UN ALGORITHME CHOISIT OÙ LES RÉFUGIÉS DÉBUTENT

Les réfugiés ont souvent du mal à trouver du travail dans leur pays d’accueil. Dans vingt pays européens, rappelle l’article, ils ont environ 12 % moins de chances d’avoir un emploi que des migrants comparables, un écart qui dure dix à quinze ans. Les premiers mois et les premières années après l’arrivée comptent le plus, et l’endroit où un réfugié est placé aussi. Pourtant, dans de nombreux pays, dont la Suisse, le placement suit des quotas administratifs, et l’administration dispose de peu d’informations sur l’endroit où chaque personne réussirait le mieux.

Une recommandation, pas une décision

En 2018, Kirk Bansak, Jens Hainmueller et leurs collègues ont proposé l’appariement algorithmique des réfugiés. Un modèle d’apprentissage automatique, entraîné sur les arrivées passées, prédit la probabilité que chaque réfugié trouve du travail dans chaque lieu possible. Une étape d’optimisation recommande ensuite les placements qui maximisent l’emploi attendu tout en respectant tous les quotas. Un agent humain garde la décision finale.

Jusqu’ici, les bénéfices n’avaient été estimés qu’en rejouant des données passées. Cette étude, dirigée par Bansak (université de Californie à Berkeley), Hainmueller (université Stanford) et Dominik Hangartner (ETH Zurich), présente ce que les auteurs pensent être le premier essai contrôlé randomisé de l’approche, mené avec le Secrétariat d’État aux migrations (SEM) suisse, avec une première version de leur outil, GeoMatch.

Une loterie à l’aveugle dans une vraie administration

De janvier 2020 à juin 2023, chaque dossier éligible — une famille ou un adulte seul ayant obtenu le statut de réfugié ou une protection provisoire, et pouvant être placé dans n’importe quel canton — a été attribué par ordinateur à l’un de deux groupes, à 50/50 :

• algorithme : le canton dont GeoMatch prédisait qu’il maximiserait l’emploi ;
• témoin : un canton tiré au hasard parmi les places disponibles, comme dans la procédure habituelle.

Les agents de placement voyaient le même écran dans les deux cas, et ni eux ni les réfugiés ne savaient dans quel groupe se trouvait un dossier. Chaque groupe avait sa propre copie, identique, des quotas par canton et par nationalité. Ce dispositif exclut une astuce simple : l’algorithme ne pouvait pas envoyer plus de monde vers les cantons au marché du travail dynamique. Il ne pouvait qu’améliorer l’adéquation entre une personne et un lieu.

Le modèle savait très peu de choses : sexe, âge, situation familiale, taille du ménage, date d’arrivée, nationalité et langue maternelle. La formation, le parcours professionnel et le niveau de langue ne figurent pas dans le registre utilisé. Les agents ont suivi la recommandation affichée dans environ 97 % des cas.

Échantillon final : 2 000 dossiers, 2 156 adultes, venant surtout d’Afghanistan (54 %), de Turquie (26 %) et de Syrie (9 %).

Les résultats

Le critère principal, fixé dans un plan pré-enregistré, est la part des mois travaillés pendant les trois premières années. Dans le groupe témoin, les adultes ont travaillé en moyenne 22,3 % de ces mois.

• Toutes cohortes (2020-2023) : +2,2 points de pourcentage pour le groupe de l’algorithme, soit environ 10 % de plus, avec un intervalle de confiance allant de +0,05 à +4,3 points.
• Cohortes post-Covid (2022-2023) : +3,9 points, environ 17 % de plus. L’essai a commencé quelques semaines avant la pandémie, et le modèle avait été entraîné sur des données d’avant ; les effets étaient indiscernables de zéro pour les cohortes 2020 et 2021. Ces comparaisons par cohorte n’étaient pas pré-enregistrées.
• Un effet qui grandit : 36 mois après le placement, la part des ménages avec au moins un adulte en emploi était plus élevée de 5,2 points (environ 11 %).
• Des emplois plus stables : un emploi d’au moins six mois, +5,6 points ; un contrat à durée indéterminée à trois ans, +4,5 points.

Bon marché, par construction

En ne comptant que les finances publiques — aides non versées, cotisations et impôts —, les auteurs évaluent chaque mois d’emploi supplémentaire à environ 1 950 francs suisses. Avec un coût de fonctionnement supposé de 50 francs par adulte, ils estiment un bénéfice net d’environ 1 300 francs par adulte, soit un rapport d’environ 27 pour 1. Ils comparent l’effet à trois ans à celui de programmes ajoutant des centaines d’heures de cours de langue, tout en soulignant que l’algorithme ne remplace pas ces cours.

Ils qualifient l’essai de test prudent : une version ancienne et figée de l’outil, peu de variables, une géographie grossière, des quotas stricts, et seulement la moitié des dossiers à optimiser. Reste à vérifier si des versions plus récentes et moins contraintes feraient mieux.

Qui l’a conçu, qui l’a testé

Les auteurs ont eux-mêmes développé la méthode GeoMatch. Ils ne déclarent aucun conflit d’intérêts et indiquent n’avoir reçu aucun paiement de l’État suisse pour développer ou faire fonctionner l’outil ; les travaux ont été financés par l’université Stanford, des fondations et des organismes philanthropiques dont Google.org, et une bourse européenne de recherche. Au-delà des réfugiés, ils voient dans cet essai une rare preuve de terrain que des outils de prédiction peuvent améliorer des décisions publiques à fort enjeu lorsqu’ils soutiennent, au lieu de les remplacer, ceux qui les prennent — et un rappel que ces outils doivent être réentraînés quand le monde change, comme en 2020.