近年、米国全州知事は、ますますますデータ主導のアプローチに貧困に対処するために回っています。 むしろ、幅広い規模のフィットオールプログラムに依存するよりも、これらのリーダーは、外科的精度でリソースをターゲットにするために、顆粒データを使用しています。 収入、雇用、教育、健康、および住宅に関する情報を活用することで、知事は、介入が最大の影響をもたらす最も脆弱な人口と介入を特定することができます。 このシフトは、単に政府の政策を変革するだけでなく、政策を実践するだけでなく、政策を変革するという点でもあります。

金融屋台は高いです。 米国は、現金援助やフードスタンプから仕事のトレーニングや手頃な価格の住宅に至るまで、反貧困プログラムで毎年数十億ドルを費やしています。 堅牢なデータなしで、そのお金の大部分は間接的にすることができます。 データ主導のガバナンスにより、状態は結果を測定し、リアルタイムでコースを調整し、すべての納税者が最大限の効果に活用されることを保証します。 その結果、両方の当事者の知事は、両方のデータ分析ユニットに投資している、政府機関と政府機関のデータを監視する方法は、将来のデータと政府機関の政策を促進し、政府機関の政策を促進します。

貧困を理解するデータのロール

データは、反作用から積極的に貧困削減の取り組みを移動させる上で重要な役割を果たしています。家族が危機に陥るのを待ってから、知事はデータを期待し、早期にサービスを提供できるようにすることができます。例えば、学校出席記録と健康クレームデータを分析することにより、家族が財政崩壊を経験しる前に貧困に陥る危険を子供を識別することができます。この種の早期介入は、異なる機関からのデータを統合し、一緒に分析するときにのみ可能です。

根本原因を識別する

貧困は、単一の要因の結果はほとんどありません。 これは、通常、相互接続された問題の複雑なWebです。低賃金、手頃な価格の育児の欠如、健康不足、差別、および地理的分離。 データは、これらの要因を議論し、その状態で最もプレスされているものを理解します。 例えば、農村状態の知事は、輸送の欠如が雇用の主障壁であることがわかり、都市の知事は、都市の危機に陥らない可能性があると判断します。 これらは、これらの危機に陥らないと判断し、これらのポリシーは欠落します。

脆弱な人口をターゲットに

データは、グループが貧困の影響を受けているかを明らかにします。年齢、レース、性別、障害状況による人口統計的な破壊は、知事がターゲットの介入を設計できるようにします。例えば、(5[)の5歳未満の子供[[]は、多くの開始状態で貧困に住んでいる可能性が高い年齢グループです。早期の小児教育入学を伴う断面的な子供の貧困データによって、彼らは家族全員が子供を犠牲にするために必要とされているすべての子が、最も高いレベルの子供が、家族が子供が子供が子供を増加する可能性が高いと家族が、家族が、子供が子供が子供が子供が子供を増加する可能性が高いと他のプログラムを増加させることができる。

地理的ホットスポットマッピング

地理情報システム(GIS)は、知事にとって不可欠なツールになりました。学校、病院、食料品店、公共運輸に関するデータとともにマップ上の貧困率をプロットすることにより、政策立案者は、貧困が集中し、リソースが不足している場所を正確に確認することができます。 ]のようないくつかの状態は、California]、検閲されたデータを検閲し、検閲された状態を政府機関に伝えるために、政府機関と公式のソリューションを組み合わせています。

主要データソースとメトリック

州知事は、貧困削減戦略を通知するために、幅広いデータソースに依存しています。 これらの中には、行政の調査がいくつかありますが、他の人々は管理記録や民間部門のパートナーシップから来ています。 以下は、一般的に使用されるデータの種類と、政策を通知する方法です。

  • [所得と雇用統計 - 米国Census局の米国コミュニティ調査(ACS)は、所得、貧困状況、雇用に関する年間データを提供します。 知事は、これらの数字を使用して、メディカイドやSNAPなどのプログラムの適格性を決定し、州の経済が増加しているかどうかを評価するために使用します。
  • 教育性能データ – 教育の州の部門は、試験スコア、卒業率、および学校の学歴に関するデータを収集します。このデータを所得データにリンクすることにより、知事は、達成ギャップを特定し、低所得の学生にサービスを提供する学校に投資することができます。 のようなプログラム]ミシガン州のプロミス奨学金は、そのような分析に基づいて対象としています。
  • 健康とヘルスケアアクセス情報 - データを主張し、病院の排出記録、行動リスク因子監視システム(BRFSS)などの調査は、知事は貧困の健康への影響を理解しています。例えば、低所得の人口間の糖尿病の高率を持つ状態は、予防ケアと栄養プログラムへのアクセスを拡大する可能性があります。
  • [] 住宅と住宅の不在性データ[ – 住宅と都市開発の部門は、賃貸負担、逸脱、ホームレスネスのカウントに関するデータを提供します。 知事は、住宅のバウチャーを割り当て、最も緊張したコミュニティで緊急避難所に資金を供給するために、この収入データをクロス参照することができます。
  • 情報 – 年齢、レース、民族性、および障害データが、株式を確実にするために不可欠である。 多くの知事は、貧困削減の取り組みがすべての人口に均等に到達しているかどうかを追跡する [ の関連ダッシュボード[[[を確立している。

これにより、代理店間でレコードをリンクする「」の統合データシステム(IDS)」もステートが利用しています。例えば、Oregonのの統合クライアントデータシステム[]は、各家族のニーズの全体的なビューを提供するためのヒューマンサービス、教育、および労働力機関からデータを接続します。このようなシステムは、各家族が必要とする複数のプログラムの衝撃を評価し、家族管理の負担を軽減することを可能にします。

知事がデータをどのように行動に翻訳するか

データ収集は最初のステップです。実際の課題は、実際に生活を変える政策への洞察を翻訳しています。状態の知事は、データ分析とプログラムの実装の間のギャップを埋めるためにいくつかのメカニズムを実験しています。

データ分析ユニットの確立

多くの知事は、オフィス内の専用のデータ分析チームやその管理下で作成しました。 これらのユニットは、データサイエンティスト、統計学者、およびポリシーアナリストが、エビデンスベースのプログラムを設計するために、代理店のリーダーと直接連携しています。 の州[]の州で、知事ジェイ・インスリーは]結果ワシントンの開始、データ管理者は、他のデータ分析の進捗状況を追跡するために、[FLT][FLT:[FLT:]]、[FLT:[FLT:]]]]、[F]]]]、[FLT: [F]]]]、[FLT: [F]]、[F]] [FLT: [F] [F] [FLT: [F] [F] [F] [F] [F] [F] [F] [FLT: [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F

初期介入のための予測モデリングを使用する

予測分析は、データ主導のヒアラカルで最も強力なツールの一つです。 歴史データを機械学習モデルに供給することにより、州は、家族が貧困に陥るリスクを最も高く評価したり、家用無関係を経験する可能性があることを予測することができます。 例えば、 ]の州は、マサチューセッツ[]]は、子供が介護、子供福祉、TANF( Needy Familiesの一時的な援助)からデータを保護し、子供が犠牲者を犠牲にし、子供が犠牲者を犠牲にし、家族の利益を犠牲にすることにすることにすることを意味するモデルを試みました。

予算決定データへのリンク

一部の知事は、予算プロセスに直接データを埋め込む. むしろ単なる貧困プログラムのためのライン項目を提案するよりも, 彼らは、有効性の証拠を提出するために代理店を必要とします. で ]]Ohio]]], 司主の予算と管理のオフィスは、「結果ファースト」アプローチを使用しています, 彼らのプログラムがランダム化された試験制御試験制御試験のような厳格な方法を使用して評価されていることを示すために、州の代理店を要求します. 追加のプログラムが、資金を受け取ったときに、プログラムが、証明されることはありません.

公共ダッシュボードとコミュニティの責任

透明性は、データ主導のガバナンスの重要な部分です。 多くの州は、リアルタイムで貧困メトリックを追跡するオンラインダッシュボードを公開しています。 これらのダッシュボードは、市民、ジャーナリスト、および擁護団体が、その知事の会計を把握できるようにします。 例えば、[]]]Nevadaは、Nevada Data-Driven Decision-Making:3:XNUMX]を公共プログラムに制限する場合には、公共のプログラムが低いコミュニティにシフトするプログラムが含まれている場合、公共の参加者が低いコミュニティに制限されます。

事例:アクションにおけるデータ駆動型貧困削減

カリフォルニア:統合データで子供貧困をターゲットに

ガビン・ニューソムは、特に子供にとって、中央優先順位を下げました。 2021年に、彼の管理は、2030年までに50%の子供貧困の目標を設定した、カリフォルニアの小児貧困削減法を「California Child Poverty Reduction Act」を立ち上げました。 進行状況を追跡するために、状態は、社会サービスの部門、教育部門、およびヘルスケアサービス部門を結びつける統合データシステムを構築しました。 このデータ、州は、税金を直接上昇させる影響を増加させました(California)。

ミシガン:GISを使用して、手頃な価格の住宅ファンドを割り当てる

知事のGレッシェン・ウィットマーの行政は、住宅のための連邦政府の風化救済資金を現実化するためにデータを使用していました。 ミシガン州住宅開発局(MSHDA)は、地域レベルの偏差の処理、負荷率のレンタル、および住宅の無数のカウントを分析しました。 彼らは、州の住宅の不安定性の60%以上のために会計4つのカウントが示されたことを見ました。 そのデータを使用して、知事は、レンタル援助と手頃な価格の開発のためのそれらのカウントに$ 100万ドルを指示しました。 成功したこのアプローチは、MSAが、すべてのデータを同じようにしました。

テキサス:労働データから個人化された労働力訓練

ガレ・グレッグ・アボットの労働力委員会、テキサス・ワークフォース・ソリューションズは、ローカル失業率、業界成長予測、パーソナライズされた職業訓練を提供する個々のスキルギャップに関するデータを使用しています。 データは、ヒューストンのエリアが認定看護アシスタント(CNA)の不足が認められたが、小売労働者の余剰は、州は、無置換小売労働者のための無料のトレーニングプログラムに資金を調達しました。 プログラムは6ヶ月以内にCNAジョブに1,200人以上を配置したプログラムで、8,000万ドルの保持率は、その費用対効果が低いプログラムです。

課題を克服:プライバシー、正確性、能力

約束にもかかわらず、データ主導の貧困削減は障害物なしではいません。知事は、プライバシーの懸念、データ品質の問題、および機関の抵抗の鉱山フィールドをナビゲートする必要があります。

データプライバシーと倫理的使用

複数の機関からデータを統合することで、プライバシーと潜在的な誤用に関する重大な懸念が高まります。貧困層の家族は既に脆弱であり、政府の監視のスペクターは、助けを求めるのを認めることができます。これに対処するには、いくつかの状態が]]を、プライバシーによるフレームワークを採用しています。例えば、])コネチカット]は、(:4:])を、犯罪者によるデータが特定されたデータが、または犯罪者のモデルを予測する必要がないことを予測します。

データの正確性と適時性を確保

データは、正確で現在の場合にのみ有用です。 多くの州の機関は、紙の形態やサイロ化されたデータベースなどの古いデータ収集方法に依存しています。 知事のデータ主導の取り組みは、悪いデータによって支配される可能性があります。 これに対処するには、州はモダンデータインフラストラクチャ]に投資しています。 API、クラウドストレージ、リアルタイムデータパイプラインを含む。 たとえば、州の[FLT]が、月間更新されるのではなく、この状態は[FLT]を生成するデータインフラストラクチャに投資しています。 [FLTFLTF]は、その更新をリアルタイムで作成します。 [FLTF]

建築技術容量

多くの州政府は、高度な分析を実行するために社内のデータサイエンスの専門知識が欠けています。 特に、民間セクターの給与が高い場合、データ才能を魅力的で保持することは、多年生的な課題です。 知事は、データフェローシップ[]を作成し、大学と提携することによって反応しています。 ]]、知事カティ・ホッフルの下で、 :4]を立ち上げ、PBT:4:XNUMXをXNUMX年にわたって実施したプログラムが、Samy-FLT:XNUMX年を超えるプログラムがXNUMX年間に開始されました。

データ駆動型貧困削減の未来

データ主導のガバナンスの風景は急速に進化しています。今後10年間に、知事が貧困と戦う方法が形成される可能性はいくつかあります。

人工知能と機械学習

AIと機械学習は、状態が記述分析(何が起こったのか)から、記述分析(何をすべきか)に移動することを可能にします。例えば、機械学習モデルは、予測された結果に基づいて、各家族のためのプログラムの最適なミックスを推薦するために、何千もの変数を分析することができます。AI主導のケース管理は、家族が18か月間、家族が過ごす時間を減らすことができることを示しました。

リアルタイムデータと連続フィードバックループ

年次報告書の代わりに、将来のプログラムはすぐに調整するためにリアルタイムデータを使用します。 モノ(IoT)デバイス、携帯電話データ、および電子的利益転送(EBT)取引レコードのインターネットは、経済の苦痛のアップ・ツー・数分の表示器を提供することができます。 知事は、特定の郡で食品スタンプの使用中のスパイクを見ることができるし、すぐにモバイルフードパントをデプロイするか、SNAPの利益レベルを調整することができます。

相互統計コラボレーションとデータ共有

貧困は州の線を尊重しません。州間移住、地方の労働市場、サプライチェーンの混乱はすべて貧困に影響を及ぼします。知事は、国知事協会の州立イノベーションネットワークのようなコンパクトで国境を越えてデータを共有し始めています。これにより、ピア州に対する貧困削減の取り組みをベンチマークし、他の場所で実証された最高のプラクティスを採用することができます。

コンテンツ

州知事によるデータの戦略的使用は、推測から科学への貧困削減努力を変革しています。根本的な原因を特定し、脆弱な人口をターゲットにし、リアルタイムで結果を測定することにより、知事はより効果的で効率的な介入を設計することができます。プライバシー、正確性、および容量の周りの課題は、トラジェクトリーは明確です。反貧困政策の未来は、データ駆動です。技術が進歩し、コラボレーションを深めるにつれて、これらのアプローチはさらに多くの先進的な解決策を先導するでしょう。