Table of Contents

В последние годы губернаторы штатов по всей территории Соединенных Штатов все чаще обращаются к подходам, основанным на данных, для решения проблемы бедности. Вместо того, чтобы полагаться на широкие, универсальные программы, эти лидеры теперь используют подробные данные для таргетирования ресурсов с хирургической точностью. Используя информацию о доходах, занятости, образовании, здравоохранении и жилье, губернаторы могут выявлять наиболее уязвимые группы населения и вмешиваться там, где вмешательства будут иметь наибольшее влияние. Этот сдвиг - это не просто тенденция - это фундаментальное переосмысление того, как правительства штатов борются с бедностью, переходя от разработки политики на основе интуиции к основанным на фактических данных стратегиям, которые являются более прозрачными, подотчетными и эффективными.

Государства ежегодно тратят миллиарды долларов на программы борьбы с бедностью, начиная от денежной помощи и продовольственных талонов до обучения работе и доступного жилья. Тем не менее, без надежных данных большая часть этих денег может быть неправильно направлена. Управление, основанное на данных, позволяет государствам измерять результаты, корректировать курс в режиме реального времени и обеспечивать, чтобы каждый доллар налогоплательщиков использовался для достижения максимального эффекта. В результате губернаторы обеих сторон инвестируют в подразделения аналитики данных, сотрудничая с университетами и открывая правительственные данные для общественности. В этой статье исследуется, как государственные лидеры используют данные для борьбы с бедностью - и что это означает для будущего социальной политики.

Роль данных в понимании бедности

Данные играют решающую роль в переходе усилий по сокращению бедности от реактивных к проактивным. Вместо того, чтобы ждать, пока семьи впадут в кризис, губернаторы могут использовать данные для прогнозирования потребностей и предоставления услуг на ранней стадии. Например, анализируя записи о посещаемости школ и данные о медицинских претензиях, государство может идентифицировать детей, подверженных риску попасть в нищету, прежде чем их семьи столкнутся с финансовым крахом. Такой ранний вид вмешательства возможен только тогда, когда данные различных учреждений объединяются и анализируются вместе.

Выявление корневых причин

Бедность редко является результатом одного фактора. Обычно это сложная сеть взаимосвязанных проблем — низкая заработная плата, отсутствие доступного ухода за детьми, плохое здоровье, дискриминация и географическая изоляция. Данные помогают губернаторам дезагрегировать эти факторы и понять, какие из них наиболее актуальны в их штате. Например, губернатор в сельском штате может обнаружить, что отсутствие транспорта является основным препятствием для занятости, в то время как губернатор в городском штате может столкнуться с кризисом доступности жилья. Без данных эти нюансы останутся невидимыми, и политика упустит этот след.

Целенаправленная борьба с уязвимыми группами населения

Данные также показывают, какие группы непропорционально страдают от нищеты. Демографические разбивки по возрасту, расе, полу и статусу инвалидности позволяют губернаторам разрабатывать целевые мероприятия. Например, дети в возрасте до 5 лет являются возрастной группой, наиболее вероятно живущей в бедности во многих штатах. С помощью перекрестных ссылок на данные о детской бедности с зачислением в дошкольное образование губернатор может выделять финансирование для программ до К в районах, где они больше всего нужны. Аналогичным образом, данные, показывающие более высокие показатели бедности среди матерей-одиночек, могут привести к инициативам, которые расширяют субсидии на уход за детьми и оплачиваемый отпуск по семейным обстоятельствам.

Картографирование географических горячих точек

Географические информационные системы (ГИС) стали важными инструментами для губернаторов. На основе сопоставления показателей бедности на карте с данными о школах, больницах, продуктовых магазинах и общественном транспорте политики могут точно видеть, где сосредоточена бедность и какие ресурсы отсутствуют. Некоторые штаты, такие как Калифорния, создали общедоступные информационные панели, которые показывают данные о бедности до уровня переписных участков. Эти инструменты позволяют местным должностным лицам и общественным организациям сотрудничать с правительством штата в отношении целевых решений.

Ключевые источники данных и метрики

Губернаторы штатов используют широкий спектр источников данных для информирования о своих стратегиях сокращения масштабов нищеты. Некоторые из них являются традиционными правительственными обследованиями, в то время как другие представляют собой административные документы или партнерства с частным сектором. Ниже приводятся наиболее часто используемые типы данных и способы их информирования о политике.

  • Статистика доходов и занятости — Ежегодное исследование Американского сообщества Бюро переписи населения США (ACS) предоставляет данные о доходах, статусе бедности и занятости. Губернаторы используют эти цифры для определения права на программы, такие как Medicaid и SNAP, и для оценки того, растет ли экономика штата включительно.
  • Данные об эффективности образования — Государственные департаменты образования собирают данные о результатах тестов, показателях выпускников и школьной дисциплине. Связывая эти данные с данными о доходах, губернаторы могут выявлять пробелы в достижениях и инвестировать в школы, которые обслуживают учащихся с низким доходом. Такие программы, как Обещание стипендий в Мичигане, ориентированы на основе такого анализа.
  • Информация о доступе к здравоохранению и здравоохранению — Данные о претензиях, записи о выписке из больницы и опросы, такие как Система наблюдения за поведенческими факторами риска (BRFSS), помогают губернаторам понять последствия бедности для здоровья. Например, штаты с высокими показателями диабета среди населения с низким уровнем дохода могут расширить доступ к программам профилактической помощи и питания.
  • Данные о доступности жилья и бездомности — Департамент жилищного строительства и городского развития (HUD) предоставляет данные о бремени арендной платы, выселениях и количестве бездомных. Губернаторы могут сопоставить это с данными о доходах для распределения жилищных ваучеров и финансирования аварийных приютов в наиболее напряженных общинах.
  • Демографическая информация — Данные о возрасте, расе, этнической принадлежности и инвалидности имеют важное значение для обеспечения справедливости. Многие губернаторы создали панели инструментов справедливости, которые отслеживают, достигают ли усилия по сокращению бедности всех групп населения одинаково.

Все чаще штаты также используют интегрированные системы данных (IDS) , которые связывают записи между агентствами. Например, интегрированная система данных клиентов (FLT:2]] в Орегоне объединяет данные из агентств по обслуживанию людей, образованию и рабочей силе, чтобы обеспечить целостное представление о потребностях каждой семьи. Такие системы позволяют губернаторам оценивать совокупное влияние нескольких программ и снижать административную нагрузку на семьи.

Как губернаторы переводят данные в действие

Сбор данных - это только первый шаг. Реальная проблема заключается в том, чтобы понять политику, которая действительно меняет жизнь. Губернаторы штатов экспериментируют с несколькими механизмами, чтобы преодолеть разрыв между анализом данных и реализацией программ.

Создание подразделений Data Analytics

Многие губернаторы создали специальные группы по анализу данных в своих офисах или под своим контролем. Эти подразделения укомплектованы учеными по данным, статистиками и политическими аналитиками, которые работают непосредственно с руководителями агентств для разработки основанных на фактических данных программ. Состояние Вашингтон , при губернаторе Джее Инсли, запустило инициативу Результаты Вашингтона , которая использует информационные панели для отслеживания прогресса в сокращении бедности и других ключевых целей. Аналогичным образом Колорадо создал Управление по анализу данных губернатора для координации обмена данными между департаментами.

Использование прогнозного моделирования для раннего вмешательства

Предиктивная аналитика является одним из самых мощных инструментов в арсенале данных. Подавая исторические данные в модели машинного обучения, государства могут предсказать, какие семьи подвергаются наибольшему риску попасть в нищету или столкнуться с бездомностью. Например, штат Массачусетс пилотировал модель, которая использует данные из приемной семьи, благосостояния детей и TANF (Временная помощь нуждающимся семьям) для выявления семей, которые могут извлечь выгоду из добровольного ведения дел. Программа снизила вероятность того, что ребенок попадет в приемную семью на 20% и спасла миллионы штатов в расходах на кризисное реагирование.

Связь данных с бюджетными решениями

Некоторые губернаторы встраивают данные непосредственно в бюджетный процесс. Вместо того, чтобы просто предлагать статьи статей для программ по борьбе с бедностью, они требуют от агентств представления доказательств эффективности. В Огайо Управление по бюджету и управлению губернатора использует подход «Результаты-Первые», требуя от государственных учреждений показать, что их программы были оценены с использованием строгих методов, таких как рандомизированные контролируемые испытания. Программы, которые не могут продемонстрировать влияние, не финансируются, в то время как программы, поддерживаемые доказательствами, получают дополнительные ресурсы.

Публичные панели мониторинга и подотчетность сообщества

Прозрачность является ключевой частью управления, основанного на данных. Многие штаты теперь публикуют онлайн-панели мониторинга показателей бедности в режиме реального времени. Эти панели позволяют гражданам, журналистам и группам защиты интересов привлекать своих губернаторов к ответственности. Например, Невада создала Невада, ориентированную на данные, программу принятия решений , которая включает в себя панель управления общественной бедностью. Когда показатель показывает снижение занятости среди жителей с низким уровнем дохода, заинтересованные стороны сообщества могут подтолкнуть губернатора к корректировке программ обучения рабочей силы.

Тематические исследования: сокращение бедности, обусловленное данными, в действии

Калифорния: борьба с детской бедностью с помощью интегрированных данных

Губернатор Гэвин Ньюсом сделал сокращение бедности центральным приоритетом, особенно для детей. В 2021 году его администрация запустила Закон о сокращении бедности детей в Калифорнии, который поставил цель сократить бедность детей на 50% к 2030 году. Для отслеживания прогресса штат построил интегрированную систему данных, которая связывает Департамент социальных услуг, Департамент образования и Департамент здравоохранения. Используя эти данные, штат определил, что расширение государственного налогового кредита на заработанный доход (CalEITC) и увеличение пособий CalFresh (SNAP) оказали наибольшее влияние на детскую бедность. В 2022 году Калифорния расширила обе программы, что привело к 15%-му падению детской бедности - результат, непосредственно связанный с анализом данных.

Мичиган: использование ГИС для выделения доступных жилищных фондов

Администрация губернатора Гретхен Уитмер использовала данные для перераспределения федеральных фондов помощи при пандемии на жилье. Управление жилищного развития штата Мичиган (MSHDA) проанализировало данные о выселении, арендной плате и количестве бездомных на уровне округа. Они обнаружили, что четыре округа составляют более 60% нестабильности жилья в штате. Используя эти данные, губернатор направил дополнительные 100 миллионов долларов в эти округа для помощи в аренде и доступного развития жилья. Подход был настолько успешным, что MSHDA теперь использует ту же модель данных для таргетирования всех своих инвестиций в жилье.

Техас: Персонализированное обучение рабочей силы по данным о труде

Комиссия по трудоустройству губернатора Грега Эбботта, Texas Workforce Solutions, использует данные о местном уровне безработицы, прогнозах роста промышленности и индивидуальных пробелах в навыках, чтобы предложить персонализированное обучение. Когда данные показали, что в районе Хьюстона не хватало сертифицированных помощников медсестер (CNA), но избыток розничных работников, штат финансировал бесплатную программу обучения для перемещенных розничных работников. Программа разместила более 1200 человек на рабочих местах CNA в течение шести месяцев, с 90%-ным коэффициентом удержания после одного года. Офис губернатора кредитует подход, основанный на данных, для экономической эффективности программы, отметив, что это стоит 3000 долларов за размещение по сравнению со средним значением 8000 долларов для аналогичных государственных программ.

Преодоление проблем: конфиденциальность, точность и емкость

Несмотря на свои обещания, сокращение бедности, обусловленное данными, не лишено препятствий. Губернаторы должны ориентироваться в минном поле проблем конфиденциальности, проблем качества данных и институционального сопротивления.

Конфиденциальность данных и этичное использование

Интеграция данных из нескольких агентств вызывает серьезную озабоченность по поводу конфиденциальности и потенциального злоупотребления. Семьи в нищете уже уязвимы, и призрак правительственного наблюдения может помешать им обратиться за помощью. Для решения этой проблемы несколько штатов приняли рамки конфиденциальности по дизайну. Например, Connecticut создал Connecticut Data Collaborative, который использует неопознанные данные и требует явного согласия на любые данные, связанные с людьми. Губернаторы также должны обеспечить, чтобы прогностические модели не усиливали расовые или экономические предубеждения — риск, который был задокументирован в системах социального обеспечения детей и уголовного правосудия.

Обеспечение точности и своевременности данных

Данные полезны только в том случае, если они точны и актуальны. Многие государственные учреждения полагаются на устаревшие методы сбора данных, такие как бумажные формы или изолированные базы данных, которые не взаимодействуют друг с другом. Инициатива губернатора, основанная на данных, может быть подорвана плохими данными. Для борьбы с этим государства инвестируют в современную инфраструктуру данных , включая API, облачное хранилище и конвейеры данных в реальном времени. Например, Теннесси построил общенациональное озеро данных, которое позволяет агентствам обмениваться данными в режиме реального времени. Государство теперь обновляет свою панель мониторинга бедности ежемесячно, а не ежегодно, давая губернатору более точную картину потребностей.

Создание технического потенциала

Многие правительства штатов не имеют собственного опыта в области науки о данных для проведения сложных анализов. Привлечение и удержание талантов в области данных является постоянной проблемой, особенно когда зарплаты в частном секторе выше. Губернаторы ответили созданием стипендий и партнерством с университетами. Нью-Йорк при губернаторе Кэти Хохул запустила программу Нью-Йоркская гражданская аналитика , которая встраивает аспирантов из SUNY в государственные учреждения для работы над проектами, связанными с бедностью. Программа подготовила более 50 научно обоснованных политических рекомендаций за два года.

Будущее сокращения бедности, обусловленной данными

В ближайшие десять лет правительства, скорее всего, будут бороться с нищетой, учитывая, что управление, основанное на данных, будет быстро меняться.

Искусственный интеллект и машинное обучение

ИИ и машинное обучение позволят штатам перейти от описательной аналитики (что произошло) к предписывающей аналитике (что мы должны сделать). Например, модель машинного обучения может анализировать тысячи переменных, чтобы рекомендовать оптимальное сочетание программ для каждой семьи — обучение работе, уход за детьми, продовольственная помощь или наличные деньги — на основе прогнозируемых результатов. Ранние пилоты в Алабама показали, что управление случаями, управляемыми ИИ, может сократить время, которое семьи проводят в бедности, до 18 месяцев.

Данные в реальном времени и непрерывные петли обратной связи

Вместо годовых отчетов будущие программы будут использовать данные в режиме реального времени для быстрой корректировки. Устройства Интернета вещей (IoT), данные мобильных телефонов и записи транзакций электронной передачи выгод (EBT) могут обеспечить до-минутные показатели экономического бедствия. Губернатор может увидеть всплеск использования талонов на питание в конкретном округе и немедленно развернуть мобильные продовольственные кладовые или скорректировать уровни пособий SNAP.

Межгосударственное сотрудничество и обмен данными

Бедность не уважает границы штатов. Межгосударственная миграция, региональные рынки труда и перебои в цепочках поставок влияют на бедность. Губернаторы начинают обмениваться данными через границы через такие соглашения, как Государственная инновационная сеть Национальной ассоциации губернаторов. Это позволяет им сравнивать свои усилия по сокращению бедности с одноранговыми государствами и применять лучшие практики, которые были доказаны в других местах.

Заключение

Стратегическое использование данных губернаторами штатов превращает усилия по сокращению бедности из догадок в науку. Выявляя коренные причины, ориентируясь на уязвимые группы населения и измеряя результаты в режиме реального времени, губернаторы могут разрабатывать вмешательства, которые являются более эффективными и более эффективными. Хотя проблемы, связанные с конфиденциальностью, точностью и потенциалом, остаются, траектория ясна: будущее политики борьбы с бедностью обусловлено данными. По мере развития технологий и сотрудничества эти подходы станут еще более сложными, что приведет к более справедливым и долгосрочным решениям для общин по всей стране. Губернаторы, которые принимают эту трансформацию, будут теми, кто сделает глубочайшую вмятину в бедности - и кто установит стандарт ответственного, ориентированного на результаты управления в 21-м веке.