Den globala flyktingkrisen har väckt debatt i nästan alla länder som har sett en tillströmning av flyktingar och asylsökande. I de flesta länder, samtalet kring flyktingar har tenderat att fokusera på om de ska få komma in eller inte. När politiker och press tjafsar om kvoter och säkerhetsproblem, de har mer sällan funderat på vad som händer med flyktingar efter att de kommit.

För många flyktingar, vägen till integration är stenig. En flyktings förmåga att acklimatisera sig eller uppnå ekonomisk framgång är inte en del av urvalskriterierna för tillträde – de få som UNHCR väljer ut för vidarebosättning från flyktingläger är de som kan ge bevis på allvarlig förföljelse och lidande. Efter att ha upplevt trauman från krig och utvisning, flyktingar kan tycka att utmaningarna med att skaffa sig ett nytt språk och hitta grundläggande sysselsättning är oöverstigliga. Dessa nackdelar håller alltför ofta flyktingar i utkanten av värdländernas ekonomier och samhällen.

Enligt ny forskning från Immigration Policy Lab (IPL) vid Stanford University och ETH Zürich, i samarbete med Dartmouth College, Huruvida flyktingar landar på fötterna eller inte kan bero på en kritisk faktor som har gömt sig för ögonen:var de flyttas till i värdlandet. Deras nya stad eller stad kan fungera som antingen ett hinder eller en påväg för framgångsrik integration, beroende på flyktingens profil. En bra matchning kan göra stor skillnad för att hjälpa flyktingar att hitta arbete och slå rötter. Med hjälp av en IPL-designad algoritm, regeringar och vidarebosättningsbyråer kan nu göra bästa möjliga matchningar – inte bara för några lyckliga utan för varje vidarebosatt flykting.

Platsens kraft

Varför spelar destinationen någon roll? Trots allt, vissa flyktingar har jobb och språkkunskaper för att klara sig bra nästan var som helst, och vissa platser har starka arbetsmarknader och samhällsbaserade organisationer som skulle gynna alla flyktingar. Ändå visar uppgifterna tydliga synergier mellan individers egenskaper och lokala förhållanden:vissa flyktingars styrkor kommer att belönas mer på vissa platser än på andra, medan egenskaper som kan vara skulder på vissa ställen blir mindre skadliga på andra.

För närvarande, dessa synergier beaktas inte på något systematiskt sätt. I USA, flyktinganländer tenderar att skickas till den plats som har utrymme för att ta emot dem i det ögonblicket. I andra länder, som Schweiz, asylsökande fördelas slumpmässigt och proportionellt mellan regioner. Båda länderna har uppgifter om hur flyktingar har klarat sig ekonomiskt tidigare, men tills nu, kraften i denna information för att förbättra resultaten för framtida flyktingankomster har inte insetts.

IPL har utvecklat en datadriven algoritm för att optimera processen genom vilken flyktingar tilldelas platser i ett vidarebosättningsland. För att föreställa algoritmen i aktion, föreställ dig två flyktingar, båda från samma land, i liknande ålder, etnisk bakgrund, och kompetensnivåer. När de bosatts på olika platser, den ena trivs med att hitta arbete medan den andra kämpar. Anledningarna till att deras vägar skiljer sig är komplexa, men med en algoritm som bryter tiotusentals historiska fall, vi behöver inte förstå dem fullt ut för att lära av dem. Algoritmen kan upptäcka systematiska mönster, så nästa gång den tar emot en flykting som liknar dessa två, det kommer att skicka honom eller henne till den plats där den tidigare flyktingen blomstrade.

Ta den grundläggande idén och multiplicera den med ett dussintal individuella egenskaper och hundratals potentiella vidarebosättningsplatser, och du har en känsla av vad algoritmen kan göra om den sätts i tjänst för de tusentals flyktingar som ett land kan ta emot under ett givet år. Enligt IPL affiliate Jeremy Ferwerda, biträdande professor i regering vid Dartmouth College, "Algoritmisk tilldelning har potentialen att samtidigt förbättra resultaten för flyktingar och de samhällen där de är vidarebosatta."

För att bygga algoritmen, IPL:s forskare började med ett modelleringsskede, använda maskininlärning på historiska data för att beräkna sannolikheten för att en enskild flykting skulle hitta anställning vid varje möjlig vidarebosättningsplats i värdlandet, baserat på hans eller hennes demografiska profil. Nästa, teamet beräknade sannolikheten för att minst en medlem av ett flyktingfall eller familj skulle hitta ett jobb på varje plats. Därifrån, de matchade varje inkommande flyktingfall till den plats som erbjuder högst sannolikhet för anställning, med hänsyn till verkliga begränsningar som det fasta antalet tillgängliga platser vid varje vidarebosättningskontor.

För att träna algoritmen för användning i USA, forskarna använde data om mer än 30, 000 flyktingar, i åldern 18-64, placerad av en stor vidarebosättningsbyrå från 2011-2016. Sedan bad de algoritmen att tilldela optimala platser för flyktingar som anlände i slutet av 2016. Vinsterna var slående:jämfört med de faktiska historiska resultaten, medianflyktingen hade mer än dubbelt så stor sannolikhet att hitta ett jobb om han placerades av algoritmen. Det är en ökning av anställningssannolikheten från cirka 25 till 50 procent. Flyktingars förväntade sysselsättningsgrad steg över hela linjen, inklusive för dem som var mest och minst benägna att hitta arbete. 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. I synnerhet, 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. Till sist, because it would propose top matches while offering the possibility of human override, the algorithm would complement, inte ersätta, 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.