Anticiper et se préparer aux flux migratoires

Résumé

Pourquoi prévoir les migrations est difficile – et pourtant indispensable

Les migrations sont un des phénomènes sociaux les plus complexes à anticiper. Les individus se déplacent pour des raisons profondément interconnectées : opportunités économiques, instabilité politique, préoccupations sécuritaires, éducation, raisons familiales ou aspirations personnelles. Ces facteurs interagissent avec les changements de politiques publiques, les crises géopolitiques, les chocs environnementaux et l’évolution des marchés du travail. Parfois, les flux évoluent progressivement ; à d’autres moments, ils augmentent brutalement en réponse à des conflits ou à des événements politiques. Les mouvements de réfugiés consécutifs au conflit syrien en 2015-2016 et à l’invasion à grande échelle de l’Ukraine par la Russie en 2022 ont montré à quel point il est difficile pour les gouvernements d’anticiper des déplacements massifs.

Pourtant, malgré cette incertitude inhérente, les gouvernements se doivent de tenter de prévoir les migrations. Sans estimations de prévisions, il devient presque impossible d’allouer convenablement les budgets, de planifier les besoins en logement et les services d’intégration, de gérer les systèmes d’asile ou d’adapter les politiques du marché du travail. Les prévisions facilitent la planification d’urgence, renforcent la manière de se préparer aux crises et permettent une communication publique plus transparente. Elles facilitent également la coopération internationale et le partage des contraintes en identifiant les points de tension potentiels avant qu’ils ne s’aggravent.

Le Groupe de travail de l’OCDE « Anticiper et se préparer aux flux migratoires » (MAP) a élaboré ce Manuel afin d’aider décideurs publics, fonctionnaires, analystes et modélisateurs à mettre en place des systèmes de prévision plus robustes. Le document souligne que les prévisions ne visent pas à obtenir des prédictions parfaites. Il s’agit plutôt de donner les bons outils afin de réduire l’incertitude, de se préparer à plusieurs scénarios plausibles et d’intégrer l’anticipation au cœur de la gouvernance des migrations.

Une approche unique ne suffit pas : adapter les prévisions aux différentes catégories migratoires

L’un des arguments centraux du Manuel est que les prévisions migratoires ne se résument pas à un chiffre agrégé unique. Si les projections démographiques reposent souvent sur des données de migration nette, les agréger sera insuffisant pour l’élaboration d’une politique opérationnelle. Une gouvernance efficace suppose de comprendre qui migre, sous quelle catégorie et pour quelles raisons précises.

Les différents flux migratoires répondent à des déterminants distincts et présentent des caractéristiques statistiques propres. Les flux dit « de migration forcée », tels que les demandes d’asile et les franchissements irréguliers de frontières, sont très volatils et souvent non stationnaires. Ils peuvent évoluer rapidement en réaction à des conflits, des catastrophes ou des changements de politiques. En revanche, les migrations de travail, pour études ou familiales peuvent suivre des trajectoires plus stables et structurées, souvent influencées par les conditions économiques ou les cadres institutionnels.

En raison de ces différences, les prévisions doivent être spécifiques à chaque catégorie. Les modèles de séries chronologiques tels que les modèles ARIMA peuvent convenir aux flux relativement stables. Les modèles économétriques peuvent aider à analyser des schémas structurés de migrations de travail ou pour études, bien qu’ils peinent souvent à anticiper des ruptures soudaines. Les méthodes bayésiennes aident à améliorer les résultats des prévisions en y intégrant des connaissances préalables (y compris celle provenant d’opinion d’experts) et l’incertitude. Plus récemment, les techniques d’apprentissage automatique – y compris les modèles basés sur des réseaux neuronaux – se sont avérées prometteuses pour les prévisions à court terme à partir de données à haute fréquence, en particulier pour l’asile et les migrations irrégulières.

Dans les pays de l’OCDE, les pratiques de prévision varient considérablement. De nombreux pays prévoient les demandes d’asile de manière régulière, mais peu prédisent les franchissements irréguliers de frontières ou les flux migratoires réglementés tels que les migrations de travail ou d’étudiants. La plupart des systèmes combinent modélisation quantitative et avis d’experts, reconnaissant que les modèles statistiques seuls ne peuvent saisir les changements politiques ou géopolitiques soudains. Le degré de complexité approprié dépend de la volatilité du flux, de l’horizon de prévision, de la disponibilité des données et des capacités institutionnelles. Dans de nombreux cas, des modèles plus simples (qu’ils soient améliorés par des sollicitations d’experts ou non) peuvent offrir des performances quasi-comparables tout en étant plus faciles à maintenir et à discuter.

Des modèles à la préparation : données, capacités et actualisation continue

Des données fiables constituent le socle de toute prévision migratoire, mais elles posent des défis importants. Les statistiques migratoires souffrent souvent de retards de publication, d’incohérences dans les définitions, d’une fréquence limitée et de ruptures de séries. Le Manuel propose d’évaluer les sources de données selon des critères tels que leur précision, leur ponctualité, leur couverture, leur granularité, leur continuité et la clarté des définitions.

Un compromis essentiel s’impose entre ponctualité et précision. Des données rigoureusement validées peuvent être disponibles trop tard pour un usage opérationnel, tandis que des indicateurs en temps réel ou disponibles à haute fréquence peuvent manquer de fiabilité. De plus en plus, les prévisionnistes complètent les données administratives par des sources alternatives basées sur des « traces numériques », telles que les données issues des recherches en ligne, des réseaux sociaux, des téléphones mobiles ou des bases de données d’événements. Ces sources innovantes peuvent améliorer les prévisions à court terme, en particulier dans des contextes ayant plus de volatilité.

Au-delà des méthodes et des données, la capacité institutionnelle est déterminante. Un système de prévisions efficace nécessite une infrastructure informatique sécurisée, des ressources de calcul suffisantes, des analystes qualifiés et une coordination interministérielle. Les systèmes de prévision doivent être intégrés dans les structures de gouvernance, soutenus par des mandats clairs et un engagement politique à long terme. Les accords de partage de données et la coopération interinstitutionnelle sont essentiels pour garantir leur pérennité.

Les prévisions doivent également être actualisées régulièrement. Les systèmes migratoires sont dynamiques, et les modèles doivent s’adapter aux événements nouveaux. Les prévisions à moyen terme pour quelques années exigent souvent un recalibrage annuel, tandis que les systèmes d’alerte précoce basés sur des données à haute fréquence et de prévisions sur quelques mois peuvent nécessiter des révisions mensuelles. Les changements géopolitiques ou politiques majeurs peuvent requérir des ajustements immédiats en dehors des cycles de mise à jour habituels.

En définitive, le Manuel présente les prévisions des migrations comme une approche structurée de gestion de l’incertitude. Une prédiction parfaite n’est ni possible ni un objectif en soi. Il est capital d’interagir de manière régulière avec les décideurs politiques afin de reconnaître cette réalité, tout en partageant les résultats des prévisions avec un réseau adapté de personnes prenant les décisions sur le terrain, afin de s’assurer que les prévisions, bien qu’incertaines, soient pertinentes. En adaptant les modèles aux différentes catégories migratoires, en investissant dans des données de qualité et dans des capacités institutionnelles, en combinant analyse quantitative et connaissance d’experts, et en assurant des mises à jour continues, les gouvernements peuvent renforcer significativement leur degré de préparation. La prévision devient ainsi non seulement un exercice technique, mais un pilier central d’une gouvernance des migrations résiliente fondée sur les données.