Au cours des dernières années, les gouverneurs des États-Unis se sont de plus en plus tournés vers des approches fondées sur les données pour lutter contre la pauvreté. Plutôt que de s'appuyer sur des programmes généraux et uniques, ces dirigeants utilisent maintenant des données granulaires pour cibler les ressources avec précision chirurgicale.En exploitant l'information sur le revenu, l'emploi, l'éducation, la santé et le logement, les gouverneurs peuvent identifier les populations les plus vulnérables et intervenir là où les interventions auront le plus d'impact.

Les enjeux financiers sont élevés. Les États dépensent collectivement des milliards de dollars chaque année dans des programmes de lutte contre la pauvreté, allant de l'aide financière et des timbres alimentaires à la formation professionnelle et au logement abordable. Pourtant, sans données solides, une grande partie de cet argent peut être mal dirigée. La gouvernance axée sur les données permet aux États de mesurer les résultats, d'ajuster les cours en temps réel et de s'assurer que chaque dollar des contribuables est utilisé au maximum.

Le rôle des données dans la compréhension de la pauvreté

Les données jouent un rôle crucial dans la transition des efforts de réduction de la pauvreté de la réaction à la réaction.Au lieu d'attendre que les familles tombent en crise, les gouverneurs peuvent utiliser les données pour anticiper les besoins et fournir les services rapidement.Par exemple, en analysant les dossiers de fréquentation scolaire et les données sur les allégations de santé, un État peut identifier les enfants qui risquent de tomber dans la pauvreté avant que leur famille ne se retrouve en situation d'effondrement financier.

Identification des causes profondes

La pauvreté est rarement le résultat d'un seul facteur : elle est généralement un réseau complexe de questions interdépendantes : faible salaire, manque de services de garde d'enfants abordables, mauvaise santé, discrimination et isolement géographique. Les données aident les gouverneurs à ventiler ces facteurs et à comprendre ceux qui sont les plus pressants dans leur État. Par exemple, un gouverneur d'un État rural pourrait constater que le manque de transport est le principal obstacle à l'emploi, tandis qu'un gouverneur d'un État urbain risque de faire face à une crise de l'accessibilité du logement.

Ciblage des populations vulnérables

Les données révèlent également quels groupes sont touchés de manière disproportionnée par la pauvreté.Les ventilations démographiques par âge, race, sexe et situation d'invalidité permettent aux gouverneurs de concevoir des interventions ciblées. Par exemple, les enfants de moins de 5 ans sont le groupe d'âge le plus susceptible de vivre dans la pauvreté dans de nombreux États.

Cartographie des points chauds géographiques

En traçant les taux de pauvreté sur une carte, en parallèle avec les données sur les écoles, les hôpitaux, les épiceries et les transports en commun, les décideurs peuvent voir exactement où se concentre la pauvreté et quelles ressources manquent.Certains États, comme Californie, ont créé des tableaux de bord faisant face au public qui montrent les données sur la pauvreté jusqu'au niveau du secteur de recensement.

Sources de données et métriques clés

Les gouverneurs d'État comptent sur un large éventail de sources de données pour éclairer leurs stratégies de réduction de la pauvreté, dont certaines sont des enquêtes gouvernementales traditionnelles, tandis que d'autres proviennent de dossiers administratifs ou de partenariats avec le secteur privé.

  • Statistiques sur le revenu et l'emploi – L'American Community Survey (ACS) du Bureau du recensement des États-Unis fournit des données annuelles sur le revenu, la pauvreté et l'emploi.
  • – Les ministères de l'Éducation recueillent des données sur les résultats des tests, les taux de fin de scolarité et la discipline scolaire. En reliant ces données aux données sur le revenu, les gouverneurs peuvent identifier les lacunes de rendement et investir dans des écoles qui servent les élèves à faible revenu.
  • Informations sur l'accès à la santé et aux soins de santé[ – Les données sur les demandes de remboursement, les dossiers de sortie d'hôpital et les enquêtes comme le Système de surveillance des facteurs de risque comportementaux (SRSEB) aident les gouverneurs à comprendre les répercussions de la pauvreté sur la santé.
  • Données sur l'accessibilité et l'itinérance[ – Le ministère du Logement et du Développement urbain (HUD) fournit des données sur le fardeau des loyers, les expulsions et les chiffres sur l'itinérance.
  • Informations démographiques – Les données sur l'âge, la race, l'ethnicité et le handicap sont essentielles pour assurer l'équité.De nombreux gouverneurs ont établi des tableaux de bord sur l'équité qui permettent de déterminer si les efforts de réduction de la pauvreté atteignent toutes les populations de façon égale.

Par exemple, Oregon , Le Système intégré de données sur les clients relie les données des services humains, de l'éducation et des organismes de la main-d'oeuvre pour fournir une vue globale des besoins de chaque famille.Ces systèmes permettent aux gouverneurs d'évaluer l'impact combiné de multiples programmes et de réduire le fardeau administratif pour les familles.

Comment les gouverneurs traduisent les données en action

La collecte de données n'est qu'une première étape. Le véritable défi consiste à traduire les idées en politiques qui changent réellement la vie. Les gouverneurs de l'État expérimentent plusieurs mécanismes pour combler l'écart entre l'analyse des données et la mise en oeuvre des programmes.

Création d'unités d'analyse des données

De nombreux gouverneurs ont créé des équipes spécialisées dans l'analyse des données dans leurs bureaux ou sous leur contrôle.Ces unités sont dotées de spécialistes des données, de statisticiens et d'analystes des politiques qui travaillent directement avec les dirigeants des organismes pour concevoir des programmes fondés sur des données probantes.L'état de Washington, sous la direction du gouverneur Jay Inslee, a lancé l'initiative Résultats Washington, qui utilise des tableaux de bord de données pour suivre les progrès réalisés en matière de réduction de la pauvreté et d'autres objectifs clés.

Utilisation de la modélisation prédictive pour les interventions précoces

En alimentant les données historiques en modèles d'apprentissage automatique, les États peuvent prédire quelles familles sont les plus exposées à la pauvreté ou à l'itinérance. Par exemple, l'état de Massachusetts a mis à l'essai un modèle qui utilise les données provenant des familles d'accueil, de la protection de l'enfance et du TANF (Aide temporaire aux familles nécessiteuses) pour identifier les familles qui pourraient bénéficier d'une gestion volontaire des cas.

Lien entre les données et les décisions budgétaires

Certains gouverneurs intègrent les données directement dans le processus budgétaire, et non pas seulement en proposant des postes de ligne pour les programmes de lutte contre la pauvreté, ils exigent des organismes qu'ils présentent des preuves d'efficacité.Dans ], le gouverneur du Bureau du budget et de la gestion utilise une approche --Résultats-Première , exigeant des organismes d'État qu'ils montrent que leurs programmes ont été évalués au moyen de méthodes rigoureuses comme des essais contrôlés randomisés.

Tableau de bord public et responsabilité communautaire

La transparence est un élément clé de la gouvernance axée sur les données.De nombreux États publient maintenant des tableaux de bord en ligne qui suivent les mesures de la pauvreté en temps réel.Ces tableaux de bord permettent aux citoyens, aux journalistes et aux groupes de défense des droits de rendre leurs gouverneurs responsables.Par exemple, Nevada a créé le programme de prise de décisions Nevada Data-Driven , qui comprend un tableau de bord sur la pauvreté publique.

Études de cas : Réduction de la pauvreté à l'action axée sur les données

Californie : Cibler la pauvreté infantile avec des données intégrées

En 2021, son administration a lancé la Californie Child Poverty Reduction Act[, qui a fixé un objectif de réduction de la pauvreté des enfants de 50 % d'ici 2030. Pour suivre les progrès, l'État a mis en place un système de données intégré qui relie le ministère des Services sociaux, le ministère de l'Éducation et le ministère des Services de santé.

Michigan : Utilisation du SIG pour attribuer des fonds de logement abordable

L'administration du gouverneur Gretchen Whitmer a utilisé des données pour réaffecter les fonds fédéraux d'aide à la pandémie pour le logement. L'Administration du logement de l'État du Michigan (MSHDA) a analysé les données sur les expulsions, les taux de loyer et les chiffres des sans-abri au niveau des comtés.

Texas: Formation personnalisée de la main-d'œuvre à partir de données sur le travail

La commission de la main-d'oeuvre du gouverneur Greg Abbott, Texas Workforce Solutions, utilise des données sur les taux de chômage locaux, les projections de croissance de l'industrie et les lacunes individuelles pour offrir une formation personnalisée. Lorsque les données ont montré que la région de Houston manquait d'assistants infirmiers accrédités (AIC) mais d'un surplus de travailleurs de détail, l'État a financé un programme de formation gratuit pour les travailleurs de détail déplacés.

Surmonter les défis : protection de la vie privée, exactitude et capacité

Malgré ses promesses, la réduction de la pauvreté fondée sur les données n'est pas sans obstacles. Les gouverneurs doivent naviguer dans un champ miné de préoccupations en matière de protection de la vie privée, de problèmes de qualité des données et de résistance institutionnelle.

Confidentialité des données et utilisation éthique

Pour y remédier, plusieurs États ont adopté des cadres de la protection de la vie privée . Par exemple, ]Connecticut a créé la collaboration [Connecticut Data Collaborative[, qui utilise des données déidentifiées et exige le consentement explicite de toute donnée liée à des individus. Les gouverneurs doivent également s'assurer que les modèles prédictifs ne renforcent pas les biais raciaux ou économiques, risque qui a été documenté dans les systèmes de protection de l'enfance et de justice pénale.

Assurer l'exactitude et la rapidité des données

Les données ne sont utiles que si elles sont exactes et à jour. De nombreuses agences publiques s'appuient sur des méthodes de collecte de données dépassées, comme des formulaires papier ou des bases de données siloées qui ne communiquent pas entre elles. Une initiative axée sur les données peut être minée par de mauvaises données. Pour lutter contre cela, les états investissent dans l'infrastructure de données moderne, y compris les API, le stockage de cloud et les pipelines de données en temps réel.

Renforcement des capacités techniques

Beaucoup de gouvernements d'États n'ont pas l'expertise interne en matière de science des données pour mener des analyses sophistiquées. Attirer et conserver les talents en matière de données est un défi permanent, surtout lorsque les salaires du secteur privé sont plus élevés.Les gouverneurs ont répondu en créant des bourses et en s'associant avec les universités. New York[, sous la direction du gouverneur Kathy Hochul, a lancé le programme New York Civic Analytics, qui intègre des doctorants de SUNY dans des organismes d'État pour travailler sur des projets liés à la pauvreté.

L'avenir de la réduction de la pauvreté fondée sur les données

Le paysage de la gouvernance fondée sur les données évolue rapidement, et plusieurs tendances sont susceptibles de façonner la façon dont les gouverneurs combattent la pauvreté au cours de la prochaine décennie.

Intelligence artificielle et apprentissage automatique

Par exemple, un modèle d'apprentissage automatique pourrait analyser des milliers de variables pour recommander la combinaison optimale de programmes pour chaque famille – formation professionnelle, garde d'enfants, aide alimentaire ou argent – en fonction des résultats prévus.Les premiers pilotes en Alabama ont montré que la gestion de cas axée sur l'IA peut réduire le temps que les familles passent dans la pauvreté de 18 mois au maximum.

Loops de données en temps réel et de rétroaction continue

Les appareils Internet des objets (IoT), les données sur les téléphones mobiles et les relevés électroniques des transactions de transfert de prestations (EBT) peuvent fournir des indicateurs de détresse économique à la minute. Un gouverneur pourrait voir une augmentation de l'utilisation du timbre alimentaire dans un comté donné et déployer immédiatement des couverts alimentaires mobiles ou ajuster les niveaux de prestations SNAP.

Collaboration et partage de données entre les États

La pauvreté ne respecte pas les lignes de l'État. La migration interétatique, les marchés régionaux du travail et les perturbations de la chaîne d'approvisionnement affectent tous la pauvreté. Les gouverneurs commencent à partager des données par-delà les frontières grâce à des pactes comme le National Governors Association (Association des gouverneurs nationaux) .

Conclusion

L'utilisation stratégique des données par les gouverneurs des États transforme les efforts de réduction de la pauvreté en une science, en identifiant les causes profondes, en ciblant les populations vulnérables et en mesurant les résultats en temps réel, les gouverneurs peuvent concevoir des interventions qui sont à la fois plus efficaces et plus efficaces. Bien que les défis liés à la vie privée, à l'exactitude et à la capacité demeurent, la trajectoire est claire : l'avenir de la politique antipauvreté est fondé sur les données.