Anticiper et se préparer aux flux migratoires

9. Quelles évolutions futures peut-on attendre en matière de prévisions migratoires ?

Comment mesurer l’effet potentiel des politiques dans les pays de destination ?

On observe un intérêt croissant pour les approches d’interprétation causale de l’effet potentiel des politiques utilisant des méthodes de contrôle synthétique, des approches d’apprentissage automatique et des paramètres de processus stochastiques plus généraux.

Depuis son introduction (Abadie, Diamond et Hainmueller, 2010[1]), la méthode de contrôle synthétique (SCM) est devenue une technique statistique puissante utilisée pour évaluer les effets des interventions ou des traitements dans des études de cas comparatives, en particulier lorsqu’une seule unité (par exemple, un pays, une région ou une ville) fait l’objet d’une intervention et que des unités de contrôle appropriées sont disponibles à des fins de comparaison. La SCM construit une combinaison pondérée d’unités de contrôle afin de créer une version « synthétique » de l’unité traitée, qui se rapproche de ce qui se serait produit en l’absence d’intervention. Cette méthode a été largement appliquée dans divers domaines, notamment l’économie, les sciences politiques et la santé publique. Klößner et Pfeifer (2017[2]), par exemple, ont exploré l’utilisation de la SCM comme outil de prévision pur. En appliquant la SCM à la croissance du PIB des États-Unis, les auteurs démontrent qu’elle est compétitive par rapport à d’autres méthodes de prévision. Cette idée a désormais été adoptée par plusieurs chercheurs pour étudier l’impact d’événements externes (par exemple, crise économique, guerre, événements climatiques) sur les flux migratoires.

La SCM attire de plus en plus l’attention des experts en migration, en particulier pour l’analyse de l’impact des politiques et les expériences naturelles, comme les chocs macroéconomiques (par exemple, le changement climatique, les conflits). Rodríguez Sánchez et al. (2023[3]), par exemple, ont exploré la capacité des modèles bayésiens de séries chronologiques structurelles (BSTS) (Scott et Varian (2014[4])) dans le contexte de la prévision des franchissements irréguliers de frontières. Les modèles BSTS sont une approche statistique robuste pour l’analyse des séries chronologiques, particulièrement adaptée à l’inférence causale dans les données d’observation présentant des schémas temporels complexes. Dans cette application particulière, le modèle construit un contrefactuel synthétique en prévoyant ce qu’aurait été le nombre d’arrivées en l’absence de politique, sur la base des tendances historiques et de covariables telles que le climat, les événements politiques et les facteurs économiques. Le cadre BSTS utilise une approche bayésienne pour intégrer les connaissances antérieures et quantifier l’incertitude autour des estimations, ce qui le rend très fiable pour l’inférence causale dans les systèmes dynamiques.

De nombreuses approches variantes et innovantes de l’inférence causale pour les séries chronologiques ont été développées ces dernières années (voir Encadré 9.1). Dans toutes ces variantes, deux considérations sont très importantes. La première concerne la sélection précise des unités de contrôle. Le choix du groupe de donneurs est crucial pour garantir que le contrôle synthétique corresponde étroitement aux caractéristiques de l’unité traitée avant l’intervention. Une sélection précise est importante car ces méthodes produisent toujours des contrefactuels « techniques », en tant que résultat d’une méthode de pondération. Si, au sein du pool d’unités de contrôle, certains membres sont structurellement différents de l’unité traitée, l’impact final estimé inclura un biais dû à des facteurs de confusion. La deuxième considération concerne les hypothèses sous-jacentes. Les chercheurs doivent être conscients des hypothèses qui sous-tendent la SCM, telles que la stabilité des relations dans le temps (ce qui signifie que tous les prédicteurs utilisés et la variable de résultat ont une relation statique, une hypothèse qui est rarement vraie dans les flux migratoires, comme le montrent, par exemple, (Carammia, Iacus et Wilkin, 2022[5]), et l’absence d’effets d’entraînement entre les unités, ce qui est très probable dans les flux migratoires en raison de la complexité du phénomène, des effets de réseau, etc.

Encadré 9.1. Autres approches de l’inférence causale

Goldin et al. (2024[6]) ont introduit une approche innovante de l’inférence causale dans le cadre des données de panel en tirant parti de techniques avancées de prévision des séries chronologiques. L’accent est mis sur la capacité de différents algorithmes de réseaux neuronaux profonds à produire des évolutions contrefactuelles pour les unités traitées en intégrant à la fois les données historiques des unités traitées et les données contemporaines des unités de contrôle. Grâce à une approche holistique, le modèle proposé capture à la fois la dynamique temporelle et les relations transversales.

Dans une contribution récente, Cinquini et al. (2025[7]) abordent la difficulté que représente l’estimation des effets causaux des interventions dans les systèmes dynamiques au fil du temps. Les auteurs introduisent un cadre formel pour définir et analyser les interventions causales dans le cadre des Discrete‑Time Stochastic Processes (DSP), qui sont des modèles représentant des systèmes évoluant par étapes temporelles discrètes avec un caractère aléatoire inhérent. Dans ce contexte, il est possible de montrer, sous certaines conditions, l’équivalence entre l’état d’équilibre d’un DSP et un modèle causal structurel traditionnel (SCM). Cette équivalence permet d’appliquer les techniques d’inférence causale traditionnellement utilisées dans les SCM aux données de séries chronologiques. En particulier, il est possible de mapper explicitement les modèles VAR à des SCM linéaires. Ce mapping tient compte des relations cycliques potentielles et des facteurs de confusion non mesurés, améliorant ainsi l’interprétabilité des modèles VAR en termes causaux. Les expériences des auteurs démontrent que le cadre offre de bonnes performances en matière de prévision observationnelle et estime avec précision les effets causaux des interventions sur les systèmes dynamiques.

Pour une revue générale de l’inférence causale dans les prévisions de séries chronologiques, voir également Runge et al., (2023[8]).

La prédiction conforme est-elle la dernière frontière dans le domaine de la prévision des séries chronologiques?

La prédiction conforme est un cadre statistique qui fournit des intervalles de prédiction valides pour l’apprentissage automatique ou les modèles statistiques purs, garantissant que la valeur réelle d’une prédiction se situe dans un intervalle spécifié avec un certain niveau de confiance. Cette méthode a été appliquée dans divers domaines typiques du cadre i.i.d. (indépendant et identiquement distribué) et a récemment été étendue à l’analyse des séries chronologiques. L’hypothèse de base de la prédiction conforme est l’interchangeabilité des données, c’est-à-dire que l’ordre des points de données n’a pas d’importance et que toute permutation de données a la même distribution de probabilité conjointe. Cette hypothèse est plus faible que l’hypothèse i.i.d. souvent utilisée, mais elle reste néanmoins cruciale pour la validité de la prédiction conforme.

L’idée de base derrière la prévision conforme des séries (Stankeviciute, Alaa et van der Schaar (2021[9])) est d’adapter le cadre de la prédiction conforme aux données de séries chronologiques, ce qui permet de créer des intervalles de prédiction qui fournissent une probabilité de couverture prédéfinie et valide, indépendamment du modèle sous-jacent ou de la distribution des données. Cette approche étend la méthodologie de prédiction conforme, traditionnellement utilisée pour les données i.i.d., afin de traiter les données de séries chronologiques dépendantes où les observations sont généralement autocorrélées. L’adaptation consiste à traiter les dépendances temporelles en calibrant les résidus d’un modèle de prévision de manière à tenir compte des autocorrélations entre les observations. L’avantage de la prévision conforme des séries chronologiques est qu’elle est indépendante du modèle, c’est-à-dire qu’elle peut en principe être appliquée à n’importe quel modèle de prévision de base, y compris les réseaux neuronaux, les modèles ARIMA ou d’autres modèles basés sur l’apprentissage automatique, à condition que le modèle fournisse des prévisions ponctuelles. L’algorithme proposé par Stankeviciute, Alaa et van der Schaar (2021[9]) est conçu pour gérer des prévisions en plusieurs étapes, en construisant simultanément des intervalles de prévision pour plusieurs étapes temporelles futures. Les intervalles reflètent l’incertitude à chaque horizon de prévision. Malgré ses avantages, la prévision conforme n’est toujours pas facile à appliquer et reste peu explorée dans le contexte des prévisions migratoires.

Comment les prévisions pour une catégorie de migration peuvent-elles influencer les prévisions pour d’autres catégories ?

Les catégories de migration – telles que les étudiants internationaux, les travailleurs migrants, les demandeurs d’asile et les migrants au titre du regroupement familial – ne fonctionnent pas de manière isolée. Les changements dans une catégorie peuvent avoir des répercussions en cascade sur les autres. Pour les décideurs politiques et les prévisionnistes, il est essentiel de comprendre ces interdépendances afin d’établir des prévisions migratoires précises et exploitables.

Un exemple illustratif de l’influence entre les catégories est la transition des étudiants internationaux vers le marché du travail. Par exemple, les anciens étudiants internationaux qui ont obtenu leur diplôme dans le pays d’accueil constituent une source importante de migration de travail dans de nombreux pays, et la part des permis d’études transformés en permis de travail représentait une part importante du total des admissions pour le travail (pour les pays de l’OCDE, OCDE (2022[10]) ; pour les États-Unis, Beine, Peri Raux (2023[11]), pour le Royaume‑Uni, Brindle et Sumption (2024[12]), pour les Pays-Bas, Didier et Nezihe (2014[13])). Par conséquent, afin de prévoir avec précision les migrations de travail, il est essentiel d’estimer d’abord le nombre d’étudiants internationaux entrants, puis de tenir compte des taux de rétention des étudiants après l’obtention de leur diplôme dans la population active, voire de leur transition vers des permis familiaux.

La migration familiale est un autre exemple d’interconnexion entre les catégories de migration. Elle peut être considérée comme un exemple typique de migration en chaîne. La migration en chaîne est due à l’arrivée antérieure de migrants qui, une fois installés, font venir des membres de leur famille (Böcker, 1994[14]). Dans tous les pays de l’OCDE, le processus de regroupement familial est légalement lié à la présence de parrains (demandeurs principaux) déjà présents dans le pays depuis un certain temps, généralement des migrants économiques, des bénéficiaires d’une protection internationale, ainsi que des ressortissants du pays d’accueil (OECD, 2017[15]). La migration familiale future est donc fonction des flux migratoires passés des catégories susmentionnées. Pour prévoir la migration familiale des ressortissants étrangers, quatre informations clés sont nécessaires : i) les flux actuels et futurs prévus de migrants, classés par type de migration (par exemple, migrations de travail, travailleurs hautement qualifiés, protection internationale) ; ii) la proportion de migrants dans chaque catégorie qui retournent dans leur pays d’origine avant le début du processus de regroupement familial (voir par exemple Viné (2021[16]) ; iii) le nombre ou la proportion de membres de la famille rejoignant les demandeurs principaux qui restent dans le pays d’accueil (ajusté en fonction de la proportion de ceux qui rentrent prématurément, comme indiqué au point ii) ; iv) le délai moyen entre l’arrivée du demandeur principal dans le pays d’accueil et celle des membres de sa famille.

À partir des données longitudinales du registre de la population aux Pays-Bas, Wijkhuijs et Jennissen (2010[17]) ont estimé que le nombre moyen de membres de famille rejoignant les travailleurs migrants ressortissants de pays tiers était de 0.75, contre 0.66 pour les travailleurs migrants polonais et 0.45 pour les ressortissants de l’UE‑15. En s’appuyant sur une loi de régularisation aux États-Unis (IRCA 1986), Cascio et al. (2024[18]) ont estimé que chaque immigré mexicain régularisé était responsable de l’immigration et de l’admission légale d’un membre de sa famille, au total, jusqu’en 2019.

Compte tenu de ces interdépendances, les prévisions en matière de migration doivent intégrer les boucles de rétroaction entre les catégories. Les modèles rigides et cloisonnés peuvent négliger la manière dont les tendances d’un groupe influencent celles d’un autre groupe. En vue d’améliorer la précision des prévisions et la préparation des politiques, il convient d’utiliser des modèles de prévision dynamiques et multicatégoriels afin d’intégrer les multiples voies de migration et de saisir les probabilités de transition entre les catégories (par exemple, les taux de rétention des étudiants dans la population active).

Les décideurs politiques doivent être conscients de ces interconnexions afin d’éviter des conséquences imprévues lors de l’élaboration des politiques migratoires. Par exemple, les changements dans les politiques relatives aux visas étudiants peuvent avoir des effets à long terme sur le marché du travail qui doivent être pris en compte dans la planification de la main-d’œuvre. En reconnaissant et en intégrant les influences entre les catégories, les prévisions migratoires peuvent fournir une base plus complète pour l’élaboration des politiques, réduisant ainsi l’incertitude et améliorant la préparation aux tendances migratoires futures.

Comment les prévisions d’un pays peuvent-elles influencer celles d’autres pays (c’est-à-dire l’interaction entre les pays) ?

La migration est un phénomène complexe qui ne se limite pas à un simple déplacement d’un pays A vers un pays B. La migration n’est pas nécessairement un processus fini ; elle peut également être circulaire (aller-retour entre un pays A et un pays B) ou impliquer plusieurs pays de transit. Par conséquent, les flux migratoires dans un pays peuvent influencer ceux d’autres pays, parfois dans façon marquée. Cela est particulièrement vrai dans le contexte européen, où les immigrés, après avoir franchi les frontières extérieures de l’UE, bénéficient d’une certaine liberté de circulation au sein de l’espace Schengen. Ils peuvent donc se déplacer plus facilement d’un État membre à l’autre. Cela peut conduire à ce que les demandes d’asile ne soient pas déposées dans le premier pays d’arrivée : en 2023 et 2024, les pays de l’UE ont reçu respectivement 185 258 et 167 561 demandes « Dublin », c’est-à-dire des demandes de réadmission de ressortissants de pays tiers qui ont demandé l’asile ou ont franchi la frontière d’un pays autre que le pays responsable (généralement leur pays de première entrée dans l’UE).

Dans ce contexte, les pays de l’OCDE utilisent de plus en plus, dans la mesure du possible, les données d’autres pays pour anticiper leurs propres flux migratoires. Les États-Unis utilisent les interceptions de migrants en situation irrégulière au Mexique pour prévoir leur propre migration irrégulière (Encadré 5.1). Le modèle DynENet proposé par Carammia et al. (2022[5]) (voir la section sur les modèles d’apprentissage automatique) analyse également les interactions entre les pays à des fins de prévision. Il a par exemple montré que les événements en Türkiye peuvent avoir un effet différent sur les demandes d’asile de Syriens d’un pays à l’autre de l’UE, en fonction des facteurs de migration entre la Syrie et chaque pays de l’UE. Par conséquent, les prévisions établies dans les pays de transit, et en particulier dans les pays voisins d’un pays de l’OCDE, peuvent avoir une incidence significative sur les prévisions pour ce pays de l’OCDE. Cette interaction est plus forte pour les prévisions de migration forcée, mais ne doit pas être négligée pour les autres catégories de migration. En effet, une crise économique dans un pays A peut favoriser les flux de migration de travail ou inciter les étudiants internationaux à se rendre dans un pays B, en particulier parmi les plus qualifiés. De même, une décision politique dans un pays peut détourner les flux migratoires (forcés ou non) vers un autre pays B.

Afin de produire les résultats les plus fiables possibles, les prévisions d’un pays doivent donc tenir compte des prévisions d’autres pays, lorsqu’il existe des routes entre eux. Si cela semble évident d’un point de vue statistique, sa mise en œuvre pratique est loin d’être simple. Les prévisions étant généralement sensibles, leur diffusion peut être limitée en dehors des frontières nationales. Même les données nationales sur les migrations ne sont pas nécessairement diffusées à l’étranger, en particulier les plus sensibles, qui sont souvent utilisées dans les prévisions. Les données relatives aux franchissements irréguliers des frontières extérieures de l’UE sont disponibles auprès d’agences européennes telles que Frontex (https://www.frontex.europa.eu/what-we-do/monitoring-and-risk-analysis/migratory-map/) ou Eurostat (https://ec.europa.eu/eurostat/databrowser/view/migr_eipre/default/table?lang=fr&category=migr.migr_man.migr_eil), mais les données relatives aux passages frontaliers au sein de l’UE, lorsqu’elles sont disponibles, sont rarement diffusées, même entre les pays partageant une frontière commune. Les données relatives aux franchissements frontaliers au sein de l’UE sont implicitement limitées et ne reflètent pas entièrement les passages réels, car elles ne couvrent pas l’ensemble du territoire dans un contexte d’ouverture de frontières et dépendent du niveau d’efficacité des contrôles frontaliers et de la taille des effectifs mobilisés au fil du temps.

Dans l’ensemble, les pays de l’OCDE pourraient élaborer des modèles de prévision plus précis s’ils avaient accès aux prévisions et aux données d’autres pays géographiquement proches. Cela nécessite une meilleure coordination entre eux et des contacts réguliers entre les fournisseurs de données pour les prévisions. Cela exige également implicitement un certain niveau de comparabilité des données entre les pays de l’OCDE. Pour ce faire, un meilleur alignement des définitions et des fréquences entre les pays de l’OCDE est nécessaire. L’harmonisation des données nécessite également des contacts réguliers entre les fournisseurs de données et un organisme de coordination international afin de garantir qu’une définition unique soit clairement définie et applicable. Bien qu’une harmonisation complète puisse être difficile à réaliser, il s’agit en effet d’une condition importante pour que les prévisions transnationales puissent réellement s’améliorer. En fin de compte, tous ces échanges permettraient non seulement d’améliorer la qualité des prévisions en matière de migration, mais aussi de renforcer la collaboration entre les unités de prévision des pays de l’OCDE.

Références

[1] Abadie, A., A. Diamond et J. Hainmueller (2010), « Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California’s Tobacco Control Program », Journal of the American Statistical Association, vol. 105/490, pp. 493-505, https://doi.org/10.1198/jasa.2009.ap08746.

[11] Beine, M., G. Peri et M. Raux (2023), « International college students’ impact on the US skilled labor supply », Journal of Public Economics, vol. 223, p. 104917, https://doi.org/10.1016/j.jpubeco.2023.104917.

[14] Böcker, A. (1994), « Chain migration over legally closed borders: Settled immigrants as bridgeheads and gatekeepers », The Netherlands’ Journal of Social Sciences, vol. 30/2, pp. 87-106.

[12] Brindle, B. et M. Sumption (2024), International students entering the UK labour market, https://migrationobservatory.ox.ac.uk/resources/commentaries/international-students-entering-the-uk-labour-market/.

[5] Carammia, M., S. Iacus et T. Wilkin (2022), « Forecasting asylum-related migration flows with machine learning and data at scale », Scientific Reports, vol. 12/1, https://doi.org/10.1038/s41598-022-05241-8.

[18] Cascio, E., E. Lewis et C. Zhang (2024), How Good are Proxies for Legal Status? Evidence from the Legalization of Two Million Mexicans, National Bureau of Economic Research, Cambridge, MA, https://doi.org/10.3386/w32632.

[7] Cinquini, M. et al. (2025), « A Practical Approach to Causal Inference over Time », Proceedings of the AAAI Conference on Artificial Intelligence, vol. 39/14, pp. 14832-14839, https://doi.org/10.1609/aaai.v39i14.33626.

[13] D., F. et Ö. M.N. (2014), International mobility of students - Its impact on labour market forecasts and its contribution to the Dutch economy, University of Maastricht, https://doi.org/10.26481/umarot.2014006.

[6] Goldin, J., J. Nyarko et J. Young (2024), « Forecasting Algorithms for Causal Inference with Panel Data », Proceedings of the 25th ACM Conference on Economics and Computation, pp. 1205-1205, https://doi.org/10.1145/3670865.3673641.

[2] Klößner, S. et G. Pfeifer (2017), « Outside the box: using synthetic control methods as a forecasting technique », Applied Economics Letters, vol. 25/9, pp. 615-618, https://doi.org/10.1080/13504851.2017.1352071.

[10] OECD (2022), International Migration Outlook 2022, OECD Publishing, Paris, https://doi.org/10.1787/30fe16d2-en.

[15] OECD (2017), « A portrait of family migration in OECD countries », dans International Migration Outlook 2017, OECD Publishing, Paris, https://doi.org/10.1787/migr_outlook-2017-6-en.

[9] Ranzato, M. et al. (dir. pub.) (2021), Conformal time-series forecasting.

[3] Rodríguez Sánchez, A. et al. (2023), « Search-and-rescue in the Central Mediterranean Route does not induce migration: Predictive modeling to answer causal queries in migration research », Scientific Reports, vol. 13/1, https://doi.org/10.1038/s41598-023-38119-4.

[8] Runge, J. et al. (2023), « Causal inference for time series », Nature Reviews Earth & Environment, vol. 4/7, pp. 487-505, https://doi.org/10.1038/s43017-023-00431-y.

[4] Scott, S. et H. Varian (2014), « Predicting the present with Bayesian structural time series », International Journal of Mathematical Modelling and Numerical Optimisation, vol. 5/1/2, p. 4, https://doi.org/10.1504/ijmmno.2014.059942.

[16] Viné, R. (2021), « Economic Drivers of Family Reunification in the Context of International Migration », SSRN Electronic Journal, https://doi.org/10.2139/ssrn.3761361.

[17] Wijkhuijs, L. et R. Jennissen (2010), Arbeidsmigratie naar Nederland.