.50 | air-dried metric ton | ||||
9.2.2 | 1000 MT | SULPHITE | 4.83 | air-dried metric ton (unbleached 4.64 and bleached 5.01) | ||||
9.3 | 1000 MT | DISSOLVING GRADES | 5.65 | air-dried metric ton | ||||
10 | 1000 MT | OTHER PULP | ||||||
10.1 | 1000 MT | PULP FROM FIBRES OTHER THAN WOOD | ||||||
10.2 | 1000 MT | RECOVERED FIBRE PULP | ||||||
11 | 1000 MT | RECOVERED PAPER | 1.28 MT in per MT out | |||||
12 | 1000 MT | PAPER AND PAPERBOARD | 3.37 | 3.6 | ||||
12.1 | 1000 MT | GRAPHIC PAPERS | ||||||
12.1.1 | 1000 MT | NEWSPRINT | 2.80 | air-dried metric ton | ||||
12.1.2 | 1000 MT | UNCOATED MECHANICAL | 3.50 | air-dried metric ton | ||||
12.1.3 | 1000 MT | UNCOATED WOODFREE | ||||||
12.1.4 | 1000 MT | COATED PAPERS | 3.95 | air-dried metric ton | ||||
12.2 | 1000 MT | SANITARY AND HOUSEHOLD PAPERS | 4.90 | air-dried metric ton | ||||
12.3 | 1000 MT | PACKAGING MATERIALS | 3.25 | air-dried metric ton | ||||
12.3.1 | 1000 MT | CASE MATERIALS | 4.20 | air-dried metric ton | ||||
12.3.2 | 1000 MT | CARTONBOARD | 4.00 | air-dried metric ton | ||||
12.3.3 | 1000 MT | WRAPPING PAPERS | 4.10 | air-dried metric ton | ||||
12.3.4 | 1000 MT | OTHER PAPERS MAINLY FOR PACKAGING | 4.00 | air-dried metric ton | ||||
12.4 | 1000 MT | OTHER PAPER AND PAPERBOARD N.E.S | 3.48 | air-dried metric ton | ||||
For inverse relationships divide 1 by the factor given, e.g. to convert m3 of wood charcoal to mt divide 1 by m3/mt factor of 6 = 0.167 | ||||||||
Notes: | Forest Measures | |||||||
MT = metric tonnes (1000 kg) | Unit | m3/unit | m3/unit | |||||
m3 = cubic meters (solid volume) | 1000 board feet (sawlogs) | 4.53** | ||||||
m2 = square meters | 1000 board feet (sawnwood - nominal) | 2.36 | 1.69 | nominal board feet to actual m3 | ||||
(s) = solid volume | 1000 square feet (1/8 inch thickness) | 0.295 | ||||||
cord | 3.625 | 2.43 | ||||||
Unit Conversion | cord (pulpwood) | 2.55 | 2.43 | |||||
1 inch = 25.4 millimetres | cord (wood fuel) | 2.12 | 2.43 | |||||
1 square foot = 0.0929 square metre | cubic foot | 0.02832 | ||||||
1 pound = 0.454 kilograms | cubic foot (stacked) | 0.01841 | ||||||
1 short ton (2000 pounds) = 0.9072 metric ton | cunit | 2.83 | ||||||
1 long ton (2240 pounds) = 1.016 metric ton | fathom | 6.1164 | ||||||
Bold = FAO published figure | hoppus cubic foot | 0.0222 | ||||||
hoppus super(ficial) foot | 0.00185 | |||||||
* = ITTO | hoppus ton (50 hoppus cubic feet) | 1.11 | ||||||
** = obolete - more recent figures would be | Petrograd Standard | 4.672 | ||||||
for OR, WA, AK (west of Cascades), SE US (Doyle region): 6.3 | stere | 1 | 0.67 | |||||
Inland west US, Great Lakes US, E. Can.: 5.7 | stere (pulpwood) | 0.72 | 0.67 | |||||
NE US Int 1/4": 5 | stere (wood fuel) | 0.65 | 0.67 | |||||
*** = Conversion Factor Study, US figures, rotary for conifer and sliced for non-conifer | ||||||||
Fonseca *Measurement of Roundwood" 2005. Estimated by Matt Fonseca based on regional knowledge of the scaling methods and timber types | ||||||||
prepared February 2004 | ||||||||
updated 2007 with RWE factors | ||||||||
updated 2009 with provisional results of forest products conversion factors study | ||||||||
updated 2011 with results of forest products conversion factors study (DP49) | ||||||||
Annex1 | JQ1-Corres.
FOREST SECTOR QUESTIONNAIRE JQ1 (Supp. 1) | ||
PRIMARY PRODUCTS | ||
Removals and Production | ||
CORRESPONDENCES to CPC Ver.2.1 | ||
Central Product Classification Version 2.1 (CPC Ver. 2.1) | ||
Product | Product | |
Code | ||
REMOVALS OF ROUNDWOOD (WOOD IN THE ROUGH) | ||
1 | ROUNDWOOD (WOOD IN THE ROUGH) | 031 |
1.1 | WOOD FUEL (INCLUDING WOOD FOR CHARCOAL) | 0313 |
1.1.C | Coniferous | 03131 |
1.1.NC | Non-Coniferous | 03132 |
1.2 | INDUSTRIAL ROUNDWOOD | 0311 0312 |
1.2.C | Coniferous | 0311 |
1.2.NC | Non-Coniferous | 0312 |
1.2.NC.T | of which: Tropical | ex0312 |
1.2.1 | SAWLOGS AND VENEER LOGS | ex03110 ex03120 |
1.2.1.C | Coniferous | ex03110 |
1.2.1.NC | Non-Coniferous | ex03120 |
1.2.2 | PULPWOOD, ROUND AND SPLIT (INCLUDING WOOD FOR PARTICLE BOARD, OSB AND FIBREBOARD) | ex03110 ex03120 |
1.2.2.C | Coniferous | ex03110 |
1.2.2.NC | Non-Coniferous | ex03120 |
1.2.3 | OTHER INDUSTRIAL ROUNDWOOD | ex03110 ex03120 |
1.2.3.C | Coniferous | ex03110 |
1.2.3.NC | Non-Coniferous | ex03120 |
PRODUCTION | ||
2 | WOOD CHARCOAL | ex34510 |
3 | WOOD CHIPS, PARTICLES AND RESIDUES | ex31230 ex39283 |
3.1 | WOOD CHIPS AND PARTICLES | ex31230 |
3.2 | WOOD RESIDUES (INCLUDING WOOD FOR AGGLOMERATES) | ex39283 |
4 | RECOVERED POST-CONSUMER WOOD | ex39283 |
5 | WOOD PELLETS AND OTHER AGGLOMERATES | 39281 39282 |
5.1 | WOOD PELLETS | 39281 |
5.2 | OTHER AGGLOMERATES | 39282 |
6 | SAWNWOOD (INCLUDING SLEEPERS) | 311 3132 |
6.C | Coniferous | 31101 ex31109 ex3132 |
6.NC | Non-Coniferous | 31102 ex31109 ex3132 |
6.NC.T | of which: Tropical | ex31102 ex31109 ex3132 |
7 | VENEER SHEETS | 3151 |
7.C | Coniferous | 31511 |
7.NC | Non-Coniferous | 31512 |
7.NC.T | of which: Tropical | ex31512 |
8 | WOOD-BASED PANELS | 3141 3142 3143 3144 |
8.1 | PLYWOOD | 3141 3142 |
8.1.C | Coniferous | 31411 31421 |
8.1.NC | Non-Coniferous | 31412 31422 |
8.1.NC.T | of which: Tropical | ex31412 ex31422 |
8.2 | PARTICLE BOARD, ORIENTED STRAND BOARD (OSB) and SIMILAR BOARD | 3143 |
8.2.1 | of which: ORIENTED STRAND BOARD (OSB) | 31432 |
8.3 | FIBREBOARD | 3144 |
8.3.1 | HARDBOARD | 31442 |
8.3.2 | MEDIUM/HIGH DENSITY FIBREBOARD (MDF/HDF) | 31441 |
8.3.3 | OTHER FIBREBOARD | 31449 |
9 | WOOD PULP | 32111 32112 ex32113 |
9.1 | MECHANICAL AND SEMI-CHEMICAL WOOD PULP | ex32113 |
9.2 | CHEMICAL WOOD PULP | 32112 |
9.2.1 | SULPHATE PULP | ex32112 |
9.2.1.1 | of which: BLEACHED | ex32112 |
9.2.2 | SULPHITE PULP | ex32112 |
9.3 | DISSOLVING GRADES | 32111 |
10 | OTHER PULP | ex32113 |
10.1 | PULP FROM FIBRES OTHER THAN WOOD | ex32113 |
10.2 | RECOVERED FIBRE PULP | ex32113 |
11 | RECOVERED PAPER | 3924 |
12 | PAPER AND PAPERBOARD | 3212 3213 32142 32143 ex32149 32151 32198 ex32199 |
12.1 | GRAPHIC PAPERS | 3212 ex32143 ex32149 |
12.1.1 | NEWSPRINT | 32121 |
12.1.2 | UNCOATED MECHANICAL | ex32122 ex32129 |
12.1.3 | UNCOATED WOODFREE | 32122 ex32129 |
12.1.4 | COATED PAPERS | ex32143 ex32149 |
12.2 | HOUSEHOLD AND SANITARY PAPERS | 32131 |
12.3 | PACKAGING MATERIALS | 32132 ex32133 32134 32135 ex32136 ex32137 32142 32151 ex32143 ex32149 |
12.3.1 | CASE MATERIALS | 32132 32134 32135 ex32136 |
12.3.2 | CARTONBOARD | ex32133 ex32136 ex32143 ex32149 |
12.3.3 | WRAPPING PAPERS | ex32133 ex32136 ex32137 32142 32151 |
12.3.4 | OTHER PAPERS MAINLY FOR PACKAGING | ex32136 |
12.4 | OTHER PAPER AND PAPERBOARD N.E.S. | ex32149 ex32133 ex32136 ex32137 32198 ex32199 |
Notes: | ||
The term "ex" means that there is not a complete correlation between the two codes and that only a part of the CPC Ver.2.1 code is applicable. | ||
For instance "ex31512" under product 7.NC.T means that only a part of CPC Ver.2.1 code 31512 refers to non-coniferous tropical veneer sheets. | ||
In CPC, if only 3 or 4 digits are shown, then all sub-codes at lower degrees of aggregation are included (for example, 0313 includes 03131 and 03132). | ||
Annex2 | JQ2-Corres.
FOREST SECTOR QUESTIONNAIRE JQ2 (Supp. 1) | ||||
PRIMARY PRODUCTS | ||||
Trade | ||||
CORRESPONDENCES to HS2017, HS2012 and SITC Rev.4 | ||||
C l a s s i f i c a t i o n s | ||||
Product | Product | |||
Code | HS2017 | HS2012 | SITC Rev.4 | |
1 | ROUNDWOOD (WOOD IN THE ROUGH) | 4401.11/12 44.03 | 4401.10 44.03 | 245.01 247 |
1.1 | WOOD FUEL (INCLUDING WOOD FOR CHARCOAL) | 4401.11/12 | 4401.10 | 245.01 |
1.1.C | Coniferous | 4401.11 | ex4401.10 | ex245.01 |
1.1.NC | Non-Coniferous | 4401.12 | ex4401.10 | ex245.01 |
1.2 | INDUSTRIAL ROUNDWOOD | 44.03 | 44.03 | 247 |
1.2.C | Coniferous | 4403.11/21/22/23/24/25/26 | ex4403.10 4403.20 | ex247.3 247.4 |
1.2.NC | Non-Coniferous | 4403.12/41/49/91/93/94/95/96/97/98/99 | ex4403.10 4403.41/49/91/92/99 | ex247.3 247.5 247.9 |
1.2.NC.T | of which: Tropical | ex4403.12 4403.41/49 | ex4403.10 4403.41/49 ex4403.99 | ex247.3 247.5 ex247.9 |
2 | WOOD CHARCOAL | 4402.90 | 4402.90 | ex245.02 |
3 | WOOD CHIPS, PARTICLES AND RESIDUES | 4401.21/22 ex4401.40 | 4401.21/22 ex4401.39 | 246.1 ex246.2 |
3.1 | WOOD CHIPS AND PARTICLES | 4401.21/22 | 4401.21/22 | 246.1 |
3.2 | WOOD RESIDUES (INCLUDING WOOD FOR AGGLOMERATES) | ex4401.40 | ex4401.39 | ex246.2 |
4 | RECOVERED POST-CONSUMER WOOD | ex4401.40 | ex4401.39 | ex246.2 |
5 | WOOD PELLETS AND OTHER AGGLOMERATES | 4401.31/39 | 4401.31 ex4401.39 | ex246.2 |
5.1 | WOOD PELLETS | 4401.31 | 4401.31 | ex246.2 |
5.2 | OTHER AGGLOMERATES | 4401.39 | ex4401.39 | ex246.2 |
6 | SAWNWOOD (INCLUDING SLEEPERS) | 44.06 44.07 | 44.06 44.07 | 248.1 248.2 248.4 |
6.C | Coniferous | 4406.11/91 4407.11/12/19 | ex4406.10/90 4407.10 | ex248.11 ex248.19 248.2 |
6.NC | Non-Coniferous | 4406.12/92 4407.21/22/25/26/27/28/29/91/92/93/94/95/96/97/99 | ex4406.10/90 4407.21/22/25/26/27/28/29/91/92/93/94/95/99 | ex248.11 ex248.19 248.4 |
6.NC.T | of which: Tropical | ex4406.12/92 4407.21/22/25/26/27/28/29 | ex4406.10/90 4407.21/22/25/26/27/28/29 ex4407.99 | ex248.11 ex248.19 ex248.4 |
7 | VENEER SHEETS | 44.08 | 44.08 | 634.1 |
7.C | Coniferous | 4408.10 | 4408.10 | 634.11 |
7.NC | Non-Coniferous | 4408.31/39/90 | 4408.31/39/90 | 634.12 |
7.NC.T | of which: Tropical | 4408.31/39 | 4408.31/39 ex4408.90 | ex634.12 |
8 | WOOD-BASED PANELS | 44.10 44.11 4412.31/33/34/39/94/99 | 44.10 44.11 4412.31/32/39/94/99 | 634.22/23/31/33/39 634.5 |
8.1 | PLYWOOD | 4412.31/33/34/39/94/99 | 4412.31/32/39/94/99 | 634.31/33/39 |
8.1.C | Coniferous | 4412.39 ex4412.94 ex4412.99 | 4412.39 ex4412.94 ex.4412.99 | ex634.31 ex634.33 ex634.39 |
8.1.NC | Non-Coniferous | 4412.31/33/34 ex4412.94 ex4412.99 | 4412.31/32 ex4412.94 ex4412.99 | ex634.31 ex634.33 ex634.39 |
8.1.NC.T | of which: Tropical | 4412.31 ex4412.94 ex4412.99 | 4412.31 ex4412.32 ex4412.94 ex4412.99 | ex634.31 ex634.33 ex634.39 |
8.2 | PARTICLE BOARD, ORIENTED STRAND BOARD (OSB) and SIMILAR BOARD | 44.10 | 44.10 | 634.22/23 |
8.2.1 | of which: ORIENTED STRAND BOARD (OSB) | 4410.12 | 4410.12 | ex634.22 |
8.3 | FIBREBOARD | 44.11 | 44.11 | 634.5 |
8.3.1 | HARDBOARD | 4411.92 | 4411.92 | ex634.54 ex634.55 |
8.3.2 | MEDIUM/HIGH DENSITY FIBREBOARD (MDF/HDF) | 4411.12/13 ex4411.14* | 4411.12/13 ex4411.14* | ex634.54 ex634.55 |
8.3.3 | OTHER FIBREBOARD | ex4411.14 4411.93/94 | ex4411.14 4411.93/94 | ex634.54 ex634.55 |
9 | WOOD PULP | 47.01/02/03/04/05 | 47.01/02/03/04/05 | 251.2 251.3 251.4 251.5 251.6 251.91 |
9.1 | MECHANICAL AND SEMI-CHEMICAL WOOD PULP | 47.01 47.05 | 47.01 47.05 | 251.2 251.91 |
9.2 | CHEMICAL WOOD PULP | 47.03 47.04 | 47.03 47.04 | 251.4 251.5 251.6 |
9.2.1 | SULPHATE PULP | 47.03 | 47.03 | 251.4 251.5 |
9.2.1.1 | of which: BLEACHED | 4703.21/29 | 4703.21/29 | 251.5 |
9.2.2 | SULPHITE PULP | 47.04 | 47.04 | 251.6 |
9.3 | DISSOLVING GRADES | 47.02 | 47.02 | 251.3 |
10 | OTHER PULP | 47.06 | 47.06 | 251.92 |
10.1 | PULP FROM FIBRES OTHER THAN WOOD | 4706.10/30/91/92/93 | 4706.10/30/91/92/93 | ex251.92 |
10.2 | RECOVERED FIBRE PULP | 4706.20 | 4706.20 | ex251.92 |
11 | RECOVERED PAPER | 47.07 | 47.07 | 251.1 |
12 | PAPER AND PAPERBOARD | 48.01 48.02 48.03 48.04 48.05 48.06 48.08 48.09 48.10 4811.51/59 48.12 48.13 | 48.01 48.02 48.03 48.04 48.05 48.06 48.08 48.09 48.10 4811.51/59 48.12 48.13 | 641.1 641.2 641.3 641.4 641.5 641.62/63/64/69/71/72/74/75/76/77/93 642.41 |
12.1 | GRAPHIC PAPERS | 48.01 4802.10/20/54/55/56/57/58/61/62/69 48.09 4810.13/14/19/22/29 | 48.01 4802.10/20/54/55/56/57/58/61/62/69 48.09 4810.13/14/19/22/29 | 641.1 641.21/22/26/29 641.3 |
12.1.1 | NEWSPRINT | 48.01 | 48.01 | 641.1 |
12.1.2 | UNCOATED MECHANICAL | 4802.61/62/69 | 4802.61/62/69 | 641.29 |
12.1.3 | UNCOATED WOODFREE | 4802.10/20/54/55/56/57/58 | 4802.10/20/54/55/56/57/58 | 641.21/22/26 |
12.1.4 | COATED PAPERS | 48.09 4810.13/14/19/22/29 | 48.09 4810.13/14/19/22/29 | 641.3 |
12.2 | HOUSEHOLD AND SANITARY PAPERS | 48.03 | 48.03 | 641.63 |
12.3 | PACKAGING MATERIALS | 4804.11/19/21/29/31/39/42/49/51/52/59 4805.11/12/19/24/25/30/91/92/93 4806.10/20/40 48.08 4810.31/32/39/92/99 4811.51/59 | 4804.11/19/21/29/31/39/42/49/51/52/59 4805.11/12/19/24/25/30/91/92/93 4806.10/20/40 48.08 4810.31/32/39/92/99 4811.51/59 | 641.41/42/46 ex641.47 641.48/51/52 ex641.53 641.54/59/62/64/69/71/72/74/75/76/77 |
12.3.1 | CASE MATERIALS | 4804.11/19 4805.11/12/19/24/25/91 | 4804.11/19 4805.11/12/19/24/25/91 | 641.41/51/54 ex641.59 |
12.3.2 | CARTONBOARD | 4804.42/49/51/52/59 4805.92 4810.32/39/92 4811.51/59 | 4804.42/49/51/52/59 4805.92 4810.32/39/92 4811.51/59 | ex641.47 641.48 ex641.59 641.75/76 ex641.77 641.71/72 |
12.3.3 | WRAPPING PAPERS | 4804.21/29/31/39 4805.30 4806.10/20/40 48.08 4810.31/99 | 4804.21/29/31/39 4805.30 4806.10/20/40 48.08 4810.31/99 | 641.42/46/52 ex641.53 641.62/64/69/74 ex641.77 |
12.3.4 | OTHER PAPERS MAINLY FOR PACKAGING | 4805.93 | 4805.93 | ex641.59 |
12.4 | OTHER PAPER AND PAPERBOARD N.E.S. | 4802.40 4804.41 4805.40/50 4806.30 48.12 48.13 | 4802.40 4804.41 4805.40/50 4806.30 48.12 48.13 | 641.24 ex641.47 641.56 ex641.53 641.55/93 642.41 |
Notes: | ||||
The term "ex" means that there is not a complete correlation between the two codes and that only a part of the HS2012/HS2017 or SITC Rev.4 code is applicable. | ||||
For instance "ex4401.40" under product 3.2 means that only a part of HS2017 code 4401.40 refers to wood residues coming from wood processing (the other part coded under 4401.40 is recovered post-consumer wood). | ||||
In SITC Rev.4, if only 4 digits are shown, then all sub-headings at lower degrees of aggregation are included (for example, 634.1 includes 634.11 and 634.12). | ||||
* - Please assign the trade data for HS code 4411.14 to product 8.3.2 (MDF/HDF) and 8.3.3 (other fibreboard) if it is possible to do this in national statistics. If not, please assign all the trade data to item 8.3.2 as in most cases MDF/HDF will represent the large majority of trade. |
Annex3 | JQ3-Corres.
FOREST SECTOR QUESTIONNAIRE JQ3 (Supp. 1) | ||||
SECONDARY PROCESSED PRODUCTS | ||||
Trade | ||||
CORRESPONDENCES to HS2017, HS2012 and SITC Rev.4 | ||||
C l a s s i f i c a t i o n s | ||||
Product | Product | |||
Code | HS2017 | HS2012 | SITC Rev.4 | |
13 | SECONDARY WOOD PRODUCTS | |||
13.1 | FURTHER PROCESSED SAWNWOOD | 4409.10/22/29 | 4409.10/29 | 248.3 248.5 |
13.1.C | Coniferous | 4409.10 | 4409.10 | 248.3 |
13.1.NC | Non-coniferous | 4409.22/29 | 4409.29 | 248.5 |
13.1.NC.T | of which: Tropical | 4409.22 | ex4409.29 | ex248.5 |
13.2 | WOODEN WRAPPING AND PACKAGING MATERIAL | 44.15/16 | 44.15/16 | 635.1 635.2 |
13.3 | WOOD PRODUCTS FOR DOMESTIC/DECORATIVE USE | 44.14 4419.90 44.20 | 44.14 ex4419.00 44.20 | 635.41 ex635.42 635.49 |
13.4 | BUILDER’S JOINERY AND CARPENTRY OF WOOD | 4418.10/20/40/50/60/74/75/79/99 | 4418.10/20/40/50/60 ex4418.71 ex4418.72 ex4418.79 ex4418.90 | 635.31/32/33 ex635.34 ex635.39 |
13.5 | WOODEN FURNITURE | 9401.61/69 ex9401.90 9403.30/40/50/60 ex9403.90 | 9401.61/69 ex9401.90 9403.30/40/50/60 ex9403.90 | 821.16 ex821.19 821.51/53/55/59 ex821.8 |
13.6 | PREFABRICATED BUILDINGS OF WOOD | 9406.10 | ex94.06 | ex811.0 |
13.7 | OTHER MANUFACTURED WOOD PRODUCTS | 44.04/05/13/17 4421.10/99 | 44.04/05/13/17 4421.10 ex4421.90 | 634.21/91/93 635.91 ex635.99 |
14 | SECONDARY PAPER PRODUCTS | |||
14.1 | COMPOSITE PAPER AND PAPERBOARD | 48.07 | 48.07 | 641.92 |
14.2 | SPECIAL COATED PAPER AND PULP PRODUCTS | 4811.10/41/49/60/90 | 4811.10/41/49/60/90 | 641.73/78/79 |
14.3 | HOUSEHOLD AND SANITARY PAPER, READY FOR USE | 48.18 | 48.18 | 642.43/94 |
14.4 | PACKAGING CARTONS, BOXES ETC. | 48.19 | 48.19 | 642.1 |
14.5 | OTHER ARTICLES OF PAPER AND PAPERBOARD, READY FOR USE | 48.14/16/17/20/21/22/23 | 48.14/16/17/20/21/22/23 | 641.94 642.2 642.3 642.42/45/91/93/99 892.81 |
14.5.1 | of which: PRINTING AND WRITING PAPER, READY FOR USE | ex4823.90 | ex4823.90 | ex642.99 |
14.5.2 | of which: ARTICLES, MOULDED OR PRESSED FROM PULP | 4823.70 | 4823.70 | ex642.99 |
14.5.3 | of which: FILTER PAPER AND PAPERBOARD, READY FOR USE | 4823.20 | 4823.20 | 642.45 |
Notes: | ||||
The term "ex" means that there is not a complete correlation between the two codes and that only a part of the HS2012/HS2017 or SITC Rev.4 code is applicable. | ||||
For instance "ex811.00" under "Prefabricated buildings of wood" means that only a part of SITC code 811.00 refers to buildings prefabricated from wood, as that code does not distinguish between the materials buildings were prefabricated from. | ||||
In SITC Rev.4, if only 4 digits are shown, then all subheadings at lower degrees of aggregation are included (for example, 892.2 includes 892.21 and 892.29). |
Annex4 |JQ2-JQ3-Corres.
JQ Product code | Nomenclature | HS Code | Remarks on HS codes |
1 | HS2002 | 440110 | |
1 | HS2002 | 4403 | |
1 | HS2007 | 440110 | |
1 | HS2007 | 4403 | |
1 | HS2012 | 440110 | |
1 | HS2012 | 4403 | |
1 | HS2017 | 440111 | |
1 | HS2017 | 440112 | |
1 | HS2017 | 4403 | |
1.1 | HS2002 | 440110 | |
1.1 | HS2007 | 440110 | |
1.1 | HS2012 | 440110 | |
1.1 | HS2017 | 440111 | |
1.1 | HS2017 | 440112 | |
1.1C | HS2002 | 440110 | Only some part of it |
1.1C | HS2007 | 440110 | Only some part of it |
1.1C | HS2012 | 440110 | Only some part of it |
1.1C | HS2017 | 440111 | |
1.1NC | HS2002 | 440110 | Only some part of it |
1.1NC | HS2007 | 440110 | Only some part of it |
1.1NC | HS2012 | 440110 | Only some part of it |
1.1NC | HS2017 | 440112 | |
1.2 | HS2002 | 4403 | |
1.2 | HS2007 | 4403 | |
1.2 | HS2012 | 4403 | |
1.2 | HS2017 | 4403 | |
1.2.C | HS2002 | 440310 | Only some part of it |
1.2.C | HS2002 | 440320 | |
1.2.C | HS2007 | 440310 | Only some part of it |
1.2.C | HS2007 | 440320 | |
1.2.C | HS2012 | 440310 | Only some part of it |
1.2.C | HS2012 | 440320 | |
1.2.C | HS2017 | 440311 | |
1.2.C | HS2017 | 440321 | |
1.2.C | HS2017 | 440322 | |
1.2.C | HS2017 | 440323 | |
1.2.C | HS2017 | 440324 | |
1.2.C | HS2017 | 440325 | |
1.2.C | HS2017 | 440326 | |
1.2.NC | HS2002 | 440310 | Only some part of it |
1.2.NC | HS2002 | 440341 | |
1.2.NC | HS2002 | 440349 | |
1.2.NC | HS2002 | 440391 | |
1.2.NC | HS2002 | 440392 | |
1.2.NC | HS2002 | 440399 | |
1.2.NC | HS2007 | 440310 | Only some part of it |
1.2.NC | HS2007 | 440341 | |
1.2.NC | HS2007 | 440349 | |
1.2.NC | HS2007 | 440391 | |
1.2.NC | HS2007 | 440392 | |
1.2.NC | HS2007 | 440399 | |
1.2.NC | HS2012 | 440310 | Only some part of it |
1.2.NC | HS2012 | 440341 | |
1.2.NC | HS2012 | 440349 | |
1.2.NC | HS2012 | 440391 | |
1.2.NC | HS2012 | 440392 | |
1.2.NC | HS2012 | 440399 | |
1.2.NC | HS2017 | 440312 | |
1.2.NC | HS2017 | 440341 | |
1.2.NC | HS2017 | 440349 | |
1.2.NC | HS2017 | 440391 | |
1.2.NC | HS2017 | 440393 | |
1.2.NC | HS2017 | 440394 | |
1.2.NC | HS2017 | 440395 | |
1.2.NC | HS2017 | 440396 | |
1.2.NC | HS2017 | 440397 | |
1.2.NC | HS2017 | 440398 | |
1.2.NC | HS2017 | 440399 | |
1.2.NC.T | HS2002 | 440310 | Only some part of it |
1.2.NC.T | HS2002 | 440341 | |
1.2.NC.T | HS2002 | 440349 | |
1.2.NC.T | HS2002 | 440399 | Only some part of it |
1.2.NC.T | HS2007 | 440310 | Only some part of it |
1.2.NC.T | HS2007 | 440341 | |
1.2.NC.T | HS2007 | 440349 | |
1.2.NC.T | HS2007 | 440399 | Only some part of it |
1.2.NC.T | HS2012 | 440310 | Only some part of it |
1.2.NC.T | HS2012 | 440341 | |
1.2.NC.T | HS2012 | 440349 | |
1.2.NC.T | HS2012 | 440399 | Only some part of it |
1.2.NC.T | HS2017 | 440312 | Only some part of it |
1.2.NC.T | HS2017 | 440341 | |
1.2.NC.T | HS2017 | 440349 | |
2 | HS2002 | 440200 | Only some part of it |
2 | HS2007 | 440290 | |
2 | HS2012 | 440290 | |
2 | HS2017 | 440290 | |
3 | HS2002 | 440121 | |
3 | HS2002 | 440122 | |
3 | HS2002 | 440130 | Only some part of it |
3 | HS2007 | 440121 | |
3 | HS2007 | 440122 | |
3 | HS2007 | 440130 | Only some part of it |
3 | HS2012 | 440121 | |
3 | HS2012 | 440122 | |
3 | HS2012 | 440139 | Only some part of it |
3 | HS2017 | 440121 | |
3 | HS2017 | 440122 | |
3 | HS2017 | 440140 | |
3.1 | HS2002 | 440121 | |
3.1 | HS2002 | 440122 | |
3.1 | HS2007 | 440121 | |
3.1 | HS2007 | 440122 | |
3.1 | HS2012 | 440121 | |
3.1 | HS2012 | 440122 | |
3.1 | HS2017 | 440121 | |
3.1 | HS2017 | 440122 | |
3.2 | HS2002 | 440130 | Only some part of it |
3.2 | HS2012 | 440130 | Only some part of it |
3.2 | HS2012 | 440139 | Only some part of it |
3.2 | HS2017 | 440140 | Only some part of it |
4 | HS2002 | 440130 | Only some part of it |
4 | HS2007 | 440130 | Only some part of it |
4 | HS2012 | 440139 | Only some part of it |
4 | HS2017 | 440140 | Only some part of it |
5 | HS2002 | 440130 | Only some part of it |
5 | HS2007 | 440130 | Only some part of it |
5 | HS2012 | 440131 | |
5 | HS2012 | 440139 | Only some part of it |
5 | HS2017 | 440131 | |
5 | HS2017 | 440139 | |
5.1 | HS2002 | 440130 | Only some part of it |
5.1 | HS2007 | 440130 | Only some part of it |
5.1 | HS2012 | 440131 | |
5.1 | HS2017 | 440131 | |
5.2 | HS2002 | 440130 | Only some part of it |
5.2 | HS2007 | 440130 | Only some part of it |
5.2 | HS2012 | 440139 | Only some part of it |
5.2 | HS2017 | 440139 | |
6 | HS2002 | 4406 | |
6 | HS2002 | 4407 | |
6 | HS2007 | 4406 | |
6 | HS2007 | 4407 | |
6 | HS2012 | 4406 | |
6 | HS2012 | 4407 | |
6 | HS2017 | 4406 | |
6 | HS2017 | 4407 | |
6.C | HS2002 | 440610 | Only some part of it |
6.C | HS2002 | 440690 | Only some part of it |
6.C | HS2002 | 440710 | |
6.C | HS2007 | 440610 | Only some part of it |
6.C | HS2007 | 440690 | Only some part of it |
6.C | HS2007 | 440710 | |
6.C | HS2012 | 440610 | Only some part of it |
6.C | HS2012 | 440690 | Only some part of it |
6.C | HS2012 | 440710 | |
6.C | HS2017 | 440611 | |
6.C | HS2017 | 440691 | |
6.C | HS2017 | 440711 | |
6.C | HS2017 | 440712 | |
6.C | HS2017 | 440719 | |
6.NC | HS2002 | 440610 | Only some part of it |
6.NC | HS2002 | 440690 | Only some part of it |
6.NC | HS2002 | 440724 | |
6.NC | HS2002 | 440725 | |
6.NC | HS2002 | 440726 | |
6.NC | HS2002 | 440729 | |
6.NC | HS2002 | 440791 | |
6.NC | HS2002 | 440792 | |
6.NC | HS2002 | 440799 | |
6.NC | HS2007 | 440610 | Only some part of it |
6.NC | HS2007 | 440690 | Only some part of it |
6.NC | HS2007 | 440721 | |
6.NC | HS2007 | 440722 | |
6.NC | HS2007 | 440725 | |
6.NC | HS2007 | 440726 | |
6.NC | HS2007 | 440727 | |
6.NC | HS2007 | 440728 | |
6.NC | HS2007 | 440729 | |
6.NC | HS2007 | 440791 | |
6.NC | HS2007 | 440792 | |
6.NC | HS2007 | 440793 | |
6.NC | HS2007 | 440794 | |
6.NC | HS2007 | 440795 | |
6.NC | HS2007 | 440799 | |
6.NC | HS2012 | 440610 | Only some part of it |
6.NC | HS2012 | 440690 | Only some part of it |
6.NC | HS2012 | 440721 | |
6.NC | HS2012 | 440722 | |
6.NC | HS2012 | 440725 | |
6.NC | HS2012 | 440726 | |
6.NC | HS2012 | 440727 | |
6.NC | HS2012 | 440728 | |
6.NC | HS2012 | 440729 | |
6.NC | HS2012 | 440791 | |
6.NC | HS2012 | 440792 | |
6.NC | HS2012 | 440793 | |
6.NC | HS2012 | 440794 | |
6.NC | HS2012 | 440795 | |
6.NC | HS2012 | 440799 | |
6.NC | HS2017 | 4406.12 | |
6.NC | HS2017 | 4406.92 | |
6.NC | HS2017 | 4407.21 | |
6.NC | HS2017 | 4407.22 | |
6.NC | HS2017 | 4407.25 | |
6.NC | HS2017 | 4407.26 | |
6.NC | HS2017 | 4407.27 | |
6.NC | HS2017 | 4407.28 | |
6.NC | HS2017 | 4407.29 | |
6.NC | HS2017 | 4407.91 | |
6.NC | HS2017 | 4407.92 | |
6.NC | HS2017 | 4407.93 | |
6.NC | HS2017 | 4407.94 | |
6.NC | HS2017 | 4407.95 | |
6.NC | HS2017 | 4407.96 | |
6.NC | HS2017 | 4407.97 | |
6.NC | HS2017 | 4407.99 | |
6.NC.T | HS2002 | 440610 | Only some part of it |
6.NC.T | HS2002 | 440690 | Only some part of it |
6.NC.T | HS2002 | 440724 | |
6.NC.T | HS2002 | 440725 | |
6.NC.T | HS2002 | 440726 | |
6.NC.T | HS2002 | 440729 | |
6.NC.T | HS2002 | 440799 | Only some part of it |
6.NC.T | HS2007 | 440610 | Only some part of it |
6.NC.T | HS2007 | 440690 | Only some part of it |
6.NC.T | HS2007 | 440721 | |
6.NC.T | HS2007 | 440722 | |
6.NC.T | HS2007 | 440725 | |
6.NC.T | HS2007 | 440726 | |
6.NC.T | HS2007 | 440727 | |
6.NC.T | HS2007 | 440728 | |
6.NC.T | HS2007 | 440729 | |
6.NC.T | HS2007 | 440799 | Only some part of it |
6.NC.T | HS2012 | 440610 | Only some part of it |
6.NC.T | HS2012 | 440690 | Only some part of it |
6.NC.T | HS2012 | 440721 | |
6.NC.T | HS2012 | 440722 | |
6.NC.T | HS2012 | 440725 | |
6.NC.T | HS2012 | 440726 | |
6.NC.T | HS2012 | 440727 | |
6.NC.T | HS2012 | 440728 | |
6.NC.T | HS2012 | 440729 | |
6.NC.T | HS2012 | 440799 | Only some part of it |
6.NC.T | HS2017 | 440612 | Only some part of it |
6.NC.T | HS2017 | 440692 | Only some part of it |
6.NC.T | HS2017 | 440721 | |
6.NC.T | HS2017 | 440722 | |
6.NC.T | HS2017 | 440725 | |
6.NC.T | HS2017 | 440726 | |
6.NC.T | HS2017 | 440727 | |
6.NC.T | HS2017 | 440728 | |
6.NC.T | HS2017 | 440729 | |
7 | HS2002 | 4408 | |
7 | HS2007 | 4408 | |
7 | HS2012 | 4408 | |
7 | HS2017 | 4408 | |
7.C | HS2002 | 440810 | |
7.C | HS2007 | 440810 | |
7.C | HS2012 | 440810 | |
7.C | HS2017 | 440810 | |
7.NC | HS2002 | 440831 | |
7.NC | HS2002 | 440839 | |
7.NC | HS2002 | 440890 | |
7.NC | HS2007 | 440831 | |
7.NC | HS2007 | 440839 | |
7.NC | HS2007 | 440890 | |
7.NC | HS2012 | 440831 | |
7.NC | HS2012 | 440839 | |
7.NC | HS2012 | 440890 | |
7.NC | HS2017 | 440831 | |
7.NC | HS2017 | 440839 | |
7.NC | HS2017 | 440890 | |
7.NC.T | HS2002 | 440831 | |
7.NC.T | HS2002 | 440839 | |
7.NC.T | HS2002 | 440890 | Only some part of it |
7.NC.T | HS2007 | 440831 | |
7.NC.T | HS2007 | 440839 | |
7.NC.T | HS2007 | 440890 | Only some part of it |
7.NC.T | HS2012 | 440831 | |
7.NC.T | HS2012 | 440839 | |
7.NC.T | HS2012 | 440890 | Only some part of it |
7.NC.T | HS2017 | 440831 | |
7.NC.T | HS2017 | 440839 | |
8 | HS2002 | 4410 | |
8 | HS2002 | 4411 | |
8 | HS2002 | 441213 | |
8 | HS2002 | 441214 | |
8 | HS2002 | 441219 | |
8 | HS2002 | 441299 | Only some part of it |
8 | HS2007 | 4410 | |
8 | HS2007 | 4411 | |
8 | HS2007 | 441231 | |
8 | HS2007 | 441232 | |
8 | HS2007 | 441239 | |
8 | HS2007 | 441294 | |
8 | HS2007 | 441299 | |
8 | HS2012 | 4410 | |
8 | HS2012 | 4411 | |
8 | HS2012 | 441231 | |
8 | HS2012 | 441232 | |
8 | HS2012 | 441239 | |
8 | HS2012 | 441294 | |
8 | HS2012 | 441299 | |
8 | HS2017 | 4410 | |
8 | HS2017 | 4411 | |
8 | HS2017 | 441231 | |
8 | HS2017 | 441233 | |
8 | HS2017 | 441234 | |
8 | HS2017 | 441239 | |
8 | HS2017 | 441294 | |
8 | HS2017 | 441299 | |
8.1 | HS2002 | 441213 | |
8.1 | HS2002 | 441214 | |
8.1 | HS2002 | 441219 | |
8.1 | HS2002 | 441299 | Only some part of it |
8.1 | HS2007 | 441231 | |
8.1 | HS2007 | 441232 | |
8.1 | HS2007 | 441239 | |
8.1 | HS2007 | 441294 | |
8.1 | HS2007 | 441299 | |
8.1 | HS2012 | 441231 | |
8.1 | HS2012 | 441232 | |
8.1 | HS2012 | 441239 | |
8.1 | HS2012 | 441294 | |
8.1 | HS2012 | 441299 | |
8.1 | HS2017 | 441231 | |
8.1 | HS2017 | 441233 | |
8.1 | HS2017 | 441234 | |
8.1 | HS2017 | 441239 | |
8.1 | HS2017 | 441294 | |
8.1 | HS2017 | 441299 | |
8.1.C | HS2002 | 441219 | |
8.1.C | HS2002 | 441299 | Only some part of it |
8.1.C | HS2007 | 441239 | |
8.1.C | HS2007 | 441294 | Only some part of it |
8.1.C | HS2007 | 441299 | Only some part of it |
8.1.C | HS2012 | 441239 | |
8.1.C | HS2012 | 441294 | Only some part of it |
8.1.C | HS2012 | 441299 | Only some part of it |
8.1.C | HS2017 | 441239 | |
8.1.C | HS2017 | 441294 | Only some part of it |
8.1.C | HS2017 | 441299 | Only some part of it |
8.1.NC | HS2002 | 441213 | |
8.1.NC | HS2002 | 441214 | |
8.1.NC | HS2002 | 441299 | Only some part of it |
8.1.NC | HS2007 | 441231 | |
8.1.NC | HS2007 | 441232 | |
8.1.NC | HS2007 | 441294 | Only some part of it |
8.1.NC | HS2007 | 441299 | Only some part of it |
8.1.NC | HS2012 | 441231 | |
8.1.NC | HS2012 | 441232 | |
8.1.NC | HS2012 | 441294 | Only some part of it |
8.1.NC | HS2012 | 441299 | Only some part of it |
8.1.NC | HS2017 | 441231 | |
8.1.NC | HS2017 | 441233 | |
8.1.NC | HS2017 | 441234 | |
8.1.NC | HS2017 | 441294 | Only some part of it |
8.1.NC | HS2017 | 441299 | Only some part of it |
8.1.NC.T | HS2002 | 441213 | |
8.1.NC.T | HS2002 | 441214 | Only some part of it |
8.1.NC.T | HS2002 | 441299 | Only some part of it |
8.1.NC.T | HS2007 | 441231 | |
8.1.NC.T | HS2007 | 441232 | Only some part of it |
8.1.NC.T | HS2007 | 441294 | Only some part of it |
8.1.NC.T | HS2007 | 441299 | Only some part of it |
8.1.NC.T | HS2012 | 441231 | |
8.1.NC.T | HS2012 | 441232 | Only some part of it |
8.1.NC.T | HS2012 | 441294 | Only some part of it |
8.1.NC.T | HS2012 | 441299 | Only some part of it |
8.1.NC.T | HS2017 | 441231 | |
8.1.NC.T | HS2017 | 441294 | Only some part of it |
8.1.NC.T | HS2017 | 441299 | Only some part of it |
8.2 | HS2002 | 4410 | |
8.2 | HS2007 | 4410 | |
8.2 | HS2012 | 4410 | |
8.2 | HS2017 | 4410 | |
8.2.1 | HS2002 | 441021 | Only some part of it |
8.2.1 | HS2002 | 441029 | Only some part of it |
8.2.1 | HS2007 | 441012 | |
8.2.1 | HS2012 | 441012 | |
8.2.1 | HS2017 | 441012 | |
8.3 | HS2002 | 4411 | |
8.3 | HS2007 | 4411 | |
8.3 | HS2012 | 4411 | |
8.3 | HS2017 | 4411 | |
8.3.1 | HS2002 | 441111 | Only some part of it |
8.3.1 | HS2002 | 441119 | Only some part of it |
8.3.1 | HS2007 | 441192 | |
8.3.1 | HS2012 | 441192 | |
8.3.1 | HS2017 | 441192 | |
8.3.2 | HS2002 | 441111 | Only some part of it |
8.3.2 | HS2002 | 441119 | Only some part of it |
8.3.2 | HS2002 | 441121 | Only some part of it |
8.3.2 | HS2002 | 441129 | Only some part of it |
8.3.2 | HS2007 | 441112 | |
8.3.2 | HS2007 | 441113 | |
8.3.2 | HS2007 | 441114 | Only some part of it |
8.3.2 | HS2012 | 441112 | |
8.3.2 | HS2012 | 441113 | |
8.3.2 | HS2012 | 441114 | Only some part of it |
8.3.2 | HS2017 | 441112 | |
8.3.2 | HS2017 | 441113 | |
8.3.2 | HS2017 | 441114 | Only some part of it |
8.3.3 | HS2002 | 441131 | |
8.3.3 | HS2002 | 441139 | |
8.3.3 | HS2002 | 441191 | |
8.3.3 | HS2002 | 441199 | |
8.3.3 | HS2007 | 441114 | Only some part of it |
8.3.3 | HS2007 | 441193 | |
8.3.3 | HS2007 | 441194 | |
8.3.3 | HS2012 | 441114 | Only some part of it |
8.3.3 | HS2012 | 441193 | |
8.3.3 | HS2012 | 441194 | |
8.3.3 | HS2017 | 441114 | Only some part of it |
8.3.3 | HS2017 | 441193 | |
8.3.3 | HS2017 | 441194 | |
9 | HS2002 | 4701 | |
9 | HS2002 | 4702 | |
9 | HS2002 | 4703 | |
9 | HS2002 | 4704 | |
9 | HS2002 | 4705 | |
9 | HS2007 | 4701 | |
9 | HS2007 | 4702 | |
9 | HS2007 | 4703 | |
9 | HS2007 | 4704 | |
9 | HS2007 | 4705 | |
9 | HS2012 | 4701 | |
9 | HS2012 | 4702 | |
9 | HS2012 | 4703 | |
9 | HS2012 | 4704 | |
9 | HS2012 | 4705 | |
9 | HS2017 | 4701 | |
9 | HS2017 | 4702 | |
9 | HS2017 | 4703 | |
9 | HS2017 | 4704 | |
9 | HS2017 | 4705 | |
9.1 | HS2002 | 4701 | |
9.1 | HS2002 | 4705 | |
9.1 | HS2007 | 4701 | |
9.1 | HS2007 | 4705 | |
9.1 | HS2012 | 4701 | |
9.1 | HS2012 | 4705 | |
9.1 | HS2017 | 4701 | |
9.1 | HS2017 | 4705 | |
9.2 | HS2002 | 4703 | |
9.2 | HS2002 | 4704 | |
9.2 | HS2007 | 4703 | |
9.2 | HS2007 | 4704 | |
9.2 | HS2012 | 4703 | |
9.2 | HS2012 | 4704 | |
9.2 | HS2017 | 4703 | |
9.2 | HS2017 | 4704 | |
9.2.1 | HS2002 | 4703 | |
9.2.1 | HS2007 | 4703 | |
9.2.1 | HS2012 | 4703 | |
9.2.1 | HS2017 | 4703 | |
9.2.1.1 | HS2002 | 470321 | |
9.2.1.1 | HS2002 | 470329 | |
9.2.1.1 | HS2007 | 470321 | |
9.2.1.1 | HS2007 | 470329 | |
9.2.1.1 | HS2012 | 470321 | |
9.2.1.1 | HS2012 | 470329 | |
9.2.1.1 | HS2017 | 470321 | |
9.2.1.1 | HS2017 | 470329 | |
9.2.2 | HS2002 | 4704 | |
9.2.2 | HS2007 | 4704 | |
9.2.2 | HS2012 | 4704 | |
9.2.2 | HS2017 | 4704 | |
9.3 | HS2002 | 4702 | |
9.3 | HS2007 | 4702 | |
9.3 | HS2012 | 4702 | |
9.3 | HS2017 | 4702 | |
10 | HS2002 | 4706 | |
10 | HS2007 | 4706 | |
10 | HS2012 | 4706 | |
10 | HS2017 | 4706 | |
10.1 | HS2002 | 470610 | |
10.1 | HS2002 | 470691 | |
10.1 | HS2002 | 470692 | |
10.1 | HS2002 | 470693 | |
10.1 | HS2007 | 470610 | |
10.1 | HS2007 | 470630 | |
10.1 | HS2007 | 470691 | |
10.1 | HS2007 | 470692 | |
10.1 | HS2007 | 470693 | |
10.1 | HS2012 | 470610 | |
10.1 | HS2012 | 470630 | |
10.1 | HS2012 | 470691 | |
10.1 | HS2012 | 470692 | |
10.1 | HS2012 | 470693 | |
10.1 | HS2017 | 470610 | |
10.1 | HS2017 | 470630 | |
10.1 | HS2017 | 470691 | |
10.1 | HS2017 | 470692 | |
10.1 | HS2017 | 470693 | |
10.2 | HS2002 | 470620 | |
10.2 | HS2007 | 470620 | |
10.2 | HS2012 | 470620 | |
10.2 | HS2017 | 470620 | |
11 | HS2002 | 4707 | |
11 | HS2007 | 4707 | |
11 | HS2012 | 4707 | |
11 | HS2017 | 4707 | |
12 | HS2002 | 4801 | |
12 | HS2002 | 4802 | |
12 | HS2002 | 4803 | |
12 | HS2002 | 4804 | |
12 | HS2002 | 4805 | |
12 | HS2002 | 4806 | |
12 | HS2002 | 4808 | |
12 | HS2002 | 4809 | |
12 | HS2002 | 4810 | |
12 | HS2002 | 481151 | |
12 | HS2002 | 481159 | |
12 | HS2002 | 4812 | |
12 | HS2002 | 4813 | |
12 | HS2007 | 4801 | |
12 | HS2007 | 4802 | |
12 | HS2007 | 4803 | |
12 | HS2007 | 4804 | |
12 | HS2007 | 4805 | |
12 | HS2007 | 4806 | |
12 | HS2007 | 4808 | |
12 | HS2007 | 4809 | |
12 | HS2007 | 4810 | |
12 | HS2007 | 481151 | |
12 | HS2007 | 481159 | |
12 | HS2007 | 4812 | |
12 | HS2007 | 4813 | |
12 | HS2012 | 4801 | |
12 | HS2012 | 4802 | |
12 | HS2012 | 4803 | |
12 | HS2012 | 4804 | |
12 | HS2012 | 4805 | |
12 | HS2012 | 4806 | |
12 | HS2012 | 4808 | |
12 | HS2012 | 4809 | |
12 | HS2012 | 4810 | |
12 | HS2012 | 481151 | |
12 | HS2012 | 481159 | |
12 | HS2012 | 4812 | |
12 | HS2012 | 4813 | |
12 | HS2017 | 4801 | |
12 | HS2017 | 4802 | |
12 | HS2017 | 4803 | |
12 | HS2017 | 4804 | |
12 | HS2017 | 4805 | |
12 | HS2017 | 4806 | |
12 | HS2017 | 4808 | |
12 | HS2017 | 4809 | |
12 | HS2017 | 4810 | |
12 | HS2017 | 481151 | |
12 | HS2017 | 481159 | |
12 | HS2017 | 4812 | |
12 | HS2017 | 4813 | |
12.1 | HS2002 | 4801 | |
12.1 | HS2002 | 480210 | |
12.1 | HS2002 | 480220 | |
12.1 | HS2002 | 480254 | |
12.1 | HS2002 | 480255 | |
12.1 | HS2002 | 480256 | |
12.1 | HS2002 | 480257 | |
12.1 | HS2002 | 480258 | |
12.1 | HS2002 | 480261 | |
12.1 | HS2002 | 480262 | |
12.1 | HS2002 | 480269 | |
12.1 | HS2002 | 4809 | |
12.1 | HS2002 | 481013 | |
12.1 | HS2002 | 481014 | |
12.1 | HS2002 | 481019 | |
12.1 | HS2002 | 481022 | |
12.1 | HS2002 | 481029 | |
12.1 | HS2007 | 4801 | |
12.1 | HS2007 | 480210 | |
12.1 | HS2007 | 480220 | |
12.1 | HS2007 | 480254 | |
12.1 | HS2007 | 480255 | |
12.1 | HS2007 | 480256 | |
12.1 | HS2007 | 480257 | |
12.1 | HS2007 | 480258 | |
12.1 | HS2007 | 480261 | |
12.1 | HS2007 | 480262 | |
12.1 | HS2007 | 480269 | |
12.1 | HS2007 | 4809 | |
12.1 | HS2007 | 481013 | |
12.1 | HS2007 | 481014 | |
12.1 | HS2007 | 481019 | |
12.1 | HS2007 | 481022 | |
12.1 | HS2007 | 481029 | |
12.1 | HS2012 | 4801 | |
12.1 | HS2012 | 480210 | |
12.1 | HS2012 | 480220 | |
12.1 | HS2012 | 480254 | |
12.1 | HS2012 | 480255 | |
12.1 | HS2012 | 480256 | |
12.1 | HS2012 | 480257 | |
12.1 | HS2012 | 480258 | |
12.1 | HS2012 | 480261 | |
12.1 | HS2012 | 480262 | |
12.1 | HS2012 | 480269 | |
12.1 | HS2012 | 4809 | |
12.1 | HS2012 | 481013 | |
12.1 | HS2012 | 481014 | |
12.1 | HS2012 | 481019 | |
12.1 | HS2012 | 481022 | |
12.1 | HS2012 | 481029 | |
12.1 | HS2017 | 4801 | |
12.1 | HS2017 | 480210 | |
12.1 | HS2017 | 480220 | |
12.1 | HS2017 | 480254 | |
12.1 | HS2017 | 480255 | |
12.1 | HS2017 | 480256 | |
12.1 | HS2017 | 480257 | |
12.1 | HS2017 | 480258 | |
12.1 | HS2017 | 480261 | |
12.1 | HS2017 | 480262 | |
12.1 | HS2017 | 480269 | |
12.1 | HS2017 | 4809 | |
12.1 | HS2017 | 481013 | |
12.1 | HS2017 | 481014 | |
12.1 | HS2017 | 481019 | |
12.1 | HS2017 | 481022 | |
12.1 | HS2017 | 481029 | |
12.1.1 | HS2002 | 4801 | |
12.1.1 | HS2007 | 4801 | |
12.1.1 | HS2012 | 4801 | |
12.1.1 | HS2017 | 4801 | |
12.1.2 | HS2002 | 480261 | |
12.1.2 | HS2002 | 480262 | |
12.1.2 | HS2002 | 480269 | |
12.1.2 | HS2007 | 480261 | |
12.1.2 | HS2007 | 480262 | |
12.1.2 | HS2007 | 480269 | |
12.1.2 | HS2012 | 480261 | |
12.1.2 | HS2012 | 480262 | |
12.1.2 | HS2012 | 480269 | |
12.1.2 | HS2017 | 480261 | |
12.1.2 | HS2017 | 480262 | |
12.1.2 | HS2017 | 480269 | |
12.1.3 | HS2002 | 480210 | |
12.1.3 | HS2002 | 480220 | |
12.1.3 | HS2002 | 480254 | |
12.1.3 | HS2002 | 480255 | |
12.1.3 | HS2002 | 480256 | |
12.1.3 | HS2002 | 480257 | |
12.1.3 | HS2002 | 480258 | |
12.1.3 | HS2007 | 480210 | |
12.1.3 | HS2007 | 480220 | |
12.1.3 | HS2007 | 480254 | |
12.1.3 | HS2007 | 480255 | |
12.1.3 | HS2007 | 480256 | |
12.1.3 | HS2007 | 480257 | |
12.1.3 | HS2007 | 480258 | |
12.1.3 | HS2012 | 480210 | |
12.1.3 | HS2012 | 480220 | |
12.1.3 | HS2012 | 480254 | |
12.1.3 | HS2012 | 480255 | |
12.1.3 | HS2012 | 480256 | |
12.1.3 | HS2012 | 480257 | |
12.1.3 | HS2012 | 480258 | |
12.1.3 | HS2017 | 480210 | |
12.1.3 | HS2017 | 480220 | |
12.1.3 | HS2017 | 480254 | |
12.1.3 | HS2017 | 480255 | |
12.1.3 | HS2017 | 480256 | |
12.1.3 | HS2017 | 480257 | |
12.1.3 | HS2017 | 480258 | |
12.1.4 | HS2002 | 4809 | |
12.1.4 | HS2002 | 481013 | |
12.1.4 | HS2002 | 481014 | |
12.1.4 | HS2002 | 481019 | |
12.1.4 | HS2002 | 481022 | |
12.1.4 | HS2002 | 481029 | |
12.1.4 | HS2007 | 4809 | |
12.1.4 | HS2007 | 481013 | |
12.1.4 | HS2007 | 481014 | |
12.1.4 | HS2007 | 481019 | |
12.1.4 | HS2007 | 481022 | |
12.1.4 | HS2007 | 481029 | |
12.1.4 | HS2012 | 4809 | |
12.1.4 | HS2012 | 481013 | |
12.1.4 | HS2012 | 481014 | |
12.1.4 | HS2012 | 481019 | |
12.1.4 | HS2012 | 481022 | |
12.1.4 | HS2012 | 481029 | |
12.1.4 | HS2017 | 4809 | |
12.1.4 | HS2017 | 481013 | |
12.1.4 | HS2017 | 481014 | |
12.1.4 | HS2017 | 481019 | |
12.1.4 | HS2017 | 481022 | |
12.1.4 | HS2017 | 481029 | |
12.2 | HS2002 | 4803 | |
12.2 | HS2007 | 4803 | |
12.2 | HS2012 | 4803 | |
12.2 | HS2017 | 4803 | |
12.3 | HS2002 | 480411 | |
12.3 | HS2002 | 480419 | |
12.3 | HS2002 | 480421 | |
12.3 | HS2002 | 480429 | |
12.3 | HS2002 | 480431 | |
12.3 | HS2002 | 480439 | |
12.3 | HS2002 | 480442 | |
12.3 | HS2002 | 480449 | |
12.3 | HS2002 | 480451 | |
12.3 | HS2002 | 480452 | |
12.3 | HS2002 | 480459 | |
12.3 | HS2002 | 480511 | |
12.3 | HS2002 | 480512 | |
12.3 | HS2002 | 480519 | |
12.3 | HS2002 | 480524 | |
12.3 | HS2002 | 480525 | |
12.3 | HS2002 | 480530 | |
12.3 | HS2002 | 480591 | |
12.3 | HS2002 | 480592 | |
12.3 | HS2002 | 480593 | |
12.3 | HS2002 | 480610 | |
12.3 | HS2002 | 480620 | |
12.3 | HS2002 | 480640 | |
12.3 | HS2002 | 4808 | |
12.3 | HS2002 | 481031 | |
12.3 | HS2002 | 481032 | |
12.3 | HS2002 | 481039 | |
12.3 | HS2002 | 481092 | |
12.3 | HS2002 | 481099 | |
12.3 | HS2002 | 481151 | |
12.3 | HS2002 | 481159 | |
12.3 | HS2007 | 480411 | |
12.3 | HS2007 | 480419 | |
12.3 | HS2007 | 480421 | |
12.3 | HS2007 | 480429 | |
12.3 | HS2007 | 480431 | |
12.3 | HS2007 | 480439 | |
12.3 | HS2007 | 480442 | |
12.3 | HS2007 | 480449 | |
12.3 | HS2007 | 480451 | |
12.3 | HS2007 | 480452 | |
12.3 | HS2007 | 480459 | |
12.3 | HS2007 | 480511 | |
12.3 | HS2007 | 480512 | |
12.3 | HS2007 | 480519 | |
12.3 | HS2007 | 480524 | |
12.3 | HS2007 | 480525 | |
12.3 | HS2007 | 480530 | |
12.3 | HS2007 | 480591 | |
12.3 | HS2007 | 480592 | |
12.3 | HS2007 | 480593 | |
12.3 | HS2007 | 480610 | |
12.3 | HS2007 | 480620 | |
12.3 | HS2007 | 480640 | |
12.3 | HS2007 | 4808 | |
12.3 | HS2007 | 481031 | |
12.3 | HS2007 | 481032 | |
12.3 | HS2007 | 481039 | |
12.3 | HS2007 | 481092 | |
12.3 | HS2007 | 481099 | |
12.3 | HS2007 | 481151 | |
12.3 | HS2007 | 481159 | |
12.3 | HS2012 | 480411 | |
12.3 | HS2012 | 480419 | |
12.3 | HS2012 | 480421 | |
12.3 | HS2012 | 480429 | |
12.3 | HS2012 | 480431 | |
12.3 | HS2012 | 480439 | |
12.3 | HS2012 | 480442 | |
12.3 | HS2012 | 480449 | |
12.3 | HS2012 | 480451 | |
12.3 | HS2012 | 480452 | |
12.3 | HS2012 | 480459 | |
12.3 | HS2012 | 480511 | |
12.3 | HS2012 | 480512 | |
12.3 | HS2012 | 480519 | |
12.3 | HS2012 | 480524 | |
12.3 | HS2012 | 480525 | |
12.3 | HS2012 | 480530 | |
12.3 | HS2012 | 480591 | |
12.3 | HS2012 | 480592 | |
12.3 | HS2012 | 480593 | |
12.3 | HS2012 | 480610 | |
12.3 | HS2012 | 480620 | |
12.3 | HS2012 | 480640 | |
12.3 | HS2012 | 4808 | |
12.3 | HS2012 | 481031 | |
12.3 | HS2012 | 481032 | |
12.3 | HS2012 | 481039 | |
12.3 | HS2012 | 481092 | |
12.3 | HS2012 | 481099 | |
12.3 | HS2012 | 481151 | |
12.3 | HS2012 | 481159 | |
12.3 | HS2017 | 480411 | |
12.3 | HS2017 | 480419 | |
12.3 | HS2017 | 480421 | |
12.3 | HS2017 | 480429 | |
12.3 | HS2017 | 480431 | |
12.3 | HS2017 | 480439 | |
12.3 | HS2017 | 480442 | |
12.3 | HS2017 | 480449 | |
12.3 | HS2017 | 480451 | |
12.3 | HS2017 | 480452 | |
12.3 | HS2017 | 480459 | |
12.3 | HS2017 | 480511 | |
12.3 | HS2017 | 480512 | |
12.3 | HS2017 | 480519 | |
12.3 | HS2017 | 480524 | |
12.3 | HS2017 | 480525 | |
12.3 | HS2017 | 480530 | |
12.3 | HS2017 | 480591 | |
12.3 | HS2017 | 480592 | |
12.3 | HS2017 | 480593 | |
12.3 | HS2017 | 480610 | |
12.3 | HS2017 | 480620 | |
12.3 | HS2017 | 480640 | |
12.3 | HS2017 | 4808 | |
12.3 | HS2017 | 481031 | |
12.3 | HS2017 | 481032 | |
12.3 | HS2017 | 481039 | |
12.3 | HS2017 | 481092 | |
12.3 | HS2017 | 481099 | |
12.3 | HS2017 | 481151 | |
12.3 | HS2017 | 481159 | |
12.3.1 | HS2002 | 480411 | |
12.3.1 | HS2002 | 480419 | |
12.3.1 | HS2002 | 480511 | |
12.3.1 | HS2002 | 480512 | |
12.3.1 | HS2002 | 480519 | |
12.3.1 | HS2002 | 480524 | |
12.3.1 | HS2002 | 480525 | |
12.3.1 | HS2002 | 480591 | |
12.3.1 | HS2007 | 480411 | |
12.3.1 | HS2007 | 480419 | |
12.3.1 | HS2007 | 480511 | |
12.3.1 | HS2007 | 480512 | |
12.3.1 | HS2007 | 480519 | |
12.3.1 | HS2007 | 480524 | |
12.3.1 | HS2007 | 480525 | |
12.3.1 | HS2007 | 480591 | |
12.3.1 | HS2012 | 480411 | |
12.3.1 | HS2012 | 480419 | |
12.3.1 | HS2012 | 480511 | |
12.3.1 | HS2012 | 480512 | |
12.3.1 | HS2012 | 480519 | |
12.3.1 | HS2012 | 480524 | |
12.3.1 | HS2012 | 480525 | |
12.3.1 | HS2012 | 480591 | |
12.3.2 | HS2002 | 480442 | |
12.3.2 | HS2002 | 480449 | |
12.3.2 | HS2002 | 480451 | |
12.3.2 | HS2002 | 480452 | |
12.3.2 | HS2002 | 480459 | |
12.3.2 | HS2002 | 480592 | |
12.3.2 | HS2002 | 481032 | |
12.3.2 | HS2002 | 481039 | |
12.3.2 | HS2002 | 481092 | |
12.3.2 | HS2002 | 481151 | |
12.3.2 | HS2002 | 481159 | |
12.3.2 | HS2007 | 480442 | |
12.3.2 | HS2007 | 480449 | |
12.3.2 | HS2007 | 480451 | |
12.3.2 | HS2007 | 480452 | |
12.3.2 | HS2007 | 480459 | |
12.3.2 | HS2007 | 480592 | |
12.3.2 | HS2007 | 481032 | |
12.3.2 | HS2007 | 481039 | |
12.3.2 | HS2007 | 481092 | |
12.3.2 | HS2007 | 481151 | |
12.3.2 | HS2007 | 481159 | |
12.3.2 | HS2012 | 480442 | |
12.3.2 | HS2012 | 480449 | |
12.3.2 | HS2012 | 480451 | |
12.3.2 | HS2012 | 480452 | |
12.3.2 | HS2012 | 480459 | |
12.3.2 | HS2012 | 480592 | |
12.3.2 | HS2012 | 481032 | |
12.3.2 | HS2012 | 481039 | |
12.3.2 | HS2012 | 481092 | |
12.3.2 | HS2012 | 481151 | |
12.3.2 | HS2012 | 481159 | |
12.3.2 | HS2017 | 480442 | |
12.3.2 | HS2017 | 480449 | |
12.3.2 | HS2017 | 480451 | |
12.3.2 | HS2017 | 480452 | |
12.3.2 | HS2017 | 480459 | |
12.3.2 | HS2017 | 480592 | |
12.3.2 | HS2017 | 481032 | |
12.3.2 | HS2017 | 481039 | |
12.3.2 | HS2017 | 481092 | |
12.3.2 | HS2017 | 481151 | |
12.3.2 | HS2017 | 481159 | |
12.3.3 | HS2002 | 480421 | |
12.3.3 | HS2002 | 480429 | |
12.3.3 | HS2002 | 480431 | |
12.3.3 | HS2002 | 480439 | |
12.3.3 | HS2002 | 480530 | |
12.3.3 | HS2002 | 480610 | |
12.3.3 | HS2002 | 480620 | |
12.3.3 | HS2002 | 480640 | |
12.3.3 | HS2002 | 4808 | |
12.3.3 | HS2002 | 481031 | |
12.3.3 | HS2002 | 481099 | |
12.3.3 | HS2007 | 480421 | |
12.3.3 | HS2007 | 480429 | |
12.3.3 | HS2007 | 480431 | |
12.3.3 | HS2007 | 480439 | |
12.3.3 | HS2007 | 480530 | |
12.3.3 | HS2007 | 480610 | |
12.3.3 | HS2007 | 480620 | |
12.3.3 | HS2007 | 480640 | |
12.3.3 | HS2007 | 4808 | |
12.3.3 | HS2007 | 481031 | |
12.3.3 | HS2007 | 481099 | |
12.3.3 | HS2012 | 480421 | |
12.3.3 | HS2012 | 480429 | |
12.3.3 | HS2012 | 480431 | |
12.3.3 | HS2012 | 480439 | |
12.3.3 | HS2012 | 480530 | |
12.3.3 | HS2012 | 480610 | |
12.3.3 | HS2012 | 480620 | |
12.3.3 | HS2012 | 480640 | |
12.3.3 | HS2012 | 4808 | |
12.3.3 | HS2012 | 481031 | |
12.3.3 | HS2012 | 481099 | |
12.3.3 | HS2017 | 480421 | |
12.3.3 | HS2017 | 480429 | |
12.3.3 | HS2017 | 480431 | |
12.3.3 | HS2017 | 480439 | |
12.3.3 | HS2017 | 480530 | |
12.3.3 | HS2017 | 480610 | |
12.3.3 | HS2017 | 480620 | |
12.3.3 | HS2017 | 480640 | |
12.3.3 | HS2017 | 4808 | |
12.3.3 | HS2017 | 481031 | |
12.3.3 | HS2017 | 481099 | |
12.3.4 | HS2002 | 480593 | |
12.3.4 | HS2007 | 480593 | |
12.3.4 | HS2012 | 480593 | |
12.3.4 | HS2017 | 480593 | |
12.4 | HS2002 | 480240 | |
12.4 | HS2002 | 480441 | |
12.4 | HS2002 | 480540 | |
12.4 | HS2002 | 480550 | |
12.4 | HS2002 | 480630 | |
12.4 | HS2002 | 4812 | |
12.4 | HS2002 | 4813 | |
12.4 | HS2007 | 480240 | |
12.4 | HS2007 | 480441 | |
12.4 | HS2007 | 480540 | |
12.4 | HS2007 | 480550 | |
12.4 | HS2007 | 480630 | |
12.4 | HS2007 | 4812 | |
12.4 | HS2007 | 4813 | |
12.4 | HS2012 | 480240 | |
12.4 | HS2012 | 480441 | |
12.4 | HS2012 | 480540 | |
12.4 | HS2012 | 480550 | |
12.4 | HS2012 | 480630 | |
12.4 | HS2012 | 4812 | |
12.4 | HS2012 | 4813 | |
12.4 | HS2017 | 480240 | |
12.4 | HS2017 | 480441 | |
12.4 | HS2017 | 480540 | |
12.4 | HS2017 | 480550 | |
12.4 | HS2017 | 480630 | |
12.4 | HS2017 | 4812 | |
12.4 | HS2017 | 4813 | |
13.1 | HS2002 | 440910 | |
13.1 | HS2002 | 440920 | Only some part of it |
13.1 | HS2007 | 440910 | |
13.1 | HS2007 | 440929 | |
13.1 | HS2012 | 440910 | |
13.1 | HS2012 | 440929 | |
13.1 | HS2017 | 440910 | |
13.1 | HS2017 | 440922 | |
13.1 | HS2017 | 440929 | |
13.1.C | HS2002 | 440910 | |
13.1.C | HS2007 | 440910 | |
13.1.C | HS2012 | 440910 | |
13.1.C | HS2017 | 440910 | |
13.1.NC | HS2002 | 440920 | Only some part of it |
13.1.NC | HS2007 | 440929 | |
13.1.NC | HS2012 | 440929 | |
13.1.NC | HS2017 | 440922 | |
13.1.NC | HS2017 | 440929 | |
13.1.NC.T | HS2002 | 440920 | Only some part of it |
13.1.NC.T | HS2007 | 440929 | Only some part of it |
13.1.NC.T | HS2012 | 440929 | Only some part of it |
13.1.NC.T | HS2017 | 440922 | |
13.2 | HS2002 | 4415 | |
13.2 | HS2002 | 4416 | |
13.2 | HS2007 | 4415 | |
13.2 | HS2007 | 4416 | |
13.2 | HS2012 | 4415 | |
13.2 | HS2012 | 4416 | |
13.2 | HS2017 | 4415 | |
13.2 | HS2017 | 4416 | |
13.3 | HS2002 | 4414 | |
13.3 | HS2002 | 4419 | Only some part of it |
13.3 | HS2002 | 4420 | |
13.3 | HS2007 | 4414 | |
13.3 | HS2007 | 4419 | Only some part of it |
13.3 | HS2007 | 4420 | |
13.3 | HS2012 | 4414 | |
13.3 | HS2012 | 4419 | Only some part of it |
13.3 | HS2012 | 4420 | |
13.3 | HS2017 | 4414 | |
13.3 | HS2017 | 441990 | |
13.3 | HS2017 | 4420 | |
13.4 | HS2002 | 441810 | |
13.4 | HS2002 | 441820 | |
13.4 | HS2002 | 441830 | |
13.4 | HS2002 | 441840 | |
13.4 | HS2002 | 441850 | |
13.4 | HS2002 | 441890 | Only some part of it |
13.4 | HS2007 | 441810 | |
13.4 | HS2007 | 481820 | |
13.4 | HS2007 | 441840 | |
13.4 | HS2007 | 441850 | |
13.4 | HS2007 | 441860 | |
13.4 | HS2007 | 441871 | Only some part of it |
13.4 | HS2007 | 441872 | Only some part of it |
13.4 | HS2007 | 441879 | Only some part of it |
13.4 | HS2007 | 441890 | Only some part of it |
13.4 | HS2012 | 441810 | |
13.4 | HS2012 | 441820 | |
13.4 | HS2012 | 441840 | |
13.4 | HS2012 | 441850 | |
13.4 | HS2012 | 441860 | |
13.4 | HS2012 | 441871 | Only some part of it |
13.4 | HS2012 | 441872 | Only some part of it |
13.4 | HS2012 | 441879 | Only some part of it |
13.4 | HS2012 | 441890 | Only some part of it |
13.4 | HS2017 | 441810 | |
13.4 | HS2017 | 441820 | |
13.4 | HS2017 | 441840 | |
13.4 | HS2017 | 441850 | |
13.4 | HS2017 | 441860 | |
13.4 | HS2017 | 441874 | |
13.4 | HS2017 | 441875 | |
13.4 | HS2017 | 441879 | |
13.4 | HS2017 | 441899 | |
13.5 | HS2002 | 940161 | |
13.5 | HS2002 | 940169 | |
13.5 | HS2002 | 940190 | Only some part of it |
13.5 | HS2002 | 940330 | |
13.5 | HS2002 | 940340 | |
13.5 | HS2002 | 940350 | |
13.5 | HS2002 | 940360 | |
13.5 | HS2002 | 940390 | Only some part of it |
13.5 | HS2007 | 940161 | |
13.5 | HS2007 | 940169 | |
13.5 | HS2007 | 940190 | Only some part of it |
13.5 | HS2007 | 940330 | |
13.5 | HS2007 | 940340 | |
13.5 | HS2007 | 940350 | |
13.5 | HS2007 | 940360 | |
13.5 | HS2007 | 940390 | Only some part of it |
13.5 | HS2012 | 940161 | |
13.5 | HS2012 | 940169 | |
13.5 | HS2012 | 940190 | Only some part of it |
13.5 | HS2012 | 940330 | |
13.5 | HS2012 | 940340 | |
13.5 | HS2012 | 940350 | |
13.5 | HS2012 | 940360 | |
13.5 | HS2012 | 940390 | Only some part of it |
13.5 | HS2017 | 940161 | |
13.5 | HS2017 | 940169 | |
13.5 | HS2017 | 940190 | Only some part of it |
13.5 | HS2017 | 940330 | |
13.5 | HS2017 | 940340 | |
13.5 | HS2017 | 940350 | |
13.5 | HS2017 | 940360 | |
13.5 | HS2017 | 940390 | Only some part of it |
13.6 | HS2002 | 9406 | Only some part of it |
13.6 | HS2007 | 9406 | Only some part of it |
13.6 | HS2012 | 9406 | Only some part of it |
13.6 | HS2017 | 940610 | |
13.7 | HS2002 | 4404 | |
13.7 | HS2002 | 4405 | |
13.7 | HS2002 | 4413 | |
13.7 | HS2002 | 4417 | |
13.7 | HS2002 | 442110 | |
13.7 | HS2002 | 442190 | Only some part of it |
13.7 | HS2007 | 4404 | |
13.7 | HS2007 | 4405 | |
13.7 | HS2007 | 4413 | |
13.7 | HS2007 | 4417 | |
13.7 | HS2007 | 442110 | |
13.7 | HS2007 | 442190 | Only some part of it |
13.7 | HS2012 | 4404 | |
13.7 | HS2012 | 4405 | |
13.7 | HS2012 | 4413 | |
13.7 | HS2012 | 4417 | |
13.7 | HS2012 | 442110 | |
13.7 | HS2012 | 442190 | Only some part of it |
13.7 | HS2017 | 4404 | |
13.7 | HS2017 | 4405 | |
13.7 | HS2017 | 4413 | |
13.7 | HS2017 | 4417 | |
13.7 | HS2017 | 442110 | |
13.7 | HS2017 | 442199 | |
14.1 | HS2002 | 4807 | |
14.1 | HS2007 | 4807 | |
14.1 | HS2012 | 4807 | |
14.1 | HS2017 | 4807 | |
14.2 | HS2002 | 481110 | |
14.2 | HS2002 | 481141 | |
14.2 | HS2002 | 481149 | |
14.2 | HS2002 | 481160 | |
14.2 | HS2002 | 481190 | |
14.2 | HS2007 | 481110 | |
14.2 | HS2007 | 481141 | |
14.2 | HS2007 | 481149 | |
14.2 | HS2007 | 481160 | |
14.2 | HS2007 | 481190 | |
14.2 | HS2012 | 481110 | |
14.2 | HS2012 | 481141 | |
14.2 | HS2012 | 481149 | |
14.2 | HS2012 | 481160 | |
14.2 | HS2012 | 481190 | |
14.2 | HS2017 | 481110 | |
14.2 | HS2017 | 481141 | |
14.2 | HS2017 | 481149 | |
14.2 | HS2017 | 481160 | |
14.2 | HS2017 | 481190 | |
14.3 | HS2002 | 4818 | |
14.3 | HS2007 | 4818 | |
14.3 | HS2012 | 4818 | |
14.3 | HS2017 | 4818 | |
14.4 | HS2002 | 4819 | |
14.4 | HS2007 | 4819 | |
14.4 | HS2012 | 4819 | |
14.4 | HS2017 | 4819 | |
14.5 | HS2002 | 4814 | |
14.5 | HS2002 | 4816 | |
14.5 | HS2002 | 4817 | |
14.5 | HS2002 | 4820 | |
14.5 | HS2002 | 4821 | |
14.5 | HS2002 | 4822 | |
14.5 | HS2002 | 4823 | |
14.5 | HS2007 | 4814 | |
14.5 | HS2007 | 4816 | |
14.5 | HS2007 | 4817 | |
14.5 | HS2007 | 4820 | |
14.5 | HS2007 | 4821 | |
14.5 | HS2007 | 4822 | |
14.5 | HS2007 | 4823 | |
14.5 | HS2012 | 4814 | |
14.5 | HS2012 | 4816 | |
14.5 | HS2012 | 4817 | |
14.5 | HS2012 | 4820 | |
14.5 | HS2012 | 4821 | |
14.5 | HS2012 | 4822 | |
14.5 | HS2012 | 4823 | |
14.5 | HS2017 | 4814 | |
14.5 | HS2017 | 4816 | |
14.5 | HS2017 | 4817 | |
14.5 | HS2017 | 4820 | |
14.5 | HS2017 | 4821 | |
14.5 | HS2017 | 4822 | |
14.5 | HS2017 | 4823 | |
14.5.1 | HS2002 | 482390 | Only some part of it |
14.5.1 | HS2007 | 482390 | Only some part of it |
14.5.1 | HS2012 | 482390 | Only some part of it |
14.5.1 | HS2017 | 482390 | Only some part of it |
14.5.2 | HS2002 | 482370 | |
14.5.2 | HS2007 | 482370 | |
14.5.2 | HS2012 | 482370 | |
14.5.2 | HS2017 | 482370 | |
14.5.3 | HS2002 | 482320 | |
14.5.3 | HS2007 | 482320 | |
14.5.3 | HS2012 | 482320 | |
14.5.3 | HS2017 | 482320 | |
12.6 | HS2002 | 482110 | Only some part of it |
12.6 | HS2002 | 482190 | Only some part of it |
12.6 | HS2002 | 482210 | Only some part of it |
12.6 | HS2002 | 482290 | Only some part of it |
12.6 | HS2002 | 482312 | Only some part of it |
12.6 | HS2002 | 482319 | Only some part of it |
12.6 | HS2002 | 482320 | Only some part of it |
12.6 | HS2002 | 482340 | Only some part of it |
12.6 | HS2002 | 482360 | Only some part of it |
12.6 | HS2002 | 482370 | Only some part of it |
12.6 | HS2002 | 482390 | Only some part of it |
12.6 | HS2002 | 480210 | Only some part of it |
12.6 | HS2002 | 480220 | Only some part of it |
12.6 | HS2002 | 480230 | Only some part of it |
12.6 | HS2002 | 480240 | Only some part of it |
12.6 | HS2002 | 480254 | Only some part of it |
12.6 | HS2002 | 480255 | Only some part of it |
12.6 | HS2002 | 480256 | Only some part of it |
12.6 | HS2002 | 480257 | Only some part of it |
12.6 | HS2002 | 480258 | Only some part of it |
12.6 | HS2002 | 480261 | Only some part of it |
12.6 | HS2002 | 480262 | Only some part of it |
12.6 | HS2002 | 480269 | Only some part of it |
12.6 | HS2002 | 481013 | Only some part of it |
12.6 | HS2002 | 481014 | Only some part of it |
12.6 | HS2002 | 481019 | Only some part of it |
12.6 | HS2002 | 481022 | Only some part of it |
12.6 | HS2002 | 481029 | Only some part of it |
12.6 | HS2002 | 481031 | Only some part of it |
12.6 | HS2002 | 481032 | Only some part of it |
12.6 | HS2002 | 481039 | Only some part of it |
12.6 | HS2002 | 481092 | Only some part of it |
12.6 | HS2002 | 481099 | Only some part of it |
12.6 | HS2007 | 481410 | |
12.6 | HS2007 | 481420 | |
12.6 | HS2007 | 481490 | |
12.6 | HS2007 | 481710 | |
12.6 | HS2007 | 481720 | |
12.6 | HS2007 | 481730 | |
12.6 | HS2007 | 482010 | |
12.6 | HS2007 | 482020 | |
12.6 | HS2007 | 482030 | |
12.6 | HS2007 | 482040 | |
12.6 | HS2007 | 482050 | |
12.6 | HS2007 | 482090 | |
12.6 | HS2007 | 482110 | |
12.6 | HS2007 | 482190 | |
12.6 | HS2007 | 482210 | |
12.6 | HS2007 | 482290 | |
12.6 | HS2007 | 482320 | |
12.6 | HS2007 | 482340 | |
12.6 | HS2007 | 482361 | |
12.6 | HS2007 | 482369 | |
12.6 | HS2007 | 482370 | |
12.6 | HS2007 | 482390 | |
12.6 | HS2012 | 481420 | |
12.6 | HS2012 | 481490 | |
12.6 | HS2012 | 481710 | |
12.6 | HS2012 | 481720 | |
12.6 | HS2012 | 481730 | |
12.6 | HS2012 | 482020 | |
12.6 | HS2012 | 482030 | |
12.6 | HS2012 | 482040 | |
12.6 | HS2012 | 482050 | |
12.6 | HS2012 | 482090 | |
12.6 | HS2012 | 482110 | |
12.6 | HS2012 | 482190 | |
12.6 | HS2012 | 482210 | |
12.6 | HS2012 | 482290 | |
12.6 | HS2012 | 482320 | |
12.6 | HS2012 | 482340 | |
12.6 | HS2012 | 482361 | |
12.6 | HS2012 | 482369 | |
12.6 | HS2012 | 482370 | |
12.6 | HS2012 | 482390 | |
12.6.1 | HS2002 | 480210 | Only some part of it |
12.6.1 | HS2002 | 480220 | Only some part of it |
12.6.1 | HS2002 | 480230 | Only some part of it |
12.6.1 | HS2002 | 480240 | Only some part of it |
12.6.1 | HS2002 | 480254 | Only some part of it |
12.6.1 | HS2002 | 480255 | Only some part of it |
12.6.1 | HS2002 | 480256 | Only some part of it |
12.6.1 | HS2002 | 480257 | Only some part of it |
12.6.1 | HS2002 | 480258 | Only some part of it |
12.6.1 | HS2002 | 480261 | Only some part of it |
12.6.1 | HS2002 | 480262 | Only some part of it |
12.6.1 | HS2002 | 480269 | Only some part of it |
12.6.1 | HS2002 | 481013 | Only some part of it |
12.6.1 | HS2002 | 481014 | Only some part of it |
12.6.1 | HS2002 | 481019 | Only some part of it |
12.6.1 | HS2002 | 481022 | Only some part of it |
12.6.1 | HS2002 | 481029 | Only some part of it |
12.6.1 | HS2002 | 481031 | Only some part of it |
12.6.1 | HS2002 | 481032 | Only some part of it |
12.6.1 | HS2002 | 481039 | Only some part of it |
12.6.1 | HS2002 | 481092 | Only some part of it |
12.6.1 | HS2002 | 481099 | Only some part of it |
12.6.1 | HS2002 | 482390 | Only some part of it |
12.6.1 | HS2007 | 482390 | Only some part of it |
12.6.1 | HS2012 | 482390 | Only some part of it |
12.6.2 | HS2002 | 482370 | |
12.6.2 | HS2007 | 482370 | |
12.6.2 | HS2012 | 482370 | |
12.6.3 | HS2002 | 482320 | |
12.6.3 | HS2007 | 482320 | |
12.6.3 | HS2012 | 482320 | |
Below are algebraic expressions of the relationships of items in the JFSQ. These are to help in understanding and filling out the JFSQ in a way to minimize inconsistencies.
1 = 1.1 + 1.2
1.1 = 1.1.C + 1.1.NC
1.2 = 1.2.1 + 1.2.2 + 1.2.3
= 1.2.C + 1.2.NC
= 1.2.1.C + 1.2.1.NC + 1.2.2.C + 1.2.2.NC + 1.2.3.C + 1.2.3.NC
1.2.C = 1.2.1.C + 1.2.2.C + 1.2.3.C
1.2.NC = 1.2.1.NC + 1.2.2.NC + 1.2.3.NC
1.2.NC ≥ 1.2.NC.T
1.2.1 = 1.2.1.C + 1.2.1.NC
1.2.2 = 1.2.2.C + 1.2.2.NC
1.2.3 = 1.2.3.C + 1.2.3.NC
3 = 3.1 + 3.2
5 = 5.1 + 5.2
6 = 6.C + 6.NC
6.NC ≥ 6.NC.T
7 = 7.C + 7.NC
7.NC ≥ 7.NC.T
8 = 8.1 + 8.2 + 8.3
8.1 = 8.1.C + 8.1.NC
8.1.NC ≥ 8.1.NC.T
8.2 ≥ 8.2.1
8.3 = 8.3.1 + 8.3.2 + 8.3.3
9 = 9.1 + 9.2 + 9.3
9.2 = 9.2.1 + 9.2.2
9.2.1 >= 9.2.1.1
10 = 10.1 + 10.2
12 = 12.1 + 12.2 + 12.3 + 12.4
12.1 = 12.1.1 + 12.1.2 + 12.1.3 + 12.1.4
12.3 = 12.3.1 + 12.3.2 + 12.3.3 + 12.3.4
13.1 = 13.1.C + 13.1.NC
13.1.NC >= 13.1.NC.T
14.5 >= 14.5.1 + 14.5.2 + 14.5.3
JFSQ Item codes
Below are algebraic expressions of the relationships of items in the JFSQ. These are to
help in understanding and filling out the JFSQ in a way to minimize inconsistencies.
1 = 1.1 + 1.2
1.1 = 1.1.C + 1.1.NC
1.2 = 1.2.1 + 1.2.2 + 1.2.3
= 1.2.C + 1.2.NC
= 1.2.1.C + 1.2.1.NC + 1.2.2.C + 1.2.2.NC + 1.2.3.C + 1.2.3.NC
1.2.C = 1.2.1.C + 1.2.2.C + 1.2.3.C
1.2.NC = 1.2.1.NC + 1.2.2.NC + 1.2.3.NC
1.2.NC ≥ 1.2.NC.T
1.2.1 = 1.2.1.C + 1.2.1.NC
1.2.2 = 1.2.2.C + 1.2.2.NC
1.2.3 = 1.2.3.C + 1.2.3.NC
3 = 3.1 + 3.2
5 = 5.1 + 5.2
6 = 6.C + 6.NC
6.NC ≥ 6.NC.T
7 = 7.C + 7.NC
7.NC ≥ 7.NC.T
8 = 8.1 + 8.2 + 8.3
8.1 = 8.1.C + 8.1.NC
8.1.NC ≥ 8.1.NC.T
8.2 ≥ 8.2.1
8.3 = 8.3.1 + 8.3.2 + 8.3.3
9 = 9.1 + 9.2 + 9.3
9.2 = 9.2.1 + 9.2.2
9.2.1 >= 9.2.1.1
10 = 10.1 + 10.2
12 = 12.1 + 12.2 + 12.3 + 12.4
12.1 = 12.1.1 + 12.1.2 + 12.1.3 + 12.1.4
12.3 = 12.3.1 + 12.3.2 + 12.3.3 + 12.3.4
13.1 = 13.1.C + 13.1.NC
13.1.NC >= 13.1.NC.T
14.5 >= 14.5.1 + 14.5.2 + 14.5.3
Symbol usage
We urge respondents to fill in the questionnaire completely. If, however, this is not
possible, please try to use the following symbols. Blank spaces leave us unsure whether
the data are not available or whether they are zero.
… = not available (please make an estimate!)
0 = nil or less than half the unit indicated
+++ = confidential
Presentation
Using administrative data to produce timely estimates of migration for the UK
Laura Cheatham Centre for International Migration
26 October 2022
International migration The challenge
Over 100m people arrived to the UK in 2019 of which we estimate about 0.5% stayed long-term (12 months or more).
Our job is to find them, and count them
Why
International migration is one of the drivers of population change (with births and deaths). Population statistics inform so many areas of society; allocation of regional funding, vaccine delivery etc. etc.
How…
Historic approach to estimating international migration
International Passenger Survey (IPS)
Estimates based on migrants’ intentions
Northern Ireland migration flows (NISRA)
Asylum seekers (Home Office)
Long-term International Migration (LTIM)
Adjustment for people changing their intentions
Impact of Covid-19 on Migration Statistics March 2020
• International Passenger Survey suspended • Transformation programme to build migration statistics with administrative data at the core accelerated
August 2020
• Final Migration Statistics Quarterly Report published using IPS data collected up to March 2020
April 2021
• Official estimates of migration published. Model historic IPS data using administrative data. (Year ending June 2020)
• Research on administrative based migration estimates (ABMEs) highlights potential for new sources to improve quality of migration estimates.
November 2021
• Next set of modelled migration estimates (Year ending December 2020) • Continuing to publish estimates of non-UK born population using data from Annual Population Survey
May 2022
• Early insight from Census 2021 indicates inaccuracy of modelled estimates. • Decision to suspend IPS-based model, and produce estimates predominantly based on administrative data
(Year ending June 2021)
Impact of Covid-19 on Migration Statistics
April 2021
• Needed an alternative to measure international migration. • Historic IPS data shows strong seasonal trends in international migration over time. • Developed a state space model (SSM) where we projected the trends and seasonality of previous IPS data and
adjusted it by the shift seen in the number of visas issued for non-EU citizens for the period up to YE June 2020. • Included assumptions on EU nationals having different travel options during lockdowns. When airports were
closed, there was an increase in travel via ferries and Eurotunnel and we hypothesised that motivated EU nationals would have used these transport routes to travel to and from the UK
• Research on administrative based migration estimates (ABMEs) highlights potential for new sources to improve quality of migration estimates.
November 2021
• Next set of modelled migration estimates published up to Year ending December 2020. • Continued to use the SSM approach for quarter 3 and quarter 4 2020. • Turned off the adjustment which reflected EU nationals having different travel options as air
travel resumed. • Continued with modelled approach for non-EU nationals using the visa data.
Impact of Covid-19 on Migration Statistics
May 2022
• Early insight from 2021 Census indicates inaccuracy of modelled estimates. • Decision to suspend IPS-based model, and produce estimates predominantly based on
administrative data (Year ending June 2021). • This uses different data sources and methods for each nationality group (EU, non-EU and British
Nationals) using the strengths of each data source.
7
Admin-based migration statistics – May 2022
EU = RAPID (DWP taxes and benefits)
Non-EU = Home Office visa data
British nationals = Previous (IPS-
based) Modelled estimates Immigration
Emigration Net Migration
EU, Non-EU and GB
Measuring migration of Non-EU Nationals Data source: Home Office initial status analysis (ISA) system, known as the Exit Checks Dataset, which combines visa and travel information to link an individual's travel movements into and out of the country.
We consider this to be the best source of data, with the most complete coverage, for measuring non-EU migration.
Methods: Based on the “first arrival, last departure” approach for individuals travelling to or from the UK, along with their visa end date.
1. Identify travelers meeting definition of long-term migrant, identifying those on visas that last for at least 12 months, filtering out those on long-term visit visas
2. Visa periods constructed by linking together consecutive or concurrent visas held - if there is a gap between visas, then a new visa period is started.
Measuring migration of Non-EU Nationals 3. Use arrival and last departure dates within visa period as approximation for length of stay in UK (short trips abroad
over the course of an extended period of residence excluded) 4. If either first arrival or last departure information missing, visa start or end dates are used as a proxy 5. Previous visa period looked at to determine if this is a new long-term immigrant or one who has previously been in the
country 6. If no presence identified in the country during 12 months preceding first arrival or previous visa period had a length of
stay of less than 12 months then this pattern of travel is identified as a new long-term immigrant.
Measuring migration of EU Nationals Data source: The Registration and Population Interactions Database (RAPID) created by DWP.
We consider this to be the best source of data, with the most complete coverage, for measuring EU migration.
• RAPID provides single coherent view of citizens' interactions across the range of earnings and benefits datasets within the UK. Anyone arriving in the UK who is allocated a NINo to work, claim benefits or apply for a student loan is captured.
• Records can be categorised as either long-term or short-term by looking for patterns of interactions with the tax and benefits system.
• Looking for activity over an extended period (12 months or more) to indicate a long-term immigrant. And for activity to stop over an extended period (12 months or more) to indicate a long-term emigrant.
• As RAPID has known data coverage gaps we apply a series of adjustments to account for this.
Measuring migration of EU Nationals
• People's lives are complex, therefore we created four categories defining patterns of activity of long-term arrivals.
• The first two categories most closely align with the UN definition of a long-term migrant whereby we are looking for sustained long-term interactions after arriving in the UK and these make up the largest proportion of long-term arrivals (over 90%).
• We have included two further categories that expand on this definition of long-term activity, to reflect the complexity of people's lives, although these groups only make up a small proportion of arrivals (less than 10%).
Methods: Based on patterns of activity seen within the earnings and benefits data. Looking for activity after the self-reported date of arrival or registration date.
12
Components of the estimate of EU migration
RAPID (16+) Tax year 2020/21
C1-C4 arrivals and
Departures
Example: Year ending June 2021 net migration estimate for EU nationals
Student Adjustment:
proportion of students not working and
students without long- term activity
Adjustment for recent arrivals:
Those who have arrived but not yet
registered +
Those where there is not enough time
for long-term activity
Adjustment for recent
departures: Using the proportion
of the migrant population who
depart in each year and applies this to
the most recent year
+ + + + SSM to model
the period April – June
+ Quarterly
disaggregation of EU
estimates
Measuring migration of British Nationals Data source: The International Passenger Survey (IPS)
Remains the most challenging to estimate there is no requirement for these individuals to interact with administrative data sources to inform them when emigrating or subsequently returning. Therefore, we consider this to be the best source of data, with the most complete coverage, for measuring EU migration
• The IPS was reinstated in January 2021, and we use these data as our estimates for January 2021 onwards. However, to cover the period when the IPS was suspended (March to December 2020), we use the State Space Model time series analysis.
• This takes the available IPS and administrative data and uses the relationship between them to estimate the missing IPS data. We assume that the pattern of British nationals' immigration to the UK is equivalent to non-EU nationals' emigration from the UK (measured using visa data) and vice versa
14
Net migration by Nationality, Year ending June 2020 and Year ending June 2021
15
The challenges of achieving our vision for transformed migration and population statistics
“To use the best information to produce more frequent, timely and inclusive statistics that are coherent and flexible to evolving user needs”
Reinforcing methods with new sources
Coherence Granularity Reason for Migration Timeliness
Reinforcing methods with new sources
• Comparing 2011 and 2021 Censuses to evaluate accuracy of sources to measure population change
• Rebasing population and migration statistics to 2021 Census
• Continue to evaluate new administrative sources
Coherence • We have published a migration
Statistics interactive dashboard to collate publications across the Government Statistical Service (GSS)
• Working with GSS partners to reconcile all statistics & outputs so that users have right data to answer specific questions
• Data linkage strategy so that linking is done once, for all to share, with evidence coming from the same place.
18
• Across the Office for National Statistics (ONS) we are working to produce timely population estimates at a national and local authority level.
• Both the RAPID and data from the HO contain information on the age and sex of those in the data.
• Estimates at Local Authority level are more complex and requires a combination of data sources.
Producing granular estimates
• Research into use of visa data to provide breakdowns of those coming to work, study or for other reasons
• Improve inclusivity of migration statistics by developing methods for irregular migration
Reason for Migration
Improving the timeliness of our estimates
• Current administrative data sources available allow estimates to be published 6 months after the reference date
• Exploring nowcasting techniques using signal data to meet ambition for timelier estimates
Using machine learning to improve the timeliness of migration statistics • Provisional classification of international migrants as long-term
(LTIM) or short-term (STIM) before data-driven classification rules can be applied
• More timely predictions of LTIMs (both immigrants and emigrants) • Capturing changes in migration behaviour in LTIM classification by re-
training models over time with known outcomes • Potential classification of more complex migration events e.g. UK return
migration, circular migration
Supervised Machine Learning
We are treating LTIM classification as a binary classification problem and exploring three alternative algorithms:
• Logistic regression • Random forest • Gradient-boosted trees
Classifications of long-term migration
ID Visa start date
Visa end date
Arrival date
Departure date
LTIM
1 1/1/21 1/5/22 5/1/21 1/5/22 TRUE
2 2/2/21 4/2/21 2/2/21 4/2/21 FALSE
3 3/2/22 12/12/22 4/2/22 ?
4 4/5/22 5/9/24 4/5/22 ?
ID Visa start date
Visa end date
Arrival date
Departure date
LTIM Predicted LTIM
1 1/1/21 1/5/22 5/1/21 1/5/22 TRUE
2 2/2/21 4/2/21 2/2/21 4/2/21 FALSE
3 3/2/22 12/12/22 4/2/22 ? FALSE
4 4/5/22 5/9/24 4/5/22 ? TRUE
0
20,000
40,000
60,000
80,000
100,000
120,000
Immigration
confirmed LTIM
0
20,000
40,000
60,000
80,000
100,000
120,000
Immigration
confirmed LTIM
provisional predicated LTIM
Classify migrants in exit checks data as long-term or short-term before they’ve been in the data long enough to confirm
Limitations of Machine Learning • The predictions and associated LTIM counts would be
provisional
• The predictions could not be used for individual-level decisions, only interpreted in aggregate as a predicted totals of provisional LTIMs
• The accuracy of predictions will likely vary over the life of a cohort i.e. we expect predictions to be least accurate when a migrant has just immigrated or emigrated, and to become more accurate over time until rules can be applied.
Lessons learned during the development of Machine Learning • Understanding of the data is essential.
• Supervised learning models also require a good level of expertise to structure appropriately.
• The need of testing different algorithms and samples.
• We may need a suite of models, rather than just one model, to train and predict on different sub-populations.
Next steps in the development of Machine Learning • Feature engineering
• Detailed analysis of the performance
• Consideration of extensions to supervised machine learning that incorporate aspects of survival analysis
• Assessment of the need to retrain models over time
• Development of a proof of concept model for emigration
Conclusions • Made huge progress in our journey to use administrative data to estimate
international migration.
• Still have some data gaps • estimating migration of British Nationals using administrative data. • reason for migration for EU nationals where visa’s are not required.
• Lots of exciting work going on with our next set of official estimates due to be published on 24 November 2022.
Thank you! Contact information • [email protected] • [email protected] • [email protected]
- Using administrative data to produce timely estimates of migration for the UK
- International migration
- Historic approach to estimating international migration
- Impact of Covid-19 on Migration Statistics
- Impact of Covid-19 on Migration Statistics
- Impact of Covid-19 on Migration Statistics
- Admin-based migration statistics – May 2022
- Measuring migration of Non-EU Nationals
- Measuring migration of Non-EU Nationals
- Measuring migration of EU Nationals
- Measuring migration of EU Nationals
- Components of the estimate of EU migration
- Measuring migration of British Nationals
- Net migration by Nationality, Year ending June 2020 and Year ending June 2021�
- The challenges of achieving our vision for transformed migration and population statistics
- Reinforcing methods with new sources
- Coherence
- Slide Number 18
- Slide Number 19
- Improving the timeliness of our estimates
- Using machine learning to improve the timeliness of migration statistics
- Supervised Machine Learning
- Classifications of long-term migration
- Limitations of Machine Learning
- Lessons learned during the development of Machine Learning
- Next steps in the development of Machine Learning
- Conclusions
- Thank you!
Insights into Refugee Outcomes in the UK (United Kingdom)
Lead - Longitudinal Design & Methods Office for National Statistics United Kingdom [email protected]
Nicky Rogers
Insights into Refugee Outcomes in the UK
Presentation outline • Asylum and refugee flows to the UK
• UK Humanitarian Response Insights Survey (UKHRIS)
• Refugee Integration Outcomes (RIO) Cohort Study
• The future
• References
• Collaboration
2
Asylum applications and initial decisions
3
Source: Home Office Immigration Statistics, year ending June 2022, table Asy_D01 and Asy
4
Resettled refugees • 2014-2021: UK Government launched Vulnerable Persons resettlement scheme those
fleeing conflict in Syria 20,319 resettled
• 2016-2021: UK Government launched Vulnerable Children’s resettlement scheme – at- risk children and their families from MENA region 1,838 resettled
• April 2021: Afghan Relocations and Assistance Policy (ARAP)
• January 2022: Afghan Citizens Resettlement Scheme (ACRS)
• March 2022: Ukraine Family Scheme – allows applicants to join family members or extend stay in UK 33,500 arrivals
• March 2022: Ukraine Sponsorship Scheme – allows applicants to come to UK if have a named sponsor 81,700 arrivals
• May 2022: Ukraine Extension Schemes – Ukrainian nationals and families apply to extend permission to stay in UK 16,800 granted permission to stay
5
21,450 arrivals
UK Humanitarian Response Insights Survey • Understand Ukrainian nationals’ experiences since arriving in UK and intentions
• Wave 1 online survey launched April 2022: arrival, English language, living arrangements, intention to stay, health and well being, employment etc Response rate 28% (3,412 respondents)
• Second wave June 2022 to capture arrivals since wave 1 Response rate 31% (9,601 respondents)
• Follow up survey July 2022: housing, support, childcare, social care, internal moves, access (or barriers) to services and employment etc Response rate 39% (1,132 Wave 1 respondents who agreed to be recontacted)
6
UKHRIS Results
7
8
Refugee Integration Outcomes(RIO) Cohort Study
• Understand integration outcomes for resettled refugees (VPRS/VCRS) and those granted asylum (ARR)
• Cohorts arriving (or granted Asylum) in England and Wales between 2015 and 2020
• Approximately 121,000 individuals in the Study
• Linked Home Office data and health data in first iteration
• Understand internal migration moves since arrival or grant of asylum, access to health services (GPs)
9
Linkage rates to health data (GPs)
RIO entry route
Linked Unlinked Total Match rate (%)
VPRS/VCRS 15,663 601 16,264 96.3
ARR 81,606 23,187 104,793 77.9
10
Source: ONS analysis of linked PDS data to VPRS/VCRS and ARR data, 2015-2020
Lower linkage rate for asylum partially due to only using automatch in this first iteration.
Comparison of linked and unlinked records by sex
11
Source: ONS analysis of linked PDS data to VPRS/VCRS and ARR data, 2015-2020
Comparison of linked and unlinked records: age
12
Source: ONS analysis of linked PDS data to VPRS/VCRS and ARR data, 2015-2020
Comparison of linked and unlinked records: nationality
13
Source: ONS analysis of linked PDS data to VPRS/VCRS and ARR data, 2015-2020 - Top 5 nationality group
The future
• UKHRIS: Wave 2 follow-up survey October 2022, results will be published November 2022.
• Addition of further data to RIO: Census 2021, employment and benefits, education and health
• Addition of new cohorts to RIO (Ukraine, Afghanistan, more recent asylum/protection grants subject to funding and data quality)
• Availability of RIO data to the wider research community
• Integrate UKHRIS and RIO
14
References
15
Home Office, Immigration Statistics Year ending June 2022, August 2022
Office for National Statistics, Refugee Integration Outcomes (RIO) data linkage pilot, June 2022
Office for National Statistics, Visa holders entering the UK under the Ukraine Humanitarian Schemes: 20 to 27 April 2022, May 2022
Office for National Statistics, Visa holders entering the UK under the Ukraine Humanitarian Schemes: 16 to 24 June 2022, July 2022
Office for National Statistics, Visa holders entering the UK under the Ukraine Humanitarian Schemes – Follow-up survey: 20 July to 4 August 2022, August 2022
UK Parliament, House of Commons Library, Asylum Statistics, March 2022
Collaboration We wish to acknowledge our colleagues at the Home Office for making the data available to us to create RIO. We greatly value their experience and knowledge of the data and their linguist expertise, which supported the development of our methodology.
16
The UK Humanitarian Response Insight Survey was compiled rapidly to help inform the UK's response to the Russian invasion of Ukraine and the subsequent evacuation of individuals fleeing Ukraine, and to aid local and national emergency response planning.
The Office for National Statistics (ONS) conducted this survey in collaboration with the Department for Levelling Up, Housing and Communities (DLUHC) and the Home Office.
- �
- Presentation outline
- Asylum applications and initial decisions
- Slide Number 4
- Resettled refugees
- UK Humanitarian Response Insights Survey
- UKHRIS Results
- Slide Number 8
- Refugee Integration Outcomes(RIO) Cohort Study
- Linkage rates to health data (GPs)
- Comparison of linked and unlinked records by sex
- Comparison of linked and unlinked records: age
- Comparison of linked and unlinked records: nationality
- The future
- References
- Collaboration
Ведущий эксперт - Longitudinal Design & Methods Управление национальной статистики Великобритания [email protected]
Ники Роджерс
Анализ результатов интеграции беженцев в Великобритании
Содержание презентации • Потоки просителей убежища и беженцев в Великобританию
• Обследование по вопросам гуманитарной помощи Великобритании (UKHRIS)
• Когортное обследование результатов интеграции беженцев (RIO)
• Будущее
• Справочная литература
• Сотрудничество
2
3
Ходатайства о предоставлении убежища и первоначальные решения
Источник: Иммиграционная статистика Министерства внутренних дел, год, закончившийся в июне 2022 г., таблица Asy_D01 и Asy.
2015-2016: Европейский
миграционный кризис
Март 2020: Объявлена глобальная
пандемия COVID-19
4
Из каких стран едут беженцы в Великобританию?
Переселенные беженцы • 2014-2021: Правительство Великобритании запустило программу переселения уязвимых лиц,
спасающихся от конфликта в Сирии. Переселено 20 319 чел.
• 2016-2021: Правительство Великобритании запустило схему переселения уязвимых детей - дети из групп риска и их семьи из региона Ближнего Востока и Северной Африки. Переселено 1838 чел.
• Апрель 2021: Политика переселения и помощи афганцам (ARAP)
• Январь 2022: Схема переселения афганских граждан (ACRS)
• Март 2022: Семейная схема для Украины – позволяет заявителям присоединиться к членам семьи или продлить срок пребывания в Великобритании. Прибыло 33 500 чел
• Март 2022: Схема спонсорства для Украины - позволяет заявителям приезжать в Великобританию, если у них есть конкретный спонсор. Прибыло 81 700 чел.
• Май 2022: Схемы продления срока пребывания для Украины – граждане Украины и их семьи подают заявки на продление разрешения на пребывание в Великобритании. 16 800 чел получили разрешение остаться
5
Прибыло 21 450 чел
Обследование по вопросам гуманитарной помощи Великобритании • Понять переживания/чувства граждан Украины с момента прибытия в
Великобританию и их намерения
• Первая волна онлайн-опроса, запущенная в апреле 2022: прибытие, английский язык, условия проживания, намерение остаться, здоровье и благополучие, занятость и т.д. Доля ответивших 28% (3412 респондентов)
• Вторая волна, июнь 2022, для регистрации прибывающих после первой волны. Доля ответивших 31% (9 601 респондент)
• Последующий опрос, июль 2022: жилье, поддержка, уход за детьми, социальная помощь, внутренние переезды, доступ (или барьеры) к услугам и трудоустройству и т.д. Доля ответивших 39% (1132 респондента 1-й волны, которые согласились на повторое интервью)
6
Результаты UKHRIS
7
Страна Великобритании и регион Англии, где взрослые из Украины проживали в апреле, и где проживают сейчас Базисное население: все взрослые
Сколько времени взрослые из Украины предполагают оставаться в Великобритании Базисное население: все взрослые
8
Текущий статус занятости взрослых из Украины в Великобритании Базисное население: все взрослые
Барьеры при попытке найти работу в Великобритании, которые испытали взрослые украинцы Базисное население: взрослые, испытавшие барьеры при трудоустройстве
Службы образования, посещаемые детьми на иждивении1 Базисное население: все взрослые, имеющие на своем иждивении хотя бы одного совместно проживающего ребенка
Как часто взрослые пользовались четырьмя наиболее используемыми государственными услугами Базисное население: все взрослые
Когортное обследование результатов интеграции беженцев (RIO) • Понять результаты интеграции переселенных беженцев (VPRS/VCRS) и
лиц, получивших убежище (ARR)
• Когорты, прибывающие (или получившие убежище) в Англию и Уэльс в период с 2015 по 2020 гг.
• Приблизительно 121 000 человек участвовало в обследовании
• Связанные данные Министерства внутренних дел и данные о здоровье в первой итерации
• Понять внутренние миграционные перемещения с момента прибытия или предоставления убежища, доступ к медицинским услугам (ВОП)
9
Показатели связи с данными о здоровье (ВОП) Маршрут входа в RIO
Связано Не связано Общий Коэффициент совпадения
(%)
VPRS/VCRS 15 663 601 16 264 96,3
ARR 81 606 23 187 104 793 77,9
10
Источник: анализ ONS связанных данных PDS с данными VPRS/VCRS и ARR, 2015–2020 гг.
Более низкий уровень привязки для просителей убежища частично из-за использования только автоматического совпадения в этой первой итерации.
Сравнение связанных и несвязанных данных по полу
11
Источник: анализ ONS связанных данных PDS с данными VPRS/VCRS и ARR, 2015–2020 гг.
Сравнение связанных и несвязанных данных: возраст
12
Источник: анализ ONS связанных данных PDS с данными VPRS/VCRS и ARR, 2015–2020 гг.
Сравнение связанных и несвязанных данных: гражданство
13
Источник: анализ ONS связанных данных PDS с данными VPRS/VCRS и ARR, 2015-2020 гг. - 5 ведущих групп граажданства.
Будущее
• UKHRIS: последующее обследование 2-й волны в октябре 2022 г., результаты будут опубликованы в ноябре 2022 г.
• Добавление дополнительных данных в RIO: перепись 2021 г., занятость и пособия, образование и здравоохранение.
• Добавление новых когорт в RIO (Украина, Афганистан, более поздняя выдача убежища/предоставление защиты в зависимости от финансирования и качества данных)
• Доступность данных RIO для более широкого исследовательского сообщества
• Интеграция UKHRIS и RIO
14
Справочная литература
15
Министерство внутренних дел, Иммиграционная статистика. год, закончившийся в июне 2022 г., август 2022 г.
Управление национальной статистики, пилотный проект по связыванию данных о результатах интеграции беженцев (RIO) , июнь 2022 г.
Управление национальной статистики, Держатели виз, въезжающие в Великобританию в рамках схем гуманитарной помощи для Украины: с 20 по 27 апреля 2022 г., май 2022 г.
Управление национальной статистики, Держатели виз, въезжающие в Великобританию в рамках схем гуманитарной помощи для Украины: с 16 по 24 июня 2022 г., июль 2022 г.
Управление национальной статистики, Держатели виз, въезжающие в Великобританию в рамках схем гуманитарной помощи для Украины – Последующий опрос: с 20 июля по 4 августа 2022 г., август 2022 г.
Парламент Великобритании, Библиотека Палаты общин, Статистика по просителям убежища, март 2022 г.
Сотрудничество Мы хотим поблагодарить наших коллег из Министерства внутренних дел за предоставление нам данных для создания RIO. Мы очень ценим их опыт и знание данных, а также их лингвистические знания, которые помогли разработать нашу методологию.
16
Обследование по вопросам гуманитарной помощи было быстро составлено, чтобы обосновать меры реагирования Великобритании в ответ на российское вторжение в Украину и последующую эвакуацию людей, бегущих из Украины, а также помочь в планировании реагирования на чрезвычайные ситуации на местном и национальном уровнях.
Управление национальной статистики (ONS) провело это обследование в сотрудничестве с Департаментом повышения уровня, жилищного строительства и общин (DLUHC) и Министерством внутренних дел.
- �
- Содержание презентации
- Ходатайства о предоставлении убежища и первоначальные решения
- Slide Number 4
- Переселенные беженцы
- Обследование по вопросам гуманитарной помощи Великобритании
- Результаты UKHRIS
- Slide Number 8
- Когортное обследование результатов интеграции беженцев (RIO)
- Показатели связи с данными о здоровье (ВОП)
- Сравнение связанных и несвязанных данных по полу
- Сравнение связанных и несвязанных данных: возраст
- Сравнение связанных и несвязанных данных: гражданство
- Будущее
- Справочная литература
- Сотрудничество
Employee Engagement: What we have tried, What we have learnt
Lincoln Blair, Office of National Statistics, UK
HRMT CONFERENCE Employee Engagement and Hybrid Working
11th October 2022
Lincoln Blair
UKSA Office for National Statistics
Employee Engagement:
Learning Through the Pandemic and
Hybrid Working
An exploration of the ONS’s approach to
employee engagement since the start of the
pandemic, and what we have learned as we look
to the future.
Our reaction to the pandemic in terms of engagement, wellbeing and hybrid working.
Key elements of our approach and how this has evolved since 2020.
What we are measuring around engagement, our evidence for what’s working well and what remains uncertain.
Future plans and challenges: what next for employee engagement in a hybrid organisation?
Initial reaction to the pandemic ■ Switch to total homeworking, with a small number of
'critical worker' exceptions ■ Total flexibility around working hours ■ Additional special leave allowances ■ Absolute focus on wellbeing and connection ■ Rapid deployment of IT equipment and furniture ■ Multi-functional crisis management group established
with a strong focus on wellbeing, communication and engagement
■ Dashboard established - early realisation that sickness absence was actually falling, and feedback on our engagement was positive
Evolution of our approach ■ The UK was in and out of lockdown a number of times, however we maintained our
focus on wellbeing and communications throughout these cycles.
■ We have offices in three of the four nations of the UK, and at times the rules were not aligned. Generally we have defaulted to the most cautious approach.
■ The Operations Group structure was critical to our ability to respond and engage with colleagues on how we were managing the situation.
■ As we moved past the peak we planned our longer-term approach using a principles- based rather than rules-based policy, which we call our Flexible Working Framework.
■ These principles aim to balance business need and individual preference to allow people to work in a flexible way in relation to both hours and location. There are a range of different approaches across UK Civil Service departments – some are more rules-based than ONS.
Measuring engagement ■ Annual People Survey
Measures headline Engagement Index plus 9 themes. Standard instrument across the UK Civil Service, first introduced in 2009. Largely consistent time series questions, with some additional blocks chosen by
departments.
■ Employee Voice Quarterly Pulse Surveys Monthly intranet polls Listening groups
2019 2020 2021
Engagement Index 63% 71% 70%
PERMA 73% 74% 74%
Stress Index* 28% 25% 25%
* Lower scores are positive
Employee Voice
■ We run pulse surveys in each quarter, apart from the People Survey quarter. Average response rate is c.33%.
■ Pulse surveys combine core engagement questions for time series data with theme-specific questions that deep- dive into a single area.
■ Surveys are combined with other data sources to produce reports and recommendations.
Frequency of engagement For over a year we ran monthly intranet polls, each with a single question, publishing a response and using them to shape our actions. This proved unsustainable in the long run, with falling response rates, but provided us with valuable insights. For example:
In April 2021, we reran a poll from June 2020 to understand how our people wanted to work in the future. A total of 2909 people took part (approx. 57% response rate), making it the most voted on poll to date. The results were:
In the field/an IPS site, as required by my role: 3% (5%) In the office full-time: 2% (3%) In the office the most of the time: 6% (12%) In the office and working from home an even amount: 27% (33%) Working from home most of the time: 43% (35%) Working from home full-time: 18% (10%) Other: 2% (1%)
N.B. Figure in brackets shows the percentage score from the June 2020 poll.
Other engagement channels and tools
Trade Union consultation
Diversity Networks and Steering Groups for Inclusion, and Health & Wellbeing
Regular ‘Your Call’ events led by our Permanent Secretaries, using managed live streaming and Slido
Blogs, news and events from a combination of HR, Communications and colleagues across the organisation
What have we learned? ■ High engagement can be maintained in times of crisis and
change. Our sense of organisational purpose and our commitment to communicating were key contributors to this.
■ Our initial response may have created a permanently raised level of expectation around wellbeing and flexibility. Increasing turnover and falling vacancy fill rates suggest we may no longer stand out from other employers.
■ A principles-based approach to hybrid working has, so far, revealed a clear preference for working at home which has increased over time.
■ Average office attendance as a percentage of FTE has slowly increased while remaining lower than expected… BUT – we are more productive than ever.
■ Evidence of change fatigue? Persistently low survey scores on Managing Change; difficulty in replicating the agility we showed in 2020; engagement scores dip in our crucial middle management grades.
Looking to the future ■ We intend to maintain our principles-based approach to hybrid working, but aim to
rebalance how it works in practice. Evolving from rules to principles is a cultural challenge.
■ We need to discover what will engage more people, more often to come into our offices. We have invested in high-quality office environments geared toward collaboration and flexibility.
■ The drivers for engagement, attraction and retention are well aligned with good corporate citizenship and public service values.
■ Hybrid working has greatly expanded our effective recruitment catchment areas, and we are also expanding our estate footprint to access new employment markets for key skills. However this has to be balanced with maintaining connection.
■ We must continue to innovate and improve on inclusion, engagement, culture and wellbeing; focus on these elements is now a fundamental part of employee expectations.
■ Overuse of tools and channels can lead to diminishing returns. Good engagement strategy must be matched with adaptability.
- HRMT Conference
- Employee Engagement: �Learning Through the Pandemic and Hybrid Working � �An exploration of the ONS’s approach to employee engagement since the start of the pandemic, and what we have learned as we look to the future.�
- Slide Number 3
- Slide Number 4
- Measuring engagement
- Employee Voice
- Frequency of engagement
- Other engagement channels and tools
- What have we learned?
- Looking to the future
A machine learning approach to classifying UK long-term international migrants using administrative data (United Kingdom)
*Prepared by Mingqing Wu and Michael Hawkes
NOTE: The designations employed in this document do not imply the expression of any opinion whatsoever on
the part of the Secretariat of the United Nations concerning the legal status of any country, territory, city or area
or of its authorities, or concerning the delimitation of its frontiers or boundaries.
Economic Commission for Europe
Conference of European Statisticians
Group of Experts on Migration Statistics
Geneva, Switzerland, 26−28 October 2022
Item A of the provisional agenda
Improvements in use of administrative data for migration statistics
A machine learning approach to classifying UK long-term international migrants using administrative data
Note by Office for National Statistics
Abstract
The Office for National Statistics (ONS) is transforming population, migration, and social statistics using a
combination of administrative and survey data. Estimating international migration using administrative data has
brought significant challenges, including producing timely estimates. Administrative based estimates have inherent
time lags, due to time needed for collecting and processing data, as well as interacting with services, e.g. for 12
months or more, in order to align to the UN definition of a long-term migrant.
ONS has developed Admin-Based Migration Estimates (ABMEs). The ABMEs currently use a rule-based
approach to classify LTIMs. This requires up to five years of data to complete the classification for a whole cohort
of migrants. We propose to assess how a predictive machine learning model may provide timely prediction at the
aggregate level before the rule-based classification. We would also like to assess the use of machine learning to
classify UK returning migrants and emigrants, and its robustness to significant changes in migrant behaviour, for
example during the coronavirus (COVID-19) pandemic. We are developing these methods with experts in ONS
Methodology using Home Office’s Exit Checks data as a proof of concept, assessing accuracy of early predictions
of eventual LTIM status and how those predictions can be used as early indicators of provisional LTIM numbers to
make better provisional migration estimates. In this paper, we will discuss the progress and challenges in this
project. As a work in progress, we welcome feedback on the methods.
Working paper 2
Distr.: General
11 October 2022
English
I. Introduction
1. Migration is one of the three fundamental components of change in any population.
Improving UK international migration statistics is high priority for the Office for
National Statistics (ONS). With the ongoing impact of the coronavirus (COVID-19)
pandemic and ongoing changes in migration policy following Britain’s exit from the
European Union (EU), the latest ONS estimates of net international migration suggest
that around 239,000 more people came to the UK than left in in the year ending June
2021, driven primarily by non-EU immigration (ONS, 2022a). To support this effort
there is a need for accurate and timely estimates of long-term international migrants
(LTIMs) to and from the UK to inform the measurement and impact of migration on
the UK population, to facilitate government policy and decision-making.
2. Current ONS estimates of international migration are experimental and use a
combination of administrative data and statistical modelling. These experimental
estimates are based on the best data that are available, and employ rules-based
definitions to classify LTIMs in administrative data. Due to the inherent time lags in
administrative data and the necessary time needed for confirmation of LTIM status, to
complete the full picture of a whole cohort of migrants can take up to 2 years. To
produce more timely estimates of long-term international migration, new data and
methods are needed to provide more timely classifications of migrants as either long-
term or short-term.
3. This paper describes initial research into machine learning approaches for classifying
LTIMs recorded in administrative data alongside short-term international migrants
(STIMs), and migrants who have not yet clearly met rule-based criteria to be defined
as STIMs or LTIMs. The key goal of such a method would be to predict the
probability that a migrant recorded in admin data will be a LTIM before their true
short-term or long-term status is known. These probabilities, predicted for all
potential LTIMs, could then be used to produce provisional aggregate estimates of
LTIMs that include known LTIMs (i.e. those that meet rule-based criteria) and
predicted LTIMs whose true status is not yet known. We are using the border-control
based Exit Checks data as our initial dataset to develop a proof-of-concept method for
immigrants only. This paper will also provide information on our progress towards
transforming population and migration characteristics, and the challenges we face.
II. The need for new methods
A. International migration is changing
4. Recently there have been observations of changing patterns in UK international
migration, driven by impacts of COVID-19 pandemic, the UK’s exit from the EU,
and the introduction of a new immigration system at the end of 2020 (Home Office,
2020b).
5. For example, the COVID-19 pandemic has presented a significant challenge to the
UK and to the statistics we rely on. We have compared IPS migration estimates in the
same period in previous years with the numbers of passenger flows from air, train and
ferry data in March 2020 and found that travel by all routes declined steeply. Air
travel declined sharply in Quarter 2 2020, as strict lockdown measures and travel
restrictions were introduced. On the other hand, ferries and Eurotunnel did not fall as
much and therefore made upa corresponding proportional increase in travel via ferries
and Eurotunnel (ONS, 2021).
6. Visa processing centres also had to be closed in March 2020. Our previous analyses
show a marked decrease in work, study and family visas applied for and granted to
non-EU nationals during Quarter 2 2020 (ONS, 2021).
7. Following the UK’s exit from the EU, there have been ongoing changes in migration
policy. For instance, as of 1 January 2021, EU citizens who wish to move to the UK
will be subject to the same rules as citizens from the rest of the world, except Irish
citizens who can continue to move to the UK without restrictions under separate
arrangements. EU citizens already living in the UK had to apply to the EU Settlement
Scheme if they want to continue to live in the UK.
8. Due to changes in international migration such as described above, there is a high
level of interest in understanding how migration patterns are changing and what this
means for society and the economy. Robust and timely population and migration
statistics are needed for policymaking in response to these changes, and they underpin
a wide variety of other statistics that support decisions and inform public debate.
While NS has undertaken a broad programme of research on the transformation of
migration statistics, the COVID-19 pandemic accelerated our need to innovate data
and methods, including administrative data and modelling methods to produce timely
measures of international migration to meet a broad range of user needs (ONS,
2022a).
B. ONS statistics are transforming
9. ONS aims to provide the best insights on population and migration, working with
other government departments and using a range of new and existing data sources to
meet the needs of our users. This is increasingly important in a rapidly changing
policy and societal context, where we know our users need better evidence to support
decision-making at both national and local levels.
10. Current ONS population statistics rely heavily on the decadal census. While this
provides granular data at the lowest levels of geography every 10 years, it delivers
less detail for the interim years and the quality of population estimates declines as we
move further away from the census year.
11. The historical source for UK international migration was the International Passenger
Survey (IPS), which recorded migrants’ intentions to remain in or out of the UK in
the next twelve months. The IPS has some limitations with respect to measuring
immigration and emigration, as it is a sample survey and not every migrant to or from
the UK is interviewed. IPS also does not capture all asylum seekers who may be
entering or leaving the UK. IPS is based on initial intention of stay period and does
not take into account the changing intentions of passengers. This also does not
capture those who are crossing the land border between the UK (Northern Ireland)
and the Republic of Ireland. There is broad consensus that the IPS has been stretched
beyond its original purpose, and ONS is now considering additional data and methods
to transform migration statistics (ONS, 2018).
12. Additionally, the IPS stopped in March 2020, due to the COVID-19 pandemic.
Although re-launched in 2021, IPS was more focused on travel and tourism statistics.
Due to the restrictions on time and locations leading to some low numbers of
contacts, the new IPS data can obscure the migration patterns, especially patterns
(e.g. seasonality) in time series data (ONS, 2022b). Such changes to the IPS
accelerated the need to use administrative data sources and new methods to fill the
evidence gap (ONS, 2022a).
III. Classifying LTIMs in Exit Checks data
A. The Exit Checks data
13. The initial administrative data we are using to develop our proof of concept machine
learning classifier are derived from the data matching system and analytical capability
built by the UK Home Office’s Exit Checks Programme, the Initial Status Analysis
(ISA). We use data from the Home Office ISA system, which combines visa and
travel information to link an individual's travel movements into and out of the
country. This dataset is known as the Exit Checks dataset (Home Office, 2020a).
14. These data include Advance Passenger Information (API) and Travel Document
Information (TDI). API is passenger data submitted in advance of travel for most
scheduled aviation journeys, while TDI is passenger data collected at the point of
departure for other modes of transport.
15. There are also data from case working systems related to (out-of-country) entry
clearance visa application casework and (in-country) casework e.g. on extensions of
leave to remain, as well as biometric details submitted prior to visa applications (we
do not have access to such information) and passport examinations data collected
upon entry into the UK. This data helps mitigate any gaps in inbound API coverage.
16. These data are matched in order to produce an ‘identity’ and to determine the current
compliance status of an individual. Each individual within the ISA system is allocated
a unique identifier which consists of biographic details (such as name, passport or
travel document number, date of birth, nationality and gender) and associated events
(such as travel in or out of the country or periods of leave granted). The resultant
dataset is termed the ‘Initial Status Analysis’.
17. As with all large complex data collections based on administrative data, the data
received may not always be complete and fully accurate. There are also a number of
ways in which a traveller’s departure may legitimately not be recorded by the system,
for example where outward travel is by the Common Travel Area (CTA), or when a
traveller unfortunately dies in the UK.
18. For more information of Exit Checks data, please refer to the Home Office
documentation (Home Office, 2020a).
B. The current classification method
19. The current classification method for non-EU LTIMs adopts a static deterministic
approach based on the actual outcomes of past activities in the Exit Checks data. We
adopt the UN definition for this rule-based process for LTIMs: “A person who moves
to a country other than that of his or her usual residence for a period of at least a year
(12 months), so that the country of destination effectively becomes his or her new
country of usual residence. From the perspective of the country of departure, the
person will be a long-term emigrant and from that of the country of arrival, the person
will be a long-term immigrant” (UN, 1998).
20. A migrant’s time in UK is calculated on the basis of the first arrival date and last
departure date in the visa period (If the visas are overlapping, they are joined
together). If the time in UK is longer than 12 months, each period of time out of UK
is shorter than 12 months and there is no previous stay in less than 12 months prior to
the first arrival date, then the migrant is classified as a new LTIM. This is illustrated
in Figure 1 (ONS, 2020). A separate paper has been submitted to the UNECE
Migration Statistics Expert group on the current estimation method: “Using
administrative data to produce timely estimates of migration for the UK”.
Figure 1
Rules to label the LTIMs in Exit Checks data
Source: ONS (2020)
C. The usefulness of supervised machine learning to classify UK LTIMs
1. Timeliness
21. Due to the time lags in the current classification method, we propose to assess how a
predictive supervised machine learning model may provide timely prediction for
individual immigrants recorded in administrative data before the rule-based
classification can be applied. These individual predictions could then be aggregated
to contribute to provisional estimates of LTIMs.
22. Supervised learning starts with manually labelled data. We use the current rule-based
classification method to label the LTIMs as described above (Figure 1). Labelled
historical data are then used to train the supervised learning model, so that predictions
can be made on the LTIM status of migrants whose arrival date is too recent to apply
the data definitions. ONS are investigating implementing alternative definitions to be
applied in Exit Checks data, and we may investigate using these for generating
training labels in future (ONS, 2020).
23. The supervised methods learn the relationship between input features that describe
migrants (e.g. visa type, visa end date, days since arrival) and their labelled outcome
as an LTIM or a non-LTIM. The trained models then predict of the probabilities of
new migrants becoming LTIMs based on their input features. Therefore, machine
learning models can potentially make predictions based on individual characteristics
without the need to wait for at least 12 months of data to apply rule-based data-
definitions.
24. Using a supervised machine learning approach has the additional benefit of not
needing to develop and maintain new assumptions and rule-based data categories for
recent immigrants to achieve the classification goal before we have confirmation
based on arrival and departure dates. In principle, where we might try and manually
define certain categories of migrants with particular characteristics as being more or
less likely to be LTIMs, in learning the relationships between the input features and
the outcome the models will approximate a function that uses the available
information to make that prediction i.e. the models could allow predictions to be
made without explicit human specification (Arthur Samuel, 1959). The models may
also adapt to changes in behaviours if they are updated over time (i.e. re-trained) with
newly-labelled data that capture those changes in behaviour.
25. Predictions from machine learning models would be subject to error and uncertainty,
and it is likely this error and uncertainty will be larger for more recent immigrants,
but they could provide the basis for provisional LTIM estimates with increasing
certainty over the life of a cohort (until they are able to be confirmed with a rule-
based approach). They could also be used as indicators for trend exploration and early
planning.
2. Fractional weighting and calibration
26. Calibration is an important aspect of training machine learning classifiers. It gives
insight into model uncertainty, which can be later communicated to end-users or used
in further processing of the model outputs.
27. Technically speaking, the goal of classification is to assign predicted classes to
unlabelled data. However, it is also useful consider the model-predicted probabilities
underlying these predicted classes. Such probabilities could be interpreted as
fractional weights, and are useful for analysing the shortcomings of the model, and
potentially for presenting uncertainty to end-users. Using fractional probabilities may
also be beneficial if they result in reduced bias in provisional LTIM estimates
compared to classification (Zhang, 2020).
28. In machine learning, a model is considered well-calibrated if the prediction
probabilities output by a model correspond with the actual probability that the model
is correct on that sample. For example, if a model predicts a sample to be in the
positive class with a probability score of 0.8, it can be expected that the model would
be correct in that prediction about 80% of the time.
29. The calibration of a model can be visualised by plotting a calibration curve – dividing
the model’s predictions into discrete bins based on the prediction probability, and
plotting the proportions of each bin correctly predicted against the mean prediction
probability of each bin. A perfectly calibrated classifier would thus be plotted as a
straight line between (0,0) and (1,1).
IV. The machine learning approach
30. This project will use Exit Checks data as a record of migrants who are non-EU
nationals to develop proof of concept methods. Pending the outcome of this initial
research, future work will also consider a similar task using other administrative data
sources such as the Registration and Population Interactions Database (RAPID) from
the Department for Work and Pensions (DWP) for EU nationals.
31. The classification uses supervised learning, which requires labels of both positive and
negative examples in training the model. In our case, the positive label will be the
LTIM. The machine uses the insights it gains from studying the LTIM and non-LTIM
data to consider the features in the new data to help make predictions of probability of
migrants becoming LTIMs. The machine learning approach enables us to predict the
outcomes of migration statuses before the confirmation reaches the end of 12 months.
The simplified supervised learning process is illustrated in Figure 2 below.
Figure 2
Supervised Learning overview
Source: Pedregosa et al. (2011)
A. The development practices
32. We follow UK Statistics Authority’s data ethics guidance and work closely with the
ONS Data Ethics team and completed an ethics assessment for this project. We only
access the personal information in the ONS secure development environment and
only aggregate outputs are output of this environment, subject to approval of the
Disclosure Control Officers. No personally-identifiable information (PII) are used in
the modelling work.
33. We follow the guidance of the UK Government Analysis Functional Standard and the
quality assurance of government models (AF, 2021). We log our assumptions and
decisions throughout the project to ensure quality of the development, reviewing with
the Quality Assurance team as well as more independent expert panels. We also use
the quality assurance framework to guide our reproducible coding and adopt
reproducible pipelines to avoid human errors (GSS, 2022).
B. The base population
34. The model focuses on the long-term immigration of non-EU nationals as a proof of
concept.
35. We start with the immigration component only, restricting our study to those who
have a visiting history before the COVID-19 pandemic (April 2015-April 2019). This
is because those are the majority of the population in the data, and it will allow us to
develop baseline methods across the period where Britain exited the EU before we
tackle the subsequent changes in migrant behaviour brought on by the COVID-19
pandemic.
36. Pending the development of the initial proof of concept method we will also
investigate predicting LTIM status for immigrants without a visit history, and
emigrants.
C. Training and testing
37. A sample of the migrants recorded in Exit Checks data are labelled within as either
LTIMs or non-LTIMs based on the UN definition of LTIMs as described above. A set
of supervised learning algorithms have been tested on the samples of covariates and
labels in the non-EU data to learn the patterns in the data, before making predictions
on the holdout data. At present, we are randomly splitting our dataset into a training
set used to fit the model, and a testing set used to evaluate it, but we are also looking
into stratifying the data such that LTIMs and non-LTIMS are equally represented in
the training data. Additionally, we are looking at the possibility of dividing the
dataset into training and testing splits based on time (ie. Training the model on all
people who interacted with the Exit Checks system before a certain date, and testing
on those who interacted after), in order to better evaluate how well a model trained on
historical data performs on future data.
D. Algorithms
38. As no single machine learning algorithm will be useful for all use cases, we are
testing three supervised learning algorithms to see which algorithm can provide the
best results and interpretation.
39. We are treating LTIM classification as a binary classification problem to predict
which migrants will become LTIMs, and are initially considering logistic regression
(LR), random forest (RF), and XGBoost (XGB). LTIM classification could also be
interpreted as a survival analysis problem with censored data, and we will also
consider whether alternative methods may be more appropriate.
E. Model optimisation and performance assessment
40. We intend to optimise the trained machine learning models by iteratively tuning
the hyperparameters using an automated hyperparameter optimisation technique such
as Grid Search, with Accuracy (the number of correct predictions divided by the
number of samples) chosen as the scoring metric to maximise in this process.
41. It should be noted that accuracy can be a poor metric to use when there is a
significant class imbalance in the training data, as it can lead to scores that look
impressive while not actually being a skilled classifier - for example, if 90% of
samples in a dataset belong to the positive class, then a baseline model that only
predicts samples as belonging to that class would have an accuracy score of 0.9,
making it look intuitively like a skilled model.
42. Upon exploration, we concluded that Accuracy would be a useful metric for our
project, as the classification classes are not too imbalanced and both the positive and
negative class are of close to equal importance.
43. Additionally, we will be recording the Recall, Precision, and F1 scores of each model,
in order to gain a fuller understanding of the model’s performance, but these were not
chosen to be directly optimised for, as they tend to be more useful in cases where
only the positive class in the classification problem is of interest, or where there are
different costs associated with misclassifying members of the positive or negative
class. Similarly, Area under Receiver Operating Curve (ROC-AUC; the area under
the curve plotting True Positive Rate against False Positive Rate for various model
thresholds) will also be recorded in order to evaluate the discriminatory power of the
model.
44. We will also consider using the log-loss of the model as the metric to optimise, as this
could improve the prediction probabilities associated with each prediction, which
would be useful when using probabilistic weighting to determine immigration
statistics (rather than counting the number of people predicted in each category.
However, this is dependent on further research to determine whether this would be
beneficial.
F. Feature selection
45. The Exit Checks data are rich in information, not all of which is specifically useful in
predicting whether a person is a Long-Term Migrant or not. Including every feature
available to us could thus lead to models which are over-fit to statistical anomalies in
the training data, and result in worse performance. We are initially building baseline
models using a small number of attributes from the data and engineered features and
we will pursue more complex feature engineering as necessary. To evaluate the
importance of each feature, we will be using the feature importance scores output by
the models – the average gain in purity from splits on that feature for XGBoost and
Random Forest models, and the coefficients for each feature in the Logistic
Regression models. We will then be able to manually inspect the features to identify
those with little to no predictive power, as well as using Recursive Feature
Elimination techniques to iteratively train models with fewer features, removing those
features with the least predictive power.
G. Monitoring and retraining
46. Machine learning model performance needs to be monitored on an ongoing basis to
detect possible model drift, where model performance degrades over time, especially
when there are significant changes in data, patterns and concepts used in the model,
such as changes in visa definitions or migration patterns. In such cases, models may
need to be retrained over time where necessary. We will have to consider this given
the changing nature of migration behaviour we’ve outlined above.
H. Lessons learnt
47. We are currently investigating the performance of the first baseline models that we
have trained, and hope to publish initial results in a progress report later this year.
48. One of the lessons we have learnt from this project is that understanding of the data is
essential. Datasets can be limited in size and they might not be representable for the
full population, or the data capturing process might have not accounted for potential
biases. Biases often only become apparent after thorough data analysis or when the
relation between model predictions and the model input is analysed. The
understanding of the data also guides the feature engineering and selection, as well as
the choices of algorithms and performance metrics.
49. Supervised learning models also require a good level of expertise to structure
appropriately.
50. We have realised the need of testing different algorithms, samples e.g. of different
periods, characteristics/behaviours and sizes. These can all make an important impact
on the outputs.
51. We also realise that we may need a suite of models, rather than just one model, to
train and predict on different sub-populations. For instance, we may need separate
models to predict LTIM status for different categories of migrants e.g. those with visit
histories and those on their first visit.
V. Next steps
52. Using supervised machine learning to classify LTIMs with administrative data has
some unique potential advantages to other classification methods, but it also presents
some challenges that need to be handled with care.
• Feature engineering to make the most of the information available in the Exit
Checks data
• Detailed analysis of the performance of the three algorithms for immigrant
cohorts, including investigation of accuracy and bias of the predictions across
and within cohorts.
• Consideration of extensions to supervised machine learning that incorporate
aspects of survival analysis.
• Assessment of the need to retrain models over time to address model drift, and
potential monitoring and retraining approaches.
• Development of a proof of concept model for emigration.
• Investigation of how to integrate machine learning LTIM predictions into the
wider ONS ABME methodology, and how uncertainty from these predictions
can be propagated and communicated to users.
• Application of similar methods for classifying EU national LTIMs in RAPID
data
53. We would also like to explore some areas that are currently understudied using other
machine learning methods. For instance, unsupervised machine learning algorithms
may be able to identify patterns within administrative data and help shape a heuristic
ruleset for circular migration and UK LITMs where no definitive LTIM labels can be
applied. This project is still at its early stage and we welcome comments and
suggestion to take this work forward.
VI. References:
54. Analysis Function (2021) Government Functional Standard GovS 010: Analysis,
available from:
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachme
nt_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.
55. Government Statistical Services (2022) Reproducible Analytical Pipelines
56. Available from: https://gss.civilservice.gov.uk/reproducible-analytical-pipelines/
57. Home Office (2020a) Home Office statistics on exit checks: user guide, available
from: https://www.gov.uk/government/publications/home-office-statistics-on-exit-
checks-user-guide/home-office-statistics-on-exit-checks-user-guide
58. Home Office (2020b) Impact Assessment for changes to the Immigration Rules for
Skilled Workers, available from:
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachme
nt_data/file/936121/Revised_Impact_Assessment_for_the_Skilled_Worker_Route_si
gned.pdf
59. Office for National Statistics (2022a) Long-term international migration, provisional,
year ending June 2021, available from
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/inte
rnationalmigration/bulletins/longterminternationalmigrationprovisional/june2021#ma
in-points
60. Office for National Statistics (2022b) Estimates of overseas residents’ visits and
spending in the UK, available from
https://www.ons.gov.uk/peoplepopulationandcommunity/leisureandtourism/datasets/e
stimatesofoverseasresidentsvisitsandspendingintheuk
61. Office for National Statistics (2021) Using statistical modelling to estimate UK
international migration, available from
https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodolo
gy/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigratio
n
62. Office for National Statistics (2020) Exploring international migration concepts and
definitions with Home Office administrative data, available from:
63. https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/inte
rnationalmigration/articles/exploringinternationalmigrationconceptsanddefinitionswit
hhomeofficeadministrativedata/2020-02-14
64. Office for National Statistics (2018) Report on international migration data sources
65. Pedregosa, Fabian; Varoquaux, Gaël ; Gramfort, Alexandre; Michel, Vincent;
Thirion, Bertrand; Grisel, Olivier; Blondel, Mathieu; Prettenhofer, Peter; Weiss, Ron;
Dubourg, Vincent ; Vanderplas, Jake; Passos, Alexandre; Cournapeau, David;
Brucher, Matthieu; Perrot, Matthieu; Duchesnay, Édouard (2011) Supervised
Learning overview, in Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-
2830, 2011.; 12(85):2825−2830, 2011. Available from:
https://ogrisel.github.io/scikit-learn.org/sklearn-
tutorial/tutorial/astronomy/general_concepts.html
66. Sapon, Muhammad & Ismail, Khadijah & Suehazlyn, Zainudin & Ping, Chew &
Malaysia, Nasional & Lumpur, Kuala. (2022). Diabetes Prediction with Supervised
Learning Algorithms of Artificial Neural Network.
67. United Nations (1998) Recommendations on Statistics of International Migration,
Revision 1, available from: http://data.un.org/Glossary.aspx?q=long-term%20migrant
68. Zhang, LC. (2020) On provision of UK neighbourhood population statistics beyond
2021. arXiv [Preprint]. Available from: https://arxiv.org/abs/2111.03100
- I. Introduction
- II. The need for new methods
- A. International migration is changing
- B. ONS statistics are transforming
- III. Classifying LTIMs in Exit Checks data
- A. The Exit Checks data
- B. The current classification method
- C. The usefulness of supervised machine learning to classify UK LTIMs
- 1. Timeliness
- 2. Fractional weighting and calibration
- IV. The machine learning approach
- A. The development practices
- B. The base population
- C. Training and testing
- D. Algorithms
- E. Model optimisation and performance assessment
- F. Feature selection
- G. Monitoring and retraining
- H. Lessons learnt
- V. Next steps
- VI. References:
*Подготовили Минцин Ву и Майкл Хокс ПРИМЕЧАНИЕ: Обозначения в настоящем документе не подразумевают выражения какого-либо мнения Секретариата Организации Объединенных Наций в отношении юридического положения любой страны, территории, города или края или их властей или в отношении делимитации ее границ.
Европейская экономическая комиссия
Конференция европейских статистиков
Группа экспертов по статистике миграции
Женева, Швейцария, 26-28 октября 2022 года Пункт A предварительной повестки дня Положительные изменения в использовании административных данных для статистики миграции
Применение машинного обучения для классификации долгосрочных международных мигрантов в Великобритании с помощью административных данных
Записка Национальной статистической службы
Аннотация
Национальная статистическая служба (НСС) трансформирует статистику населения, миграции и социальную статистику, используя сочетание административных данных и данных обследований. Оценка международной миграции с использованием административных данных сопряжена со значительными трудностями, в том числе с получением своевременных оценок. Оценки на основе административных данных характеризуются неизбежной временной задержкой из-за времени, необходимого для сбора и обработки данных, а также взаимодействия со службами, например, в течение 12 месяцев или более, чтобы соответствовать определению долгосрочного мигранта ООН. НСС разработала оценки миграции на основе административных данных (ОМАД). В настоящее время ОМАД используют подход, основанный на правилах, для классификации долгосрочных международных мигрантов (ДММ). Для завершения классификации целой когорты мигрантов требуются данные за пять лет. Мы предлагаем оценить, как прогностическая модель машинного обучения может обеспечить своевременный прогноз на агрегированном уровне до классификации на основе правил. Мы также хотели бы оценить использование машинного обучения для классификации возвращающихся мигрантов и эмигрантов из Великобритании, а также его способность учитывать значительные изменения в поведении мигрантов, например, во время пандемии коронавируса (COVID-19). Мы разрабатываем эти методы с экспертами в области методологии НСС, используя данные выездных проверок Министерства внутренних
Рабочий документ 2
Distr.: General
20 октября 2022 г. 14:55:11
Русский
дел для подтверждения работоспособности концепции, оценивая точность ранних прогнозов итогового статуса ДММ и то, как эти прогнозы можно использовать в качестве ранних показателей приблизительного количества ДММ для улучшения предварительной оценки миграции. В этой статье мы обсудим ход работ и проблемы в этом проекте. Поскольку работа еще не завершена, мы будем рады получить отзывы о методах работы.
I. Введение
1. Миграция - это один из трех основных компонентов изменений в любом населении. Совершенствование статистики международной миграции в Великобритании является вопросом высокой важности для Национальной статистической службы (НСС). С учетом продолжающегося воздействия пандемии коронавируса (COVID-19) и продолжающихся изменений в миграционной политике после выхода Великобритании из Европейского союза (ЕС), последние оценки чистой международной миграции НСС показывают, что в Великобританию прибыло примерно на 239 000 человек больше, чем уехало, в год, закончившийся в июне 2021 года, главным образом за счет иммиграции из стран, не входящих в ЕС (НСС, 2022a). Для поддержки этих усилий необходимы точные и своевременные оценки количества долгосрочных международных мигрантов (ДММ) в Великобританию и из Великобритании, что позволит судить об объемах и влиянии миграции на население Великобритании для проведения государственной политики и принятия решений.
2. Текущие оценки международной миграции НСС являются экспериментальными и основаны на сочетании административных данных и статистического моделирования. Эти экспериментальные оценки основаны на лучших доступных данных и используют определения на основе правил для классификации ДММ в административных данных. Из-за неизбежных задержек, характерных для административных данных, и времени, необходимого для подтверждения статуса ДММ, для получения полной картины всей когорты мигрантов может потребоваться до 2 лет. Для получения более своевременных оценок долгосрочной международной миграции необходимы новые данные и методы, которые позволят более своевременно классифицировать мигрантов как долгосрочных или краткосрочных.
3. В этом документе описываются предварительные исследования подходов к машинному обучению для классификации ДММ, зарегистрированных в административных данных, наряду с краткосрочными международными мигрантами (КММ) и мигрантами, которые еще не полностью соответствуют критериям, основанным на правилах, которые должны быть определены как КММ или ДММ. Ключевой целью такого метода было бы прогнозирование вероятности того, что мигрант, зарегистрированный в административных данных, будет ДММ до того, как станет известен его истинный краткосрочный или долгосрочный статус. Эти вероятности, спрогнозированные для всех потенциальных ДММ, затем можно было бы использовать для предварительной совокупной оценки ДММ, которая бы включала установленных ДММ (то есть тех, кто соответствует критериям, основанным на правилах) и прогнозируемых ДММ, истинный статус которых еще не известен. Мы используем данные проверок при выезде в ходе пограничного контроля в качестве исходного
набора данных для разработки метода-прототипа только для иммигрантов. В этом документе также будет представленаинформация о наших успехах в изменении характеристик населения и миграции, а также о проблемах, с которыми мы сталкиваемся.
II. Потребность в новых методах
A. Международная миграция меняется
4. В последнее время наблюдается изменение моделей международной миграции в Великобритании, вызванное последствиями пандемии COVID-19, выходом Великобритании из ЕС и введением новой иммиграционной системы в конце 2020 года (Министерство внутренних дел, 2020b).
5. Например, пандемия COVID-19 стала серьезной проблемой для Великобритании и статистики, на которую мы полагаемся. Мы сравнили оценки объемов миграции по данным МОП за тот же период в предыдущие годы с данными о пассажиропотоках, включая воздушные, железнодорожные и паромные перевозки за март 2020 года, и обнаружили, что поездки по всем маршрутам резко сократились. Авиаперевозки резко сократились во втором квартале 2020 года, поскольку были введены строгий карантин и ограничения на поездки. С другой стороны, количество поездок на пароме и по Евротоннелю сократилось не так сильно и, следовательно, привело к соответствующему пропорциональному увеличению поездок с использованием паромов и Евротоннеля (НСС, 2021).
6. В марте 2020 года визовые центры также пришлось закрыть. Наши предыдущие анализы показывают заметное сокращение количества рабочих, учебных и семейных виз, поданных и выданных гражданам стран, не входящих в ЕС, во втором квартале 2020 года (НСС, 2021).
7. После выхода Великобритании из ЕС миграционная политика постоянно менялась. Например, с 1 января 2021 года граждане ЕС, желающие переехать в Великобританию, будут подчиняться тем же правилам, что и граждане остальных стран мира, за исключением граждан Ирландии, которые могут продолжать переезжать в Великобританию без ограничений по отдельным соглашениям. Граждане ЕС, уже проживающие в Великобритании, должны были подать заявку в Системе поселения ЕС, если они хотели продолжать жить в Великобритании.
8. Из-за изменений в международной миграции, подобных описанным выше, существует высокий уровень интереса к пониманию того, как меняются модели миграции и что это означает для общества и экономики. Надежные и своевременные статистические данные о населении и миграции необходимы для разработки политики в ответ на эти изменения, и они лежат в основе множества других статистических данных, которые поддерживают решения и дают пищу для общественного обсуждения. НСС приступила к реализации широкой программы исследований по трансформации статистики миграции, а пандемия COVID-19 показала, что необходимо ускорить обновление данных и методов, включая административные данные и методы моделирования, для получения своевременных показателей международной миграции для удовлетворения потребностей широкого круга пользователей (ОНС, 2022а).
B. Статистика НСС трансформируется
9. НСС стремится предоставлять наилучшие сведения о населении и миграции, работая с другими государственными ведомствами и используя ряд новых и существующих источников данных для удовлетворения потребностей наших пользователей. Это становится все более важным в быстро меняющемся политическом и социальном контексте, когда мы знаем, что нашим пользователям нужны более надежные фактические данные для поддержки принятия решений как на национальном, так и на местном уровнях.
10. Текущая статистика населения НСС в значительной степени опирается на данные переписи населения, которая проводится раз в десять лет. Хотя это позволяет получать подробные данные для самых малых географических районов каждые 10 лет, в промежуточные годы уровень детализации снижается, а качество оценок населения сокращается по мере удаления от года переписи.
11. Ранее источником данных о международной миграции в Великобритании был Международный опрос пассажиров (МОП), который фиксировал намерения мигрантов оставаться в Великобритании или за ее пределами в течение следующих 12 месяцев. МОП имеет некоторые ограничения в отношении измерения показателей иммиграции и эмиграции, поскольку это выборочное обследование, и опрашиваются не все мигранты, въезжающие в Великобританию или выезжающие из страны. Кроме того, МОП не учитывает всех просителей убежища, которые могут въезжать в Великобританию или покидать ее. МОП основан на первоначальном намерении относительно периода пребывания и не принимает во внимание изменяющиеся намерения пассажиров. Кроме того, он не учитывает тех, кто пересекает сухопутную границу между Великобританией (Северная Ирландия) и Республикой Ирландия. Существует широкий консенсус в отношении того, что МОП вышел за рамки своей первоначальной цели, и теперь НСС рассматривает дополнительные данные и методы для преобразования статистики миграции (НСС, 2018).
12. Кроме того, МОП был приостановлен в марте 2020 года из-за пандемии COVID-19. Несмотря на то, что МОП был возобновлен в 2021 году, он был больше ориентирован на статистику путешествий и туризма. Из-за ограничений по времени и местоположению, что приводит к небольшому количеству контактов, новые данные МОП могут скрывать модели миграции, в частности особенности (например, сезонность) во временных рядах (НСС, 2022b). Такие изменения в МОП подчеркивают необходимость использования административных источников данных и новых методов для заполнения пробелов в фактических данных (НСС, 2022a).
III. Классификация ДММ в данных проверки при выезде
A. Данные проверки при выезде
13. Исходные административные данные, которые мы используем для разработки нашего прототипа классификатора машинного обучения, получены из системы сопоставления данных и аналитического потенциала - системы Анализа начального статуса (АНС), созданной в рамках Программы проверок при
выезде Министерства внутренних дел Великобритании. Мы используем данные из системы АНС Министерства внутренних дел, которая объединяет информацию о визах и поездках, чтобы связать между собой поездки одного человека в страну и из страны. Этот набор данных известен как набор данных проверок при выезде (Министерство внутренних дел, 2020a).
14. Эти данные включают предварительную информацию о пассажирах (ПИП) и информацию о проездных документах (ИПД). ПИП — это данные о пассажирах, представляемые до поездки для большинства регулярных авиаперевозок, а ИПД — это данные о пассажирах, собираемые в пункте отправления для других видов транспорта.
15. Есть также данные из систем обработки дел, связанных с рассмотрением дел (за пределами страны) при подаче заявления на получение въездной визы и работой с делами (внутри страны), например о продлении вида на жительство, а также биометрические данные, представленные до подачи заявления на получение визы (у нас нет доступа к такой информации), и данные проверки паспортов, собранные при въезде в Великобританию. Эти данные помогают устранить любые пробелы в охвате ПИП для въезжающих в страну.
16. Эти данные сопоставляются, чтобы создать «идентификатор» и определить текущий статус соответствия для разных лиц. Каждому лицу в системе АНС присваивается уникальный идентификатор, который состоит из биографических данных (таких как имя, номер паспорта или проездного документа, дата рождения, гражданство и пол) и связанных событий (таких как поездки в страну или из страны или периоды предоставленного отпуска). Соответствующий набор данных называется «Анализом начального статуса».
17. Как и в случае всех крупных сложных наборов данных, основанных на административных источников, полученные данные могут быть не всегда полными и абсолютно точными. Существует также ряд случаев, при которых отъезд путешественника может быть законно не зарегистрирован системой, например в случае Единого иммиграционного пространства (CTA) или когда путешественник, к сожалению, умирает в Великобритании.
18. Для получения дополнительной информации о данных проверок при выезде см. документацию Министерства внутренних дел (Министерство внутренних дел, 2020a).
B. Текущий метод классификации
19. Текущий метод классификации ДММ, не являющихся гражданами ЕС, - это статический детерминистский подход, основанный на фактических результатах действий в прошлом по данным проверок при выезде. Мы принимаем определение ООН для этого основанного на правилах процесса для ДММ: «Лицо, которое переезжает в страну, отличную от страны его/её обычного проживания на период не менее 1 года (12 месяцев), и таким образом страна назначения определенно становится новой страной (местом) его/ее обычного проживания. С точки зрения страны выезда человек будет долгосрочным эмигрантом, а с точки зрения страны назначения – долгосрочным иммигрантом» (ООН, 1998).
20. Время пребывания мигранта в Великобритании рассчитывается на основе первой даты въезда и последней даты выезда в период действия визы (если визы пересекаются, они объединяются). Если время пребывания в Великобритании превышает 12 месяцев, каждый период пребывания за
пределами Великобритании меньше 12 месяцев и этот человек не был в стране менее чем за 12 месяцев до даты первого прибытия, то мигрант классифицируется как новый ДММ. Эта показано на Рисунке 1 (НСС, 2020). Группе экспертов ЕЭК ООН по статистике миграции был представлен отдельный документ по текущему методу оценки: «Использование административных данных для получения своевременных оценок миграции в Великобритании».
Рисунок 1
Правила маркировки ДММ в данных проверок при выезде
Источник: НСС (2020)
C. Польза контролируемого машинного обучения для классификации ДММ в Великобритании
1. Актуальность
21. Из-за временных задержек в текущем методе классификации мы предлагаем оценить, как прогностическая модель контролируемого машинного обучения может обеспечить своевременный прогноз для отдельных иммигрантов, зарегистрированных в административных данных, до того, как можно будет применить классификацию на основе правил. Затем эти отдельные прогнозы можно было бы агрегировать, что позволит дать предварительные оценки ДММ.
22. Контролируемое обучение начинается с данных, помеченных вручную. Мы используем текущий метод классификации на основе правил для маркировки ДММ, как описано выше (Рис. 1). Затем помеченные исторические данные используются для обучения модели контролируемого обучения, чтобы можно было делать прогнозы о статусе ДММ мигрантов, которые прибыли настолько недавно, что невозможно применить определения данных. НСС изучает возможность внедрения альтернативных определений, которые будут
применяться в данных проверок при выезде, и мы можем изучить их использование для создания обучающих меток в будущем (НСС, 2020).
23. Контролируемые методы устанавливают взаимосвязи между входными признаками, описывающими мигрантов (например, тип визы, дата окончания действия визы, количество дней с момента прибытия), и их помеченным результатом: ДММ или не ДММ. Затем обученные модели предсказывают вероятность того, что новые мигранты станут ДММ, на основе их входных признаков. Таким образом, модели машинного обучения потенциально могут делать прогнозы на основе индивидуальных характеристик без необходимости ждать данных не менее 12 месяцев, чтобы применить определения данных на основе правил.
24. Использование контролируемого машинного обучения имеет то дополнительное преимущество, что не нужно разрабатывать и поддерживать новые предположения и категории данных на основе правил для недавних иммигрантов для достижения цели классификации, прежде чем мы получим подтверждение на основе дат прибытия и отбытия. В принципе, там, где мы могли бы попытаться вручную определить определенные категории мигрантов с определенными характеристиками как более или менее вероятных ДММ, при изучении взаимосвязей между входными признаками и результатом, модели будут аппроксимировать функцию, которая использует доступную информацию для формирования этого прогноза, то есть модели могут позволить делать прогнозы без явной конкретизации человека (Arthur Samuel, 1959). Модели также могут адаптироваться к изменениям в поведении, если они со временем обновляются (то есть переобучаются) с помощью новых помеченных данных, которые фиксируют эти изменения в поведении.
25. Прогнозы на основе моделей машинного обучения будут подвержены ошибкам и неопределенности, и вполне вероятно, что эти ошибки и неопределенность будут больше для недавних иммигрантов, но они могут послужить основой для предварительных оценок ДММ с возрастающей точностью в течение жизни когорты (до тех пор, пока они могут быть подтверждены с помощью подхода, основанного на правилах). Их также можно использовать в качестве индикаторов для изучения тенденций и раннего планирования.
2. Относительное взвешивание и калибровка
26. Калибровка - это важный аспект обучения классификаторов в машинном обучении. Это дает представление о неопределенности модели, которое впоследствии может быть сообщено конечным пользователям или использовано при дальнейшей обработке выходных данных модели.
27. С технической точки зрения цель классификации состоит в том, чтобы присвоить предсказанные классы непомеченным данным. Однако полезно также учитывать вероятности, предсказанные моделью, лежащие в основе этих предсказанных классов. Такие вероятности можно интерпретировать как относительный вес, и они полезны для анализа недостатков модели и, возможно, для представления неопределенности конечным пользователям. Использование относительной вероятности также может быть полезным, если это приводят к снижению систематической ошибки в предварительных оценках ДММ по сравнению с классификацией (Zhang, 2020).
28. В машинном обучении модель считается хорошо откалиброванной, если вероятности прогнозирования, выдаваемые моделью, соответствуют
фактической вероятности того, что модель верна на этой выборке. Например, если модель предсказывает, что выборка относится к положительному классу с оценкой вероятности 0,8, можно ожидать, что модель будет верна в этом прогнозе примерно в 80% случаев.
29. Калибровку модели можно визуализировать, построив калибровочную кривую — разделив прогнозы модели на дискретные интервалы на основе вероятности прогноза и отобразив пропорции каждого правильно предсказанного интервала в сравнении со средней вероятностью прогноза каждого интервала. Таким образом, идеально откалиброванный классификатор будет отображаться как прямая линия от (0,0) до (1,1).
IV. Подход к машинному обучению
30. Этот проект будет использовать данные выездных проверок для учета мигрантов, не являющихся гражданами ЕС, для разработки методов подтверждения концепции. В ожидании результатов этого первоначального исследования в будущей работе будет также рассмотрена аналогичная задача с использованием других источников административных данных, таких как База данных регистрации и взаимодействий населения (RAPID) Департамента труда и пенсий (DWP) для граждан ЕС.
31. Классификация использует обучение с учителем, которое требует маркировки как положительных, так и отрицательных примеров при обучении модели. В нашем случае положительной меткой будет ДММ. Машина использует информацию, полученную при изучении данных ДММ и не-ДММ, для рассмотрения особенностей новых данных, чтобы помочь прогнозировать вероятность того, что мигранты станут ДММ. Подход машинного обучения позволяет нам прогнозировать результаты статусов миграции до того, как подтверждение достигнет конца 12 месяцев. Упрощенный процесс контролируемого обучения показан на Рисунке 2 ниже.
Рисунок 2
Обзор контролируемого обучения
Источник: Pedregosa et al. (2011)
A. Практические подходы к разработке
32. Мы следуем руководству по этике данных Статистического управления Великобритании и тесно сотрудничаем с командой по этике данных НСС и завершили оценку этики для этого проекта. Мы получаем доступ к личной информации только в безопасной среде разработки НСС, и только совокупные результаты выводятся из этой среды при условии одобрения сотрудников по контролю за раскрытием информации. В моделировании не используются персональные данные (ПД).
33. Мы следуем рекомендациям Функционального стандарта в области анализа правительства Великобритании и рекомендациям по обеспечению качества государственных моделей (AF, 2021). Мы записываем наши предположения и решения на протяжении всего проекта, чтобы обеспечить качество разработки, анализ проводит группа обеспечения качества, а также более независимые группы экспертов. Мы также используем структуру обеспечения качества для управления нашим воспроизводимым написанием кода и применяем воспроизводимые конвейеры обработки запросов, чтобы избежать человеческих ошибок (GSS, 2022).
B. Базовое население
34. Для апробации концепции модель ориентирована на долгосрочную иммиграцию граждан стран, не входящих в ЕС.
35. Мы начинаем только с иммиграционного компонента, ограничивая наше исследование теми, кто посещал страну до пандемии COVID-19 (апрель 2015 года — апрель 2019 года). Это связано с тем, что на их долю приходится
большая часть данных, и это позволит нам разработать базовые методы для периода, когда Великобритания вышла из ЕС. И только после этого мы займемся последующими изменениями в поведении мигрантов, вызванными пандемией COVID-19.
36. В ожидании разработки первого пилотного метода мы также будем исследовать прогнозирование статуса ДММ для иммигрантов без истории посещений и эмигрантов.
C. Обучение и тестирование
37. Выборка мигрантов, зарегистрированная в данных проверок при выезде, помечена как ДММ или не ДММ на основе определения ДММ ООН, как описано выше. Набор алгоритмов контролируемого обучения был протестирован на выборках ковариат и меток в данных, относящихся к гражданам стран, не входящих в ЕС, чтобы изучить закономерности в данных, прежде чем делать прогнозы, исходя из контрольных данных. В настоящее время мы случайным образом разделяем наш набор данных на обучающий набор, используемый для подбора модели, и тестовый набор, используемый для ее оценки, но мы также рассматриваем возможность стратификации данных таким образом, чтобы ДММ и не-ДММ были в равной степени представлены в обучающем наборе. Кроме того, мы рассматриваем возможность разделения набора данных на обучающие и тестовые наборы по времени (то есть Обучение модели на всех людях, которые взаимодействовали с системой Проверок при выезде до определенной даты, и тестирование на тех, кто взаимодействовал после нее), чтобы лучше оценить, насколько хорошо модель, обученная на исторических данных, работает с будущими данными.
D. Алгоритмы
38. Поскольку ни один алгоритм машинного обучения не будет полезен для всех случаев использования, мы тестируем три алгоритма обучения с учителем, чтобы увидеть, какой алгоритм может обеспечить наилучшие результаты и интерпретацию.
39. Мы рассматриваем классификацию ДММ как проблему бинарной классификации, чтобы предсказать, какие мигранты станут ДММ, и первоначально рассматриваем такие варианты как логистическая регрессия (LR), случайный лес (RF) и XGBoost (XGB). Классификацию ДММ также можно интерпретировать как проблему анализа выживаемости с цензурированными данными, и мы также рассмотрим, насколько нам походят альтернативные методы.
E. Оптимизация модели и оценка производительности
40. Мы намерены оптимизировать обученные модели машинного обучения путем итеративной настройки гиперпараметров с использованием метода автоматической оптимизации гиперпараметров, такого как поиск по сетке, при этом в качестве критерия оценки, который необходимо максимально увеличить в этом процессе, выбрана точность (количество правильных прогнозов, деленное на количество выборок).
41. Следует отметить, что точность может быть плохим критерием использования при наличии значительной несбалансированности классов в обучающих данных, поскольку это может привести к результатам, которые выглядят впечатляюще, хотя на самом деле не являются обученным классификатором — например, если 90% выборок в наборе данных относятся к положительному классу, тогда базовая модель, которая только предсказывает выборки как принадлежащие к этому классу, будет иметь показатель точности 0,9, что делает ее интуитивно похожей на обученную модель.
42. По итогам исследования мы пришли к выводу, что точность будет полезным критерием для нашего проекта, поскольку классы классификации не слишком несбалансированные, и как положительный, так и отрицательный класс имеют почти одинаковое значение.
43. Кроме того, мы будем записывать Recall, Precision и F1-меру каждой модели, чтобы получить более полное представление о ее производительности, но эти метрики не были выбраны для прямой оптимизации, поскольку они, как правило, более полезны в случаях когда интерес представляет только положительный класс в задаче классификации или когда существуют различные затраты, связанные с неправильной классификацией членов положительного или отрицательного класса. Точно так же будет фиксироваться площадь под кривой ошибок (ROC-AUC; площадь под кривой в координатах true positive rate (доля истинно положительных классификаций в общем числе положительных наблюдений) и false positive rate (доля ложно положительных классификаций) для различных пороговых значений модели), что позволит оценить способность модели различать классы.
44. Мы также рассмотрим возможность использования логарифмических потерь модели в качестве метрики для оптимизации, так как это могло бы повысить вероятности прогнозирования, связанные с каждым предсказанием, что было бы полезно при использовании вероятностного взвешивания для определения иммиграционной статистики (вместо подсчета количества людей, прогнозируемых в каждой категории). Однако в данном случае необходимы дальнейшие изыскания, чтобы определить, будет ли такой вариант полезен.
F. Выбор признаков
45. Данные проверок при выезде дают много информации, но не вся эта информация конкретно полезна для прогнозирования того, является ли человек долгосрочным мигрантом или нет. Таким образом, включение каждого доступного нам признака может привести к тому, что модели будут избыточно обучены аномалиям в статистических данных в обучающих данных, что приведет к ухудшению производительности. Сначала мы строим базовые модели, используя небольшое количество атрибутов из данных и сконструированных признаков, и по мере необходимости будем заниматься более сложным конструированием признаков. Чтобы оценить важность каждого признака, мы будем использовать показатели значимости признаков, выдаваемые моделями — средний выигрыш в чистоте от разделения по этому признаку для моделей XGBoost и случайный лес, а также коэффициенты для каждого признака в моделях логистической регрессии. Затем мы сможем вручную проверять признаки, чтобы идентифицировать те из них, которые практически не обладают прогностической силой, а также использовать методы рекурсивного исключения для итеративного обучения моделей с меньшим
количеством признаков, удаляя признаки с наименьшей прогностической силой.
G. Мониторинг и переобучение
46. Производительность модели машинного обучения необходимо постоянно контролировать, чтобы обнаружить возможный сдвиг модели, когда производительность модели ухудшается со временем, особенно при значительных изменениях данных, закономерностей и концепций, используемых в модели, таких как изменения в определениях визы или моделях миграции. В таких случаях может потребоваться переобучение моделей с течением времени, если это необходимо. Нам придется это учитывать, учитывая изменяющийся характер миграционного поведения, о котором мы говорили выше.
H. Приобретенный опыт
47. В настоящее время мы изучаем производительность первых базовых моделей, которые мы обучили, и надеемся, что сможем опубликовать первоначальные результаты в отчете о ходе работ позже в этом году.
48. Один из уроков, которые мы извлекли из этого проекта, заключается в том, что понимание данных имеет решающее значение. Наборы данных могут быть ограничены по размеру, и они могут быть не изобразимы для всей совокупности, или в процессе сбора данных могут не учитываться возможные систематические ошибки. Систематические ошибки часто становятся очевидными только после тщательного анализа данных или при анализе связи между предсказаниями модели и входными данными модели. Понимание данных также определяет конструирование и выбор признаков, а также выбор алгоритмов и показателей производительности.
49. Модели контролируемого обучения также требуют хорошего уровня экспертных знаний для необходимой организации.
50. Мы осознали необходимость тестирования различных алгоритмов, выборок, например для разных периодов, характеристик/поведения и размеров. Все это может оказать существенное влияние на результаты.
51. Мы также понимаем, что нам может понадобиться ряд моделей, а не одна модель, для обучения и прогнозирования для различных подгрупп. Например, нам могут потребоваться отдельные модели для прогнозирования статуса ДММ для различных категорий мигрантов, например мигрантов, ранее приезжавших в страну, и мигрантов, приехавших впервые.
V. Дальнейшие шаги
52. Использование контролируемого машинного обучения для классификации ДММ по административным данным имеет некоторые уникальные потенциальные преимущества по сравнению с другими методами классификации, но также создает некоторые проблемы, к которым необходимо подходить с осторожностью.
• Построение признаков, чтобы максимально использовать информацию из данных проверок при выезде.
• Подробный анализ эффективности трех алгоритмов для когорт иммигрантов, включая исследование точности и смещения прогнозов между когортами и внутри них.
• Рассмотрение расширений контролируемого машинного обучения, которые включают аспекты анализа выживаемости.
• Оценка необходимости переобучения моделей с течением времени для устранения сдвига моделей, а также потенциальные подходы к мониторингу и переобучению.
• Разработка концептуальной модели для эмиграции.
• Изучение способов интеграции прогнозов ДММ с помощью машинного обучения в более широкую методологию НСС в области оценок миграции на основе административных данных (ОМАД) и как неопределенность этих прогнозов может распространяться и сообщаться пользователям.
• Применение аналогичных методов для классификации ДММ из стран ЕС в данных Базы данных регистрации и взаимодействий населения (RAPID)
53. Мы также хотели бы поработать по некоторым направлениям, которые в настоящее время недостаточно изучены, с использованием других методов машинного обучения. Например, алгоритмы неконтролируемого машинного обучения могут выявлять закономерности в административных данных и помогать формировать эвристический набор правил для круговой миграции и британских ДММ, где невозможно применить точно определенные метки ДММ. Проект пока что находится на ранней стадии, и мы приветствуем комментарии и предложения, которые помогут в этой работе.
VI. Список литературы:
54. Analysis Function (2021) Government Functional Standard GovS 010: Analysis, available from: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachme nt_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB. pdf
55. Government Statistical Services (2022) Reproducible Analytical Pipelines
56. Available from: https://gss.civilservice.gov.uk/reproducible-analytical-pipelines/
57. Home Office (2020a) Home Office statistics on exit checks: user guide, available from: https://www.gov.uk/government/publications/home-office-statistics-on-exit- checks-user-guide/home-office-statistics-on-exit-checks-user-guide
58. Home Office (2020b) Impact Assessment for changes to the Immigration Rules for Skilled Workers, available from: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachme nt_data/file/936121/Revised_Impact_Assessment_for_the_Skilled_Worker_Route_si gned.pdf
59. Office for National Statistics (2022a) Long-term international migration, provisional, year ending June 2021, available from https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/inte
rnationalmigration/bulletins/longterminternationalmigrationprovisional/june2021#ma in-points
60. Office for National Statistics (2022b) Estimates of overseas residents’ visits and spending in the UK, available from https://www.ons.gov.uk/peoplepopulationandcommunity/leisureandtourism/datasets/e stimatesofoverseasresidentsvisitsandspendingintheuk
61. Office for National Statistics (2021) Using statistical modelling to estimate UK international migration, available from https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodolo gy/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigratio n
62. Office for National Statistics (2020) Exploring international migration concepts and definitions with Home Office administrative data, available from:
63. https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/inte rnationalmigration/articles/exploringinternationalmigrationconceptsanddefinitionswit hhomeofficeadministrativedata/2020-02-14
64. Office for National Statistics (2018) Report on international migration data sources
65. Pedregosa, Fabian; Varoquaux, Gaël ; Gramfort, Alexandre; Michel, Vincent; Thirion, Bertrand; Grisel, Olivier; Blondel, Mathieu; Prettenhofer, Peter; Weiss, Ron; Dubourg, Vincent ; Vanderplas, Jake; Passos, Alexandre; Cournapeau, David; Brucher, Matthieu; Perrot, Matthieu; Duchesnay, Édouard (2011) Supervised Learning overview, in Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825- 2830, 2011.; 12(85):2825−2830, 2011. Available from: https://ogrisel.github.io/scikit-learn.org/sklearn- tutorial/tutorial/astronomy/general_concepts.html
66. Sapon, Muhammad & Ismail, Khadijah & Suehazlyn, Zainudin & Ping, Chew & Malaysia, Nasional & Lumpur, Kuala. (2022). Diabetes Prediction with Supervised Learning Algorithms of Artificial Neural Network.
67. United Nations (1998) Recommendations on Statistics of International Migration, Revision 1, available from: http://data.un.org/Glossary.aspx?q=long-term%20migrant
68. Zhang, LC. (2020) On provision of UK neighbourhood population statistics beyond 2021. arXiv [Preprint]. Available from: https://arxiv.org/abs/2111.03100
- I. Введение
- II. Потребность в новых методах
- A. Международная миграция меняется
- B. Статистика НСС трансформируется
- III. Классификация ДММ в данных проверки при выезде
- A. Данные проверки при выезде
- B. Текущий метод классификации
- C. Польза контролируемого машинного обучения для классификации ДММ в Великобритании
- 1. Актуальность
- 2. Относительное взвешивание и калибровка
- IV. Подход к машинному обучению
- A. Практические подходы к разработке
- B. Базовое население
- C. Обучение и тестирование
- D. Алгоритмы
- E. Оптимизация модели и оценка производительности
- F. Выбор признаков
- G. Мониторинг и переобучение
- H. Приобретенный опыт
- V. Дальнейшие шаги
- VI. Список литературы:
Using administrative data to produce timely estimates of migration for the UK (United Kingdom)
*Prepared by Laura Cheatham
NOTE: The designations employed in this document do not imply the expression of any opinion whatsoever on the part
of the Secretariat of the United Nations concerning the legal status of any country, territory, city or area or of its
authorities, or concerning the delimitation of its frontiers or boundaries.
Economic Commission for Europe
Conference of European Statisticians
Group of Experts on Migration Statistics
Geneva, Switzerland, 26−28 October 2022
Item A of the provisional agenda
Improvements in use of administrative data for migration statistics
Using administrative data to produce timely estimates of migration for the UK
Note by Office for National Statistics
Abstract
The Office for National Statistics (ONS) has launched a transformation programme that aims to measure international
migration with administrative data. Historically international migration statistics for the UK were measured using the
International Passenger Survey (IPS), a face-to-face survey which asks migrants their intention to migrate. It has long
been acknowledged that measuring migration using the IPS has stretched it beyond its original purpose.
Estimates published in May 2022 were the first official, albeit experimental, international migration statistics that are
predominantly based on administrative data. These estimates marked an important milestone in our transformation
journey, and a substantial shift away from previous data and methods. These new methods estimate separately the
migration of EU, non-EU, and British Nationals, using the best available data, sourced from Home Office and the
Department for Work and Pensions.
Estimating international migration with administrative data has bought significant challenges such as producing a
consistent back series, measuring uncertainty, and producing timely estimates. We have an ambitious programme of
work to improve the quality of UK international migration statistics and our next iteration of improved estimates are
due to be published in November 2022.
Working paper 1
Distr.: General
11 October 2022
English
Working paper 1
2
I. Introduction
1. International migration statistics for the UK have historically been measured using the
International Passenger Survey (IPS), a face-to-face survey at most air and sea-ports in the
UK. The IPS measures a migrant’s intention to stay in or depart from the UK long-term (for
12 months or more). Previous analysis has demonstrated that certain groups of migrants
have a higher degree of uncertainty in their intentions to move to and from the UK (ONS,
2019). Therefore, it has long-been acknowledged that the reliance on the IPS for migration
statistics stretched it beyond its original purpose.
2. These findings led the ONS to launch a transformation programme in 2019, focussing on
measuring migration using administrative data first and foremost.
3. In 2020 when the coronavirus (COVID-19) pandemic stopped international travel, the IPS
was also suspended. In response, we accelerated our approach for transforming migration
statistics using administrative data supported by statistical modelling.
4. The IPS resumed operation in January 2021 but, the migrant focussed shifts, aimed at
specifically boosting the number of migrant contacts, are no longer being run and the data is
even more limited than it was previously. Therefore, we continue to focus on using
administrative data to estimate international migration.
5. Estimates published in May 2022 for the Year ending June 2021 were the first official, albeit
experimental, estimates of international migration that were predominantly based on
administrative data. This represents a major milestone in the transformation of migration
statistics.
II. Estimating International Migration during the coronavirus pandemic
April 2021
6. With the suspension of the IPS we needed an alternative method for measuring international
migration during the COVID-19 pandemic more quickly than we anticipated when we began
the transformation programme back in 2019.
7. We explored time series modelling because of the strong seasonal trends that are evident in
international migration over time.
8. We developed a state space model (SSM) where we projected the trends and seasonality of
the previous IPS data forward and adjusted it by the structural shift seen in the Home Office
visa data for non-EU citizens. This version included assumptions on EU nationals having
different travel options during lockdowns. When airports were closed, there was an increase
in travel via ferries and Eurotunnel and we hypothesised that motivated EU nationals would
have used these transport routes to travel to and from the UK (ONS, 2021a).
9. We used a Delphi Panel approach to gather expert opinion on our model assumptions and
modelled estimates. We invited experts to give their views on our assumptions and provide
any other evidence that we should consider in our models.
10. This first version of the model provided migration estimates for March 2020 and Quarter 2
2020 (April to June).
Working paper 1
3
November 2021
11. In November 2021 we updated the modelled estimates and published two additional quarters
up to the year ending December 2020.
12. We continued to use a time series approach to model international migration during Quarter
3 (July to September) and Quarter 4 (October to December) 2020.
13. For Quarter 2 2020 we applied an adjustment to reflect EU nationals having different travel
options during lockdowns when airports were closed. After expert advice we turned off this
adjustment from July 2020, when the proportion of cross Channel travel (rail and ferry)
reduced as air travel resumed near normal proportions.
14. For non-EU migration, expert consensus supported the modelled approach. For EU and
British migration, in the absence of alternative timely data, we continued to model
immigration and emigration using non-EU migration trends based on Home Office Exit
Checks data. For EU we incorporated an additional adjustment to the model using the ratio
of EU and non-EU IPS data. For British we modelled immigration (repatriation) using non-
EU departure data, and vice-versa.
III. Using administrative data to estimate migration into and out of the UK
15. Our latest estimates published in May 2022 cover the time period up to the year ending June
2021.
16. Early insights from the 2021 Census results indicated that the modelled estimates were not
as robust as previously thought. We are committed to continually improving our methods to
estimate international migration and therefore we moved to a new method that relied less on
IPS data and statistical modelling and made greater use of administrative data. This
represents a major milestone in the ambition to estimate international migration using
mainly administrative data.
17. This uses different data sources and methods for each nationality grouping, using the
strengths of each data source. We currently publish estimates on immigration, emigration
and net migration for non-EU nationals, EU nationals and British Nationals.
18. Methods developed for all nationality groups align with the UN definition of a long-term
migrant which is a person who moves to a country other than that of their usual residence for
at least a year. Therefore, across our data sources we are looking for interactions within the
administrative data that indicate someone has been in the UK or out of the UK for 12 months
or more.
A. Estimating the migration of non-EU nationals
19. Estimates of non-EU nationals are derived from Home Office Exit Checks data. This data
combines visa information with travel movements into and out of the country, via the Initial
Status Analysis (ISA) system. Long-term migrants are identified using arrival and last
departure dates within a visa period as an approximation for length of stay in the UK.
Working paper 1
4
20. We consider this to be the best source of data, with the most complete coverage, for
measuring non-EU migration. However, our methods for estimating immigration using HO
data are more developed than for emigration (ONS, 2021b).
21. To align to the UN definition of a long-term migrant the first step is to identify those on
long-term visas. We use arrival and last departure dates within a visa period as an
approximation for length of stay in the UK. Short trips abroad over the course of an
extended period of residence in the UK are excluded. If either the first arrival or last
departure information is missing, then visa start or end dates are used as a proxy.
22. Visa periods are constructed by linking together any consecutive or concurrent visas held. If
there is a gap between visas, then a new visa period is started. We look at previous visa
periods to determine if this is a new long-term immigrant or one who has previously been in
the country. If no presence is identified in the country during the 12 months preceding first
arrival on a given visa, or if the previous visa period had a length of stay of less than 12
months, then this pattern of travel will be considered as identifying a new long-term
immigrant.
23. Levels of immigration are comparable between Home Office data and estimates derived
from data sources from the Department for Work and Pensions. However, there are greater
disparities in estimates of non-EU emigration across the two sources (ONS, 2022a).
24. Currently we do not have an equivalent method for measuring non-EU emigration from the
Home Office data. Therefore, we calculate a ratio between emigration (numerator) and
immigration (denominator) on a monthly basis from the aggregated travel data from the ISA
system. We then apply this ratio to the calculated non-EU immigration estimates to estimate
emigration. This assumes the trends in the aggregate data for the immigration and emigration
series are similar to the trends in the Exit Checks data used to estimate long-term
immigration. This is a reasonable assumption as both datasets are derived from the same
source.
25. We are developing our understanding of information in the Exit Checks data which can be
used to estimate emigration. This includes investigating imputation methods to apportion
estimates for the numbers of “true emigrants” depending on departure information, leave
type, and other characteristics.
26. In May 2022 record level data was not yet available for the final 8 months of the time series
(November 2020 to June 2021). This missing time period was estimated using an aggregated
version of the travel data from the ISA system which contained data up to November 2021.
We applied the pattern of change observed in the aggregate data set (low frequency series),
using the Denton-Cholette method to predict the record level dataset (high frequency) for the
missing series. This provided us with a rate of change for arrivals on a month-to-month
basis.
27. For estimates that we are publishing in November 2022, we are due to have record level data
for the whole timeseries up to June 2022. However, we intend to use this method if the same
situation arises in the future.
C. Estimating the migration of EU nationals
28. Currently, we cannot estimate the migration of EU nationals using Home Office data. This is
because of free movement between the EU and UK until January 2021 and continued free
Working paper 1
5
movement for EU nationals who have been granted residency through the EU Settlement
Scheme (EUSS). With the introduction of new immigration routes for EU nationals through
European Economic Area (EEA) visas, these individuals will be present in the Home Office
data from January 2021 onwards. We are working with the Home Office to understand if this
may allow us to estimate migration of EEA nationals, especially new migrants who are not
part of the settlement scheme. This is similar to current methods used for non-EEA
nationals.
29. The current method for estimating the migration of EU nationals uses the Registration and
Population Interactions Database (RAPID) from the Department for Work and Pensions
(DWP) (ONS, 2022b).
30. This database is created by DWP to provide a single coherent view of citizens’ interactions
across the breadth of earnings and benefits systems in DWP, HM Revenue and Customs
(HMRC) and local authorities via housing benefit. It covers everyone with a National
Insurance Number (NINo), and for each person, the number of weeks of “activity” within
these systems is summarised within a tax year.
31. To estimate long-term international migration to and from the UK using this data firstly we
use information from the Migrant Worker Scan (MWS), which identifies all non-UK
nationals registering for a NINo from 1975 onwards. This gives us further information
including self-reported date of first arrival, date of registration for a NINo, nationality at
registration and previous country of residence.
32. Both long-term and short-term migrants can be issued with a NINo. To determine the long-
term immigration of non-UK nationals we use a combination of data from the MWS
showing when a NINo was issued, alongside the “activity” in the underlying earnings and
benefits datasets. To align to the UN definition, we are looking for “activity” to occur for 12
months or more.
33. To identify sustained “activity” over 12 months or more we amalgamate all the tax year
datasets into one single longitudinal dataset. This shows all activity since 2010 or since first
arrival for those who arrived after 2010. Activity is defined as the number of weeks of
interactions with the earnings and benefits systems, where interactions show that person is
“active” within the source systems, therefore we use this to show “activity” within the
administrative data.
34. Our research has shown that people's lives are complex, therefore we created four categories
defining patterns of activity of long-term arrivals. The first two categories most closely align
with the UN definition of a long-term migrant whereby we are looking for sustained long-
term interactions after arriving in the UK and these make up the largest proportion of long-
term arrivals (over 90%). We have included two further categories that expand on this
definition of long-term activity, to reflect the complexity of people's lives, although these
groups only make up a small proportion of arrivals (less than 10%).
35. Category 1 arrivals: the number of weeks of activity in the registration year and registration
year plus 1 are a total of at least 52 weeks, therefore suggesting they are resident for 52
weeks or more over that two-year period.
36. Category 2 arrivals: looking at the period between arrival and registration, plus the duration
of activities in registration year and registration year plus 1, the total is over 52 weeks,
therefore suggesting they are resident for 52 weeks or more over that time period.
37. Category 3 arrivals: activity occurred in three consecutive years from registration (where
registration is counted as an activity), and where the 52-week activity criteria is not met.
Working paper 1
6
However, the presence of activity across multiple tax years suggests they are a resident long-
term.
38. Category 4 arrivals: where the number of weeks between the registration date and the end of
the tax year, plus the activity in the registration year plus 1 is over 52 weeks in total, where
there must be at least one week of activity in the registration year plus 1.
39. It is assumed that to continue to be resident in the UK someone would be present in at least
one of the source earnings and benefits system that feed into RAPID. Therefore, to measure
long-term emigration we need to determine individuals who no longer have activity in the
data and are therefore no longer resident in the UK. Anyone who has a whole tax year of
inactivity against all source systems in RAPID are counted as a long-term emigrant.
40. RAPID also estimates re-arrivals using the same methodology although only Category 1 and
Category 3 rules apply. This is because Category 2 considers the time between arrival and
registration for a NINo which only applies to first time arrivals. Category 4 considers the
time between registration for a NINo and any activity, which only applies to first time
arrivals. Anyone who has a period of inactivity, and a subsequent period of activity will be
counted as a re-arrival.
41. The coverage of RAPID is extensive for most migrants due to the wide range of data sources
included, however, there are some populations where activities within the source dataset are
less well covered. For example, migrants who come to the UK with the sole purpose of
studying. Students who do not hold a NINo will not be included in the benefits and earnings
data and those who only work for some of their time in the UK may not have enough
“activity” to be captured by one of the four arrival categories.
42. Therefore, we apply a student adjustment using data from the Higher Education Statistics
Agency, linked to HM Revenue and Customs (HMRC) earnings data to inform us about
employment and economic activity of international students in Higher Education. We
identify the proportion of first year students who are not in any employment during their
studies, and by applying this proportion to the HESA first year inflow we can estimate the
number of first year students who are likely to not be captured by RAPID.
43. Like the Home Office data, data from DWP was only available up to April 2021. Therefore,
again using the Denton-Cholette method we applied the predicted IPS series to the financial
year RAPID estimates to both disaggregate it to a monthly series and then predict this
RAPID-based measure for April to June 2021. We intend to repeat this for the YE June 2022
international migration estimation due to be published in November 2022 where the latest
record level data will cover the period up to April 2022.
44. The current method identifies the total number of weeks of activity in a tax year but does not
distinguish when this activity occurred. Therefore, we want to improve the categorisation of
long-term migrants to look at continued activity during each month or at the end of each
month, accounting for short periods of inactivity. This would also help produce more timely
estimates of emigration, we are currently reliant on a whole tax year of inactivity, but using
these monthly indicators of activity we could instead identify rolling 12 month periods of
inactivity.
45. We are improving the student adjustment by linking Higher Education Statistics Agency
(HESA) data to HM Revenue and Customs (HMRC) real time information (RTI). By linking
these data, we can identify the extent to which students have economic activity within a tax
year, thereby allowing us to estimate the number of international students not present on
RAPID.
Working paper 1
7
Estimating the migration of British Nationals
46. While historically the migration of British Nationals has been a smaller component of total
international migration, this group remains the most challenging to measure using
administrative data. This is because there is no requirement for these individuals to interact
with administrative data sources to inform them of an intention to emigrate or subsequently
return.
47. The IPS data are still our main source of information on the migration of British Nationals.
The IPS was reinstated in January 2021, and we use these data as our estimates for January
2021 onwards. However, to cover the period when the IPS was suspended (March to
December 2020), we use the SSM time series analysis. This takes the available IPS and
administrative data and uses the relationship between them to estimate the missing IPS data.
We assume that the pattern of British nationals' immigration to the UK is equivalent to non-
EU nationals' emigration from the UK (measured using visa data) and vice versa.
48. To move away from IPS data it is likely that combination of sources will be the most
appropriate. We are assessing whether the earnings and benefits data from DWP can be used
to measure migration of British Nationals. This will involve identifying whether extended
periods of inactivity could indicate emigration and whether subsequent activity could
indicate immigration.
49. This is more difficult because there are many reasons someone can stop interacting with
earnings and benefits system and still be living in the UK. For example, this can include
students who stop working while in higher education, young people Not in Education
Employment or Training (NEET) or someone taking a career break. Therefore, as part of our
work we will be creating rules in the dataset to keep individuals resident in these scenarios.
IV. The challenges of administrative data
A. Why we cannot count people in and out at the border
50. A common misconception is that it is easy to measure international migration by simply
counting people in and out as they cross the border. There are many reasons why this is
difficult.
51. Some people hold two passports and use different passports for incoming and outgoing
journeys.
52. The UK and Ireland belong to a free travel zone called the Common Travel Area, where
people can travel freely between the two countries and movements across the land border
between Northern Ireland and the Republic of Ireland are not tracked.
53. Our users want to know not only how many people migrate but where they have moved to or
from within the UK, counting people as they cross the border doesn’t provide any
information on where they go on to settle or where they have come from. Therefore, we are
dependent on alternative data sources to provide this information.
Working paper 1
8
C. Producing timely estimates of migration into and out of the UK
54. Due to the timeliness of the different data supplies, and time needed to process the data,
migration estimates based on administrative data will be provided to users with a lag of
around five to six months.
55. Data from the Home Office are supplied around 3 months after the end of the reference
period and are supplied quarterly. Data from the Department for Work and Pensions are
supplied around 3 months after the end of the tax year and is an annual dataset.
56. Users have requested much more timely insights of migration patterns and change. This
includes an almost real-time estimate of international migration.
57. To produce more timely estimates, we are exploring a continuation of the State Space Model
(SSM) where we have an absence of data. This would use signal data to nowcast
international migration. We will be assessing the strengths of multiple data sources of signal
data. This will include published visa data and data from Advanced Passenger Information
from the Home Office. We will also assess the use of employment counts by nationality, or
GP registrations.
58. As the State Space Model can use multiple data sources together, we can assess different
combinations to evaluate which data sources provide the most accurate results.
59. In addition to the lag from the timeliness of the data supplies we also have a lag due to
moving from intentions-based estimates to estimates based on actual behaviour. The IPS
recorded a persons intention to migrate which allowed for more timely estimates, whereas
administrative based methods require at least 12 months to have passed in order to observe
long-term interactions to determine if that individual is a long-term migrant. Although, in
many cases significantly more than 12 months of data are required.
60. Provisional estimates using Home Office data can be produced for the latest reference period
using proxy information from visa end dates instead of actual length of stay where
necessary. Provisional estimates allow more timely and up-to-date estimates to be made
available. However, these should be interpreted with some caution as we do not yet have a
long enough time series of data to fully assess the quality of provisional estimates compared
with those produced using the full method.
61. Provisional estimates using data from DWP can be produced by applying an adjustment to
the latest two years of RAPID inflow and the final year of RAPID outflow to account for
this. These adjustments estimate the proportion of recent arrivals who become long-term
migrants based on previously seen patterns in the estimates from RAPID. The same
methodology is used to estimate the number of long-term migrants who are expected to have
left in the latest year. However, caution should be taken as we know these proportions based
on historic patterns may not hold true during the COVID-19 pandemic and with ongoing
changes in migration policy following Britain’s exit from the EU.
62. To improve the provisional estimates of long-term migration where not enough time has
passed to observe actual long-term interactions, we are exploring how a predictive machine
learning model may provide timely prediction at the aggregate level before the rule-based
classification in the record level data. A separate paper has been submitted to the UNECE
Migration Statistics Expert group on this topic “A machine learning approach to classifying
UK long-term international migrants using administrative data”.
Working paper 1
9
C. Using Advanced Passenger Information for international migration
statistics
63. Advanced Passenger Information (API) contains information that passengers are required to
provide to their airline or travel company before travelling. This includes personal data such
as name, gender, date of birth and passport number. We conducted a study to assess whether
API microdata can provide an additional data source to improve the quality of international
migration estimates.
64. API data could be used to track individuals arriving and departing from the UK. API has
potential to add value for assessing arrivals and departures of British nationals; a group that
are not well covered in existing administrative data sources. Further value could be realised
through access to real-time data to monitor changing trends in travel patterns as they happen,
for example those resulting from COVID-19 or global conflicts. While not necessarily
conforming to our standard definitions of migration, this may provide a timely signal to
nowcast our headline estimates.
65. This data is highly complex, and our initial feasibility assessment has highlighted a range of
caveats and challenges to its use for improving international migration estimates that will
need to be considered going forward. We intend to work closely with ONS data scientists as
well Home Office data experts to develop understanding of the data; improved metadata;
and data linkage.
How we are improving the granularity of migration estimates
66. Users have highlighted the need to not only know how many people migrate to and from the
UK, but why. The IPS asked migrants their reason for migration, which allowed us to
disaggregate our previous IPS based estimates. However, this is more difficult to estimate
with administrative data.
67. We plan to make further use of visa data from the Home Office to give an indication of the
reason for migration as the new immigration system matures. However, we must use this
data in conjunction with other sources, to provide a fuller picture. EU nationals who have
registered for pre-settled or settled status as part of the EUSS are not subject to immigration
control. Therefore, we will not have the same information about their reason for migration as
visa-requiring nationals.
68. We are assessing the use of data from the Higher Education Statistics Agency (HESA)
linked to HMRC earnings data to understand the migration patterns of students at the end of
their studies. This can indicate how many students stay in the UK to work at the end of their
studies. And of those who leave the UK how many subsequently return to the UK to work.
69. As part of our transformation programme, users have highlighted a need for granular
estimates of international migration by age and sex at national and local authority level. We
are exploring the use of administrative data to provide these granular estimates. One of the
benefits of using administrative data is that it typically has large population coverage,
allowing for reasonably robust disaggregation. For instance, both the data from DWP and
the Home Office contain information on the age and sex of those in the data. Estimates at
Local Authority level are more complex. While we have some limited address information
from RAPID, data from the Home Office is based on visa information and travel data that
does not provide an indication of where migrants settle. One option we are exploring is to
Working paper 1
10
estimate geographical proportions in RAPID for EU, non-EU, and British national migrants,
and apply these to alternative data sources.
V. Conclusion and Future Developments
70. The next long-term international migration provisional estimates up to the Year Ending June
2022 are due to be published in November 2022.
71. This will provide estimates up to the year ending June 2022, where our latest published
estimates cover the period up to June 2021. We will be including data on irregular migration
into our administrative based estimates for the first time. In addition to this we will be
delivering improvements to our methods.
72. We are improving the emigration method for non-EU nationals using Home Office data.
This includes investigating imputation methods to apportion estimates for the numbers of
“true emigrants” depending on departure information, leave type and other characteristics.
73. For EU nationals using the earnings and benefits data we are working on improving the
student adjustment, this will use data from the Higher Education Statistics Agency (HESA)
linked to HMRC earnings data. By linking these data, we can identify the extent to which
students have economic activity within a tax year, thereby allowing us to estimate the
number of international students not present on the earnings and benefits data.
74. In addition, for non-EU nationals we are improving the methods used to identify long-term
activity within the earnings and benefits data. The current method identifies the total number
of weeks of activity but does not distinguish when this activity occurred. Therefore, we want
to look at indicators of activity during each month, identifying continued activity,
accounting for short periods of inactivity.
VI. References
75. Office for Nationals Statistics (2019) ‘Understanding different migration data sources:
August 2019 progress report’, available from:
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internatio
nalmigration/articles/understandingdifferentmigrationdatasources/augustprogressreport
76. Office for Nationals Statistics (2021,a) ‘Using statistical modelling to estimate UK
international migration’, available from:
https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/ons
workingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration#explorator
y-data-analysis
77. Office for National Statistics (2021,b) ‘ Developing our approach for producing admin based
migration estimates’, available from:
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internatio
nalmigration/articles/internationalmigrationdevelopingourapproachforproducingadminbased
migrationestimates/2021-04-16#home-office-border-data-and-international-migration
78. Office for National Statistics (2022a),’Long-term international migration, provisional: Year
ending June 2021’, available from:
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internatio
nalmigration/bulletins/longterminternationalmigrationprovisional/june2021#comparisons-
with-other-data-sources
Working paper 1
11
79. Office for National Statistics (2022b), ‘Methods to produce provisional long-term
international migration estimates’, available from:
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internatio
nalmigration/methodologies/methodstoproduceprovisionallongterminternationalmigrationest
imates#the-method-for-our-latest-estimates
- I. Introduction
- II. Estimating International Migration during the coronavirus pandemic
- April 2021
- November 2021
- III. Using administrative data to estimate migration into and out of the UK
- A. Estimating the migration of non-EU nationals
- C. Estimating the migration of EU nationals
- Estimating the migration of British Nationals
- IV. The challenges of administrative data
- A. Why we cannot count people in and out at the border
- C. Producing timely estimates of migration into and out of the UK
- C. Using Advanced Passenger Information for international migration statistics
- How we are improving the granularity of migration estimates
- V. Conclusion and Future Developments
- VI. References
*Подготовила Лора Читхэм ПРИМЕЧАНИЕ: Обозначения в настоящем документе не подразумевают выражения какого-либо мнения Секретариата Организации Объединенных Наций в отношении юридического положения любой страны, территории, города или края или их властей или в отношении делимитации ее границ.
Европейская экономическая комиссия Конференция европейских статистиков Группа экспертов по статистике миграции Женева, Швейцария, 26-28 октября 2022 года Пункт A предварительной повестки дня Положительные изменения в использовании административных данных для статистики миграции
Использование административных данных для своевременной оценки миграции в Великобритании
Примечание Национальной статистической службы
Аннотация
Национальная статистическая служба (НСС) приступила к реализации программы трансформации, направленной на измерение показателей международной миграции с помощью административных данных. Исторически статистика международной миграции для Великобритании формировалась с помощью Международного опроса пассажиров (МОП) - очного обследования, в рамках которого мигрантам задавался вопрос об их намерении в контексте миграции. Давно уже признано, что измерение миграции с помощью МОП вышло за рамки первоначальных целей.
Оценки, опубликованные в мае 2022 года, стали первыми официальными, хоть и экспериментальными оценками статистики международной миграции, основанными преимущественно на административных данных. Эти оценки стали важной вехой на нашем пути трансформации и серьезным отступлением от использовавшихся ранее данных и методов. Эти новые методы по отдельности измеряют статистику для граждан ЕС, граждан стран, не входящих в ЕС, и граждан Великобритании с использованием наилучших доступных данных, предоставленных Министерством внутренних дел и Департаментом труда и пенсий.
Оценка международной миграции с помощью административных данных оказалась сопряжена с серьезными вызовами, такими как формирование последовательного ряда ретроспективных данных, измерение неопределенности и производство актуальных оценок. У нас амбициозная программа мероприятий для повышения качества статистики международной миграции в Великобритании, и следующие улучшенные
Рабочий документ 1
Distr.: General 20 октября 2022 г. 14:53:10 Русский
Рабочий документ 1
2
оценки должны быть опубликованы в ноябре 2022 года.
I. Введение
1. Исторически статистика международной миграции для Великобритании формировалась с помощью Международного опроса пассажиров (МОП) - очного обследования, которое проводилось в большинстве аэропортов и морских портов Великобритании. МОП определяет намерение мигранта остаться в Великобритании или покинуть страну в долгосрочной перспективе (12 месяцев или более). Проведенный ранее анализ показал, что для определенных групп мигрантов характерна более высокая степень неопределенности относительно их намерения въехать или выехать из Великобритании (НСС, 2019). Таким образом, уже давно признавалось, что использование для формирования статистики миграции вышло за рамки первоначальных целей.
2. Исходя из этих соображений, в 2019 году НСС приступила к реализации программы изменений, уделяя особое внимание измерению миграции с использованием в первую очередь административных данных.
3. В 2020 году, когда из-за пандемии коронавируса (COVID-19) международные поездки прекратились, МОП так же было приостановлено. В ответ на это мы ускорили применение нашего подхода для изменения статистики путем использования административных данных и статистического моделирования.
4. МОП возобновилось в январе 2021 года, но смены, ориентированные преимущественно на мигрантов, целью которых было конкретно увеличение числа контактных данных мигрантов, больше не проводились, и данные стали еще более ограниченными, чем до этого. Поэтому мы продолжаем концентрироваться на административных данных для оценки международной миграции.
5. Оценки, опубликованные в мае 2022 года, за год, заканчивающийся в июне 2021 года, стали первыми официальными, хоть и экспериментальными оценками международной миграции, основанными преимущественно на административных данных. Это крупная веха в трансформации статистики миграции.
Рабочий документ 1
3
II. Оценка международной миграции во время пандемии коронавируса
Апрель 2021 года
6. В связи с приостановкой МОП альтернативный метод измерения международной миграции во время пандемии COVID-19 потребовался нам раньше, чем мы это предполагали, начиная программу трансформации еще в 2019 году.
7. Мы рассматривали моделирование временных рядов в связи с сильными сезонными трендами, явно заметными в международной миграции за продолжительный период времени.
8. Мы разработали модель в пространстве состояний (МПС), в которой мы спроецировали тренды и сезонность по данным МОП на будущее и скорректировали прогноз с учетом структурных изменений, опираясь на визовые данные Министерства внутренних дел для граждан стран, не входящих в ЕС. Эта версия включала допущения относительно различных вариантов передвижения для граждан ЕС во время карантина. Когда аэропорты были закрыты, выросло число поездок на пароме и по Евротоннелю, и мы выдвинули гипотезу, что мотивированные граждане ЕС использовали бы эти транспортные пути для поездок в Великобританию и обратно (НСС, 2021а).
9. Мы использовали метод экспертных оценок для сбора мнений экспертов о наших допущениях, принимаемых при моделировании, и смоделированных оценках. Мы попросили экспертов высказаться о наших допущениях и предложить любые другие фактические данные, которые следует использовать в наших моделях.
10. Этот первый вариант модели позволил получить оценки миграции для марта 2020 года и второго квартала 2020 года (с апреля по июнь).
Ноябрь 2021 года
11. В ноябре 2021 года мы обновили смоделированные оценки и опубликовали данные для еще двух кварталов до года, заканчивающегося в декабре 2020 года.
12. Мы и далее использовали метод временных рядов для моделирования международной миграции в течение третьего (с июля по сентябрь) и четвертого квартала (с октября по декабрь) 2020 года.
13. Для второго квартала 2020 года мы применили поправку с учетом разных вариантов передвижения граждан ЕС во время карантина, когда были закрыты аэропорты. После получения рекомендации экспертов начиная с июля 2020 года мы отключили эту поправку, когда доля поездок по каналу (железная дорога и паром) сократилась с возобновлением авиасообщения в практически нормальных масштабах.
14. Для миграции не из ЕС эксперты согласились со смоделированным подходом. Для миграции из ЕС и Великобритании при отсутствии альтернативных актуальных данных мы продолжили моделировать иммиграцию и эмиграцию с использованием трендов для миграции не из ЕС на основе данных о проверке при выезде Министерства внутренних дел. Для ЕС мы ввели дополнительную поправку к модели с использованием соотношения данных МОП о гражданах ЕС и гражданах стран, не
Рабочий документ 1
4
входящих в ЕС. Для британцев мы моделировали иммиграцию (репатриацию) с использованием данных о выезде для граждан стран, не входящих в ЕС, и наоборот.
III. Использование административных данных для оценки миграции в Великобританию и из Великобритании
15. Наши самые последние оценки, опубликованные в мае 2022 года, охватывают период времени до года, завершающегося в июне 2021 года.
16. Первые результаты переписи 2021 года указывали на то, что смоделированные оценки оказались не такими надежными, как считалось ранее. Мы привержены постоянному совершенствованию наших методов для оценки международной миграции и поэтому начали использовать новый метод, в меньшей степени опирающийся на данные МОП и статистическое моделирование. Вместо этого мы стали шире использовать административные данные. Это крупная веха на пути к оценке международной миграции преимущественно на основе административных данных.
17. Это использование разных источников данных и методов для каждой группы в зависимости от национальности, с учетом сильных сторон каждого источника данных. В настоящее время мы публикуем оценки иммиграции, эмиграции и удельной миграции для неграждан ЕС, граждан ЕС и граждан Великобритании.
18. Методы, разработанные для всех групп граждан, согласуются с определением долгосрочного мигранта по правилам ООН - это человек, переезжающий в страну, отличающуюся от его/ее обычного места жительства, по крайней мере, на год. Таким образом, среди всех наших источников данных мы ищем взаимодействия между административными данными, которые указывают на то, что кто-то был в Великобритании или отсутствовал в Великобритании в течение 12 месяцев или более.
A. Оценка миграции граждан стран, не входящих в ЕС
19. Оценки относительно граждан стран, не входящих в ЕС, опираются на данные проверок при выезде Министерства внутренних дел. Эти данные - это комбинация визовой информации и информации о передвижениях в страну и из страны с помощью системы Анализа начального состояния (АНС). Долгосрочных мигрантов идентифицируют по датам прибытия и последнего выезда в течение визового периода как приблизительную оценку длительности пребывания в Великобритании.
20. Мы считаем это самым лучшим источником данных с самым полным охватом для оценки миграции граждан стран, не входящих в ЕС. Однако наши методы оценки иммиграции с использованием данных Министерства внутренних дел более отработаны по сравнению с оценкой эмиграции (НСС, 2021b).
21. Для того, чтобы обеспечить соответствие определению долгосрочного мигранта по правилам ООН, необходимо сделать первый шаг - выявить тех, кто имеет долгосрочные визы. Мы используем даты прибытия и последнего выезда в течение визового периода как приблизительную оценку длительности пребывания в Великобритании. Краткие поездки за границу в течение длительного периода проживания в Великобритании исключаются. Если информации о первом прибытии или последнем выезде нет, то в качестве замены используются даты начала и окончания действия визы.
Рабочий документ 1
5
22. Визовый период определяется путем объединения любых следующих друг за другом или параллельных виз. Если между периодом действия виз есть промежуток, начинается новый визовый период. Мы смотрим на предыдущие визовые периоды, чтобы определить, является ли данное лицо новым долгосрочным мигрантом или мигрантом, который уже ранее был в стране. Если в течение 12 месяцев, предшествующих первому въезду по данной визе, это лицо не было в стране или если предыдущий визовый период имел продолжительность пребывания менее 12 месяцев, то такой вариант передвижения будет считаться передвижением нового долгосрочного мигранта.
23. Уровни иммиграции сопоставимы для данных Министерства внутренних дел и оценок исходя из источников данных Департамента труда и пенсий. Однако расхождения в оценках эмиграции для граждан стран, не входящих в ЕС, для этих двух источников больше (НСС, 2022a).
24. В настоящее время у нас нет равноценного метода измерения эмиграции для граждан стран, не входящих в ЕС, по данным Министерства внутренних дел. Таким образом, мы рассчитываем соотношение между эмиграцией (числитель) и иммиграцией (знаменатель) ежемесячно на основе сводных данных о передвижениях из системы АНС. Затем мы применяем это соотношение к рассчитанным оценкам иммиграции для граждан стран, не входящих в ЕС, для оценки эмиграции. При этом мы исходим из допущения, что тренды в сводных данных для рядов иммиграции и эмиграции аналогичны трендам в данных проверок при выезде, которые используются для оценки долгосрочной иммиграции. Это разумное допущение, поскольку оба набора данных выводятся из одного и того же источника.
25. Мы развиваем свое понимание информации в данных проверок при выезде, которое может использоваться для оценки эмиграции. Это включает исследование методов импутации для пропорционального распределения оценок числа «настоящих эмигрантов» в зависимости от информации о выезде, типе выезда и других характеристик.
26. В мае 2022 года данные уровня записей все еще не были доступны для итоговых 8 месяцев временного ряда (с ноября 2020 до июня 2021 года). Этот отсутствующий период времени был оценен с использованием агрегированного варианта данных о передвижениях из системы АНС, которая содержала данные по ноябрь 2021 года. Мы применили модель изменения, наблюдаемую в совокупном наборе данных (низкочастотный ряд) с помощью метода Дентона-Колетта для прогнозирования набора данных уровня записей (высокая частота) для отсутствующего ряда. Это позволило нам получить коэффициент изменений для въездов ежемесячно.
27. Для оценок, которые мы опубликуем в ноябре 2022 года, у нас должны появиться данные уровня записей для всего временного ряда до июня 2022 года. Однако мы намереваемся использовать этот метод, если в будущем сложится такая же ситуация.
C. Оценка миграции граждан ЕС
28. В настоящее время мы не можем оценить миграцию граждан ЕС с помощью данных Министерства внутренних дел. Это связано со свободным передвижением между ЕС и Великобританией до января 2021 года и продолжающимся свободным передвижением граждан ЕС, получивших вид на жительство в рамках Системы поселения ЕС (EUSS).
Рабочий документ 1
6
С введением новых иммиграционных маршрутов для граждан ЕС посредством виз Европейской экономической зоны (ЕЭЗ) эти лица будут присутствовать в данных Министерства внутренних дел с января 2021 года. Мы работаем с Министерством внутренних дел , чтобы понять, позволит ли это нам оценить миграцию граждан ЕЭЗ, в особенности новых мигрантов, не относящихся к Системе поселения. Это похоже на методы, используемые в настоящее время для лиц, не являющихся гражданами ЕЭЗ.
29. Используемый в настоящее время метод оценки миграции граждан ЕС основан на использовании Базы данных регистрации и взаимодействий населения (RAPID) Департамента труда и пенсий (ДТП) (НСС, 2022b).
30. Эта база данных создается ДТП для обеспечения единого согласованного представления о взаимодействиях между гражданами в рамках всей системы заработков и пособий в ДТП, Налогово-таможенной службе ее Величества и местных властей через пособие на оплату квартиры. Она включает всех, у кого есть номер социального страхования (№СС), и для каждого человека суммируется число недель «активности» в этих системах в пределах налогового года.
31. Для оценки долгосрочной международной миграции в Великобританию и из Великобритании с использованием этих данных сначала мы используем информацию из Системы учета трудовой миграции (СУТМ), в которой обозначены все неграждане Великобритании, зарегистрированные для получения номера социального страхования с 1975 года. Так мы получаем дополнительную информацию, включая сообщаемые самими гражданами дату первого прибытия, дату регистрации для получения (№СС), национальность на момент регистрации и предыдущую страну проживания.
32. №СС может присваиваться как долгосрочным, так и краткосрочным мигрантам. Для определения долгосрочной миграции неграждан Великобритании мы используем комбинацию данных из СУТМ, показывающих, когда был получен №СС, а также «деятельность» в соответствующих наборах данных о заработках и пособиях. Для удовлетворения определению ООН мы ищем, чтобы «активность» происходила в течение 12 месяцев или более.
33. Для выявления продолжающейся «активности» более 12 месяцев или больше мы объединяем наборы данных для всех налоговых лет в один длительный набор данных. Он показывает всю активность с 2010 года или после первого прибытия для тех, кто прибыл после 2010 года. Активность определяется как число недель взаимодействий с системами заработков и пособий, где взаимодействия демонстрируют, что то или иное лицо «активно» в системах-источниках, поэтому мы используем это для демонстрации «активности» в рамках административных данных.
34. Наши исследования показали, что жизни людей сложны, поэтому мы создали четыре категории, определяющие схемы активности лиц, прибывших на долгосрочный период. Первые две категории наиболее близки определению долгосрочной миграции ООН, когда мы ищем устойчивые долгосрочные взаимодействия после прибытия в Великобританию, и это большая часть прибывших для долгосрочного пребывания (более 90%). Мы включили еще две категории, расширяющие это определение долгосрочной активности, которые отражают сложность человеческой жизни, хотя эти группы составляют лишь малую долю прибывающих (менее 10%).
35. Прибывающие 1 категории: общее число недель активности в году регистрации и в году регистрации плюс 1 не менее 52 недель, что дает основания полагать, что они проживают в течение 52 недель или более в течение этого двухлетнего периода.
Рабочий документ 1
7
36. Прибывающие 2 категории: период между прибытием и регистрацией плюс длительность активности в году регистрации и в году регистрации плюс 1, всего более 52 недель, что дает основания полагать, что они проживают в течение 52 недель или более в течение этого периода.
37. Прибывающие 3 категории: активность отмечена в течение трех лет подряд с момента регистрации (где регистрация считается активностью) и где критерии о 52 недель не соблюдаются. Однако наличие активности в нескольких налоговых годах дает основания полагать, что они проживают долгосрочно.
38. Прибывающие 4 категории: где число недель между датой регистрации и концом налогового года плюс активность в году регистрации плюс 1 составляет в целом более 52 недель, при этом должна быть хотя бы одна неделя активности в году регистрации плюс 1.
39. Предполагается, что при продолжении проживания в Великобритании лицо будет присутствовать хотя бы в одной исходной системе учета заработков и пособий, на основе которых строится База данных регистрации и взаимодействий населения (RAPID). По этой причине для измерения долгосрочной эмиграции нам необходимо определить лица, для которых более не указана активность в данных и которые поэтому более не проживают в Великобритании. Любое лицо, для которого отмечен целый налоговый год отсутствия активности во всех исходных системах, являющихся частью RAPID, считается долгосрочным эмигрантом.
40. RAPID также оценивает повторные прибытия с использованием той же методики, хотя при этом применяются лишь правила Категории 1 и Категории 3. Это связан с тем, что в Категории 2 учитывается время между прибытием и регистрацией для получения №СС, что применимо лишь к прибывающим впервые. В категории4 учитывается время между регистрацией для получения №СС и любой активностью, что применимо только к прибывающим впервые. Любое лицо, имеющее период отсутствия активности, за которым следует период активности, будет считаться повторно прибывшим.
41. База данных RAPID охватывает большинство мигрантов благодаря широкому спектру входящих в нее источников данных, однако существуют некоторые группы, чья активность в исходном наборе данных учитывается хуже. Например, речь идет о мигрантах, прибывших в Великобританию с единственной целью - для обучения. Студенты без номера социального страхования не будут включаться в данные о заработках и пособиях, а те, кто работает в Великобритании лишь часть времени могут демонстрировать недостаточно «активности», чтобы их можно было выявить в рамках какой-либо из четырех категорий.
42. Поэтому мы используем студенческую поправку с использованием данных Агентства статистики высшего образования в связи с данными о заработках из Налогово- таможенной службы ее Величества (НТСВ), что позволяет нам понять статус занятости и экономической активности международных студентов в системе высшего образования. Мы определяем долю студентов-первокурсников, не работающих во время обучения, и путем применения этого соотношения к притоку студентов первокурсников по данным Агентства статистики высшего образования мы можем оценить число студентов-первокурсников, которые вероятно могут быть не учтены в базе данных RAPID.
43. Как и для Министерства внутренних дел, данные Департамента труда и пенсий были доступны лишь до апреля 2021 года. Поэтому снова с помощью метода Дентона-
Рабочий документ 1
8
Колетта мы применили спрогнозированный ряд МОП к оценкам финансового года в базе данных RAPID для того, чтобы разбить их на ряды по месяцам, а затем спрогнозировать это количество на основе RAPID для апреля 2021 года. Мы намерены сделать то же самое для оценки международной миграции на конец года, завершающегося в июне 2022 года. Эта оценка должна быть опубликована в ноябре 2022 года, где последние данные на уровне записей будут охватывать период до апреля 2022 года.
44. Текущий метод определяет общее количество недель активности в налоговом году, но не различает, когда эта активность имела место. Поэтому мы хотим улучшить категоризацию долгосрочных мигрантов, чтобы следить за продолжающейся активностью в течение каждого месяца или в конце каждого месяца с учетом коротких периодов отсутствия активности. Это также помогло бы производить более своевременные оценки эмиграции. В настоящее время мы полагаемся на отсутствие активности в течение целого налогового года, но, используя эти месячные показатели активности, мы могли бы вместо этого определить скользящие 12-месячные периоды отсутствия активности.
45. Мы улучшаем поправку для студентов, связывая данные Статистического агентства высшего образования (САВО) с информацией Налогово-таможенной службы ее Величества (НТСВ) в режиме реального времени (ИРВ). Связав эти данные, мы можем определить степень экономической активности студентов в течение налогового года, что позволит нам оценить количество иностранных студентов, не представленных в базе данных RAPID.
Оценка миграции британских граждан
46. Хотя исторически миграция британских граждан составляла меньшую часть общей международной миграции, эта группа остается наиболее сложной для измерения с использованием административных данных. Это связано с тем, что этим лицам не требуется взаимодействовать с источниками административных данных, чтобы информировать их о намерении эмигрировать или впоследствии вернуться.
47. Данные МОП по-прежнему являются нашим основным источником информации о миграции британских граждан. МОП был возобновлен в январе 2021 года, и мы используем эти данные в качестве наших оценок на январь 2021 года и далее. Однако, чтобы охватить период, когда МОП был приостановлен (с марта по декабрь 2020 года), мы используем анализ временных рядов МПС. При этом берутся доступные данные МОП и административные данные и используется взаимосвязь между ними для оценки отсутствующих данных МОП. Мы предполагаем, что закономерности иммиграции британских граждан в Великобританию эквивалентны эмиграции граждан стран, не входящих в ЕС, из Великобритании (измеренной с использованием данных о визах) и наоборот.
48. Чтобы отойти от данных МОП, вероятно, оптимальным решением будет комбинирование источников. Мы оцениваем, можно ли использовать данные о доходах и льготах от ДТП для измерения миграции британских граждан. Для этого необходимо будет определить, могут ли длительные периоды отсутствия активности указывать на эмиграцию и может ли последующая активность указывать на иммиграцию.
Рабочий документ 1
9
49. Это сложнее, потому что есть много причин, по которым кто-то может перестать взаимодействовать с системой заработков и пособий и продолжать жить в Великобритании. Например, это могут быть студенты, прекратившие работу во время учебы в высшем учебном заведении, молодые люди, не участвующие в образовании, трудоустройстве или обучении (НОТО) или лица, делающие перерыв в карьере. Поэтому в рамках нашей работы мы будем создавать правила в наборе данных, чтобы в этих сценариях классифицировать таких людей как проживающих в стране.
IV. Вызовы, связанные с административными данными
A. Почему мы не можем считать въезжающих и выезжающих на границе
50. Распространенным заблуждением является то, что международную миграцию легко измерить, просто подсчитывая въезжающих и выезжающих по мере того, как они пересекают границу. Это сложно по многим причинам.
51. Некоторые люди имеют два паспорта и используют разные паспорта для въезда и выезда.
52. Великобритания и Ирландия принадлежат к зоне свободного передвижения, называемой Единым иммиграционным пространством, где люди могут свободно путешествовать между двумя странами, а перемещения через сухопутную границу между Северной Ирландией и Ирландской Республикой не отслеживаются.
53. Наши пользователи хотят знать не только, сколько людей мигрирует, но и куда они переехали в Великобританию или из нее, поскольку подсчет людей по мере пересечения границы не дает никакой информации о том, где они будут жить или откуда прибыли. Поэтому для предоставления этой информации нам нужны альтернативные источники данных.
C. Обеспечение своевременной оценки миграции в Великобританию и из Великобритании
54. Из-за времени предоставления различных данных и времени, необходимого для обработки данных, оценки миграции, основанные на административных данных, будут предоставляться пользователям с задержкой примерно в пять-шесть месяцев.
55. Данные Министерства внутренних дел поступают примерно через 3 месяца после окончания отчетного периода, и эти данные поступают ежеквартально. Данные Департамента труда и пенсий предоставляются примерно через 3 месяца после окончания налогового года и представляют собой годовой набор данных.
56. Пользователи запрашивали гораздо более своевременную информацию о моделях миграции и их изменениях. Сюда входит оценка международной миграции практически в режиме реального времени.
57. Чтобы производить более своевременные оценки, мы изучаем продолжение модели в пространства состояний (МПС), где у нас нет данных. Это позволит использовать сигнальные данные для текущего прогноза международной миграции. Мы будем оценивать сильные стороны нескольких источников сигнальных данных. Это будут в
Рабочий документ 1
10
том числе опубликованные данные о визе и данные Предварительной информации о пассажирах Министерства внутренних дел. Мы также оценим использование подсчета занятости по гражданству или регистрации у врачей общей практики.
58. Поскольку модель пространства состояний может использовать несколько источников данных одновременно, мы можем оценить различные комбинации, чтобы определить, какие источники данных обеспечивают наиболее точные результаты.
59. В дополнение к отставанию из-за времени предоставления данных у нас также есть отставание из-за перехода от оценок, основанных на намерениях, к оценкам, основанным на фактическом поведении. МОП зафиксировал намерение человека мигрировать, что позволило провести более своевременную оценку, в то время как административные методы требуют, чтобы прошло не менее 12 месяцев для наблюдения за долгосрочными взаимодействиями, чтобы определить, является ли этот человек долгосрочным мигрантом. Хотя во многих случаях требуются данные за значительно более длительный период чем 12 месяцев.
60. Предварительные оценки с использованием данных Министерства внутренних дел могут быть получены для последнего отчетного периода с использованием косвенной информации по датам окончания действия визы, а не по фактической продолжительности пребывания, где это необходимо. Предварительные оценки позволяют получать более своевременные и актуальные цифры. Однако их следует интерпретировать с некоторой осторожностью, поскольку у нас еще нет достаточно длинных временных рядов данных, чтобы полностью оценить качество предварительных оценок по сравнению с оценками, полученными с использованием полного метода.
61. В таком случае предварительные оценки с использованием данных из ДТП могут быть получены путем применения поправки к последним двум годам притока в базе данных RAPID и последнему году оттока в RAPID. Эти поправки оценивают долю недавно прибывших, становящихся долгосрочными мигрантами, на основе ранее наблюдаемых закономерностей в оценках на основе RAPID. Та же методология используется для оценки количества долгосрочных мигрантов, которые, как ожидается, выехали из страны за последний год. Однако следует проявлять осторожность, поскольку мы знаем, что эти пропорции, основанные на исторических закономерностях, могут не соответствовать действительности во время пандемии COVID-19 и в связи с продолжающимися изменениями в миграционной политике после выхода Великобритании из ЕС.
62. Чтобы улучшить предварительные оценки долгосрочной миграции, когда прошло недостаточно времени для наблюдения за фактическими долгосрочными взаимодействиями, мы изучаем, как прогнозирующая модель машинного обучения может обеспечить своевременный прогноз на агрегированном уровне до классификации на основе правил на уровне записей. Группе экспертов ЕЭК ООН по статистике миграции был представлен отдельный документ по теме «Применение машинного обучения для классификации долгосрочных международных мигрантов в Великобритании с помощью административных данных».
Рабочий документ 1
11
C. Использование Предварительной информации о пассажирах для статистики международной миграции
63. Предварительная информация о пассажирах (ПИП) содержит информацию, которую пассажиры должны предоставить своей авиакомпании или туристической компании перед поездкой. Сюда входят личные данные, такие как имя, пол, дата рождения и номер паспорта. Мы провели исследование, чтобы оценить, могут ли микроданные ПИП стать дополнительным источником данных для повышения качества оценок международной миграции.
64. Данные ПИП можно использовать для отслеживания лиц, прибывающих в Великобританию и покидающих ее. ПИП может повысить эффективность оценки въездов и выездов граждан Великобритании; а эта группа лиц недостаточно представлена в существующих источниках административных данных. Дополнительная ценность может состоять в доступе к данным в режиме реального времени для отслеживания меняющихся тенденций в схемах поездок по мере их возникновения, например, в результате COVID-19 или глобальных конфликтов. Хотя это не в полной мере соответствует нашим стандартным определениям миграции, это может послужить своевременным сигналом для уточнения наших ключевых оценок.
65. Данные, о которых идет речь, очень сложны, и наша первоначальная оценка осуществимости выявила ряд сложностей и проблем, связанных с их использованием для улучшения оценок международной миграции, которые необходимо будет учитывать в будущем. Мы намерены тесно сотрудничать со специалистами по статистике, машинному обучению и искусственному интеллекту НСС, а также экспертами по анализу и обработке данных Министерства внутренних дел, чтобы лучше понять данные, улучшенные метаданные и связанность данных.
Как мы повышаем детализацию оценок миграции
66. Пользователи подчеркнули необходимость не только знать, сколько людей мигрирует в Великобританию и из Великобритании, но и почему. В рамках МОП мигрантам задавали вопрос о причине миграции, что позволило нам дезагрегировать предыдущие оценки, основанные на данных МОП. Однако это труднее оценить с помощью административных данных.
67. Мы планируем в дальнейшем использовать визовые данные Министерства внутренних дел, чтобы указать причину миграции по мере развития новой иммиграционной системы. Однако мы должны использовать эти данные в сочетании с другими источниками, чтобы получить более полную картину. Граждане ЕС, которые зарегистрировались для получения статуса предварительного или постоянного проживания в рамках Системы поселения ЕС, не подлежат иммиграционному контролю. Поэтому у нас не будет такой же информации о причине их миграции, как у граждан, которым требуется виза.
68. Мы оцениваем использование данных Статистического агентства высшего образования (САВО) в сочетании с данными о доходах от НТСВ, чтобы понять модели миграции студентов по окончании учебы. Это может указывать на то, сколько студентов остаются в Великобритании для работы по окончании учебы. И сколько из тех, кто покидает Великобританию, впоследствии возвращаются в Великобританию на работу.
Рабочий документ 1
12
69. В рамках нашей программы трансформации пользователи подчеркнули необходимость детальных оценок международной миграции по возрасту и полу на уровне национальных и местных органов власти. Мы изучаем возможность использования административных данных для получения таких подробных оценок. Одним из преимуществ использования административных данных является то, что они, как правило, охватывают большую часть населения, что позволяет достаточно надежно дезагрегировать данные. Например, и данные ДТП, и данные Министерства внутренних дел содержат информацию о возрасте и поле лиц, включенных в данные. Оценки на уровне местных органов власти более сложны. Хотя у нас есть некоторая ограниченная адресная информация из базы данных RAPID, данные Министерства внутренних дел основаны на информации о визах и данных о поездках, которые не содержат информации о том, где селятся мигранты. Один из вариантов, который мы изучаем, состоит в том, чтобы оценить географические пропорции в RAPID для мигрантов из ЕС, стран, не входящих в ЕС, и британских граждан, и применить их к альтернативным источникам данных.
V. Выводы и направления работы на будущее
70. Следующие предварительные оценки долгосрочной международной миграции до конца года, заканчивающегося в июне 2022 года, должны быть опубликованы в ноябре 2022 года.
71. Это позволит получить оценки для года, заканчивающегося в июне 2022 года, причем наши последние опубликованные оценки охватывают период до июня 2021 года. Мы впервые включим данные о нелегальной миграции в наши административные оценки. В дополнение к этому мы будем улучшать методы своей работы.
72. Мы совершенствуем метод учета эмиграции для граждан стран, не входящих в ЕС, используя данные Министерства внутренних дел. Это включает в себя изучение методов условного исчисления для распределения оценок числа «истинных эмигрантов» в зависимости от информации о выезде, типе отпуска и других характеристик.
73. Для граждан ЕС, использующих данные о доходах и пособиях, мы работаем над улучшением поправки для студентов. Здесь будут использоваться данные Статистического агентства высшего образования (САВО), связанные с данными о доходах НТСВ. Связав эти данные, мы можем определить степень экономической активности студентов в течение налогового года, что позволит нам оценить количество иностранных студентов, не представленных в данных о доходах и пособиях.
74. Кроме того, для граждан стран, не входящих в ЕС, мы совершенствуем методы, используемые для определения долгосрочной активности в данных о доходах и пособиях. Текущий метод определяет общее количество недель активности, но не различает, когда эта активность произошла. Поэтому мы хотим изучать показатели активности в течение каждого месяца, выявляя непрерывную активность, учитывая короткие периоды отсутствия активности.
Рабочий документ 1
13
VI. Ссылки
75. Office for Nationals Statistics (2019) ‘Understanding different migration data sources: August 2019 progress report’, available from: https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internatio nalmigration/articles/understandingdifferentmigrationdatasources/augustprogressreport
76. Office for Nationals Statistics (2021,a) ‘Using statistical modelling to estimate UK international migration’, available from: https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/ons workingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration#explorator y-data-analysis
77. Office for National Statistics (2021,b) ‘ Developing our approach for producing admin based migration estimates’, available from: https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internatio nalmigration/articles/internationalmigrationdevelopingourapproachforproducingadminbased migrationestimates/2021-04-16#home-office-border-data-and-international-migration
78. Office for National Statistics (2022a),’Long-term international migration, provisional: Year ending June 2021’, available from: https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internatio nalmigration/bulletins/longterminternationalmigrationprovisional/june2021#comparisons- with-other-data-sources
79. Office for National Statistics (2022b), ‘Methods to produce provisional long-term international migration estimates’, available from: https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internatio nalmigration/methodologies/methodstoproduceprovisionallongterminternationalmigrationest imates#the-method-for-our-latest-estimates
- I. Введение
- II. Оценка международной миграции во время пандемии коронавируса
- Апрель 2021 года
- Ноябрь 2021 года
- III. Использование административных данных для оценки миграции в Великобританию и из Великобритании
- A. Оценка миграции граждан стран, не входящих в ЕС
- C. Оценка миграции граждан ЕС
- Оценка миграции британских граждан
- IV. Вызовы, связанные с административными данными
- A. Почему мы не можем считать въезжающих и выезжающих на границе
- C. Обеспечение своевременной оценки миграции в Великобританию и из Великобритании
- C. Использование Предварительной информации о пассажирах для статистики международной миграции
- Как мы повышаем детализацию оценок миграции
- V. Выводы и направления работы на будущее
- VI. Ссылки
- Presentation
Administrative and field paradata sources for quality assurance and contingency approaches, Census 2021, England & Wales
Cal Ghee
Office for National Statistics
2
Overview
• Plans v reality
• Summary of 3 areas of administrative and paradata usage
• Babies and young children (administrative)
• 3-15 year olds (administrative)
• Alternative Household Estimate (AHE) (administrative and paradata)
• Lessons learned
Notes:
o UK census results are estimates, not counts. Estimates are calculated using Dual System
Estimation (DSE) capture-recapture method, using post-enumeration survey
o UK census is self-enumeration, with field follow-up of non-responding addresses
o This presentation covers England & Wales only
3
Plans v reality
• Examples of uses in the standard design
• preparing for collection
• quality assurance/validation of final estimates
• estimating the population in communal establishments
• Preparation to use in contingency situations
• including scenarios of low response overall
• in particular areas
• for certain population groups
• Being prepared to use for other contingencies
4
Examples of uses of administrative data
• QA showed estimates to be implausible
• Used administrative sources to calibrate
DSE estimates
• Ages 0-2, every area
• Ages 3-15, only certain areas
• Had assured quality administrative data for Wales due to
different administrative uses
• England regions data not of same quality, so used
calibration levels from Wales corrections to apply to the one
English region where the need was demonstrated
Births and deaths data,
health data used as
upper limit
Combined school
census and private
school data
5
Alternative household estimate (AHE)
• Census estimation method (DSE) has underlying
assumptions: risk bias in results if assumptions not met
• AHE is an independent calculation of occupied
households to check DSE assumptions
School
census
Utilities
data
Requests
for paper
materials
Council
tax data
Local
sources
Field visit
outcomes
Health
data
Other
response
info
vac
6
Response rate (occupied by usual residents): 97% 3%
Assessed to be occupied by usual residents (44%) Assessed to be vacant of usual residents (56%)
Mix of deterministic rules and calculation of observed occupancy rates in similar responding cases,
including using administrative data indicators of occupancy and vacancy
Responses to address frame: 94% (91pp with usual residents, 3pp confirm no usual residents) 6%
NR
Responses with usual residents: 91% 6%
NR 3%
vac
Census
address
frame
Census
responses
Field
outcomes
Requests
for
materials
Admin
indicators
13% rules 68% deterministic rules87% occupancy rates 32% occupancy rates
Other
response
info
Whole address frame, occupied by usual residents: 94% Vac:
6%
7
AHE v DSE
• Was used to alter the final household estimates for a few
areas
• For 95% of Local Authorities (NUTS 3), our separate
DSE and AHE estimates were comparable
➢Very useful tool QA tool for reassuring users
8
Learning from Census 2021 (1)
• Be prepared
• Get data ready in advance
• Don’t underestimate preparation time – requirements,
acquisition, engineering, platforms, access
• Don’t underestimate data complexities – georeferencing,
matching and linkage
• Prioritising which sources and aspects of sources are most
useful is difficult
9
Learning from Census 2021 (2)
• Circular use: if use in preparing data, beware how you
use it to validate the same data
• The importance of accurate linkage
• Covid impact
• Admin data quality caveats
• Currency
• Coherence
• Addressing and georeferencing
Be prepared:
including
understanding and
explaining
apparent
contradictions in
admin data
indicators
Роль источников административных данных и полевых параданных в обеспечении качества и реагирования в случае непредвиденных обстоятельств, перепись 2021 г., Англия и Уэльс
Кэл Ги
Национальное статистическое управление
2
Краткий обзор • Сравнение планов и реальности
• Краткое описание 3 направлений использования административных данных и параданных (сведения
о процессе, с помощью которого собирались данные)
• Младенцы и дети раннего возраста (административные данные, т.е. данные из административных
источников)
• Дети 3-15 лет (административные данные)
• Альтернативная оценка домохозяйств (AHE) (административные данные и параданные)
• Извлеченные уроки
Примечания:
o Результаты переписи населения Великобритании представляют собой оценки, а не подсчеты. Оценки
рассчитываются с использованием метода двойной системы оценки (DSE) с повторным сбором данных и
проведением обследования после переписи.
o Перепись населения Великобритании проводится путем самостоятельной переписи с отслеживанием не
прошедших перепись респондентов на местах.
o Настоящая презентация описывает перепись только в Англии и Уэльсе.
3
Сравнение планов и реальности
• Примеры применения при стандартной схеме
• подготовка к сбору данных
• обеспечение качества / валидация окончательных оценок
• оценка численности населения в общественных заведениях
• Подготовка к использованию в непредвиденных ситуациях
• включая сценарии неактивного участия респондентов
• в определенных областях
• применительно к определенным группам населения
• Готовность к использованию в других непредвиденных
обстоятельствах
4
Примеры использования административных данных
• Контроль качества показал, что расчетные оценки дают
недостоверные результаты
• Для калибровки метода двойной системы оценки (DSE)
использовались данные из административных источников
• Лица в возрасте 0–2 лет, все регионы
• Лица в возрасте от 3 до 15 лет, отдельные регионы
• Располагали качественными административными данными по Уэльсу благодаря
тому, что административные данные использовались в разных целях.
• Данные, полученные из регионов Англии, разного качества, и поэтому
использовались уровни калибровки, взятые из корректировок, сделанных для
данных из Уэльса, и эти уровни применили к одному из регионов Англии, в
котором возникла такая необходимость.
Данные о рождении и
смерти, данные о
состоянии здоровья,
используемые в
качестве верхнего
предела
Комбинированные
данные школьной
переписи и данных
частных школ
5
Альтернативная оценка домохозяйств (AHE)
• В основе метода переписной оценки (метод двойной системы оценки (DSE))
лежат допущения: риск систематической ошибки в результатах, если
допущения не выполняются
• Альтернативная оценка домохозяйств (AHE) — это независимая расчетная
оценка занятого жилого фонда / домохозяйств для проверки допущений в
рамках метода двойной системы оценки (DSE).
Школьная
перепись
Данные о
потреблении
коммунальн
ых услуг
Спрос на
бумажные
материалы
Данные
муниципальн
ых
налоговых
органов
Источники
данных на
местах Итоги
полевых
обследовани
й
Данные о
состоянии
здоровья
Другая
информация
об участии в
переписи
отсутств
ующие
6
Коэффициент участия в переписи (жилой фонд заселен обычными жителями): 97% 3%
Оценивается как заселенный обычными жителями (44%) Оценивается как незаселенный обычными жителями (56%)
Сочетание детерминированных (определенных) правил и расчет наблюдаемых показателей занятости жилого фонда
в случае одинаковых ответов, в том числе с использованием административных показателей занятости и незанятости
жилого фонда
Ответы на вопросы, относящиеся к генеральной совокупности адресов: 94% (91 п.п. — обычные жители, 3 п.п. — те, по
которым были получены подтверждения того, что они не относятся к категории обычных жителей)
6% тех,
кто не
относятся
к жителям
Ответы обычных жителей: 91% 6% тех,
кто не
относятся
к жителям
3%
отсутст
вующи
х
Генеральная
совокупность
переписываем
ых адресов
Ответы на
вопросы
переписи
Результаты,
собранные на
местах
Запросы на
предоставлени
е материалов
Показатели,
взятые из
административ
ных данных
13% правил 68% детерминированных (определенных)
правил 87% заполняемость 32% заполняемость
Другая
информация
об участии в
переписи
Вся генеральная совокупность адресов, занятая обычными жителями: 94% Отсутствую
щие: 6%
7
Сравнение AHE (альтернативная оценка домохозяйств) и DSE (метод двойной системы оценки)
• Применялось для внесения изменений в окончательные оценки
домохозяйств применительно к нескольким регионам
• У 95% местных органов власти (NUTS 3) наши независимые
оценки AHE (альтернативная оценка домохозяйств) и DSE
(метод двойной системы оценки) были сопоставимы между
собой
➢Очень полезный инструмент контроля качества, гарантирующий
точность данных пользователям этих данных
8
Уроки переписи 2021 г. (1)
• Быть подготовленными
• Данные подготовить заранее.
• Не стоит недооценивать время, которое следует отвести на подготовку:
выработка требований, мобилизация кадровых и финансовых ресурсов,
планирование и проектирование, выбор платформ, обеспечение и
предоставление доступа.
• Не стоит недооценивать сложность данных: географическая привязка,
сопоставление и увязка.
• Сложно расставить приоритеты в отношении того, какие источники данных и
аспекты источников данных являются наиболее полезными.
9
Уроки переписи 2021 г. (2)
• Повторное использование источников данных: если вы
используете источник данных при подготовке данных, то
нужно осторожно подходить к тому, как использовать
этот источник для проверки одних и тех же данных
• Важность точной увязки
• Влияние COVID-19
• Предупреждения о качестве данных административных
источников
• Валюта
• Согласованность
• Адресация и географическая привязка
Нужно быть
подготовленными:
это включает
понимание и
объяснение явных
противоречий в
показателях данных
из
административных
источников
- Presentation
Statistics for the non- Household Population, Experience from the England & Wales Census 2021
Jon Wroth-Smith
Office for National Statistics
2
Overview
• Definition – Non-household population
• Challenges faced
• COVID 19 pandemic
• Confusion between households and communal establishments
• Adaptions made
• Learnings
• Paper covers 2021 Census for England & Wales only
3
Non-Household Population
• ‘Communal Establishments’ (CE) also know as ‘Group Quarters’ or ‘Collective
Dwellings/Residences/Living Quarters’
• In the United Kingdom censuses these are defined as establishments providing managed
residences and includes students halls of residence, care homes and prisons
• In 2011, 1.7% of the population lived in a CE
• Geographically clustered
• Can have different profile to wider household population
• In the paper we set out how the design for CEs was intended to work in 2021
4
Challenges Faced
COVID-19 Pandemic
• Making initial contact
• Uncertainty with address to use
Confusion between Household and Communal Establishment (duplication, response type)
5
Pandemic Response
• Direct contact with students through universities
• Using online data collection approach without needing to deliver paper to the hand of the student
• Copying students from parents address questionnaire to term-time address
• Linking to term-time address to check a response has not been provided
• Collecting administrative data from universities and private hall providers
• Number of students with a contract to stay, regardless of whether they were there in March 2021
• Used to adjust for any undercoverage
• Validating census estimates through administrative data
• Understand student numbers by combining a range of administrative sources and cohort analysis
• Working with local government ahead of publication as part of quality assurance
6
How well does administrative data capture student moves?
7
Confusion between Household and Communal Establishments
• Clerical resolution and detailed analysis of information collected
• Duplication of addresses
• Complex address structures
• Mix of household and communal establishment form types
• Built on capability developed in constructing the address frame
• Record level investigation provides depth of insight but not breadth
• Automated solutions using record level learning provide breadth
8
Clerical and automation working side by side
9
Learning from Census 2021
• Closer partnership with organisations who run communal establishments (contact and
coverage estimation)
• Communal establishments have evolved over time so how we define and measure these
population needs to evolve as well
• Complex address structures can be problematic regardless of how data are collected
(through census, surveys or administrative data)
• Processes need to be in place to identify and learn from how this complexity is translated
into the data collected – using a combination of micro and macro approached
Статистика населения, проживающего вне домохозяйств: опыт переписи населения 2021 года в Англии и Уэльсе
Джон Рот-Смит
Управление национальной статистики
2
Краткий обзор
• Определение – население, проживающее вне домохозяйств
• Проблемы, с которыми пришлось столкнуться
• Пандемия COVID-19
• Путаница между домохозяйствами и общественными заведениями
• Проведенная адаптация
• Вынесенные уроки
• В данном материале рассматривается перепись 2021 года только в Англии и Уэльсе
3
Население, проживающее вне домохозяйств
• «Общественные заведения» (ОЗ) [Communal Establishments (CE)], также известные как
«общественные/коммунальные учреждения» «групповые помещения» или «коллективные
жилища / жилые помещения» или «коллективное проживание».
• В переписях Соединенного Королевства они определяются как заведения, предлагающие
услуги управляемых общежитий, и к ним относятся студенческие общежития, дома
престарелых и места лишения свободы / тюрьмы.
• В 2011 году 1,7% населения проживало в ОЗ.
• Географически сгруппированы
• Их профиль может отличаться от более широкого профиля населения, проживающего в домохозяйствах
• В нашем документе описана организация переписи в ОЗ в 2021 году.
4
Проблемы, с которыми пришлось столкнуться Пандемия КОВИД-19
• Установление первоначального контакта
• Неопределенность в отношении того, какой адрес использовать
Путаница между домохозяйствами и общественными заведениями (дублирование ответов,
различия в ответах)
5
Реагирование на пандемию • Прямое взаимодействие со студентами через университеты
• Использование онлайн-технологий для сбора данных без необходимости личного предоставления переписных
листов учащимся
• Копирование данных учащихся из адресной анкеты родителей и вставка этих данных в анкеты,
относящиеся к временному адресу на семестровый период
• Проверка временного семестрового адреса на прохождение переписи
• Получение административных данных от университетов и управляющих частных общежитий
• Количество студентов с оформленным договором на временное проживание в общежитии, вне зависимости от того,
были ли они в общежитии в марте 2021 г.
• Применялись другие меры корректировки данных в случае любого недостаточного охвата переписью
• Верификация оценочных показателей переписи с помощью сверки с административными
данными
• Получение данных о числе учащихся путем сопоставления данных, полученных из ряда административных
источников, и данных, полученных в результате когортного анализа
• Взаимодействие с местными органами власти перед публикацией результатов переписи в рамках контроля качества
6
Насколько хорошо административные данные фиксируют перемещения учащихся?
7
Путаница между домохозяйствами и общественными заведениями
• Получено административное разрешение и проведен подробный анализ собранной
информации
• Дублирование адресов
• Сложные структуры адресов
• Смешение различных форм домохозяйств и общественных заведений
• Необходимость отталкиваться от имеющегося потенциала в конструировании
структуры адреса
• Изучение сделанных записей обеспечивает глубину понимания, но не широту охвата
• Автоматизированные решения, опирающиеся на анализ сделанных записей,
обеспечивают широту охвата
8
Администрация и автоматизация работают бок о бок
9
Уроки переписи 2021 года
• Более тесное сотрудничество с организациями, управляющими общественными
заведениями (получение контактной информации и возможность оценки охвата)
• Общественные заведения постоянно развиваются, и поэтому процессы выявления и
измерения проживающих в них групп населения также должны развиваться.
• Сложные структуры адресов могут представлять собой проблему вне зависимости от
способа сбора данных (с помощью переписи населения, опросов или
административных данных).
• Необходимо внедрять процессы выявления и превращения комплексных данных в
собираемые данные, используя для этого комбинацию микро- и макро-подходов.
Pagination
- Previous page
- Page 7
- Next page