La crisi globale dei rifugiati ha acceso il dibattito in quasi tutti i paesi che hanno visto un afflusso di rifugiati e richiedenti asilo. Nella maggior 'parte dei Paesi, la conversazione sui rifugiati tendeva a concentrarsi sull'opportunità o meno di entrare. Mentre i politici e la stampa litigano su quote e problemi di sicurezza, hanno considerato meno spesso cosa succede ai rifugiati dopo il loro arrivo.

Per molti profughi, la strada per l'integrazione è rocciosa. La capacità di un rifugiato di acclimatarsi o raggiungere il successo economico non fa parte dei criteri di selezione per l'ammissione:i pochi che l'UNHCR seleziona per il reinsediamento dai campi profughi sono quelli che possono fornire prove di gravi persecuzioni e sofferenze. Dopo aver vissuto i traumi della guerra e dell'espulsione, i rifugiati possono trovare insormontabili le sfide legate all'acquisizione di una nuova lingua e alla ricerca di un'occupazione di base. Questi svantaggi troppo spesso tengono i rifugiati ai margini delle economie e delle società dei paesi ospitanti.

Secondo una nuova ricerca dell'Immigration Policy Lab (IPL) della Stanford University e dell'ETH di Zurigo, in collaborazione con il Dartmouth College, se i rifugiati atterrano o meno in piedi può dipendere da un fattore critico che si è nascosto in bella vista:dove vengono reinsediati all'interno del paese ospitante. La loro nuova città o paese può fungere da ostacolo o da rampa per un'integrazione di successo, a seconda del profilo del rifugiato. Una buona coppia può fare una grande differenza nell'aiutare i rifugiati a trovare lavoro e mettere radici. Aiutato da un algoritmo progettato da IPL, i governi e le agenzie di reinsediamento possono ora creare le migliori corrispondenze possibili, non solo per pochi fortunati, ma per ogni rifugiato reinsediato.

Il potere del luogo

Perché è importante la destinazione? Dopotutto, alcuni rifugiati hanno il lavoro e le competenze linguistiche per fare bene un po' ovunque, e alcune località vantano forti mercati del lavoro e organizzazioni basate sulla comunità che andrebbero a beneficio di qualsiasi rifugiato. Eppure i dati rivelano chiare sinergie tra le caratteristiche degli individui e le condizioni locali:i punti di forza di alcuni rifugiati saranno premiati più in alcuni luoghi che in altri, mentre i tratti che potrebbero essere passivi in ​​alcuni luoghi diventano meno dannosi in altri.

Attualmente, queste sinergie non vengono prese in considerazione in modo sistematico. Negli Stati Uniti, i rifugiati in arrivo tendono ad essere inviati nel luogo che ha spazio per riceverli in quel momento. In altri paesi, come la Svizzera, i richiedenti asilo sono assegnati in modo casuale e proporzionale tra le regioni. Entrambi i paesi dispongono di dati su come sono andati economicamente i rifugiati in passato, ma fino ad ora, il potere di queste informazioni per migliorare i risultati per i futuri arrivi di rifugiati non è stato realizzato.

IPL ha sviluppato un algoritmo basato sui dati per ottimizzare il processo mediante il quale i rifugiati vengono assegnati a località all'interno di un paese di reinsediamento. Per immaginare l'algoritmo in azione, immagina due profughi, entrambi dello stesso paese, di età simile, Origine etnica, e livelli di abilità. Quando viene reinsediato in luoghi diversi, uno prospera nel trovare lavoro mentre l'altro lotta. Le ragioni per cui le loro strade divergono sono complesse, ma con un algoritmo che estrae decine di migliaia di casi storici, non abbiamo bisogno di capirli completamente per imparare da loro. L'algoritmo può rilevare modelli sistematici, così la prossima volta che riceve un rifugiato che assomiglia molto a questi due, lo manderà nel luogo in cui il precedente rifugiato ha prosperato.

Prendi quell'idea di base e moltiplicala per una dozzina di caratteristiche individuali e centinaia di potenziali luoghi di reinsediamento, e hai un'idea di cosa può fare l'algoritmo se messo al servizio delle migliaia di rifugiati che un paese potrebbe ricevere in un dato anno. Secondo l'affiliato di IPL Jeremy Ferwerda, assistente professore di governo al Dartmouth College, "L'assegnazione algoritmica ha il potenziale per migliorare simultaneamente i risultati per i rifugiati e le comunità in cui vengono reinsediati".

Per costruire l'algoritmo, I ricercatori di IPL hanno iniziato con una fase di modellazione, utilizzando l'apprendimento automatico su dati storici per calcolare la probabilità che un singolo rifugiato trovi lavoro in ogni possibile luogo di reinsediamento all'interno del paese ospitante, in base al suo profilo demografico. Prossimo, il team ha calcolato la probabilità che almeno un membro di un caso di rifugiati o di una famiglia trovi un lavoro in ogni luogo. Da li, hanno abbinato ogni caso di rifugiato in arrivo al luogo che offre la più alta probabilità di occupazione, tenendo conto dei vincoli del mondo reale come il numero fisso di posti disponibili presso ciascun ufficio di reinsediamento.

Per addestrare l'algoritmo per l'uso negli Stati Uniti, i ricercatori hanno utilizzato dati su più di 30, 000 rifugiati, 18-64 anni, collocato da un'importante agenzia di reinsediamento dal 2011 al 2016. Quindi hanno chiesto all'algoritmo di assegnare posizioni ottimali per i rifugiati arrivati ​​alla fine del 2016. I guadagni sono stati sorprendenti:rispetto ai risultati storici effettivi, il rifugiato medio aveva più del doppio delle probabilità di trovare un lavoro se collocato dall'algoritmo. Questo è un aumento della probabilità di occupazione da circa il 25 al 50 percento. I tassi di occupazione previsti per i rifugiati sono aumentati su tutta la linea, anche per coloro che erano più e meno propensi a trovare lavoro. 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. Notably, 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.