Zadnjih godina, državni guverneri širom SAD-a su se sve više okretali pristupima koji se bave siromaštvom, a umjesto oslanjanja na široke programe, koji su jednoprikladni svim državama, ti lideri sada koriste granularne podatke za ciljanje resursa hirurškom preciznošću. Uporabom informacija o prihodima, zapošljavanju, obrazovanju, zdravlju i stanovanju, guverneri mogu identificirati najranjivije stanovništvo i intervenirati gdje će intervencije imati najveći utjecaj.

Finansijski ulozi su visoki. Države kolektivno troše milijarde dolara svake godine na programe protiv siromaštva u rasponu od gotovinske pomoći i markica za hranu do obuke za posao i pristupačnih stanova. Ipak, bez čvrstih podataka, veliki dio tog novca može se pogrešno usmjeriti. Upravljanje podacima omogućava državama da mjere ishode, prilagode kurs u realnom vremenu, i osiguraju da svaki dolar poreznih obveznika bude iskorišten za maksimalni učinak. Kao rezultat toga, guverneri obje strane ulažu u jedinice za analizu podataka, udružuju se sa univerzitetima, i otvaraju vladine podatke javnosti. Ovaj članak istražuje kako državni lideri koriste podatke za borbu protiv siromaštva i šta to znači za budućnost socijalne politike.

Uloga podataka u razumijevanju siromaštva

Podaci imaju kritičnu ulogu u pomicanju napora za smanjenje siromaštva od reaktivnih do proaktivnih. Umjesto da čekaju da porodice upadnu u krizu, guverneri mogu koristiti podatke kako bi predvidjeli potrebu i dostavili usluge rano. Na primjer, analizom podataka o pohađanju škole i zdravstvenim tvrdnjama, država može identificirati djecu koja su u opasnosti od pada u siromaštvo prije nego što njihove porodice dožive finansijski kolaps. Ova vrsta rane intervencije je moguća tek kada se podaci različitih agencija integrišu i analiziraju zajedno.

Identifikacija root uzroka

Siromaštvo je rijetko rezultat jednog faktora. To je tipično složena mreža međusobno povezanih pitanja niske plaće, nedostatak pristupačne skrbi za djecu, loše zdravlje, diskriminacija i geografska izolacija. Podaci pomažu guvernerima da se razuzdaju od tih faktora i razumiju koji su najzahtjevniji u svojoj državi. Na primjer, guverner u ruralnoj državi bi mogao naći da je nedostatak transporta primarna prepreka zapošljavanju, dok bi se guverner u urbanoj državi mogao suočiti s krizom stambene pristupačnosti. Bez podataka, te bi nijanse ostale nevidljive i politike bi propustile trag.

Ciljam ranjive populacije

Podaci također otkrivaju koje grupe su nesrazmjerno pogođene siromaštvom. Demografski slomovi po godinama, rasi, spolu i statusu invaliditeta omogućavaju guvernerima da dizajniraju ciljane intervencije. Naprimjer, djeca ispod 5 godina su dobna grupa koja će najvjerovatnije živjeti u siromaštvu u mnogim državama. Unakrštanjem podataka o siromaštvu djece s upisom u rano djetinjstvo, guverner može dodijeliti sredstva za pred-K programe u susjedstvima gdje su najpotrebniji. Slično tome, podaci koji pokazuju veće stope siromaštva među samohranim majkama mogu dovesti do inicijativa koje šire subvencije za zaštitu djece i plaćeni obiteljski dopust.

Mapiranje Geographic Hotspots

Geografski informacioni sistemi (GIS) postali su osnovni alati za guvernere. Planiranjem stope siromaštva na mapi pored podataka o školama, bolnicama, prodavnicama namirnicama i javnom tranzitu, proizvođači politika mogu tačno vidjeti gdje je siromaštvo koncentrisano i koji resursi nedostaju. Neke države, poput Kalifornija, stvorile su instrumente javnog pogleda na tablu koja pokazuje podatke o siromaštvu sve do nivoa popisa. Ovi alati osnažuju lokalne zvaničnike i organizacije zajednice da sarađuju sa državnom vladom na ciljanim rješenjima.

Ključni izvori podataka i metrika

Državni guverneri se oslanjaju na širok niz izvora podataka kako bi informirali svoje strategije za smanjenje siromaštva.Neke od njih su tradicionalna vladina istraživanja, dok druge dolaze iz administrativnih evidencija ili partnerstva privatnog sektora.Ispod su najčešće korištene vrste podataka i način na koji informišu politiku.

  • Statistika prihoda i zapošljavanja Američko istraživanje zajednice (ACS) američkog zavoda za popis stanovništva pruža godišnje podatke o prihodima, statusu siromaštva i zaposlenosti. Guverneri koriste ove cifre za određivanje prihvatljivosti za programe poput Medicaida i SNAP-a i za procjenu da li ekonomija države raste inkluzivno.
  • Podatci o performansama obrazovanja Državni odjeli obrazovanja prikupljaju podatke o rezultatima testova, ocjenama matura, i školskoj disciplini. Povezivanjem ovih podataka sa podacima o prihodima, guverneri mogu identificirati nedostatke u postignućima i ulagati u škole koje služe učenicima niskih prihoda. Programi poput Obećaj stipendije u Michiganu su ciljani na osnovu takve analize.
  • Informacije o zdravstvenom pristupu Tvrdi podatke, bolnički zapis o otpuštanju, i ankete poput sistema za nadzor faktora ponašanja (BRFSS) pomažu guvernerima da shvate zdravstvene efekte siromaštva.Na primjer, države sa visokim stopama dijabetesa među populacijama s niskim prihodima mogu proširiti pristup preventivnoj njezi i programima ishrane.
  • Housing Affordability and Beskućništvo Data Odjel za stanovanje i urbani razvoj (HUD) pruža podatke o teretu najma, iseljenja i beskućništva. Guverneri to mogu unakrsno usporediti s podacima o prihodima za dodjelu stambenih vaučera i fond za hitne slučajeve skloništa u najnategnutijim zajednicama.
  • Demografske informacije Dob, rasa, etnička pripadnost i podaci o invalidnosti su neophodni za osiguranje vlasničkog kapitala. Mnogi guverneri su ustanovili equity table koje prate da li napori za smanjenje siromaštva jednako dostižu sve populacije.

Sve više država koristi integrisane sisteme podataka (IDS) koji povezuju zapise širom agencija. Naprimjer, Oregonov Integrisani sistem podataka klijenata povezuje podatke iz ljudskih usluga, obrazovanja i agencija radne snage kako bi pružio holistički pogled na potrebe svake porodice. Takvi sistemi omogućavaju guvernerima da ocjenjuju kombinirani uticaj više programa i smanjuju administrativno opterećenje porodica.

Kako guverneri prevode podatke u akciju

Prikupljanje podataka je samo prvi korak. Pravi izazov leži u prevođenju uvida u politike koje zapravo mijenjaju živote. Državni guverneri eksperimentiraju s nekoliko mehanizama za premošćivanje jaza između analize podataka i implementacije programa.

Uspostavljanje jedinica za analizu podataka

Mnogi guverneri su stvorili namjenske timove za analizu podataka unutar svojih ureda ili pod njihovom kontrolom. Ove jedinice su zaposlene od strane naučnika podataka, statističara i analitičara politike koji rade direktno sa liderima agencija za dizajn programa baziranih na dokazima. Washington, pod guvernerom Jay Inslee, pokrenuo je Rezultate Washington inicijativu, koja koristi instrumente za praćenje napretka u smanjenju siromaštva i drugim ključnim ciljevima. Slično tome, Colorado] je stvorio ] Ured za smanjenje siromaštva i druge ključne ciljeve.

Korištenje prediktivnog modela za ranu intervenciju

Prediktivna analitika je jedan od najmoćnijih alata u arsenalu vođenom podacima. Hranjenjem historijskih podataka modelima mašinskog učenja, države mogu predvidjeti koje porodice su u najvećem riziku od pada u siromaštvo ili doživljavanja beskućništva. Na primjer, stanje Masachusetts[ je pilotiralo modelom koji koristi podatke iz skrbništva, dobrobiti djece, i TANF-a (Temporarna pomoć za potrebe obitelji Needy Families) kako bi se identificirale porodice koje bi mogle imati koristi od dobrovoljnog vođenja slučajeva. Program je smanjio vjerojatnost ulaska djeteta udomiteljsku skrb za 20% i spasio je državne milione u troškovima kriznih odgovora.

Povezivanje podataka sa odlukama o budžetu

Neki guverneri ubacuju podatke direktno u budžetski proces. Umjesto da samo predlažu linijske stavke za programe siromaštva, oni zahtijevaju od agencija da dostave dokaze o efikasnosti. U Ohio, guvernerov Ured za budžet i menadžment koristi pristupRezultati-Prvo“, zahtijevajući od državnih agencija da pokažu da su njihovi programi procjenjivani rigoroznim metodama poput slučajnih kontroliranih ispitivanja. Programi koji ne mogu demonstrirati utjecaj su definisani, dok programi koji podržavaju dokaze dobijaju dodatne resurse.

Javne ploče i odgovornost zajednice

Transparentnost je ključni dio upravljanja vođenog podacima. Mnoge države sada objavljuju online table za praćenje siromaštva u realnom vremenu. Ove ploče omogućavaju građanima, novinarima i grupama zagovaranja da drže svoje guvernere odgovornima. Na primjer, Nevada je stvorio Nevada Data-Driven Decision-Making program, koji uključuje i tablu za javno siromaštvo. Kada metrik pokazuje pad zaposlenosti među stanovnicima niskih pridošlica, dionici zajednice mogu gurnuti guvernera da prilagodi programe obuke radne snage.

Studije slučaja: Smanjenje siromaštva na temelju podataka

Kalifornija: Ciljanje siromaštva djece sa integralnim podacima

Guverner Gavin Newsom je napravio smanjenje siromaštva centralnim prioritetom, posebno za djecu. 2021. godine, njegova administracija je pokrenula Zakon o smanjenju siromaštva Kalifornije, koji je postavio cilj smanjenja siromaštva djece za 50% do 2030. godine. Da bi pratila napredak, država je izgradila integrirani sistem podataka koji povezuje Odjel za socijalne usluge, Odjel za obrazovanje i Odjel za zdravstvene skrb. Koristeći ove podatke, država je utvrdila da je širenje državne zarađene porezne obveze (CALEITC) i povećanje povlastica Calfresh (SNAP) imalo najveći utjecaj na dječje siromaštvo. 2022. godine, Kalifornija je proširila oba programa, što je dovelo do pada 15% u siromaštvu djetetaaštvu rezultiralo direktnom atributacijom podataka.

Michigan: Korištenje GIS-a za dodjelu povoljnih stambenih fondova

Vlada guvernera Gretchen Whitmer je koristila podatke za realiziranje federalnih fondova za olakšavanje pandemije za stanovanje. Državna uprava za stambeni razvoj (MSHDA) analizirala je iseljavanje pri podnošenju podataka, stope rent-a, i broj beskućništva na nivou okruga. Otkrili su da su četiri okruga činila preko 60% stambene nestabilnosti države. Koristeći te podatke, guverner je usmerio dodatnih 100 miliona dolara na te okruge za pomoć u najmu i pristupačni razvoj stanova. Pristup je bio toliko uspješan da MSHDA sada koristi isti model podataka za ciljanje svih svojih stambenih investicija.

Teksas: Personalizovana obuka radne snage iz podataka o radu

Projekcije rada guvernera Grega Abbotta, Komisija za radnu snagu Texas Workforce Solutions, koristi podatke o lokalnim stopama nezaposlenosti, projekcijama rasta industrije, i individualnim nedostacima u vještinama da ponudi personaliziranu obuku za rad. Kada su podaci pokazali da je područje Houstona imalo manjak certificiranih pomoćnica za dojenje (CNAs) ali višak maloprodajnih radnika, država je finansirala program besplatnog osposobljavanja za raseljene radnike na malo. Program je u roku od šest mjeseci stavio preko 1.200 ljudi u CNA radna mjesta, s stopom zadržavanja od 90% nakon jedne godine. Guvernerov ured je kreditirao pristup podacima za troškovnu učinkovitost programa, ne ukazujući da je koštao 3.000 dolara po plasmanu u odnosu na prosjek od 8.000 dolara za slične državne programe.

Prevladavanje izazova: privatnost, preciznost i kapacitet

Uprkos svom obećanju, smanjenje siromaštva koje vodi podaci nije bez prepreka. Guverneri moraju upravljati minskim poljem zabrinutosti u vezi privatnosti, problema sa kvalitetom podataka i institucionalnim otporom.

Privatnost i etična upotreba podataka

Integriranje podataka iz više agencija izaziva ozbiljne zabrinutosti u vezi privatnosti i potencijalne zloupotrebe. Porodice u siromaštvu su već ranjive, a a aspektiva vladinog nadzora ih može odvratiti od traženja pomoći. Da bi se to riješilo, nekoliko država je privatnost po dizajnu okvire. Na primjer, Konektikut stvorio Saradnički sustav za kontakt podataka[], koji koristi deidentificirane podatke i zahtijeva eksplicitan pristanak za bilo kakve podatke vezane za pojedince. Guverneri također moraju osigurati da predviđaju da modeli ne pojačavaju rasne ili ekonomske predrasudea rizik koji je dokumentiran u sistemima socijalne zaštite i pravde za djecu.

Osiguravam preciznost i pravovremenost podataka

Podaci su korisni samo ako su precizni i trenutni. Mnoge državne agencije se oslanjaju na zastarjele metode prikupljanja podataka, kao što su papirnate forme ili silosirane baze podataka koje ne komuniciraju jedna s drugom. Guvernerova inicijativa vođena podacima može biti potkopana lošim podacima. Da bi se to borilo, države ulažu u modernu infrastrukturu podataka, uključujući API, skladištenje oblaka, i gasovode podataka u realnom vremenu. Na primjer, Tennessee] je izgradio državno jezero podataka koje omogućuje agencijama da dijele podatke u bliskom vremenu. Država sada ažurira svoje siromaštvo nadziranje mjesečno nego godišnje, dajući guverneru precizniju sliku o potrebi.

Gradi tehnički kapacitet

Mnoge državne vlade nemaju stručnost u okviru internih podataka za izradu sofisticiranih analiza. Privlačenje i zadržavanje talenta za podatke je trajni izazov, posebno kada su plaće privatnog sektora veće. Guverneri su odgovorili stvaranjem zajednica podataka i partnerstvom sa univerzitetima. Njujork, pod guvernerom Kathy Hochul, pokrenuli New York Civic Analytics[, koji je uveo studente doktorata iz SUNY-a u državne agencije da rade na projektima vezanim za siromaštvo. Program je u dvije godine proizveo preko 50 preporuka zasnovanih na politici zasnovanih na dokazima.

Budućnost smanjenja siromaštva na temelju kojeg se voze podaci

Krajolik upravljanja vođenih podacima se brzo razvija. Nekoliko trendova će vjerovatno oblikovati kako se guverneri bore protiv siromaštva u narednoj deceniji.

Umjetna inteligencija i učenje mašina

AI i mašinsko učenje će omogućiti da se države kreću od opisne analitike (ono što se dogodilo) do opisne analitike (ono što bi trebali učiniti). Na primjer, model za učenje mašina mogao bi analizirati hiljade varijabli kako bi preporučio optimalnu mješavinu programa za svaku porodicu trening posla, brigu o djeci, pomoć u hrani ili gotovinu na temelju predviđenih ishoda. Rani piloti u Alabama pokazali su da upravljanje slučajem vođenim AI-om mogu smanjiti vrijeme koje porodice troše u siromaštvu do 18 mjeseci.

Podaci o stvarnom vremenu i kontinuirane povratne informacije

Umjesto godišnjih izvještaja, budući programi će koristiti podatke u realnom vremenu da se brzo prilagode. Internet stvari (IoT) uređaji, podaci o mobilnom telefonu, i elektronski transfer koristi (EBT) transakcijski zapisi mogu pružiti do minute pokazatelje ekonomske nevolje. Guverner bi mogao vidjeti porast upotrebe markica hrane u određenom okrugu i odmah rasporediti mobilne gaćice za hranu ili prilagoditi nivo koristi SNAP-a.

Međudržavna suradnja i dijeljenje podataka

Siromaštvo ne poštuje državne linije. međudržavne migracije, regionalna tržišta rada i poremećaji lanca opskrbe utječu na siromaštvo. Guverneri počinju dijeliti podatke preko granica putem kompakta poput Državne mreže inovacija Nacionalnog guvernera . To im omogućava da usporede svoje napore za smanjenje siromaštva protiv vršnjaka i usvajaju najbolje prakse koje su dokazane drugdje.

Zaključak

Strateška upotreba podataka od strane državnih guvernera transformiše napore za smanjenje siromaštva iz nagađanja u nauku. Identifikovanjem osnovnih uzroka, ciljanjem ranjivih populacija i mjerenjem rezultata u realnom vremenu, guverneri mogu dizajnirati intervencije koje su efikasnije i efikasnije. Dok izazovi oko privatnosti, preciznosti i kapaciteta ostaju, putanja je jasna: budućnost politike protiv siromaštva je vođena podacima. Kako se napredovanje tehnologije i saradnja produbljuju, ovi pristupi će postati još sofisticiraniji, što će dovesti do pravednijih i trajnijih rješenja za zajednice širom zemlje. Guverneri koji prihvate ovu transformaciju biće oni koji čine najdublje udubljenje siromaštva i koji postavljaju standard za odgovorno, rezultati orijentisano upravljanje u 21. stoljeću.