UM ALGORITMO ESCOLHE ONDE REFUGIADOS COMEÇAM

Refugiados muitas vezes têm dificuldade para encontrar trabalho no país que os acolhe. Em vinte países europeus, observa o artigo, eles têm cerca de 12% menos probabilidade de estar empregados do que migrantes comparáveis, uma diferença que dura de dez a quinze anos. Os primeiros meses e anos após a chegada são os que mais pesam, e o mesmo vale para onde o refugiado é alocado. Mesmo assim, em muitos países, incluindo a Suíça, a alocação segue cotas administrativas, e os funcionários têm pouca informação sobre onde cada pessoa se sairia melhor.

Uma recomendação, não uma decisão

Em 2018, Kirk Bansak, Jens Hainmueller e colegas propuseram a alocação algorítmica de refugiados. Um modelo de aprendizado de máquina, treinado com chegadas anteriores, prevê a probabilidade de cada refugiado encontrar trabalho em cada local possível. Uma etapa de otimização então recomenda alocações que maximizam o emprego esperado, respeitando todas as cotas. Um funcionário humano mantém a decisão final.

Até agora, os benefícios tinham sido estimados apenas reprocessando dados do passado. Este estudo, liderado por Bansak (Universidade da Califórnia em Berkeley), Hainmueller (Universidade Stanford) e Dominik Hangartner (ETH Zurique), relata o que os autores acreditam ser o primeiro ensaio randomizado e controlado da abordagem, realizado com a Secretaria de Estado para as Migrações da Suíça (SEM), usando uma versão inicial de sua ferramenta, o GeoMatch.

Um sorteio às cegas numa administração real

De janeiro de 2020 a junho de 2023, todo caso elegível — uma família ou um adulto sozinho que tivesse recebido o status de refugiado ou proteção provisória, e que pudesse ser alocado em qualquer cantão — foi designado por computador a um de dois grupos, meio a meio:

• algoritmo: o cantão que, segundo a previsão do GeoMatch, maximizaria o emprego;
• controle: um cantão sorteado entre as vagas disponíveis, como no procedimento habitual.

Os funcionários de alocação viam a mesma tela em ambos os casos, e nem eles nem os refugiados sabiam em que grupo estava cada caso. Cada grupo tinha sua própria cópia idêntica das cotas por cantão e por nacionalidade. Esse desenho exclui um truque simples: o algoritmo não podia mandar mais gente para cantões com mercados de trabalho fortes. Só podia melhorar o encaixe entre uma pessoa e um lugar.

O modelo sabia muito pouco: sexo, idade, estado civil, tamanho do domicílio, data de chegada, nacionalidade e língua materna. Escolaridade, histórico profissional e domínio de idiomas não constam do registro que ele usava. Os funcionários seguiram a recomendação exibida em cerca de 97% das vezes.

A amostra final: 2.000 casos, 2.156 adultos, principalmente do Afeganistão (54%), da Turquia (26%) e da Síria (9%).

Os resultados

O desfecho principal, fixado num plano pré-registrado, é a proporção de meses com emprego durante os três primeiros anos. No grupo de controle, os adultos trabalharam em média em 22,3% desses meses.

• Todas as coortes (2020–2023): +2,2 pontos percentuais para o grupo do algoritmo, cerca de 10% a mais, com um intervalo de confiança de +0,05 a +4,3 pontos.
• Coortes pós-Covid (2022–2023): +3,9 pontos, cerca de 17% a mais. O ensaio começou semanas antes da pandemia, e o modelo tinha sido treinado com dados anteriores a ela; os efeitos foram indistinguíveis de zero para as coortes de 2020 e 2021. Essas comparações por coorte não foram pré-registradas.
• Crescendo com o tempo: 36 meses após a alocação, a proporção de domicílios com pelo menos um adulto trabalhando era 5,2 pontos maior (cerca de 11%).
• Empregos mais estáveis: um emprego de pelo menos seis meses, +5,6 pontos; um contrato por tempo indeterminado aos três anos, +4,5 pontos.

Barato, por concepção

Contando apenas as finanças públicas — benefícios que deixam de ser pagos, mais contribuições e impostos —, os autores avaliam cada mês extra de emprego em cerca de 1.950 francos suíços. Com um custo de operação estimado em 50 francos por adulto, eles calculam um benefício líquido de cerca de 1.300 francos por adulto, uma relação de aproximadamente 27 para 1. Eles comparam o efeito em três anos com o de programas que acrescentam centenas de horas de ensino de idioma, mas ressaltam que o algoritmo não substitui esses cursos.

Eles chamam o ensaio de teste conservador: uma versão inicial e congelada da ferramenta, poucos preditores, geografia grosseira, cotas rígidas e apenas metade dos casos disponível para otimização. Se versões mais novas e menos restritas se sairiam melhor ainda precisa ser testado.

Quem criou, quem testou

Os autores desenvolveram eles mesmos o método GeoMatch. Declaram não ter conflitos de interesse e afirmam não ter recebido pagamentos do governo suíço para desenvolver ou operar a ferramenta; o trabalho foi financiado pela Universidade Stanford, por fundações e entidades filantrópicas, incluindo a Google.org, e por uma bolsa europeia de pesquisa. Para além dos refugiados, eles veem o ensaio como uma rara evidência de campo de que ferramentas de previsão podem melhorar decisões públicas de grande impacto quando apoiam, em vez de substituir, as pessoas que as tomam — e como um lembrete de que essas ferramentas precisam ser retreinadas quando o mundo muda, como aconteceu em 2020.