Nos últimos anos, os gobernadores estatais de todo o mundo recorreron cada vez máis a enfoques de datos para abordar a pobreza.En vez de confiar en programas amplos e dun tamaño único, estes líderes están a usar agora datos granulares para orientar recursos con precisión cirúrxica.Ao aproveitar información sobre a renda, o emprego, a educación, a saúde e a vivenda, os gobernadores poden identificar as poboacións máis vulnerables e intervir onde as intervencións terán o maior impacto.

Os Estados dedican colectivamente miles de millóns de dólares cada ano en programas anti-pobreza que van desde a axuda en efectivo e selos de comida ata a formación en emprego e vivenda alcanzable.Con todo, sen datos robustos, gran parte dese diñeiro pode ser maldirixida.O goberno de datos permite aos estados medir os resultados, axustar o curso en tempo real e garantir que cada dólar tributario sexa usado para o máximo efecto.

O papel dos datos na comprensión da pobreza

Os datos xogan un papel fundamental no movemento dos esforzos de redución da pobreza de reactivos a proactivos.En lugar de esperar que as familias caian en crise, os gobernadores poden usar os datos para anticipar a necesidade e proporcionar servizos cedo. Por exemplo, ao analizar os rexistros de asistencia escolar e os datos de reclamacións de saúde, un estado pode identificar aos nenos en risco de caer na pobreza antes de que as súas familias experimenten un colapso financeiro.

Identificar as causas raíz

A pobreza raramente é o resultado dun único factor.É tipicamente unha complexa rede de problemas interconectados: salarios baixos, falta de coidado infantil alcanzable, mala saúde, discriminación e illamento xeográfico.Os datos axudan aos gobernadores a desagregar estes factores e a entender cales son os máis apremiantes no seu estado. Por exemplo, un gobernador nun estado rural podería atopar que a falta de transporte é a principal barreira para o emprego, mentres que un gobernador nun estado urbano podería afrontar unha crise de accesibilidade.

Dirixido a poboacións vulnerables

Os datos tamén revelan que grupos están desproporcionadamente afectados pola pobreza.As rupturas demográficas por idade, raza, xénero e estado de discapacidade permiten aos gobernadores deseñar intervencións dirixidas. Por exemplo, os nenos menores de 5 anos son o grupo de idade máis propensos a vivir na pobreza en moitos estados.

Mapa de Hotspots Xeográficos

Os sistemas de información xeográfica (GIS) convertéronse en ferramentas esenciais para os gobernadores.Ao representar taxas de pobreza nun mapa xunto cos datos sobre escolas, hospitais, tendas de comestibles e transporte público, os responsables políticos poden ver exactamente onde se concentra a pobreza e cales son os recursos que están faltando. Algúns estados, como FLT:0, CaliforniaFLT:1 creou paneis de control público orientados a mostrar datos de pobreza ao nivel do sistema de censo.

Fontes e Métrices de datos clave

Os gobernadores estatais confían nunha ampla gama de fontes de datos para informar as súas estratexias de redución da pobreza. Algúns destes son enquisas gobernamentais tradicionais, mentres que outros proveñen de rexistros administrativos ou asociacións do sector privado.

  • A Oficina do Censo dos Estados Unidos American Community Survey (ACS) proporciona datos anuais sobre a renda, o estado da pobreza e o emprego.Os gobernadores usan estas cifras para determinar a elixibilidade para programas como Medicaid e SNAP e para avaliar se a economía do estado está crecendo de forma inclusiva.
  • Os departamentos estatais de educación recollen datos sobre puntuacións de probas, taxas de graduación e disciplina escolar. Ao ligar estes datos a datos de ingresos, os gobernadores poden identificar os ocos de logro e investir en escolas que serven a estudantes de baixos ingresos. Programas como as Bolsas de estudos en Michigan son dirixidos a partir de tales análises.
  • Información de saúde e acceso á asistencia sanitaria [FLT: 1] - Datos de reclamacións, rexistros de descarga hospitalaria e enquisas como o Sistema de Vixilancia de Factores de Risco de Comportamento (BRFSS) axudan aos gobernadores a comprender os impactos sanitarios da pobreza. Por exemplo, os estados con altas taxas de diabetes entre as poboacións de baixos ingresos poden ampliar o acceso a programas de atención preventiva e nutrición.
  • O Departamento de Vivenda e Desenvolvemento Urbano (HUD) proporciona datos sobre cargas de aluguer, desafiuzamentos e conta de indefensión.Os gobernadores poden referenciar isto con datos de ingresos para asignar vales de vivenda e financiar refuxios de emerxencia nas comunidades máis tensas.
  • Información demográfica - A idade, raza, etnia e datos de discapacidade son esenciais para garantir a equidade. Moitos gobernantes estableceron paneis de igualdade que seguen se os esforzos de redución da pobreza están chegando a todas as poboacións por igual.

Cada vez máis, os estados tamén usan sistemas de datos integrados (IDS) que conectan rexistros en axencias. Por exemplo, o sistema de datos de clientes integrados de Oregon [FLT: 2] conecta datos de servizos humanos, educación e axencias de traballo para proporcionar unha visión holística das necesidades de cada familia.

Como os gobernos traducen datos en acción

O verdadeiro reto consiste en traducir ideas sobre políticas que realmente cambian vidas.Os gobernadores do Estado están experimentando con varios mecanismos para superar a brecha entre a análise de datos e a implementación de programas.

Establecer Unidades de Analytics de Datos

Moitos gobernadores crearon equipos de análise de datos dedicados nas súas oficinas ou baixo o seu control.Estas unidades están formadas por científicos de datos, estatísticos e analistas políticos que traballan directamente cos líderes da axencia para deseñar programas baseados en evidencias.O estado de Washington [FLT: 1], baixo o gobernador Jay Inslee, lanzou a iniciativa Action Action Action Action Action Ltd.3, que utiliza paneis de datos para seguir o progreso na redución da pobreza e outros obxectivos clave. Do mesmo xeito,FLT:4ColoradoLT creou a Oficina de Datos (Forlateral):

Modelos predictivos para intervención precoz

A análise preditiva é unha das ferramentas máis poderosas do arsenal de datos.Alimentando os datos históricos en modelos de aprendizaxe automática, os estados poden predicir que familias teñen o maior risco de caer na pobreza ou sufrir indefensión. por exemplo, o estado de Massachusetts (FLT: 1]) pilotou un modelo que usa os datos de coidados de crianza, benestar infantil e TANF ( Asistencia Temporal para familias necesitadas) para identificar familias que poderían beneficiarse da xestión voluntaria do caso.

Enlace de datos a resolucións orzamentarias

Algúns gobernadores están incrustados directamente no proceso orzamentario.En vez de simplemente propor artigos de liña para programas de pobreza, requiren que as axencias estatais presenten probas de efectividade.En Ohio , a Oficina de Orzamentos e Xestión do gobernador usa un enfoque "Results-First", requirindo ás axencias estatais que mostren que os seus programas foron avaliados usando métodos rigorosos como ensaios controlados aleatorizados.

Dashboards públicos e responsabilidade comunitaria

A transparencia é unha parte clave do goberno dos datos. Moitos estados agora publicar paneis en liña que seguen métricas de pobreza en tempo real. Estes paneis permiten que os cidadáns, xornalistas e grupos de defensa para manter os seus gobernadores responsables. por exemplo, NevadaFLT:1] creou o programa de decisión-conducido de datos (MakingFLT:3), que inclúe un panel de pobreza pública.

Estudos de casos: redución da pobreza en acción

California: Apoiar a pobreza infantil con datos integrados

En 2021, a súa administración lanzou a Lei de redución da pobreza infantil FLT:0California Child Poverty Reduction Act, que estableceu un obxectivo de reducir a pobreza infantil nun 50% para 2030.Para seguir o progreso, o estado construíu un sistema de datos integrado que vincula o Departamento de Servizos Sociais, o Departamento de Educación e o Departamento de Servizos de Saúde.Usando estes datos, o estado identificou que a expansión da pobreza infantil (CalEITC) e o aumento de CalFresh (NAP) aumentaba directamente os beneficios da pobreza infantil en 2022.

Michigan: Usando GIS para asignar fondos de vivenda asequibles

A administración do gobernador Gretchen Whitmer utilizou datos para reallocar fondos federais de alivio de pandemia para a vivenda.A Autoridade Estatal de Desenvolvemento de Vivenda (MSHDA) analizou o desaloxo de presentación de datos, taxas de carga de aluguer e conta de insostibilidade a nivel do condado.Atopamos que catro condados representaban máis do 60% da inestabilidade inmobiliaria do estado.Us estes datos, o gobernador dirixiu uns 100 millóns adicionais aos condados para a asistencia de aluguer e desenvolvemento de vivendas alcanzables.

Texas: Formación personalizada da forza de traballo

A comisión de traballo do gobernador Greg Abbott, Texas Workforce Solutions, utiliza datos sobre as taxas de desemprego locais, proxeccións de crecemento da industria e os fallos de habilidade individuais para ofrecer formación profesional personalizada.Cando os datos mostraron que a área de Houston tiña unha escaseza de asistentes de enfermaría certificados (CNAs) pero un excedente de traballadores polo miúdo, o estado financiou un programa de formación gratuíto para traballadores de venda polo miúdo desprazados.O programa situou a máis de 1.200 persoas en postos de traballo CNA en seis meses, cunha taxa de retención do 90% despois dun ano.

Retos de superación: privacidade, precisión e capacidade

A pesar da súa promesa, a redución da pobreza impulsada polos datos non está exenta de obstáculos.Os gobernadores deben navegar por un campo de problemas de privacidade, problemas de calidade de datos e resistencia institucional.

Privacidade e uso ético

A integración de datos de varias axencias expón serias preocupacións sobre a privacidade e o uso indebido.As familias na pobreza xa son vulnerables, e o espectro da vixilancia do goberno pode disuadirlles de buscar axuda.Para solucionar isto, varios estados adoptaron marcos de privacidade por deseño , e por exemplo, o espectro da vixilancia gobernamental pode disuadirlles a súa busca de axuda.

Asegurar a precisión dos datos e a puntualidade

Moitos organismos estatais confían en métodos de recollida de datos obsoletos, como formularios de papel ou bases de datos siloed que non se comunican entre si.A iniciativa dirixida polos datos do gobernador pode ser minada por datos malos.Para combater isto, os estados están investindo en infraestrutura de datos moderna (FLT:1), incluíndo APIs, almacenamento de nubes e gasodutos de datos en tempo real.

Capacidade técnica de construción

Moitos gobernos estatais carecen de coñecementos científicos internos para realizar análises sofisticadas. atraer e reter talento de datos é un desafío perenne, especialmente cando os salarios do sector privado son máis altos.Os gobernadores responderon creando bolsas de datos FLT:0 e asociarse con universidades.FLT:2 Nova YorkFLT:3, baixo o gobernador Kathy Hochul, lanzou o programa FLT:4 New York Civic Analytics, que incorpora estudantes de doutoramento de SUNY nas axencias de pobreza estatais e nos proxectos de política de 50 anos que se baseou en probas sobre a política.

O futuro da redución da pobreza baseada en datos

A paisaxe do goberno dos datos está a evolucionar rapidamente, e varias tendencias poden dar forma a como os gobernadores combaten a pobreza na próxima década.

Intelixencia artificial e aprendizaxe automática

A IA e a aprendizaxe automática permitirán aos estados pasar das analíticas descritivas (que pasou) ás analíticas prescritivas (que debemos facer). Por exemplo, un modelo de aprendizaxe automática podería analizar miles de variables para recomendar a mestura óptima de programas para cada familia (formación de traballo, coidado de nenos, asistencia alimentaria ou diñeiro) baseada en resultados preditos.Os primeiros pilotos en Alabama a xestión de casos conducidos pola IA poden reducir o tempo que as familias pasan na pobreza ata 18 meses.

Datos en tempo real e continuos feedback loops

En vez de informes anuais, futuros programas usarán datos en tempo real para axustarse rapidamente. dispositivos de Internet das Cousas (IoT), datos de teléfono móbil e rexistros de transaccións de transferencia de beneficios electrónicos (EBT) poden proporcionar indicadores de dificultade económica a cada minuto.

Colaboración e compartición de datos Cross State

A pobreza non respecta as liñas estatais.A migración interestatal, os mercados rexionais de traballo e as interrupcións da cadea de subministración afectan a pobreza.Os gobernadores están empezando a compartir datos a través das fronteiras a través de pactos como a Rede de Innovación do Estado da Asociación de Gobernadores Nacionais (FLT: 1) Isto permítelles facer referencia os seus esforzos de redución da pobreza contra os estados pares e adoptar as mellores prácticas que foron probadas noutros lugares.

Conclusión

O uso estratéxico dos datos por parte dos gobernadores estatais está transformando os esforzos de redución da pobreza en ciencia.Ao identificar as causas raíces, atacar poboacións vulnerables e medir os resultados en tempo real, os gobernadores poden deseñar intervencións que sexan máis eficaces e máis eficientes.Mentres que os desafíos ao redor da privacidade, a precisión e a capacidade permanecen, a traxectoria é clara: o futuro da política anti-pobreza condúcese en datos.