3.1. Datos

La muestra analizada consta de 23 Estados miembros de la UE: Alemania, Austria, Bélgica, Chequia, Dinamarca, Eslovaquia, Eslovenia, España, Estonia, Finlandia, Francia, Grecia, Hungría, Irlanda, Italia, Letonia, Lituania, Luxemburgo, Países Bajos, Polonia, Portugal, Reino Unido y Suecia.² Los datos utilizados para las estimaciones sobre los determinantes examinados de los flujos migratorios abarcan el periodo 2000-2019, mientras que los datos sobre la variable dependiente (flujos migratorios netos) abarcan el periodo 1995-2019, ya que se incluye la variable dependiente retardada en las estimaciones.³

Para medir el grado de migración laboral se utiliza el conjunto de datos sobre flujos internacionales de inmigración bilateral elaborado por Abel y Cohen (2022) y distribuido en periodos de cinco años. Por lo tanto, todas las variables utilizadas en las estimaciones se ajustan a este formato, es decir, todos los regresores considerados se construyen a intervalos de cinco años. Los datos presentados en el conjunto de datos se refieren únicamente a ciudadanos de la UE y excluyen a los refugiados y otros no ciudadanos. Se escalan los flujos migratorios netos utilizando la suma de la población en edad de trabajar en cada par de países a partir de los datos de Eurostat.⁴ En consecuencia, la migración neta por cada 1 000 habitantes en edad de trabajar (de 15 a 64 años) entre cualquier par de países se calcula del siguiente modo:

$\mathit{\text{MIG}}{R}_{\mathit{\text{ijt}}}=\frac{\left|\mathit{\text{MIGRNe}}{t}_{\mathit{\text{ijt}}}\right|}{\frac{1}{5}{\sum }_{z=0}^4\left(\mathit{\text{Po}}{b}_{\mathit{\text{it}}+z}+\mathit{\text{Po}}{b}_{\mathit{\text{jt}}+z}\right)}$       (1)

donde |MIGRNet_ijt| es la migración neta entre los países i y j en el momento t = 1995, 2000, …, 2015, que representa el primer año del periodo de cinco años en cuestión. Pobi_t+z y Pob_jt+z simbolizan las poblaciones en edad de trabajar del país i y j, respectivamente, y z = 0,1, … 4.⁵

La primera variable explicativa es la migración retardada (MIGRret ≡ MIGR_ijt–1), que puede servir como indicador indirecto de los cauces migratorios formales e informales bien establecidos: los inmigrantes que ya viven en cada país pueden facilitar la entrada de sus familiares, amigos y conocidos ayudándoles a encontrar vivienda y empleo y a integrarse en la nueva cultura. Como indicador indirecto alternativo del efecto «amigos y parientes» (Boyd 1989), aquí se utilizan los valores poblacionales. Sin embargo, como la base de datos no incluía datos sobre variables poblacionales, se ha construido una variable que refleja la acumulación de flujos migratorios entre dos países durante el periodo examinado. La variable se define de la siguiente manera:

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

siendo M = 1,2,3,4 un índice temporal. Es decir, se sintetizan todas las migraciones anteriores disponibles para tener en cuenta el efecto «amigos y parientes».

En consonancia con investigaciones anteriores, en la presente evaluación de los flujos migratorios netos entre países de la UE se investigan los factores de expulsión y de atracción, analizando las disparidades en cuanto a la intensidad de esos factores dentro de cada par de países. Por ejemplo, los bajos salarios reales o las tasas elevadas de desempleo actúan como factores de expulsión que alientan a los agentes económicos de un país a emigrar y buscar empleo en el extranjero. A la inversa, los salarios elevados y las bajas tasas de desempleo pueden considerarse factores de atracción de trabajadores extranjeros. Con el fin de evaluar el efecto neto de expulsión y atracción de un par de países determinado, se construyen variables independientes definidas como los valores absolutos de las diferencias entre los factores de expulsión o de atracción en el par de países examinado.

Los dos factores de la migración laboral de mayor interés para el presente estudio son las diferencias de ingresos y tasas de desempleo entre países. La diferencia relativa al nivel de ingresos se calcula así:

$\mathit{\text{ING}}{R}_{\mathit{\text{ijt}}}=\frac{1}{5}{\displaystyle \sum _{z=0}^4}\left|\mathit{\text{INGRNe}}{t}_{\mathit{\text{it}}+z}–\mathit{\text{INGRNe}}{t}_{\mathit{\text{jt}}+z}\right|$       (3)

donde INGRNet_it+z y INGRNet_jt+z son los ingresos promedio después de impuestos expresados en euros en paridad de poder adquisitivo (PPA) en el país i y j respectivamente, en el momento t = 2000, 2005, 2010, 2015, y z = 0,1, … 4.

Del mismo modo, la diferencia relativa a la tasa de desempleo se calcula como:

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

donde DES_it+z y DES_jt+z son las tasas de desempleo del país i y j respectivamente. Los datos sobre ingresos netos y tasas de desempleo son anuales y proceden de Eurostat.

En el gráfico 1 se representan los percentiles y la mediana de la distribución de las diferencias de tasas de desempleo e ingresos netos. Los diferenciales de la tasa de desempleo muestran una tendencia al alza durante los periodos de expansión económica (por ejemplo, la burbuja puntocom) y de recesión (por ejemplo, el estallido de la burbuja puntocom, la crisis financiera mundial y la crisis de la deuda soberana). Los periodos de tranquilidad tienden a la convergencia de la tasa de desempleo. En cambio, los diferenciales de ingresos netos no muestran ningún patrón de convergencia. Los percentiles inferiores a la mediana se mantienen relativamente estables, mientras que los superiores a la mediana manifiestan una lenta evolución hacia una mayor disparidad. A diferencia de las tasas de desempleo, las tendencias relativas al comportamiento de los diferenciales de ingresos netos permanecen más o menos estables en tiempos de crisis, expansión o tranquilidad.

Gráfico 1

Diferenciales de tasa de desempleo y de ingresos netos

Notas: La franja sombreada en violeta indica el periodo de la burbuja puntocom, y la franja sombreada en gris indica el periodo de la crisis financiera mundial y la crisis de la deuda soberana.

Fuente: Elaboración de los autores con datos de Eurostat.

Se controlan varios factores económicos, sociales, institucionales y culturales que pueden contribuir a la migración neta. En el cuadro A1 del anexo figura una descripción detallada de estas variables, junto con la fuente de los datos. En cuanto a los factores económicos, se controla la diferencia relativa al impuesto sobre la renta (Imp) y las prestaciones sociales promedio por persona (Social) entre dos países. A este respecto, Warin y Svaton (2008) investigan el interesante concepto de «migración de bienestar». En este artículo también se examina el impacto del tamaño del sector público a través de la variable PUBL. Clemente, Pueyo y Sanz (2008) defienden la influencia del tamaño del sector público en los flujos migratorios internacionales, mientras que Ariu, Docquier y Squicciarini (2016) atribuyen importancia a la calidad de las instituciones públicas. La variable de capital humano, CH, es la medida proporcionada por Barro y Lee (2013), basada en el nivel de escolaridad. Siguiendo la investigación de Davies y Wooton (1992) sobre el impacto de la desigualdad de ingresos en los flujos migratorios, se tienen en cuenta las diferencias relativas a la distribución de ingresos mediante la variable Gini.

Por lo que respecta a los factores sociales e institucionales, en primer lugar se analizan las diferencias relativas a la seguridad y la delincuencia a través de las variables Delincuencia y Corrupción. Lage de Sousa (2014) señala que la tasa de delincuencia es un impedimento efectivo de los flujos migratorios y Poprawe (2015) indica que la corrupción fomenta la emigración y desincentiva la inmigración. También se controlan las diferencias relativas a las tasas de fecundidad mediante la variable FEC. Según la información de que se dispone, este es el primer artículo en el que se analiza la asociación entre la tasa de fecundidad y los flujos migratorios.

El último grupo de factores examinado guarda relación con las diferencias culturales. Las cuatro primeras variables podrían considerarse indicadores indirectos de los costos de transporte; sin embargo, en general se consideran variables sustitutivas de la distancia cultural entre países. Las variables ficticias F y FM, que controlan los países que comparten una frontera común y una frontera marítima, respectivamente, son complementarias, en tanto en cuanto los países limítrofes a través de fronteras terrestres y marítimas suelen tener una historia común. La variable ficticia AM controla el acceso al océano o al mar, mientras que LNDGEO es el logaritmo natural de la distancia entre las capitales de un determinado par de países. Las variables de gravedad son el tipo de regresores más utilizado en la bibliografía sobre flujos migratorios internacionales (Ashby 2007; Kim y Cohen 2010; Etzo 2011).

La variable que representa la diferencia de temperatura promedio anual entre dos países (Temp) podría considerarse un indicador indirecto de la calidad de vida, pues se considera ventajoso vivir en países europeos más cálidos, que son también importantes destinos turísticos gracias a su clima agradable. Por otra parte, especialmente en el contexto europeo, la diferencia de temperatura también puede servir como indicador de similitud cultural. El impacto de la temperatura en los flujos migratorios ha sido ampliamente investigado dada su relación con el debate sobre el calentamiento global (Minehan y Wesselbaum 2023).

Por último, ANTUE es una variable ficticia de pertenencia a la UE antes de 2004. L es una variable ficticia que controla las lenguas oficiales comunes. TRANS es una variable binaria que controla los países poscomunistas.

3.2. Estrategia de estimación

Se adopta el promedio bayesiano de modelos (Bayesian model averaging, BMA) como método para evaluar la robustez de los determinantes examinados de la migración internacional en Europa. En concreto, el BMA se basa en una estimación⁶ de todos los modelos posibles que pueden asignarse en función del conjunto de determinantes considerados. El BMA se basa en el teorema de Bayes para realizar inferencias basadas en todo el espacio del modelo, teniendo así en cuenta la incertidumbre. Como han demostrado varios autores (Kass y Raftery 1995; Raftery 1995), la metodología basada en el promedio de modelos es preferible a los enfoques basados en la evaluación de múltiples especificaciones de modelos estimados con MCO. Este último enfoque no tiene en cuenta adecuadamente la incertidumbre del modelo.

La regresión de referencia puede expresarse del siguiente modo:

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

donde y_ijt es el flujo migratorio neto entre los países i y j durante el periodo t, definido en la ecuación (1); x_ijt es una matriz de determinantes potenciales de la migración bilateral; β es un vector de parámetros; γ es una constante, y υ_ijt es una perturbación aleatoria de la migración neta. Todas las variables se normalizaron antes de la estimación para facilitar las comparaciones de la fuerza relativa de la influencia entre los regresores examinados.

La configuración del modelo en la ecuación (5) permite el uso del BMA. Con 19 regresores potenciales (incluida la migración neta retardada), indexados por k = 1, …, 19, es posible estimar 2^K = 2¹⁹ = 524 288 modelos. A cada modelo estimado se le asigna una probabilidad a posteriori del modelo (PPM), que viene dada por la regla de Bayes:

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

donde L(datos|M_m) es el valor de la función de verosimilitud para el modelo m (M_m) y P(M_m) es la probabilidad a priori del modelo m. La utilización de las PPM como ponderaciones permite calcular el promedio posterior (PmP) y la desviación típica posterior (DTP) del coeficiente β_k. El PmP del coeficiente β_k viene dado por:

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

donde ${\widehat{\beta }}_{\mathit{\text{km}}}$ es el valor del coeficiente β_k estimado para el modelo m y k asigna un índice al regresor. Además, la DTP es igual a:

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

donde V (β_k|datos,M_m) denota la varianza condicional del parámetro en el modelo M_m.

Suponiendo que cada modelo M_m tenga asignado un vector binario φ en el que 0 significa exclusión y 1 indica la inclusión de una variable k en el modelo, la probabilidad de inclusión posterior se calcula como:

$\mathit{\text{PI}}{P}_k={\displaystyle \sum _{m=1}^{2^K}}1\left({\phi }_k=1|\mathit{\text{datos}},M_m\right)*\mathit{\text{PP}}{M}_m$       (9)

La probabilidad posterior de signo positivo del coeficiente en el modelo, P(+), se calcula del siguiente modo:

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

donde FDA denota la función de distribución acumulativa y $t_{\mathit{\text{ij}}}\equiv ({\widehat{\beta }}_i/{\widehat{\mathit{\text{DT}}}}_i|M_j)$ .

La aplicación del BMA requiere especificar la distribución a priori del modelo, y es común utilizar una distribución a priori g en el espacio de parámetros. La regla de referencia (benchmark) (Fernández, Ley y Steel 2001) exige la elección de la información previa unitaria (unit information prior, UIP) (Kass y Wasserman 1995) sobre los coeficientes. Eicher, Papageorgiou y Raftery (2011) recomiendan la combinación de la UIP con una distribución a priori uniforme del modelo (probabilidades iguales de todos los modelos considerados), mientras que Ley y Steel (2009) recomiendan una distribución a priori binomial-beta (probabilidades iguales de todos los tamaños de modelo considerados). Por consiguiente, en todas las estimaciones aquí presentadas, la UIP se combinó con las distribuciones a priori uniforme y binomial-beta en el espacio del modelo.

La robustez de las variables se evalúa con la probabilidad de inclusión posterior y el valor absoluto de la relación entre el PmP y la DTP de un determinado regresor. Raftery (1995) clasifica una variable como débil, positiva, fuerte y muy fuerte cuando la probabilidad de inclusión posterior (PIP) se sitúa entre 0,5 y 0,75, entre 0,75 y 0,95, entre 0,95 y 0,99, y por encima de 0,99, respectivamente. El autor considera que una variable es robusta si este coeficiente es superior a 1, lo que indica que la inclusión de la variable mejora la potencia del modelo. Masanjala y Papageorgiou (2008) establecen un valor crítico de 1,3 con un intervalo de confianza del 90 por ciento en el enfoque frecuentista, mientras que Sala-i-Martin, Doppelhofer y Miller (2004) aconsejan utilizar un valor crítico de 2 correspondiente a un intervalo de confianza del 95 por ciento.

Por último, se recurre a una regresión cuantílica estimando la ecuación (4) e incluyendo todas las variables como factores explicativos de los flujos migratorios. La principal aportación de este enfoque se deriva de la evaluación de los flujos migratorios bilaterales y las variables mencionadas fuera de los valores promedio de los datos, permitiendo al mismo tiempo analizar las posibles relaciones no lineales entre el conjunto de factores explicativos y la variable de interés. Por lo tanto, el principal objetivo de esta metodología es revelar los efectos heterogéneos de los factores de atracción y expulsión sobre los flujos migratorios. Se divide la muestra en cuantiles, desde el extremo inferior (los flujos migratorios relativos más bajos) hasta el superior (los flujos migratorios relativos más altos). La regresión cuantílica tiene la importante ventaja de distinguir qué determinantes están asociados a diferentes magnitudes de flujos migratorios relativos. Así pues, mediante este enfoque es posible evaluar la importancia estadística y económica de los resultados. Por último, es importante destacar que el par de países y la composición por periodos de cada cuantil varían. La composición temporal de los cuantiles se presenta en el cuadro A2 del anexo, donde se observa que la composición temporal de los cuantiles es relativamente estable, mientras que la composición por pares de países de los cuantiles se caracteriza por una variabilidad mucho mayor.⁷

4.1. Resultados del promedio bayesiano de modelos

En el cuadro 1 se presentan los resultados del BMA con distribuciones a priori uniforme y binomial-beta del modelo. En el gráfico 2 se muestra la comparación de las PIP entre los resultados obtenidos con ambas distribuciones. Se han identificado cinco variables que se clasifican como robustas en ambas especificaciones a priori, al menos según un criterio. Todos los valores de PmP y DTP están normalizados para facilitar la comparación de la fuerza relativa entre los determinantes examinados.⁸

Gráfico 2

Probabilidad de inclusión posterior obtenida con las distribuciones a priori uniforme y binomial-beta del modelo

Fuente: Cálculos de los autores. Véanse las fuentes de datos de las variables en el cuadro A1 del anexo.

La variable de migración retardada (MIGRret) se caracteriza por la mayor PIP y la relación más alta entre PmP y DTP. También tiene los PmP más elevados para las distribuciones a priori uniforme y binomial-beta del modelo (0,366 y 0,377, respectivamente), con valores que casi duplican los de la segunda variable, la variable ficticia de frontera. Este efecto es relativamente fuerte y demuestra que la inmigración pasada sienta las bases de la migración futura al facilitar mejores condiciones para la llegada de familiares, amigos y conocidos. Como ya se ha señalado, los inmigrantes actuales pueden ayudarles a encontrar vivienda y empleo y a familiarizarse con la nueva cultura y legislación del país de acogida.

En el cuadro 2 se presentan los resultados obtenidos utilizando una medida alternativa de la migración pasada: la migración bilateral acumulada durante el periodo examinado, definida en la ecuación (2). En este caso, se observa que la variable AcumMIG («amigos y parientes») es aún más robusta, ya que el PmP asciende a 0,466 y 0,477 para las distribuciones a priori uniforme y binomial-beta, respectivamente, casi con la misma DTP. La asociación cada vez mayor entre migración pasada y actual demuestra que el efecto «amigos y parientes» aumenta con el tiempo a medida que un mayor número de inmigrantes se integran en la cultura del país de acogida o crean redes e instituciones que facilitan la llegada de nuevos inmigrantes. Curiosamente, el refuerzo de la asociación entre migración pasada y actual va acompañado de una caída de la correlación entre migración y diferenciales de desempleo. En consecuencia, la variable DESEMP es frágil en este caso. Este resultado ilustra aún más la tesis sobre la función dominante de las diferencias de ingresos sobre las diferencias de la tasa de desempleo.

Como se ilustra en el cuadro 1, la variable con la segunda relación más alta entre la PIP y el PmP y la DTP es la variable ficticia de frontera, F. Este resultado pone de manifiesto que los lazos culturales que unen a los países vecinos son lo suficientemente sólidos como para compensar los incentivos económicos expresados en diferencias de ingresos o tasas de desempleo. La última variable cultural clasificada como robusta es la variable ficticia de pertenencia a la UE antes de 2004, ANTUE. Se sitúa por encima de las diferencias de desempleo, pero por debajo de las diferencias de ingresos. Así pues, los resultados muestran que los factores culturales son superiores a las consideraciones económicas en cuanto a la fuerza de su asociación con los flujos migratorios.

En cuanto a las principales variables de interés, la primera variable económica de la lista de determinantes robustos de la migración es el valor absoluto de la diferencia de salario neto expresado en PPA, mientras que las diferencias relativas a la tasa de desempleo se sitúan como la última variable en la clasificación de robustez. Su comparación muestra que el efecto de la diferencia de ingresos duplica con creces el efecto de las diferencias de desempleo. Los PmP normalizados de INGR son 0,115 y 0,105, mientras que los de DESEMP son 0,059 y 0,043, en las distribuciones a priori uniforme y binomial-beta del modelo, respectivamente. La fuerza relativa de las diferencias de ingresos frente a las diferencias de tasa de desempleo se ve corroborada por el hecho de que INGR supera las pruebas de robustez descritas en el anexo suplementario en línea, mientras que DESEMP no las supera en varias ocasiones. Aun así, los resultados relativos al impacto de las diferencias de desempleo y de ingresos en la migración se ven corroborados por los valores promedio de la migración neta durante el periodo.⁹

Otras tres variables muestran cierta robustez en la distribución a priori uniforme del modelo; sin embargo, resultan ser frágiles en la distribución a priori binomial-beta. La primera de ellas es la diferencia de capital humano (CH), cuyo PmP positivo indica que los trabajadores fluyen desde los países faltos de capital humano hacia los países con altos niveles de capital humano. Las dos últimas variables robustas son indicadores indirectos de la similitud cultural: el acceso al océano o al mar (AM) y la diferencia de temperatura promedio (Temp). El caso de Temp reviste especial interés, ya que demuestra que la diferencia de temperatura es un indicador de similitud cultural más adecuado que una lengua común en el contexto europeo. Además, un PmP negativo en Temp indica que no hay evidencia de emigración de países más fríos a países más cálidos. El resto de las variables son débiles independientemente del criterio de robustez examinado. Sin embargo, la fragilidad de algunas variables puede considerarse un resultado interesante en sí mismo. Las diferencias en los tipos impositivos medios (Imp), el nivel de prestaciones sociales (Social), la proporción de gasto público en el PIB (PUBL) y el coeficiente de Gini (Gini) son frágiles. Este resultado se mantiene incluso si se eliminan los ingresos netos del conjunto de regresores considerado.¹⁰ Por lo tanto, los resultados demuestran que la migración intracomunitaria no viene motivada por el fenómeno de «migración a los estados de bienestar». Del mismo modo, las diferencias en la prevalencia de la delincuencia y la corrupción no se correlacionan con los flujos migratorios.

Los cálculos de BMA se han sometido a varias pruebas de robustez (sección B.1 del anexo suplementario B en línea. Las pruebas confirman los resultados expuestos en este artículo.

4.2. Resultados de la regresión cuantílica

Los resultados de la estimación de la regresión cuantílica se recogen en el cuadro 3.¹¹ El primer cuantil representa los menores flujos migratorios netos, mientras que el noveno cuantil corresponde a los mayores flujos migratorios. Como era de esperar, las estimaciones puntuales de la regresión cuantílica son siempre superiores a sus respectivos PmP. En el caso de la regresión cuantílica, no se tiene en cuenta la incertidumbre del modelo, por lo que los coeficientes estimados están sesgados al alza en comparación. Las estimaciones puntuales de la regresión cuantílica deben interpretarse como límites superiores de la asociación. Por lo tanto, en el caso de la regresión cuantílica, se interpretan los resultados desde una perspectiva cualitativa y no cuantitativa.

Los resultados indican que la migración pasada es el mejor predictor de la migración actual en todos los cuantiles. La fuerza de la asociación entre ambas aumenta de 0,542 a 0,875 entre el primer y el noveno cuantil. El valor de la estimación puntual aumenta sucesivamente de un cuantil a otro. Este resultado pone de relieve la influencia del efecto «amigos y parientes», en virtud del cual unos flujos migratorios más elevados en el pasado contribuyen a aumentar los flujos en el futuro. El efecto no es lineal y los datos muestran que los migrantes gravitan con más fuerza hacia lugares donde ya se han establecido muchos de sus conciudadanos. Se constata que las diferencias relativas a las tasas de desempleo y a los ingresos afectan a casi todos los cuantiles. Los valores de INGR en el cuadro 3 se deben principalmente a los cuantiles inferiores, donde la asociación entre migración y diferencias de ingresos es más sólida.

Los valores de las estimaciones puntuales de ingresos (gráfico 3) están por encima de los valores de desempleo en todos los cuantiles excepto en el noveno, pero los coeficientes no son estadísticamente significativos. Este resultado corrobora los cálculos obtenidos en el marco del BMA en cuanto a la importancia relativa de las diferencias de ingresos y de desempleo al impulsar los flujos migratorios netos. También refuerza firmemente el factor de la inmigración pasada como facilitador de la inmigración futura. Comparativamente, la magnitud del impacto de las diferencias de ingresos y de desempleo disminuye a medida que aumenta el tamaño del flujo, mientras que el llamado efecto «amigos y parientes» toma el relevo.

Gráfico 3

Estimaciones puntuales de las diferencias de desempleo e ingresos a lo largo de la distribución migratoria (coeficientes normalizados)

Fuente: Cálculos de los autores. Véanse las fuentes de datos de las variables en el cuadro A1 del anexo.

Los resultados de la regresión cuantílica en las variables asociadas a la distancia física y la proximidad cultural son más dispares. La distancia geográfica entre países, LNDGEO, tiene un efecto negativo sobre la migración en los seis primeros cuantiles y en el octavo. Como cabía esperar, cuanto mayor es la distancia entre los dos países, menor es el tamaño de los flujos migratorios, lo que indica la importancia de los costos de transporte y de la distancia cultural estimada a partir de la distancia espacial. Sin embargo, el costo del transporte no parece ser un factor importante que explique los mayores flujos migratorios. Compartir una frontera marítima común, FM, se asocia a una mayor migración bilateral en los siete cuantiles superiores. La presencia de una frontera común, F, es significativa en los cuantiles séptimo y octavo, mientras que una lengua común es significativa en los cuantiles primero, séptimo y noveno. La diferencia en la temperatura promedio, Temp, y el acceso al mar, AM, solo es significativa en un cuantil. Por lo tanto, en contraste con la migración pasada y las consideraciones económicas, los factores culturales tienden a ser más específicos de determinados cuantiles.

En consonancia con los resultados de toda la muestra, se observa que la migración pasada es el factor predictivo más importante de la migración futura. Además, la fuerza del efecto «amigos y parientes» aumenta con la magnitud de los flujos migratorios relativos. Por un lado, en los cuantiles inferiores prevalecen las consideraciones económicas, incluidas las diferencias de ingresos, las oportunidades de empleo disponibles, así como los costos de desplazamiento. Por otro lado, los factores culturales influyen más en los cuantiles más altos, donde el hecho de compartir una frontera y una lengua en común se asocian con flujos migratorios netos más elevados, incluso en mayor medida que los factores puramente económicos.

En contraste con los resultados correspondientes al conjunto de la distribución, la diferencia de capital humano está positivamente asociada con la migración en todos los cuantiles. Este resultado demuestra que las variaciones en el nivel de competencias profesionales de la población son un buen indicador de los flujos migratorios internacionales. Se trata de una evidencia sorprendente, ya que las diferencias de capital humano se clasifican como frágiles. Sin embargo, esto puede explicarse por el concepto de complementariedad de los regresores desarrollado en la bibliografía sobre conjuntividad (Ley y Steel 2007; Doppelhofer y Weeks 2009; Hofmarcher et al. 2018). El CH muestra una relación complementaria con otros determinantes robustos de la migración internacional, de manera que las diferencias de capital humano son estadísticamente significativas cuando se incluyen junto con esos otros factores. Esto se refleja en el hecho de que el CH es robusto en la distribución a priori uniforme del modelo. La distribución a priori binomial-beta concentra una mayor masa de probabilidad en los modelos más pequeños, donde la asociación de la migración internacional con el CH no es significativa. Otra posible explicación de la falta de robustez del CH en los resultados principales es que, según los datos analizados, la relación no está bien modelizada por una aproximación lineal. Los resultados de la regresión cuantílica indican que el CH tiene un impacto en forma de U a lo largo de los cuantiles, en cuanto a la magnitud estimada del efecto, observándose el mayor grado de asociación con los flujos migratorios internacionales en los cuantiles más bajos y más altos.

La diferencia relativa a la proporción de gasto público en el PIB (PUBL) se asocia negativamente con los flujos migratorios netos internacionales, lo que indica que la «migración a los estados de bienestar» carece de evidencia empírica. Esta idea se ve reforzada por los resultados de la diferencia en la distribución de ingresos (Gini). Las estimaciones puntuales de esta variable son negativas y solo estadísticamente significativas en cuatro cuantiles. La diferencia de nivel de corrupción (Corrupción) muestra una pendiente negativa en los cuantiles inferiores, y los coeficientes solo son estadísticamente significativos en dos cuantiles. Sin embargo, el coeficiente estimado se vuelve positivo en los tres cuantiles más altos, con una estimación puntual estadísticamente significativa en el noveno cuantil. Por lo tanto, de los datos no se extrae ninguna conclusión clara sobre la asociación entre el nivel de corrupción y la magnitud de los flujos migratorios. Por último, los coeficientes estimados para las diferencias relativas a los índices de delincuencia (Delincuencia) son positivos y estadísticamente significativos en seis cuantiles, lo que parece indicar que los ciudadanos europeos prefieren vivir en países más seguros. Sin embargo, este efecto se limita a los flujos migratorios relativamente altos.