Congressional Apportionment: A Multiobjective Optimization Approach
Notice bibliographique
Résumé
Two events, with major implications for U.S. voters, occur after each decennial census. First, congressional “apportionment” takes place, followed by congressional “districting.” Apportionment determines how to allocate the 435 seats in the House of Representatives across the 50 states, whereas districting determines the geographic boundaries assigned to representatives within each state. Although districting and the practice of gerrymandering often receive great attention in the media and courts, the best way to apportion representatives across states has been debated for nearly 250 years. Historical methods (including the current method) each satisfy some desirable optimality criteria that the others are not guaranteed to satisfy. Moreover, none are guaranteed to optimize certain reasonable fairness measures (e.g., minimum range, minimum bias). To our knowledge, we are the first to formulate and analyze a multiobjective optimization approach to apportionment, allowing policymakers to identify Pareto-optimal allocations and quantify their trade-offs between several competing criteria. Some of these models can be formulated and solved as mixed-integer linear programs, whereas others require the solution of mixed-integer, nonconvex, quadratically constrained quadratic programs. We take advantage of recent software advances that allow one to solve these problems with optimality guarantees. Policy implications of our work include Pareto curves from historical censuses and simulations, which suggest opportunities for improvement in some objectives at little sacrifice to others. This paper was accepted by David Simchi-Levi, operations management. Supplemental Material: The online appendix and data files are available at https://doi.org/10.1287/mnsc.2023.02472 .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».