Actuellement, ces synergies ne sont pas prises en compte de manière systématique. Aux Etats-Unis, les arrivées de réfugiés ont tendance à être envoyées à l'endroit qui dispose d'un espace pour les recevoir à ce moment-là. Dans d'autres pays, comme la Suisse, les demandeurs d'asile sont répartis de manière aléatoire et proportionnelle entre les régions. Les deux pays disposent de données sur la situation économique des réfugiés dans le passé, mais jusqu'à maintenant, le pouvoir de cette information pour améliorer les résultats pour les futures arrivées de réfugiés n'a pas été réalisé.

IPL a développé un algorithme basé sur les données pour optimiser le processus par lequel les réfugiés sont affectés à des emplacements dans un pays de réinstallation. Pour imaginer l'algorithme en action, imaginez deux réfugiés, tous deux du même pays, du même âge, l'origine ethnique, et les niveaux de compétence. Lorsqu'ils sont réinstallés dans différents endroits, l'un s'épanouit en trouvant du travail tandis que l'autre lutte. Les raisons pour lesquelles leurs chemins divergent sont complexes, mais avec un algorithme minant des dizaines de milliers de cas historiques, nous n'avons pas besoin de les comprendre pleinement pour apprendre d'eux. L'algorithme peut détecter des modèles systématiques, alors la prochaine fois qu'il reçoit un réfugié qui ressemble beaucoup à ces deux-là, il l'enverra à l'endroit où le premier réfugié a prospéré.

Prenez cette idée de base et multipliez-la par une douzaine de caractéristiques individuelles et des centaines de lieux de réinstallation potentiels, et vous avez une idée de ce que l'algorithme peut faire s'il est mis au service des milliers de réfugiés qu'un pays pourrait recevoir au cours d'une année donnée. Selon Jeremy Ferwerda, filiale d'IPL, professeur adjoint de gouvernement au Dartmouth College, "L'affectation algorithmique a le potentiel d'améliorer simultanément les résultats pour les réfugiés et les communautés dans lesquelles ils sont réinstallés."

Pour construire l'algorithme, Les chercheurs d'IPL ont commencé par une étape de modélisation, utiliser l'apprentissage automatique sur des données historiques pour calculer la probabilité qu'un réfugié individuel trouve un emploi dans chaque lieu de réinstallation possible dans le pays d'accueil, en fonction de son profil démographique. Prochain, l'équipe a calculé la probabilité qu'au moins un membre d'un cas de réfugié ou d'une famille trouve un emploi à chaque endroit. De là, ils ont fait correspondre chaque cas de réfugié entrant à l'emplacement offrant la plus forte probabilité d'emploi, en tenant compte des contraintes du monde réel telles que le nombre fixe de places disponibles dans chaque bureau de réinstallation.

Pour entraîner l'algorithme à utiliser aux États-Unis, les chercheurs ont utilisé des données sur plus de 30, 000 réfugiés, 18-64 ans, placés par une grande agence de réinstallation de 2011 à 2016. Ensuite, ils ont demandé à l'algorithme d'attribuer des emplacements optimaux aux réfugiés arrivés fin 2016. Les gains étaient frappants :par rapport aux résultats historiques réels, le réfugié médian était plus de deux fois plus susceptible de trouver un emploi s'il était placé par l'algorithme. C'est une augmentation de la probabilité d'emploi d'environ 25 à 50 pour cent. Les taux d'emploi prévus des réfugiés ont augmenté dans tous les domaines, y compris pour ceux qui étaient le plus et le moins susceptibles de trouver du travail. 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. Notamment, 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. Finalement, because it would propose top matches while offering the possibility of human override, the algorithm would complement, ne pas remplacer, 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.