More options

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.

Languages and translations
English

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.

Languages and translations
English

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

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

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

Languages and translations
English

Using administrative data to produce timely estimates of migration for the UK

Laura Cheatham Centre for International Migration

26 October 2022

[email protected]

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]

mailto:[email protected]
mailto:[email protected]
mailto:[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)

Languages and translations
English

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

https://www.gov.uk/government/statistics/immigration-statistics-year-ending-june-2022
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/methodologies/refugeeintegrationoutcomesriodatalinkagepilot
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/visaholdersenteringtheukundertheukrainehumanitarianschemes/20to27april2022#future-developments
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/visaholdersenteringtheukundertheukrainehumanitarianschemes/16to24june2022
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/visaholdersenteringtheukundertheukrainehumanitarianschemes/visaholdersenteringtheukundertheukrainehumanitarianschemesfollowupsurvey20julyto4august2022
https://commonslibrary.parliament.uk/research-briefings/sn01403/

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
Russian

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.

https://www.gov.uk/government/statistics/immigration-statistics-year-ending-june-2022
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/methodologies/refugeeintegrationoutcomesriodatalinkagepilot
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/visaholdersenteringtheukundertheukrainehumanitarianschemes/20to27april2022#future-developments
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/visaholdersenteringtheukundertheukrainehumanitarianschemes/20to27april2022#future-developments
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/visaholdersenteringtheukundertheukrainehumanitarianschemes/16to24june2022
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/visaholdersenteringtheukundertheukrainehumanitarianschemes/20to27april2022#future-developments
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/visaholdersenteringtheukundertheukrainehumanitarianschemes/visaholdersenteringtheukundertheukrainehumanitarianschemesfollowupsurvey20julyto4august2022
https://commonslibrary.parliament.uk/research-briefings/sn01403/

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

Languages and translations
English

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)

Languages and translations
English

*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).

https://www.ons.gov.uk/surveys/informationforhouseholdsandindividuals/householdandindividualsurveys/internationalpassengersurvey
https://www.ons.gov.uk/surveys/informationforhouseholdsandindividuals/householdandindividualsurveys/internationalpassengersurvey

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

https://wttech.blog/blog/2021/a-guide-to-model-calibration/

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.

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://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://gss.civilservice.gov.uk/reproducible-analytical-pipelines/
https://www.gov.uk/government/publications/home-office-statistics-on-exit-checks-user-guide/home-office-statistics-on-exit-checks-user-guide
https://www.gov.uk/government/publications/home-office-statistics-on-exit-checks-user-guide/home-office-statistics-on-exit-checks-user-guide
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/936121/Revised_Impact_Assessment_for_the_Skilled_Worker_Route_signed.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/936121/Revised_Impact_Assessment_for_the_Skilled_Worker_Route_signed.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/936121/Revised_Impact_Assessment_for_the_Skilled_Worker_Route_signed.pdf
https://www.ons.gov.uk/peoplepopulationandcommunity/leisureandtourism/datasets/estimatesofoverseasresidentsvisitsandspendingintheuk
https://www.ons.gov.uk/peoplepopulationandcommunity/leisureandtourism/datasets/estimatesofoverseasresidentsvisitsandspendingintheuk
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/reportonthecomplexityandqualityofinternationalmigrationstatistics/july2018#part-2-international-passenger-survey-ips-development-and-independent-quality-review
http://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html

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

https://ogrisel.github.io/scikit-learn.org/sklearn-tutorial/tutorial/astronomy/general_concepts.html
https://ogrisel.github.io/scikit-learn.org/sklearn-tutorial/tutorial/astronomy/general_concepts.html
http://data.un.org/Glossary.aspx?q=long-term%20migrant
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:
Russian

*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

https://www.ons.gov.uk/surveys/informationforhouseholdsandindividuals/householdandindividualsurveys/internationalpassengersurvey

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

https://wttech.blog/blog/2021/a-guide-to-model-calibration/

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

https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1011798/CO_Govt_Functional_Std_GovS010_Analysis_v2_Final_WEB.pdf
https://gss.civilservice.gov.uk/reproducible-analytical-pipelines/
https://www.gov.uk/government/publications/home-office-statistics-on-exit-checks-user-guide/home-office-statistics-on-exit-checks-user-guide
https://www.gov.uk/government/publications/home-office-statistics-on-exit-checks-user-guide/home-office-statistics-on-exit-checks-user-guide
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/936121/Revised_Impact_Assessment_for_the_Skilled_Worker_Route_signed.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/936121/Revised_Impact_Assessment_for_the_Skilled_Worker_Route_signed.pdf
https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/936121/Revised_Impact_Assessment_for_the_Skilled_Worker_Route_signed.pdf

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

https://www.ons.gov.uk/peoplepopulationandcommunity/leisureandtourism/datasets/estimatesofoverseasresidentsvisitsandspendingintheuk
https://www.ons.gov.uk/peoplepopulationandcommunity/leisureandtourism/datasets/estimatesofoverseasresidentsvisitsandspendingintheuk
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://officenationalstatistics-my.sharepoint.com/personal/mingqing_wu_ons_gov_uk/Documents/resource/Using%20statistical%20modelling%20to%20estimate%20UK%20international%20migration,%20available%20from%20https:/www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/reportonthecomplexityandqualityofinternationalmigrationstatistics/july2018#part-2-international-passenger-survey-ips-development-and-independent-quality-review
http://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html
http://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html
https://ogrisel.github.io/scikit-learn.org/sklearn-tutorial/tutorial/astronomy/general_concepts.html
https://ogrisel.github.io/scikit-learn.org/sklearn-tutorial/tutorial/astronomy/general_concepts.html
http://data.un.org/Glossary.aspx?q=long-term%20migrant
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)

Languages and translations
English

*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.

https://www.gov.uk/government/statistics/developments-in-exit-checks/developments-in-exit-checks

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

https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/understandingdifferentmigrationdatasources/augustprogressreport
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/understandingdifferentmigrationdatasources/augustprogressreport
https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration#exploratory-data-analysis
https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration#exploratory-data-analysis
https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration#exploratory-data-analysis
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/internationalmigrationdevelopingourapproachforproducingadminbasedmigrationestimates/2021-04-16#home-office-border-data-and-international-migration
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/internationalmigrationdevelopingourapproachforproducingadminbasedmigrationestimates/2021-04-16#home-office-border-data-and-international-migration
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/internationalmigrationdevelopingourapproachforproducingadminbasedmigrationestimates/2021-04-16#home-office-border-data-and-international-migration
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/longterminternationalmigrationprovisional/june2021#comparisons-with-other-data-sources
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/longterminternationalmigrationprovisional/june2021#comparisons-with-other-data-sources
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/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

https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/methodologies/methodstoproduceprovisionallongterminternationalmigrationestimates#the-method-for-our-latest-estimates
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/methodologies/methodstoproduceprovisionallongterminternationalmigrationestimates#the-method-for-our-latest-estimates
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/methodologies/methodstoproduceprovisionallongterminternationalmigrationestimates#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
Russian

*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.

https://www.gov.uk/government/statistics/developments-in-exit-checks/developments-in-exit-checks
https://www.gov.uk/government/statistics/developments-in-exit-checks/developments-in-exit-checks

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

https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/understandingdifferentmigrationdatasources/augustprogressreport
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/understandingdifferentmigrationdatasources/augustprogressreport
https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration#exploratory-data-analysis
https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration#exploratory-data-analysis
https://www.ons.gov.uk/methodology/methodologicalpublications/generalmethodology/onsworkingpaperseries/usingstatisticalmodellingtoestimateukinternationalmigration#exploratory-data-analysis
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/internationalmigrationdevelopingourapproachforproducingadminbasedmigrationestimates/2021-04-16#home-office-border-data-and-international-migration
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/internationalmigrationdevelopingourapproachforproducingadminbasedmigrationestimates/2021-04-16#home-office-border-data-and-international-migration
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/articles/internationalmigrationdevelopingourapproachforproducingadminbasedmigrationestimates/2021-04-16#home-office-border-data-and-international-migration
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/longterminternationalmigrationprovisional/june2021#comparisons-with-other-data-sources
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/longterminternationalmigrationprovisional/june2021#comparisons-with-other-data-sources
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/bulletins/longterminternationalmigrationprovisional/june2021#comparisons-with-other-data-sources
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/methodologies/methodstoproduceprovisionallongterminternationalmigrationestimates#the-method-for-our-latest-estimates
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/methodologies/methodstoproduceprovisionallongterminternationalmigrationestimates#the-method-for-our-latest-estimates
https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/internationalmigration/methodologies/methodstoproduceprovisionallongterminternationalmigrationestimates#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

Languages and translations
English

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

10

Thank you

Cal Ghee

Office for National Statistics

[email protected]

Russian

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

10

Спасибо

Кэл Ги

Национальное статистическое управление

[email protected]

- Presentation

Languages and translations
English

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

Russian

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.

© United Nations Economic Commission for Europe | Terms and Conditions of Use | Privacy Notice
Contact us