Posljednjih godina, državni guverneri diljem SAD-a sve su se više okretali pristupima koji se bave siromaštvom. Umjesto oslanjanja na široke, jednoprikladne programe, ti vođe sada koriste granularne podatke za ciljanje resursa s kirurškom preciznošću. Uporabom informacija o prihodima, zapošljavanju, obrazovanju, zdravlju i stanovanju, guverneri mogu identificirati najranjivije stanovništvo i intervenirati gdje će intervencije imati najveći utjecaj. Ovaj pomak nije samo trend to je temeljno preispitivanje načina na koji se državne vlade bore protiv siromaštva, prelazak iz stvaranja politike zasnovane na intuiciji na dokazima koji su transparentniji, računodavniji i učinkovitiji.

Financijski ulozi su visoki. Države kolektivno troše milijarde dolara svake godine na programe protiv siromaštva u rasponu od gotovinske pomoći i bonova za hranu do treninga radnih mjesta i pristupačnih stanova. Ipak, bez čvrstih podataka, veliki dio tog novca može se pogrešno usmjeriti. Upravljanje podacima omogućuje državama da mjere rezultate, prilagode tečaj u realnom vremenu, i osiguraju da svaki dolar poreznih obveznika se koristi za maksimalno djelovanje. Kao rezultat toga, guverneri obje strane ulažu u jedinice za analizu podataka, udruživanje s sveučilištima, te otvaranje vladinih podataka javnosti. Ovaj članak istražuje kako državni čelnici koriste podatke za borbu protiv siromaštva a to znači za budućnost socijalne politike.

Uloga podataka u razumijevanju siromaštva

Podaci imaju kritičnu ulogu u pomicanju napora za smanjenje siromaštva od reaktivnih do proaktivnih. Umjesto da čekaju da obitelji upadnu u krizu, guverneri mogu koristiti podatke kako bi unaprijed predvidjeli potrebu i dostavili usluge. Na primjer, analizom podataka o pohađanju škole i zdravstvenim tvrdnjama, država može identificirati djecu koja su izložena riziku od pada u siromaštvo prije nego što njihove obitelji dožive financijski kolaps. Ova vrsta rane intervencije je moguća tek kada se podaci različitih agencija integriraju i analiziraju zajedno.

Identifikacija uzroka

Siromaštvo je rijetko rezultat jednog faktora. To je tipično složena mreža međusobno povezanih pitanja - niske plaće, nedostatak pristupačne skrbi za djecu, loše zdravlje, diskriminacija, i geografska izolacija. Podaci pomažu guvernerima da se razlože ti čimbenici i razumiju koji su najviše pritisci u svojoj državi. Na primjer, guverner u ruralnoj državi bi mogao pronaći da je nedostatak prijevoza primarna prepreka zapošljavanju, dok bi se guverner u urbanoj državi mogao suočiti s stambenom krizom pristupačnosti. Bez podataka, te bi nijance ostale nevidljive i politike bi propustile trag.

Ciljanje ranjivih populacija

Podaci također otkrivaju koje su skupine nerazmjerno pogođene siromaštvom. Demografski slomovi prema dobi, rasi, spolu i statusu invaliditeta omogućuju guvernerima da dizajniraju ciljane intervencije. Primjerice, djeca mlađa od 5 godina su dobna skupina koja će najvjerojatnije živjeti u siromaštvu u mnogim državama. Usporedbom podataka o siromaštvu djece s upisom u rano djetinjstvo, guverner može dodijeliti sredstva za pretk programa u susjedstvu gdje su najpotrebniji. Slično tome, podaci koji pokazuju veće stope siromaštva među samohranim majkama mogu dovesti do inicijativa koje šire subvencije za skrb o djeci i plaćeni obiteljski dopust.

Mapiranje geografskih žarišta

Geografski informacijski sustavi (GIS) postali su ključni alati za guvernere. Planiranjem stope siromaštva na karti uz podatke o školama, bolnicama, trgovinama i javnom tranzitu, proizvođači politika mogu točno vidjeti gdje je siromaštvo koncentrirano i koji resursi nedostaju. Neke države, poput Kalifornija, stvorile su instrumente javnog pogleda na ploču koja pokazuje podatke o siromaštvu sve do razine popisa. Ovi alati osnažuju lokalne dužnosnike i organizacije zajednice da surađuju s državnom vladom na ciljanim rješenjima.

Ključni izvori podataka i metrika

Državni guverneri oslanjaju se na širok niz izvora podataka kako bi informirali svoje strategije smanjenja siromaštva. Neke od njih su tradicionalna vladina istraživanja, dok druge dolaze iz administrativnih evidencija ili partnerstva privatnog sektora. Ispod su najčešće korištene vrste podataka i način na koji informiraju politiku.

  • Statistika prihoda i zapošljavanja Američko istraživanje zajednice (ACS) američkog zavoda za popis stanovništva pruža godišnje podatke o prihodima, stanju siromaštva i zaposlenosti. Guverneri koriste te brojke kako bi utvrdili prihvatljivost za programe poput Medicaida i SNAP-a te ocijenili da li gospodarstvo države raste uključivo.
  • Podaci o uspješnosti obrazovanja Državni odjeli obrazovanja prikupljaju podatke o rezultatima testova, ocjenama matura i disciplini škole. Povezivanjem ovih podataka s podacima o prihodima, guverneri mogu identificirati nedostatke postignuća i ulagati u škole koje služe studentima s niskim primanjima. Programi poput Obećajte stipendisti u Michiganu su ciljani na temelju takve analize.
  • Zdravlje i Zdravstveni pristup Informacije Tvrdi podatke, bolnički otpusni zapisi, i istraživanja kao što su Behavioral Risk Factor Nadzorni sustav (BRFSS) pomoći guvernerima razumjeti zdravstvene učinke siromaštva. Na primjer, države s visokim stopama dijabetesa među populacijama s niskim prihodima mogu proširiti pristup preventivne skrbi i prehrambenih programa.
  • Podaci o prihvatljivosti stanovanja i beskućništva Odjel za stanovanje i urbani razvoj (HUD) daje podatke o teretu najma, iseljenju i beskućništvu. Guverneri to mogu usporediti s podacima o prihodima za dodjelu stambenih bonova i fond za hitne slučajeve skloništa u najnategnutijim zajednicama.
  • Demografske informacije Dob, rasa, etnička pripadnost i podaci o invalidnosti su neophodni za osiguravanje vlasničkog kapitala. Mnogi guverneri su ustanovili table za jednakost koje prate da li napori za smanjenje siromaštva jednako dopiru do svih populacija.

Sve više država koristi integrirane podatkovne sustave (IDS) koji povezuju zapise preko agencija. Primjerice, Oregonski Integrirani sustav podataka klijenata povezuje podatke iz ljudskih usluga, obrazovanja i agencija radne snage kako bi pružili holistički pogled na potrebe svake obitelji. Takvi sustavi omogućuju guvernerima da ocjenjuju kombinirani utjecaj više programa i smanjuju administrativno opterećenje obitelji.

Kako guverneri prevode podatke na djelovanje

Prikupljanje podataka je samo prvi korak. Pravi izazov leži u prevođenju uvida u politike koje zapravo mijenjaju živote. Državni guverneri eksperimentiraju s nekoliko mehanizama za premošćivanje jaza između analize podataka i implementacije programa.

Uspostava jedinica za analizu podataka

Mnogi guverneri su stvorili namjenske timove za analizu podataka unutar svojih ureda ili pod njihovom kontrolom. Ove jedinice su zaposlene od strane znanstvenika, statističara i analitičara politika koji rade izravno s voditeljima agencija za projektiranje programa baziranih na dokazima. Washington, pod guvernerom Jayom Insleejem, pokrenuo je Rezultate Washington] inicijativu, koja koristi instrumente podataka za praćenje napretka u smanjenju siromaštva i drugim ključnim ciljevima. Slično tome, Colorado] je stvorio ] Ured za suzbijanje siromaštva i druge ključne ciljeve.

Koristiti prediktivni model za rano interveniranje

Prediktivna analitika jedan je od najmoćnijih alata u arsenalu vođenom podacima. Uskladivši povijesne podatke u modele strojnog učenja, države mogu predvidjeti koje obitelji su u najvećem riziku od pada u siromaštvo ili doživljenja beskućništva. Na primjer, stanje Masachusetts je upravljalo modelom koji koristi podatke iz skrbi za djecu, dobrobit djece i TANF (Temporarna pomoć za potrebe obitelji) kako bi se identificirale obitelji koje bi mogle imati koristi od dobrovoljnog upravljanja slučajevima. Program je smanjio vjerojatnost ulaska djeteta udomiteljsku skrb za 20% i spasio državne milijune u troškovima kriznog odgovora.

Povezivanje podataka s odlukama o proračunu

Neki guverneri ubacuju podatke izravno u proračunski proces. Umjesto da samo predlažu linijske stavke za programe siromaštva, oni zahtijevaju od agencija da dostave dokaze o učinkovitosti. U Ohio, guvernerov Ured proračuna i menadžmenta koristi pristup “Rezultati-Prvo”, zahtijevajući od državnih agencija da pokažu da su njihovi programi ocijenjeni rigoroznim metodama poput randomiziranih kontroliranih ispitivanja. Programi koji ne mogu demonstrirati utjecaj su defundirani, dok programi koji podržavaju dokaze dobivaju dodatne resurse.

Javne ploče i odgovornost zajednice

Transparentnost je ključni dio upravljanja vođenih podacima. Mnoge države sada objavljuju internetske ploče koje prate metriku siromaštva u realnom vremenu. Ove ploče omogućavaju građanima, novinarima i grupama zagovaranja da drže svoje guvernere odgovornima. Na primjer, Nevada je stvorio Nevada Data-Driven Decision-Making program, koji uključuje i javni instrument siromaštva. Kada metrik pokazuje pad zaposlenosti među stanovnicima niskih pridošlica, dionici zajednice mogu gurnuti guvernera da prilagodi programe osposobljavanja radne snage.

Studije slučaja: Smanjenje siromaštva potaknutog datom

Kalifornija: Ciljanje siromaštva djece s integralnim podacima

Guverner Gavin Newsom je napravio smanjenje siromaštva središnji prioritet, posebno za djecu. 2021. godine, njegova administracija je pokrenula Zakon o smanjenju siromaštva djece Kalifornije, koji je postavio cilj smanjenja siromaštva djece za 50% do 2030. godine. Da bi pratila napredak, država je izgradila integrirani sustav podataka koji povezuje Odjel za socijalne usluge, Odjel za obrazovanje i Odjel za zdravstvene skrbi. Koristeći ove podatke, država je utvrdila da širenje državne zarađene porezne obveze (CALEITC) i povećanje povlastica Calfresh (SNAP) imaju najveći utjecaj na siromaštvo djece. 2022. godine, Kalifornija je proširila oba programa, što dovodi do pada 15% u siromaštvuaštvu rezultira izravno atributima podataka.

Michigan: Korištenje GIS-a za dodjelu prihvatljivih stambenih fondova

Guverner Gretchen Whitmer administracija koristi podatke za realiziranje federalnih pandemijskih fondova za stambene. Michigan State stambene razvojne uprave (MSHDA) analizirali iseljavanje podnošenje podataka, najam tereta, i homeomearness računa na razini županije. Otkrili su da četiri županije čine više od 60% stambene nestabilnosti države. Koristeći te podatke, guverner usmjerio dodatni 100 milijuna dolara na one županije za najam pomoć i pristupačan stambeni razvoj. Pristup je bio tako uspješan da MSHDA sada koristi isti model podataka za ciljanje svih svojih stambenih ulaganja.

Teksas: Personalizirana obuka radne snage iz podataka o radu

Provizija rada guvernera Grega Abbotta, Texas Workforce Solutions, koristi podatke o lokalnim stopama nezaposlenosti, projekcije rasta industrije, i individualne vještine nedostataka ponuditi personaliziranu radnu obuku. Kada su podaci pokazali da je područje Houstona imalo nedostatak certificiranih pomoćnica za dojenje (CNAs) ali višak maloprodajnih radnika, država financirao besplatan program obuke za raseljene radnike u maloprodaji. Program je stavio više od 1.200 ljudi u CNA radnih mjesta u roku od šest mjeseci, s stopom zadržavanja 90% nakon jedne godine. Guvernerov ured kreditira pristup podataka za troškovnu učinkovitost programa, ne da je trošak 3.000 $ po plasmanu u odnosu na prosjek od 8.000 $ za slične državne programe.

Prevladavanje izazova: privatnost, preciznost i kapacitet

Unatoč obećanju, smanjenje siromaštva temeljeno na podacima nije bez prepreka. Guverneri moraju upravljati minskim poljem problema privatnosti, problematičnim kvalitetom podataka i institucionalnim otporom.

Privatnost i etička upotreba podataka

Integriranje podataka iz više agencija izaziva ozbiljne zabrinutosti oko privatnosti i potencijalne zloupotrebe. Obitelji u siromaštvu su već ranjive, a gledanje nadzora vlade ih može odvratiti od traženja pomoći. Da bi se to riješilo, nekoliko država je usvojilo privatnost po dizajnu okvire. Na primjer, Konektikut stvorio Saradnički sustavi za povezivanje podataka[, koji koristi deidentificirane podatke i zahtijeva izričitu suglasnost za bilo kakve podatke povezane s pojedincima. Guverneri također moraju osigurati da se predviđaju modeli ne pojačavaju rasne ili ekonomske predrasudea rizik koji je dokumentiran u sustavima socijalne zaštite i kaznene pravde djece.

Osiguravanje ispravnosti podataka i pravovremenosti

Podaci su korisni samo ako su točni i aktualni. Mnoge državne agencije oslanjaju se na zastarjele metode prikupljanja podataka, kao što su papirnate forme ili silopirane baze podataka koje ne komuniciraju jedna s drugom. Guvernerova inicijativa temeljena na podacima može biti potkopana lošim podacima. Za borbu protiv toga države ulažu u modernu infrastrukturu podataka, uključujući API, skladištenje oblaka, i plinovode podataka u realnom vremenu. Na primjer, Tennessee]] je izgradio državno jezero podataka koje omogućuje agencijama da dijele podatke u bliskom vremenu. Država sada ažurira svoje siromaštvo nadzorne ploče mjesečno nego godišnje, dajući guverneru točniju sliku potrebe.

Tehnički kapacitet izgradnje

Mnoge državne vlade nemaju stručno znanje iz interne baze podataka za izradu sofisticiranih analiza. Privlačenje i zadržavanje talenta za podatke je trajni izazov, posebno kada su plaće privatnog sektora veće. Guverneri su odgovorili stvaranjem zajednica podataka i partnerstvom s sveučilištima. New York, pod guvernerom Kathy Hochul, pokrenuli su New York Civic Analytics[], program koji je uvelo studente doktorata iz SUNY-a u državne agencije da rade na projektima vezanim za siromaštvo. Program je u dvije godine izradio preko 50 preporuka temeljenih na politici temeljenih na dokazima.

Budućnost smanjenja siromaštva potaknutog na temelju podataka

Krajolik upravljanja vođenog podacima brzo se razvija. Nekoliko trendova vjerojatno će oblikovati kako se guverneri bore protiv siromaštva u narednom desetljeću.

Umjetna inteligencija i učenje strojeva

AI i strojno učenje će omogućiti državama da se presele od opisne analitike (ono što se dogodilo) do preskriptivne analitike (što bi trebali učiniti). Na primjer, model strojnog učenja mogao bi analizirati tisuće varijabli kako bi preporučio optimalnu mješavinu programa za svaku obitelj trening posla, skrb o djeci, pomoć u hrani ili gotovinu temeljenu na predviđenim ishodima. Rani piloti u Alabama pokazali su da upravljanje slučajem vođenim AI-om mogu smanjiti vrijeme obitelji trošenja u siromaštvu do 18 mjeseci.

Podaci iz stvarnog vremena i kontinuirane povratne informacije

Umjesto godišnjih izvješća, budući programi će koristiti podatke u realnom vremenu kako bi se brzo prilagodili. Internet stvari (IoT) uređaji, podaci o mobilnom telefonu, i elektronički prijenos koristi (EBT) transakcijski zapisi mogu pružiti sve do minute pokazatelja ekonomske nevolje. Guverner može vidjeti porast korištenja markica hrane u određenoj županiji i odmah rasporediti mobilne gaćice za hranu ili prilagoditi razine koristi SNAP-a.

Suradnja i dijeljenje podataka u međudržavnom području

Siromaštvo ne poštuje državne granice. Međudržavna migracija, regionalna tržišta rada i poremećaji u lancu opskrbe utječu na siromaštvo. Guverneri počinju dijeliti podatke preko granica putem kompakata poput Državne mreže inovacija nacionalnih guvernera . To im omogućuje da usporede svoje napore za smanjenje siromaštva protiv vršnjaka i usvoje najbolje prakse koje su dokazane drugdje.

Zaključak

Strateška upotreba podataka od strane državnih guvernera pretvara napore za smanjenje siromaštva iz nagađanja u znanost. Identificiranjem temeljnih uzroka, ciljanjem ranjivih populacija i mjerenjem rezultata u realnom vremenu, guverneri mogu dizajnirati intervencije koje su i učinkovitije i učinkovitije. Dok izazovi oko privatnosti, točnosti i kapaciteta ostaju, putanja je jasna: budućnost politike protiv siromaštva je potaknuta podacima. Kako se tehnološki napredak i suradnja produbljuju, ti pristupi će postati još sofisticiraniji, što će dovesti do pravednijih i trajnijih rješenja za zajednice diljem zemlje. Guverneri koji prihvaćaju ovu transformaciju bit će oni koji čine najdublje udubljenje siromaštva i koji postavljaju standard za odgovorno, rezultati orijentirano upravljanje u 21. stoljeću.