Nos últimos anos, os governadores estaduais dos Estados Unidos têm se voltado cada vez mais para abordagens orientadas por dados para lidar com a pobreza. Ao invés de confiar em programas amplos e unidimensionais, esses líderes estão usando dados granulares para direcionar recursos com precisão cirúrgica. Ao aproveitar informações sobre renda, emprego, educação, saúde e moradia, os governadores podem identificar as populações mais vulneráveis e intervir onde as intervenções terão maior impacto. Essa mudança não é apenas uma tendência – é uma repensar fundamental de como os governos estaduais combatem a pobreza, passando da formulação de políticas baseadas em intuição para estratégias baseadas em evidências mais transparentes, responsáveis e eficazes.

Os riscos financeiros são elevados. Os Estados gastam bilhões de dólares por ano em programas antipobreza, desde assistência em dinheiro e vales de alimentos até treinamento de emprego e moradia acessível. No entanto, sem dados robustos, muito desse dinheiro pode ser desviado. Governança orientada por dados permite que os estados meçam os resultados, ajustem o curso em tempo real e assegurem que cada dólar do contribuinte seja usado para o máximo efeito. Como resultado, governadores de ambas as partes estão investindo em unidades de análise de dados, em parceria com universidades e abrindo dados do governo ao público. Este artigo explora como os líderes estaduais estão usando dados para combater a pobreza e o que isso significa para o futuro da política social.

O papel dos dados na compreensão da pobreza

Os dados desempenham papel fundamental na mudança dos esforços de redução da pobreza de forma reativa para proativa, e em vez de esperarem que as famílias caiam em crise, os governadores podem utilizar dados para antecipar a necessidade e prestar serviços precocemente.Por exemplo, analisando registros de atendimento escolar e dados de demandas de saúde, um estado pode identificar crianças em risco de cair na pobreza antes de suas famílias sofrerem colapso financeiro, esse tipo de intervenção precoce só é possível quando dados de diferentes agências são integrados e analisados em conjunto.

Identificar as Causas Raízes

A pobreza raramente é resultado de um único fator. É tipicamente uma complexa rede de questões interligadas – baixos salários, falta de assistência à infância acessível, saúde precária, discriminação e isolamento geográfico. Os dados ajudam os governadores a desagregar esses fatores e entender quais são os mais urgentes em seu estado. Por exemplo, um governador de um estado rural pode descobrir que a falta de transporte é a principal barreira ao emprego, enquanto um governador de um estado urbano pode enfrentar uma crise de acessibilidade da habitação. Sem dados, essas nuances permaneceriam invisíveis e políticas perderiam a marca.

Abordagem de Populações Vulneráveis

Os dados revelam também quais grupos são desproporcionalmente afetados pela pobreza. As desagregações demográficas por idade, raça, gênero e estado de incapacidade permitem que os governadores delineiem intervenções direcionadas. Por exemplo, crianças menores de 5 anos[] são a faixa etária mais provável de viver em pobreza em muitos estados. Ao cruzar os dados de pobreza infantil com a inscrição na educação infantil, um governador pode alocar financiamento para programas pré-K em bairros onde são mais necessários. Da mesma forma, dados que mostram maiores taxas de pobreza entre mães solteiras podem levar a iniciativas que ampliem os subsídios de assistência à infância e as licenças familiares pagas.

Mapeamento de Pontos de Mancha Geográficos

Os sistemas de informação geográfica (SIG) tornaram-se ferramentas essenciais para os governadores. Ao traçarem taxas de pobreza em um mapa, juntamente com dados sobre escolas, hospitais, supermercados e trânsito público, os formuladores de políticas podem ver exatamente onde a pobreza está concentrada e quais recursos estão faltando. Alguns estados, como Califórnia[, criaram painéis voltados para o público que mostram dados de pobreza até o nível do setor censitário.

Fontes de Dados e Métricas Principais

Os governadores do Estado dependem de uma ampla gama de fontes de dados para informar suas estratégias de redução da pobreza. Alguns deles são inquéritos governamentais tradicionais, enquanto outros vêm de registros administrativos ou parcerias do setor privado. Abaixo estão os tipos de dados mais comumente utilizados e como eles informam a política.

  • Estatísticas de Rendimento e Emprego – O American Community Survey (ACS) do United Census Bureau fornece dados anuais sobre renda, pobreza e emprego. Governadores usam esses números para determinar a elegibilidade para programas como Medicaid e SNAP e para avaliar se a economia do estado está crescendo inclusivo.
  • Dados de Desempenho da Educação – Departamentos estaduais de educação coletam dados sobre escores de teste, taxas de graduação e disciplina escolar. Ao vincular esses dados aos dados de renda, os governadores podem identificar lacunas de realização e investir em escolas que atendem estudantes de baixa renda. Programas como Prometer Bolsas de estudo em Michigan são direcionados com base nessa análise.
  • Informações de Acesso à Saúde e à Saúde – Dados de reclamações, registros de alta hospitalar e inquéritos como o Behavioral Risk Factor Surveillance System (BRFSS) ajudam os governadores a compreender os impactos da pobreza na saúde. Por exemplo, estados com altas taxas de diabetes entre populações de baixa renda podem ampliar o acesso a programas de cuidados preventivos e nutrição.
  • House Affordability and Homelessless Data – O Departamento de Habitação e Desenvolvimento Urbano (HUD) fornece dados sobre encargos de aluguel, despejos e contagens de sem-abrigo. Governadores podem cruzar esta referência com dados de renda para alocar vales de habitação e financiar abrigos de emergência nas comunidades mais tensas.
  • Informações Demográficas – Os dados de idade, raça, etnia e deficiência são essenciais para garantir a equidade. Muitos governadores estabeleceram painéis de capital que rastreiam se os esforços de redução da pobreza estão atingindo todas as populações igualmente.

Cada vez mais, os estados também estão usando sistemas de dados integrados (IDS]] que ligam registros entre agências. Por exemplo, o Sistema de Dados Integrados do Cliente do Oregon conecta dados de serviços humanos, educação e agências de força de trabalho para fornecer uma visão holística das necessidades de cada família. Tais sistemas permitem que os governadores avaliem o impacto combinado de vários programas e reduzam a carga administrativa sobre as famílias.

Como os governadores traduzem dados em ação

Coletar dados é apenas o primeiro passo. O verdadeiro desafio reside em traduzir insights em políticas que realmente mudam vidas. Governadores do Estado estão experimentando vários mecanismos para preencher o hiato entre análise de dados e implementação do programa.

Estabelecendo unidades de análise de dados

Muitos governadores criaram equipes dedicadas de análise de dados dentro de seus escritórios ou sob seu controle. Essas unidades são compostas por cientistas de dados, estatísticos e analistas de políticas que trabalham diretamente com líderes de agências para projetar programas baseados em evidências.O estado de Washington, sob o comando do governador Jay Inslee, lançou a iniciativa Results Washington[, que usa painéis de dados para rastrear o progresso na redução da pobreza e outros objetivos fundamentais. Da mesma forma, Colorado criou o Governor’s Office of Data Analytics para coordenar o compartilhamento de dados entre departamentos.

Usando modelos preditivos para intervenção precoce

A análise preditiva é uma das ferramentas mais poderosas do arsenal orientado a dados. Ao alimentar dados históricos em modelos de aprendizado de máquina, os estados podem prever quais famílias estão em maior risco de cair na pobreza ou desabrigados. Por exemplo, o estado de Massachusetts pilotou um modelo que usa dados de acolhimento de crianças, bem-estar infantil e TANF (A assistência temporária para famílias necessitadas) para identificar famílias que poderiam se beneficiar de gerenciamento voluntário de casos. O programa reduziu a probabilidade de uma criança entrar no cuidado de acolhimento em 20% e salvou milhões de estado em custos de resposta a crises.

Ligação dos dados às decisões orçamentais

Alguns governadores estão incorporando dados diretamente no processo orçamentário. Ao invés de simplesmente propor itens de linha para programas de pobreza, eles exigem que as agências apresentem evidências de eficácia. Em Ohio, o Escritório de Orçamento e Gestão do governador usa uma abordagem “Resultados Primeiro”, exigindo que as agências estaduais mostrem que seus programas foram avaliados usando métodos rigorosos como ensaios controlados randomizados. Programas que não podem demonstrar impacto são desfinanciados, enquanto programas apoiados por evidências recebem recursos adicionais.

Painel de bordo público e responsabilização comunitária

Transparência é uma parte fundamental da governança orientada por dados. Muitos estados agora publicam painéis online que rastreiam métricas de pobreza em tempo real. Esses painéis permitem que cidadãos, jornalistas e grupos de advocacia mantenham seus governadores responsáveis. Por exemplo, Nevada[] criou o programa Nevada Data-Driven Decision-Making[, que inclui um painel público de pobreza. Quando uma métrica mostra um declínio no emprego entre residentes de baixa renda, os stakeholders comunitários podem pressionar o governador a ajustar programas de treinamento de força de trabalho.

Estudos de caso: Redução da pobreza conduzida pelos dados em ação

Califórnia: direcionando a pobreza infantil com dados integrados

O governador Gavin Newsom fez da redução da pobreza uma prioridade central, especialmente para as crianças. Em 2021, sua administração lançou a Califórnia Child Poverty Reduction Act, que estabeleceu um objetivo de reduzir a pobreza infantil em 50% até 2030. Para acompanhar o progresso, o estado construiu um sistema de dados integrado que liga o Departamento de Serviços Sociais, o Departamento de Educação e o Departamento de Serviços de Saúde. Usando esses dados, o estado identificou que expandir o Crédito de Imposto de Renda (CalEITC) do Estado e aumentar os benefícios do CalFresh (SNAP) tiveram o maior impacto na pobreza infantil. Em 2022, a Califórnia expandiu ambos os programas, levando a uma queda de 15% na pobreza infantil – resultado diretamente atribuível à análise dos dados.

Michigan: Usando o SIG para Alocar Fundos de Habitação Acessíveis

A administração do governador Gretchen Whitmer usou dados para reapropriar fundos federais de ajuda pandêmica para habitação. A Autoridade Estadual de Desenvolvimento de Habitação de Michigan (MSHDA) analisou dados de despejo de arquivos, taxas de carga de aluguel e contagens de sem-abrigo no nível do município. Eles descobriram que quatro municípios representavam mais de 60% da instabilidade habitacional do estado. Usando esses dados, o governador dirigiu um adicional de US $ 100 milhões para esses municípios para a assistência de aluguel e desenvolvimento de habitação acessível. A abordagem foi tão bem sucedida que o MSHDA agora usa esse mesmo modelo de dados para atingir todos os seus investimentos habitacionais.

Texas: Treinamento personalizado da força de trabalho a partir de dados trabalhistas

A comissão de funcionários do governador Greg Abbott, Texas Workforce Solutions, usa dados sobre taxas de desemprego local, projeções de crescimento da indústria e lacunas de habilidades individuais para oferecer treinamento personalizado de emprego. Quando os dados mostraram que a área de Houston tinha uma escassez de assistentes de enfermagem certificados (CNAs), mas um excedente de trabalhadores de varejo, o estado financiou um programa de treinamento gratuito para os trabalhadores de varejo deslocados. O programa colocou mais de 1.200 pessoas em empregos CNA dentro de seis meses, com uma taxa de retenção de 90% após um ano. O escritório do governador créditos a abordagem orientada por dados para o custo-efetividade do programa, observando que ele custa $3,000 por colocação em comparação com uma média de $8.000 para programas similares estatais.

Superando desafios: privacidade, precisão e capacidade

Apesar de sua promessa, a redução da pobreza baseada em dados não é sem obstáculos. Os governadores devem navegar por um campo minado de preocupações de privacidade, problemas de qualidade de dados e resistência institucional.

Privacidade de dados e uso ético

A integração de dados de várias agências suscita sérias preocupações sobre privacidade e potencial mau uso. As famílias em situação de pobreza já estão vulneráveis, e o espectro de vigilância do governo pode impedi-los de procurar ajuda. Para resolver isso, vários estados adotaram ]privacy-by-design frameworks. Por exemplo, Connecticut[[] criou o [Connecticut Data Collaborative[, que usa dados desidentificados e requer consentimento explícito para quaisquer dados ligados a indivíduos. Os governadores também devem garantir que os modelos preditivos não reforçam os preconceitos raciais ou econômicos – um risco documentado nos sistemas de bem-estar infantil e de justiça criminal.

Garantir a precisão e a pontualidade dos dados

Os dados só são úteis se forem precisos e atuais. Muitas agências estaduais dependem de métodos de coleta de dados ultrapassados, como formulários em papel ou bases de dados em silo que não se comunicam entre si. Uma iniciativa orientada por dados pode ser minada por dados ruins. Para combater isso, os estados estão investindo em infraestrutura de dados moderna, incluindo APIs, armazenamento em nuvem e pipelines de dados em tempo real. Por exemplo, Tennessee[[]] construiu um lago de dados em todo o estado que permite que as agências compartilhem dados em tempo real. O estado atualiza agora seu painel de pobreza mensalmente, em vez de anualmente, dando ao governador uma imagem mais precisa da necessidade.

Capacidade Técnica de Construção

Muitos governos estaduais não têm a experiência em ciência de dados interna para executar análises sofisticadas. Atrair e manter talentos de dados é um desafio perene, especialmente quando os salários do setor privado são mais elevados. Governadores responderam criando bolsas de dados] e fazendo parceria com universidades. Nova Iorque[, sob a Governadora Kathy Hochul, lançou o programa New York Civic Analytics[, que incorpora estudantes de doutorado da SUNY em agências estaduais para trabalhar em projetos relacionados à pobreza. O programa produziu mais de 50 recomendações políticas baseadas em evidências em dois anos.

O futuro da redução da pobreza gerada pelos dados

A situação da governança orientada por dados está evoluindo rapidamente. Várias tendências são susceptíveis de moldar como os governadores combatem a pobreza na próxima década.

Inteligência artificial e aprendizagem de máquina

A IA e o aprendizado de máquina permitirão que estados passem de análise descritiva (o que aconteceu) para análise prescritiva (o que devemos fazer). Por exemplo, um modelo de aprendizado de máquina poderia analisar milhares de variáveis para recomendar a combinação ideal de programas para cada família – treinamento de trabalho, assistência de crianças, assistência alimentar ou dinheiro – com base em resultados previstos.Os primeiros pilotos em Alabama[ mostraram que a gestão de casos orientada por IA pode reduzir o tempo que as famílias gastam na pobreza em até 18 meses.

Dados em tempo real e loops de feedback contínuo

Em vez de relatórios anuais, os futuros programas usarão dados em tempo real para se ajustar rapidamente. dispositivos Internet das Coisas (IoT), dados de telefone celular e registros de transações de transferência de benefícios eletrônicos (EBT) podem fornecer indicadores atualizados de sofrimento econômico. Um governador pode ver um pico no uso de senhas de alimentos em um município específico e imediatamente implantar despensas de alimentos móveis ou ajustar os níveis de benefícios SNAP.

Colaboração e partilha de dados entre Estados

A pobreza não respeita as linhas de estado. A migração interestadual, os mercados de trabalho regionais e as perturbações da cadeia de abastecimento afectam a pobreza. Os governadores começam a partilhar dados através de acordos como a Rede de Inovação de Estado da Associação Nacional de Governadores. Isto permite-lhes avaliar os seus esforços de redução da pobreza contra os Estados-Membros e adoptar as melhores práticas que foram comprovadas noutros países.

Conclusão

O uso estratégico de dados por governadores estaduais está transformando esforços de redução da pobreza de suposições em ciência. Ao identificar causas básicas, direcionando populações vulneráveis e medindo resultados em tempo real, os governadores podem projetar intervenções que são tanto mais eficazes quanto mais eficientes.Enquanto desafios em torno da privacidade, precisão e capacidade permanecem, a trajetória é clara: o futuro da política antipobreza é impulsionado por dados. À medida que os avanços tecnológicos e a colaboração se aprofundam, essas abordagens se tornarão ainda mais sofisticadas, levando a soluções mais equitativas e duradouras para as comunidades em todo o país.Os governadores que abraçarem essa transformação serão os que mais profundos na pobreza – e que definirão o padrão para uma governança responsável e orientada para resultados no século XXI.