АЛГОРИТМ ВЫБИРАЕТ, ГДЕ НАЧНУТ ЖИЗНЬ БЕЖЕНЦЫ
Беженцам часто трудно найти работу в принимающей стране. В двадцати европейских странах, как отмечается в статье, вероятность их трудоустройства примерно на 12% ниже, чем у сопоставимых мигрантов, и этот разрыв сохраняется десять–пятнадцать лет. Важнее всего первые месяцы и годы после прибытия — и то, где беженца поселят. Однако во многих странах, включая Швейцарию, распределение идёт по административным квотам, и у чиновников мало сведений о том, где каждому человеку будет лучше.
Рекомендация, а не решение
В 2018 году Кирк Бансак, Йенс Хайнмюллер и их коллеги предложили алгоритмическое распределение беженцев. Модель машинного обучения, обученная на данных о прежних прибывших, предсказывает, насколько вероятно, что каждый беженец найдёт работу в каждом возможном месте. Затем шаг оптимизации рекомендует распределение, максимизирующее ожидаемую занятость при соблюдении всех квот. Окончательное решение остаётся за сотрудником-человеком.
До сих пор польза оценивалась лишь «прогоном» прошлых данных. Это исследование под руководством Бансака (Калифорнийский университет в Беркли), Хайнмюллера (Стэнфордский университет) и Доминика Хангартнера (ETH Цюрих) описывает то, что авторы считают первым рандомизированным контролируемым испытанием этого подхода, проведённым совместно с Государственным секретариатом по миграции Швейцарии (SEM) на ранней версии их инструмента GeoMatch.
Слепая лотерея в настоящем ведомстве
С января 2020 по июнь 2023 года каждое подходящее дело — семья или одинокий взрослый, получившие статус беженца или временную защиту и которых можно было направить в любой кантон, — компьютер относил к одной из двух групп, 50 на 50:
- алгоритм: кантон, в котором, по прогнозу GeoMatch, занятость будет максимальной;
- контроль: кантон, случайно выбранный среди свободных мест, как при обычной процедуре.
Сотрудники по распределению в обоих случаях видели один и тот же экран, и ни они, ни беженцы не знали, в какой группе дело. У каждой группы была своя идентичная копия квот по кантонам и по гражданству. Такая схема исключает простую уловку: алгоритм не мог отправлять больше людей в кантоны с сильным рынком труда. Он мог лишь улучшить соответствие между человеком и местом.
Модель знала очень мало: пол, возраст, семейное положение, размер домохозяйства, дату прибытия, гражданство и родной язык. Образование, трудовой стаж и знание языков в используемом ею реестре не фиксируются. Сотрудники следовали показанной рекомендации примерно в 97% случаев.
Итоговая выборка: 2000 дел, 2156 взрослых, в основном из Афганистана (54%), Турции (26%) и Сирии (9%).
Результаты
Главный показатель, зафиксированный в заранее зарегистрированном плане, — доля месяцев с работой за первые три года. В контрольной группе взрослые в среднем работали 22,3% этих месяцев.
- Все когорты (2020–2023): +2,2 процентного пункта для группы алгоритма, примерно на 10% больше, с доверительным интервалом от +0,05 до +4,3 пункта.
- Постковидные когорты (2022–2023): +3,9 пункта, примерно на 17% больше. Испытание началось за несколько недель до пандемии, а модель была обучена на допандемийных данных; для когорт 2020 и 2021 годов эффект был неотличим от нуля. Эти сравнения по когортам заранее не регистрировались.
- Рост со временем: через 36 месяцев после распределения доля домохозяйств хотя бы с одним работающим взрослым была на 5,2 пункта выше (примерно на 11%).
- Более стабильная работа: работа продолжительностью не менее шести месяцев — +5,6 пункта; бессрочный договор через три года — +4,5 пункта.
Дёшево — по замыслу
Учитывая только государственные финансы — пособия, которые больше не выплачиваются, плюс взносы и налоги, — авторы оценивают каждый дополнительный месяц занятости примерно в 1950 швейцарских франков. При предполагаемых эксплуатационных расходах 50 франков на взрослого они оценивают чистую выгоду примерно в 1300 франков на взрослого — соотношение около 27 к 1. Они сравнивают эффект через три года с эффектом программ, добавляющих сотни часов языкового обучения, но подчёркивают, что алгоритм не заменяет такие курсы.
Испытание они называют консервативной проверкой: ранняя «замороженная» версия инструмента, мало предикторов, грубая география, жёсткие квоты и лишь половина дел, доступных для оптимизации. Будут ли новые, менее ограниченные версии работать лучше, ещё предстоит проверить.
Кто создал, кто проверял
Метод GeoMatch авторы разработали сами. Они заявляют об отсутствии конфликта интересов и указывают, что не получали от правительства Швейцарии оплаты за разработку или эксплуатацию инструмента; работа финансировалась Стэнфордским университетом, фондами и благотворительными организациями, включая Google.org, а также европейским исследовательским грантом. Помимо темы беженцев, авторы видят в испытании редкое полевое свидетельство того, что инструменты прогнозирования могут улучшать ответственные государственные решения, если они помогают людям, принимающим эти решения, а не заменяют их, — и напоминание о том, что такие инструменты нужно переобучать, когда мир меняется, как это случилось в 2020 году.
