En la lastaj jaroj, ŝtatguberniestroj trans Usono ĉiam pli kontaktis daten-movitajn alirojn al adresmalriĉeco. Prefere ol fidado je larĝaj, unu-grand-taŭgaj programoj, tiuj gvidantoj nun uzas grajnecajn datenojn al celresursoj kun kirurgia precizeco. Per kontrolado de informoj pri enspezo, dungado, eduko, sano, kaj loĝigo, guberniestroj povas identigi la plej vundeblajn populaciojn kaj interveni kie intervenoj havos la plej grandan efikon.

La financaj interesoj estas altaj. ŝtatoj kolektive foruzas miliardojn da dolaroj ĉiun jaron sur kontraŭ-malriĉecaj programoj intervalantaj de monhelpo kaj manĝaĵpoŝtmarkoj ĝis labortrejnado kaj pagebla loĝigo. Ankoraŭ sen fortikaj datenoj, multe de tiu mono povas esti misdirektita. Daten-movita administrado permesas al ŝtatoj mezuri rezultojn, adapti kurson en reala tempo, kaj certigi ke ĉiu impostpaga dolaro kutimas maksimumigi efikon.

La rolo de datenoj en Kompreno de malriĉeco

Datenoj ludas kritikan rolon en movado de malriĉecreduktoklopodoj de reaktiva ĝis iniciatema. Anstataŭe de atendado ke familioj enfalus en krizon, guberniestroj povas uzi datenojn por anticipi bezonon kaj liveri servojn frue.

Identigi Radiko-kialojn

Malriĉeco malofte estas la rezulto de ununura faktoro. Ĝi estas tipe kompleksa reto de interligitaj temoj - malaltaj salajroj, manko de pagebla infanzorgado, malbona sano, diskriminacio, kaj geografia izoliteco. Datenoj helpas al guberniestroj disagregi tiujn faktorojn kaj kompreni kiuj ili plej premas en sia ŝtato. Ekzemple, guberniestro en kampara ŝtato eble trovos ke manko de transportado estas la primara bariero al dungado, dum guberniestro en urba ŝtato eble renkontos loĝigan pageblecon.

Celado de Vulnerable Populations

Datenoj ankaŭ rivelas kiuj grupoj estas misproporcie trafitaj per malriĉeco. Demografiaj kolapsoj antaŭ aĝo, vetkuro, sekso, kaj handikapstatuso permesas al guberniestroj dizajni laŭcelajn intervenojn. Ekzemple, FLT: arkivaj infanoj sub 5 estas la aĝogrupo plej verŝajna vivi en malriĉeco en multaj ŝtatoj. Per kruc-infektaj infanmalriĉecdatenoj kun frua infantempa edukrekrutado, guberniestro povas asigni financadon por antaŭ-K programoj en najbarecoj kie ili estas necesaj plej multe de malriĉeco kaj pli altaj patriniĝiniciatoj.

Mapping Geografiaj Varmaj deponejoj

Geografiaj informsistemoj (GIS) fariĝis esencaj iloj por guberniestroj. Konspiri malriĉecoprocentojn sur mapo kune kun datenoj pri lernejoj, hospitaloj, nutraĵvendejoj, kaj publika transito, decidantoj povas vidi precize kie malriĉeco estas koncentrita kaj kio resursoj maltrafas. Kelkaj ŝtatoj, kiel FLT: kuskurejbutikoj, kaj publika transito, politikofaristoj povas vidi precize kie malriĉeco estas koncentrita kaj kio resursoj estas mankantaj al la censa padnivelo Tiuj iloj kaj ŝtatorganizoj por helpi al komunumajn solvojn kaj ŝtatinstancojn.

Ŝlosilo Datad Sources kaj Metrics

Ŝtatguberniestroj dependas de larĝa aro de datenfontoj por informi siajn malriĉeco-reduktajn strategiojn. Kelkaj el tiuj estas tradiciaj registarenketoj, dum aliaj venas de administraj rekordoj aŭ privatsektoraj partnerecoj.

  • FLT: blog Income kaj Employment Statistics - la amerika Community Survey de la Usona Censoburoo (ACS) disponigas ĉiujarajn datenojn pri enspezo, malriĉecstatuso, kaj dungado. Guberniestroj uzas tiujn figurojn por determini kvalifikon por programoj kiel Medicaid kaj SNAP kaj analizi ĉu la ŝtatekonomio kreskas inkluziva.
  • FLT: "Komducation Performance Data" - Eksteraj sekcioj de eduko kolektas datenojn pri testdudekopo, diplomiĝtarifoj, kaj lernejdisciplino. Interligado de tiuj datenoj al enspezodatenoj, guberniestroj povas identigi atingointerspacojn kaj investi en lernejoj kiuj servas malriĉajn studentojn. Programoj kiel FLT:2 Promise Scholarships en Miĉigano estas laŭcelaj surbaze de tia analizo.
  • FLT: Health kaj Healthcare Access Information - Asertoj datenoj, hospitalsenŝargiĝo registras, kaj enketoj kiel la Kondutisma Riska Faktoro-Gvatsistemo (BRFSS) helpas al guberniestroj kompreni la sanefikojn de malriĉeco.
  • FLT: KOMENTOJ Affordability kaj Homelessness Data - La Sekcio de Loĝigo kaj Urba Evoluo (HUD) disponigas datenojn pri lupagoŝarĝoj, eldomigoj, kaj senhejmeckalkuloj. Guberniestroj povas krucreferencon tio kun enspezdatenoj por asigni loĝigi kuponojn kaj financi akutŝirmojn en la plej stresigitaj komunumoj.
  • FLT: "Komografaj informoj" - aĝo, vetkuro, etneco, kaj handikapdatenoj estas esencaj por certigado de egaleco. Multaj guberniestroj establis FLT:2 eptaj dashboards [FLT: 3] kiuj spuras ĉu malriĉecreduktoklopodoj atingas ĉiujn populaciojn egale.

Ĉiam pli, ŝtatoj ankaŭ uzas FLT: registritdatensistemoj (IDS) kiuj interligas datenojn trans agentejoj. Ekzemple, Oregon's FLT:2 Integrated Customer Data System ligas datenojn de homaj servoj, eduko, kaj laborantarinstancoj por disponigi holisman vidon de la bezonoj de ĉiu familio.

Kiel Guberniestroj Traduki Datenojn en Agon

La reala defio kuŝas en tradukado de komprenoj en politikoj kiuj fakte ŝanĝas vivojn.

Disvastigi datumajn eblojn

Multaj guberniestroj kreis diligentajn datenanalizistojn ene de siaj oficoj aŭ sub sia kontrolo. Tiuj unuoj estas homekipitaj fare de datensciencistoj, statistikistoj, kaj politikanalizistoj kiuj laboras rekte kun agentejgvidantoj por dizajni sciencbazitajn programojn. La stato de FLT: =MemoWashington , sub guberniestro Jay Inslee, lanĉis la FLT:2 LT:2 LT:3 LT, kiu uzas datenŝtabulojn al malriĉeco kaj regularoj.

Uzante Predictive Modeling por Frua Interveno

Predictive-analizistoj estas unu el la plej potencaj iloj en la daten-movita arsenalo. Per manĝi historiajn datenojn en maŝinlernadomodelojn, ŝtatoj povas antaŭdiri kiuj familioj estas ĉe plej alta risko de falado en malriĉecon aŭ travivado de senhejmeco. Ekzemple, la stato de FLT: juvelMassachusetts pilotis modelon kiu uzas datenojn de vartado, infanprotektado, kaj TANF (Temporary Assistance por Needy Families) por identigi la kostojn de la malsano.

Ligiloj al Buĝeto-decidoj

Kelkaj guberniestroj estas enmetitaj datenoj rekte en la buĝetprocezon. [ citaĵo bezonis ] Prefere ol simple proponado de liniobjektoj por malriĉecprogramoj, ili postulas agentejojn alsendi signojn de efikeco. En FLT: SanskritOhio [ , la Oficejo de Buĝeto de la guberniestro kaj administrado uzas "Results-First" aliron, postulante ŝtatagentejojn montri ke iliaj programoj estis analizitaj uzante rigorajn metodojn kiel randomigitaj kontrolitaj provoj.

Publikaj Dashboards kaj Komunumo-Respondigebleco

Travidebleco estas esenca parto de daten-movita administrado. Multaj ŝtatoj nun publikigas retajn dashboards kiuj spuras malriĉecometrikojn en reala tempo. Tiuj dashboards permesas al civitanoj, ĵurnalistoj, kaj aktivulgrupoj teni siajn guberniestrojn respondecaj. Ekzemple, FLT: =Memo Nevada kreis la FLT:2'Nevada Data-Driven Decision-Making programo, kiu inkludas publikan malriĉecon kiam ili povas esti en la industrio.

Kazesploroj: Daten-Driven-Redukto en Ago

Kalifornio: Celado-Infeko kun Integraj Datenoj

Guberniestro Gavin Newsom faris malriĉecon redukton centra prioritato, precipe por infanoj. En 2021, lia administracio lanĉis la FLT: kupolCalifornia Child Poverty Reduction Act (FLT:1), kiu metis celon de tranĉado de infanmalriĉeco je 50% antaŭ 2030. Por spuri progreson, la ŝtato konstruis integran datensistemon kiu ligas la Sekcion de Sociaj Servoj, la Sekcio de Eduko, kaj la Sekcio de Sano-Prizorgo-Servoj.

Miĉigano: Utiligante GIS al Allocate Affordable Housing Funds

La administracio de guberniestro Gretchen Whitmer uzis datenojn por harmoniigi federaciajn pandemiokrizhelpfinancon por enhavado. La Miĉigana Ŝtata Loĝigo-Evoluinstanco (MSHDA) analizis eldomigon arkivantan datenojn, lupagtarifojn, kaj senhejmeckalkulojn sur la distriktnivelo.

Teksaso: personigita Workforce Training de Labordatenoj

La laborantarokomisiono de guberniestro Greg Abbott, Texas Workforce Solutions, uzas datenojn pri lokaj senlaborecoprocentoj, industriokreskoprojekcioj, kaj individuaj lertecoj por oferti personigitan labortrejnadon. Kiam datenoj montris ke la Houston-areo havis mankon de atestitaj mamnutrantaj asistantoj (CNAs) sed pluso de podetalaj laboristoj, la ŝtato financis liberan trejnadprogramon por forlokitaj podetalaj laboristoj.

Trovanta Defioj: Privateco, Precizeco, kaj Kapacity

Malgraŭ ĝia promeso, daten-movita malriĉecredukto ne estas sen malhelpoj. Guberniestroj devas navigi minkampon de privateckonzernoj, datenkvalito-temoj, kaj institucia rezisto.

Datenreĝeco kaj Ethical Use

Integri datenojn de multoblaj agentejoj levas gravajn konzernojn pri privateco kaj ebla misuzo. familioj en malriĉeco jam estas vundeblaj, kaj la spezisto de registara gvatado povas malinstigi ilin de serĉado de helpo. [FLT: pluraj ŝtatoj adoptis FLT: kupol-post-struktura kadroj. Ekzemple, [ citaĵo bezonis ] socialaj datenoj kaj///////////////FLT:3 socialaj datenoj estas eksplicite ligitaj al la kondiĉoj de la krimo.

Certigi Datenakuracy kaj Templiniojn

Datenoj estas nur utilaj se ĝi estas preciza kaj nuna. Multaj ŝtatagentejoj dependas de malmodernaj datenkolektadmetodoj, kiel ekzemple paperformularoj aŭ tonitaj datumbazoj kiuj ne komunikas unu kun la alia. la daten-movita iniciato de guberniestro povas esti subfositaj per malbonaj datenoj. [ citaĵo bezonis ] kontraŭbatali tion, ŝtatoj investas en FLT: krimmoderna dateninfrastrukturo , inkluzive de APIoj, nubstokado, kaj realtempaj datenduktoj.

Teknika Kapacity

Multaj subŝtataj registaroj mankas la endoma datenscienckompetenteco por prizorgi sofistikajn analizojn. Attrising kaj retenanta datentalenton estas plurjara defio, aparte kiam privatsektoraj salajroj estas pli altaj. Guberniestroj respondis kreante FLT: kusdatenoj kunecoj kaj partnerado kun universitatoj. New York , sub guberniestro Kathy Houl, lanĉis la LT:4] New Analytics-programojn en kiuj laboras kun du malriĉeco-programoj.

La Estonteco de Daten-Driven-Redukto

Pluraj tendencoj estas supozeble formitaj kiel guberniestroj kontraŭbatalas malriĉecon en la baldaŭa jardeko.

Artefarita inteligenteco kaj Machine Learning

AI kaj maŝinlernado permesos al ŝtatoj moviĝi de priskribaj analizistoj (kio okazis) al preskriptivaj analizistoj (kio devus ni fari). Ekzemple, maŝinlernado modelo povis analizi milojn da variabloj por rekomendi la optimuman miksaĵon de programoj por ĉiu familio - job trejnado, infanzorgado, manĝaĵo asistado, aŭ kontantmono - surbaze de antaŭdiritaj rezultoj.

Reala tempo Data kaj Continuous Feedback Loops

Anstataŭe de ĉiujaraj raportoj, estontaj programoj uzos realtempajn datenojn por adapti rapide. Interreto de Aĵoj (IoT) aparatoj, poŝtelefonodatenoj, kaj elektronika profittransigo (EBT) transakciodiskoj povas disponigi ĝis-la-minutajn indikilojn de ekonomia aflikto. guberniestro eble vidos pikilon en manĝaĵstampuzokutimo en specifa distrikto kaj tuj deploji movajn manĝpantojn aŭ adapti SNAP-utilnivelojn.

Cross-State Cooperation kaj Data Sharing

Malriĉeco ne respektas ŝtatlimojn. Federacia vojomigrado, regionaj labormerkatoj, kaj provizoĉeninterrompoj ĉiuj influas malriĉecon. Guberniestroj komencas dividi datenojn trans limoj tra kompaktujoj kiel la FLT: la State Innovation Network de dosier National Governors Association . Tio permesas al ili komparnormo iliajn malriĉecreduktoklopodojn kontraŭ kamaradŝtatoj kaj adopti plej bonajn praktikojn kiuj estis pruvitaj aliloke.

Konkluziva

La strategia uzo de datenoj de ŝtatguberniestroj transformas malriĉecreduktoklopodojn de konjektado en sciencon. identigado de radikkialoj, celante vundeblajn populaciojn, kaj mezurante rezultojn en reala tempo, guberniestroj povas dizajni intervenojn kiuj estas kaj pli efikaj kaj pli efikaj. Dum defioj ĉirkaŭ privateco, precizeco, kaj kapacito restas, la trajektorio estas klara: la estonteco de kontraŭ-malriĉeca politiko estas datenoj movitaj.