De wereldwijde vluchtelingencrisis heeft tot discussie geleid in bijna elk land dat een toestroom van vluchtelingen en asielzoekers heeft gezien. In de meeste landen, de conversatie rond vluchtelingen spitste zich toe op het al dan niet toelaten van hen. Terwijl beleidsmakers en de pers sparren over quota en veiligheidsproblemen, ze hebben minder vaak nagedacht over wat er met vluchtelingen gebeurt nadat ze zijn aangekomen.

Voor veel vluchtelingen de weg naar integratie is een rotsachtige. Het vermogen van een vluchteling om te acclimatiseren of economisch succes te behalen maakt geen deel uit van de selectiecriteria voor toelating - de weinigen die UNHCR selecteert voor hervestiging vanuit vluchtelingenkampen zijn degenen die kunnen aantonen dat er sprake is van ernstige vervolging en lijden. Na het ervaren van de trauma's van oorlog en verdrijving, vluchtelingen kunnen de uitdagingen van het leren van een nieuwe taal en het vinden van een basisbaan onoverkomelijk vinden. Deze nadelen houden vluchtelingen maar al te vaak in de marge van de economieën en samenlevingen van gastlanden.

Volgens nieuw onderzoek van het Immigration Policy Lab (IPL) van Stanford University en ETH Zürich, in samenwerking met Dartmouth College, of vluchtelingen al dan niet op de been komen, kan afhangen van een kritische factor die zich in het volle zicht heeft verstopt:waar ze worden hervestigd in het gastland. Hun nieuwe stad of dorp kan een obstakel of een opstap naar succesvolle integratie zijn, afhankelijk van het profiel van de vluchteling. Een goede match kan een groot verschil maken in het helpen van vluchtelingen bij het vinden en neerzetten van werk. Geholpen door een door IPL ontworpen algoritme, regeringen en hervestigingsinstanties kunnen nu de best mogelijke matches maken - niet alleen voor een paar gelukkigen, maar voor elke hervestigde vluchteling.

De kracht van plaats

Waarom is de bestemming belangrijk? Ten slotte, sommige vluchtelingen hebben de baan en de taalvaardigheden om het bijna overal goed te doen, en sommige locaties hebben sterke arbeidsmarkten en gemeenschapsorganisaties waar elke vluchteling baat bij zou hebben. Toch laten de gegevens duidelijke synergieën zien tussen de kenmerken van individuen en de lokale omstandigheden:de sterke punten van sommige vluchtelingen zullen op bepaalde plaatsen meer worden beloond dan op andere, terwijl eigenschappen die op sommige plaatsen een verplichting kunnen zijn, op andere minder schadelijk worden.

Momenteel, met deze synergieën wordt op geen enkele systematische manier rekening gehouden. In de Verenigde Staten, Aangekomen vluchtelingen worden meestal naar de locatie gestuurd die op dat moment ruimte heeft om ze op te vangen. In andere landen, zoals Zwitserland, asielzoekers worden willekeurig en evenredig verdeeld over de regio's. Beide landen hebben gegevens over hoe het met vluchtelingen in het verleden economisch is vergaan, maar tot nu toe, de kracht van deze informatie om de resultaten voor toekomstige aankomsten van vluchtelingen te verbeteren, is niet gerealiseerd.

IPL heeft een datagedreven algoritme ontwikkeld om het proces te optimaliseren waarmee vluchtelingen worden toegewezen aan locaties binnen een hervestigingsland. Om het algoritme in actie voor te stellen, stel je twee vluchtelingen voor, beide uit hetzelfde land, van vergelijkbare leeftijd, etnische achtergrond, en vaardigheidsniveaus. Bij hervestiging op verschillende plaatsen, de een gedijt bij het vinden van werk, terwijl de ander worstelt. De redenen waarom hun paden uiteenlopen zijn complex, maar met een algoritme dat tienduizenden historische gevallen analyseert, we hoeven ze niet volledig te begrijpen om ervan te leren. Het algoritme kan systematische patronen detecteren, dus de volgende keer dat het een vluchteling ontvangt die erg op deze twee lijkt, het zal hem of haar naar de plaats sturen waar de eerdere vluchteling voorspoedig was.

Neem dat basisidee en vermenigvuldig het met een dozijn individuele kenmerken en honderden potentiële hervestigingslocaties, en je hebt een idee van wat het algoritme kan doen als het in dienst wordt gesteld van de duizenden vluchtelingen die een land in een bepaald jaar zou kunnen ontvangen. Volgens IPL-filiaal Jeremy Ferwerda, assistent-professor van de overheid aan het Dartmouth College, "Algoritmische opdracht heeft het potentieel om tegelijkertijd de resultaten voor vluchtelingen en de gemeenschappen waarin ze worden hervestigd te verbeteren."

Om het algoritme te bouwen, De onderzoekers van IPL begonnen met een modelleringsfase, machinaal leren gebruiken op historische gegevens om de waarschijnlijkheid te berekenen dat een individuele vluchteling werk zou vinden op elke mogelijke hervestigingslocatie in het gastland, op basis van zijn of haar demografische profiel. Volgende, het team berekende de kans dat ten minste één lid van een vluchtelingenzaak of gezin op elke locatie een baan zou vinden. Vanaf daar, ze koppelden elke binnenkomende vluchtelingenzaak aan de locatie met de grootste kans op werk, rekening houdend met beperkingen uit de praktijk, zoals het vaste aantal beschikbare plaatsen bij elk hervestigingskantoor.

Om het algoritme te trainen voor gebruik in de Verenigde Staten, de onderzoekers gebruikten gegevens van meer dan 30, 000 vluchtelingen, 18-64 jaar, geplaatst door een groot hervestigingsbureau van 2011-2016. Vervolgens vroegen ze het algoritme om optimale locaties toe te wijzen voor vluchtelingen die eind 2016 arriveerden. De winst was opvallend:vergeleken met de werkelijke historische uitkomsten, de mediane vluchteling had meer dan twee keer zoveel kans om een ​​baan te vinden als hij door het algoritme werd geplaatst. Dat is een toename van de werkgelegenheidskans van ongeveer 25 naar 50 procent. De voorspelde werkgelegenheidscijfers van vluchtelingen stegen over de hele linie, 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. Opmerkelijk, 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. Eindelijk, 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.