Poslednjih godina, državni guverneri širom SAD su se sve više okretali pristupima koji se bave siromaštvom, umesto oslanjanja na široke programe, jedinstvene veličine, ti lideri sada koriste granularne podatke za ciljanje resursa sa hirurškom preciznošću. Uporabom informacija o prihodima, zapošljavanju, obrazovanju, zdravstvu i stanovanju, guverneri mogu da identifikuju najranjivije stanovništvo i intervenišu gde će intervencije imati najveći uticaj.

Finansijski ulozi su visoki. Države kolektivno troše milijarde dolara svake godine na programe protiv siromaštva u rasponu od gotovinske pomoći i markica za hranu do obuke za posao i pristupačnih stanova. Ipak, bez čvrstih podataka, veliki deo tog novca može se pogrešno usmeriti. Upravljanje podacima omogućava državama da izmere ishode, prilagode kurs u realnom vremenu, i osiguraju da svaki dolar poreskih obveznika bude naviknut na maksimalni efekat. Kao rezultat toga, guverneri obe strane ulažu u jedinice za analizu podataka, udruživanje sa univerzitetima i otvaranje vladinih podataka javnosti. Ovaj članak istražuje kako državni lideri koriste podatke za borbu protiv siromaštva i šta to znači za budućnost socijalne politike.

Uloga podataka u razumevanju siromaštva

Podaci imaju kritičnu ulogu u pomeranju napora za smanjenje siromaštva od reaktivnih do proaktivnih. Umesto da čekaju da porodice upadnu u krizu, guverneri mogu da koriste podatke da predvide potrebu i pruže usluge rano. Na primer, analizom podataka o pohađanju škole i zdravstvenim tvrdnjama, država može da identifikuje decu sa rizikom da upadnu u siromaštvo pre nego što njihove porodice dožive finansijski kolaps. Ova vrsta rane intervencije je moguća samo kada su podaci različitih agencija integrisani i analizirani zajedno.

Identifikovanje uzroka korena

Siromaštvo je retko rezultat jednog faktora, to je obično složena mreža međusobno povezanih pitanja, niske plate, nedostatak pristupačne brige o deci, loše zdravlje, diskriminacija i geografska izolacija, a podaci pomažu guvernerima da razuzmu te faktore i shvate koji su najzahtevniji u svojoj državi. Na primer, guverner u ruralnoj državi bi mogao da utvrdi da je nedostatak transporta primarna prepreka zapošljavanju, dok bi se guverner u urbanoj državi mogao suočiti sa krizom stambene pristupačnosti.

Ciljam ranjive populacije

Podaci takođe otkrivaju koje grupe su nesrazmerno pogođene siromaštvom. Demografski slomovi po godinama, rasi, rodu i statusu invaliditeta omogućavaju guvernerima da dizajniraju ciljane intervencije. Na primer, deca mlađa od 5 godina su dobna grupa koja će najverovatnije živeti u siromaštvu u mnogim državama. Uporedom sa podacima o siromaštvu dece sa upisom u rano detinjstvo, guverner može da izdvoji sredstva za pred-K programe u susedstvima gde su najpotrebniji. Slično tome, podaci koji pokazuju veće stope siromaštva među samohranim majkama mogu dovesti do inicijativa koje šire subvencije za zaštitu dece i plaćene porodične odsuđenosti.

Mapiranje Geographic Hotspots

Geografski informacioni sistemi (GIS) postali su osnovni alati za guvernere. Planiranjem stope siromaštva na mapi pored podataka o školama, bolnicama, prodavnicama namirnicama i javnom tranzitu, proizvođači politika mogu tačno da vide gde je siromaštvo koncentrisano i koji resursi nedostaju. Neke države, kao što su Kalifornija, stvorile su tablu sa javnim tablama koje pokazuju podatke o siromaštvu sve do nivoa popisa stanovništva.

Ključni izvori podataka i metrika

Državni guverneri se oslanjaju na širok niz izvora podataka da obaveste svoje strategije za smanjenje siromaštva. Neki od njih su tradicionalna vladina istraživanja, dok drugi dolaze iz administrativnih evidencija ili partnerstva privatnog sektora. Ispod su najčešće korišćene vrste podataka i način na koji informišu politiku.

  • Statistika prihoda i zapošljavanja Američko istraživanje zajednice (ACS) američkog biroa za popis stanovništva pruža godišnje podatke o prihodima, statusu siromaštva i zaposlenosti. Guverneri koriste ove brojke da utvrde prihvatljivost za programe kao što su Medikaid i SNAP i da ocene da li ekonomija države raste inkluzivno.
  • Podaci o obrazovnom učinku Državna odeljenja obrazovanja prikupljaju podatke o rezultatima testova, stopi matura i disciplini škole. Povezivanjem ovih podataka sa podacima o prihodima, guverneri mogu da identifikuju nedostatke u dostignućima i ulažu u škole koje služe učenicima sa niskim prihodima. Programi kao što su Obećaj skolarstvo u Mičigenu su ciljani na osnovu takve analize.
  • Informacije o zdravstvenom i zdravstvenom pristupu Tvrdi podatke, bolničke podatke o otpuštanju, i istraživanja kao što su Sistem za nadzor faktora ponašanja (BRFSS) pomažu guvernerima da shvate zdravstvene uticaje siromaštva. Na primer, države sa visokim stopama dijabetesa među populacijama sa niskim prihodima mogu da prošire pristup preventivnom nezi i programu ishrane.
  • Povoljni stanovi i podaci o beskućništvu Odeljenje za stanovanje i urbani razvoj (HUD) pruža podatke o teretu zakupa, iseljenja i beskućništva. Guverneri mogu da uporede ovo sa podacima o prihodima za izdvajanje stambenih vaučera i fond za hitne slučajeve u najnategnutijim zajednicama.
  • Demografske informacije Godine, rasa, etnička pripadnost i podaci o invalidnosti su neophodni za osiguranje ravnopravnosti. Mnogi guverneri su ustanovili table za jednakost koje prate da li napori za smanjenje siromaštva jednako dostižu sve populacije.

Sve više država koristi i integrisane sisteme podataka koji povezuju podatke preko agencija. Na primer, Oregonov Integrisani sistem podataka klijenata povezuje podatke iz ljudskih usluga, obrazovanja i agencija za radnu snagu kako bi obezbedili holistički pogled na potrebe svake porodice. Takvi sistemi omogućavaju guvernerima da ocene kombinovani uticaj više programa i smanje administrativno opterećenje porodica.

Kako guverneri prevode podatke na akciju

Prikupljanje podataka je samo prvi korak. Pravi izazov leži u prevođenju uvida u politike koje zapravo menjaju živote. Državni guverneri eksperimentišu sa nekoliko mehanizama da premoste jaz između analize podataka i implementacije programa.

Uspostava jedinica za analizu podataka

Mnogi guverneri su stvorili namjenske timove za analizu podataka unutar svojih kancelarija ili pod njihovom kontrolom. Ove jedinice su zaposlene od strane naučnika podataka, statističara i analitičara politike koji rade direktno sa liderima agencija za dizajn programa zasnovanih na dokazima. Stanje Washington, pod guvernerom Jay Inslee-om, pokrenulo je Rezultate Washington inicijative, koja koristi instrumente podataka za praćenje napretka u smanjenju siromaštva i drugim ključnim ciljevima. Slično tome, Colorado] je stvorio ]] Ured za smanjenje siromaštva i druge ključne ciljeve.

Upotreba prediktivnog modela za ranu intervenciju

Prediktivna analitika je jedan od najmoćnijih alata u arsenalu vođenom podacima. Usmeravanjem istorijskih podataka u modele mašinskog učenja, države mogu da predvide koje porodice su u najvećem riziku od pada u siromaštvo ili doživljavanja beskućništva. Na primer, stanje Masačusetta je pilotiralo modelom koji koristi podatke iz hraniteljske nege, dobrobiti dece i TANF-a (Temporarna pomoć za potrebe porodice) da bi se identifikovale porodice koje bi mogle da imaju koristi od dobrovoljnog upravljanja slučajem. Program je smanjio verovatnoću ulaska deteta u hraniteljsku negu za 20% i spasio je državne milione u troškovima kriznog odgovora.

Povezivanje podataka sa odlukama o budžetu

Neki guverneri ubacuju podatke direktno u budžetski proces. umesto da samo predlažu linijske stavke za programe siromaštva, oni zahtevaju od agencija da dostave dokaze o efikasnosti. U Ohio, guvernerova kancelarija budžeta i menadžmenta koristi pristupResults-First“, zahtevajući od državnih agencija da pokažu da su njihovi programi procenjeni rigoroznim metodama kao što su slučajna kontrolisana ispitivanja. Programi koji ne mogu da pokažu uticaj su definisani, dok programi koji podržavaju dokaze dobijaju dodatne resurse.

Javne ploče i odgovornost zajednice

Transparentnost je ključni deo upravljanja zasnovanog na podacima. Mnoge države sada objavljuju onlajn table koje prate metriku siromaštva u realnom vremenu. Ove ploče omogućavaju građanima, novinarima i grupama zagovarača da drže svoje guvernere odgovornim. Na primer, Nevada je stvorio Nevada Data-Driven Decision-Making program, koji uključuje i tablu za javno siromaštvo. Kada metrik pokazuje pad zaposlenosti među stanovnicima niskih pridošlica, interesenti zajednice mogu da poguraju guvernera da prilagodi programe obuke radne snage.

Studije slučaja: smanjenje siromaštva koje se prevozi na osnovu podataka

Kalifornija: Ciljanje siromaštva dece sa integralnim podacima

Guverner Gavin Njuzom je napravio centralni prioritet za smanjenje siromaštva, posebno za decu. 2021. godine, njegova administracija je pokrenula Zakon o smanjenju siromaštva California dece, koji je postavio cilj smanjenja siromaštva dece za 50% do 2030. godine. Da bi pratila napredak, država je izgradila integrisani sistem podataka koji povezuje Odeljenje za socijalne usluge, Ministarstvo obrazovanja i Ministarstvo zdravstvene zaštite. Koristeći ove podatke, država je utvrdila da je širenje državne zarađene poreske kredita (CALEITC) i povećanje koristi Kalfreša (SNAP) imalo najveći uticaj na siromaštvo dece. 2022. godine, Kalifornija je proširila oba programa, što je dovelo do pada 15% u siromaštvu dece rezultiralo direktno atributima podataka.

Michigan: Korištenje GIS-a za odobravanje prihvatljivih stambenih fondova

Vlada guvernera Grečen Vitmer koristila je podatke za prerađivanje federalnih fondova za olakšavanje pandemije za stanovanje. Državno stambeno odeljenje Mičigena (MSHDA) analiziralo je iseljavanje u arhivi podataka, stope opterećenja za kiriju i broj beskućništva na nivou okruga. Otkrili su da su četiri okruga činila preko 60% stambene nestabilnosti države. Koristeći te podatke, guverner je usmerio dodatnih 100 miliona dolara na te okruge za pomoć u najmu i pristupačan razvoj stanovanja. Pristup je bio toliko uspešan da MSHDA sada koristi isti model podataka da cilja na sve svoje stambene investicije.

Teksas: Personalizovana obuka radne snage iz podataka o radu

Projekcije rada guvernera Grega Abota, Teksaška komisija za radnu snagu, koristi podatke o lokalnim stopama nezaposlenosti, projekcijama rasta industrije, i individualnim nedostacima u pogledu personaliziranog obuke za rad. Kada su podaci pokazali da je oblast Hjuston imala manjak ovjerenih pomoćnica za dojenje (CNAs) ali višak maloprodajnih radnika, država je finansirala program besplatnog osposobljavanja za raseljene radnike na malo. Program je u roku od šest meseci postavio preko 1.200 ljudi u CNA radna mesta, sa stopom zadržavanja od 90% nakon jedne godine. Guvernerova kancelarija je kreditirala pristup podacima za troškovnu efikasnost programa, ne ističući da je koštala 3.000 dolara po plasmanu u poređenju sa prosekom od 8.000 dolara za slične državne programe.

Prevazilaženje izazova: privatnost, preciznost i kapacitet

Uprkos obećanju, smanjenje siromaštva koje vodi podaci nije bez prepreka. Guverneri moraju da se snađu u minskom polju zabrinutosti za privatnost, problema sa kvalitetom podataka i institucionalnim otporom.

Privatnost podataka i etička upotreba

Integrisanje podataka iz više agencija izaziva ozbiljne zabrinutosti oko privatnosti i potencijalne zloupotrebe. Porodice u siromaštvu su već ranjive, a posmatranje vladinog nadzora ih može odvratiti od traženja pomoći. Da bi se to rešilo, nekoliko država je usvojilo privatnost po dizajnu okvire. Na primer, Konektikut stvorio Saradnički sistem za povezivanje podataka, koji koristi deidentifikovane podatke i zahteva eksplicitan pristanak za bilo koje podatke vezane za pojedince. Guverneri takođe moraju da osiguraju da se predviđaju da modeli ne pojačavaju rasne ili ekonomske predrasude rizik koji je dokumentovan u sistemima socijalne zaštite i krivične pravde.

Osiguravanje tačnosti podataka i pravovremenosti

Podaci su korisni samo ako su precizni i trenutni. Mnoge državne agencije se oslanjaju na zastarele metode prikupljanja podataka, kao što su papirnate forme ili baze podataka koje ne komuniciraju međusobno. Guvernerova inicijativa vođena podacima može biti potkopana lošim podacima. Da bi se borile protiv toga, države ulažu u modernu infrastrukturu podataka, uključujući API, skladištenje oblaka i gasovode podataka u realnom vremenu. Na primer, Tennessee] je izgradio državno jezero podataka koje omogućava agencijama da dele podatke u bliskom vremenu. Država sada ažurira svoje siromaštvo table mesečno nego godišnje, dajući guverneru tačniju sliku o potrebi.

Izgradnja tehničkog kapaciteta

Mnoge državne vlade nemaju stručnost za nauku o podacima u kući da bi obavile sofisticirane analize. Privlačenje i zadržavanje talenta za podatke je trajni izazov, posebno kada su plate privatnog sektora veće. Guverneri su odgovorili stvaranjem stipendija za podatke i partnerstvom sa univerzitetima. Njujork, pod guvernerom Kathy Hochul, pokrenuli New York Civic Analytics[, koji je uvelo studente doktora iz SUNY u državne agencije da rade na projektima vezanim za siromaštvo. Program je u dve godine proizveo preko 50 preporuka zasnovanih na politici zasnovanih na dokazima.

Budućnost smanjenja siromaštva koje se prevozi po podacima

Pejzaž upravljanja vođen podacima se brzo razvija. Nekoliko trendova će verovatno oblikovati način na koji se guverneri bore protiv siromaštva u narednoj deceniji.

Veštačka inteligencija i učenje mašina

AI i mašinsko učenje će omogućiti da se države kreću od opisne analitike (ono što se desilo) do preskriptne analitike (ono što bi trebalo da uradimo). Na primer, model za učenje mašina može da analizira hiljade promenljivih da preporuči optimalnu mešavinu programa za svaku porodicu trening za posao, brigu o deci, pomoć za hranu ili gotovinu zasnovanu na predviđenim ishodima. Rani piloti u Alabama pokazali su da upravljanje slučajem vođenim AI mogu da smanje vreme koje porodice troše u siromaštvu do 18 meseci.

Podaci iz realnog vremena i kontinuirane povratne informacije

Umesto godišnjih izveštaja, budući programi će koristiti podatke u realnom vremenu da se brzo prilagode. Internet stvari (IoT) uređaji, podaci o mobilnoj telefoniji i elektronski prenos koristi (EBT) transakcioni zapisi mogu da obezbede sve do minutne pokazatelje ekonomske nevolje. Guverner bi mogao da vidi porast upotrebe markica hrane u određenom okrugu i odmah rasporedi mobilne gaćice za hranu ili da prilagodi nivo koristi SNAP-a.

Saradnja i deljenje podataka u međudržavnom sektoru

Siromaštvo ne poštuje državne granice. Međudržavna migracija, regionalna tržišta rada i poremećaji u lancu snabdevanja utiču na siromaštvo. Guverneri počinju da dele podatke preko granica putem kompaktnih kao što su Državna mreža inovacija nacionalnog guvernera . To im omogućava da uporede svoje napore za smanjenje siromaštva protiv vršnjaka i usvajaju najbolje prakse koje su dokazane na drugim mestima.

Zaključak

Strateška upotreba podataka od strane državnih guvernera transformiše napore za smanjenje siromaštva iz nagađanja u nauku. Identifikovanjem korenskih uzroka, ciljanjem ranjivih populacija i merenjem rezultata u realnom vremenu, guverneri mogu da dizajniraju intervencije koje su efikasnije i efikasnije. Dok izazovi oko privatnosti, tačnosti i kapaciteta ostaju, putanja je jasna: budućnost politike protiv siromaštva je vođena podacima. Kako se napredovanje tehnologije i saradnja produbljuju, ovi pristupi će postati još sofisticiraniji, što će dovesti do pravednijih i trajnijih rešenja za zajednice širom zemlje. Guverneri koji prihvataju ovu transformaciju biće oni koji čine najdublje udubljenje siromaštva i koji postavljaju standard za odgovorno, rezultantno upravljanje u 21. veku.