近些年,全美各州州长都日益转向以數據為主的方法來解決貧困。 美國各州首領們現在不是依靠一刀切的、广泛的方案,而是利用花粉數據來精准的外科專利資源。 各省長們利用收入、就业、教育、健康和住房方面的信息,可以找出最易受伤害的人口,並介入最有影響力的干预。 这一轉變不只是一種趋势 — — 根本的重新思考州政府如何與貧困做戰,從直覺决策轉而成更透明、更负责、更有效的循证策略。

金融利益很高。 每年國家會花上億美元來做除貧工程,包括現金援助和食品券,以及工作培训和可支付的住房。 然而,沒有可靠的數據,這些錢的大部分可能會被誤用。 數據導引的治理可以讓國家衡量結果,实时调整行程,并确保每一個纳税人美元都能得到最大效果。 結果,兩黨的總督都在投資數據分析單位,與大學合作,並向公众开放政府資料。這篇文章探讨了國家領袖如何利用數據來對貧困的抗貧困,以及這對社會政策未來的意義。

數據在理解貧窮方面的作用

數據在將减贫工作從反應性轉而為先進的情況中扮演了关键的角色。 總督們並非等待家庭陷入危機,而是可以使用數據來預測需求及提前提供服務。 例如,通过分析出勤記錄和健康申請資料,國家可以在家庭遭遇經濟崩潰之前找出有陷入貧困危險的儿童。 只有不同機構的數據被整合和分析,才能采取這種早期的介入措施。

找出根因

貧困很少是單一因素造成的。 通常,這是個错综复杂的互聯網絡,涉及低薪、缺乏可负担的保育、健康差、歧視和地理隔離。 數據可以幫助總督分解這些因素,并了解他們所在的州最緊要的。 例如,乡村州的總督可能發現交通不足是就业的主要障碍,而城市州的總督可能面临住房可负担性危机。 沒有數據,這些分別性將仍然不見,政策將錯失。

以弱势人口为目标

數據也顯示哪些群体受到貧困的過大影響。 按年龄、种族、性别和殘疾状况分列的人口分類使得各縣長可以設計有针对性地介入。 例如, 5岁以下儿童是很多州最有可能生活在貧困中的年龄组。 參考兒童教育的幼年貧困數據,一位縣長可以將K前計畫的資金分配到最需要的鄰居。 相關的數據顯示,單身母親的貧困率更高,可以導致增加保育补贴和带薪家事假的行動。

地理学熱點映射

地理信息系统(GIS)已經成為了總督的重要工具。 利用地圖來計算貧困率, 以及學校、醫院、雜貨店和公共轉運的資料, 决策者可以確認貧困集中地點, 以及缺乏什麼資源。 有些州, 如 加州[ , 建立了公共信息儀表, 顯示貧困數據, 直達人口普查區。 這些工具使當地官和社区組織有能力與州政府合作, 以找到有针对性的解決方案。

金鑰資料來源與量表

州長們依靠大量數據來為他們减贫策略提供資訊。有些是傳統的政府調查,有些則來自行政記錄或民營聯合企業。 以下是最常用的數據類型,以及他們如何為政策提供資訊。

  • 美國人口调查局的美國群體調查(ACS)每年提供收入、貧困状况和就业方面的數據。 各省長利用這些數據來決定醫療援助(Medicaid)和SNAP(SNAP)等項目的資格,并估量該州經濟是否全面發展。
  • 教育成就數據 – 各州教育部收集了測試分數、畢業率和學校纪律的數據。 總督們可以將這項數據與收入數據相連結,找出成就差距,並投資給低薪學生的學校。 密歇根州的一些項目如 保證奖学金[就是基于此分析而設的。
  • 健康與健康資訊 — — 索赔資料、出院記錄以及行為風險因數監督系統等調查都有助于州长了解貧困對健康的影响。 例如,低收入人群糖尿病率高的州可能扩大预防性护理和营养方案。
  • 房屋租金、拆迁和无家可归的數據都由住房和城市發展部提供。 各省長可以將這項資料和收入資料相對,以分配住房券和资助最困難的社区的应急住所。 房屋租金、房屋拆解和无家可归的數據都由住房收入和住房收入提供。
  • 人口信息 — — 年龄、种族、族裔和残疾數據是确保公平的关键。 很多州長都建立了公平儀表盘 , 以查清减贫工作是否平等地惠及所有人口。

美國的數據系統正在被使用。 美國的數據系統正在日益使用 整合的數據系統,把各種機構的記錄連結到各個機構。 例如俄勒冈州的整合的客戶數據系統[ 連結了人文服務、教育和勞工機構的資料,以全面觀察每個家庭的需求。 這種系統可以讓總督們估計多項計畫的综合影響,减轻家庭的行政負擔。

總督如何將資料轉換成動作

收集資料只是第一步,真正的挑戰在于如何把洞察力轉換成真正改變生活的政策。 州長們正在試驗一些机制,以弥合數據分析与程序實施之间的差距。 總理們在研究如何將這些資訊轉移到一個更強的國家。

建立資料分析單位

許多州長在辦公室內或控制下建立了專門的數據分析團隊。 這些單位由數據科學家、統計師和政策分析員组成, 他們直接與企業領袖合作, 設計以證據为基础的程序。 根據州長Jay Inslee的名單 Washington, 發起了 Results Washington[ 倡议, 使用數據儀表追蹤减贫和其他主要目標的進展。 相类似, [ Colorado 建立了 州長數據分析局[, 以协调跨部門的數據分享。

早期干预使用預料模型

預測分析是數據庫中最強的工具之一。 通过把歷史資料輸入機器學模型, 國家可以預測哪些家庭最有可能陷入貧困或無家可歸。 例如, Massachusetts[ 的狀態實驗了一個模型, 使用寄养、儿童福利和TANF( 援助贫困家庭) 的數據來辨明哪些家庭可以從自愿的个案管理中受益。 該計劃降低了儿童入養院的可能性20%, 拯救了該州的數百萬的應付成本。

正在將資料與預算決定連接

部分州長直接將數據嵌入到預算流程中。 不只是為貧困方案提出分類項目, 更需要各機構提交效果的證據。 在 Ohio 中, 州長預算和管理局使用「Results-First」方法, 要求各州政府機構用如隨機控制試驗等嚴格方法來顯示他們的方案被評估。 無法顯示影響力的方案被撤銷資金, 而以證據為主的方案則得到额外的資源。

公共牌子和社區責任

透明是數據導引治理的关键部分。 許多州現在都發表了線上標籤, 实时追蹤貧困度測量。 這些標籤讓公民、記者和宣传團體對他們的總督負責。 例如, Nevada 創立了Nevada Data-Driven决策[[ 方案,其中包括公共貧困標籤。 如果標籤顯示低收入居民的就业率下降, 社區的利益相关者可以推動總督調劳动力訓練方案。

案例研究: 利用數據來減少貧困

加州:以综合資料定位儿童貧窮

根據2021年的《加州儿童减贫法》, 該法案确定了到2030年把儿童貧困降低50%的目標。 根據進步, 根據該州建立的综合數據系統, 連結了社会服务部、教育部和保健部。 根據此資料, 根據該州發現, 擴張本州收入稅抵免(CalELITC)和增加CalFresh(SNAP)的效益, 对儿童貧困影响最大。 2022年, 加州扩大了兩項方案, 使儿童貧困率下降15%, 直接归功于數據分析。

密歇根州:利用GIS分配可负担住房基金

格勒岑·惠特默州政府用數據重新分配了联邦大流行性住房救助基金。 密歇根州住房發展局(MSHDA)分析了在州內的拆迁數據、房租负担率和无家可归人口數據。 他們發現,四個縣占全州住房不稳定的60%以上。 州長利用這數據向那些縣追加了1亿美元,用于房租援助和可支付的住房發展。 該方法非常成功,以至于MSHDA現在使用同樣的數據模型來對付所有的住房投資。

德州:從勞工資料學到的個人化的劳动力訓練

德克薩斯州州长格雷格·阿博特的勞工委員會德克薩斯州勞工解議會利用當地的失业率、業務增長預測以及個人技能差距等數據來提供個性化的工作訓練。 當數據顯示休斯敦區缺乏經證的護士助理(CNA),但零售工人卻有余量時,州政府出资為流离失所的零售工人提供免费的訓練。 該計劃在6個月內安置了1200多人到CNA工作,一年後留任率達90%。 州長辦公室的信用是該項以數據為導的項方案成本效益,指出每項安置都需花3000美元,而州內相似的計劃平均花8000美元。

克服挑戰:隱私、准确性和能力

根據國際媒體的報導,

資料隱私與道德使用

整合多個機構的資料引起對隱私和可能被滥用的嚴重關注。 貧困家庭已經很脆弱, 政府監視的光線可以阻止他們尋求幫助。 要解決這個問題, 數個州都采用了 逐一設計[ 框架。 例如, 連結] 建立了[Connecticut Data合作[, 使用已解認定的資料, 并且需要任何與個人相關的資料的明确同意。 總督們也必须确保預測模型不會强化在儿童福利和刑事司法系統中記錄的种族或經濟偏見—— 也存在此風險。

確保資料的准确性和及时性

數據只有在它准确且現時才有用。 许多州政府机构都依靠过时的數據收集方法, 如紙面表格或不互相交流的分類數據庫。 一個州政府由數據驱动的計畫可能因數據不良而損壞。 为消除此现象, 州政府正在投資 现代數據基础设施[ , 包括API、云存储和实时數據管道。 例如, Tennensse 建起了全州數據湖, 讓州政府可以近時实时分享數據。 州政府現在每月而不是每年更新其貧困的標本,讓州政府更准确地了解需求。

建立技术能力

許多州政府缺乏內部數據科學專業, 無法進行精密分析。 吸引和保留數據人才是常年的挑戰, 尤其是在民營部門薪水高的時候。 州長們以建立 資料助學[ 和與大學合作的方式做出反應。 紐約州長凱西·霍胡爾(Kathy Hochul)發起 紐約公民分析[ 方案, 将SNY的博士生安置在州立機內, 以研究與貧困相關的工程。 該方案在兩年中提出了50多项有證據的政策建议。

數據分析的减贫未來

數據化治理的地貌正在迅速發展。 幾種趋势可能會左右政府長治貧困的未來十年。

人工智能和机器学习

人工智能和機器學習可以讓國家從描述性分析(發生了什麼)轉而做指令性分析(我們該怎麼做 ) 。 例如,机器學習模型可以分析數千個變數,以建議以預期結果为基础的家庭最佳搭配方案——工作訓練、保育、食物援助或現金。 Alabama的早期實驗者已經表明,人工智能導導導的个案管理可以把家庭在貧窮中花費的時間減少到18個月。

实时資料與连续回應圈

未來的計畫將使用实时資料快速調整。 網路用戶、手機資料、電子福利轉換記錄等, 都能夠提供一分鐘之久的經濟危機指示數。 總督可能看到特定縣的食品印花使用率激增, 或立即部署流动食品套裝或調整 SNAP 福利水平。

跨州合作和資料共享

貧困不尊重州界。 州际移民、區域勞動市場和供應鏈斷都影響了貧窮。 州長們開始通过像國家總理協會的州創新網絡等協商,跨界分享資料。 這可以讓他們把减贫努力跟同級州做為基准,並采用其他地方證明的最佳做法。

結 论

州長在战略上使用數據將减贫工作從猜想轉變成科學。 通过找出根源、以弱势人群为目标、实时衡量成果,州長可以設計更有成效、更有效率的干预措施。 儘管隱私、精確和能力等問題依然存在,但路徑是明确的:反貧困政策的未來是數據驱动的。 随着科技進步和合作的深化,這些方法將更加精密,使全國各族群的解决方案更加公平和持久。 州長們將在减贫中取得最深的進度 — — 并为21世紀的负责任、注重成果的治理制定标准。