Die Vorhersage des landwirtschaftlichen Strukturwandels ist von großem Interesse für die EU-Agrarpolitik, aber gegenwärtige Methoden können die verfügbaren Datenquellen nicht vollständig und in konsistenter Weise verwenden. Zur kurzfristigen Vorhersage des Agrarstrukturwandels wird ein Bayes’scher Markov-Ansatz entwickelt, der die Kombination von zwei asynchronen Datenquellen in einer einzigen Schätzung erlaubt. Im konkreten Fall werden dabei in konsistenter Weise aggregierte Daten des Farm Structure Survey (FSS), die alle zwei bis drei Jahre erhoben werden, mit jährlich verfügbaren Stichprobendaten des einzelbetrieblichen Farm Accountancy Data Network (FADN) kombiniert. Eine geschätzte Bayes’sche Vorhersageverteilung erlaubt die Ermittlung von Punktvorhersagen in Form des arithmetischen Mittels und die Ableitung anderer Momente. Evaluiert wird der Ansatz in einer „out-of-sample“-Vorhersage für die Anzahl landwirtschaftlicher Betriebe in verschiedenen Klassen und Bundesländern in Deutschland. Verglichen werden die Ergebnisse mit einer linearen und geometrischen Vorhersage sowie einer „konstanten“ Vorhersage, die keine Veränderungen zum letzten Beobachtungsjahr unterstellt. Im Vergleich zur geometrischen Vorhersage liefert der Ansatz bessere Ergebnisse, wobei lineare und konstante Vorhersage ähnliche Ergebnisse in diesem Kontext liefern.