MÜLTECİLERİN NEREDE BAŞLAYACAĞINI BİR ALGORİTMA SEÇİYOR

Mülteciler ev sahibi ülkelerinde iş bulmakta sıklıkla zorlanır. Makalenin belirttiğine göre yirmi Avrupa ülkesinde, benzer göçmenlere kıyasla istihdam edilme olasılıkları yaklaşık %12 daha düşük ve bu fark on ila on beş yıl sürüyor. Varıştan sonraki ilk aylar ve yıllar en çok önem taşıyor; bir mültecinin nereye yerleştirildiği de öyle. Yine de İsviçre dahil pek çok ülkede yerleştirme idari kotaları izliyor ve görevlilerin her kişinin en iyi nerede başarılı olacağına dair pek az bilgisi var.

Bir karar değil, bir öneri

2018’de Kirk Bansak, Jens Hainmueller ve meslektaşları algoritmik mülteci eşleştirmesini önerdi. Geçmiş varışlar üzerinde eğitilmiş bir makine öğrenmesi modeli, her mültecinin her olası konumda iş bulma olasılığını tahmin ediyor. Ardından bir eniyileme adımı, tüm kotalara uyarken beklenen istihdamı en üst düzeye çıkaran yerleştirmeler öneriyor. Son kararı bir insan görevli veriyor.

Şimdiye dek faydalar yalnızca geçmiş verileri yeniden oynatarak tahmin edilmişti. Bansak (Kaliforniya Üniversitesi, Berkeley), Hainmueller (Stanford Üniversitesi) ve Dominik Hangartner (ETH Zürih) liderliğindeki bu çalışma, yazarların yaklaşımın ilk randomize kontrollü denemesi olduğuna inandığı şeyi bildiriyor; deneme İsviçre Göç Devlet Sekreterliği (SEM) ile birlikte, araçlarının erken bir sürümü olan GeoMatch kullanılarak yürütüldü.

Gerçek bir idarede kör bir kura

Ocak 2020’den Haziran 2023’e kadar uygun her dosya — mülteci statüsü ya da geçici koruma almış ve herhangi bir kantona yerleştirilebilecek bir aile ya da bekâr bir yetişkin — bilgisayar tarafından iki gruptan birine, 50/50 atandı:

• algoritma: GeoMatch’in istihdamı en üst düzeye çıkaracağını öngördüğü kanton;
• kontrol: olağan prosedürde olduğu gibi, mevcut yerler arasından rastgele çekilen bir kanton.

Yerleştirme görevlileri her iki durumda da aynı ekranı gördü ve ne onlar ne de mülteciler bir dosyanın hangi grupta olduğunu biliyordu. Her grubun kanton ve uyruğa göre kotaların kendine ait özdeş bir kopyası vardı. Bu tasarım basit bir hileyi dışlıyor: algoritma güçlü iş piyasalarına sahip kantonlara daha fazla insan gönderemezdi. Yalnızca bir kişi ile bir yer arasındaki uyumu iyileştirebilirdi.

Model çok az şey biliyordu: cinsiyet, yaş, medeni durum, hane büyüklüğü, varış tarihi, uyruk ve ana dil. Eğitim, iş geçmişi ve dil becerileri, kullandığı kayıtta yer almıyor. Görevliler gösterilen öneriye zamanın yaklaşık %97’sinde uydu.

Nihai örneklem: 2.000 dosya, 2.156 yetişkin; başlıca Afganistan (%54), Türkiye (%26) ve Suriye’den (%9).

Sonuçlar

Önceden kayda geçirilmiş bir planda belirlenen ana sonuç, ilk üç yıl boyunca istihdam edilen ayların payı. Kontrol grubunda yetişkinler bu ayların ortalama %22,3’ünde çalıştı.

• Tüm kohortlar (2020–2023): algoritma grubu için +2,2 yüzde puan, yaklaşık %10 daha fazla; güven aralığı +0,05 ile +4,3 puan arasında.
• Covid sonrası kohortlar (2022–2023): +3,9 puan, yaklaşık %17 daha fazla. Deneme pandemiden haftalar önce başladı ve model pandemi öncesi veriler üzerinde eğitilmişti; 2020 ve 2021 kohortları için etkiler sıfırdan ayırt edilemiyordu. Kohortlara göre bu karşılaştırmalar önceden kayda geçirilmemişti.
• Zamanla büyüyen: yerleştirmeden 36 ay sonra, en az bir yetişkini çalışan hanelerin payı 5,2 puan daha yüksekti (yaklaşık %11).
• Daha istikrarlı işler: en az altı ay süren bir iş, +5,6 puan; üçüncü yılda süresiz bir sözleşme, +4,5 puan.

Tasarımı gereği ucuz

Yalnızca kamu maliyesini — artık ödenmeyen yardımlar, artı katkı payları ve vergiler — hesaba katan yazarlar, her ek istihdam ayının değerini yaklaşık 1.950 İsviçre frangı olarak biçiyor. Yetişkin başına 50 franklık varsayılan bir işletme maliyetiyle, yetişkin başına yaklaşık 1.300 franklık net fayda tahmin ediyorlar; bu kabaca 27’ye 1’lik bir oran. Üç yıldaki etkiyi yüzlerce saatlik dil eğitimi ekleyen programlarınkiyle karşılaştırıyorlar, ancak algoritmanın bu tür kursların yerini tutmadığını vurguluyorlar.

Denemeyi muhafazakâr bir test olarak niteliyorlar: aracın erken, dondurulmuş bir sürümü, az sayıda öngörücü, kaba bir coğrafya, katı kotalar ve eniyileme için dosyaların yalnızca yarısı. Daha yeni, daha az kısıtlı sürümlerin daha iyi sonuç verip vermeyeceği henüz sınanmadı.

Kim yaptı, kim test etti

Yazarlar GeoMatch yöntemini kendileri geliştirdi. Hiçbir çıkar çatışması beyan etmiyorlar ve aracı geliştirmek ya da işletmek için İsviçre hükümetinden hiçbir ödeme almadıklarını belirtiyorlar; çalışma Stanford Üniversitesi, Google.org dahil vakıflar ve hayır kurumları ve bir Avrupa araştırma hibesiyle finanse edildi. Mültecilerin ötesinde, denemeyi tahmin araçlarının, karar veren insanların yerini almak yerine onları desteklediklerinde yüksek riskli kamu kararlarını iyileştirebileceğine dair nadir bir saha kanıtı olarak görüyorlar — ve bu tür araçların, 2020’de olduğu gibi dünya değiştiğinde yeniden eğitilmesi gerektiğine dair bir hatırlatma olarak.