कैसे राज्य के गवर्नरों का उपयोग डेटा संचालित दृष्टिकोण को मुकाबला करने के लिए गरीबी

हाल के वर्षों में, संयुक्त राज्य अमेरिका में राज्य गवर्नर तेजी से गरीबी को संबोधित करने के लिए डेटा संचालित दृष्टिकोण में बदल गए हैं। व्यापक, एक आकार के सभी कार्यक्रमों पर भरोसा करने के बजाय, ये नेता अब शल्य चिकित्सा परिशुद्धता के साथ संसाधनों को लक्षित करने के लिए दानेदार डेटा का उपयोग कर रहे हैं। आय, रोजगार, शिक्षा, स्वास्थ्य और आवास पर जानकारी का उपयोग करके, गवर्नर सबसे कमजोर आबादी की पहचान कर सकते हैं और हस्तक्षेप करते हैं जहां हस्तक्षेप का सबसे बड़ा प्रभाव होगा। यह बदलाव केवल एक प्रवृत्ति नहीं है - यह एक मौलिक पुनर्विचार है कि कैसे राज्य सरकार गरीबी से लड़ती है, अंतर्ज्ञान आधारित नीति निर्माण से लेकर सबूत आधारित रणनीतियों तक बढ़ सकती है जो अधिक पारदर्शी, जवाबदेह और प्रभावी हैं।

वित्तीय हिस्सेदारी अधिक है। राज्यों सामूहिक रूप से नकदी सहायता और खाद्य टिकटों से लेकर नौकरी प्रशिक्षण और सस्ती आवास तक के विरोधी गरीबी कार्यक्रमों पर प्रत्येक वर्ष अरब डॉलर खर्च करते हैं। फिर भी मजबूत डेटा के बिना, उस पैसे का बहुत गलत निर्देश दिया जा सकता है। डेटा संचालित प्रशासन राज्यों को परिणामों को मापने, वास्तविक समय में पाठ्यक्रम समायोजित करने और यह सुनिश्चित करने की अनुमति देता है कि प्रत्येक करदाता डॉलर का अधिकतम प्रभाव हो। नतीजतन, दोनों पक्षों के गवर्नर डेटा विश्लेषण इकाइयों में निवेश कर रहे हैं, जो विश्वविद्यालयों के साथ साझेदारी कर रहे हैं और सरकारी डेटा को जनता के लिए खोल रहे हैं। यह लेख पता लगाता है कि राज्य के नेता गरीबी से लड़ने के लिए डेटा का उपयोग कैसे कर रहे हैं - और इसका मतलब सामाजिक नीति के भविष्य के लिए क्या है।

डेटा की भूमिका

डेटा सक्रिय से सक्रिय होने तक गरीबी में कमी के प्रयासों को आगे बढ़ाने में एक महत्वपूर्ण भूमिका निभाता है। परिवारों के संकट में आने के लिए इंतजार करने के बजाय, गवर्नर जल्दी सेवाओं की प्राप्ति और उन्हें वितरित करने के लिए डेटा का उपयोग कर सकते हैं। उदाहरण के लिए, स्कूल उपस्थिति रिकॉर्ड और स्वास्थ्य दावा डेटा का विश्लेषण करके, एक राज्य वित्तीय पतन का अनुभव करने से पहले गरीबी में गिरने के जोखिम पर बच्चों की पहचान कर सकता है। इस तरह के प्रारंभिक हस्तक्षेप केवल तभी संभव है जब विभिन्न एजेंसियों से डेटा एकीकृत और विश्लेषण किया जाता है।

रूट कारणों की पहचान करना

गरीबी शायद ही कभी एक ही कारक का परिणाम है। यह आम तौर पर एक जटिल वेब है जो इंटरकनेक्टेड मुद्दों-कम वेतन, सस्ती चाइल्डकेयर की कमी, खराब स्वास्थ्य, भेदभाव और भौगोलिक अलगाव। डेटा गवर्नर इन कारकों को अलग करने में मदद करता है और यह समझने में मदद करता है कि कौन से लोग अपने राज्य में सबसे अधिक दबाव रखते हैं। उदाहरण के लिए, एक ग्रामीण राज्य में एक गवर्नर को पता हो सकता है कि परिवहन की कमी रोजगार के लिए प्राथमिक बाधा है, जबकि शहरी राज्य में एक गवर्नर को आवास वहन क्षमता संकट का सामना करना पड़ सकता है। डेटा के बिना, ये बारीकियां अदृश्य रहेगी और नीतियां मार्क को याद कर देगी।

लक्ष्यीकरण योग्य जनसंख्या

डेटा यह भी बताता है कि कौन समूह गरीबी से असंतुष्ट रूप से प्रभावित हैं। उम्र, दौड़, लैंगिक और विकलांगता स्थिति से जनसांख्यिकीय ब्रेकडाउन गवर्नरों को लक्षित हस्तक्षेपों को डिजाइन करने की अनुमति देता है। उदाहरण के लिए, 5 के तहत बच्चे कई राज्यों में गरीबी में रहने की संभावना रखते हैं। बचपन की शिक्षा के नामांकन के साथ बच्चे की गरीबी डेटा को पार करके, एक राज्यपाल पड़ोस में पूर्व कश्मीर कार्यक्रमों के लिए वित्तपोषण आवंटित कर सकता है जहां उन्हें सबसे अधिक की आवश्यकता होती है। इसी तरह, एकल माताओं के बीच उच्च गरीबी दर दिखाने वाले डेटा से पहल हो सकती है जो चाइल्डकेयर सब्सिडीज और परिवार की छुट्टी का विस्तार करती है।

मानचित्रण भौगोलिक हॉटस्पॉट

भौगोलिक सूचना प्रणाली (GIS) राज्यपालों के लिए आवश्यक उपकरण बन गए हैं। स्कूलों, अस्पतालों, किराने की दुकानों और सार्वजनिक पारगमन पर डेटा के साथ एक मानचित्र पर गरीबी दरों की साजिश करके, नीति निर्माताओं को यह देखने के लिए कि गरीबी किस तरह केंद्रित है और किस संसाधन गायब हैं। कुछ राज्यों, जैसे कैलिफोर्निया ने सार्वजनिक-facing डैशबोर्ड बनाया है जो जनगणना के स्तर तक गरीबी डेटा को दर्शाते हैं। ये उपकरण स्थानीय अधिकारियों और सामुदायिक संगठनों को लक्षित समाधानों पर राज्य सरकार के साथ सहयोग करने के लिए सशक्त बनाते हैं।

कुंजी डेटा स्रोत और मीट्रिक

राज्य गवर्नर अपनी गरीबी-रिडक्शन रणनीतियों को सूचित करने के लिए डेटा स्रोतों की एक विस्तृत सरणी पर भरोसा करते हैं। इनमें से कुछ पारंपरिक सरकारी सर्वेक्षण हैं, जबकि अन्य प्रशासनिक रिकॉर्ड या निजी क्षेत्र की साझेदारी से आते हैं। नीचे सबसे अधिक इस्तेमाल किए जाने वाले प्रकार के डेटा हैं और वे नीति कैसे सूचित करते हैं।

• Income and रोजगार सांख्यिकी – US Census Bureau's American सामुदायिक सर्वेक्षण (ACS) आय, गरीबी स्थिति और रोजगार पर वार्षिक डेटा प्रदान करता है। गवर्नर मेडिकेड और SNAP जैसे कार्यक्रमों के लिए पात्रता निर्धारित करने के लिए इन आंकड़ों का उपयोग करते हैं और यह मूल्यांकन करने के लिए कि राज्य की अर्थव्यवस्था समावेशी रूप से बढ़ रही है।
• ]शिक्षा प्रदर्शन डेटा – शिक्षा के राज्य विभागों परीक्षण स्कोर, स्नातक की दर, और स्कूल अनुशासन पर डेटा एकत्र। इस डेटा को आयकर डेटा से जोड़ने के द्वारा, राज्यपाल उपलब्धि अंतराल की पहचान कर सकते हैं और स्कूलों में निवेश कर सकते हैं जो कम आय वाले छात्रों की सेवा करते हैं। ]Promise छात्रवृत्ति ]] जैसे कार्यक्रम इस तरह के विश्लेषण के आधार पर लक्षित हैं।
• स्वास्थ्य और स्वास्थ्य देखभाल प्रवेश सूचना – डेटा, अस्पताल के निर्वहन रिकॉर्ड, और बेहावाइरल जोखिम फैक्टर निगरानी प्रणाली (BRFSS) की तरह सर्वेक्षण में गवर्नर गरीबी के स्वास्थ्य प्रभावों को समझने में मदद करते हैं। उदाहरण के लिए, निम्न आय आबादी के बीच मधुमेह की उच्च दर वाले राज्यों को निवारक देखभाल और पोषण कार्यक्रमों तक पहुंच का विस्तार हो सकता है।
• Housing Affordability and Homeless Data – The Department of Housing and Urban Development (HUD) किराए के बोझ, evictions, और homeless counts पर डेटा प्रदान करता है। राज्यपाल इस आय डेटा के साथ आवास वाउचरों को आवंटित करने और सबसे अधिक तनावग्रस्त समुदायों में आपातकालीन आश्रयों को निधि देने के लिए क्रॉस-reference कर सकते हैं।
• Demographic Information – आयु, दौड़, जातीयता, और विकलांगता डेटा इक्विटी सुनिश्चित करने के लिए आवश्यक हैं। कई गवर्नरों ने स्थापित किया है equity डैशबोर्ड कि क्या गरीबी में कमी के प्रयास समान रूप से सभी आबादी तक पहुंच रहे हैं।

Integrated क्लाइंट डेटा सिस्टम ]]] का उपयोग करके भी किया जाता है, जो सभी एजेंसियों को रिकॉर्ड करता है। उदाहरण के लिए, ओरेगन के ]Integrated क्लाइंट डेटा सिस्टम ] मानव सेवाओं, शिक्षा और कार्यबल एजेंसियों से डेटा को जोड़ती है ताकि प्रत्येक परिवार की जरूरतों का समग्र दृश्य प्रदान किया जा सके। ऐसी प्रणाली गवर्नरों को कई कार्यक्रमों के संयुक्त प्रभाव का मूल्यांकन करने और परिवारों पर प्रशासनिक बोझ को कम करने में सक्षम बनाती है।

कैसे गवर्नर डेटा को एक्शन में अनुवाद करते हैं

डेटा एकत्र करना केवल पहला कदम है। वास्तविक चुनौती उन नीतियों में अंतर्दृष्टि का अनुवाद करने में निहित है जो वास्तव में जीवन को बदल देती हैं। राज्य गवर्नर डेटा विश्लेषण और कार्यक्रम कार्यान्वयन के बीच अंतर को दूर करने के लिए कई तंत्रों के साथ प्रयोग कर रहे हैं।

डेटा एनालिटिक्स यूनिट की स्थापना

कई गवर्नरों ने अपने कार्यालयों के भीतर या उनके नियंत्रण में समर्पित डेटा एनालिटिक्स टीमों का निर्माण किया है। ये इकाइयां डेटा वैज्ञानिकों, सांख्यिकीविदों और नीति विश्लेषकों द्वारा कार्य करती हैं जो सीधे एजेंसी नेताओं के साथ सबूत आधारित कार्यक्रमों को डिजाइन करने के लिए काम करते हैं। Washington], गवर्नर जे इन्सली के तहत, ने Results Washington पहल, जो गरीबी में कमी और अन्य प्रमुख लक्ष्यों पर प्रगति को ट्रैक करने के लिए डेटा डैशबोर्ड का उपयोग करता है। इसी तरह, Colorado डेटा:FLT]

प्रारंभिक हस्तक्षेप के लिए भविष्यवाणी मॉडलिंग का उपयोग करना

Predictive विश्लेषण डेटा संचालित शस्त्रागार में सबसे शक्तिशाली उपकरणों में से एक है। मशीन लर्निंग मॉडल में ऐतिहासिक डेटा को खिलाने के द्वारा, राज्यों का अनुमान लगाया जा सकता है कि कौन से परिवार गरीबी में गिरने या बेघरपन का अनुभव करने का उच्चतम जोखिम है। उदाहरण के लिए, राज्य Massachusetts ने एक मॉडल का पायलट किया जो फोस्टर केयर, बाल कल्याण और TANF (WAYF के लिए अस्थायी सहायता) से डेटा का उपयोग करता है ताकि स्वैच्छिक मामले प्रबंधन से लाभान्वित हो सके। कार्यक्रम ने 20% तक फोस्टर केयर में प्रवेश करने वाले बच्चे की संभावना को कम कर दिया और संकट की प्रतिक्रिया में राज्य लाखों लोगों को बचाया।

डेटा को बजट निर्णयों से जोड़ना

कुछ गवर्नर सीधे बजट प्रक्रिया में डेटा एम्बेड कर रहे हैं। गरीबी कार्यक्रमों के लिए केवल लाइन आइटम प्रस्तुत करने के बजाय, उन्हें प्रभावशीलता के सबूत जमा करने की आवश्यकता होती है। Ohio] में, गवर्नर का कार्यालय बजट और प्रबंधन एक "Results-First" दृष्टिकोण का उपयोग करता है, जिसके लिए राज्य एजेंसियों को यह दिखाने की आवश्यकता होती है कि उनके कार्यक्रमों का मूल्यांकन यादृच्छिक नियंत्रित परीक्षणों जैसे कठोर तरीकों का उपयोग करके किया गया है। प्रोग्राम जो प्रभाव को प्रदर्शित नहीं कर सकते हैं, जबकि साक्ष्य-समर्थित प्रोग्राम अतिरिक्त संसाधनों को प्राप्त करते हैं।

सार्वजनिक डैशबोर्ड और सामुदायिक जवाबदेही

पारदर्शिता डेटा संचालित प्रशासन का एक महत्वपूर्ण हिस्सा है। कई राज्यों ने अब ऑनलाइन डैशबोर्ड प्रकाशित किया है जो वास्तविक समय में गरीबी मीट्रिक ट्रैक करते हैं। ये डैशबोर्ड नागरिकों, पत्रकारों और वकालत समूहों को अपने गवर्नरों को जवाबदेह रखने की अनुमति देते हैं। उदाहरण के लिए, Nevada] ने Nevada Data-Driven फैसले-Making] प्रोग्राम बनाया, जिसमें एक सार्वजनिक गरीबी डैशबोर्ड शामिल है। जब एक मीट्रिक कम आय वाले निवासियों के बीच रोजगार में गिरावट दिखाता है, तो समुदाय हितधारकों को वर्कफोर्स प्रशिक्षण कार्यक्रमों को समायोजित करने के लिए गवर्नर को धक्का दे सकता है।

केस स्टडीज: एक्शन में डेटा-ड्राइव्ड गरीबी में कमी

कैलिफोर्निया: एकीकृत डेटा के साथ लक्ष्यीकरण बाल गरीबी

राज्यपाल Gavin Newsom ने गरीबी में कमी को विशेष रूप से बच्चों के लिए बनाया है। 2021 में, उनके प्रशासन ने California चाइल्ड गरीबी में कमी अधिनियम ] शुरू किया, जिसने 2030 तक बाल गरीबी को 50% तक काटने का लक्ष्य निर्धारित किया। प्रगति को ट्रैक करने के लिए, राज्य ने एक एकीकृत डेटा प्रणाली बनाई जो सामाजिक सेवा विभाग, शिक्षा विभाग और स्वास्थ्य देखभाल सेवाओं विभाग से संबंधित है। इस डेटा का उपयोग करके, राज्य ने पहचान की कि राज्य के अर्जित आयकर क्रेडिट (CalEITC) का विस्तार और कैलफ्रेश (SNAP) के विश्लेषण को बढ़ाने के लिए बच्चे की गरीबी पर सबसे बड़ा प्रभाव पड़ा।

मिशिगन: GIS का उपयोग करके अफोर्डेबल हाउसिंग फंड्स को आवंटित किया जा सकता है

राज्यपाल Gretchen Whitmer के प्रशासन ने आवास के लिए संघीय महामारी राहत निधियों को वास्तविक स्थान पर डेटा का इस्तेमाल किया। मिशिगन स्टेट हाउसिंग डेवलपमेंट अथॉरिटी (MSHDA) ने काउंटी स्तर पर डेटा, किराया बोझ दरों और बेघरी गिनती दर्ज करने का विश्लेषण किया। उन्होंने पाया कि चार काउंटी राज्य के आवास की अस्थिरता के 60% से अधिक के लिए जिम्मेदार हैं। उस डेटा का उपयोग करके, गवर्नर ने किराये की सहायता और सस्ती आवास विकास के लिए उन काउंटियों को अतिरिक्त $100 मिलियन का निर्देश दिया। दृष्टिकोण इतना सफल था कि MSHDA अब अपने आवास निवेश को लक्षित करने के लिए उसी डेटा मॉडल का उपयोग करता है।

टेक्सास: व्यक्तिगत कार्यबल प्रशिक्षण लेबर डेटा से

राज्यपाल ग्रेग अब्बोट के कार्यबल कमीशन, टेक्सास वर्कफोर्स सॉल्यूशंस, स्थानीय बेरोजगारी दरों, उद्योग विकास अनुमानों और व्यक्तिगत कौशल अंतराल पर व्यक्तिगत नौकरी प्रशिक्षण प्रदान करने के लिए डेटा का उपयोग करता है। जब डेटा से पता चला कि ह्यूस्टन क्षेत्र में प्रमाणित नर्सिंग सहायकों (CNAs) की कमी थी लेकिन खुदरा श्रमिकों के अधिशेष ने खुदरा कर्मचारियों को विस्थापित करने के लिए एक मुफ्त प्रशिक्षण कार्यक्रम का वित्तपोषण किया। कार्यक्रम ने छह महीने के भीतर CNA नौकरियों में 1,200 लोगों को रखा, एक साल के बाद 90% रिटेंशन रेट के साथ। गवर्नर का कार्यालय कार्यक्रम की लागत प्रभावीता के लिए डेटा संचालित दृष्टिकोण को श्रेय देता है, यह ध्यान में कि यह एक हजार से अधिक है।

आगामी चुनौतियां: गोपनीयता, सटीकता और क्षमता

अपने वादा के बावजूद, डेटा संचालित गरीबी में कमी बाधा के बिना नहीं है। गवर्नरों को गोपनीयता चिंताओं, डेटा गुणवत्ता के मुद्दों और संस्थागत प्रतिरोध के एक माइनफील्ड पर नेविगेट करना होगा।

डेटा गोपनीयता और नैतिक उपयोग

कई एजेंसियों से डेटा को एकीकृत करने से गोपनीयता और संभावित दुरुपयोग के बारे में गंभीर चिंता बढ़ती है। गरीबी में परिवारों पहले से ही कमजोर हैं, और सरकारी निगरानी के दर्शक उन्हें मदद की मांग से रोक सकते हैं। इस पते पर कई राज्यों ने अपनाया है privacy-by-design फ्रेमवर्क. उदाहरण के लिए, कनेक्टिकट] ने ] कनेक्टिकट डेटा सहयोग ]] बनाया है, जो अलग-अलग डेटा का उपयोग करता है और उसे आर्थिक हित में सुधार करने के लिए न्यायिक सहमति की आवश्यकता है।

डेटा सटीकता और समय-समय पर सुनिश्चित करना

डेटा केवल तभी उपयोगी है जब यह सटीक और चालू हो। कई राज्य एजेंसियां पुरानी डेटा संग्रह विधियों पर निर्भर करती हैं, जैसे कि कागज़ के रूप या सिलोड डेटाबेस जो एक दूसरे के साथ संवाद नहीं करते हैं। एक गवर्नर की डेटा संचालित पहल को खराब डेटा द्वारा कम किया जा सकता है। इससे निपटने के लिए, राज्यों को ]] में निवेश किया जाता है, जो कि APIs, क्लाउड स्टोरेज और वास्तविक समय में डेटा पाइपलाइनों को सटीक रूप से नियंत्रित करने की अनुमति देता है। उदाहरण के लिए, Tennessee]] ने एक स्टेटवाइड डेटा झील बनाया जो वास्तविक समय के बजाय मासिक डेटा को साझा करने की अनुमति देता है।

तकनीकी क्षमता का निर्माण

कई राज्य सरकारों में परिष्कृत विश्लेषण चलाने के लिए घर में डेटा विज्ञान विशेषज्ञता की कमी है। डेटा प्रतिभा को आकर्षित करने और बनाए रखने के लिए एक बारहमासी चुनौती है, खासकर जब निजी क्षेत्र के वेतन अधिक होते हैं। गवर्नर ने डेटा फेलोशिप और विश्वविद्यालयों के साथ साझेदारी करके जवाब दिया है। न्यू यॉर्क], गवर्नर कैथी होकुल के तहत, "FLT:4]]न्यू यॉर्क सिविक एनालिटिक्स कार्यक्रम, जो गरीबी से संबंधित परियोजना पर काम करने के लिए SUNY से पीएचडी छात्रों को एम्बेड करता है।

डेटा-संचालित गरीबी में कमी का भविष्य

डेटा संचालित शासन का परिदृश्य तेजी से विकसित हो रहा है। कई रुझानों को यह समझने की संभावना है कि कैसे गवर्नर आने वाले दशक में गरीबी का मुकाबला करते हैं।

आर्टिफिशियल इंटेलिजेंस एंड मशीन लर्निंग

एआई और मशीन लर्निंग राज्यों को वर्णनात्मक विश्लेषण (जो हुआ) से पूर्व निर्धारित विश्लेषण (क्या होना चाहिए) तक ले जाने की अनुमति देगा। उदाहरण के लिए, एक मशीन लर्निंग मॉडल प्रत्येक परिवार के लिए कार्यक्रमों के इष्टतम मिश्रण की सिफारिश करने के लिए हजारों चर का विश्लेषण कर सकता है - नौकरी प्रशिक्षण, चाइल्डकेयर, खाद्य सहायता, या नकद-अनुमोदन पर आधारित। प्रारंभिक पायलटों में Alabama] ने दिखाया है कि एआई-संचालित मामले प्रबंधन 18 महीने तक गरीबी में बिताने वाले समय परिवारों को कम कर सकता है।

रियल टाइम डेटा और सतत प्रतिक्रिया लूप

वार्षिक रिपोर्ट के बजाय, भविष्य के कार्यक्रम जल्दी से समायोजित करने के लिए वास्तविक समय डेटा का उपयोग करेंगे। इंटरनेट ऑफ थिंग्स (आईओटी) डिवाइस, मोबाइल फोन डेटा, और इलेक्ट्रॉनिक लाभ हस्तांतरण (ईबीटी) लेनदेन रिकॉर्ड आर्थिक संकट के ऊपर मिनट संकेतक प्रदान कर सकते हैं। एक गवर्नर एक विशिष्ट काउंटी में खाद्य टिकट उपयोग में एक स्पाइक देख सकता है और तुरंत मोबाइल खाद्य pantries को तैनात कर सकता है या एसएनएपी लाभ स्तर को समायोजित कर सकता है।

क्रॉस-स्टेट सहयोग और डेटा साझा करना

गरीबी राज्य लाइनों का सम्मान नहीं करती है। अंतरराज्यीय प्रवासन, क्षेत्रीय श्रम बाजार और आपूर्ति श्रृंखला विघटन सभी गरीबी को प्रभावित करते हैं। राज्यपालों को सीमा पार डेटा को कॉम्पैक्ट्स जैसे ] के माध्यम से साझा करना शुरू कर रहे हैं राष्ट्रीय गवर्नर एसोसिएशन के राज्य अभिनव नेटवर्क । यह उन्हें सहकर्मी राज्यों के खिलाफ अपनी गरीबी में कमी के प्रयासों को बेंचमार्क करने और कहीं और साबित होने वाली सर्वोत्तम प्रथाओं को अपनाने की अनुमति देता है।

निष्कर्ष

राज्य के राज्यपालों द्वारा डेटा का रणनीतिक उपयोग एक विज्ञान में अनुमान से गरीबी में कमी के प्रयासों को बदल रहा है। जड़ कारणों की पहचान करके, कमजोर आबादी को लक्षित करना और वास्तविक समय में परिणाम को मापने के द्वारा, राज्यपाल हस्तक्षेपों को डिजाइन कर सकते हैं जो अधिक प्रभावी और अधिक कुशल हैं। जबकि गोपनीयता, सटीकता और क्षमता के आसपास की चुनौतियों को जारी रखा गया है, तो वह बेदखलदार स्पष्ट है: गरीबी नीति का भविष्य डेटा संचालित है। चूंकि प्रौद्योगिकी अग्रिम और सहयोग गहरा हो जाता है, ये दृष्टिकोण अधिक परिष्कृत हो जाएंगे, जिससे देश भर में समुदायों के लिए अधिक न्यायसंगत और स्थायी समाधान हो जाएंगे। राज्यपाल जो इस परिवर्तन को गले लगाते हैं वे हैं जो गरीबी में सबसे गहरी डेंट बनाते हैं - और जो 21 सदी के लिए जिम्मेदार परिणाम निर्धारित करते हैं।