数据能帮助穷人吗?分析解决无家可归问题
分享:
|
阿比盖尔林德纳 瑞金大学 |
无家可归是一项全球性的社会和经济挑战;联合国人类住区规划署估计,无家可归的人口,即那些没有永久住房的人,大约有1亿。由于在这个问题上缺乏数据和政治轰动效应,无家可归者没有得到应有的讨论和对待。然而,在过去的五年中,数据和社会科学研究人员探索了数据技术和预测分析的应用,以应对这一人类悲剧。
全球无家可归问题研究所主席路易斯·凯西女士列出了解决无家可归问题的三管齐下的方法,可概括为预防、提供和改革(Beckwith, 2020年)。在每一项政策背后,数据和现代技术的力量都在重新评估支持无家可归项目的政策。
预防
凯西方法的第一个分支使用预测分析来确定哪些因素加剧了无家可归的风险,哪些公共政策改善了这些风险。像大多数社会问题一样,无家可归并不是一条线性路径;它涉及“个人、人际和社会经济因素的复杂相互作用”(Fowler,Hovmand,Marcal&Das,2019)。Mashariki(2018)强调了一种城市分析方法,该方法将贫困、失业、经济适用房、个人健康、药物滥用和其他因素的数据分层,从而形成一幅更加生动的无家可归者图景。
在加利福尼亚州的洛杉矶县,每年大约有141,000人经历一定程度的无家可归,来自加州政策实验室、洛杉矶县无家可归者倡议组织和其他机构的研究人员合作分析了该县企业联系项目的8500万项服务使用记录。目标:预测无家可归者的回归(RTH)和首次无家可归者的回归(FTH),这是基于在州服务机构(如卫生服务部门和精神卫生部门)的住院和门诊人次。从这个项目产生的初步模型表明,“大多数将经历[FTH]或[RTH]的单身成年人已经是主流县机构的客户”(Wachter, Bertrand, Pollack, Rountree &布莱克威尔,2019)。通过将无家可归风险最高的1%人群作为目标,该县可以在一年内预防近6900起无家可归事件。
在纽约,阿勒格尼县人类服务部(Allegheny County Department of Human Services)在2010年代末引入了一种算法,通过使用精神健康服务、急诊室、药物滥用服务或与刑事司法系统的互动来识别高危个人(Castillo, Zamorana, Jaramilla & Gonzalo, 2020年)。在加州和纽约,这些指标都被使用,因为过去20年的一致研究表明,在发达国家的无家可归者中,心理健康、身体健康、药物滥用、家庭冲突和犯罪之间的相互作用可以预测无家可归的风险。结构性劣势,包括具体政策和基于群体的歧视,是另一个考虑因素。该算法在种族和年龄等方面被判断为准确且无歧视,使阿勒格尼县能够识别高危人群,并相应地分配资源,在无家可归问题发生之前就应对它。
提供
凯西方法的第二个方面承认预防并不能帮助已经无家可归的人。从预测分析中获得的洞察力为公众应对无家可归问题提供了方向。由于无家可归不是一种同质的情况,因此需要系统反应的异质性。2015年,社区解决方案为零而建的运动率先采用了数据驱动的方法来满足美国80多个社区无家可归人口的需求。鉴于以前各机构单独行动,依靠人口普查数据来衡量无家可归情况,为零而建的数据库创建了一个全面、实时的,针对给定社区中无家可归的每个成年人的多机构数据,以便根据个人变化而非组织结果制定个性化解决方案和计划成功(Broom,2019)。条款包括短期内照顾受影响个人的食物、住所和医疗。
这些数据库的构建假定了对无家可归者的身份和位置的了解。然而,事实是,由于缺乏永久居留权,这些人口是最难追踪的。近几十年来,移动和GIS技术的引入,如洛杉矶县的无家可归者服务门户,促进了对无家可归者实时数据的整理(Kelkar, Frey, Suriya & Engel, 2019)。在英国,住房、社区和地方政府内部开展的无家可归者数据英格兰项目正在全国范围内开展工作,以改善关于无家可归者项目结果和无家可归者人口的数据(Wu, Man, Taylor & Aldridge, 2020年)。
改造
凯西方法的第三个方面借鉴了第一个方面的见解和第二个方面的可衡量结果,为整个无家可归者系统的重组提供了信息;它从短期和即时护理框架转向长期和可持续的解决方案。任何消除无家可归现象的希望——从无家可归者服务供应超过需求的意义上说——都需要多个行动层面的机构之间的协调,而不仅仅是联邦、州或地方政府。
数据和数字技术对于这种多方利益相关者协调至关重要。社区解决方案负责人贝丝·桑铎(Beth Sandor)列举了减少无家可归者的社区共有的五个特点:对所有项目和投资的共同目标的承诺,关于系统进展和人类成果的数据和反馈,一个有能力在系统中工作和改变系统的专门团队,可以在每个社区中测试和适应的经过验证的实践,以及获得灵活资源以快速应对新信息或需求(Beckwith, 2020年)。
图1:2018年1月3日,多伦多市中心一名无家可归者。克里斯托弗·卡萨洛夫摄/加拿大新闻界。 |
考虑将这种针对无家可归者的更广泛的“生态系统方法”(Kelkar et al., 2019)应用于住房政策。由于无家可归人口的不同个体之间的统一因素是想要一个永久的住房情况,因此重点是提供住房是有道理的。
20世纪末的早期实验研究和2010年代在美国和加拿大的大规模研究表明,住房第一的哲学,即住房是快速和没有前提条件的安排,比治疗第一的哲学能带来更好的社会稳定性,其中,在证明准备就绪或符合服务计划后,个人将获得住房(Fowler等人2019)。终结无家可归全国联盟强调,住房优先模式经常被指责为“放之四海而皆准”,事实上,它承认一种模式并不适用于所有人。住房优先模式提供了灵活性,因为它不规定服务,而是提供每个无家可归者需要的服务(终结无家可归全国联盟,2019年)。因此,住房优先实际上超越了无家可归者的庇护问题。
Fowler等人(2019年)描述了住房优先和无家可归者服务的复杂系统视角,顶层为无家可归者和居住者服务,以筛选需求,中间层以楼梯模式从避难所到临时住房再到永久性支持性住房,以及支持调查家庭不稳定性和建立安全网的底层。这一复杂系统观点承认了参与者的多样性,包括非营利组织和房东,以及他们行为的非线性。通过对无家可归者政策实验的一系列计算机模拟,研究人员发现,当住房优先和预防的第一个方面相结合时,无家可归者人数下降最多,并且在基于权利的住房政策背景下,大规模预防效果最好(Fowler等人,2019年)。
图2:政策实验显示了住房优先和预防措施对无家可归者救助人数的影响。图表来自Fowler等人(2019)。 |
Cho(2014)认为“住房优先”是一个“整体系统导向”,而不是一个单一的项目,因为它的目标——减少无家可归者的频率,全面的永久住房,以及对住房维护和生活质量改善的照顾和支持——需要一个共同的承诺。必须参与“各种项目和服务,包括无家可归者服务、紧急庇护所、永久性支持性住房、经济适用房、快速重新安置,以及病例管理支持、医疗保健、收入支持、就业服务等”。这种再创造实现了制度改革的第三个方面。
无家可归影响着我们所有人,无论我们有多富裕。尽管人们的意识有所提高,但英国的研究发现,一小部分行动是由公众随后采取的,部分原因是对无家可归及其预防的误解,认为无家可归是一个个人问题,以及一种宿命论的感觉,认为一个人的行动基本上无助于解决如此大的问题(Teixeira, 2017)。对这一群体的数据进行组织、澄清和分析的工作正在帮助改变这一情况。
引用:
- Beckwith,乌木。(2020).结束无家可归的关键:数据和技术。Salesforce,https://www.salesforce.com/blog/data-technology-homelessness-conversation/.
- 扫帚,道格拉斯。(2019).美国三个城市如何利用数据结束无家可归。世界经济论坛,https://www.weforum.org/agenda/2019/03/united-states-cities-using-data-to-end-homelessness/.
- 卡斯蒂略,C.,萨莫拉纳,M.,贾拉米拉,G.和冈萨洛,S.(2020年)。为阿勒格尼县开发的无家可归风险预测系统的算法影响评估。作为研究和咨询,https://www.alleghenycountyanalytics.us/wp-content/uploads/2020/08/Eticas-assessment.pdf.
- 曹,Richard。(2014).关于住房优先的四个澄清。美国无家可归问题机构间理事会,https://www.usich.gov/news/four-clarifications-about-housing-first/.
- Fowler, P., Hovmand, P., Marcal, K. & Das, S.(2019)。从复杂系统的角度解决无家可归问题:预防对策的见解。公共卫生年度审查40。465 - 486。https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6445694/.
- Kelkar, M., Frey, R., Suriya, N. & Engel, S.(2019)。用数据分析解决无家可归问题:用数据驱动的方法解决无家可归问题。德勤的见解,https://www2.deloitte.com/us/en/insights/industry/public-sector/homelessness-data.html.
- 马沙里基,阿门。(2018). 数据驱动的解决无家可归问题的方法。公民,https://civichall.org/civicist/the-case-for-a-data-driven-approach-to-tackle-homelessness/.
- 结束无家可归全国联盟。(2019).“住房优先”的真正含义是什么?全国消除无家可归联盟,https://endhomelessness.org/what-housing-first-really-means/.
- 特谢拉,Ligia。(2017).为什么我们需要改变我们谈论无家可归的方式。欧洲无家可归者杂志11(2)。77 - 91。
https://www.feantsaresearch.org/download/think-piece-23459289098505715364.pdf. - Wachter, T., Bertrand, M., Pollack, H., Rountree, J. & Blackwell, B.(2019)。预测和预防洛杉矶无家可归。加州的政策实验室,
https://www.capolicylab.org/wp-content/uploads/2019/12/Predicting_and_Preventing_Homelessness_in_Los_Angeles.pdf. - 吴,M, Man, L., Taylor, R. & Aldridge, S.(2020)。英国无家可归数据:提供无家可归研究中缺失的一环。ADR英国,
https://www.adruk.org/news-publications/news-blogs/homelessness-data-england-providing-the-missing-link-in-homelessness-research-291/.