Analyse und Prognose von Migrationsbewegungen

Die Bevölkerung Deutschlands wird in den kommenden Jahren immer stärker altern. Dies ist in mehrfacher Hinsicht von zentraler Bedeutung für Wirtschaft, Verwaltung und Politik. Da zugleich die geburtenstarken Jahrgänge der „Babyboomer“ in den Ruhestand gehen, wird der Altenquotient, also das Verhältnis der Bevölkerung 65+ zur erwerbsfähigen Bevölkerung, von 36,6 auf 47,6 steigen. Vor diesem Hintergrund spielt die Entwicklung der Nettozuwanderung eine entscheidende Rolle für die Projektion wichtiger Planungsgrößen für die Wirtschaftspolitik.

Die Analyse und Prognose von Migrationsbewegungen verlangt gerade in einem Umfeld, das durch große politische Umwälzungen, gesellschaftliche Alterung sowie regional stark unterschiedliche wirtschaftliche Entwicklungen charakterisiert ist, die Entscheidungssituation potenzieller Migranten in den Blick zu nehmen. Ihre Entscheidung für Migration erfolgt aufgrund einer Kombination von Charakteristika des Herkunfts- und Ziellandes sowie aufgrund persönlicher und familiärer Umstände. Die zentrale methodische Herausforderung besteht in der empirischen Erfassung der „Selbstselektionsmechanismen“. Dies ist letztlich lediglich auf der Mikro-Ebene adäquat möglich. In den letzten 20 Jahren ist eine umfangreiche empirische Literatur zur Selbstselektion von Migranten entstanden, auf der aufgebaut werden kann.

Die Wahl von Analyse- und Prognoseschritten orientiert sich an der Vorgehensweise, die Disney et al. (2015) empfohlen haben:
1. Tiefgehende Analyse der Determinanten von Migrationsflüssen,
2. Wahl der Datenbasis im Hinblick auf ihre Vorteile und Nutzbarkeit in der späteren Prognose,
3. Entscheidung für einen Ansatz auf Basis der zu prognostizierenden Ströme, deren Disaggregation
und der Datenverfügbarkeit.

Dieser mikrofundierte Ansatz geht deutlich über bestehende Ansätze hinaus, die ihre Prognosen meist auf aggregierten Zeitreihen aufgebaut haben. Eine Mikrofundierung hat den Vorteil, dass die relevanten Einflussfaktoren für die Migration besser identifiziert werden und somit in Prognosen einfließen können. Die Prognosen können zudem so konsistent in regionale oder sozio-ökonomische Charakteristika untergliedert werden. Auch die Ursachen für Prognosefehler lassen sich so besser nachvollziehen, woraus sich wiederum Ansätze zur Verbesserung der verwendeten Modelle ergeben können.

Endbericht