对于人类来说，即使在尝试时，也几乎不可能绘制无偏的地图。

康奈尔大学研究人员开发的一种新的数学方法可以将公平性注入繁琐的政治重新划分过程中，并证明创建一个公平且具有代表性的地区不仅有良好的意图。

论文“公平管理：针对公平优化的政治区划的列生成启发式”一文中介绍了两步方法，该方法首先为每个州创建了数十亿个潜在选举图，然后通过算法确定了满足期望的公平性标准的各种可能性。

在11月8日至11日举行的INFORMS年度会议(运筹学和分析专业人士的领先会议)上，“公平经营”获得了INFORMS本科生运营研究奖，该奖项被授予最佳本科论文。第一作者是Wes Gurnee '20，现在是Google的软件工程师。

国会选区制度授权政客操纵选区边界，以影响选举结果。执政党可能会划出地区，将大量人纳入党内。这一过程被称为游说，摇摆选举结果并确定地方和国家一级的政治控制权。

这是一个紧迫的问题，尤其是在各州根据2020年人口普查的结果准备明年进行十年一次的区划时。

运筹学与信息工程学院Laibe / Acheson商业管理和领导力研究教授David Shmoys说：“数据科学的进步已帮助双方在设计地区以保持政治控制方面做得越来越好。” “我们希望提供一个完全不同的观点，将其视为进行公平分区的含义的核心，并将算法工具放到决策者手中，使他们能够做正确的事情。”

在这项研究中，Gurnee和Shmoys是有史以来规模最大的法律国会区地图研究，力求创建具有公平结果的选举地图-能够准确反映州政治倾向，创造足够的竞争性种族以确保问责制和平等对待每一方的选举地图。

过去的研究试图使用计算方法来绘制无偏区。但是，这些努力忽略了政治和人口因素，假设所谓的“紧凑”地区(基于位置以规则形状构造的地区)将是公平的。

但是研究人员发现，即便如此，该地区的人口和政治组成也可能无法代表整个州的政治倾向。

古尼说：“从历史上看，人们一直认为随机绘制的地图在本质上是公平的，没有政治偏见或党派数据。” “虽然这些地图确实对党派偏见是盲目的，但它们并非没有党派偏见。”

研究人员并没有将形状合理的选区作为目标，而是将形状构建作为其模型的一个因素，它可以为每个州快速生成数十亿个可能的选举地图。

Shmoys说：“您需要足够多的方法来解决这个难题，以使您有各种各样的可能结果，但是您还需要使其具有足够的表现力，才能为您提供所需的一系列公平结果。 ”

一旦他们生成了地图，研究人员就使用整数编程工具(一种数学建模框架，最近的发展使他们能够解决一个非常大的问题)来评估地图的公平性。

尽管研究人员在研究中选择了政治联系的平衡代表作为他们对公平的定义，但可以考虑其他人口因素。该模型除适用于国会区外，还可适用于州和地方代表性地图。

古尼(Gurnee)建立了一个名为Fairmandering的组织，以推进研究的原理。

“这不是的地理形状区这很重要，它真正在想的是什么意思，做一个公平的入派有关更全面的原则，” Shmoys说。“我们希望这将真正影响在接下来的一年半中将在国会和州立法层面上逐个州进行的对话。”