Viime vuosina Yhdysvaltojen valtionhallitukset ovat yhä enemmän turvautuneet datalähtöisiin lähestymistapoihin köyhyyden torjumiseksi. Sen sijaan, että nämä johtajat tukeutuisivat laajoihin, yhteen kokoon sopiviin ohjelmiin, he käyttävät nyt rakeisia tietoja resurssien kohdentamiseen kirurgisesti. Valjastamalla tietoa tuloista, työllisyydestä, koulutuksesta, terveydestä ja asumisesta, pääjohtajat voivat tunnistaa heikoimmassa asemassa olevat väestöt ja puuttua asioihin, joilla on suurin vaikutus.Tämä muutos ei ole vain trendi.

Taloudelliset panokset ovat korkeat. Valtiot käyttävät yhdessä miljardeja dollareita köyhyyden torjuntaan joka vuosi. Tämän seurauksena molempien osapuolten pääjohtajat investoivat dataan analytiikkayksiköihin, yliopistojen kanssa yhteistyökumppaneina ja avaavat valtion tietoja yleisölle. Tässä artikkelissa tarkastellaan, miten valtion johtajat käyttävät tietoja köyhyyden torjumiseksi ja mitä se merkitsee tulevaisuuden sosiaalipolitiikalle.

Tietojen merkitys köyhyyden ymmärtämisessä

Datalla on ratkaiseva rooli köyhyyden vähentämistoimien siirtämisessä ennakoivasta toiminnasta. Sen sijaan, että kuvernöörit odottaisivat perheiden kaatuvan kriisiin, he voivat käyttää tietoja ennakoidakseen tarpeita ja toimittaakseen palveluja ajoissa. Esimerkiksi analysoimalla koululaisten läsnäolotietoja ja terveysväittämätietoja valtio voi tunnistaa lapset, jotka ovat vaarassa joutua köyhyyteen ennen kuin heidän perheensä kokevat taloudellisen romahduksen. Tällainen varhaisen toiminnan mahdollisuus on mahdollista vain, jos eri virastoista saatavat tiedot yhdistetään ja analysoidaan yhdessä.

Juurisyyn tunnistaminen

Köyhyys on harvoin seurausta yhdestä tekijästä. Se on tyypillisesti monimutkainen verkko toisiinsa liittyviä kysymyksiä. Alhaiset palkat, kohtuuhintaisten lastenhoitopalvelujen puute, huono terveys, syrjintä ja maantieteellinen eristyneisyys.Tiedot auttavat kuvernöörit erittelemään nämä tekijät ja ymmärtämään, mitkä niistä ovat kiireellisimpiä niiden tilassa. Esimerkiksi maaseudulla oleva kuvernööri saattaa huomata, että liikenteen puute on tärkein este työllisyydelle, kun taas kaupunkivaltion kuvernööri saattaa joutua kohtaamaan asuntojen kohtuuhintaisen kriisin. Ilman tietoja nämä vivahteet jäisivät näkymättömiksi ja politiikka jäisivät pois merkin.

Haavoittuvassa asemassa olevien väestöryhmien kohdentaminen

Tiedot paljastavat myös, mitkä ryhmät kärsivät suhteettomasti köyhyydestä. Väestörakenteen jaottelu ikä-, rotu-, sukupuoli- ja vammaisaseman mukaan mahdollistaa kuvernöörien suunnitella kohdennettuja toimia. Esimerkiksi alle 5[-lapset ovat ikäryhmä, joka todennäköisesti elää köyhyydessä monissa valtioissa. Kun lapsiköyhyystietoja verrataan varhaiskasvatukseen, kuvernööri voi myöntää rahoitusta lähiöissä toteutettaviin K-ohjelmiin, joissa heitä eniten tarvitaan. Vastaavasti tiedot, jotka osoittavat korkeampia köyhyyslukuja yksinhuoltajaäitien keskuudessa, voivat johtaa aloitteisiin, jotka laajentavat lastenhoitotukea ja maksullisia perhevapaita.

Kartoitus Geographic Hotspots

Geografisista tietojärjestelmistä (GIS) on tullut olennaisia välineitä kuvernöörien kannalta. Kun köyhyysluvut on laskettu kartalle koulujen, sairaaloiden, ruokakauppojen ja julkisen kauttakulun tietojen ohella, poliittiset päättäjät voivat nähdä tarkalleen, mihin köyhyys on keskittynyt ja mitä resursseja puuttuu. Jotkut valtiot, kuten Kalifornia[, ovat luoneet julkisia kojelaudoita, jotka osoittavat köyhyystiedot väestölaskentaan asti. Nämä välineet antavat paikallisille virkamiehille ja yhteisöjärjestöille mahdollisuuden tehdä yhteistyötä valtion hallituksen kanssa kohdennetuista ratkaisuista.

Tärkeimmät tietolähteet ja metriikka

Valtion pääjohtajat luottavat monenlaisiin tietolähteisiin, joiden avulla he voivat tiedottaa köyhyyden vähentämisstrategioistaan.

  • Tulo- ja työllisyystilastot[ . ... ....................................................................................................................................................................................................................................
  • Koulutustulostiedot[] . Valtion opetusministeriöt keräävät tietoja koepisteistä, valmistumisasteista ja koulun kurista. Yhdistämällä nämä tiedot tulotietoihin kuvernöörit voivat tunnistaa saavutusaukkoja ja investoida kouluihin, jotka palvelevat matalatuloisia opiskelijoita.
  • Terveyden ja terveydenhuollon saatavuustiedot[ . ... .................................................................................................................................................................................................................................
  • Huoltava Kohtuuhintaisuus ja asunnottomuus [ .
  • demografiset tiedot[ . Ikä, rotu, etninen tausta ja vammaisuus ovat olennaisia oikeudenmukaisuuden varmistamiseksi. Monet pääjohtajat ovat perustaneet [ oman pääoman kojelautakunnat[[, jotka seuraavat, ovatko köyhyyden vähentämistoimet saavuttaneet kaikki väestöt yhtä.

Valtiot käyttävät yhä enemmän myös [] integroituja tietojärjestelmiä [], jotka yhdistävät tietueita eri virastoissa. Esimerkiksi Oregon-s Integroitu asiakastietojärjestelmä[[] yhdistää ihmisten palveluista, koulutuksesta ja työvoimatoimistoista saatavat tiedot kokonaisvaltaisen kuvan muodostamiseksi kunkin perheen tarpeista. Näiden järjestelmien avulla pääjohtajat voivat arvioida useiden ohjelmien yhteisvaikutusta ja vähentää hallinnollista taakkaa perheille.

Miten pääjohtajat Käännä tiedot osaksi toimintaa

Tiedon kerääminen on vasta ensimmäinen askel. Todellinen haaste on muuntaa oivalluksia politiikan, jotka todella muuttavat elämää. Valtion pääjohtajat kokeilevat useita mekanismeja kuroa kuilua data-analyysin ja ohjelman täytäntöönpanoa.

Data-analytiikkayksiköiden perustaminen

Monet pääjohtajat ovat luoneet erityisiä data-analytiikkatiimit toimistoihinsa tai niiden valvonnassa. Nämä yksiköt ovat datatutkijoiden, tilastotieteilijöiden ja poliittisten analyytikoiden palveluksessa, jotka työskentelevät suoraan virastojen johtajien kanssa suunnitellakseen näyttöön perustuvia ohjelmia.Washington[[[]]]:n osavaltio, kuvernööri Jay Insleen alaisuudessa, käynnisti ]:n :]-aloitteen, joka käyttää data-kojelautaa seuratakseen edistymistä köyhyyden vähentämisessä ja muissa keskeisissä tavoitteissa. Samoin Colorado[:5]:n :n Data Analytiikka-viraston ] koordinoi tietojen jakamista eri osastoilla.

Ennakoivien mallinnusten käyttö varhaisessa interventiossa

Ennustava analytiikka on yksi datavetoisen arsenaalin tehokkaimmista työkaluista. Syöttämällä historiallista tietoa koneoppimismalleihin valtiot voivat ennustaa, mitkä perheet ovat suurimmassa vaarassa joutua köyhyyteen tai kokea asunnottomuutta. Esimerkiksi Massachusetts[[]]] -malli pilotoi kasvatus-, lastensuojelu- ja TANF-järjestelmää (väliaikainen apu tarvitseville perheille) koskevaa tietoa voidakseen tunnistaa perheet, jotka voisivat hyötyä vapaaehtoisesta tapauksesta. Ohjelma vähensi lastenhoidon aloittamisen todennäköisyyttä 20% ja säästi valtion miljoonia kriisikuluissa.

Tietojen yhdistäminen budjettipäätöksiin

Jotkut pääjohtajat ovat upottamassa tietoja suoraan budjettiprosessiin. Sen sijaan, että he ehdottaisivat vain riviä kohti köyhyysohjelmia, he vaativat virastoja toimittamaan todisteita tehokkuudesta. Ohio[], kuvernöörin budjetti- ja hallintotoimisto käyttää ...Results-First... lähestymistapaa, jossa vaaditaan valtion virastoja osoittamaan, että niiden ohjelmia on arvioitu käyttäen tiukkoja menetelmiä, kuten satunnaistettuja valvottuja kokeita.

Julkiset taulut ja yhteisön vastuu

Avoimuus on keskeinen osa datavetoista hallintoa. Monet valtiot julkaisevat nyt verkossa kojelautakuvia, jotka mittaavat köyhyysmittareita reaaliajassa. Näiden kojelauta- ja ohjausryhmien avulla kansalaiset, toimittajat ja eturyhmät voivat pitää pääjohtajansa tilivelvollisina. Esimerkiksi []Nevada[[]]] loi [[]]Nevada Data-Driven Päätöksenteko[] -ohjelman, johon sisältyy julkinen köyhyyskojelauta. Kun mittari osoittaa työllisyyden vähentyneen pienituloisten asukkaiden keskuudessa, yhteisön sidosryhmät voivat pakottaa kuvernöörin mukauttamaan työvoiman koulutusohjelmia.

Tapaustutkimukset: Data-Driven Köyhyyden vähentäminen

Kalifornia: Lasten köyhyyden kohdistaminen integroiduilla tiedoilla

Kuvernööri Gavin Newsom on asettanut köyhyyden vähentämisen keskeiseksi tavoitteeksi erityisesti lapsille. Vuonna 2021 hänen hallintonsa käynnisti Kalifornian lasten köyhyyden vähentämistä koskevan lain[], jonka tavoitteena on vähentää lasten köyhyyttä 50 prosentilla vuoteen 2030 mennessä. Edistyksen seuraamiseksi valtio rakensi sosiaali- ja koulutusministeriön sekä terveyspalvelujen osaston yhdistävän integroidun tietojärjestelmän. Näiden tietojen avulla valtio havaitsi, että valtion laajentaminen ... ansaitun tuloveron hyvitys (CalEITC) ja CalFresh-etuuksien (SNAP) lisääminen vaikuttivat eniten lasten köyhyyteen. Vuonna 2022 Kalifornian ohjelma laajensi molempia ohjelmia, mikä johti 15 prosentin laskuun lasten köyhyydessä.

Michigan: GIS:n käyttö kohtuuhintaisten asuntorahastojen allocatoimiseksi

Kuvernööri Gretchen Whitmer ... hallinto käytti tietoja uudelleen liittovaltion pandemia helpotus varoja asunto. Michigan State asuntokehitys viranomainen (MSHDA) analysoi häätö arkistointitiedot, vuokra rasitteet, ja asunnottomuus laskee läänin tasolla. He havaitsivat, että neljä maakunnat osuus yli 60% valtion asuntojen epävakaus. Käyttämällä tätä tietoa kuvernööri osoitti $100 miljoonaa lisää näille maakunnille vuokra-apua ja kohtuuhintainen asuntojen kehittäminen. Lähestymistapa oli niin onnistunut, että MSHDA käyttää nyt samaa tietomallia kohdentaakseen kaikki asuntoinvestoinnit.

Texas: Työvoimakoulutus työtehtävistä

Kuvernööri Greg Abbott.Sinusta on olemassa pulaa sertifioiduista hoitoavustajista, mutta ylimäärä vähittäistyöntekijöistä, valtio rahoitti ilmaisen koulutusohjelman siirtymään joutuneille vähittäistyöntekijöille. Ohjelmassa oli yli 1200 henkilöä CNA:n palveluksessa kuuden kuukauden kuluessa, 90 prosentin säilytysaste vuoden kuluttua. Kuvernöörin toimisto hyvittää datalähtöisen lähestymistavan ohjelman kustannustehokkuuteen, mikä on 3000 dollaria työpaikasta verrattuna.

Haasteiden voittaminen: Yksityisyys, tarkkuus ja kapasiteetti

Lupauksestaan huolimatta datavetoinen köyhyyden vähentäminen ei ole esteetöntä, vaan sen on oltava miinakenttä, jossa on kyse yksityisyyden suojasta, tietojen laatua koskevista kysymyksistä ja institutionaalisesta vastustuksesta.

Tietosuoja ja eettinen käyttö

Useiden virastojen tietojen yhdistäminen herättää vakavia huolia yksityisyydestä ja mahdollisesta väärinkäytöstä.Köyhyysperheet ovat jo haavoittuvassa asemassa, ja hallituksen valvonnan kannattaja voi estää heitä hakemasta apua. Tämän vuoksi useat valtiot ovat ottaneet käyttöön []yksityisyyden suunnittelun [] puitteet. Esimerkiksi Connecticut[]] loi []]]-tietokollaboratiivinen[[[]]-]-puitteet, jotka käyttävät tunnistettavia tietoja ja edellyttävät nimenomaista suostumusta kaikkiin yksilöihin liittyviin tietoihin. Valtuustojen on myös varmistettava, että ennakoivat mallit eivät vahvista rotu- ja talousviettien ja -riippuvuusriskit.

Tietojen tarkkuuden ja ajantasaisuuden varmistaminen

Tieto on hyödyllistä vain, jos se on tarkkaa ja ajankohtaista. Monet valtion virastot luottavat vanhentuneisiin tiedonkeruumenetelmiin, kuten paperilomakkeisiin tai silottuihin tietokantoihin, jotka eivät ole yhteydessä toisiinsa. Huono data voi heikentää kuvernöörin datavetoista aloitetta. Tämän torjumiseksi valtiot investoivat [] moderniin datainfrastruktuuriin[]], mukaan lukien API- ja pilvivarastot sekä reaaliaikaiset tietoputket. Esimerkiksi Tennessee[[]] rakensivat osavaltionlaajuisen tietojärven, jonka avulla virastot voivat jakaa tietoja lähes reaaliajassa. Tila päivittää köyhyysrajastoaan kuukausittain eikä vuosittain, antaa kuvernöörille tarkemman kuvan tarpeesta.

Teknisen kapasiteetin rakentaminen

Monilla valtioilla ei ole omaa tietoteknistä asiantuntemusta voidakseen suorittaa kehittyneitä analyyseja. Tiedon käytettävyyden houkutteleminen ja säilyttäminen on monivuotinen haaste, varsinkin kun yksityisen sektorin palkat ovat korkeammat. Valtuustot ovat vastanneet luomalla [] tieto-apurahoja[[]] ja tekemällä yhteistyötä yliopistojen kanssa. []New York[]]], kuvernööri Kathy Hochul, käynnisti New York Civic Analytics[-ohjelman, joka upottaa SUNY:n PhD-opiskelijoita valtion virastoihin työskentelemään köyhyyteen liittyvien hankkeiden parissa. Ohjelma on tuottanut yli 50 näyttöön perustuvaa politiikkaa koskevaa suositusta kahden vuoden aikana.

Data-Drivenin köyhyyden vähentämisen tulevaisuus

Datalähtöisen hallinnon toimintaympäristö kehittyy nopeasti, ja monet suuntaukset vaikuttavat todennäköisesti siihen, miten maan pääjohtajat torjuvat köyhyyttä tulevan vuosikymmenen aikana.

Tekoäly ja koneoppiminen

Tekoälyn ja koneoppimisen avulla valtiot voivat siirtyä kuvailevasta analytiikasta (mitä tapahtui) ohjailevaan analytiikkaan (mitä meidän pitäisi tehdä). Esimerkiksi koneoppimismalli voisi analysoida tuhansia muuttujia suositellakseen optimaalista ohjelmien yhdistelmää jokaiselle perheelle.Työharjoittelu, lastenhoito, ruoka-apu tai käteisvarat perustuvat ennustettuihin tuloksiin.Alabaman varhaispilotit [] ovat osoittaneet, että tekoälyyn perustuva tapaushallinta voi vähentää perheiden köyhyyttä jopa 18 kuukaudella.

Reaaliaikadata ja jatkuva palaute Loops

Vuosiraporttien sijaan tulevat ohjelmat käyttävät reaaliaikaista tietoa nopeasti sopeutuakseen. Esineiden internet (IoT) -laitteet, matkapuhelimen tiedot ja sähköisen hyödynsiirron (EBT) tilitiedot voivat tarjota jopa minuutin mittaisia taloudellisen kärsimyksen indikaattoreita. Kuvernööri saattaa nähdä ruokamerkkien käytön piikin tietyssä läänissä ja ottaa välittömästi käyttöön liikkuvia ruokapantteja tai muuttaa SNAP-hyötytasoja.

Valtion rajat ylittävä yhteistyö ja tietojen jakaminen

Köyhyys ei kunnioita valtion rajoja. Valtioiden väliset muuttoliike, alueelliset työmarkkinat ja toimitusketjun häiriöt vaikuttavat köyhyyteen. Valtuustot alkavat jakaa tietoja rajojen yli esimerkiksi Valtioneuvostojen valtion innovaatioverkosto [. Näin ne voivat vertailla köyhyyden vähentämiseen tähtääviä toimiaan vertaisvaltioihin ja omaksua parhaita käytäntöjä, jotka on todistettu muualla.

Päätelmä

Kun valtion pääjohtajat käyttävät tietoja strategisesti, se muuttaa köyhyyden vähentämiseen tähtäävät toimet arvaustyöstä tieteeksi. Määrittämällä perimmäisiä syitä, kohdentamalla haavoittuvia väestöryhmiä ja mittaamalla tuloksia reaaliajassa, pääjohtajat voivat suunnitella toimenpiteitä, jotka ovat sekä tehokkaampia että tehokkaampia. Vaikka yksityisyyden, tarkkuuden ja kapasiteetin haasteet ovat edelleen olemassa, kehityspolku on selvä: köyhyyden vastaisen politiikan tulevaisuus on datalähtöinen. Teknologian kehittymisen ja yhteistyön syventyessä näistä lähestymistavoista tulee entistäkin kehittyneempiä, mikä johtaa oikeudenmukaisempiin ja kestävämpiin ratkaisuihin koko maassa sijaitseville yhteisöille.