Pada tahun-tahun belakangan ini, para gubernur negara bagian di seluruh Amerika Serikat telah semakin beralih ke pendekatan yang didorong data untuk mengatasi kemiskinan. alih-alih mengandalkan program yang luas, satu-berukuran-fit-semua, para pemimpin ini sekarang menggunakan data granular untuk menargetkan sumber daya dengan presisi bedah. dengan memanfaatkan informasi tentang pendapatan, pekerjaan, pendidikan, kesehatan, dan perumahan, gubernur dapat mengidentifikasi populasi yang paling rentan dan intervensi di mana intervensi akan memiliki dampak terbesar. pergeseran ini bukan sekadar tren ⁇ ini adalah gambaran ulang mendasar tentang bagaimana pemerintah negara memerangi kemiskinan, bergerak dari kebijakan berbasis-intuisi untuk-pembuatan-pembuatan-berdasarkan strategi yang berbasis bukti yang lebih transparan, dan lebih efektif, dan akuntabel.

Perusahaan-perusahaan yang memiliki saham keuangan tinggi. Amerika secara kolektif menghabiskan miliaran dolar setiap tahun pada program anti-poverty yang dimulai dari bantuan tunai dan perang makanan untuk pelatihan pekerjaan dan perumahan yang terjangkau. namun tanpa data yang kuat, banyak dari uang tersebut dapat disalah arah. pengaturan yang digerakkan data memungkinkan negara untuk mengukur hasil, menyesuaikan haluan dalam waktu nyata, dan memastikan bahwa setiap dolar pajak digunakan untuk efek maksimum. sebagai akibatnya, gubernur dari kedua pihak berinvestasi dalam unit analitik data, bermitra dengan universitas, dan membuka data pemerintah untuk publik. Artikel ini mengeksplorasi bagaimana para pemimpin negara menggunakan data kemiskinan ⁇ dan apa yang berarti untuk kebijakan sosial.

Peranan Data dalam Memahami Kemiskinan

Data ensiklik memiliki peran penting dalam memindahkan upaya pengurangan kemiskinan dari reaktif ke proaktif. Alih-alih menunggu keluarga jatuh ke dalam krisis, gubernur dapat menggunakan data untuk mengantisipasi kebutuhan dan menyampaikan layanan lebih awal.Sebagai contoh, dengan menganalisis catatan kehadiran sekolah dan data klaim kesehatan, sebuah negara dapat mengidentifikasi anak-anak berisiko jatuh ke dalam kemiskinan sebelum keluarga mereka mengalami keruntuhan keuangan.Leturan awal semacam ini hanya mungkin ketika data dari lembaga yang berbeda terintegrasi dan dianalisis bersama.

Penyebab Akar yang Mengidentifikasi

Kemiskinan adalah jarang terjadi karena faktor tunggal. biasanya merupakan web kompleks dari isu-isu yang saling berkaitan ⁇ low low low low low, kekurangan dari anak-anak yang terjangkau, kesehatan yang buruk, diskriminasi, dan isolasi geografis. data membantu gubernur untuk tidak memahami faktor-faktor ini dan memahami mana yang paling menekan di negara mereka. sebagai contoh, seorang gubernur di pedesaan mungkin akan menemukan bahwa kurangnya transportasi adalah penghalang utama untuk pekerjaan, sementara seorang gubernur di sebuah negara perkotaan mungkin menghadapi krisis kemampuan perumahan. tanpa data, nuansa ini akan tetap tidak terlihat dan kebijakan akan kehilangan tanda.

Target Target Penduduk yang Berbahaya

Data yang juga mengungkapkan kelompok mana yang secara tidak proporsional terpengaruh oleh kemiskinan.Keputusan demografis oleh usia, ras, jenis kelamin, dan status cacat memungkinkan gubernur untuk merancang intervensi yang ditargetkan. Sebagai contoh, anak-anak di bawah 5] adalah kelompok usia yang paling mungkin hidup dalam kemiskinan di banyak negara.Dengan mencoret data kemiskinan anak dengan pendidikan anak usia dini yang diinformasikan, seorang gubernur dapat mengalokasikan pendanaan untuk program pra-K di lingkungan sekitar di mana mereka sangat dibutuhkan.Serupa, data yang menunjukkan tingkat kemiskinan yang lebih tinggi di antara ibu tunggal dapat menyebabkan inisiatif yang memperluas subsidi anak dan cuti yang dibayarkan.

Kentang Panas Geografis Pemetaan Beepping

Sistem informasi Geografis (GIS) telah menjadi alat penting bagi gubernur. Dengan merencanakan angka kemiskinan pada peta di samping data di sekolah, rumah sakit, toko grosir, dan transit publik, pembuat kebijakan dapat melihat persis di mana kemiskinan terkonsentrasi dan sumber daya apa yang hilang. Beberapa negara bagian, seperti California[], telah menciptakan dashboard yang menerpa publik yang menunjukkan data kemiskinan turun ke tingkat risalah sensus. Alat-alat ini memberdayakan pejabat lokal dan organisasi masyarakat untuk berkolaborasi dengan pemerintah negara bagian pada solusi yang ditargetkan.

Sumber Data Kunci dan Metrik

Gubernur negara bagian provinsi provinsi yang mengandalkan berbagai macam sumber data untuk menginformasikan strategi pengereman kemiskinan mereka. beberapa di antaranya adalah survei pemerintah tradisional, sementara yang lain berasal dari catatan administratif atau kemitraan sektor swasta.di bawah ini adalah jenis data yang paling sering digunakan dan bagaimana mereka menginformasikan kebijakan.

  • Keanekaragaman Keanekaragaman Kependudukan dan Kepegawaian Statistik ⁇ Badan Survei Komunitas Amerika Serikat (ACS) menyediakan data tahunan tentang pendapatan, status kemiskinan, dan pekerjaan. Gubernur menggunakan angka-angka ini untuk menentukan kelayakan program seperti Medicaid dan SNAP dan untuk mengevaluasi apakah ekonomi negara berkembang secara inklusif.
  • Oncez Data Kinerja Pendidikan] ⁇ Departemen-departemen pendidikan negeri mengumpulkan data tentang nilai ujian, tingkat kelulusan, dan disiplin sekolah.Dengan menghubungkan data ini dengan data pendapatan, gubernur dapat mengidentifikasi kesenjangan prestasi dan investasi di sekolah yang melayani siswa berpenghasilan rendah.Program seperti Promise Scholarships di Michigan ditargetkan berdasarkan analisis tersebut.
  • Ketahanan dan Kesehatan Informasi Akses Kesihatan] ⁇ Klaim data, catatan debit rumah sakit, dan survei seperti Behavioral Risk Factor Surveillance System (BRFSS) membantu gubernur memahami dampak kesehatan dari kemiskinan.Sebagai contoh, negara dengan tingkat diabetes yang tinggi di antara populasi berpendapatan rendah mungkin memperluas akses ke layanan pencegahan dan program gizi.
  • OCLC [[]]Mengasingkan Affordability and Homelesslessness Data]] Departemen Perumahan dan Pembangunan Perkotaan (HUD) menyediakan data tentang beban sewa, pengusiran, dan kecerobohan rumah . Gubernur dapat melakukan referensi silang dengan data pendapatan untuk mengalokasikan voucher perumahan dan mendanai penampungan darurat di komunitas yang paling tegang.
  • [[ZOGNOLT:0]]Demographic Information ⁇ Umur, ras, etnis, dan data cacat sangat penting untuk memastikan ekuitas. Banyak gubernur telah menetapkan ] ⁇ Age, ras, etnis, dan data disabilitas yang melacak apakah upaya pengurangan kemiskinan mencapai semua populasi sama rata.

Secara bertahap, negara bagian juga menggunakan sistem data terintegrasi (IDS) yang menghubungkan catatan di seluruh lembaga. Sebagai contoh, Integrated Client Data System menghubungkan data dari layanan manusia, pendidikan, dan lembaga kerja untuk memberikan pandangan holistik terhadap kebutuhan masing-masing keluarga.Sistem tersebut memungkinkan gubernur untuk mengevaluasi dampak gabungan dari berbagai program dan mengurangi beban administratif pada keluarga.

Bagaimana Gubernur Menerjemahkan Data ke dalam Tindakan

Tantangan sebenarnya terletak pada menerjemahkan pemahaman ke dalam kebijakan yang benar-benar mengubah kehidupan gubernur negara bereksperimen dengan beberapa mekanisme untuk menjembatani kesenjangan antara analisis data dan implementasi program.

Membentuk Satuan Analitik Data

Banyak gubernur yang telah menciptakan tim-tim analitik data yang berdedikasi di dalam kantor mereka atau di bawah kendali mereka. Unit-unit ini dibekali oleh ilmuwan data, statistik, dan analis kebijakan yang bekerja langsung dengan pemimpin lembaga untuk merancang program berbasis bukti. Negara Washington[, di bawah Gubernur Jay Inslee, meluncurkan Results Washington inisiatif], yang menggunakan dashboard data untuk melacak kemajuan pada pengurangan kemiskinan dan tujuan kunci lainnya., begitu pula,FLT4]] meluncurkan [TFLT:2]]Results WashingtonGnors of Offices]], yang menggunakan data dashboards untuk melacak data untuk melakukan koordinasi terhadap data-dataransimen yang berbeda[T].

Memodelkan Ramalan untuk Penanggulangan Awal

Arang-arang prediktif adalah salah satu alat paling kuat dalam gudang data-driven. Dengan memberi makan data historis ke model pembelajaran mesin, negara dapat memprediksi keluarga mana yang berisiko tertinggi jatuh ke dalam kemiskinan atau mengalami kecerobohan rumah. Sebagai contoh, negara Massachusetts[]]] Mempiloti model yang menggunakan data dari perawatan asuh, kesejahteraan anak, dan TANF (Temporary Assistance for Needy Families) untuk mengidentifikasi keluarga yang dapat memperoleh keuntungan dari manajemen sukarela. Program seperti keperawatan anak yang masuk ke panti asuhan 20% dan biaya perawatan kesehatan yang disimpan dalam krisis.

Data Terkait Ke dalam Keputusan Anggaran

Beberapa gubernur yang membenamkan data langsung ke dalam proses anggaran. Alih-alih semata mengusulkan item garis untuk program kemiskinan, mereka mengharuskan lembaga untuk mengajukan bukti efektivitas. Dalam Ohio, Kantor Pusat Anggaran dan Manajemen gubernur menggunakan pendekatan \"Results-First\", mengharuskan lembaga negara untuk menunjukkan bahwa program mereka telah dievaluasi menggunakan metode yang ketat seperti uji coba terkontrol acak.Program yang tidak dapat menunjukkan dampaknya adalah depaid, sementara program yang didukung bukti menerima sumber daya tambahan.

Papan Dasbor Publik dan Akuntabilitas Komunitas

Transparansi poltransparan merupakan bagian kunci dari pemerintahan yang didorong data. Banyak negara kini menerbitkan dasbor online yang melacak metrik kemiskinan secara real time. dasbor ini memungkinkan warga, jurnalis, dan kelompok advokasi untuk memegang tanggung jawab gubernur mereka. Misalnya, Nevada[ membuat Nevada Data-Driven Keputusan-Making program, yang mencakup dashboard kemiskinan publik. Ketika metrik menunjukkan penurunan dalam pekerjaan di antara penduduk berpenghasilan rendah, para stakehold masyarakat dapat mendorong program pelatihan gubernur.

Studi Kasus Kasus: Pengurangan Kemiskinan Pembiayaan Data-Driven dalam Aksi

California: Menargetkan Kemiskinan Anak dengan Data Terpadu

Gubernur Gavin Gavina Newsom telah membuat pengurangan kemiskinan menjadi prioritas utama, khususnya bagi anak-anak.Pada tahun 2021, administrasinya meluncurkan California Child Poverty Reduction Act[], yang menetapkan tujuan untuk memotong kemiskinan anak-anak pada tahun 2030. Untuk melacak kemajuan, negara membangun sistem data terintegrasi yang menghubungkan Departemen Layanan Sosial, Departemen Pendidikan, dan Departemen Layanan Perawatan Kesehatan. Dengan menggunakan data ini, negara mengidentifikasi bahwa memperluas Kredit Pajak Terapan Negara (CLAITC) dan meningkatkan CalFresh (APSN) memiliki manfaat besar pada kemiskinan anak. Pada tahun 2022, keduanya memperluas program ke tingkat kemiskinan, yang menyebabkan anak jatuh miskin secara langsung ⁇ namun menurun pada data yang diperoleh secara langsung.

Michigan: Menggunakan GIS untuk Alokasi Dana Perumahan yang Mudah Diperoleh

Gubernur Gretchen Whitmer menggunakan data untuk merelokasi dana bantuan pandemi federal untuk perumahan.

Texas: Pelatihan Tenaga Kerja Pribadi dari Data Tenaga Kerja

Komisi Ketenagakerjaan Gubernur Greg Abbott, Texas Worforce Solutions, menggunakan data tentang tingkat pengangguran lokal, proyeksi pertumbuhan industri, dan kesenjangan keterampilan individu untuk menawarkan pelatihan pekerjaan yang dipersonalisasi.Ketika data menunjukkan bahwa daerah Houston memiliki kekurangan asisten perawat bersertifikat (CNAs) tetapi surplus pekerja ritel, negara mendanai program pelatihan gratis untuk pekerja ritel yang tidak mendapat biaya lebih dari 1.200 orang di CNA pekerjaan dalam waktu enam bulan, dengan tingkat retensi 90% setelah satu tahun. Kantor gubernur kredit data-driven untuk pendekatan biaya program, tidak biaya $3.000 per penempatan rata-rata per 18.000 program negara.

Tantangan yang Mengatasi Kekemurahan: Kerahsiaan, Ketepatan, dan Kapasitas

Menyadari janji, pengurangan kemiskinan yang didorong data tidak tanpa hambatan Gubernur harus mengarahkan sebuah bidang rahasia, masalah kualitas data, dan perlawanan institusional.

Data Privasi dan Penggunaan Etis

Data yang terintegrasi dari lembaga yang banyak menimbulkan kekhawatiran serius tentang privasi dan potensi penyalahgunaan. Keluarga dalam kemiskinan sudah rentan, dan spekter pengawasan pemerintah dapat menghalangi mereka dari mencari bantuan. Untuk mengatasi hal ini, beberapa negara telah mengadopsi Connected-by-design frameworks. Sebagai contoh, Connecticudeut[ menciptakan Connectoutut Data Collaborative], yang menggunakan data de-ident]] dan data eksplisit membutuhkan data terkait untuk individu. Gubernur juga harus memastikan bahwa model yang tidak memperkuat atau memperparahkan biaskan nilai-nilai ekonomisitas yang telah didokumentasikan oleh sistem-sistem kriminal dan keadilan.

Memeraskan Ketepatan dan Ketepatan Data

Data access-dated hanya berguna jika akurat dan sekarang. Banyak lembaga negara yang mengandalkan metode pengumpulan data yang ketinggalan zaman, seperti bentuk kertas atau basis data siloed yang tidak saling berkomunikasi. Sebuah inisiatif yang digerakkan oleh data gubernur dapat dicekal oleh data yang buruk. Untuk memerangi ini, negara-negara berinvestasi dalam Infrastruktur data modern[, termasuk API, penyimpanan awan, dan pipa data real-time. Sebagai contoh, Tennnesee] sebuah data yang dibangun oleh lembaga-lembaga yang berbagi data secara nyata dalam waktu yang sekarang terputus-putusnya kelampauran bulanan daripada gambar tahunan gubernur yang lebih akurat.

Bangunan Gedung Teknikal Kapasitas

Banyak pemerintah negara bagian yang kekurangan keahlian ilmu data rumah untuk menjalankan analisis canggih. Menarik dan mempertahankan bakat data adalah tantangan perennial, terutama ketika gaji sektor swasta lebih tinggi. Gubernur telah menanggapi dengan menciptakan data fellowships[ dan bermitra dengan universitas. New York[, di bawah Gubernur Kathy Hochul, meluncurkan New York Civic Analytics] program, yang membenamkan mahasiswa PhD dari SUNY ke lembaga negara bagian untuk bekerja pada proyek-proyek terkait. Program ini telah menghasilkan bukti lebih dari 50 tahun dalam rekomendasi.

Pengurangan Kemiskinan Pengurangan Pengurangan Kemiskinan yang Memacu Data

Beberapa tren cenderung membentuk bagaimana gubernur memerangi kemiskinan dalam dekade mendatang.

Kecerdasan dan Pembelajaran Mesin yang Bermararsial

AI dan pembelajaran mesin akan memungkinkan negara untuk bergerak dari analitik deskriptif (apa yang terjadi) ke analitik preskriptif (apa yang harus kita lakukan). Sebagai contoh, model pembelajaran mesin dapat menganalisis ribuan variabel untuk merekomendasikan campuran program yang optimal untuk setiap keluarga ⁇ latihan kerja, perawatan anak, bantuan makanan, atau kas ⁇ berdasarkan hasil yang diprediksi. Pilot awal dalam Alabama telah menunjukkan bahwa manajemen kasus AI-driven dapat mengurangi waktu yang dihabiskan keluarga dalam kemiskinan hingga 18 bulan.

Data Real-Time dan Gelung Balik Suapan Berterusan

Ketimbang laporan tahunan, program-program mendatang akan menggunakan data real-time untuk menyesuaikan dengan cepat. Perangkat Internet of Things (IoT), data telepon genggam, dan transfer manfaat elektronik (EBT) Catatan transaksi dapat memberikan indikator tingkat kesulitan ekonomi yang mutakhir. Seorang gubernur mungkin melihat lonjakan penggunaan cap makanan di county tertentu dan segera menyebarkan pantri makanan seluler atau menyesuaikan tingkat manfaat SNAP.

Perkongsian Data dan Kolaborasi Lintas-Negeri

Kemiskinan di luar batas negara tidak menghormati garis negara. migrasi antar negara, pasar buruh regional, dan gangguan rantai pasokan semua mempengaruhi kemiskinan. Gubernur mulai berbagi data lintas perbatasan melalui kompak seperti Jaringan Inovasi Negara Gubernur Nasional Asosiasi]. Hal ini memungkinkan mereka untuk benchmark upaya pengurangan kemiskinan mereka terhadap negara-negara rekan dan mengadopsi praktik terbaik yang telah terbukti di tempat lain.

Kesimpulan Kesia-siaan

Kegunaan strategis data oleh gubernur negara adalah mengubah upaya pengurangan kemiskinan dari tebakan menjadi ilmu pengetahuan.Dengan mengidentifikasi penyebab akar, menargetkan populasi rentan, dan mengukur hasil dalam waktu nyata, gubernur dapat merancang intervensi yang baik efektif maupun lebih efisien.Sementara tantangan di sekitar privasi, akurasi, dan kapasitas tetap, lintasan jelas: masa depan kebijakan anti-kemiskinan adalah data yang didorong.Sebagai kemajuan teknologi dan kolaborasi mendalam, pendekatan ini akan menjadi lebih canggih, mengarah pada solusi yang lebih adil dan bertahan lama bagi masyarakat di seluruh bangsa.Gubernur yang menganut transformasi ini akan membuat orang yang paling dalam kemelaratan ⁇ dan menetapkan standard kemiskinan, yang bertanggung jawab untuk hasil yang berorientasi pada 21 abad.