作者:康奈尔大学的梅勒妮·莱夫科维茨 信用:Pixabay/CC0公共域 人类几乎不可能画出不带偏见的地图，即使他们在努力
康奈尔大学的研究人员开发了一种新的数学方法，可以将公平注入到令人头疼的政治选区划分过程中，并证明创建一个公平、有代表性的选区不仅仅需要良好的意愿
在论文《费尔曼德林:公平优化政治区划的列生成启发式方法》中描述的两步方法，首先为每个州创建数十亿个潜在的选举地图，然后通过算法识别一系列满足期望公平标准的可能性
“费尔曼德林”获得了11月20日举行的美国大学本科生运筹学奖，该奖授予了最佳本科生论文
8-11通知年会，运营研究和分析专业人士的主要会议
第一作者是韦斯·古尼，20岁，现在是谷歌的软件工程师
美国国会选区系统授权政治家操纵选区边界以影响选举结果
执政党可能会划分选区，让很多人加入他们的政党，这一过程被称为不公平选区划分，影响选举结果，决定地方和国家层面的政治控制
这是一个紧迫的问题——尤其是在各州根据2020年人口普查结果为明年十年一次的选区划分做准备的时候
“数据科学的进步已经帮助政党越来越善于设计选区来保持政治控制，”合著者大卫·施莫斯说，他是运营研究和信息工程学院莱贝/艾奇逊商业管理和领导力研究教授
“我们希望提供一个完全不同的视角，深入到公平分区的核心含义，并将算法工具交到决策者手中，让他们做正确的事情
" 在这项有史以来规模最大的合法国会选区地图研究中，格尼和什莫伊斯试图创建具有公平结果的选举地图——这些地图准确反映了一个州的政治倾向，创造了足够的竞争对手来确保问责制和对称对待每个政党
过去的研究试图用计算方法来画出不偏不倚的区域
但这些努力忽略了政治和人口因素，假设所谓的“紧凑”地区——那些根据位置以规则形状建造的地区——是公平的
但研究人员发现，即便如此，该地区的人口和政治构成也不太可能代表整个州的政治倾向
“从历史上看，人们一直相信，一张随机绘制的地图，没有政治偏见或党派数据，本质上是公平的，”格尼说
“虽然这些地图确实无视党派偏见，但它们并非没有党派偏见
" 研究人员没有将形状合理的地区作为目标，而是将形状作为模型的一个因素，这可以为每个州快速生成数十亿张可能的选举地图
“你需要一套足够丰富的方法来解决这个难题，这样你就有多种可能的结果，”斯莫伊斯说，“但你也需要它有足够的表现力，给你一系列你想要的公平结果。”
" 一旦他们生成了地图，研究人员就使用整数规划工具来评估地图的公平性。整数规划是一种数学建模框架，最近的进展使他们能够解决一个非常大规模的问题
尽管研究人员在研究中选择了政治派别的平衡代表作为公平的定义，但也可以考虑其他人口统计学因素
除了国会选区之外，该模型还适用于州和地方代表地图
古尔尼成立了一个名为费尔曼德林的组织来推进这项研究的原则
“重要的不是地区的地理形状——而是考虑更全面的原则，即公平分区意味着什么，”斯莫伊斯说
“我们希望这将真正影响未来一年半内各州之间的对话，无论是国会层面还是州立法层面
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
