Chancen und Risiken datengetriebener Arbeitsmarktpolitik
Wie können datenbasierte Entscheidungen die Arbeitsvermittlung verbessern? Dieses Projekt zeigt am Beispiel der Schweiz, welche Chancen und Herausforderungen datengestützte Politikmodelle mit sich bringen.
Projektbeschrieb (abgeschlossenes Forschungsprojekt)
Das Projekt untersuchte, wie gut arbeitsmarktpolitische Programme in der Schweiz wirken – und wie man ihre Wirkung gezielter nutzen kann. Dafür entwickelten die Forschenden ein Empfehlungssystem, das hilft, Arbeitslose passender zu Kursen oder Programmen zuzuweisen. So sollen ihre Chancen auf eine neue Stelle steigen. Zum Einsatz kamen neue Verfahren aus dem Bereich des kausalen Machine Learnings. Diese ermöglichen es, nicht nur Durchschnittswerte zu betrachten, sondern genau zu erkennen, welche Massnahme für welche Personengruppe besonders wirksam ist.
Hintergrund
In den letzten Jahren machte die Forschung Fortschritte in Bezug auf datengetriebenen Entscheidungen im Bereich der Wirtschaft. Bisher hatte diese Forschung einen stark theoretischen Charakter, darum ist es wichtig, dass die neuen Methoden vor einem potenziellen Einsatz in einem realistischen Kontext der Arbeitsvermittlung praktisch bewertet werden.
Ziel
Das Hauptziel bestand darin, die Wirksamkeit der schweizerischen Arbeitsmarktpolitiken zu evaluieren und daraus ein auf Algorithmen basierendes Empfehlungssystem abzuleiten, das eine optimale Zuteilung bestimmter Arbeitsloser zu bestimmten Programmen vorschlägt.
Bedeutung
Das Projekt wollte praktische Fragen beantworten, die beim Einsatz datengetriebener Entscheidungsmodelle für die Arbeitsvermittlung entstehen. Darum arbeiteten die Projektveranwortlichen eng mit dem Staatssekretariat für Wirtschaft (Seco) als potenziellem Umsetzer der Modelle zusammen. Kausales Machine Learning und Entscheidungsalgorithmen lassen sich aber nicht nur auf den Arbeitsmarkt beschränken, sondern können auch in anderen Gebieten mit ähnlichen Entscheidungsprozessen zum Einsatz kommen.
Ergebnisse
Drei Hauptbotschaften
- Verwende kausales maschinelles Lernen, um besser zu verstehen, welches öffentliche Programm für wen wirkt.
- Setze datenbasierte Entscheidungsalgorithmen ein, um die Zuteilung von Personen zu spezifischen Programmen zu verbessern.
- Idealerweise sollte es eine kontinuierlich aktualisierte, integrierte Daten-Entscheidungs-Pipeline geben: ein fortlaufender Datenfluss sowie eine halbautomatische Aktualisierung der Evaluationsergebnisse und der daraus abgeleiteten politischen Empfehlungen.
Originaltitel
Chances and risks of data-driven decision making for labour market policy