بسته شواهد: چگونه آمارگیران بحران کاهش نرخ پاسخگویی به نظرسنجی‌های دولتی را حل می‌کنند

اساس اقتصاد ایالات متحده بر یک زیرساخت آرام و نامرئی بنا شده است: آمار رسمی. از تصمیمات نرخ بهره فدرال رزرو گرفته تا نحوه توزیع تریلیون‌ها دلار بودجه فدرال، داده‌های دقیق قطب‌نمای سیاست ملی هستند. اما این قطب‌نما در حال حاضر تحت فشار شدیدی قرار دارد و با چیزی مواجه است که برخی آن را فروپاشی روش‌شناسی ناشی از کاهش شدید نرخ پاسخگویی به نظرسنجی‌ها و محدودیت بودجه می‌نامند.[7]

با این حال، به جای فروپاشی، این فشار در حال ایجاد یک دگرگونی است که مدت‌ها انتظارش می‌رفت. دانشمندان داده و آژانس‌های دولتی فعالانه در حال فاصله گرفتن از مدل نظرسنجی صرفاً قرن بیستمی هستند و رویکردی ترکیبی را در پیش گرفته‌اند که یادگیری ماشینی، سوابق اداری و روش‌های جمع‌آوری مدرن را برای حفظ یکپارچگی داده‌های ملی ادغام می‌کند.[1][7]

شواهد این کاهش در جمع‌آوری داده‌های سنتی آشکار است. نظرسنجی جمعیت جاری (CPS) – ابزار حیاتی مورد استفاده برای محاسبه نرخ بیکاری ایالات متحده – یک دهه پیش به طور معمول به نرخ پاسخگویی نزدیک به ۹۰ درصد می‌رسید. امروز، این نرخ به حدود ۶۲ درصد کاهش یافته است. سایر شاخص‌های اصلی، مانند نظرسنجی هزینه‌های مصرف‌کننده، شاهد کاهش نرخ پاسخگویی به سمت ۴۰ درصد بوده‌اند.[2][3]

این پدیده منحصر به آمریکا نیست. نظرسنجی‌های سازمانی و خانوار در سراسر اقتصادهای پیشرفته شاهد فرسایش مشابهی هستند، به طوری که نرخ پاسخگویی به نظرسنجی نیروی کار بریتانیا (UK's Labour Force Survey) از میانگین تاریخی ۶۳ درصد به ۴۳ درصد پس از همه‌گیری کاهش یافته است. خستگی از نظرسنجی، نگرانی‌های مربوط به حریم خصوصی، و دشواری محض در دسترسی به خانوارهای دارای تلفن همراه، چشم‌انداز جمع‌آوری داده‌ها را در سطح جهانی به طور اساسی تغییر داده است.[2][6]

محدودیت‌های بودجه‌ای اصطکاک جمع‌آوری داده‌ها را تشدید می‌کنند. در حالی که اهمیت داده‌های دقیق هرگز تا این حد بالا نبوده است، منابع اختصاص یافته برای جمع‌آوری آن در مقایسه با اقتصاد گسترده‌تر، ناچیز باقی مانده است. کل سیستم آماری فدرال ایالات متحده با بودجه‌ای تقریباً ۶.۸ میلیارد دلاری فعالیت می‌کند – که تنها ۰.۰۳ درصد از اقتصاد ۲۷ تریلیون دلاری کشور است.[5]

با وجود این بازده بالای سرمایه‌گذاری، آژانس‌ها از سال ۲۰۱۶ با کاهش ۵ تا ۶ درصدی بودجه به دلار واقعی مواجه شده‌اند، که آن‌ها را مجبور کرده است تا با به تأخیر انداختن تلاش‌های نوسازی یا کاهش محصولات آماری خاص، هزینه‌های فزاینده جمع‌آوری داده‌ها را جذب کنند. کمبود مزمن بودجه، ظرفیت اصلی سیستم را درست در زمانی که بیشترین نیاز به انطباق با تغییر رفتار عمومی دارد، تهدید می‌کند.[4][5]

برای مقابله با کاهش مشارکت فعال در نظرسنجی، اداره سرشماری (Census Bureau) و سایر آژانس‌ها به طور فزاینده‌ای در حال جایگزینی سؤالات نظرسنجی با سوابق اداری موجود هستند. به جای تکیه بر یک خانوار برای به خاطر سپردن و گزارش دقیق درآمد خود، آمارگیران می‌توانند نظرسنجی را به طور ایمن به اظهارنامه‌های مالیاتی ناشناس IRS یا داده‌های تأمین اجتماعی (Social Security) پیوند دهند.[1][3]

این رویکرد نه تنها بار پاسخگو – زمان و تلاشی که برای پر کردن فرم دولتی لازم است – را کاهش می‌دهد، بلکه اغلب ارقام بسیار دقیق‌تری را به دست می‌دهد. به عنوان مثال، اداره اطلاعات انرژی (Energy Information Administration) با موفقیت از داده‌های مستقیم شرکت‌های برق محلی برای اندازه‌گیری هزینه‌های انرژی خانوار استفاده کرده و نیاز به پرسش از مصرف‌کنندگان را به کلی دور زده است.[7]

برای داده‌هایی که هنوز باید مستقیماً جمع‌آوری شوند، آژانس‌ها در حال بازنگری کامل در روش‌های خود هستند. اداره آمار کار (Bureau of Labor Statistics) و اداره سرشماری در حال راه‌اندازی روش‌های پاسخگویی خودکار مبتنی بر وب برای CPS هستند، با این اذعان که جمعیت‌های جوان‌تر و بومی دیجیتال بسیار بیشتر احتمال دارد که یک فرم آنلاین امن را تکمیل کنند تا اینکه به تماس تلفنی یک آمارگیر پاسخ دهند.[2]

علاوه بر این، آمارگیران در حال به کارگیری الگوریتم‌های طراحی تطبیقی هستند. با استفاده از یادگیری ماشینی برای تجزیه و تحلیل ویژگی‌های یک خانوار و تلاش‌های تماس گذشته، آژانس‌ها می‌توانند زمان و روش بهینه برای دسترسی به یک پاسخگو را پیش‌بینی کنند و کارایی بودجه‌های رو به کاهش کارکنان میدانی خود را به حداکثر برسانند.[2]

یک سؤال اصلی باقی می‌ماند: آیا نرخ پاسخگویی پایین‌تر واقعاً اعداد را مغرضانه می‌کند؟ نرخ پاسخگویی پایین‌تر ذاتاً دقت آماری را با کوچک کردن حجم نمونه کاهش می‌دهد، اما به طور خودکار سوگیری ایجاد نمی‌کند. سوگیری تنها زمانی رخ می‌دهد که افرادی که از پاسخ دادن امتناع می‌ورزند، از نظر ماهوی با کسانی که پاسخ می‌دهند، متفاوت باشند. سال‌ها، مطالعات اجباری سوگیری شواهد کمی نشان داد که نرخ‌های رو به کاهش، شاخص‌های اقتصادی اصلی را منحرف می‌کنند.[3]

با این حال، تحقیقات اخیر نشان می‌دهد که ممکن است این آستانه عبور کرده باشد. تجزیه و تحلیل مکمل اجتماعی و اقتصادی سالانه CPS نشان داد که از سال ۲۰۲۰، عدم پاسخگویی آمار درآمد مبتنی بر نظرسنجی را ۲ تا ۳ درصد به سمت بالا سوگیر کرده است. از آنجا که دسترسی به خانوارهای کم‌درآمد به طور نامتناسبی دشوارتر شده بود، داده‌های خام نظرسنجی به طور مصنوعی میانگین درآمد ملی را افزایش داد تا زمانی که آمارگیران تعدیل‌های وزنی جدیدی را برای اصلاح آن اعمال کردند.[1]

همچنین محدودیت‌های سختی در مورد آنچه داده‌های اداری می‌توانند حل کنند، وجود دارد. در حالی که سوابق مالیاتی می‌توانند درآمد یک فرد را به طور کامل ثبت کنند، نمی‌توانند نیت او را آشکار سازند. تنها یک نظرسنجی مستقیم می‌تواند تعیین کند که آیا یک فرد بیکار فعالانه به دنبال کار است یا خیر – معیار حیاتی که بیکاران رسمی را از کسانی که به سادگی نیروی کار را ترک کرده‌اند، جدا می‌کند.[3][6]

در نهایت، فروپاشی روش‌شناسی به عنوان یک کاتالیزور برای ایجاد یک زیرساخت آماری انعطاف‌پذیرتر عمل می‌کند. آژانس‌های فدرال با اذعان به محدودیت‌های نظرسنجی سنتی و ادغام فعالانه منابع داده جایگزین، اطمینان حاصل می‌کنند که نشانگرهای اقتصادی هدایت‌کننده کشور دقیق باقی می‌مانند، حتی در شرایطی که دسترسی به عموم مردم دشوارتر می‌شود.[5][7]