自由裁量树：通过机器学习理解基层官僚行为

基层官僚代表政府机构与民众直接互动，以执行各种职能，例如管理社会服务和治安。基层官僚的一个关键特征是，公务员虽然负责执行机构政策，但在如何将政策应用于个别案件时也被赋予了重大的自由裁量权。使用这种自由裁量权可能是有益的，因为它允许基于人类互动和评估对政策进行例外处理，但也可能使偏见和不公渗透到社会资源配置的重要领域。在本文中，我们使用机器学习技术来理解基层官僚的行为。我们利用了一个丰富的数据集，该数据集将家庭的人口统计及其他信息与他们在分配无固定公式时期所被分配的无家可归干预措施信息相结合。我们发现，这一时期的个案工作者决策总体上具有高度可预测性，其中一些（但并非全部）可预测性可以通过简单的决策规则捕获。我们推测，未被简单决策规则捕获的决策可以被视为个案工作者自由裁量的应用。这些自由裁量决策在家庭特征和决策结果方面都远非随机的。个案工作者通常仅对被认为脆弱性较低的家庭行使自由裁量权。当他们确实行使自由裁量权将家庭分配到更密集的干预措施时，这些家庭获得的边际效益显著高于随机选择家庭时的预期边际效益；而对于被自由裁量分配较少密集干预措施的家庭，其边际效益没有类似的降低，这表明个案工作者正在利用他们的知识改善结果。