En algoritme for genbosættelse af flygtninge kan øge beskæftigelsen og integrationen

Den globale flygtningekrise har antændt debat i næsten alle lande, der har oplevet en tilstrømning af flygtninge og asylansøgere. I de fleste lande, samtalen omkring flygtninge har haft en tendens til at fokusere på, om de skal have lov til at komme ind eller ej. Da politiske beslutningstagere og pressen sparrer om kvoter og sikkerhedsproblemer, de har sjældnere overvejet, hvad der sker med flygtninge, efter de ankommer.

For mange flygtninge, vejen til integration er stenet. En flygtninges evne til at akklimatisere sig eller opnå økonomisk succes er ikke en del af udvælgelseskriterierne for optagelse – de få, som UNHCR udvælger til genbosættelse fra flygtningelejre, er dem, der kan bevise alvorlig forfølgelse og lidelse. Efter at have oplevet traumer af krig og udvisning, flygtninge kan opleve, at udfordringerne ved at tilegne sig et nyt sprog og finde grundlæggende beskæftigelse er uoverkommelige. Disse ulemper holder alt for ofte flygtninge på kanten af ​​værtslandenes økonomier og samfund.

Ifølge ny forskning fra Immigration Policy Lab (IPL) ved Stanford University og ETH Zürich, i samarbejde med Dartmouth College, Hvorvidt flygtninge lander på deres fødder eller ej, kan afhænge af en kritisk faktor, der har gemt sig for øje:hvor de bliver genbosat i værtslandet. Deres nye by eller by kan fungere som enten en hindring eller en påkørsel for vellykket integration, afhængig af flygtningens profil. Et godt match kan gøre en stor forskel for at hjælpe flygtninge med at finde arbejde og slå rødder. Hjælpet af en IPL-designet algoritme, regeringer og genbosættelsesbureauer kan nu gøre de bedst mulige kampe - ikke kun for et par heldige, men for hver genbosat flygtning.

Stedets magt

Hvorfor betyder destinationen noget? Trods alt, nogle flygtninge har job og sprogkundskaber til at klare sig godt næsten overalt, og nogle steder kan prale af stærke arbejdsmarkeder og lokalsamfundsbaserede organisationer, som vil gavne enhver flygtning. Alligevel afslører dataene klare synergier mellem individers egenskaber og lokale forhold:nogle flygtninges styrker vil blive belønnet mere på bestemte steder end andre steder, mens egenskaber, der kan være passiver nogle steder, bliver mindre skadelige i andre.

I øjeblikket, disse synergier tages ikke i betragtning på nogen systematisk måde. I USA, flygtningeankomster plejer at blive sendt til det sted, hvor der er plads til at modtage dem på det tidspunkt. I andre lande, såsom Schweiz, asylansøgere fordeles tilfældigt og forholdsmæssigt på tværs af regioner. Begge lande har data om, hvordan flygtninge har klaret sig økonomisk tidligere, men indtil nu, styrken af ​​denne information til at forbedre resultaterne for fremtidige flygtningeankomster er ikke blevet indset.

IPL har udviklet en datadrevet algoritme til at optimere processen, hvorved flygtninge tildeles steder i et genbosættelsesland. For at se algoritmen i aktion, forestil dig to flygtninge, begge fra samme land, af samme alder, etnisk baggrund, og færdighedsniveauer. Når genbosat forskellige steder, den ene trives med at finde arbejde, mens den anden kæmper. Årsagerne til, at deres veje divergerer, er komplekse, men med en algoritme, der udvider titusinder af historiske sager, vi behøver ikke at forstå dem fuldt ud for at lære af dem. Algoritmen kan detektere systematiske mønstre, så næste gang den modtager en flygtning, der ligner disse to, det vil sende ham eller hende til det sted, hvor den tidligere flygtning trivedes.

Tag den grundlæggende idé og gang den med et dusin individuelle karakteristika og hundredvis af potentielle genbosættelsessteder, og du har en fornemmelse af, hvad algoritmen kan gøre, hvis den sættes i tjeneste for de tusindvis af flygtninge, et land kan modtage i et givet år. Ifølge IPL-associeret Jeremy Ferwerda, assisterende professor i regering ved Dartmouth College, "Algorithmic assignment rummer potentialet til samtidig at forbedre resultaterne for flygtninge og de samfund, hvor de er genbosat."

For at bygge algoritmen, IPLs forskere begyndte med et modelleringsstadium, ved hjælp af maskinlæring på historiske data til at beregne sandsynligheden for, at en individuel flygtning ville finde beskæftigelse på hvert muligt genbosættelsessted i værtslandet, baseret på hans eller hendes demografiske profil. Næste, holdet beregnede sandsynligheden for, at mindst ét ​​medlem af en flygtningesag eller familie ville finde et job på hvert sted. Derfra, de matchede hver indkommende flygtningesag til det sted, der gav størst sandsynlighed for beskæftigelse, under hensyntagen til begrænsninger i den virkelige verden, såsom det faste antal ledige pladser på hvert genbosættelseskontor.

For at træne algoritmen til brug i USA, forskerne brugte data om mere end 30, 000 flygtninge, i alderen 18-64, placeret af et større genbosættelsesbureau fra 2011-2016. Derefter bad de algoritmen om at tildele optimale placeringer for flygtninge, der ankom i slutningen af ​​2016. Gevinsterne var slående:sammenlignet med de faktiske historiske resultater, den gennemsnitlige flygtning havde mere end dobbelt så stor sandsynlighed for at finde et job, hvis den blev anbragt af algoritmen. Det er en stigning i beskæftigelsessandsynlighed fra omkring 25 til 50 procent. Flygtninges forventede beskæftigelsesfrekvens steg over hele linjen, including for those who were most and least likely to find work. And nearly every resettlement location was better off:average employment rates at the vast majority of resettlement locations rose. Tests also found that, had the algorithm been used, the average employment rate across all locations would have been 41 percent higher, rising from 34 to 48 percent.

When the tests were repeated in the context of Switzerland, the gains were even greater. With data from the Swiss State Secretariat for Migration, the researchers looked at asylum seekers who had been resettled across 26 regions between 1999 and 2013, and who had received subsidiary protection. After training the algorithm on the earlier data, the team tested it on asylum seekers who arrived in 2013. Their employment rate was 15 percent in actuality, but it would have been 26 percent had they been assigned to the algorithm-identified, optimal location—a 73 percent increase.

From Theory to Practice

The algorithm's potential is all the more remarkable when compared with other possible interventions—like language instruction and job training—that, while essential, can be costly, logistically challenging, and difficult to scale. Algorithmic assignment is a rare policy reform that could deliver dramatic improvements at almost no cost. Især it would require little change to current bureaucratic procedures, says IPL data scientist Kirk Bansak:"Our goal was to develop a tool that not only worked well but was also practical from a real-world implementation standpoint. By improving an existing process using existing data, our algorithm avoids the financial and administrative hurdles that can often impede other policy innovations."

This approach can also improve over time. The algorithm constantly mines updated data on refugee outcomes, so it will respond to changing conditions at each resettlement location, adjusting its assignments if certain refugees no longer fare well in places that were once their best match, or if better matches emerge. Endelig, because it would propose top matches while offering the possibility of human override, the algorithm would complement, not replace, the expertise of government officials and resettlement officers responsible for delivering integration services.

Given the magnitude of the global refugee crisis, refugee-receiving countries need policy innovation if they are to continue to rise to the challenge. IPL's data-driven approach to refugee resettlement presents a creative solution that can be implemented in any country that resettles refugees across domestic locations, offering a way to improve outcomes not only for refugees but also for the communities in which they live.