The prediction of farm structural change is of large interest at EU policy level, but available methods are limited regarding the joint and consistent use of available data sources. This paper develops a Bayesian Markov framework for short-term prediction of farm numbers that allows combining two asynchronous data sources in a single estimation. Specifically, the approach allows combining aggregated Farm Structure Survey (FSS) macro data, available every two to three years, with individual farm level Farm Accountancy Data Network (FADN) micro data, available on a yearly basis. A Bayesian predictive distribution is derived from which point predictions such as mean and other moments are obtained. The proposed approach is evaluated in an out-of-sample prediction exercise of farm numbers in German regions and compared to linear and geometric prediction as well as a “no-change” prediction of farm numbers. Results show that the proposed approach outperforms the geometric prediction but does not significantly improve upon the linear prediction and a prediction of no change in this context. 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.