Anticiper et se préparer aux flux migratoires

4. Boîte à outils des prévisionnistes : le choix du modèle adapté

Quelles sont les méthodes et les modèles de prévision existants ?

Il existe différentes approches quantitatives et qualitatives pour prévoir les migrations, chacune avec ses propres hypothèses méthodologiques, ses forces et ses faiblesses. Cette section présente un aperçu des principales méthodes de prévision, qui servent de base méthodologique aux modèles présentés dans ce manuel. Pour un aperçu complet, voir Bijak (2011[1]), Sardoschau (2020[2]), Wiśniowski (Wiśniowski, 2021[3]), Disney et al. (2015[4]), Bijak et al. (2019[5]). Veuillez-vous reporter au glossaire pour une description détaillée des termes utilisés dans cette publication.

Les scénarios prévisionnels ou les modèles déterministes sont couramment utilisés en prévision démographique afin de définir des trajectoires futures plausibles des composantes de la population – la fécondité, la mortalité et les migrations. Ils peuvent également être utilisés, par exemple, pour anticiper les migrations familiales futures sur la base de modèles simples de migration en chaîne. Ces approches s’appuient généralement sur les tendances démographiques passées et peuvent être complétées par des informations qualitatives en cas de changements institutionnels majeurs (par exemple, l’élargissement de l’UE en 2004). Elles produisent des trajectoires, haute et basse, de référence, mais il ne s’agit pas de prévisions probabilistes (voir l’Encadré 4.2 pour un exemple récent d’analyse démographique basée sur des projections probabilistes de la migration). Ces méthodes ne tiennent généralement pas compte des changements imprévus dans la politique gouvernementale, des chocs économiques ou des perturbations environnementales, et elles ne modélisent pas explicitement l’incertitude.

Les prévisions fondées sur l’avis d’experts intègrent des informations qualitatives sur les évolutions futures (politiques migratoires, tendances économiques, changements environnementaux et progrès technologiques) qui peuvent ne pas être reflétées dans les données historiques (voir par exemple (Lutz et Scherbov (1998[6]) ou Sohst, Acostamadiedo et Tjaden (2023[7]) voir également Encadré 4.1). L’avis des experts peut être fourni directement par les prévisionnistes ou obtenu par le biais d’enquêtes structurées auprès d’experts, telles que la méthode de Delphes (voir le chapitre 6 et l’encadré 6.2). La méthode de Delphes facilite le retour d’information itératif et la recherche d’un consensus dans un cadre anonyme. Bien qu’utiles, ces méthodes peuvent souffrir d’un excès de confiance et d’une tendance à sous-estimer l’incertitude, en particulier lorsque les tendances ont été relativement stables.

Encadré 4.1. Prévisions en matière d’asile fondées sur l’avis d’experts : l’exemple de la Suisse

Depuis 2005, la Suisse (Secrétariat d’État aux migrations) dispose d’une unité d’analyse des migrations spécialisée dans les prévisions relatives aux demandes d’asile. Étant donné que les migrations liées à l’asile peuvent changer du jour au lendemain en raison d’événements presque impossibles à prévoir (COVID‑19, printemps arabe, etc.), la Suisse a choisi d’établir des scénarios de flux migratoires fondés sur l’avis d’experts, sans recourir à des modèles de données. Les scénarios sont élaborés à partir de six grands facteurs :

1. La situation dans les pays d’origine (par exemple, les conflits, les violations des droits humains, les pressions économiques incitant à migrer) est recueillie par les analystes en migration au moyen d’une enquête. Les experts du SEM spécialisés dans les pays d’origine sont invités à évaluer l’évolution probable des flux vers l’Europe. Des rapports supplémentaires d’agents de liaison chargés des questions migratoires en poste dans les ambassades suisses sont également pris en considération ;

2. Les informations sur la situation sur les routes migratoires (par exemple, les informations quantitatives sur les franchissements irréguliers de frontières, les mesures de contrôle des migrations prises aux frontières extérieures de l’UE, les possibilités de voyage légales) sont recueillies auprès des pays et d’autres acteurs internationaux ;

3. La situation économique dans les pays de première entrée de l’UE par rapport à la Suisse ;

4. Mesures prises par les pays européens en matière de politique migratoire et d’asile ;

5. Mesures prises par la Suisse en matière de politique migratoire et d’asile ;

6. Mise en œuvre future par la Suisse de la procédure de Dublin et du Pacte européen sur la migration et l’asile.

Ces six facteurs se voient attribuer un « poids » différent par les analystes en matière de migration. Au début de chaque année, sur la base de toutes ces informations, l’unité d’analyse des migrations établit quatre scénarios. Les experts attribuent différentes probabilités de réalisation à ces scénarios, ainsi qu’aux principales nationalités d’origine des demandeurs. Ce pronostic annuel et ses scénarios sont ensuite réévalués en milieu d’année.

Les modèles de séries chronologiques, en particulier les modèles autorégressifs à moyenne mobile intégrée (ARIMA), extrapolent les tendances migratoires passées pour estimer les tendances futures. Ces modèles supposent que les valeurs futures dépendent des valeurs passées, d’un terme de dérive et d’une composante d’erreur (voir par exemple de Beer, J. (1997[8]) ou Keilman et al. (2001[9]). Par exemple, une marche aléatoire avec dérive (ARIMA(0,1,0)) est souvent utilisée pour modéliser les tendances migratoires : ln(m_t+1) = c + ln(m_t) + ε_t, où le logarithme de la migration prévue, m_t+1, dépend de la valeur de la période précédente, m_t, d’une constante de dérive c et d’un terme d’erreur ε_t, généralement supposé suivre des distributions normales centrées indépendantes. Les extensions multivariées, telles que les modèles ARIMAX ou VAR, permettent d’inclure des variables interdépendantes supplémentaires telles que la croissance du PIB ou les taux de chômage. Les modèles de séries chronologiques sont intéressants en raison de leurs fondements statistiques bien établis et des outils logiciels disponibles. Cependant, ils sont principalement extrapolatifs et ne peuvent pas facilement intégrer des changements politiques ou structurels, sauf s’ils sont prédéfinis.

Les projections démographiques probabilistes basées sur l’avis d’experts ont la forme suivante : où le flux migratoire étudié, $v_t$, est composé de la trajectoire moyenne du processus, $\stackrel{-}{v}$, qui est une hypothèse a priori tirée du jugement subjectif des experts, et du terme d’erreur, ${\epsilon }_t$, suivant le processus stochastique choisi (voir par exemple Lutz et al. (2000[10])). À partir des avis recueillis auprès d’experts, des processus stochastiques sont ensuite mis en œuvre pour générer une série de scénarios démographiques futurs possibles. Chaque simulation tient compte des variations aléatoires des taux démographiques, reflétant l’incertitude inhérente à la dynamique démographique. Ces prévisions fournissent une distribution de probabilité complète des tailles et des structures démographiques futures, plutôt qu’une seule prévision déterministe. Ces modèles sont limités en particulier par leur manque de fondement empirique, bien que des ajustements puissent être apportés lorsque des ruptures structurelles (par exemple, l’élargissement de l’UE) sont anticipées.

Les modèles basés sur les agents (ABM) simulent les comportements et les décisions individuels au sein d’un système d’agents en interaction – migrants, institutions ou autres acteurs. Les agents réagissent aux informations (par exemple, les écarts salariaux) et prennent des décisions de manière stochastique dans un environnement d’information imparfait (voir par exemple Willekens (2019[11]) et Klabunde et Willekens (2016[12]) ou McAlpine et al. (2020[13])). Ces modèles permettent une modélisation causale riche de la dynamique des migrations, des trajectoires de vie et des interactions entre les facteurs micro et macroéconomiques. Les modèles basés sur les agents peuvent intégrer la rétroaction entre les décisions individuelles et les réponses institutionnelles, offrant ainsi un outil puissant pour les prévisions causales et basées sur des scénarios. Le principal inconvénient de ces modèles est qu’ils reposent sur des hypothèses et des paramètres complexes, difficiles à estimer et ayant un impact important sur les résultats. Ils sont généralement plus utiles pour identifier les canaux de transmission vers les variables dépendantes dans des systèmes interactifs complexes que pour produire des prévisions fiables.

Les modèles économétriques ou causaux, tels que les modèles logit ou probit, estiment les migrations en fonction de variables explicatives, ce qui permet de tester des théories et d’analyser les politiques. Cependant, les théories sur la migration sont à ce stade trop fragmentées et instables pour permettre des prévisions.

Les modèles gravitationnels font partie des modèles causaux les plus largement utilisés (voir Beine al. (2015[14]) pour un aperçu complet). Ils sont basés sur la distance, les vagues migratoires précédentes ainsi que les caractéristiques macroéconomiques et les liens entre les pays d’origine et de destination. Ils expliquent les flux migratoires passés avec un degré de précision satisfaisant, mais ne parviennent généralement pas à anticiper les ruptures dans les tendances migratoires et sont peu adaptés aux déplacements forcés. La résistance multilatérale dans les modèles gravitationnels permet de prendre en compte d’autres destinations, ce qui peut être particulièrement pertinent pour certaines catégories de migration où la concurrence entre les pays de destination est forte (par exemple, les étudiants internationaux ou les migrants hautement qualifiés). Des travaux récents (Beyer, Schewe et Lotze‑Campen (2022[15]), Welch et Raftery (2022[16])) montrent toutefois que les modèles gravitationnels ne peuvent ni expliquer ni prédire correctement la dynamique temporelle des mouvements humains.

Les modèles à équations simultanées (SEM) sont un autre exemple de modèles économétriques utilisés dans les prévisions migratoires. Ils modélisent les relations d’interdépendance multiples entre la migration et d’autres facteurs socio-économiques, offrant ainsi une analyse plus riche au niveau du système (voir par exemple Burzynski et al. (2020[17]); Dao et al. (2021[18])). Bien que prometteurs pour les prévisions au niveau régional, les SEM sont limités par la comparabilité et la disponibilité des données entre les pays.

L’approche bayésienne intègre des informations préalables, y compris l’avis d’experts, dans des modèles statistiques (voir par exemple le modèle (Bijak et Wiśniowski (2010[19])). Dans l’approche bayésienne, les prévisions reposent sur la construction d’une distribution de probabilité du vecteur des valeurs futures de la variable dépendante, X_f, conditionnelle au vecteur des valeurs passées (observées), X, et tenant compte des connaissances a posteriori sur les paramètres du modèle de prévision, θ. La distribution de probabilité prédictive de X_p, peut être interprétée comme une moyenne de la distribution prédictive conditionnelle p(X_p|θ, X), pondérée par les probabilités a posteriori des paramètres (voir Bijak (2005[20]) pour des explications plus détaillées). Un aspect important est le choix de la distribution de probabilité a priori des paramètres estimés, p(θ), qui reflète les connaissances du chercheur. Cette approche permet une intégration cohérente de l’incertitude du modèle, de l’incertitude des données et de l’incertitude inhérente aux conditions futures. Les méthodes bayésiennes sont particulièrement utiles lorsque les données historiques sont rares ou bruitées. Par exemple, si un expert estime qu’un flux donné est non stationnaire, la distribution a priori d’un terme autorégressif dans le modèle prend une valeur de 1 ou plus. Voir le chapitre 6 pour plus de détails).

Les modèles d’apprentissage automatique sont basés sur des données plutôt que sur des hypothèses et sont de plus en plus utilisés pour les prévisions migratoires à court terme (de quelques jours à quelques mois) (voir par exemple Carammia et al. (2022[21]) ; Robinson et Dilkina (2018[22])). Par exemple, Dynamic Elastic Net (DynENet) est un genre relativement nouveau de méthode de régularisation qui combine la sélection et l’estimation de modèles dans un cadre unique. Elle offre : parcimonie (ne sélectionne que les variables pertinentes), adaptabilité spécifique au flux, résilience aux données manquantes, adaptabilité temporelle (via des fenêtres d’entraînement mobiles) et interprétabilité grâce à sa forme fonctionnelle linéaire (Carammia, Iacus et Wilkin, 2022[21]).

Les réseaux à mémoire longue à court terme (LSTM) constituent un autre exemple de modèles d’apprentissage automatique. Il s’agit d’une forme de réseaux neuronaux récurrents (RNN) capables d’apprendre les dépendances à long terme dans les données séquentielles. Ils maintiennent et mettent à jour des états de « mémoire » pour alimenter les prédictions. Bien que puissants pour capturer la non‑linéarité, les LSTM sont souvent critiqués pour leur interprétabilité limitée et leur tendance au surajustement.

Encadré 4.2. Projections probabilistes des tendances futures des migrations internationales dans les Perspectives démographiques mondiales 2024

Pour la première fois, la variante moyenne des migrations internationales nettes dans la révision 2024 des Perspectives démographiques mondiales des Nations Unies a été élaborée à l’aide de méthodes probabilistes. Une approche hiérarchique bayésienne a été utilisée pour modéliser les trajectoires futures du taux brut de migration nette et pour tenir compte des incertitudes et des corrélations entre les pays et dans le temps. L’approche analytique suit les 10 étapes suivantes :

1. À partir des estimations annuelles des taux bruts de migration nette de 1950 à 2023 pour tous les pays issus de la révision de 2024, un modèle autorégressif bayésien hiérarchique de premier ordre, ou AR(1), a été ajusté aux données sur les taux bruts de migration nette pour tous les pays afin d’estimer les paramètres du modèle de migrations d’Azose et Raftery (2015[23]).

2. Par défaut, la période d’estimation utilisée pour l’ajustement du modèle se référait à la période 1950-2023, mais l’application de méthodes statistiques autorégressives dans ce contexte s’est heurtée à deux types de difficultés pour certains pays : (1) le taux de variation global spécifique au pays et le taux de migration net moyen à long terme sont influencés par la période de référence utilisée pour ajuster le modèle, qui peut devoir être ajustée en fonction du contexte historique du pays (par exemple, conflits ou changements politiques et économiques), et (2) les projections à court et à long terme sont fortement influencées par la situation la plus récente (par exemple, les pays connaissant d’importants flux entrants/sortants de migrants ou de réfugiés en 2023). Les connaissances des experts ont été intégrées pour éclairer les distributions a priori et fournir des indications supplémentaires pour l’ajustement du modèle en ce qui concerne la période de référence utilisée pour un ensemble spécifique de lieux.

3. Afin de relever les défis posés par l’ensemble des pays ayant récemment connu d’importants mouvements nets de migrants internationaux ou de réfugiés, les connaissances d’experts ont été utilisées pour définir les années cibles prévues au cours desquelles la situation dans ces lieux devrait revenir à un niveau de référence. Pour un sous-ensemble de ceux qui ont connu d’importants flux entrants ou sortants de réfugiés récents, l’expertise a également été utilisée pour déterminer la proportion de réfugiés qui devraient retourner dans leur pays d’origine d’ici l’année cible. Pour chacun de ces cas, certaines valeurs interpolées linéairement ont été estimées entre la base de référence de 2023 et la valeur médiane prévue pour l’année cible définie par l’utilisateur. Toutes les trajectoires probabilistes ont été ajustées proportionnellement en fonction des valeurs attendues pour la trajectoire médiane de chaque pays.

4. À partir des résultats de l’ajustement du modèle (étape 1) et des contraintes supplémentaires (étapes 2 et 3), le package R bayesMig (Azose, Sevcikova et Raftery, 2023[24]) a été utilisé pour créer des projections des taux de migration nets et générer 2 000 trajectoires de 2024 à 2100 pour chaque pays.

5. Après examen des résultats des projections médianes des taux de migration nets pour chaque pays, pour un sous-ensemble de lieux, le niveau par défaut de la projection à long terme jusqu’en 2100 a été jugé trop éloigné des attentes antérieures et des connaissances des experts sur l’histoire et le contexte des pays. Pour chacun de ces cas, des valeurs cibles définies par l’utilisateur ont été définies et utilisées comme contraintes pour la période de projection définie par l’utilisateur. Toutes les trajectoires probabilistes ont été ajustées en fonction de ces valeurs attendues pour la trajectoire médiane de chaque pays.

6. Des contraintes supplémentaires ont également été imposées aux taux de migration cumulés sur différentes périodes afin d’éviter que la migration nette n’augmente indéfiniment, ce qui générerait une croissance démographique irréaliste. Les contraintes maximales suivantes ont été imposées à la migration cumulée pour chacune des 2 000 trajectoires de plusieurs pays de la région du Golfe, où les travailleurs migrants temporaires représentent une part importante de la population. Ces limites ont été fixées sur la base des fluctuations passées enregistrées par ces pays et des 95^e centiles hors contrainte.

7. Sur la base des contraintes supplémentaires des étapes 5 et 6, un nouvel ensemble de projections des chiffres de migration nette a été généré afin de prendre en compte cet ensemble de contraintes en plus de celles des étapes 2 et 3, et 2 000 trajectoires ont été exportées pour chaque pays.

8. À partir de ces 2 000 trajectoires des taux de migration nette, un premier ensemble de chiffres de migration nette a été calculé afin de générer des projections démographiques probabilistes basées sur les données relatives à la population, à la fécondité et à la mortalité par âge et par sexe issues de la révision de 2024, ainsi que sur les 2 000 trajectoires des taux de fécondité totaux, de l’espérance de vie à la naissance par sexe et des taux de migration nette (étape 6), combinées à des hypothèses fondées sur des modèles concernant la répartition prévue des migrants par sexe et par âge.

9. Comme pour les estimations, un équilibrage des migrations nettes a été effectué pour les projections, en tant qu’étape finale, afin de garantir qu’au niveau mondial, la somme de tous les flux migratoires internationaux nets soit égale à zéro pour chaque année de la période de projection. Afin de garantir que, pour chacune des 2 000 trajectoires, la somme annuelle des migrations nettes dans tous les pays soit égale à zéro, une étape supplémentaire a été mise en œuvre pour « équilibrer » le nombre total de migrations nettes.

10. Les 2 000 trajectoires ajustées et équilibrées des chiffres de migrations nettes totales (étape 9) pour chaque pays ont été exportées et utilisées comme données d’entrée pour le calcul final des projections probabilistes de la population. Elles ont également été utilisées pour générer les valeurs médianes projetées pour chaque pays qui ont été utilisées pour le scénario déterministe moyen de la révision de 2024 (après avoir appliqué une étape de rééquilibrage supplémentaire comme décrit à l’étape 9, car la somme annuelle de toutes les médianes des pays est initialement déséquilibrée).

Source : UN DESA/POP/2024/DC/NO.10 (2024) Methodology of the United Nations population estimates and projections, https://population.un.org/wpp/assets/Files/WPP2024_Methodology.pdf.

Quel est le modèle de prévision approprié à chaque catégorie de migration?

Les sections précédentes donnent un aperçu des différentes méthodes de prévision. Divers critères, tels que le type de flux migratoire, la stationnarité des séries de données, l’horizon temporel et les ressources disponibles, permettent de déterminer le modèle de prévision le plus approprié parmi ceux-ci (voir Graphique 4.1). Par exemple, pour la migration forcée (franchissements irréguliers de frontières, asile, ainsi que les catégories intermédiaires entre migrations régulières et irrégulières, telles que les phénomènes de migration mixte), les modèles d’apprentissage automatique utilisant à la fois des données traditionnelles et innovantes sont préférables, tandis que pour les migrations régulières, des modèles économétriques autonomes ou des modèles économétriques combinés à des avis d’experts peuvent être utilisés.

Graphique 4.1. Arbre décisionnel permettant d’identifier les meilleurs modèles de prévision des migrations en fonction des besoins et des ressources des utilisateurs nationaux

Alors qu’auparavant, la littérature portait principalement sur les tendances migratoires globales, au cours de la dernière décennie, l’attention s’est tournée vers les déplacements forcés et les franchissements irréguliers de frontières. Entre‑temps, les modèles déterministes et les prévisions d’experts, ainsi que les séries chronologiques et les modèles causaux, ont été progressivement complétés par l’apprentissage automatique et les modèles bayésiens, qui sont devenus plus opérationnels à mesure que les mégadonnées et les puissances de calcul élevées sont devenues plus accessibles. Cela vaut autant pour les prévisions à court terme, telles que les prévisions immédiates (Encadré 4.3), que pour les prévisions à moyen terme (12 à 18 mois).

Encadré 4.3. Prévisions immédiates : prévisions à court terme et systèmes d’alerte précoce

Une catégorie particulière de méthodes de prévision des migrations concerne les approches de prévision immédiate, qui consistent à prédire les flux migratoires pour la période actuelle ou le futur proche. Ce domaine de recherche a connu un développement rapide ces dernières années, amplifié par la prolifération de sources de mégadonnées, notamment les données de téléphonie mobile (Lai et al. (2019[25])), les réseaux sociaux (Alexander et al. (2019[26]) ; Culora et al. (2019[26]) ; Culora et al. (2021[27]) ; Leasure et al. (2023[28]) ; Rampazzo et al. (2024[29])), les données de recherche en ligne (Böhme et al. (2020[30]) ; Avramescu et Wiśniowski (2021[31])) ou les marchés de prédiction expérimentaux (Morgenstern et Strijbis (2024[32])). Bon nombre de ces méthodes ont réussi à combiner les avantages des sources non traditionnelles, telles que la rapidité des données provenant des téléphones mobiles ou des réseaux sociaux, avec les caractéristiques connues des données plus traditionnelles, telles que les recensements ou les enquêtes. Ce domaine d’application de méthodes novatrices pour prédire les flux migratoires actuels ou à court terme est très prometteur et a déjà suscité l’intérêt de la communauté des utilisateurs : des organisations telles que le Centre international de surveillance des déplacements (IDMC (2022[33])) ou l’Agence des Nations Unies pour les réfugiés (HCR (HCR, 2025[34])) développent leurs propres modèles de prévision à court terme pour les populations qui les intéressent, ce qui est particulièrement important dans des contextes en évolution rapide tels que l’asile ou d’autres catégories de déplacements forcés.

Un groupe particulier de méthodes connexes, étroitement liées à la notion de préparation aux événements rares (pour une discussion, voir Bijak (2024[35])), concerne les alertes précoces, c’est-à-dire la détection des changements dans les tendances des flux migratoires ou de déplacement, généralement sur la base de données à fréquence plus élevée (quotidienne, hebdomadaire ou mensuelle), telles que les flux liés à l’asile. Ces techniques visent à identifier les changements potentiels, idéalement en temps réel ou à l’avance, afin de les signaler pour qu’ils fassent l’objet d’une attention particulière et, éventuellement, d’une réponse opérationnelle. Les méthodes utilisées pour les applications d’alerte précoce comprennent des techniques simples et descriptives, telles que les approches par somme cumulative (cusum) (Napierała et al., 2021[36]), l’approche par momentum (Carammia, Iacus et Wilkin, 2022[21]) ou l’utilisation d’alertes lorsque les flux dépassent un seuil de centile élevé au cours de la période précédente. Elles vont également des modèles économétriques (Barker et Bijak, 2022[37]) à des techniques d’apprentissage automatique plus avancées, qui visent à la fois à identifier le signal indiquant un éventuel changement de tendance et à sélectionner les prédicteurs les plus significatifs parmi une gamme d’options, y compris des bases de données textuelles à grande échelle (telles que GDELT – Global Database of Events, Language and Tone, http://www.gdeltproject.org/, voir Carammia, Iacus et Wilin (2022[21])). Les modèles d’alerte précoce sont généralement évalués en fonction de leur capacité à prédire les changements réels de tendance, en évitant à la fois les fausses alertes et les détections manquées.

L’état des lieux actuel des méthodes de prévision des migrations est caractérisé par une innovation constante, mais il est limité d’une part par le manque de données adéquates et appropriées et, d’autre part, par l’incertitude inhérente aux processus migratoires. Compte tenu de ces deux contraintes, une question méthodologique fondamentale se pose pour anticiper les flux migratoires : comment choisir le modèle le mieux adapté à la tâche à accomplir ? Cette section résume brièvement les différentes catégories de modèles qui pourraient être pertinentes pour différents types de migration et d’horizons temporels. Elle examine également les avantages et les inconvénients relatifs des différents types de modèles, en tenant compte des ressources disponibles (financières, humaines, matérielles, etc.) ainsi que de la disponibilité des données.

Lorsqu’on discute du choix des approches de modélisation appropriées, il peut être utile de partir des caractéristiques du processus en question. D’un point de vue statistique, l’une de ces caractéristiques clés est la stationnarité, une propriété qui indique si le processus migratoire présente les mêmes caractéristiques (telles que la moyenne ou la variabilité) au fil du temps (Bijak, 2011[1] ; 2024[35])). Les processus stationnaires sont plus faciles à modéliser, et leur incertitude prédictive est plus simple à décrire à l’aide de probabilités et à calibrer sur la base de données chronologiques passées. La stationnarité indique la présence d’un équilibre, vers lequel la migration finit par revenir même après des événements générant des flux beaucoup plus élevés ou beaucoup plus faibles. En revanche, pour les processus non stationnaires, tels que les marches aléatoires, les processus avec des changements de tendances ou de niveau, le point d’équilibre est en constante évolution. En conséquence, l’incertitude prédictive augmente rapidement, rendant les prévisions peu utiles au-delà d’un horizon de quelques années (Bijak et Wiśniowski, 2010[19]).

La distinction entre processus stationnaires et non stationnaires est visible dans l’analyse des différents types de flux migratoires, tels que les franchissements irréguliers de frontières, l’asile, la famille, les études, le travail ou les retours. Comme le soutient de Beer (2008[38])), ces flux devraient idéalement être analysés et leurs prévisions effectuées séparément, car ils sont susceptibles de répondre à des facteurs et des politiques différents et de se caractériser par des dynamiques différentes. Les traiter séparément permet non seulement de prendre en compte formellement l’hétérogénéité des flux migratoires, mais aussi de trouver le modèle statistique le mieux adapté à chaque cas. Cette suggestion a été confirmée empiriquement : Bijak et al. (2019[5]) ont analysé plusieurs flux migratoires vers le Royaume‑Uni au début des années 2000 (les retours étant moins volatils, les migrations de travail plus volatiles et l’asile encore plus volatile), aboutissant à des recommandations concrètes pour le choix du modèle en fonction de la nature des processus spécifiques et de la disponibilité des données. Du point de vue de l’utilisation pratique des prévisions, Bijak et al. (2019[5]) ont suggéré d’adopter une approche de gestion des risques, dans laquelle l’incertitude (et l’imprévisibilité) des processus est mise en parallèle avec leur impact pour une partie prenante donnée, afin de permettre de hiérarchiser les ressources dans les domaines à forte incertitude et à fort impact, tels que l’asile.

Les recommandations pratiques pour le choix d’une méthode de prévision appropriée sont donc spécifiques au flux : Bijak et al. (2019[5]) ont suggéré de procéder (a) à l’analyse des propriétés statistiques des flux concernés (telles que la stationnarité ou l’incertitude), puis (b) à l’évaluation formelle des données disponibles (données administratives ou recensements par rapport aux données innovantes et aux traces numériques) ; enfin (c) à la sélection d’un modèle approprié capable de refléter les propriétés (a) et adapté aux données disponibles (b) (voir Graphique 4.1).

Le Tableau 4.1 résume les caractéristiques stylisées des sept principaux types de flux migratoires, ainsi que l’évaluation de leurs propriétés et des données généralement utilisées, et les recommandations pour le choix de la méthode, sur la base des arguments présentés ci-dessus. La manière de développer avec précision le modèle le plus efficace est abordée plus loin (voir le chapitre 6). Sans surprise, les processus volatils tels que les passages irréguliers des frontières et les demandes d’asile présentent une non-stationnarité et une grande incertitude, mais étant donné la disponibilité de séries relativement longues de données à haute fréquence, ils offrent la possibilité d’utiliser des méthodes avancées d’apprentissage automatique, contrairement à la plupart des autres flux, qui ne sont mesurés que trimestriellement ou annuellement. Le rôle potentiel des approches d’apprentissage automatique pour les flux migratoires réglementés, pour lesquels des ensembles de données administratives et liées à haute fréquence sont de plus en plus disponibles, n’a guère été étudié jusqu’à présent (voir l’Encadré 6.3 pour l’utilisation d’une approche d’apprentissage automatique pour prévoir les flux d’étudiants internationaux). Il reste à voir si ces approches peuvent être utiles pour des catégories de migration moins volatiles et moins incertaines.

Tableau 4.1. Caractéristiques stylisées des sept principaux types de flux migratoires, données types et recommandations pour choisir les méthodes de prévision possibles

Type de migration	Stationnarité	Incertitude	Sources de données typiques	Fréquence des données	Longueur des séries	Méthodes possibles
Franchissement de frontières irréguliers	Très peu probable	Très élevée	Données administratives, données innovantes et « traces numériques »	Généralement quotidiennes, hebdomadaires ou mensuelles	Longue : plusieurs années de données hebdomadaires	Méthodes statistiques et d’apprentissage automatique ; méthodes fondées sur l’expertise
Asile	Très peu probable	Très élevée	Données administratives, données innovantes et « traces numériques »	Généralement quotidiennes, hebdomadaires ou mensuelles	Longue : plusieurs années de données hebdomadaires	Méthodes statistiques et d’apprentissage automatique ; méthodes fondées sur l’expertise
Migrations familiales	Probable	Moyenne	Registres, données administratives, enquêtes	Généralement trimestrielles ou annuelles	Courte : jusqu’à 10‑20 ans	Séries temporelles statistiques et économétriques
Migration d’étudiants internationaux	Peu probable	Moyenne	Registres, données administratives, enquêtes	Généralement annuelles	Courte : jusqu’à 10‑20 ans	Séries temporelles statistiques et économétriques ; méthodes fondées sur l’expertise
Migrations de travail	Peu probable	Élevée	Registres, données administratives, enquêtes	Généralement trimestrielles ou annuelles	Courte : jusqu’à 10‑20 ans	Séries temporelles statistiques et économétriques ; méthodes fondées sur l’expertise
Retour	Probable	Faible à moyenne	Registres, recensements, enquêtes	Généralement trimestrielles ou annuelles	Courte : jusqu’à 10‑20 ans	Séries temporelles statistiques et économétriques
Transit	Peu probable	Moyenne	Registres, enquêtes	Généralement trimestrielles ou annuelles	Courte : jusqu’à 10‑20 ans	Séries temporelles statistiques et économétriques ; méthodes fondées sur l’expertise

Dans les pays de l’OCDE et les organisations internationales auxquelles participent les pays de l’OCDE, environ la moitié des exercices de prévision combinent des modèles statistiques/économétriques de séries chronologiques et des avis d’experts (Tableau 4.2). Ces modèles s’appuient sur des données historiques, telles que les demandes d’asile ou les permis de séjour, ainsi que sur des sources non quantitatives telles que les changements de politique, les rapports du renseignement et la planification de scénarios (voir le Tableau 5.1. pour plus de détails sur les sources de données). Par ailleurs, plus d’un tiers des approches de prévision s’appuient exclusivement sur des modèles basés sur des données, tandis que les modèles basés sur l’avis d’experts ne sont utilisés que par trois pays, dont la Suisse.

Pour prévoir les migrations forcées, la plupart des pays utilisent une approche mixte, tandis que les prévisions relatives aux flux migratoires réglementés sont plus variées. Dans ce dernier cas, le nombre d’approches mixtes est à peu près égal à celui des approches purement quantitatives (quatre pays chacun), deux pays recourant uniquement à l’avis d’experts. Il convient de noter que très peu de pays et d’agences de l’UE ont jusqu’à présent exploré l’utilisation de modèles d’apprentissage automatique pour prévoir les migrations.

Tableau 4.2. Quels modèles sont actuellement utilisés dans les pays de l’OCDE ?

Institution	Migration type	Model
Frontex	Franchissements de frontières	Méthodes comprenant l’analyse des séries chronologiques et la régression, l’analogie historique, le consensus du panel et l’analyse qualitative de la gestion des risques.
Allemagne	Franchissements de frontières	Des méthodologies intégrant l’IA et les technologies d’apprentissage automatique (encore à leurs débuts) ont été utilisées sur une période de 12 mois.
États-Unis MAC	Franchissements de frontières	Cadre de méthodes mixtes combinant des modèles d’apprentissage automatique et des ajustements subjectifs apportés par des experts en la matière (SME).
Autriche	Demandes d’asile	Extrapolations des tendances observées à partir d’hypothèses de scénarios.
Belgique	Demandes d’asile	Régression de séries chronologiques conduisant à 3 scénarios, avec prise en compte d’un effet saisonnier. Les scénarios sont ensuite discutés par des experts.
EUAA	Demandes d’asile	Plusieurs modèles (par exemple, TSLM, lissage exponentiel, ARIMA, apprentissage automatique, régression de séries chronologiques basée sur les variations mensuelles en pourcentage des demandes d’asile au cours des six dernières années) sont testés et leurs résultats sont utilisés pour former quatre à cinq scénarios, du scénario (très) bas au scénario (très) élevé. La probabilité des scénarios construits à partir des modèles est déterminée par des experts.
France	Demandes d’asile	DSED/DGEF : modèle de régression linéaire, logarithmique ou exponentielle basé sur les demandes d’asile passées, ajusté après une réunion d’experts. OFPRA : modèle de régression linéaire ou logarithmique basé sur l’évolution des demandes d’asile passées.
Allemagne	Demandes d’asile	Prévisions basées sur des scénarios adaptées de la méthodologie de l’EUAA (voir ci-dessus).
Irlande	Demandes d’asile	Prévisions basées sur des scénarios adaptées de la méthodologie de l’EUAA (voir ci-dessus). Cette approche comprend cinq scénarios, allant d’un scénario « bas » (changements au 20e centile) à un scénario « haut » (changements au 80e centile). Chacun d’entre eux est basé sur des données historiques, complétées par un scénario supplémentaire basé sur des données et fondé sur la décomposition saisonnière et tendancielle.
Pays-Bas	Demandes d’asile	Prévision probabiliste bayésienne combinant des séries chronologiques statistiques et l’intuition harmonisée d’experts.
Norvège	Demandes d’asile	Modèles de régression basés sur des données récentes et des facteurs prédictifs susceptibles d’influencer les flux futurs.
Pologne	Demandes d’asile	Méthode qui tient compte de la saisonnalité des phénomènes migratoires sur la base de l’analyse des données historiques et des connaissances des employés et des collaborateurs. Cela comprend des informations sur les pays d’origine, les diasporas en Pologne et dans d’autres pays européens, ainsi que les pratiques migratoires actuelles des citoyens de certains pays d’origine.
Suisse	Demandes d’asile	Quatre scénarios possibles sont déterminés par des experts, en fonction du nombre de demandeurs : faible, moyen, élevé et très élevé. Chaque scénario tient compte du nombre de demandes d’asile de l’année précédente, des changements dans les pays d’origine des demandeurs d’asile, des routes migratoires vers et au sein de l’Europe, ainsi que des pays de transit et/ou de destination importants. En outre, les changements dans les pratiques d’asile et de retour de la Suisse et d’autres pays européens (y compris leur mise en œuvre de la convention de Dublin) et des États-Unis sont également pris en compte.
Australie	Migrations de travail	Les objectifs sont définis par des experts, après consultation (par exemple, avec l’administration fédérale, l’administration des États et des territoires, des chercheurs, des modélisateurs du ministère du Trésor).
Japon	Migrations de travail	Modèle macroéconométrique (prévision du PIB futur, etc., reflétant l’innovation et les changements démographiques) pour estimer la demande de main-d’œuvre étrangère au Japon et l’offre de main-d’œuvre dans les pays d’origine, modèle d’équilibre général appliqué pour estimer la demande de main-d’œuvre étrangère spécifique à chaque secteur (voir Encadré 8.2).
Corée	Migrations de travail	Projection de l’offre de main-d’œuvre par profession et modèle d’équilibre général prévoyant la demande de main-d’œuvre (sur la base de la productivité et des changements technologiques), selon quatre scénarios avec différentes hypothèses de substituabilité. Le quota annuel de visas par secteur peut être établi sur la base des impacts différentiels anticipés de ces prévisions de l’offre et de la demande de main-d’œuvre (voir Encadré 8.2).
Pologne	Migrations de travail	Modèle quantitatif basé sur des données historiques complétées par des recherches qualitatives.
Türkiye	Migrations de travail	Méthode d’enquête Delphi utilisant la représentation volontaire d’institutions publiques, d’organisations internationales, d’universités et de partenaires sociaux.
Canada	Toutes les catégories de flux réglementés	Le Canada effectue des prévisions de la demande pour les résidents temporaires (RT), les enregistrements biométriques, les demandes et preuves de citoyenneté, la demande de passeports et les cartes de résident permanent (phase II). Le cadre de prévision pour les RT et les données biométriques comprend des catégories clés telles que les visas de résident temporaire (VRT), les permis de travail (PT), les permis d’études (PE) et leurs prolongations associées. Les prévisions sont générées chaque mois à l’aide de modèles ARIMAX, de lissage exponentiel et de composantes non observées, étayés par des informations opérationnelles, une expertise dans le domaine et des connaissances commerciales. Des prévisions basées sur des hypothèses sont également utilisées pendant les périodes d’incertitude, telles que les pandémies, les conflits ou les changements politiques importants. Sur cette base, l’IRCC prévoit d’étudier l’utilisation de l’apprentissage automatique et d’approches hybrides combinant statistiques et apprentissage automatique pour les prévisions en matière de migration.
France	Toutes les catégories de flux réglementés	Modèles ARIMA et SARIMA (selon la catégorie de migration), utilisant les données historiques depuis 2011 (à l’exception de 2020).
Norvège	Toutes les catégories de flux réglementés	Modèles de régression basés sur des données récentes.
Finlande	Toutes les catégories de flux réglementés (sauf es migrations familiales)	Modèles qualitatifs et quantitatifs utilisant l’avis d’experts, les données relatives à l’environnement opérationnel et les facteurs de changement.
Suède	Toutes les catégories de flux réglementés	Approche mixte basée sur l’analyse quantitative des séries chronologiques des tendances historiques des demandes en Suède, y compris les facteurs prédictifs, complétée par une analyse qualitative réalisée par des experts.
Royaume‑Uni	Toutes les catégories de flux réglementés	Scénario de migration stable basé sur les visas 2022, les taux de séjour et les changements politiques prévus.
États-Unis CIS	Toutes les catégories de flux réglementés	Modélisation de séries chronologiques sélectionnant parmi diverses prévisions de séries chronologiques (ETS, ARIMA, ARFIMA, STL, TBATS) afin de choisir le modèle le mieux adapté, en excluant les valeurs aberrantes lorsque des forces externes (par exemple, des changements de frais) affectent de manière non organique les recettes. Pour la migration familiale (Encadré 6.1), par exemple, ils s’appuient sur les relations structurelles en matière d’immigration pour prévoir le moment de la demande (par exemple, le dépôt du formulaire de regroupement familial deux ans après l’approbation du formulaire initial). Les résultats sont ensuite discutés avec des experts en la matière issus des directions opérationnelles et du bureau chargé des nouvelles réglementations.

Checklist:

• Le modèle est-il considéré comme adapté à l’objectif visé d’un point de vue opérationnel ?

  • Le choix du modèle dépend du type de migration à prévoir (notamment sa volatilité) et de l’horizon temporel concerné.

• Les données sont-elles adaptées à ce type de modèle ?

  • Le choix du modèle dépend de la fréquence et de la qualité des données, ainsi que du caractère stationnaire ou non des séries chronologiques passées.

De quelles ressources les pays ont-ils besoin pour établir des prévisions ?

La mise en place d’un système de prévision des migrations fonctionnel et durable nécessite non seulement une infrastructure technique et un personnel qualifié, mais aussi une coordination institutionnelle solide, un leadership et un engagement à long terme de la part de toutes les parties prenantes.

Même les approches de prévision les plus simples reposent sur une infrastructure informatique solide. Le traitement d’ensembles de données volumineux et souvent complexes – tels que les flux migratoires, les facteurs déterminants et les indicateurs contextuels – nécessite à la fois une capacité de stockage et une puissance de traitement suffisantes. Au minimum, les pays ont besoin d’un serveur de données sécurisé pour stocker des ensembles de données harmonisés, d’un environnement informatique capable d’exécuter des modèles statistiques ou d’apprentissage automatique sans ralentissement des performances, et d’un serveur de récupération ou d’une configuration API pour intégrer efficacement des sources de données externes pour les données massives ou les systèmes de saisie automatisés. Si une telle infrastructure est courante dans les agences statistiques et les instituts de recherche, elle est souvent moins disponible dans les administrations publiques qui ne se concentrent généralement pas sur des travaux nécessitant un traitement intensif de données. L’investissement initial peut sembler élevé, mais il pose les fondations pour tous les travaux de prévision ultérieurs.

Encadré 4.4. Personnel employé pour les prévisions migratoires dans les pays du groupe de travail MAP

Aux États‑Unis, en avril 2025, l’USCIS (U.S. Citizenship and Immigration Services) employait l’équivalent de trois équivalents temps plein (ETP) dédiés aux prévisions, dont deux employés fédéraux et un sous-traitant. Cependant, l’effectif standard comprend un chef de service et trois collaborateurs (tous fédéraux).

En outre, le Migration Analysis Center (Centre d’analyse des migrations), centre de recherche situé au sein de l’Office of Homeland Security Statistics (OHSS, Bureau des statistiques sur la sécurité intérieure), qui se concentre sur les projections mensuelles, s’appuie sur un ETP en interne pour gérer les projections. De plus, l’équivalent de deux ETP est apporté par des experts en la matière qui participent à des enquêtes, à des réunions mensuelles de prévision et à d’autres consultations.

En Suisse, l’unité d’analyse des migrations est composée de trois analystes et d’un chef de service, bien que les prévisions ne représentent qu’une petite partie de leur activité. Compte tenu du temps consacré par le personnel à l’observation, à l’analyse et à l’explication des tendances en matière de migration irrégulière et d’asile, ainsi que du temps consacré aux discussions entre eux et leurs homologues des pays d’origine, on estime qu’au total, 1.5 ETP est consacré aux prévisions en matière d’asile.

Aux Pays-Bas, les prévisions en matière d’asile sont gérées par un conseiller principal, employé à mi-temps par le ministère de la Justice. Pour établir ces prévisions, le conseiller principal s’appuie sur les évolutions en matière de migration, qui sont analysées par une unité « Migration Radar » composée de deux ETP. Le conseiller principal s’appuie également sur les intuitions d’experts recueillies auprès de collègues lors de réunions internationales, dont le temps ne peut être quantifié. Deux à trois membres du personnel du département calculent ensuite les effectifs et les budgets nécessaires pour le processus d’asile, sur la base des prévisions. Au total, environ 5 ETP aux Pays-Bas ont une activité liée aux prévisions en matière d’asile, dont environ la moitié en amont.

L’Agence suédoise des migrations (Swedish Migration Agency – SMA) dispose d’une fonction dédiée au sein d’une unité qui travaille sur les prévisions. L’unité d’analyse des migrations compte cinq analystes de renseignement sur les migrations à temps plein et un analyste principal. Les analystes de renseignement sur les migrations analysent l’impact des développements nationaux et internationaux sur le nombre futur de premières demandes (par exemple, asile, permis de travail, permis d’études, regroupement familial) déposées auprès de la SMA. La majorité de leurs rapports de suivi et d’analyse comportent un élément de prévision, qui est intégré dans un modèle global. La SMA produit un rapport hebdomadaire. L’unité d’analyse des migrations produit également un document de prévision trimestriel, qui n’est pas directement lié aux rapports de situation, en collaboration avec le département de planification de la SMA. Bien que l’unité produise un certain nombre d’autres rapports qui ne sont pas directement liés aux prévisions, le département de la planification coordonne la programme de travail de la SMA ainsi que les rapports financiers et statistiques. Les prévisions de dépenses et les prévisions opérationnelles sont établies par le département de la planification dans le document trimestriel de prévisions. Trois personnes au sein du département sont principalement chargées de coordonner le rapport de prévisions et de développer et maintenir les modèles de prévision : un contrôleur financier, un statisticien et un analyste opérationnel. La plupart des autres experts et contrôleurs financiers qui participent à ce travail le font dans le cadre d’une partie mineure de leurs fonctions. Au total, 9 personnes sont impliquées dans l’établissement des rapports de prévisions migratoires en Suède, mais il est difficile de quantifier exactement leur équivalent temps plein.

Une équipe dédiée est également essentielle, même pour les modèles de prévision de base (Encadré 4.4). Elle comprend généralement des analystes de données, des statisticiens, des économistes ou des codeurs capables de gérer la préparation des données, le développement des modèles et l’interprétation des résultats. À mesure que les méthodes de prévision évoluent, l’expertise en apprentissage automatique, en web scraping et en analyse de mégadonnées devient de plus en plus précieuse. Cependant, ces profils sont très recherchés dans le secteur privé et souvent difficiles à attirer dans les administrations publiques en raison des contraintes salariales ou des restrictions en matière d’embauche, en particulier dans les contextes où les postes de la fonction publique sont réservés aux ressortissants nationaux. Outre le personnel technique, des systèmes de prévision efficaces nécessitent la participation de groupes de travail plus larges, issus des ministères, des offices statistiques et des unités politiques concernés. Ces groupes contribuent à l’élaboration de scénarios, à la validation des hypothèses et à la discussion des délais et des résultats. Des réunions de coordination régulières sont essentielles pour harmoniser les attentes et s’assurer que les prévisions soient exploitables et pertinentes sur le plan politique.

Au-delà du personnel et des outils informatiques, plusieurs paramètres conditionnent l’efficacité et la durabilité des efforts de prévision :

• Leadership et gouvernance : un mandat et une structure dirigeante clairs sont nécessaires pour défendre le projet et garantir son intégration dans l’élaboration des politiques.

• Accès aux données et partage : les prévisions dépendent de la volonté des différents acteurs (offices statistiques nationaux, ministères, agences de gestion des frontières et partenaires internationaux) de partager des données fiables et actualisées. Il est essentiel de conclure des accords de partage de données à long terme, fondés sur la confiance et l’intérêt mutuel.

• Capacité à identifier et à exploiter les données pertinentes : l’expertise technique doit être complétée par la capacité à cartographier les sources de données disponibles, à évaluer leur qualité et à les intégrer dans des modèles de prévision.

• Création des conditions propices : il faut disposer de suffisamment de temps, d’un engagement interinstitutionnel et d’un soutien politique pour passer de projets pilotes à des systèmes de prévision réguliers.

Les pays peuvent également envisager d’externaliser une partie du travail de prévision à des offices statistiques nationaux, des établissements universitaires, des think tanks ou des entreprises du secteur privé, en particulier lorsque les ressources internes sont limitées. L’externalisation peut donner accès à une expertise technique de pointe, mais nécessite une gouvernance claire, un contrôle de la qualité et des plans de stabilité. Les partenariats stratégiques peuvent également favoriser l’innovation et permettre un accès conjoint à des données dont l’accès est limité ou à des outils exclusifs.

Si la plupart des logiciels de prévision (tels que R ou Python) sont gratuits et en open source, d’autres coûts peuvent s’ajouter. L’accès aux données provenant de fournisseurs commerciaux, tels que les compagnies aériennes, les plateformes de réseaux sociaux ou les instituts de sondage, peut s’avérer coûteux. Certaines données produites par des projets de recherche ou des organisations internationales peuvent être gratuits uniquement pour un usage académique, à l’exclusion des utilisateurs gouvernementaux. Dans de tels cas, des accords d’accès aux données, la participation à des réseaux d’experts ou des contributions financières peuvent être nécessaires.

Checklist:

• Pouvons-nous garantir les ressources financières et humaines à moyen et long terme nécessaires pour développer et maintenir un modèle de prévision ?

  • Investir dans une infrastructure informatique et dans du personnel possédant les compétences requises (en interne ou en externe) est la base d’un système de prévision efficace, qui ne peut être maintenu qu’avec un mandat approprié pour le personnel et un soutien politique.

• L’accès aux données publiques et privées est-il garanti sur la durée ?

  • Des accords d’accès aux données, la participation à des réseaux d’experts et des contributions financières peuvent être nécessaires pour utiliser les données à long terme.

Quel doit être le degré de complexité du modèle?

Pour choisir entre un modèle simple et un modèle complexe, la question est de savoir dans quelle mesure il doit être proche de la réalité. La littérature existante sur les prévisions démographiques simples et complexes, qui remonte aux années 1990, n’a pas permis de déterminer clairement quelle était la meilleure option (par exemple, Ahlburg (1995[39])). De même, dans le domaine des prévisions générales, une série de « concours de modélisation » organisés par Makridakis et ses coauteurs depuis les années 1980 (par exemple, Makridakis, Spiliotis et Assimakopoulos (2022[40])) ont abouti à des conclusions hétérogènes et évolutives au fil du temps. Les premiers concours privilégiaient les modèles simples, tels que le lissage exponentiel, tandis que les éditions les plus récentes ont montré une précision croissante des algorithmes d’apprentissage automatique complexes, souvent exclusifs, parfois associés à des méthodes statistiques et à d’autres approches, telles que la moyenne des prévisions (Makridakis, Spiliotis et Assimakopoulos (2022[40])). Cela reflète clairement l’évolution rapide des algorithmes d’apprentissage automatique, la disponibilité de données à haute granularité et l’augmentation exponentielle de la puissance de calcul au cours des dernières décennies.

De par leur conception, l’avantage concurrentiel de l’apprentissage automatique et des méthodes hybrides augmente avec la taille des ensembles de données disponibles et la fréquence des données. Pour les flux migratoires réguliers avec des données trimestrielles ou annuelles, tels que les migrations pour raisons professionnelles, d’études ou familiales, on peut s’attendre à ce que des modèles plus simples fonctionnent presque aussi bien que des modèles plus complexes, tout en étant plus faciles à mettre en œuvre, à gérer et à expliquer aux parties prenantes. Dans de telles situations, il est logique de choisir les modèles les moins complexes : lorsque les performances sont similaires, un modèle plus simple est susceptible d’être plus rentable. Dans le même temps, pour les processus migratoires plus volatils, tels que les franchissements irréguliers de frontières ou l’asile, pour lesquels il existe plusieurs sources importantes de données à haute fréquence, des méthodes plus sophistiquées peuvent se justifier.

Une autre dimension de la complexité de la modélisation concerne la représentation des mécanismes qui déterminent les migrations. Idéalement, les modèles devraient inclure une description causale des processus sous-jacents, car cela peut améliorer considérablement les capacités de prévision (Willekens (2019[11]) ; voir également le chapitre 9). Ces dernières années, plusieurs tentatives ont été faites pour modéliser la dynamique causale de la migration à l’aide de modèles ABM. Dans ces modèles, des agents simulés (tels que des migrants et des décideurs) font des choix en fonction de leur situation individuelle, de leurs connaissances, de leurs interactions avec les autres et de leur environnement (par exemple, Kniveton, Smith et Wood (2011[41]) ; Naivinit et al. (2010[42]) ; Klabunde et Willekens (2016[12]) ; Suleimenova et Groen (2020[43]) ; Bijak (2022[44]) ; Hinsch and Bijak (2023[45])). La question de savoir si l’incertitude qui en résulte est suffisamment faible pour permettre des prévisions significatives reste ouverte et sera abordée dans le chapitre 7. Néanmoins, pour la plupart des applications pratiques, ces modèles complexes sont trop particuliers pour permettre une mise en œuvre efficace à l’échelle requise par la plupart des défis liés à la politique et à la pratique migratoires.

Checklist:

• Le modèle envisagé est-il adapté à l’objectif visé d’un point de vue politique ?

  • Pour choisir le bon modèle, il faut s’assurer que l’incertitude n’est pas trop grande pour estimer l’impact des changements politiques pertinents.

• Quels seraient les avantages et les inconvénients d’une approche/d’un modèle plus simple ?

  • La complexité du modèle dépend de la catégorie de migration considérée, car le niveau d’incertitude et la disponibilité de données à haute fréquence varient. La prévision des migrations forcées volatiles peut justifier l’utilisation de méthodes sophistiquées, tandis que des méthodes plus simples fonctionnent généralement pour les flux migratoires réglementés.

À quelle fréquence les résultats des modèles doivent-ils être mis à jour ?

Aucun modèle prédictif des processus sociaux, aussi complexe et précis soit-il, ne peut résister indéfiniment à l’épreuve du temps. L’une des façons de rendre les approches prévisionnelles « résistantes à l’usure du temps » – c’est-à-dire plus résilientes et plus réactives à l’évolution de la réalité migratoire – consiste à les mettre à jour régulièrement. Le mécanisme de mise à jour doit faire partie intégrante des opérations courantes et être intégré dès la conception dans des processus visant à garantir l’anticipation et la préparation. La mise à jour d’un modèle n’implique pas que le modèle original ait échoué ; elle reflète plutôt la disponibilité de nouvelles données, l’amélioration des méthodologies ou l’évolution des facteurs contextuels, qui peuvent affecter la pertinence ou la fiabilité des résultats antérieurs. Des mises à jour régulières permettent de garantir que les modèles restent en phase avec les réalités du moment et continuent d’être un soutien à une prise de décision éclairée.

La fréquence des mises à jour dépend clairement en partie de la disponibilité des ressources. D’un point de vue méthodologique, les variables clés sont l’horizon des prévisions et la fréquence des données – qu’elles soient quotidiennes, hebdomadaires, mensuelles, trimestrielles ou annuelles. Pour les prévisions dont l’horizon est de 12 à 18 mois, une routine standard de mises à jour annuelles semble appropriée : une nouvelle année complète de données permet généralement de recalibrer non seulement les tendances, mais aussi les modèles qui peuvent présenter une saisonnalité. Dans le même temps, les modèles d’alerte précoce (pour les prévisions en matière d’asile ou de migration irrégulière) peuvent devoir être mis à jour au moins une fois par mois afin de pouvoir remplir leur fonction. De même, pour les scénarios de migration à long terme, tels que ceux requis pour les projections démographiques, des mises à jour tous les deux ans suffiraient, conformément à la pratique actuelle de nombreuses institutions statistiques nationales et internationales (UN, 2024[46]).

En ce qui concerne la fréquence des données, il existe des méthodes permettant d’intégrer des données de fréquences différentes dans les prévisions migratoires, par exemple en s’appuyant sur des modèles multivariés (tels que les autorégressions vectorielles – VAR, par exemple, Barker et Bijak (2025[47]). L’utilisation de tels modèles entraîne un coût supplémentaire lié à l’augmentation de l’incertitude prédictive et aux ressources supplémentaires nécessaires pour effectuer les mises à jour. Toutefois, cet effort supplémentaire peut se justifier si certaines covariables des modèles de prévision sont disponibles à une fréquence plus élevée que les variables migratoires (par exemple, les médias peuvent rendre compte quotidiennement des événements de violence politique, tandis que le nombre de demandes d’asile peut n’être compilé qu’à une fréquence moins élevée). Ces données peuvent contenir des informations supplémentaires. L’automatisation de l’acquisition des données (par exemple via une API dédiée – interface de programmation d’application, ou par web scraping) et la réestimation des modèles de prévision peuvent aider à mettre en œuvre les routines de mise à jour dans la pratique.

Outre les mises à jour régulières, les modèles de prévision devront également être modifiés et réinitialisés en dehors du cycle standard, chaque fois qu’un événement migratoire majeur, un changement de situation politique ou un changement de contexte politique se produit. Cela refléterait simplement la nature dynamique de la migration, qui passe d’un équilibre social, politique et économique à un autre, souvent en quelques mois, voire en quelques jours. Parmi les exemples d’événements susceptibles de déclencher des mises à jour, on peut citer l’éclatement d’un conflit majeur entraînant le déplacement d’un grand nombre de demandeurs d’asile vers d’autres pays, un changement important dans le régime des visas, qu’il s’agisse d’un assouplissement ou d’un durcissement des règles d’admission et de séjour, ou encore un ralentissement économique susceptible d’entraîner une augmentation ou une diminution des migrations de travail, selon la nature de l’événement en question.

Checklist:

• Les mises à jour régulières des données du modèle peuvent-elles être alignées sur la fréquence des prévisions ?

  • Les mises à jour sont nécessaires, mais elles ne sont possibles que lorsque de nouvelles données sont disponibles ou lorsqu’un événement majeur se produit.

Références

[39] Ahlburg, D. (1995), « Simple versus complex models: Evaluation, accuracy, and combining », Mathematical Population Studies, vol. 5/3, pp. 281-290, https://doi.org/10.1080/08898489509525406.

[26] Alexander, M., K. Polimis et E. Zagheni (2019), « The Impact of Hurricane Maria on Out‐migration from Puerto Rico: Evidence from Facebook Data », Population and Development Review, vol. 45/3, pp. 617-630, https://doi.org/10.1111/padr.12289.

[31] Avramescu, A. et A. Wisniowski (2021), « Now-casting Romanian migration into the United Kingdom by using Google Search engine data », Demographic Research, vol. 45, pp. 1219-1254, https://doi.org/10.4054/demres.2021.45.40.

[23] Azose, J. et A. Raftery (2015), « Bayesian Probabilistic Projection of International Migration », Demography, vol. 52/5, pp. 1627-1650, https://doi.org/10.1007/s13524-015-0415-0.

[24] Azose, J., H. Sevcikova et A. Raftery (2023), « bayesMig: Bayesian Projection of Migration », CRAN: Contributed Packages (base de données), https://doi.org/10.32614/cran.package.bayesmig (consulté le 4 septembre 2025).

[47] Barker, E. et J. Bijak (2025), « Mixed-frequency VAR: a new approach to forecasting migration in Europe using macroeconomic data », Data & Policy, vol. 7, https://doi.org/10.1017/dap.2024.82.

[37] Barker, E. et J. Bijak (2022), Could we have seen it coming? Towards an early warning system for asylum applications in the EU..

[14] Beine, M., S. Bertoli et J. Fernández‐Huertas Moraga (2015), « A Practitioners’ Guide to Gravity Models of International Migration », The World Economy, vol. 39/4, pp. 496-512, https://doi.org/10.1111/twec.12265.

[15] Beyer, R., J. Schewe et H. Lotze-Campen (2022), « Gravity models do not explain, and cannot predict, international migration dynamics », Humanities and Social Sciences Communications, vol. 9/1, https://doi.org/10.1057/s41599-022-01067-x.

[35] Bijak, J. (dir. pub.) (2024), From Uncertainty to Policy: A Guide to Migration Scenarios, Edward Elgar Publishing, https://doi.org/10.4337/9781035319800.

[44] Bijak, J. (2022), Towards Bayesian Model-Based Demography, Springer International Publishing, Cham, https://doi.org/10.1007/978-3-030-83039-7.

[1] Bijak, J. (2011), Forecasting International Migration in Europe: A Bayesian View, Springer Netherlands, Dordrecht, https://doi.org/10.1007/978-90-481-8897-0.

[20] Bijak, J. (2005), « Bayesian Methods in International Migration Forecasting », CEFMR Working Paper.

[5] Bijak, J. et al. (2019), « Assessing time series models for forecasting international migration: Lessons from the United Kingdom », Journal of Forecasting, vol. 38/5, pp. 470-487, https://doi.org/10.1002/for.2576.

[19] Bijak, J. et A. Wiśniowski (2010), « Bayesian Forecasting of Immigration to Selected European Countries by using Expert Knowledge », Journal of the Royal Statistical Society Series A: Statistics in Society, vol. 173/4, pp. 775-796, https://doi.org/10.1111/j.1467-985x.2009.00635.x.

[30] Böhme, M., A. Gröger et T. Stöhr (2020), « Searching for a better life: Predicting international migration with online search keywords », Journal of Development Economics, vol. 142, p. 102347, https://doi.org/10.1016/j.jdeveco.2019.04.002.

[17] Burzynski, M., C. Deuster et F. Docquier (2020), « Geography of skills and global inequality », Journal of Development Economics, vol. 142, p. 102333, https://doi.org/10.1016/j.jdeveco.2019.02.003.

[21] 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.

[27] Culora, A. et al. (2021), Using social media data to ’nowcast’ international migration around the globe..

[18] Dao, T. et al. (2021), « Global migration in the twentieth and twenty-first centuries: the unstoppable force of demography », Review of World Economics, vol. 157/2, pp. 417-449, https://doi.org/10.1007/s10290-020-00402-1.

[8] de Beer, J. (1997), « The effect of uncertainty of migration on national population forecasts: The case of the netherlands », Journal of Official Statistics, vol. 13/3.

[4] Disney, G. et al. (2015), Evaluation of existing migration forecasting methods and models.

[34] HCR (2025), Nowcasting of refugee and asylum-seeker statistics.

[45] Hinsch, M. et J. Bijak (2023), « The Effects of Information on the Formation of Migration Routes and the Dynamics of Migration », Artificial Life, vol. 29/1, pp. 3-20, https://doi.org/10.1162/artl_a_00388.

[33] IDMC (2022), Nowcasting internal migration movements by using an AI-enabled news analyses tool. Internal Displacement Monitoring Centre.

[9] Keilman, N., D. Pham et A. Hetland (2001), Norway’s Uncertain Demographic Future, http://hdl.handle.net/11250/181350.

[12] Klabunde, A. et F. Willekens (2016), « Decision-Making in Agent-Based Models of Migration: State of the Art and Challenges », European Journal of Population, vol. 32/1, pp. 73-97, https://doi.org/10.1007/s10680-015-9362-0.

[41] Kniveton, D., C. Smith et S. Wood (2011), « Agent-based model simulations of future changes in migration flows for Burkina Faso », Global Environmental Change, vol. 21, pp. S34-S40, https://doi.org/10.1016/j.gloenvcha.2011.09.006.

[25] Lai, S. et al. (2019), « Exploring the use of mobile phone data for national migration statistics », Palgrave Communications, vol. 5/1, https://doi.org/10.1057/s41599-019-0242-9.

[28] Leasure, D. et al. (2023), « Nowcasting Daily Population Displacement in Ukraine through Social Media Advertising Data », Population and Development Review, vol. 49/2, pp. 231-254, https://doi.org/10.1111/padr.12558.

[10] Lutz, W. et al. (2000), New Developments in the Methodology of Expert- and Argument-Based Probabilistic Population Forecasting.

[6] Lutz, W. et S. Scherbov (1998), , European Journal of Population, vol. 14/1, pp. 1-17, https://doi.org/10.1023/a:1006040321755.

[40] Makridakis, S., E. Spiliotis et V. Assimakopoulos (2022), « M5 accuracy competition: Results, findings, and conclusions », International Journal of Forecasting, vol. 38/4, pp. 1346-1364, https://doi.org/10.1016/j.ijforecast.2021.11.013.

[13] McAlpine, A. et al. (2020), « Agent-based modeling for migration and modern slavery research: a systematic review », Journal of Computational Social Science, vol. 4/1, pp. 243-332, https://doi.org/10.1007/s42001-020-00076-7.

[32] Morgenstern, S. et O. Strijbis (2024), « Forecasting migration movements using prediction markets », Comparative Migration Studies, vol. 12/1, https://doi.org/10.1186/s40878-024-00404-0.

[42] Naivinit, W. et al. (2010), « Participatory agent-based modeling and simulation of rice production and labor migrations in Northeast Thailand », Environmental Modelling & Software, vol. 25/11, pp. 1345-1358, https://doi.org/10.1016/j.envsoft.2010.01.012.

[36] Napierała, J. et al. (2021), « Toward an Early Warning System for Monitoring Asylum-Related Migration Flows in Europe », International Migration Review, vol. 56/1, pp. 33-62, https://doi.org/10.1177/01979183211035736.

[29] Rampazzo, F. et al. (2024), « Assessing Timely Migration Trends Through Digital Traces: A Case Study of the UK Before Brexit », International Migration Review, vol. 59/1, pp. 119-140, https://doi.org/10.1177/01979183241247009.

[38] Raymer, J. et F. Willekens (dir. pub.) (2008), Forecasting international migration: time series projections vs argument-based, John Wiley.

[22] Robinson, C. et B. Dilkina (2018), « A Machine Learning Approach to Modeling Human Migration », Proceedings of the 1st ACM SIGCAS Conference on Computing and Sustainable Societies, pp. 1-8, https://doi.org/10.1145/3209811.3209868.

[2] Sardoschau, S. (2020), The Future of Migration to Germany.«  Assessing Methods in Migration Forecasting.

[7] Sohst, R., E. Acostamadiedo et J. Tjaden (2023), « Reducing uncertainty in Delphi surveys: A case study on immigration to the EU », Demographic Research, vol. 49, pp. 983-1020, https://doi.org/10.4054/demres.2023.49.36.

[43] Suleimenova, D. et D. Groen (2020), « How Policy Decisions Affect Refugee Journeys in South Sudan: A Study Using Automated Ensemble Simulations », Journal of Artificial Societies and Social Simulation, vol. 23/1, https://doi.org/10.18564/jasss.4193.

[46] UN (2024), World Population Prospects – 2024 Revision, https://population.un.org/wpp (consulté le 15 November 2024).

[16] Welch, N. et A. Raftery (2022), « Probabilistic forecasts of international bilateral migration flows », Proceedings of the National Academy of Sciences, vol. 119/35, https://doi.org/10.1073/pnas.2203822119.

[11] Willekens, F. (2019), « Towards causal forecasting of international migration », Vienna Yearbook of Population Research, vol. 1, pp. 199-218, https://doi.org/10.1553/populationyearbook2018s199.

[3] Wiśniowski, A. (2021), « Migration forecasting using new technology and methods », dans Research Handbook on International Migration and Digital Technology, Edward Elgar Publishing, https://doi.org/10.4337/9781839100611.00039.