一项2026年4月25日提交至arXiv的新研究，由Kirk Bansak等六位作者共同完成，深入验证了难民匹配策略在改善难民安置结果方面的稳健性。该研究聚焦于美国难民匹配计划，利用多种离线策略评估方法，重新审视了反事实影响评估的可靠性。
此前，Bansak等人在2018年的开创性工作中首次提出，通过算法将难民与合适的安置地点进行匹配，可以显著提升其就业率和收入水平。然而，这些结论依赖于特定的评估方法，其稳健性一直受到学术界的关注。为了回应这些关切，本研究采用了逆概率加权（IPW）和多种增强逆概率加权（AIPW）变体，并系统地考虑了替代建模架构和不同分配程序对结果的影响。
实验设计上，研究团队构建了多个评估场景，涵盖了不同的模型选择、参数设定和政策分配规则。结果显示，在所有场景中，影响估计值的幅度保持高度一致，且大多数情况下统计显著。更为关键的是，这些估计值与Bansak等人2018年最初报告的结果高度吻合，表明难民匹配带来的正面效益并非依赖于特定的评估框架。
该论文共计13页，包含2张图表和10张表格，覆盖了机器学习、计量经济学和应用统计学等多个领域。研究团队强调，他们的发现为政策制定者提供了坚实的信心：即基于数据的难民匹配策略在实际应用中具有稳定的效果。
尽管结果令人鼓舞，研究也指出了一些局限性和未来方向。例如，目前的数据仅来自美国，其普遍性仍需在其他国家或地区进行验证。此外，未来的工作可以探索更多种类的匹配算法和更精细的结果度量，以进一步优化安置效果。总体而言，这项研究为数据驱动的难民安置政策提供了强有力的实证支持，同时也展示了离线策略评估在关键社会政策领域中的应用价值。