چگونه فرمانداران دولت از رویکردهای مبتنی بر داده برای مبارزه با فقر استفاده می کنند

در سال های اخیر، حاکمان دولتی در سراسر ایالات متحده به طور فزاینده ای به رویکردهای مبتنی بر داده ها برای مقابله با فقر تبدیل شده اند، به جای تکیه بر برنامه های گسترده، یک اندازه مناسب، این رهبران در حال حاضر از داده های دانه ای برای هدف قرار دادن منابع با دقت جراحی استفاده می کنند، با استفاده از اطلاعات بیشتر در مورد درآمد، اشتغال، آموزش، بهداشت و مسکن، فرمانداران می توانند آسیب پذیرترین جمعیت ها را شناسایی کنند و مداخله کنند که بزرگترین روند تغییر در آن است.

سهام مالی بالا است.دولت ها به طور جمعی میلیاردها دلار در هر سال صرف برنامه های ضد فقر می کنند که از کمک های نقدی و تمبرهای غذایی تا آموزش شغلی و مسکن مقرون به صرفه است، با این حال بدون داده های قوی، بسیاری از این پول می تواند به طور نادرستی هدایت شود و مدیریت داده ها به دولت اجازه می دهد تا نتایج را اندازه گیری کند، البته در زمان واقعی تنظیم و اطمینان حاصل شود که هر دلار مالیات دهندگان برای مقابله با استفاده از سرمایه گذاری در بخش های دولتی، به عنوان یک بخش های دولتی، به عنوان بخش های تجزیه و تحلیل داده های دولتی، سرمایه گذاری، سرمایه گذاری شده است.

نقش داده ها در درک فقر

داده ها نقش مهمی در کاهش فقر در حرکت از واکنش به فعال بودن ایفا می کنند، به جای اینکه منتظر خانواده ها برای بحران باشند، حاکمان می توانند از داده ها برای پیش بینی نیاز و ارائه خدمات در اوایل استفاده کنند.برای مثال، با تجزیه و تحلیل سوابق حضور مدرسه و داده های ادعای سلامت، یک دولت می تواند کودکان را در معرض خطر ابتلا به فقر قبل از اینکه خانواده هایشان تجربه مالی را تجربه کنند، شناسایی کند.

شناسایی ریشه های ریشه

فقر به ندرت نتیجه یک عامل واحد است.به طور معمول یک وب پیچیده از مسائل مرتبط است - دستمزدهای کم، کمبود مراقبت از کودکان مقرون به صرفه، سلامت ضعیف، تبعیض و انزوای جغرافیایی کمک می کند تا حاکمان این عوامل را از بین ببرند و درک کنند که کدام یک از آنها در حالت خود فشار می آورند، به عنوان مثال، یک فرماندار در یک دولت روستایی ممکن است متوجه شود که کمبود حمل و نقل مانع اصلی اشتغال است، در حالی که بدون کاهش داده های مسکن، و یا از دست دادن آن، ممکن است یک بحران محل سکونت شهری باشد.

هدف قرار دادن جمعیت های آسیب پذیر

داده ها همچنین نشان می دهد که کدام گروه ها به طور نامتناسبی تحت تاثیر فقر قرار می گیرند.تضعیف های دیوگرافیک در سن، نژاد، جنسیت و وضعیت معلولیت به حاکمان اجازه می دهد تا مداخلات هدفمند را طراحی کنند.به عنوان مثال، کودکان زیر 5 سال گروه سنی هستند که احتمالاً در بسیاری از ایالت ها زندگی می کنند.

دانلود بازی Mapping Geographic Hotspots

سیستم های اطلاعات جغرافیایی (GIS) ابزار ضروری برای فرمانداران شده اند.با طرح نرخ فقر در نقشه در کنار داده ها در مدارس، بیمارستان ها، فروشگاه های مواد غذایی و حمل و نقل عمومی، سیاستگذاران می توانند دقیقاً ببینند که فقر متمرکز است و چه منابعی در حال از دست رفتن هستند، مانند California ، داشبورد عمومی ایجاد کرده اند که راه حل های سطح دولتی و سازمان های دولتی را به طور منظم می کند.

منابع داده کلیدی و متریک

فرمانداران دولتی به مجموعه گسترده ای از منابع داده متکی هستند تا استراتژی های کاهش فقر خود را اعلام کنند، برخی از این ها نظرسنجی های سنتی دولت هستند، در حالی که دیگران از سوابق اداری یا مشارکت بخش خصوصی می آیند.

• ] Income و آمار اشتغال - نظرسنجی جامعه آمریکا اداره آمار ایالات متحده (ACS) داده های سالانه در مورد درآمد، وضعیت فقر و فرمانداران استخدام فراهم می کند تا واجد شرایط بودن برای برنامه هایی مانند Medicaid و SNAP و ارزیابی اینکه آیا اقتصاد دولتی به طور فراگیر در حال رشد است.
• آموزش داده های عملکرد - ادارات دولتی آموزش و پرورش جمع آوری داده ها در نمرات آزمون، نرخ فارغ التحصیلی، و نظم و انضباط مدرسه. در داده های درآمد، فرمانداران می توانند شکاف های دستاورد را شناسایی کنند و در مدارس که خدمت دانش آموزان کم درآمد مانند Promise بورس تحصیلی] در میشیگان تجزیه و تحلیل هدفمند است.
• ] اطلاعات دسترسی سلامت و بهداشت و درمان [FLT 1 ] - ادعا داده ها، سوابق بیمارستان و نظرسنجی هایی مانند سیستم عامل نظارت بر ریسک رفتاری (BRFSS) کمک به فرمانداران درک اثرات بهداشتی فقر.
• استفاده از قابلیت های بیمه و داده های بی خانمان - وزارت مسکن و توسعه شهری (HUD) داده ها را در مورد بار اجاره، تخلیه و بی خانمان ها فراهم می کند.
• اطلاعات مربوط به روزنامه نگاری - سن، نژاد، قومیت و اطلاعات معلولیت برای اطمینان از عدالت ضروری است. بسیاری از فرمانداران داشبوردهای کفایت تاسیس شده که پیگیری می کند که آیا تلاش های کاهش فقر به طور مساوی به تمام جمعیت می رسد.

به طور فزاینده ای، دولت ها از سیستم های داده های (IDS) استفاده می کنند که سوابق را در سراسر سازمان ها به اشتراک می گذارند.به عنوان مثال، اورگان (FLT:2) که سیستم داده های مشتری را به اشتراک می گذارد داده ها را از خدمات انسانی، آموزش و سازمان های نیروی کار متصل می کند تا یک دیدگاه جامع از نیازهای خانوادگی را برای ارزیابی سیستم های متعدد و تاثیر گذار فراهم کند.

چگونه فرمانداران داده ها را به عمل ترجمه می کنند

جمع آوری داده ها تنها گام اول است.چالش واقعی در ترجمه بینش ها به سیاست هایی است که در واقع زندگی را تغییر می دهد. حاکمان ایالتی با چندین مکانیسم آزمایش می کنند تا شکاف بین تجزیه و تحلیل داده ها و اجرای برنامه را به هم بزنند.

ایجاد واحد های Data Analytics

بسیاری از فرمانداران تیم های تجزیه و تحلیل داده های اختصاصی را در دفاتر خود یا تحت کنترل خود ایجاد کرده اند.[۵] این واحدها توسط دانشمندان داده، آمارها و تحلیلگران سیاست که به طور مستقیم با رهبران آژانس کار می کنند تا برنامه های مبتنی بر شواهد را طراحی کنند، اداره تجزیه و تحلیل داده ها: ۰.۳.۳.۳ [FLT=2]، تحت فرماندار جی Inslee، راه اندازی شد [۳]

استفاده از مدل سازی پیش بینی برای مداخله زودهنگام

تجزیه و تحلیل پیش بینی یکی از قوی ترین ابزار در زرادخانه داده محور است. [۱] با تغذیه داده های تاریخی به مدل های یادگیری ماشین، دولت ها می توانند پیش بینی کنند که کدام خانواده ها در بالاترین خطر سقوط به فقر یا تجربه بی خانمانی هستند، به عنوان مثال، وضعیت اسپکتوسنتز [FLT: ۱] یک مدل را که از داده های پرورش می دهد، مراقبت های کودکان و مراقبت های موقت (به خانواده های کمک می کند تا هزینه های دولتی را کاهش دهد.

ارتباط داده ها با تصمیمات بودجه

برخی از فرماندارها به طور مستقیم داده ها را به فرآیند بودجه تخصیص می دهند، به جای اینکه صرفاً پیشنهاد های خط برای برنامه های فقر را پیشنهاد دهند، به آژانس ها نیاز دارند تا شواهد اثربخشی را ارائه دهند.در Ohio ، دفتر بودجه و مدیریت فرماندار از یک رویکرد "Reultsults-First" استفاده می کند، آژانس های دولتی نیاز دارند تا نشان دهند که برنامه های دقیق و تحت کنترل قرار گرفته اند، در حالی که نمی توانند از برنامه های تحت تاثیر قرار گیرند.

داشبورد عمومی و پاسخگویی جامعه

شفافیت بخش مهمی از حکومت مبتنی بر داده است، بسیاری از ایالت ها در حال حاضر داشبورد های آنلاین را منتشر می کنند که معیارهای فقر را در زمان واقعی پیگیری می کنند.این داشبوردها به شهروندان، روزنامه نگاران و گروه های حامی اجازه می دهند تا حاکمان خود را پاسخگو نگه دارند، به عنوان مثال، Nevada برنامه های کاهش نرخ اشتغال عمومی را نشان می دهد.

مطالعات موردی: کاهش فقر در عملیات

کالیفرنیا: هدف قرار دادن فقر کودکان با داده های یکپارچه

Gavin Newsom، فرماندار Gavin Newsom فقر را به ویژه برای کودکان در سال 2021، دولت او راه اندازی شده است کالیفرنیا برای کاهش فقر کودکان، که هدف از کاهش فقر کودکان را به طور مستقیم در 50٪ تا 2030 تنظیم کرد، دولت یک سیستم داده یکپارچه ایجاد کرد که وزارت خدمات اجتماعی، بخش آموزش و پرورش و پرورش کالیفرنیا را شناسایی کرد (به طور مستقیم به کاهش داده های دولتی منجر شد).

میشیگان: استفاده از GIS برای تخصیص صندوق مسکن مقرون به صرفه

اداره توسعه مسکن ایالت میشیگان (MSHDA) داده ها را به تخصیص وجوه امدادی فدرال برای مسکن استفاده کرد.اداره توسعه مسکن ایالتی میشیگان (MSHDA) داده های پرونده را تجزیه و تحلیل کرد، نرخ بار اجاره و بی خانمانی در سطح مسکن را به طوری که آنها دریافتند که چهار ایالت بیش از 60٪ از بی ثباتی مسکن دولتی را با استفاده از داده ها به حساب می آورند، فرماندار اضافی 100 میلیون سرمایه گذاری برای کمک مسکن مقرون به صرفه است.

تگزاس: آموزش نیروی کار شخصی از داده های کارگری

کمیسیون نیروی کار Greg Abbott، تگزاس راه حل های نیروی کار، از داده ها در مورد نرخ بیکاری محلی، پیش بینی رشد صنعت و شکاف های مهارت فردی برای ارائه آموزش شغلی شخصی استفاده می کند، زمانی که داده ها نشان داد که منطقه هوستون دارای کمبود دستیاران پرستاری گواهی (CNAs) است، اما مازاد کارگران خرده فروشی، دولت یک برنامه آموزش رایگان برای کارگران خرده فروشی را تامین می کند.

چالش های آینده: حریم خصوصی، دقت و ظرفیت

علی رغم وعده های آن، کاهش فقر مبتنی بر داده بدون موانع نیست. فرمانداران باید یک معدن از نگرانی های حریم خصوصی، مسائل کیفیت داده ها و مقاومت نهادی را هدایت کنند.

حفظ حریم خصوصی داده ها و استفاده اخلاقی

ادغام داده ها از چندین سازمان نگرانی های جدی در مورد حریم خصوصی و سوء استفاده بالقوه را مطرح می کند.[۵] خانواده های فقر در حال حاضر آسیب پذیر هستند و شبح نظارت دولت می تواند مانع از کمک آنها شود تا به این هدف رسیدگی کنند، چندین دولت موافقت کرده اند (FLT:0 حریم خصوصی-به طراحی [FLT 1] چارچوب های پیش بینی شده برای کمک و [F3] باید از هر گونه مسئولیت های اقتصادی استفاده کنند:

اطمینان از صحت داده ها و زمان

داده ها تنها مفید هستند اگر دقیق و فعلی باشد، بسیاری از سازمان های دولتی به روش های جمع آوری داده های منسوخ شده مانند فرم های کاغذی یا پایگاه های داده سیلو که با یکدیگر ارتباط برقرار نمی کنند، اعتماد به نفس یک پایگاه داده سالانه می تواند به جای اینکه به سازمان های بد مبارزه کند، داده های آن را در حال سرمایه گذاری در زیرساخت داده های [F:0] زیرساخت داده های مدرن [F:1، از جمله API، ذخیره سازی ابری، و زمان واقعی برای به اشتراک گذاری داده های آن است.

ظرفیت های فنی

بسیاری از دولت های دولتی فاقد تخصص علمی در خانه برای اجرای تجزیه و تحلیل های پیچیده هستند.[۱] ردیابی و حفظ استعداد داده ها یک چالش چند ساله است، به ویژه هنگامی که حقوق بخش خصوصی بالاتر است. [۳] فرماندار با ایجاد کمک های داده ای [FLT ۱] و همکاری با دانشگاه های مرتبط [F:2 نیویورک ، که تحت نظارت بر پروژه های سیاست دولتی [UNF4] برنامه بهداشت و تجزیه و تحلیل:

آینده کاهش فقر داده-محور

چشم انداز حکومتداری مبتنی بر داده ها به سرعت در حال تکامل است، احتمالاً گرایش های متعددی شکل می دهند که چگونه حاکمان در دهه آینده با فقر مبارزه می کنند.

هوش مصنوعی و یادگیری ماشین

هوش مصنوعی و یادگیری ماشینی به دولت ها اجازه می دهد تا از تجزیه و تحلیل توصیفی (چه اتفاقی افتاد) به تجزیه و تحلیل پیش نویس تجزیه و تحلیل (چه کاری باید انجام دهیم) حرکت کنند، به عنوان مثال، یک مدل یادگیری ماشین می تواند هزاران متغیر را تجزیه و تحلیل کند تا ترکیب بهینه برنامه ها را برای هر خانواده توصیه کند - آموزش شغلی، مراقبت از کودکان، کمک های غذایی یا پول نقد - بر اساس نتایج پیش بینی شده در A [مدیریت فقر]

اطلاعات زمان واقعی و حلقه های بازخورد مستمر

به جای گزارش های سالانه، برنامه های آینده از داده های زمان واقعی برای تنظیم سریع اینترنت اشیا (IoT)، داده های تلفن همراه و انتقال مزایای الکترونیکی (EBT) استفاده می کنند و می توانند شاخص های تا به دقیقه ای از ناراحتی اقتصادی را ارائه دهند. A ممکن است یک جهش در استفاده از مواد غذایی در یک شهرستان خاص را ببیند و بلافاصله مواد غذایی یا سطوح سود SNAP را به کار گیرد.

همکاری های متقابل دولتی و اشتراک گذاری داده ها

فقر به خطوط دولتی احترام نمی گذارد.مهاجرت بین دولتی، بازارهای کارگری منطقه ای و اختلال های زنجیره تامین همه بر فقر تأثیر می گذارد. حاکمان شروع به اشتراک گذاری داده ها در سراسر مرزها از طریق جمع و جورهایی مانند شبکه نوآوری دولتی انجمن ملی می کنند و این به آنها اجازه می دهد تا تلاش های کاهش فقر خود را در برابر دولت های همکار و اتخاذ بهترین شیوه هایی که در جای دیگر ثابت شده است.

نتیجه گیری

استفاده استراتژیک از داده ها توسط حاکمان دولتی، تلاش های کاهش فقر را از حدس زدن به یک علم تبدیل می کند، با شناسایی علل ریشه، هدف قرار دادن جمعیت های آسیب پذیر و اندازه گیری نتایج در زمان واقعی، حاکمان می توانند مداخلاتی را طراحی کنند که هم موثر تر و هم کارآمد تر هستند، در حالی که چالش های اطراف حریم خصوصی، دقت و ظرفیت باقی مانده، مسیر روشن است: آینده سیاست ضد تحرک است که پیشرفت های پایدار است، حتی راه حل های پایدار تر و حتی عمیق تر شدن جوامع را در بر می کند.