3.1. Données

Notre échantillon est constitué de 23 États membres de l’UE – Allemagne, Autriche, Belgique, Danemark, Espagne, Estonie, Finlande, France, Grèce, Hongrie, Irlande, Italie, Lettonie, Lituanie, Luxembourg, Pays-Bas, Pologne, Portugal, Royaume-Uni², Slovaquie, Slovénie, Suède et Tchéquie. Les données que nous utilisons pour estimer les déterminants des flux migratoires se rapportent à la période 2000-2019, tandis que celles relatives à notre variable dépendante (les flux migratoires nets) concernent la période 1995-2019, étant donné que nous incluons une version retardée de la variable dépendante dans nos estimations³.

Pour mesurer la migration du travail, nous faisons appel à un nouveau jeu de données sur les flux internationaux bilatéraux produit par Abel et Cohen (2022). Les données étant fournies par périodes quinquennales, nous avons ajusté en conséquence toutes les variables utilisées dans nos estimations – autrement dit, toutes les variables indépendantes considérées ont été construites sur des intervalles de cinq ans. Les données ne se rapportent qu’aux ressortissants de l’UE et n’incluent ni les réfugiés ni les autres non-ressortissants. Pour la mise à l’échelle des flux migratoires nets, nous avons utilisé, pour chaque paire de pays, la somme de la population d’âge actif des deux pays d’après les données d’Eurostat⁴. Pour chaque paire de pays, le flux migratoire net pour 1 000 habitants d’âge actif s’écrit donc:

$\mathit{\text{MIG}}{R}_{\mathit{\text{ijt}}}\hspace{0.17em}\text{=}\hspace{0.17em}\frac{\left|\mathit{\text{NetMIG}}{R}_{\mathit{\text{ijt}}}\right|}{\frac{1}{5}{{\displaystyle \sum }}_{z \text{=} 0}^4(\mathit{\text{Po}}{p}_{\mathit{\text{it}} + z}+\mathit{\text{Po}}{p}_{\mathit{\text{jt}} + z})}$       (1)

où |NetMIGR_ijt| représente la migration nette entre les pays i et j en t = 1995, 2000, …, 2015, première année de la période quinquennale considérée. Pop_{it + z} et Pop_{jt + z} représentent respectivement la population d’âge actif du pays i et celle du pays j, et z = 0, 1, … 4⁵.

Notre première variable explicative est une variable retardée des migrations (MIGRlag ≡ MIGR_ijt – 1)), qui peut être utilisée comme indicateur indirect des voies de migrations formelles et informelles: les immigrés qui vivent déjà dans les pays d’accueil peuvent faciliter l’arrivée de leurs proches, amis et relations en les aidant à se loger, à trouver un emploi et à se familiariser avec leur nouvelle culture. Comme autre indicateur de ce que Boyd (1989) nomme l’effet du «réseau amical et familial», nous avons utilisé les stocks. Étant donné que la base de données ne contenait pas de statistiques sur les stocks, nous avons construit une variable reflétant l’accumulation des flux migratoires entre deux pays au cours de la période examinée. Cette variable est définie par:

$\mathit{\text{CumMI}}{G}_{\mathit{\text{ijM}}}\hspace{0.17em}\text{=}\hspace{0.17em}{\displaystyle {\displaystyle \sum }_{m \text{=} 1}^M}\mathit{\text{MIG}}{R}_{\mathit{\text{ijm}}}$       (2)

où M = 1,2,3,4 est un indice temporel. En d’autres termes, nous regroupons l’ensemble des flux migratoires passés pour représenter l’effet du «réseau amical et familial».

Suivant des travaux de recherche antérieurs, nous nous intéressons à la fois aux facteurs de répulsion et aux facteurs d’attraction et comparons leur puissance au sein de chaque paire de pays. Ainsi, la faiblesse des salaires réels ou le niveau élevé du chômage sont des facteurs de répulsion qui encouragent les agents économiques d’un pays à émigrer pour chercher du travail à l’étranger. À l’inverse, des salaires élevés et un chômage faible sont des facteurs d’attraction qui attirent les travailleurs vivant à l’étranger. Pour évaluer l’effet net du phénomène de répulsion-attraction au sein d’un binôme de pays, nous construisons des variables indépendantes correspondant à la valeur absolue de la différence entre les facteurs de répulsion et les facteurs d’attraction.

Les deux déterminants de la migration du travail qui nous intéressent le plus ici sont l’écart de revenu d’activité et l’écart de taux de chômage entre deux pays. L’écart de revenu d’activité s’écrit:

$\mathit{\text{EAR}}{N}_{\mathit{\text{ijt}}}\text{=}\frac{1}{5}{\displaystyle {\displaystyle \sum }_{k \text{=} 0}^4}\left|\mathit{\text{NetEAR}}{N}_{\mathit{\text{it}} + z}–\mathit{\text{NetEAR}}{N}_{\mathit{\text{jt}} + z}\right|$       (3)

où NetEARN_{it + z} et NetEARN_{jt + z} correspondent au revenu d’activité moyen après impôt, exprimé en euros à parité de pouvoir d’achat (PPA), respectivement dans le pays i et dans le pays j au cours de l’année t = 2000, 2005, 2010, 2015, et où z = 0, 1, … 4.

De même, l’écart de taux de chômage s’écrit:

$\mathit{\text{UNEM}}{P}_{\mathit{\text{ijt}}}\text{=}\frac{1}{5}{\displaystyle {\displaystyle \sum }_{z \text{=} 0}^4}\left|U{N}_{\mathit{\text{it}} + z}–U{N}_{\mathit{\text{jt}} + z}\right|$       (4)

où UN_{it + z} et UN_jt + z représentent le taux de chômage des pays i et j, respectivement. Les données relatives au revenu d’activité net et au taux de chômage sont annuelles et sont fournies par Eurostat.

La figure 1 présente les centiles et la médiane de la distribution des écarts de taux de chômage et de revenu d’activité. On observe que les différentiels de taux de chômage augmentent pendant les périodes de croissance économique (par exemple à l’époque de la bulle des valeurs technologiques) et de récession (par exemple lorsque cette bulle a éclaté, pendant la crise financière mondiale et la crise des dettes souveraines), tandis qu’ils tendent à s’amenuiser lorsque l’économie est en régime de croisière. En revanche, nous n’observons pas de convergence des revenus d’activité: les écarts restent relativement stables dans les centiles inférieurs à la médiane, tandis qu’ils se creusent lentement au-delà. À la différence de ce qui est constaté dans le cas du chômage, les disparités de revenu évoluent peu entre les périodes de crise, de croissance et de stabilité économique.

Figure 1

Différentiels de taux de chômage et de revenu d’activité

Note: La zone colorée en lilas correspond à la période de la bulle des valeurs technologiques, tandis que celle colorée en gris correspond à la période de la crise financière mondiale et de la crise de la dette souveraine.

Source: Réalisation des auteurs à partir de données d’Eurostat.

Nous prenons en compte plusieurs facteurs économiques, sociaux, institutionnels et culturels susceptibles d’exercer une influence sur les migrations nettes. Le tableau A1 de l’annexe présente une description détaillée de ces variables et des sources des données utilisées pour les calculer. Pour ce qui est des variables économiques, nous prenons en compte les différences en matière d’impôt sur le revenu (Tax) et de prestations sociales (la variable correspond aux prestations sociales moyennes par personne (Social)). Notons à cet égard que Warin et Svaton (2008) ont réalisé une étude intéressante sur le lien entre immigration et protection sociale. Nous examinons aussi l’impact de la taille de l’administration publique, représentée par la variable GOV. Clemente, Pueyo et Sanz (2008) avancent en effet que ce facteur influe sur les flux migratoires internationaux, tandis qu’Ariu, Docquier et Squicciarini (2016) constatent un lien entre qualité des institutions publiques et immigration. Pour la variable relative au capital humain, HC, nous suivons Barro et Lee (2013) et nous fondons sur le niveau d’études. Enfin, nous nous appuyons sur l’étude de Davies et Wooton (1992) concernant l’impact des inégalités de revenu sur les flux migratoires (1992) et retenons le coefficient de Gini (Gini) pour mesurer les différences en matière de répartition des revenus.

Pour les facteurs sociaux et institutionnels, nous prenons en compte les disparités sur le plan de la sécurité et de la délinquance en introduisant les variables Crime et Corruption. D’après Lage de Sousa (2014), la délinquance fait obstacle aux flux migratoires et, d’après Poprawe (2015), la corruption encourage les individus à émigrer et les dissuade d’immigrer. Nous introduisons aussi la variable FER pour tenir compte des différences de taux de fécondité et évaluer leur lien avec les flux migratoires, ce que nous sommes apparemment les premiers à faire.

S’agissant des facteurs culturels, nos quatre premières variables pourraient être vues comme renseignant indirectement sur le coût du voyage, mais elles sont considérées par de nombreux auteurs comme des indicateurs indirects de la distance culturelle séparant les pays. Les variables fictives B et MB, qui permettent respectivement de tenir compte du partage d’une frontière ou d’une frontière maritime, sont complémentaires, en ce sens que les pays géographiquement voisins ont souvent une histoire commune. La variable fictive MA indique si le pays a ou non une ouverture sur l’océan ou la mer, tandis que LNDGEO est le logarithme naturel de la distance entre les capitales des pays formant une paire. Les variables de gravité sont les variables explicatives les plus utilisées dans la littérature sur les flux migratoires internationaux (Ashby, 2007; Kim et Cohen, 2010; Etzo, 2011).

L’écart de température annuelle moyenne entre deux pays (Temp) pourrait être considéré comme un indicateur indirect de la qualité de vie étant donné que, dans le contexte européen, un climat plus chaud est un facteur positif (temps plus agréable) et que les pays où les températures sont plus élevées sont d’importantes destinations touristiques. Cependant, dans ce contexte en particulier, la différence de température peut aussi renseigner sur la proximité culturelle. De nombreux travaux ont été consacrés à l’influence de la température sur les flux migratoires, cette question occupant une large place dans le débat sur le réchauffement de la planète (Minehan et Wesselbaum, 2023).

Enfin, les variables fictives OLDEU et L permettent respectivement de savoir si un pays était ou non membre de l’UE avant 2004 et si deux pays ont la même langue officielle. TRANS est une variable binaire indiquant si un pays est ou non postcommuniste.

3.2. Stratégie d’estimation

Pour évaluer la robustesse de nos déterminants des flux migratoires internationaux en Europe, nous faisons appel à la méthode du moyennage bayésien de modèles, qui consiste à estimer⁶ tous les modèles possibles compte tenu des déterminants examinés. La méthode utilise le théorème de Bayes pour fournir des inférences à partir de la totalité de l’espace du modèle, dont l’incertitude peut ainsi être prise en compte. Comme démontré par la littérature (Kass et Raftery, 1995; Raftery, 1995), le moyennage de modèles est une méthode supérieure à celle qui consiste à estimer de multiples spécifications par les moindres carrés ordinaires (MCO), cette deuxième approche n’apportant pas de solution satisfaisante au problème de l’incertitude du modèle.

Notre régression de référence peut être exprimée ainsi:

$y_{\mathit{\text{ijt}}}=y+\alpha y_{\mathit{\text{ijt}}–1}+\beta x_{\mathit{\text{ijt}}}+{\upsilon }_{\mathit{\text{ijt}}}$       (5)

où y_ijt désigne le flux migratoire net entre les pays i et j en t, défini dans l’équation (1), x_ijt est une matrice des facteurs susceptibles d’influer sur ce flux bilatéral, β est un vecteur des paramètres, γ est une constante et υ_ijt rend compte des perturbations aléatoires des migrations nettes. Nous avons normalisé toutes les variables avant estimation pour pouvoir comparer plus facilement l’influence des différentes variables explicatives examinées.

La construction du modèle présenté dans l’équation (5) permet d’utiliser le moyennage bayésien. Comme nous avons 19 variables explicatives potentielles (en incluant la variable retardée des migrations nettes), référencées par k = 1, …, 19, il est possible d’estimer 2^K = 2¹⁹ = 524 288 modèles. Après estimation, on obtient une probabilité a posteriori (PMP) pour chaque modèle au moyen de la règle de Bayes:

$\mathit{\text{PM}}{P}_m=\frac{L\left(\mathit{\text{data}}|M_m\right)*P\left(M_m\right)}{{{\displaystyle \sum }}_{m = 1}^{2^K}L\left(\mathit{\text{data}}|M_m\right)*P\left(M_m\right)}$       (6)

où L(data|M_m) correspond à la valeur de la fonction de vraisemblance pour le modèle m (M_m) et (P(M_m) à la probabilité a priori du modèle m. En utilisant les probabilités a posteriori comme poids, nous pouvons calculer la moyenne a posteriori (PM) et l’écart type a posteriori (PSD) du coefficient β_k. La moyenne a posteriori du coefficient β_k s’obtient ensuite par la formule:

$P{M}_k={\displaystyle {\displaystyle \sum }_{m = 1}^{2^K}}\mathit{\text{PM}}{P}_m*{\widehat{\beta }}_{\mathit{\text{km}}}$       (7)

où ${\widehat{\beta }}_{\mathit{\text{km}}}$ est la valeur du coefficient β_k estimé pour le modèle m et où k correspond à la référence de la variable explicative. En outre, l’écart type a posteriori est égal à:

$\mathit{\text{PS}}{D}_k=\sqrt{{\displaystyle {\displaystyle \sum }_{m = 1}^{2^K}}\mathit{\text{PM}}{P}_m*V\left({\beta }_k|\mathit{\text{data}},M_m\right)+{\displaystyle {\displaystyle \sum }_{m = 1}^{2^K}}\mathit{\text{PM}}{P}_m*{\left[{\widehat{\beta }}_{\mathit{\text{km}}}–P{M}_k\right]}^2}$       (8)

où V(β_k|data, M_m) désigne la variance conditionnelle du paramètre dans le modèle M_m.

En supposant que chaque modèle M_m se voie attribuer un vecteur binaire φ prenant la valeur 0 lorsqu’une variable k est exclue du modèle et 1 lorsqu’elle est incluse, la probabilité d’inclusion a posteriori est obtenue par la formule:

$\mathit{\text{PI}}{P}_k={\displaystyle {\displaystyle \sum }_{m = 1}^{2^K}}1\left({\phi }_k=1|\mathit{\text{data}},\hspace{0.17em}{M}_m\right)*\mathit{\text{PM}}{P}_m$       (9)

La probabilité a posteriori que le coefficient soit de signe positif dans le modèle, P(+), est calculée comme suit:

$P(+)=\{\begin{array}{c}{\displaystyle {\sum }_{j = 1}^{2^K}\hspace{0.17em}P}\left(M_j|y\right)*\mathit{\text{CDF}}\left(t_{\mathit{\text{ij}}}|M_j\right), \text{si} \mathit{\text{sign}}\left[E\left({\beta }_i|y\right)\right]=1\\ 1–{\displaystyle {\sum }_{j = 1}^{2^K}\hspace{0.17em}P}\left(M_j|y\right)*\mathit{\text{CDF}}\left(t_{\mathit{\text{ij}}}|M_j\right), \text{si} \mathit{\text{sign}}\left[E\left({\beta }_i|y\right)\right]=-1\end{array}$       (10)

où CDF désigne la fonction de distribution cumulée et $t_{\mathit{\text{ij}}}\equiv ({\widehat{\beta }}_i/{\widehat{\mathit{\text{SD}}}}_i|M_j)$ .

L’utilisation du moyennage bayésien de modèles suppose de spécifier la loi a priori du modèle, et il est courant d’utiliser à cette fin une loi a priori de type g sur l’espace des paramètres. La règle de référence (Fernández, Ley et Steel, 2001) commande de choisir une loi a priori informative unitaire (unit information prior – UIP) (Kass et Wasserman, 1995) sur les coefficients. Eicher, Papageorgiou et Raftery (2011) préconisent de combiner une loi a priori informative unitaire avec une loi a priori uniforme (des probabilités égales sont assignées à tous les modèles), tandis que Ley et Steel (2009) recommandent de faire appel à une loi a priori binomiale-bêta (des probabilités égales sont assignées quelle que soit la taille du modèle). C’est pourquoi dans toutes les estimations que nous présentons ici, nous avons associé une loi a priori uniforme et une loi binomiale-bêta sur l’espace du modèle.

Nous évaluons la robustesse des variables d’après la probabilité d’inclusion a posteriori et la valeur absolue du ratio rapportant la moyenne a posteriori (PM) à l’écart type a posteriori (PSD) d’une variable explicative donnée. Raftery (1995) qualifie une variable de faible lorsque la probabilité d’inclusion a posteriori est comprise entre 0,5 et 0,75, de positive entre 0,75 et 0,95, de forte entre 0,95 et 0,99 et de très forte au-delà de 0,99. Il estime que la variable est robuste au-delà de 1, seuil à partir duquel son inclusion renforce le pouvoir explicatif du modèle. Masanjala et Papageorgiou (2008) proposent de retenir une valeur seuil égale à 1,3, comparable à un intervalle de confiance de 90 pour cent dans l’approche fréquentiste, tandis que Sala-i-Martin, Doppelhofer et Miller (2004) recommandent de retenir un seuil égal à 2, correspondant à un intervalle de confiance de 95 pour cent.

Enfin, nous faisons appel à une régression quantile en estimant l’équation (4) et en incluant toutes les variables comme déterminants des flux migratoires. Le principal apport de cette méthode tient au fait qu’elle permet d’évaluer les flux bilatéraux et les variables précitées en allant au-delà des valeurs moyennes des données et permet d’analyser d’éventuelles relations non linéaires entre le jeu de variables explicatives et notre variable d’intérêt. Son principal objectif est donc de mettre en évidence une possible hétérogénéité de l’impact des facteurs de répulsion et d’attraction sur les flux migratoires. Nous scindons par conséquent notre échantillon en quantiles, depuis le plus bas (flux migratoires bilatéraux les plus faibles) jusqu’au plus élevé (flux migratoires bilatéraux les plus élevés). La régression quantile présente l’intérêt de permettre de distinguer les déterminants associés aux flux migratoires en fonction de l’ampleur de ces flux. Elle nous donne donc la possibilité d’interpréter nos résultats du point de vue de leur significativité statistique, mais aussi économique. Enfin, soulignons que les paires de pays et périodes représentées dans chaque quantile varient. La composition des quantiles en termes de périodes, présentée dans le tableau A2 de l’annexe, est relativement stable, tandis que la composition en termes de paires de pays est nettement plus variable⁷.

4.1. Résultats du moyennage bayésien des modèles

Le tableau 1 contient les résultats que nous avons obtenus par la méthode du moyennage bayésien en utilisant des lois a priori uniforme et binomiale-bêta, et la figure 2 compare les probabilités d’inclusion a posteriori obtenues en fonction de la loi a priori retenue (uniforme ou binomiale-bêta). Cinq variables peuvent être considérées comme robustes à l’aune d’au moins un critère quelle que soit la loi a priori appliquée. Nous avons normalisé toutes les moyennes a posteriori et tous les écarts types a posteriori pour pouvoir comparer plus facilement la puissance explicative des différents déterminants examinés⁸.

Figure 2

Probabilités d’inclusion a posteriori selon la loi a priori utilisée

Source: Calculs des auteurs – voir le tableau A1 en annexe pour les sources des données utilisées pour obtenir les variables.

La variable retardée des migrations (MIGRlag) affiche la probabilité d’inclusion a posteriori et le ratio probabilité moyenne sur écart type a posteriori les plus élevés. Elle se caractérise aussi par la moyenne a posteriori la plus élevée quelle que soit la loi a priori utilisée, à savoir 0,366 avec la loi uniforme et 0,377 avec la loi binomiale-bêta, soit environ deux fois ce qui est observé pour la deuxième variable (variable fictive représentant le partage d’une frontière). L’impact de cette variable retardée, relativement fort, montre que l’immigration passée favorise l’immigration ultérieure parce que, comme souligné plus haut, les migrants déjà présents dans le pays facilitent l’installation de leurs proches et amis en les aidant à trouver un logement et un emploi et à se familiariser avec la culture et la législation du pays d’accueil.

Le tableau 2 rend compte des résultats auxquels nous sommes parvenus avec un autre indicateur des migrations passées – les flux migratoires bilatéraux cumulés au cours de la période considérée (équation (2)). Nous obtenons des valeurs encore plus élevées pour la variable CumMIG («réseau amical et familial»), la moyenne a posteriori atteignant 0,466 (loi a priori uniforme) et 0,477 (loi a priori binomiale-bêta), et tandis que les écarts types a posteriori sont quasiment identiques. Le renforcement du lien entre migration passée et migration contemporaine montre que l’impact de la présence d’amis et de proches dans le pays de destination augmente avec le temps, à mesure de la progression du nombre d’immigrés qui s’intègrent dans la culture d’accueil ou qui créent des réseaux et institutions susceptibles de faciliter les nouvelles arrivées. À noter que ce renforcement s’accompagne d’une baisse de la corrélation entre migration et écart de taux de chômage. Dans ce cas, l’effet de la variable UNEMPL est donc ténu, ce qui nous conforte dans l’idée que les écarts de revenu d’activité comptent plus que le différentiel de taux de chômage.

Comme le montre le tableau 1, la variable qui se classe en deuxième position à l’aune de la probabilité d’inclusion a posteriori et du rapport moyenne a posteriori sur écart type a posteriori est celle qui représente l’existence d’une frontière commune (B). L’impact des liens culturels entre pays voisins est donc suffisamment fort pour l’emporter sur l’effet des motivations économiques exprimées par les écarts de revenu et de taux de chômage. La dernière variable culturelle qui peut être jugée robuste est OLDEU, qui indique si un pays a adhéré à l’UE avant 2004. Son influence est plus forte que celle des différentiels de taux de chômage, mais plus faible que l’impact des écarts de revenu. Autrement dit, les flux migratoires dépendent plus des facteurs culturels que des motivations économiques.

Concernant nos principales variables d’intérêt, la première variable économique classée parmi les déterminants robustes des flux migratoires est la valeur absolue de l’écart de salaire net en euros à PPA, tandis que le différentiel de taux de chômage est la dernière variable robuste. L’écart de revenu d’activité a un impact plus de deux fois plus fort que le différentiel de taux de chômage. Les moyennes a posteriori normalisées s’établissent à 0,115 (loi a priori uniforme) et 0,105 (loi binomiale-bêta) pour l’écart de revenu d’activité et à 0,059 (loi a priori uniforme) et 0,043 (loi binomiale-bêta) pour le différentiel de taux de chômage. Cette différence d’impact est confirmée par le fait que la variable désignant l’écart de revenu d’activité satisfait les tests de robustesse décrit dans l’annexe en ligne (en anglais), ce qui n’est pas toujours le cas de celle qui représente le différentiel de taux de chômage. En tout état de cause, les résultats concernant l’influence que les différences de taux de chômage et de revenu d’activité exercent sur les flux migratoires sont corroborés par les valeurs moyennes des flux migratoires nets au cours de la période considérée⁹.

Trois autres variables se sont révélées faiblement robustes avec la loi a priori uniforme, mais fragiles avec la loi a priori binomiale-bêta. La première est la différence de capital humain (HC), dont la moyenne a posteriori positive montre que les travailleurs se déplacent des pays peu dotés en capital humain vers des pays bien dotés. Les deux autres sont les indicateurs indirects de la proximité culturelle, à savoir l’existence d’une ouverture sur l’océan ou la mer (MA) et la différence de température moyenne (Temp). Le comportement de cette deuxième variable est particulièrement intéressant, parce qu’il montre que dans le contexte européen l’écart de température est un meilleur indicateur de la proximité culturelle que le fait de parler la même langue. De plus, la moyenne a posteriori négative obtenue pour cette variable indique que les individus ne semblent pas émigrer des pays plus froids vers les pays plus chauds. Les autres variables se sont révélées plus faibles quel que soit le critère de robustesse retenu. La fragilité de certaines variables peut cependant constituer en elle-même un résultat intéressant. Elle concerne le taux d’imposition moyen (Tax), la générosité des prestations sociales (Social), les dépenses publiques en part du PIB (GOV) et le coefficient de Gini (Gini) et persiste même après exclusion du revenu d’activité net des variables explicatives considérées¹⁰. On peut donc en déduire que les personnes qui émigrent au sein de l’UE ne choisissent pas leur pays de destination en fonction du système de protection sociale qu’il offre. Nous ne constatons pas non plus de corrélation entre l’ampleur de la délinquance et de la corruption et les flux migratoires.

Nous soumettons les résultats du moyennage bayésien à plusieurs tests de robustesse, dont les résultats sont présentés et interprétés dans la partie B.1 de l’annexe en ligne B (en anglais). Ces tests confirment les constatations présentées dans le corps de l’article.

4.2. Résultats de la régression quantile

Les résultats de l’estimation de la régression quantile figurent dans le tableau 3¹¹. Les premier et neuvième quantiles correspondent respectivement aux flux migratoires les plus faibles et les plus élevés. En toute logique, les estimations ponctuelles produites par une régression quantile sont toujours plus élevées que les moyennes a posteriori correspondantes. Dans le cas de la régression quantile, l’incertitude du modèle n’est pas prise en compte, si bien que les coefficients sont biaisés vers le haut et doivent donc être vus comme indiquant la force maximale du lien entre les variables. C’est pourquoi nous interprétons les résultats obtenus par régression quantile sous un angle qualitatif plutôt que quantitatif.

Nous constatons que la migration passée est le meilleur prédicteur des flux migratoires contemporains dans tous les quantiles. L’association entre les deux variables se renforce entre les premier et neuvième quantiles, le coefficient passant de 0,542 à 0,875. La valeur de l’estimation ponctuelle augmente de quantile en quantile. Nos constatations confirment l’influence de la présence d’un réseau amical et familial dans le pays d’accueil, une immigration relativement forte par le passé ayant pour effet d’accroître les arrivées de migrants par la suite. Cet effet est non linéaire, et les migrants sont plus nombreux à se diriger vers des lieux où leurs compatriotes sont présents en grand nombre. Nous observons que les différences de taux de chômage et de revenu d’activité ont une incidence dans tous les quantiles. Les résultats concernant l’écart de revenu s’expliquent principalement par les tendances observées dans les quantiles inférieurs: c’est en effet dans cette partie de la distribution que l’association entre flux migratoires et écart de revenu d’activité est la plus forte.

Les valeurs des estimations ponctuelles obtenues pour le revenu d’activité (figure 3) sont supérieures à celles relatives au taux de chômage dans tous les quantiles sauf dans le neuvième, dans lequel les coefficients ne sont cependant pas statistiquement significatifs. Ces résultats confirment ceux auxquels nous sommes parvenus avec la méthode du moyennage bayésien en ce qui concerne l’influence relative des différences de revenu et de taux de chômage sur les flux migratoires nets. Ils valident aussi clairement l’idée que les flux migratoires passés facilitent l’arrivée de migrants par la suite. En termes relatifs, l’impact des différences de revenu et de taux de chômage s’affaiblit à mesure que les flux migratoires augmentent, l’effet de la présence d’un réseau amical et familial dans le pays d’accueil prenant le relais.

Figure 3

Estimations ponctuelles obtenues pour les différentiels de revenu d’activité et de chômage sur l’ensemble de la distribution des flux migratoires (coefficients normalisés)

Source: Calculs des auteurs – voir le tableau A1 en annexe pour les sources des données utilisées pour obtenir les variables.

En ce qui concerne les variables reflétant la distance physique et la proximité culturelle, les résultats de la régression quantile sont plus contrastés. La distance géographique entre les pays (LNDGEO) a un impact négatif sur les flux migratoires dans les six premiers quantiles et dans le huitième. Sans surprise, plus deux pays sont géographiquement éloignés l’un de l’autre, moins les flux migratoires bilatéraux sont importants, en raison à la fois du coût du voyage et de la distance culturelle dont l’éloignement géographique est un indicateur indirect. Toutefois, le coût du transport exerce apparemment peu d’influence sur les flux migratoires les plus élevés. Le partage d’une frontière maritime (MB) accroît les flux migratoires dans les sept quantiles supérieurs, tandis que l’existence d’une frontière commune (B) a un lien significatif avec ces flux dans les septième et huitième quantiles. Il en va de même du partage d’une langue commune dans les premier, septième et neuvième quantiles. La différence de température moyenne (Temp) et l’ouverture sur la mer (MA) n’ont un lien significatif avec notre variable d’intérêt que dans un quantile. En d’autres termes, comparativement à ce qui est observé pour les migrations passées et les variables économiques, l’impact des facteurs culturels varie davantage en fonction des quantiles.

Comme nous l’avons constaté pour l’ensemble de l’échantillon, les flux migratoires passés sont le principal prédicteur des flux migratoires futurs. De surcroît, l’impact de la présence d’un réseau amical et familial dans le pays de destination est d’autant plus fort que les flux sont importants. Dans les quantiles inférieurs, ce sont les critères économiques qui ont le plus de poids, notamment l’écart de revenu d’activité, les différences en matière de débouchés professionnels, ainsi que le coût du voyage. Les facteurs culturels jouent en revanche un rôle plus grand dans les quantiles supérieurs: les flux migratoires nets les plus élevés ont en effet lieu entre des pays voisins et entre ceux qui parlent une même langue, et ces facteurs culturels peuvent même l’emporter sur les considérations purement économiques.

Contrairement à ce que nous avons observé pour l’ensemble de la distribution, nous constatons dans tous les quantiles un lien positif entre les différences de capital humain et les flux migratoires. Ces différences de niveau de compétences de la population constituent donc un bon prédicteur des flux migratoires internationaux. Ce résultat est d’autant plus surprenant qu’elles sont classées parmi les variables fragiles, mais il pourrait s’expliquer par le concept de complémentarité des déterminants issu des travaux sur l’inclusion jointe (Ley et Steel, 2007; Doppelhofer et Weeks, 2009; Hofmarcher et al., 2018). La variable HC entretient un lien de complémentarité avec d’autres déterminants robustes des flux migratoires internationaux, à savoir que les différences de capital humain sont statistiquement significatives lorsqu’elles sont incluses avec ces déterminants. En témoigne le fait que HC est robuste lorsque la loi a priori utilisée est la loi uniforme. La loi binomiale-bêta concentre une plus grande masse de probabilité sur les modèles de plus petite taille, dans lesquels l’association entre les flux migratoires et le capital humain n’est pas significative. Le manque de robustesse de HC dans nos résultats principaux pourrait aussi s’expliquer par le fait que la relation ne se prête pas à une modélisation par une fonction linéaire. Les résultats de la régression quantile révèlent en effet que l’ampleur de l’impact de HC prend la forme d’un U, à savoir que le lien le plus fort est observé aux deux extrémités de la distribution.

Il existe une relation négative entre l’écart de dépenses publiques en pourcentage du PIB (GOV) et les flux migratoires internationaux, ce qui infirme la thèse selon laquelle les migrants se dirigeraient en priorité vers les pays qui offrent une bonne protection sociale. Les résultats obtenus concernant les inégalités de revenu (Gini) vont dans le même sens, les estimations ponctuelles étant négatives et statistiquement significatives dans quatre quantiles seulement. La différence d’ampleur de la corruption (Corruption) suit une pente négative dans les quantiles inférieurs, et les coefficients ne sont statistiquement significatifs que dans deux quantiles. Ils deviennent cependant positifs dans les trois quantiles supérieurs, et l’estimation est statistiquement significative dans le neuvième quantile. Autrement dit, nos résultats ne nous permettent pas de tirer de conclusion claire concernant le lien entre corruption et flux migratoires. Enfin, les coefficients estimés concernant la différence de niveau de délinquance (Crime) sont positifs et statistiquement significatifs dans six quantiles, ce qui laisse penser que les citoyens européens préfèrent vivre dans des pays plus sûrs. Cette relation n’est cependant observée que pour les flux migratoires relativement élevés.