Table of Contents

Τα τελευταία χρόνια, οι κυβερνήτες των κρατών σε όλες τις Ηνωμένες Πολιτείες έχουν στραφεί όλο και περισσότερο σε προσεγγίσεις που βασίζονται στα δεδομένα για την αντιμετώπιση της φτώχειας. Αντί να βασίζονται σε ευρύτερα, μονομεγέθη προγράμματα-καταλληλότητας-όλα, αυτοί οι ηγέτες χρησιμοποιούν τώρα κοκκώδη δεδομένα για να στοχεύσουν πόρους με χειρουργική ακρίβεια. Με την αξιοποίηση πληροφοριών σχετικά με το εισόδημα, την απασχόληση, την εκπαίδευση, την υγεία και τη στέγαση, οι κυβερνήτες μπορούν να εντοπίσουν τους πιο ευάλωτους πληθυσμούς πληθυσμούς και να παρέμβουν όπου οι παρεμβάσεις θα έχουν τον μεγαλύτερο αντίκτυπο. \" αλλαγή αυτή δεν είναι απλώς μια τάση ⁇ είναι μια θεμελιώδης επανεξέταση του πώς οι κυβερνήσεις του κράτους καταπολεμούν τη φτώχεια, μετακινούνται από τη διαίσθηση-βασισμένη στη χάραξη πολιτικής σε στρατηγικές που βασίζονται σε αποδείξεις που είναι πιο διαφανείς, υπόλογες και αποτελεσματικές.

Τα οικονομικά διακυβεύματα είναι υψηλά. Τα κράτη ξοδεύουν συλλογικά δισεκατομμύρια δολάρια κάθε χρόνο σε προγράμματα κατά της φτώχειας που κυμαίνονται από την παροχή βοήθειας σε μετρητά και τα κουπόνια τροφίμων μέχρι την κατάρτιση εργασίας και την προσιτή στέγαση. Ωστόσο, χωρίς ισχυρά δεδομένα, πολλά από αυτά τα χρήματα μπορούν να παραπλανηθούν.Η διακυβέρνηση που βασίζεται στα δεδομένα επιτρέπει στα κράτη να μετρούν τα αποτελέσματα, να προσαρμόζουν την πορεία σε πραγματικό χρόνο και να διασφαλίζουν ότι κάθε φορολογούμενο δολάριο χρησιμοποιείται για τη μέγιστη αποτελεσματικότητα. Ως αποτέλεσμα, οι κυβερνήτες και από τα δύο μέρη επενδύουν σε μονάδες ανάλυσης δεδομένων, να συνεργάζονται με πανεπιστήμια και να ανοίγουν κυβερνητικά δεδομένα στο κοινό. Αυτό το άρθρο διερευνά πώς οι ηγέτες του κράτους χρησιμοποιούν τα δεδομένα για την καταπολέμηση της φτώχειας ⁇ και τι σημαίνει αυτό για το μέλλον της κοινωνικής πολιτικής.

Ο Ρόλος των Δεδομένων στην Κατανόηση της Φτώχειας

Τα δεδομένα διαδραματίζουν κρίσιμο ρόλο στη μετακίνηση των προσπαθειών μείωσης της φτώχειας από την αντίδραση στην προνοητική. Αντί να περιμένουν την πτώση των οικογενειών σε κρίση, οι κυβερνήτες μπορούν να χρησιμοποιήσουν δεδομένα για να προβλέψουν την ανάγκη και να προσφέρουν υπηρεσίες νωρίς. Για παράδειγμα, αναλύοντας τα αρχεία παρακολούθησης και τα δεδομένα των ισχυρισμών υγείας, ένα κράτος μπορεί να εντοπίσει τα παιδιά που κινδυνεύουν να πέσουν στη φτώχεια πριν από την οικονομική κατάρρευση των οικογενειών τους.

Αναγνώριση των ριζικών αιτιών

Η φτώχεια είναι σπάνια αποτέλεσμα ενός και μόνο παράγοντα. Είναι συνήθως ένας σύνθετος ιστός διασυνδεδεμένων θεμάτων ⁇ χαμηλοί μισθοί, έλλειψη προσιτού παιδιού, κακή υγεία, διακρίσεις και γεωγραφική απομόνωση. Τα δεδομένα βοηθούν τους κυβερνήτες να διαχωρίσουν αυτούς τους παράγοντες και να κατανοήσουν ποιοι είναι οι πιο πιεστικοί στην κατάστασή τους. Για παράδειγμα, ένας κυβερνήτης σε μια αγροτική κατάσταση μπορεί να διαπιστώσει ότι η έλλειψη μεταφορών είναι το πρωταρχικό εμπόδιο στην απασχόληση, ενώ ένας κυβερνήτης σε μια αστική κατάσταση μπορεί να αντιμετωπίσει μια κρίση οικονομικής δυνατότητας στέγασης. Χωρίς δεδομένα, αυτές οι αποχρώσεις θα παραμείνουν αόρατες και οι πολιτικές θα έχαναν το σήμα.

Στόχευση Ευάλωτων Πληθυσμών

Τα δεδομένα αποκαλύπτουν επίσης ποιες ομάδες επηρεάζονται δυσανάλογα από τη φτώχεια. Οι δημογραφικές αναλύσεις ανά ηλικία, φυλή, φύλο και κατάσταση αναπηρίας επιτρέπουν στους κυβερνήτες να σχεδιάζουν στοχευμένες παρεμβάσεις. Για παράδειγμα, [τα παιδιά κάτω των 5 είναι η ηλικιακή ομάδα που είναι πιο πιθανό να ζει σε φτώχεια σε πολλές χώρες. Με την διασταυρούμενη αναφορά δεδομένων παιδικής φτώχειας με την εγγραφή στην παιδική ηλικία, ένας κυβερνήτης μπορεί να διαθέσει χρηματοδότηση για προ-K προγράμματα σε γειτονιές όπου είναι πιο απαραίτητες. Ομοίως, τα δεδομένα που δείχνουν υψηλότερα ποσοστά φτώχειας μεταξύ των ανύπαντρων μητέρων μπορούν να οδηγήσουν σε πρωτοβουλίες που επεκτείνουν τις επιδοτήσεις παιδικής μέριμνας και την άδεια αμειβόμενης οικογένειας.

Χαρτογράφηση γεωγραφικών Hotspots

Τα συστήματα γεωγραφικών πληροφοριών (GIS) έχουν γίνει βασικά εργαλεία για τους κυβερνήτες. Σχεδιάζοντας τα ποσοστά φτώχειας σε ένα χάρτη παράλληλα με τα δεδομένα για τα σχολεία, τα νοσοκομεία, τα παντοπωλεία και τη δημόσια διαμετακόμιση, οι υπεύθυνοι χάραξης πολιτικής μπορούν να δουν ακριβώς πού συγκεντρώνεται η φτώχεια και τι πόρους λείπουν. Ορισμένα κράτη, όπως Η Καλιφόρνια[[LFT:1]], έχουν δημιουργήσει ταμπλό με δημόσια όψη που δείχνουν δεδομένα φτώχειας μέχρι το επίπεδο του απογραφικού δελτίου. Αυτά τα εργαλεία δίνουν τη δυνατότητα σε τοπικούς αξιωματούχους και κοινοτικούς οργανισμούς να συνεργαστούν με την κυβέρνηση για στοχευμένες λύσεις.

Πηγές και Μετρικοί Δεδομένων κλειδιών

Οι κυβερνητικοί φορείς βασίζονται σε ένα ευρύ φάσμα πηγών δεδομένων για να ενημερώσουν τις στρατηγικές μείωσης της φτώχειας τους. Μερικοί από αυτούς είναι παραδοσιακές κυβερνητικές έρευνες, ενώ άλλοι προέρχονται από διοικητικά αρχεία ή εταιρικές σχέσεις του ιδιωτικού τομέα.

  • Στατιστικές Εισόδου και Απασχόλησης ⁇ Η Αμερικανική Κοινοτική Έρευνα (ACS) του Γραφείου Απογραφής των ΗΠΑ παρέχει ετήσια στοιχεία για το εισόδημα, το καθεστώς της φτώχειας και την απασχόληση. Οι διοικητές χρησιμοποιούν αυτά τα στοιχεία για να καθορίσουν την επιλεξιμότητα για προγράμματα όπως το Medicaid και το SNAP και να αξιολογήσουν αν η οικονομία του κράτους αναπτύσσεται χωρίς αποκλεισμούς.
  • Στοιχεία Παιδαγωγικής Απόδοσης[[LFT:1]] ⁇ Τα κρατικά τμήματα εκπαίδευσης συλλέγουν δεδομένα για τις βαθμολογίες των εξετάσεων, τα ποσοστά αποφοίτησης και τη σχολική πειθαρχία. Με τη σύνδεση αυτών των δεδομένων με τα στοιχεία εισοδήματος, οι κυβερνήτες μπορούν να εντοπίσουν τα κενά επίτευξης και να επενδύσουν σε σχολεία που εξυπηρετούν μαθητές χαμηλού εισοδήματος. Προγράμματα όπως [[LFT:2]] Υποτροφίες Υπόσχονται [[LFT:3]] στο Μίσιγκαν στοχεύονται με βάση τέτοια ανάλυση.
  • Πληροφορίες για την υγεία και την υγεία ⁇ Ισχυρίζεται δεδομένα, αρχεία απαλλαγής από νοσοκομεία, και έρευνες όπως το Σύστημα Παρακολούθησης Παράγοντων Συμπεριφοράς (BRFSS) βοηθούν τους κυβερνήτες να κατανοήσουν τις επιπτώσεις της φτώχειας στην υγεία. Για παράδειγμα, τα κράτη με υψηλά ποσοστά διαβήτη μεταξύ των πληθυσμών χαμηλού εισοδήματος μπορεί να επεκτείνουν την πρόσβαση σε προγράμματα προληπτικής περίθαλψης και διατροφής.
  • Housing Affordability and Homeless Data[[LFT:1]] ⁇ Το Τμήμα Στέγης και Αστικής Ανάπτυξης (HUD) παρέχει στοιχεία για τα βάρη ενοικίων, τις εξώσεις και τις καταβολές αστέγων. Οι κυβερνήτες μπορούν να το διασταυρώσουν με τα στοιχεία εισοδήματος για να καταθέσουν τα κουπόνια στέγασης και να χρηματοδοτήσουν καταφύγια έκτακτης ανάγκης στις πιο τεταμένες κοινότητες.
  • Δημογραφικές πληροφορίες[[LFT:1]] ⁇ Τα δεδομένα ηλικίας, φυλής, εθνικότητας και αναπηρίας είναι απαραίτητα για τη διασφάλιση της ισότητας. Πολλοί κυβερνήτες έχουν δημιουργήσει [[LFT:2]]οι ίδιοι πίνακες [[LFT:3]] που παρακολουθούν αν οι προσπάθειες μείωσης της φτώχειας φθάνουν σε όλους τους πληθυσμούς εξίσου.

Τα κράτη χρησιμοποιούν επίσης όλο και περισσότερο ολοκληρωμένα συστήματα δεδομένων (IDS)[[LFT:1]] που συνδέουν τα αρχεία μεταξύ των υπηρεσιών. Για παράδειγμα, το σύστημα δεδομένων πελατών ενσωματώνει δεδομένα από τις υπηρεσίες του ανθρώπου, την εκπαίδευση και τους οργανισμούς του εργατικού δυναμικού για να παρέχει μια ολιστική άποψη των αναγκών κάθε οικογένειας.

Πώς Μεταφράζουν οι Διοικητές τα Δεδομένα σε Δράση

Η πραγματική πρόκληση έγκειται στη μετάφραση ενοριακών στοιχείων σε πολιτικές που αλλάζουν πραγματικά ζωές.

Δημιουργία μονάδων ανάλυσης δεδομένων

Πολλοί κυβερνήτες έχουν δημιουργήσει ειδικές ομάδες ανάλυσης δεδομένων στα γραφεία τους ή υπό τον έλεγχό τους. Οι μονάδες αυτές στελεχώνονται από επιστήμονες δεδομένων, στατιστικολόγους και αναλυτές πολιτικής που συνεργάζονται άμεσα με τους ηγέτες οργανισμών για να σχεδιάσουν προγράμματα που βασίζονται σε στοιχεία. Η κατάσταση Γουάσινγκτον[], υπό τον Κυβερνήτη Τζέι Ίνσλι, ξεκίνησε την Αποτελέσματα της πρωτοβουλίας Washington, η οποία χρησιμοποιεί τα ταμπλό δεδομένων για να παρακολουθεί την πρόοδο στη μείωση της φτώχειας και άλλους βασικούς στόχους. Παρομοίως, Ο Κολοράντο δημιούργησε το Governor’s Office of Data Analytics για να συντονίσει την ανταλλαγή δεδομένων σε όλα τα τμήματα.

Χρήση Προβλεπτικού Μοντελισμού για την Πρόωρη Παρέμβαση

Η προγνωστική ανάλυση είναι ένα από τα πιο ισχυρά εργαλεία στο οπλοστάσιο που βασίζεται στα δεδομένα. Με την παροχή ιστορικών δεδομένων σε μοντέλα μηχανικής μάθησης, τα κράτη μπορούν να προβλέψουν ποιες οικογένειες διατρέχουν τον μεγαλύτερο κίνδυνο να πέσουν στη φτώχεια ή να βιώσουν έλλειψη στέγης. Για παράδειγμα, η κατάσταση [[LFT:0]]Massachusetts[[LFT:1]] χάραξε ένα μοντέλο που χρησιμοποιεί δεδομένα από την ανάδοχη φροντίδα, την παιδική πρόνοια και την TANF (Προσωρινή Βοήθεια για Αθεράπευτες Οικογένειες) για να εντοπίσει οικογένειες που θα μπορούσαν να ωφεληθούν από την εθελοντική διαχείριση υποθέσεων. Το πρόγραμμα μείωσε την πιθανότητα να εισέλθει ένα παιδί σε ανάδοχη φροντίδα κατά 20% και έσωσε το κράτος εκατομμύρια σε κόστος αντιμετώπισης κρίσεων.

Σύνδεση δεδομένων με αποφάσεις προϋπολογισμού

Μερικοί κυβερνήτες ενσωματώνουν δεδομένα απευθείας στη διαδικασία του προϋπολογισμού. Αντί να προτείνουν απλά στοιχεία γραμμών για προγράμματα φτώχειας, απαιτούν από τους οργανισμούς να υποβάλλουν στοιχεία αποτελεσματικότητας. Στο [[[LFT:0]]Ohio[[LFT:1]], το Γραφείο Προϋπολογισμού και Διαχείρισης του κυβερνήτη χρησιμοποιεί μια προσέγγιση “Αποτελέσματα-Πρώτα”, απαιτώντας από τους κρατικούς οργανισμούς να δείξουν ότι τα προγράμματα τους έχουν αξιολογηθεί χρησιμοποιώντας αυστηρές μεθόδους όπως οι τυχαιοποιημένες ελεγχόμενες δοκιμές. Τα προγράμματα που δεν μπορούν να αποδείξουν αντίκτυπο αποχρηματοδοτούνται, ενώ τα προγράμματα που υποστηρίζονται από στοιχεία λαμβάνουν επιπλέον πόρους.

Δημόσιες πινακίδες και κοινοτική λογιστική

Πολλά κράτη δημοσιεύουν τώρα διαδικτυακά ταμπλό που παρακολουθούν τις μετρήσεις της φτώχειας σε πραγματικό χρόνο. Αυτά τα ταμπλό επιτρέπουν στους πολίτες, τους δημοσιογράφους και τις ομάδες υπεράσπισης να κρατούν υπόλογους τους κυβερνήτες τους. Για παράδειγμα, Η Νεβάδα δημιούργησε το πρόγραμμα Η Nevada Data-Driven Decision-Making], το οποίο περιλαμβάνει ένα δημόσιο ταμπλό φτώχειας. Όταν μια μετρική δείχνει μείωση της απασχόλησης μεταξύ των κατοίκων χαμηλού εισοδήματος, οι ενδιαφερόμενοι της κοινότητας μπορούν να πιέσουν τον κυβερνήτη να προσαρμόσει τα προγράμματα κατάρτισης του εργατικού δυναμικού.

Μελέτες περιπτώσεων: Μείωση της φτώχειας στα δεδομένα

Καλιφόρνια: Στόχος της παιδικής φτώχειας με ολοκληρωμένα δεδομένα

Το 2021, η κυβέρνησή του ξεκίνησε το California Νόμος για τη μείωση της παιδικής φτώχειας, ο οποίος έθεσε στόχο τη μείωση της παιδικής φτώχειας κατά 50% έως το 2030. Για να παρακολουθεί την πρόοδο, το κράτος κατασκεύασε ένα ολοκληρωμένο σύστημα δεδομένων που συνδέει το Υπουργείο Κοινωνικών Υπηρεσιών, το Υπουργείο Παιδείας και το Υπουργείο Υπηρεσιών Υγείας. Χρησιμοποιώντας αυτά τα δεδομένα, το κράτος διαπίστωσε ότι η επέκταση της Κέρδη Φόρου Εισοδήματος (CalEITC) και η αύξηση των παροχών CalFresh (SNAP) είχε τη μεγαλύτερη επίδραση στην παιδική φτώχεια. Το 2022, η Καλιφόρνια επέκτεινε και τα δύο προγράμματα, οδηγώντας σε 15% πτώση της παιδικής φτώχειας ⁇ αποτέλεσμα άμεσα αποδοτέα στην ανάλυση δεδομένων.

Michigan: Χρήση GIS για την Allocate Προσιτά Στεγαστικά Ταμεία

Η κυβέρνηση της κυβέρνησης Γκρέτσεν Γουίτμερ χρησιμοποίησε δεδομένα για να ανακατατάξει τα ομοσπονδιακά κονδύλια πανδημίας για στέγαση. Η Κρατική Αρχή Ανάπτυξης Στεγαστικής Ανάπτυξης του Μίσιγκαν (MSHDA) ανέλυσε τα στοιχεία της έξωσης, τα ποσοστά των ενοικίων και τις καταβολές των αστέγων σε επίπεδο κομητείας. Βρήκαν ότι τέσσερις κομητείες αποτελούσαν πάνω από το 60% της αστάθειας στέγασης του κράτους. Χρησιμοποιώντας αυτά τα στοιχεία, ο κυβερνήτης διεύθυνε επιπλέον 100 εκατομμύρια δολάρια σε αυτές τις κομητείες για την παροχή βοήθειας για ενοικίαση και την οικονομική ανάπτυξη κατοικιών.

Τέξας: Εξατομικευμένη Εκπαίδευση Εργατικού Δυναμικού από Εργατικά Δεδομένα

Η επιτροπή εργατικού δυναμικού του κυβερνήτη Greg Abbott, Texas Workforce Solutions, χρησιμοποιεί δεδομένα για τα ποσοστά ανεργίας, τις προβλέψεις ανάπτυξης της βιομηχανίας και τα ατομικά κενά δεξιοτήτων για να προσφέρει εξατομικευμένη κατάρτιση εργασίας. Όταν τα στοιχεία έδειξαν ότι η περιοχή του Χιούστον είχε έλλειψη πιστοποιημένων βοηθών νοσηλευτικής (CNAs) αλλά πλεόνασμα των εργαζομένων λιανικής πώλησης, το κράτος χρηματοδότησε ένα δωρεάν πρόγραμμα κατάρτισης για τους εκτοπισμένους εργαζόμενους λιανικής πώλησης. Το πρόγραμμα έθεσε πάνω από 1.200 άτομα σε θέσεις εργασίας CNA μέσα σε έξι μήνες, με ποσοστό κατακράτησης 90% μετά από ένα χρόνο. Το γραφείο του κυβερνήτη αναγνωρίζει την προσέγγιση που βασίζεται στα δεδομένα για την οικονομική αποδοτικότητα του προγράμματος, σημειώνοντας ότι κοστίζει $3,000 ανά θέση εργασίας σε σύγκριση με μέσο όρο $8,000 για παρόμοια κρατικά προγράμματα.

Υπερνίκηση προκλήσεων: Ιδιωτικότητα, Ακρίβεια και Χωρητικότητα

Παρά την υπόσχεσή της, η μείωση της φτώχειας που βασίζεται στα δεδομένα δεν είναι χωρίς εμπόδια. \" κυβέρνηση πρέπει να πλοηγηθεί σε ένα ναρκοπέδιο με ανησυχίες για την ιδιωτική ζωή, ζητήματα ποιότητας των δεδομένων και θεσμική αντίσταση.

Προστασία δεδομένων και ηθική χρήση

Για να αντιμετωπιστεί αυτό, αρκετά κράτη έχουν υιοθετήσει το πλαίσιο της συνεργασίας για τα δεδομένα του Connecticut, το οποίο χρησιμοποιεί απο-ταυτοποιημένα δεδομένα και απαιτεί ρητή συναίνεση για οποιαδήποτε δεδομένα που συνδέονται με άτομα. Οι κυβερνήτες πρέπει επίσης να διασφαλίσουν ότι τα προγνωστικά μοντέλα δεν ενισχύουν τις φυλετικές ή οικονομικές προκαταλήψεις ⁇ ένα κίνδυνο που έχει τεκμηριωθεί σε συστήματα παιδικής πρόνοιας και ποινικής δικαιοσύνης.

Εξασφάλιση ακρίβειας και επικαιρότητας δεδομένων

Πολλά κρατικά γραφεία βασίζονται σε ξεπερασμένες μεθόδους συλλογής δεδομένων, όπως έντυπες μορφές ή σιλωρισμένες βάσεις δεδομένων που δεν επικοινωνούν μεταξύ τους. Η πρωτοβουλία ενός κυβερνήτη που βασίζεται σε δεδομένα μπορεί να υπονομευθεί από κακά δεδομένα. Για την καταπολέμηση αυτού, τα κράτη επενδύουν σε μοντέρνες υποδομές δεδομένων[, συμπεριλαμβανομένων APIs, αποθήκευσης νεφών και αγωγών δεδομένων σε πραγματικό χρόνο. Για παράδειγμα, Tennesee κατασκεύασε μια κρατική λίμνη δεδομένων που επιτρέπει στους οργανισμούς να μοιράζονται δεδομένα σε σχεδόν πραγματικό χρόνο. Το κράτος ενημερώνει τώρα το ταμπλό φτώχειας του μηνιαίως παρά ετησίως, δίνοντας στον κυβερνήτη μια πιο ακριβή εικόνα της ανάγκης.

Τεχνικές δυνατότητες κατασκευής

Πολλές κυβερνήσεις κρατών δεν διαθέτουν την τεχνογνωσία των εσωτερικών δεδομένων για να εκτελέσουν εξελιγμένες αναλύσεις. Η προσέλκυση και διατήρηση του ταλέντου των δεδομένων αποτελεί πολυετή πρόκληση, ειδικά όταν οι μισθοί του ιδιωτικού τομέα είναι υψηλότεροι. Οι κυβερνήτες έχουν ανταποκριθεί δημιουργώντας τις υποτροφίες δεδομένων και συνεργαζόμενοι με πανεπιστήμια. Η Νέα Υόρκη, υπό τον κυβερνήτη Κάθι Χότσουλ, ξεκίνησε το πρόγραμμα New York Civic Analytics, το οποίο ενσωματώνει τους φοιτητές PhD από την SUNY σε κρατικές υπηρεσίες για να εργαστούν σε προγράμματα που σχετίζονται με τη φτώχεια. Το πρόγραμμα έχει δημιουργήσει πάνω από 50 συστάσεις πολιτικής βασισμένες σε στοιχεία σε δύο χρόνια.

Το Μέλλον της Μείωσης της Φτώχειας που Έχει Απολεσθεί από Δεδομένα

Το τοπίο της διακυβέρνησης που βασίζεται στα δεδομένα εξελίσσεται ραγδαία.

Τεχνητή νοημοσύνη και την εκμάθηση μηχανών

Η AI και η μηχανική μάθηση θα επιτρέψουν στα κράτη να μετακινηθούν από την περιγραφική ανάλυση (τι συνέβη) στην περιγραφική αναλυτική (τι πρέπει να κάνουμε). Για παράδειγμα, ένα μοντέλο μηχανικής μάθησης θα μπορούσε να αναλύσει χιλιάδες μεταβλητές για να συστήσει το βέλτιστο μίγμα προγραμμάτων για κάθε οικογένεια ⁇ εργασία, φροντίδα για την παιδική μέριμνα, βοήθεια τροφίμων, ή μετρητά ⁇ με βάση τα προβλεπόμενα αποτελέσματα. Οι πρώτοι πιλότοι στο [[LFT:0]Alabama[[LFT:1] έχουν δείξει ότι η διαχείριση AI-οδηγούμενη από τη διαχείριση υποθέσεων μπορεί να μειώσει το χρόνο που περνούν οι οικογένειες στη φτώχεια μέχρι και 18 μήνες.

Στοιχεία πραγματικού χρόνου και συνεχή ανατροφοδότηση

Αντί για ετήσιες αναφορές, μελλοντικά προγράμματα θα χρησιμοποιούν δεδομένα σε πραγματικό χρόνο για να προσαρμοστούν γρήγορα. Συσκευές Internet of Things (IoT), δεδομένα κινητής τηλεφωνίας και ηλεκτρονικά αρχεία συναλλαγών οφέλους (EBT) μπορούν να παρέχουν μέχρι στιγμής δείκτες οικονομικής δυσφορίας. Ένας κυβερνήτης μπορεί να δει μια αιχμή στη χρήση των γραμματοσήμων τροφίμων σε μια συγκεκριμένη κομητεία και να αναπτύξει άμεσα κινητά παντελονάκια τροφίμων ή να προσαρμόσει τα επίπεδα παροχών SNAP.

Διακρατική συνεργασία και κοινή χρήση δεδομένων

Η φτώχεια δεν σέβεται τις κρατικές γραμμές. Η μετανάστευση μεταξύ κρατών, οι περιφερειακές αγορές εργασίας και οι διαταραχές της εφοδιαστικής αλυσίδας επηρεάζουν όλα τη φτώχεια. Οι κυβερνήτες αρχίζουν να μοιράζονται δεδομένα πέρα από τα σύνορα μέσω συμπαγών όπως το Δίκτυο Πολιτικών Διοικητών της Ένωσης για την Καινοτομία[. Αυτό τους επιτρέπει να αξιολογούν τις προσπάθειες μείωσης της φτώχειας τους ενάντια στα ομότιμα κράτη και να υιοθετούν βέλτιστες πρακτικές που έχουν αποδειχθεί αλλού.

Συμπέρασμα

Η στρατηγική χρήση των δεδομένων από τους κυβερνητές του κράτους μετατρέπει τις προσπάθειες μείωσης της φτώχειας από την εικασία σε επιστήμη. Εντοπίζοντας τις αιτίες ρίζας, στοχεύοντας ευάλωτους πληθυσμούς και μετρώντας τα αποτελέσματα σε πραγματικό χρόνο, οι κυβερνήτες μπορούν να σχεδιάσουν παρεμβάσεις που είναι και πιο αποτελεσματικές και πιο αποτελεσματικές. Ενώ οι προκλήσεις γύρω από την ιδιωτικότητα, την ακρίβεια και την ικανότητα παραμένουν, η τροχιά είναι σαφής: το μέλλον της πολιτικής ενάντια στη φτώχεια είναι δεδομένα που καθοδηγούνται. Καθώς η τεχνολογική πρόοδος και η συνεργασία βαθαίνουν, αυτές οι προσεγγίσεις θα γίνουν ακόμα πιο εξελιγμένες, οδηγώντας σε πιο δίκαιες και μόνιμες λύσεις για τις κοινότητες σε όλο το έθνος. Οι κυβερνήτες που ενστερνίζονται αυτή τη μεταμόρφωση θα είναι εκείνοι που κάνουν το βαθύτερο βαθούλωμα στη φτώχεια ⁇ και που θέτουν το πρότυπο για υπεύθυνη, προσανατολισμένη στα αποτελέσματα διακυβέρνηση στον 21ο αιώνα.