由算法决定难民从哪里起步

难民在东道国往往很难找到工作。论文指出，在20个欧洲国家，难民就业的可能性比条件相当的移民低约12%，这一差距会持续十到十五年。抵达后的最初几个月和几年最为关键，难民被安置在哪里也同样重要。然而在包括瑞士在内的许多国家，安置遵循行政配额，官员对每个人在哪里能发展得最好知之甚少。

是建议，不是决定

2018年，柯克·班萨克（Kirk Bansak）、延斯·海因米勒（Jens Hainmueller）及其同事提出了难民算法匹配。一个用以往抵达者数据训练的机器学习模型，预测每位难民在每个可能地点找到工作的可能性。随后，一个优化步骤在遵守所有配额的前提下，推荐能使预期就业最大化的安置方案。最终决定仍由人类官员作出。

此前，这种方法的效益只是通过回放历史数据来估算。这项研究由班萨克（加州大学伯克利分校）、海因米勒（斯坦福大学）和多米尼克·汉加特纳（Dominik Hangartner，苏黎世联邦理工学院）领导，报告了作者认为的这一方法的首个随机对照试验。试验与瑞士国家移民秘书处（SEM）合作开展，使用的是其工具GeoMatch的早期版本。

真实行政机构中的盲法抽签

从2020年1月到2023年6月，每个符合条件的案例——获得难民身份或临时保护、且可被安置到任何一个州的家庭或单身成人——都由计算机按50/50的比例分入两组之一：

• 算法组： GeoMatch预测能使就业最大化的州；
• 对照组： 按常规程序，在可用名额中随机抽取的州。

无论哪组，安置官员看到的屏幕都相同，他们和难民都不知道某个案例属于哪一组。每组都有一份各自独立但完全相同的按州和国籍划分的配额。这一设计排除了一个简单的“捷径”：算法无法把更多人送往就业市场强劲的州。它只能改善人与地点之间的匹配度。

模型掌握的信息很少：性别、年龄、婚姻状况、家庭规模、抵达日期、国籍和母语。教育程度、工作经历和语言能力都没有记录在它所使用的登记系统中。官员约**97%**的情况下采纳了屏幕上显示的建议。

最终样本为：2000个案例，2156名成人，主要来自阿富汗（54%）、土耳其（26%）和叙利亚（9%）。

结果

预注册方案中确定的主要指标，是前三年中有工作的月份所占比例。在对照组中，成人平均在**22.3%**的月份里有工作。

• 全部批次（2020—2023年）： 算法组高出2.2个百分点，约多10%，置信区间为+0.05至+4.3个百分点。
• 疫情后批次（2022—2023年）： 高出3.9个百分点，约多17%。试验在疫情暴发前几周开始，而模型是用疫情前的数据训练的；2020年和2021年批次的效果与零无法区分。这些按批次的比较并未预注册。
• 随时间增长： 安置36个月后，至少有一名成人工作的家庭比例高出5.2个百分点（约11%）。
• 工作更稳定： 持续至少六个月的工作高出5.6个百分点；三年时签订无固定期限合同的比例高出4.5个百分点。

低成本，源于设计

仅计算公共财政——不再支付的福利，加上社保缴费和税收——作者估计每多一个就业月的价值约为1950瑞士法郎。假设运行成本为每名成人50瑞士法郎，他们估计每名成人的净收益约为1300瑞士法郎，比例约为27比1。他们将三年时的效果与增加数百小时语言培训的项目相比较，同时强调算法不能取代这类课程。

他们称这次试验是一次保守的检验：工具是早期的冻结版本，预测变量少，地理划分粗略，配额严格，而且只有一半的案例可供优化。更新、限制更少的版本能否表现更好，仍有待检验。

谁开发，谁检验

GeoMatch方法由作者自己开发。他们声明无利益冲突，并表示没有因开发或运行该工具而从瑞士政府获得任何报酬；这项工作由斯坦福大学、包括Google.org在内的基金会和慈善机构，以及一项欧洲研究资助提供经费。在难民问题之外，他们认为这次试验是罕见的实地证据，表明预测工具在辅助而非取代决策者时，可以改善高风险的公共决策——同时也提醒人们，当世界发生变化时，比如2020年那样，这类工具必须重新训练。