A crise global de refugiados acendeu o debate em quase todos os países que viram um influxo de refugiados e requerentes de asilo. Em muitos países, a conversa em torno dos refugiados tende a se concentrar em se eles devem ou não ser autorizados a entrar. Enquanto os legisladores e a imprensa discutem sobre cotas e questões de segurança, eles consideram com menos frequência o que acontece com os refugiados depois que eles chegam.

Para muitos refugiados, o caminho para a integração é difícil. A capacidade de um refugiado de se aclimatar ou obter sucesso econômico não faz parte dos critérios de seleção para admissão - os poucos que o ACNUR seleciona para reassentamento de campos de refugiados são aqueles que podem fornecer evidências de severa perseguição e sofrimento. Depois de vivenciar os traumas da guerra e da expulsão, os refugiados podem encontrar os desafios de adquirir uma nova língua e encontrar um emprego básico insuperáveis. Essas desvantagens geralmente mantêm os refugiados à margem das economias e sociedades dos países anfitriões.

De acordo com uma nova pesquisa do Immigration Policy Lab (IPL) da Stanford University e ETH Zurich, em conjunto com o Dartmouth College, se os refugiados pousam ou não em pé pode depender de um fator crítico que está escondido à vista de todos:onde eles são reassentados no país anfitrião. Sua nova cidade ou vila pode atuar como um obstáculo ou uma rampa para uma integração bem-sucedida, dependendo do perfil do refugiado. Uma boa combinação pode fazer uma grande diferença para ajudar refugiados a encontrar trabalho e criar raízes. Auxiliado por um algoritmo projetado por IPL, governos e agências de reassentamento agora podem fazer as melhores combinações possíveis - não apenas para alguns poucos sortudos, mas para todos os refugiados reassentados.

O poder do lugar

Por que o destino é importante? Afinal, alguns refugiados têm o trabalho e as habilidades linguísticas para se sair bem em qualquer lugar, e alguns locais possuem fortes mercados de trabalho e organizações baseadas na comunidade que beneficiariam qualquer refugiado. No entanto, os dados revelam sinergias claras entre as características dos indivíduos e as condições locais:os pontos fortes de alguns refugiados serão recompensados ​​mais em certos lugares do que em outros, enquanto características que podem ser desvantagens em alguns lugares tornam-se menos prejudiciais em outros.

Atualmente, essas sinergias não são levadas em consideração de forma sistemática. Nos Estados Unidos, As chegadas de refugiados tendem a ser enviadas para o local que tem espaço para recebê-los naquele momento. Em outros países, como a Suíça, os requerentes de asilo são alocados aleatoriamente e proporcionalmente nas regiões. Ambos os países têm dados sobre como os refugiados se saíram economicamente no passado, mas até agora, o poder desta informação para melhorar os resultados para futuras chegadas de refugiados não foi realizado.

O IPL desenvolveu um algoritmo baseado em dados para otimizar o processo pelo qual os refugiados são atribuídos a locais dentro de um país de reassentamento. Para imaginar o algoritmo em ação, imagine dois refugiados, ambos do mesmo país, de idade semelhante, origem étnica, e níveis de habilidade. Quando reassentados em lugares diferentes, um prospera em encontrar trabalho, enquanto o outro luta. Os motivos pelos quais seus caminhos divergem são complexos, mas com um algoritmo de mineração de dezenas de milhares de casos históricos, não precisamos entendê-los totalmente para aprender com eles. O algoritmo pode detectar padrões sistemáticos, então, da próxima vez que receber um refugiado muito parecido com esses dois, vai mandá-lo para o local onde o refugiado anterior prosperou.

Pegue essa ideia básica e multiplique-a por uma dúzia de características individuais e centenas de locais de reassentamento em potencial, e você tem uma noção do que o algoritmo pode fazer se for colocado a serviço dos milhares de refugiados que um país pode receber em um determinado ano. De acordo com Jeremy Ferwerda, afiliado do IPL, professor assistente de governo no Dartmouth College, "A atribuição de algoritmos tem o potencial de melhorar simultaneamente os resultados para os refugiados e as comunidades nas quais eles são reassentados."

Para construir o algoritmo, Os pesquisadores do IPL começaram com uma fase de modelagem, usando aprendizado de máquina em dados históricos para calcular a probabilidade de um refugiado individual encontrar emprego em cada local de reassentamento possível dentro do país anfitrião, com base em seu perfil demográfico. Próximo, a equipe calculou a probabilidade de que pelo menos um membro de um caso de refugiado ou família encontraria trabalho em cada local. De lá, eles combinaram cada caso de refugiado recebido com o local que oferece a maior probabilidade de emprego, levando em consideração as restrições do mundo real, como o número fixo de vagas disponíveis em cada escritório de reassentamento.

Para treinar o algoritmo para uso nos Estados Unidos, os pesquisadores usaram dados em mais de 30, 000 refugiados, de 18 a 64 anos, colocado por uma grande agência de reassentamento de 2011-2016. Em seguida, eles pediram ao algoritmo para atribuir locais ideais para os refugiados que chegaram no final de 2016. Os ganhos foram impressionantes:em comparação com os resultados históricos reais, o refugiado mediano tinha duas vezes mais probabilidade de encontrar um emprego se colocado pelo algoritmo. Isso é um aumento na probabilidade de emprego de cerca de 25 a 50 por cento. As taxas de emprego previstas para os refugiados aumentaram em toda a linha, 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. Notavelmente, 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. Finalmente, 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.