District-Level Prediction of Internal Migration in Austria Using Push/Pull Factors

Abstract

Diese Arbeit analysiert Binnenmigration und untersucht, wie diese mithilfe Features auf Bezirkslevel modelliert werden können. Ziel ist es, Binnenmigrationsströme auf Bezirksebene valide abzubilden, indem kausale Migrationsmodelle auf Basis regionaler Features verwendet werden, um die Auswirkungen regionaler Interventionen zu analysieren.Reine Black-Box-Ansätze wie Zeitreihenextrapolation oder Hilfsvariablen, die Trends wiederspiegeln, werden daher nicht berücksichtigt.Dieser Ansatz ermöglicht es, die zugrunde liegenden Determinanten von Migrationsentscheidungen zu identifizieren und quantitativ zu erfassen, anstatt lediglich beobachtete Muster fortzuschreiben. Durch die explizite Berücksichtigung von Faktoren wie wirtschaftlichen Rahmenbedingungen, Erreichbarkeit und Bildungsangeboten kann analysiert werden, wie Veränderungen dieser Einflussgrößen die Migrationsströme beeinflussen.Die Modelle werden für ganz Österreich trainiert und evaluiert, wobei unterschiedliche Zeiträume als Trainingsdaten sowie verschiedene zeitliche Verzögerungen der Features verwendet werden. Die Modelle werden danach anhand ihrer Übereinstimmung mit den beobachteten Daten im Zeitraum von 2016 bis 2023 bewertet. Schließlich werden die drei besten Modelle – ein erweitertes Gravitationsmodell der Migration, ein AutoGluonEnsemble-Modell sowie constrained Gradientboosting Trees – eingesetzt, um fiktionale Migrationsszenarien für zwei ausgewählte ländliche Bezirke in Österreich zu simulieren.Im Vergleich zu anderen Arbeiten zur Modellierung interner Migration bewerten wir nicht nur die quantitative Genauigkeit der Modelle, indem etablierte Fehlermetriken wie MARE(Mean absolute relative error) und CPC (Common part of commuters) auf die Vorhersagen gegenüber den Beobachtungsdaten angewandt werden, sondern auch deren qualitatives Verhalten durch die Untersuchung der Plausibilität simulierter Interventionsszenarien.Wir zeigen, dass die ausgewählten Modelle interne Migrationsströme vorhersagen können,wobei der MARE für Zuzüge zwischen 9% und 15% liegt und der CPC (vgl. Gl. 5.4) je nach Altersgruppe Werte zwischen 0,75 und 0,9 erreicht, jedoch eine Tendenz zum Overfitting aufweisen. Wir schlagen daher vor, die Effekte einzelner Parameter zu beschränken, um das Modell dazu anzuregen, etablierte Push- und Pull-Faktoren aus den Daten zu lernen– auf Kosten einer geringeren Vorhersagegenauigkeit.In Simulationen fiktiver Szenarien liefern die beschränkten Modelle numerisch plausible Ergebnisse. Die Validierung der vorhergesagten Migrationsreaktionen bleibt jedoch herausfordernd, da es nur wenige – wenn überhaupt – vergangene empirische Fälle gibt, in denen beobachtete Migration eindeutig auf Veränderungen der modellierten Merkmale zurückgeführt werden kann. Darüber hinaus verankert die Einführung von Beschränkungen Annahmen aus Domänenwissen oder Modellierungsentscheidungen, die potenziell einen Bias einführen und daher eine transparente Dokumentation erfordern.

This thesis analyzes internal migration patterns and explores how they can be modeled using explanatory features. The goal is to validly depict district-level migration flows using causal migration models based on district-level features for the purpose of analyzing the impact of regional interventions. Thus, purely black-box approaches such as timeseries extrapolation are not considered.This approach enables the identification and quantification of the underlying drivers of migration decisions, allowing the models to move beyond pattern recognition toward causal interpretation. By explicitly incorporating factors such as economic conditions,accessibility, and educational opportunities, the models can simulate how changes in these determinants influence migration flows.The models are trained and evaluated for Austria using different time periods as trainingdata and different time lags in the features. The models are ranked according to how accurately they match the data between 2016 and 2023. Finally, the four best-performingmodels—the extended gravity model of migration, an AutoGluon ensemble model, andconstrained gradient-boosted trees—are applied to simulate hypothetical migrationscenarios involving two selected rural districts in Austria.Compared to other work on the topic of internal migration modeling, we assess not only the model’s quantitative accuracy by computing established error metrics on model predictions against the ground truth, but also qualitative be havior by examining the plausibility of simulated intervention scenarios.We show that the selected models can predict internal migration flows, with MARE onin-migration ranging from 9% to 15% and CPC5.4 ranging from 0.75 to 0.9 depending on the age group, but tend to overfit the data. We propose constraining parameter effects to encourage the model to learn established push and pull factors from the data, at the cost of reduced predictive accuracy.In simulations of fictional scenarios, constrained models yield numerically plausible outcomes. However, validating the predicted migration responses remains challenging, asthere are few, if any, empirical cases in which observed migration can be unambiguously attributed to changes in the modeled features. Moreover, the introduction of constraintsembeds assumptions derived from domain expertise or modeling choices, which may introduce bias and therefore requires transparent documentation.