V zadnjih letih so se državni guvernerji po vseh ZDA vedno bolj obračali na pristope, ki temeljijo na podatkih, da bi se spopadli z revščino. Namesto da bi se zanašali na široke programe, ki so primerni za vse, ti voditelji zdaj uporabljajo granularne podatke za ciljno naravnavanje virov s kirurško natančnostjo. Z uporabo informacij o dohodkih, zaposlovanju, izobraževanju, zdravju in stanovanjih lahko guvernerji prepoznajo najbolj ranljive prebivalce in posredujejo, kjer bodo intervencije imele največji vpliv. Ta premik ni zgolj trend – to je temeljna sprememba, kako se državne vlade bojujejo proti revščini, se od oblikovanja politike na podlagi intuicije premaknejo k strategijam, ki temeljijo na dokazih in so bolj pregledne, odgovorne in učinkovite.

Finančni deleži so visoki. Države skupaj porabijo milijarde dolarjev za programe proti revščini, ki segajo od denarne pomoči in bonov za hrano do usposabljanja za zaposlitev in cenovno dostopnih stanovanj. Vendar brez zanesljivih podatkov, je mogoče veliko tega denarja napačno usmeriti. Upravljanje, ki ga vodijo podatki, omogoča državam, da merijo rezultate, prilagajajo potek v realnem času in zagotavljajo, da se vsak dolar davkoplačevalcev uporablja za največji možni učinek. Posledično guvernerji obeh strani vlagajo v enote za analizo podatkov, sodelujejo z univerzami in odpirajo vladne podatke javnosti. Ta članek raziskuje, kako državni voditelji uporabljajo podatke za boj proti revščini – in kaj to pomeni za prihodnost socialne politike.

Vloga podatkov pri razumevanju revščine

Podatki imajo ključno vlogo pri premikanju prizadevanj za zmanjšanje revščine iz reaktivnih v proaktivne. Namesto da bi čakali, da družine padejo v krizo, lahko guvernerji podatke uporabijo za predvidevanje potreb in zagotavljanje storitev že zgodaj. Država lahko na primer z analizo evidenc o prisotnosti v šolah in podatkov o zdravstvenih trditvah identificira otroke, ki jim grozi revščina, preden se njihove družine finančno sesujejo. Tovrstno zgodnje posredovanje je mogoče le, če se podatki iz različnih agencij združijo in analizirajo skupaj.

Ugotavljanje temeljnih vzrokov

Revščina je redko posledica enega samega dejavnika. Običajno gre za zapleteno mrežo medsebojno povezanih vprašanj – nizkih plač, pomanjkanja cenovno ugodnega otroškega varstva, slabega zdravja, diskriminacije in geografske izolacije. Podatki pomagajo guvernerjem razčleniti te dejavnike in razumeti, kateri so najbolj nujni v njihovi državi. Na primer, guverner v podeželski državi bi lahko ugotovil, da je pomanjkanje prevoza glavna ovira za zaposlovanje, medtem ko bi se guverner v mestni državi lahko soočil s krizo stanovanjske dostopnosti. Brez podatkov bi ti odtenki ostali nevidni in politike bi zgrešile oznako.

Ciljno usmerjeno na ranljive populacije

Podatki razkrivajo tudi, katere skupine so nesorazmerno prizadete zaradi revščine. Demografske razčlenitve po starosti, rasi, spolu in invalidskem statusu omogočajo guvernerjem, da oblikujejo ciljno usmerjene posege. Na primer, ]otroci pod 5 so starostna skupina, ki bo najverjetneje živela v revščini v mnogih državah. Z navzkrižnim primerjanjem podatkov o revščini otrok z vpisom v predšolsko vzgojo lahko guverner dodeli sredstva za programe predšolske vzgoje v soseskah, kjer jih najbolj potrebujejo. Podobno lahko podatki, ki kažejo višje stopnje revščine med samskimi materami, vodijo do pobud, ki povečujejo subvencije za varstvo otrok in plačujejo družinski dopust.

Kartiranje geografskih točk

Geografski informacijski sistemi (GIS) so postali bistvena orodja za guvernerje. Z zarisovanjem stopenj revščine na zemljevidu poleg podatkov o šolah, bolnišnicah, trgovinah in javnem tranzitu lahko oblikovalci politik vidijo, kje je revščina koncentrirana in kakšni viri manjkajo. Nekatere države, kot so California, so ustvarile javno usmerjene armaturne plošče, ki kažejo podatke o revščini do ravni popisa trakta. Ta orodja omogočajo lokalnim uradnikom in organizacijam skupnosti, da sodelujejo z državno vlado pri ciljno usmerjenih rešitvah.

Ključni viri podatkov in meril

Državni guvernerji se za obveščanje o svojih strategijah za zmanjševanje revščine opirajo na širok nabor virov podatkov. Nekatere od teh so tradicionalne vladne raziskave, druge pa iz upravnih evidenc ali partnerstev zasebnega sektorja. Spodaj so najpogosteje uporabljene vrste podatkov in način obveščanja politike.

  • Statistika o dohodku in zaposlovanju[] – Ameriška raziskava o skupnosti ameriškega urada za popis prebivalstva (ACS) zagotavlja letne podatke o dohodku, statusu revščine in zaposlovanju. Guvernerji uporabljajo te številke za določitev upravičenosti do programov, kot sta Medicaid in SNAP, in za oceno, ali gospodarstvo države vse bolj raste.
  • Izobraževanje Podatki uspešnosti[] – Državni oddelki za izobraževanje zbirajo podatke o testnih rezultatih, stopnje diplome in šolski disciplini. Z povezovanjem teh podatkov s podatki o dohodkih lahko guvernerji ugotovijo vrzeli v dosežkih in vlagajo v šole, ki služijo študentom z nizkimi dohodki. Programi, kot so ]Obljubljanje štipendij[] v Michiganu so usmerjeni na podlagi take analize.
  • Informacije o zdravstvenem varstvu in dostopu do zdravstvenega varstva[] – Podatki o zahtevkih, zapisi o odpustu v bolnišnico in raziskave, kot je sistem za nadzor vedenjskih dejavnikov tveganja (BRFSS), pomagajo guvernerjem razumeti vplive revščine na zdravje. Na primer, države z visoko stopnjo diabetesa med populacijo z nizkimi dohodki lahko razširijo dostop do programov preventivne oskrbe in prehrane.
  • Sposoja podatkov o cenovni in brezdomski dejavnosti[] – Ministrstvo za stanovanjsko in urbanistični razvoj (HUD) zagotavlja podatke o bremenih najemnin, izselitvah in številu brezdomcev. Guvernerji lahko to primerjajo s podatki o dohodku za dodelitev stanovanjskih kuponov in financiranje zasilnih zaklonišč v najbolj napetih skupnostih.
  • Demografske informacije[ – Podatki o starosti, rasi, narodnosti in invalidnosti so bistveni za zagotavljanje enakosti. Mnogi guvernerji so ustanovili ] lastniške armaturne plošče[], ki spremljajo, ali prizadevanja za zmanjšanje revščine dosegajo vse populacije enako.

Vse pogosteje države uporabljajo tudi integrirane podatkovne sisteme (IDS)[], ki povezujejo zapise med agencijami. Na primer, Oregonski Integrirani podatkovni sistem strank[] povezuje podatke iz človeških storitev, izobraževanja in agencij za zaposlovanje, da bi zagotovili celovit pogled na potrebe vsake družine. Takšni sistemi guvernerjem omogočajo, da ocenijo skupni vpliv več programov in zmanjšajo upravno breme za družine.

Kako guvernerji prevajajo podatke v dejanja

Zbiranje podatkov je le prvi korak. Pravi izziv je prevajanje vpogledov v politike, ki dejansko spreminjajo življenja. Državni guvernerji eksperimentirajo z več mehanizmi za premostitev vrzeli med analizo podatkov in izvajanjem programa.

Vzpostavitev enot za podatkovno analitiko

Številni guvernerji so ustvarili namenske skupine za analizo podatkov v svojih pisarnah ali pod njihovim nadzorom. Ti oddelki so zaposleni s podatki znanstveniki, statistika in analitiki politik, ki delajo neposredno z vodji agencij za oblikovanje programov, ki temeljijo na dokazih. Stanje Washington], pod guvernerjem Jay Insleejem, je sprožil ]Results Washington[]] iniciativo, ki uporablja podatkovne armature za sledenje napredka pri zmanjševanju revščine in drugih ključnih ciljev. Podobno je ]] Kolorado] ustvaril Governerjev urad za podatkovno analizo] za usklajevanje izmenjave podatkov med oddelki.

Uporaba napovednega modeliranja za zgodnje posredovanje

Predvidljiva analitika je eno najmočnejših orodij v arzenalu, ki ga poganjajo podatki. Z vnašanjem zgodovinskih podatkov v modele strojnega učenja lahko države predvidijo, katere družine so najbolj ogrožene zaradi revščine ali brezdomstva. Na primer, stanje Massachusetts] je pilotiral model, ki uporablja podatke iz rejništva, socialnega varstva otrok in TANF (začasna pomoč za družine, ki potrebujejo pomoč), da bi prepoznali družine, ki bi lahko imele koristi od prostovoljnega upravljanja primerov. Program je zmanjšal verjetnost, da bo otrok vstopil v rejniško varstvo za 20 % in prihranili na milijone držav pri stroških kriznega odzivanja.

Povezava podatkov s proračunskimi sklepi

Nekateri guvernerji vnašajo podatke neposredno v proračunski proces. Namesto da bi zgolj predlagali postavke za programe revščine, od agencij zahtevajo, da predložijo dokaze o učinkovitosti. V Ohio, Guverner’s Office of Budget and Management uporablja pristop »Results-First«, ki od državnih agencij zahteva, da pokažejo, da so bili njihovi programi ocenjeni z uporabo strogih metod, kot so randomizirani kontrolirani poskusi. Programi, ki ne morejo prikazati vpliva, se definancirajo, medtem ko z dokazi podprti programi prejmejo dodatna sredstva.

Javne armature in odgovornost Skupnosti

Preglednost je ključni del upravljanja, ki temelji na podatkih. Mnoge države zdaj objavljajo spletne armature, ki v realnem času spremljajo meritve revščine. Te armature omogočajo državljanom, novinarjem in zagovorniškim skupinam, da prevzamejo odgovornost za svoje guvernerje. Na primer Nevada] je ustvaril ]Nevada Data-Driven-Making[]] program, ki vključuje javno armaturno ploščo revščine. Ko metrika kaže upad zaposlovanja med prebivalci z nizkimi dohodki, lahko zainteresirane strani skupnosti prisilijo guvernerja, da prilagodi programe usposabljanja za delovno silo.

Študije primerov: zmanjševanje revščine, ki jo povzročajo podatki

Kalifornija: ciljanje revščine otrok z integriranimi podatki

Guverner Gavin Newsom je postavil zmanjšanje revščine za osrednjo prednostno nalogo, zlasti za otroke. Leta 2021 je njegova uprava začela California Child Revenge Act[], ki je določil cilj zmanjšanja revščine otrok za 50 % do leta 2030. Da bi spremljala napredek, je država zgradila integriran podatkovni sistem, ki povezuje oddelek za socialne storitve, Ministrstvo za izobraževanje in Ministrstvo za zdravstvo. Z uporabo teh podatkov je država ugotovila, da je razširitev državne davčne olajšave za dohodek (CaleiTC) in povečanje dajatev za CalFresh (SNAP) imela največji vpliv na revščino otrok. Leta 2022 je Kalifornija razširila oba programa, kar je povzročilo 15-odstotni upad revščine otrok – posledica, ki jo je neposredno mogoče pripisati analizi podatkov.

Michigan: uporaba GIS za dodeljevanje cenovno ugodnih stanovanjskih skladov

Uprava guvernerja Gretchena Whitmerja je uporabila podatke za prerazporeditev zveznih sredstev za pomoč pri pandemiji za stanovanja. Državni organ za razvoj stanovanj Michigan (MSHDA) je analiziral izselitev podatkov, najemnine obremenjenosti in brezdomstvo šteje na ravni okrožja. Ugotovili so, da štiri okrožja predstavljajo več kot 60 % nestabilnosti stanovanja države. Z uporabo teh podatkov je guverner usmeril dodatnih 100 milijonov $ na ta okrožja za pomoč pri najemu in cenovno stanovanjski razvoj. Pristop je bil tako uspešen, da MSHDA zdaj uporablja isti podatkovni model za cilj vseh svojih stanovanjskih naložb.

Teksas: Personalizirano usposabljanje delovne sile iz podatkov o delu

Guverner Greg Abbott je delovno silo komisija, Texas Workforce Solutions, uporablja podatke o lokalni stopnji brezposelnosti, napovedi rasti industrije, in individualne vrzeli v spretnostih ponuditi osebno usposabljanje delovnih mest. Ko so podatki pokazali, da je Houston območje je pomanjkanje certificiranih asistentov za nego (CNAs) ampak presežek delavcev na drobno, država je financirala brezplačen program usposabljanja za razseljene delavce na drobno. Program je dal več kot 1.200 ljudi na delovnih mestih v CNA v šestih mesecih, z 90% stopnjo zadržanja po enem letu. Guverner je kredit za podatkovno vodeni pristop za stroškovno učinkovitost programa, pri čemer je treba upoštevati, da je stalo $3,000 na umestitev v primerjavi s povprečjem $8,000 za podobne državne programe.

Premagovanje izzivov: Zasebnost, Natančnost in zmogljivost

Kljub svoji obljubi, da bo zmanjšanje revščine, ki ga bodo vodili podatki, ostalo brez ovir. Guvernerji morajo biti na minskem področju, kjer se skrivajo vprašanja zasebnosti, vprašanja kakovosti podatkov in institucionalni odpor.

Zasebnost podatkov in etična uporaba

Vključevanje podatkov iz več agencij povzroča resne pomisleke glede zasebnosti in morebitne zlorabe. Družine v revščini so že ranljive in njihov spekter vladnega nadzora jih lahko odvrne od iskanja pomoči. Da bi to odpravile, so številne države sprejele zasebnost po zasnovi okvire.Na primer Konnectikut[] je ustvaril []Sodelovanje podatkov Connecticut []]], ki uporablja deidentirane podatke in zahteva izrecno soglasje za vse podatke, povezane s posamezniki. Guvernerji morajo zagotoviti tudi, da napovedni modeli ne krepijo rasnih ali ekonomskih pristranskosti – tveganja, ki je bilo dokumentirano v sistemih za dobrobit otrok in kazensko pravosodje.

Zagotavljanje točnosti podatkov in pravočasnosti

Podatki so koristni le, če so točni in aktualni. Mnoge državne agencije se zanašajo na zastarele metode zbiranja podatkov, kot so papirnati obrazci ali silodne podatkovne zbirke, ki ne komunicirajo med seboj. Guvernerjevo pobudo, ki temelji na podatkih, lahko spodkopljejo slabi podatki. Za boj proti temu države vlagajo v moderno podatkovno infrastrukturo[], vključno z API-ji, shranjevanjem v oblaku in podatkovnimi cevovodi v realnem času. Na primer ]Tennessee]]] je zgradilo podatkovno jezero, ki agencijam omogoča, da si podatke delijo v skoraj realnem času. Država zdaj mesečno posodablja svojo desko, ne pa letno, kar guvernerju daje natančnejšo sliko o potrebi.

Krepitev tehnične zmogljivosti

Številne vlade držav nimajo strokovnega znanja za izdelavo izpopolnjenih analiz. Privlačevanje in ohranjanje talentov za podatke je večni izziv, zlasti kadar so plače zasebnega sektorja višje.Guvernerji so se odzvali z ustvarjanjem ]podatkovnih štipendij[] in sodelovanjem z univerzami. New York], pod vodstvom guvernerke Kathy Hochul, so v dveh letih začeli izvajati program New York Civic Analytics[]], ki v državne agencije vgrajuje doktorske študente iz SUNY, da bi delali na projektih, povezanih z revščino. Program je v dveh letih izdelal več kot 50 na dokazih temelječih političnih priporočil.

Prihodnost zmanjševanja revščine, ki jo povzročajo podatki

Pokrajina upravljanja, ki temelji na podatkih, se hitro razvija. Več trendov bo verjetno oblikovalo način boja guvernerjev proti revščini v prihodnjem desetletju.

Umetna inteligenca in strojno učenje

AI in strojno učenje bosta državam omogočila, da se premaknejo od opisne analitike (kaj se je zgodilo) k predpisujoči analitiki (kaj naj storimo).Na primer, model strojnega učenja bi lahko analiziral na tisoče spremenljivk, da bi priporočil optimalno kombinacijo programov za vsako družino – usposabljanje za delo, otroško varstvo, pomoč pri preskrbi s hrano ali denarno podporo – na podlagi predvidenih rezultatov. Zgodnji piloti v Alabama] so pokazali, da lahko upravljanje primerov, ki jih vodi AI, skrajša čas, ki ga družine preživijo v revščini do 18 mesecev.

Podatki v realnem času in stalne povratne informacije

Namesto letnih poročil bodo prihodnji programi za hitro prilagajanje podatkov v realnem času uporabili internet stvari (IoT), podatke o mobilnih telefonih in zapise o elektronskih transakcijah za prenos koristi (EBT) lahko zagotovijo do-to-minutne kazalnike gospodarske stiske. Guverner lahko vidi povečanje uporabe znamke hrane v določenem okrožju in takoj razporedi mobilne shrambe za hrano ali prilagodi ravni ugodnosti SNAP.

Sodelovanje med državami in izmenjava podatkov

Revščina ne spoštuje državnih meja. Meddržavne migracije, regionalni trgi dela in motnje dobavne verige vplivajo na revščino. Guvernerji začnejo podatke deliti prek čezmejnih dogovorov, kot so Državna inovacijska mreža Nacionalnega združenja guvernerjev[]. To jim omogoča, da primerjajo prizadevanja za zmanjšanje revščine z medsebojnimi državami in sprejmejo najboljše prakse, ki so bile dokazane drugje.

Sklep

Strateška uporaba podatkov s strani državnih guvernerjev spreminja prizadevanja za zmanjšanje revščine iz ugibanja v znanost. Z opredelitvijo temeljnih vzrokov, usmerjanjem ranljivih populacij in merjenjem rezultatov v realnem času lahko guvernerji oblikujejo posege, ki so tako učinkovitejši kot učinkovitejši. Čeprav ostajajo izzivi v zvezi z zasebnostjo, točnostjo in sposobnostjo, je pot jasna: prihodnost politike boja proti revščini je usmerjena v podatke. S poglabljanjem tehnološkega napredka in sodelovanja bodo ti pristopi postali še bolj izpopolnjeni, kar bo vodilo do pravičnejših in trajnejših rešitev za skupnosti po vsej državi. Guvernerji, ki bodo sprejeli to preoblikovanje, bodo tisti, ki bodo naredili najglobljo udrto v revščini – in ki bodo postavili standard za odgovorno, v rezultate usmerjeno upravljanje v 21. stoletju.