_ Emil O. W. Kirkegaard, Gastforscher, Institut für konservative Wirtschaftspolitik (IKW). München, 21. Oktober 2026.

Kernbotschaften & Handlungsempfehlungen

• Die Auswertung von 34 Aufnahmeländern zeigt erhebliche Unterschiede in den wirtschaftlichen, sozialen und schulischen Ergebnissen von Migrantengruppen unterschiedlicher Herkunft.
• Besonders niedrige bereinigte Migrantenergebniswerte finden sich unter anderem für Jemen, Somalia, Gambia, Eritrea und Sierra Leone. Zahlreiche Herkunftsländer Subsahara-Afrikas sowie Teile Nordafrikas und des Nahen Ostens liegen im negativen Indexbereich.
• Der Zusammenhang zwischen dem bereinigten Herkunftsländerindex und nationalen IQ-Schätzungen beträgt r = 0,81, jener mit dem sozioökonomischen Entwicklungsindex r = 0,82. Diese Korrelationen belegen Vorhersagezusammenhänge, jedoch keine genetischen Ursachen.
• Die Bildungsselektion beeinflusst die Ergebnisse erheblich: Während in einzelnen Herkunftskohorten nur 1–8 % einen Hochschulabschluss besitzen, erreichen bestimmte Auswanderergruppen Anteile von 47–87 %.
• Für migrationspolitische Entscheidungen sind Herkunftsstatistiken, Qualifikationsniveau, Selektionsmechanismen und tatsächliche Integrationsergebnisse gemeinsam auszuwerten. Nur so lassen sich unterschiedliche Ausgangsvoraussetzungen und langfristige Folgen sachgerecht berücksichtigen.

Internationale Datensammlung aus 34 Aufnahmeländern

Die wirtschaftlichen, sozialen und schulischen Ergebnisse von Migranten unterscheiden sich erheblich nach Herkunftsland. Eine neue internationale Untersuchung führt Daten aus 34 Aufnahmeländern zusammen und erfasst insgesamt 184 Herkunftsländer. Mithilfe KI-gestützter Verfahren wurden bisherige Untersuchungen systematisch zusammengeführt und ergänzt. [1–2]

Berücksichtigt werden Erwerbstätigkeit, Einkommen, Bildungsabschlüsse, kognitive Testleistungen, Kriminalität und Sozialleistungsbezug. Die Ergebnisse verschiedener Herkunftsgruppen werden zu einem gemeinsamen Index verdichtet. Auf dieser Grundlage lassen sich internationale Muster und Unterschiede zwischen Aufnahmeländern untersuchen.

Erklärungsmodell: Humankapital und Herkunft

Der Untersuchung liegt die Annahme zugrunde, dass Bevölkerungsgruppen unterschiedliche Verteilungen von Humankapitalmerkmalen aufweisen. Hierzu zählen insbesondere kognitive Fähigkeiten, Bildungsniveau und weitere leistungsbezogene Eigenschaften.

Eine zentrale Hypothese des Modells lautet, dass genetische Unterschiede einen wesentlichen Teil dieser Merkmale erklären. Genetische Veranlagungen bleiben bei einer Migration grundsätzlich erhalten. Für historische Zeiträume von weniger als 100 Jahren wird eine weitgehende Stabilität der Gruppenmittelwerte angenommen, nicht jedoch zwingend über Jahrhunderte oder Jahrtausende.

Daraus folgt die Vorhersage, dass durchschnittliche Herkunftsmerkmale mit späteren Ergebnissen ausgewanderter Bevölkerungsgruppen zusammenhängen sollten. Die genetische Erklärung bleibt allerdings eine Hypothese, die durch statistische Korrelationen allein nicht nachgewiesen wird.

Entscheidend ist außerdem, dass Migranten keine zufällige Auswahl ihrer Herkunftsbevölkerung darstellen.

Migrantenselektion als zentraler Einflussfaktor

Die Untersuchung berücksichtigt deshalb die Bildungsselektion der Auswanderer. Grundlage sind unter anderem die IAB-Brain-Drain-Daten sowie weitere Mikrodaten, die nach Möglichkeit vergleichbare Altersgruppen und Geburtskohorten erfassen. Berücksichtigt werden insbesondere Personen, die erst ab 25 Jahren eingewandert sind. [3]

Das Prinzip ist einfach: Besitzen im Herkunftsland lediglich 10 % der Bevölkerung einen Hochschulabschluss, unter den Auswanderern dagegen 70 %, handelt es sich um eine stark positiv ausgewählte Migrantengruppe.

Besonders ausgeprägt ist dieser Effekt bei wirtschaftlich schwachen Herkunftsländern. Während dort teilweise nur ein einstelliger Prozentsatz der Bevölkerung studiert hat, erreichen bestimmte Auswanderergruppen Akademikerquoten von über 50 %.

Die Datensammlung zeigt beispielsweise für indische Erwachsene in den USA einen Hochschulabsolventenanteil von 87 %, verglichen mit 8 % in der entsprechenden Herkunftskohorte. Bei Migranten aus Sierra Leone im Vereinigten Königreich sind es 47 % gegenüber 1 %. [2]

Allerdings erfasst diese Methode Personen unvollständig, die vor Abschluss ihrer Ausbildung auswandern. Bildungsabschlüsse bleiben daher ein Näherungswert für Humankapital.

Deutliche regionale Unterschiede

Die nach Bildungsselektion bereinigte Weltkarte zeigt erhebliche geografische Unterschiede. Besonders viele negative Indexwerte konzentrieren sich auf Subsahara-Afrika sowie Teile Nordafrikas und des Nahen Ostens.

Zu den Herkunftsländern mit besonders niedrigen bereinigten Indexwerten gehören:

• Jemen: ungefähr −1,8 Standardabweichungen.
• Somalia und Gambia: jeweils ungefähr −1,4 Standardabweichungen.
• Eritrea: ungefähr −1,3 Standardabweichungen.
• Sierra Leone und die Demokratische Republik Kongo: ungefähr −1,1 Standardabweichungen.
• Syrien: ungefähr −1,0 Standardabweichungen.

Dabei handelt es sich um näherungsweise aus den veröffentlichten Grafiken abgelesene Werte des zusammengesetzten Migrantenergebnisindex, nicht um IQ-Punkte. [1–2]

Auch weitere Herkunftsländer aus West-, Zentral- und Ostafrika sowie Teile Nordafrikas weisen negative Ergebnisse auf. Das Muster bleibt in der Untersuchung selbst nach Berücksichtigung der beobachtbaren Bildungsselektion erkennbar.

Demgegenüber erzielen zahlreiche west- und nordeuropäische, nordamerikanische sowie ostasiatische Herkunftsgruppen positive Werte. Auch Indien und Südafrika schneiden vergleichsweise gut ab. Die Ergebnisse zeigen damit zugleich erhebliche Unterschiede innerhalb der Weltregionen.

Zusammenhang mit nationalen IQ-Schätzungen

Das zentrale Ergebnis ergibt sich aus dem Vergleich der bereinigten Migrantenergebnisse mit nationalen IQ-Schätzungen der Herkunftsländer.

Für 133 Herkunftsländer mit jeweils mindestens vier Datensätzen ergibt sich eine Korrelation von r = 0,81. Mit einem breiteren Index der sozioökonomischen Entwicklung des Herkunftslandes beträgt die Korrelation r = 0,82. [1–2]

Die Grafiken zeigen, dass viele Länder Subsahara-Afrikas und einige Länder des Nahen Ostens und Nordafrikas sowohl niedrigere Werte in den verwendeten nationalen IQ-Schätzungen als auch niedrigere bereinigte Migrantenergebnisse aufweisen. Zahlreiche europäische und ostasiatische Herkunftsländer liegen in beiden Vergleichen höher.

Die nationalen IQ-Werte sind allerdings keine direkten Messungen der untersuchten Migrantengruppen. Darüber hinaus sind die zugrunde liegenden Länderschätzungen wissenschaftlich umstritten. Insbesondere für afrikanische Länder werden mangelnde Repräsentativität, unzureichende Vergleichbarkeit und mögliche systematische Verzerrungen kritisiert. [7]

Der robuste deskriptive Befund der Untersuchung besteht darin, dass Herkunftsindikatoren und Migrantenergebnisse deutlich miteinander korrelieren. Welche Ursachen diese Zusammenhänge erklären, lässt sich damit allein nicht entscheiden.

Mexiko zeigt die Bedeutung der Auswandererauswahl

Besonders deutlich wird die Wirkung der Migrantenselektion am Beispiel Mexikos.

Mexikanische Migrantengruppen erzielen in den USA und Kanada innerhalb der untersuchten Daten vergleichsweise schwächere Ergebnisse, während kleinere Gruppen in Europa besser abschneiden.

Nach Schätzungen der Vereinten Nationen lebten 2020 rund 97 % aller mexikanischen Auswanderer in den USA. Die erheblich kleineren europäischen Gruppen sind dagegen nach Bildungsmerkmalen stärker positiv ausgewählt. [5]

Werden die Ergebnisse entsprechend der Größe der Migrantenbevölkerung gewichtet, fällt Mexikos Gesamtwert deutlich negativer aus. Bei gleicher Gewichtung der Länderbeobachtungen kann ein positiver Wert entstehen. Deshalb verwendet die Untersuchung einen mittleren Gewichtungsansatz.

Das Beispiel zeigt, dass Herkunftsländerwerte und die tatsächliche Zusammensetzung einzelner Migrantengruppen auseinanderfallen können.

Grenzen internationaler Vergleiche

Die verwendeten Ergebnisindikatoren werden unterschiedlich beeinflusst. Kriminalitätsdaten hängen unter anderem von Alter und Geschlecht ab, während Einkommen, Beschäftigung und schulische Leistungen zusätzlich von Sprache, Aufenthaltsdauer und institutionellen Bedingungen geprägt werden.

Die OECD zeigt beispielsweise, dass sich der durchschnittliche Mathematikabstand zwischen Schülern ohne und mit Migrationshintergrund bei PISA 2022 von 29 auf 5 Punkte verringert, wenn sozioökonomischer Hintergrund und Familiensprache statistisch berücksichtigt werden. [4]

Für langfristige Vergleiche sind deshalb die zweite und weitere Migrantengenerationen besonders interessant.

Allerdings fehlen hierfür häufig ausreichend differenzierte Daten. Eingebürgerte Personen werden in reinen Staatsangehörigkeitsstatistiken nicht mehr ihrer ursprünglichen Herkunft zugeordnet. Kinder binationaler Eltern lassen sich ebenfalls nicht immer eindeutig erfassen. Unterschiedliche Einbürgerungsanreize und Staatsangehörigkeitsregelungen verursachen zusätzliche Verzerrungen.

Eine genetische Messung der Migrantenselektion wäre theoretisch möglich, ist international jedoch nicht systematisch umgesetzt worden. Gegenwärtige polygenetische Scores besitzen außerdem insbesondere für außereuropäische Populationen eine begrenzte Vorhersagegenauigkeit. [6]

Konsequenzen für die Migrationspolitik

Die internationale Auswertung zeigt einen deutlichen statistischen Zusammenhang zwischen Herkunftslandmerkmalen, Migrantenselektion und späteren wirtschaftlichen, sozialen und schulischen Ergebnissen.

Damit widersprechen die Ergebnisse der pauschalen Behauptung, Herkunftsindikatoren besäßen grundsätzlich keine Vorhersagekraft für Migrantengruppen.

Ebenso wenig können Unterschiede zwischen Herkunftsgruppen allein als Ergebnis der Integrationspolitik des Aufnahmelandes interpretiert werden. Die Auswahl der Einwanderer beeinflusst bereits die Voraussetzungen, unter denen Integration stattfindet.

Für eine belastbare Migrationspolitik sind deshalb individuelle Qualifikation, Bildungsselektion, Sprachkenntnisse, Wanderungsweg und überprüfbare langfristige Integrationsergebnisse gemeinsam zu berücksichtigen. Herkunftsbezogene Statistiken können Gruppenentwicklungen beschreiben, ersetzen aber keine individuelle Bewertung.

Quellen & Literatur

1. Kirkegaard E. O. W. (2026). Worldwide results for migrant outcomes. Just Emil Kirkegaard Things. URL: https://www.emilkirkegaard.com/p/worldwide-results-for-migrant-outcomes
2. Kirkegaard E. O. W. (2026). Immigrant outcomes by country of origin. Interaktive Datensammlung. URL: https://emilkirkegaard.dk/migration/
3. Brücker H., Capuano S. und Marfouk A. (2013). Education, Gender and International Migration: Insights from a Panel-Dataset 1980–2010. Institut für Arbeitsmarkt- und Berufsforschung. URL: https://iab.de/en/daten/iab-brain-drain/
4. OECD (2023). Immigrant Background and Student Performance. PISA 2022 Results, Volume I. URL: https://www.oecd.org/en/publications/pisa-2022-results-volume-i_53f23881-en/full-report/immigrant-background-and-student-performance_f469d45e.html
5. Batalova J. (2024). Mexican Immigrants in the United States. Migration Policy Institute. URL: https://www.migrationpolicy.org/journal/spotlight/mexican-immigrants-united-states-2024
6. Wilding K., Wright M. und von Stumm S. (2024). Using DNA to Predict Education: A Meta-analytic Review. Educational Psychology Review. URL: https://doi.org/10.1007/s10648-024-09928-4
7. European Human Behaviour and Evolution Association (2020). Statement on National IQ Datasets. URL: https://www.ehbea.org/pages/national-iq-datasets
8. Kirkegaard E. O. W. (2026). Migrantische PISA-Leistungen im internationalen Vergleich. Institut für konservative Wirtschaftspolitik. URL: https://institutkw.de/migrantische-pisa-leistungen-im-internationalen-vergleich/

* Mit Zustimmung des Autors basiert dieser Beitrag auf dessen Originalveröffentlichung; er wurde lediglich zur besseren Strukturierung, Sachlichkeit und Verständlichkeit überarbeitet und um aktuelle Quellen ergänzt, wobei KI-gestützte Methoden unterstützend eingesetzt wurden.

Die in dieser Veröffentlichung vertretenen Ansichten geben ausschließlich die Auffassung des Autors wieder und spiegeln nicht notwendigerweise die Positionen des Instituts für konservative Wirtschaftspolitik (IKW) wider. Das Titelbild dieser Veröffentlichung wurde KI-generiert (Art. 50 EU AI Act).