Vídeo: UFJF/SEMIC 2018 - AVALIAÇÃO DE IMPACTO DE POLÍTICAS PÚBLICAS: APLICAÇÃO DE MÉTODOS DE AMOSTRAGEM 2024
Quase todas as áreas de uma cidade têm a capacidade de usar dados importantes, seja na forma de impostos, sensores em edifícios e pontes, monitoramento de padrões de trânsito, dados de localização e dados sobre atividades criminosas. A criação de políticas viáveis que tornem as cidades mais seguras, mais eficientes e mais desejáveis para viver e trabalhar requer a coleta e análise de enormes quantidades de dados de uma variedade de fontes.
Uma grande parte dos dados pertinentes à pesquisa sobre melhorias de políticas públicas é coletada por várias agências da cidade e tem historicamente levado meses ou anos para analisar (como dados censitários anuais, registros policiais e impostos municipais registros). Mesmo dentro de uma agência específica, como o departamento de polícia, os dados podem ser coletados por distritos separados e não facilmente compartilhados em toda a cidade e suas comunidades vizinhas.
Como resultado, os líderes das cidades têm uma abundância de informações sobre como as políticas impactaram as pessoas em sua cidade em anos anteriores, mas tem sido muito desafiador compartilhar e alavancar dados de mudança rápida para tornar real- decisões de tempo que podem melhorar a vida da cidade. O que torna o alavancagem desses dados ainda mais complicado é o fato de que os dados são gerenciados e armazenados em silos separados.
Isso causa problemas porque uma relação direta pode existir entre diferentes aspectos das operações da cidade. Os formuladores de políticas estão começando a perceber que a mudança só pode acontecer se eles podem usar os dados e dados disponíveis das melhores práticas para transformar o estado atual de seu ambiente. A cidade mais complexa, mais uma necessidade existe para aproveitar os dados para mudar as coisas para melhor.
Isso está mudando à medida que os formuladores de políticas, cientistas e inovadores de tecnologia se juntam para implementar políticas baseadas em dados em movimento. Por exemplo, para projetar e implementar um programa para melhorar o congestionamento do tráfego, você precisará coletar dados sobre população, números de emprego, condições da estrada e clima. Grande parte deste dado foi coletado no passado, mas é armazenado em vários silos e representa uma visão estática de informações históricas.
Para fazer sugestões com base nas informações de transmissão atuais, você precisa de uma nova abordagem. Pesquisadores de uma universidade técnica da Europa estão colecionando dados de tráfego em tempo real de várias fontes, tais como dados do Sistema de Posicionamento Global (GPS) de veículos de viagem, sensores de radar nas estradas e dados meteorológicos. Eles integraram e analisaram os dados de transmissão para diminuir o congestionamento de tráfego e melhorar o fluxo de tráfego.
Ao analisar dados estruturados e não estruturados à medida que os eventos estão ocorrendo, os sistemas podem avaliar as condições atuais de viagem e fazer sugestões sobre rotas alternativas que reduzirão o tráfego. Em última análise, o objetivo é ter um grande impacto no fluxo de tráfego na cidade. Os dados em movimento são avaliados em conexão com dados históricos para que as recomendações façam sentido no contexto das condições reais.
Os dados de transmissão podem ter um impacto significativo nas taxas de criminalidade nas cidades. Por exemplo, um departamento de polícia usa análises preditivas para identificar padrões de crime por tempo e localização. Se uma mudança repentina for encontrada em um padrão identificado para um novo local, a polícia pode enviar oficiais para o local certo no momento certo. Após o fato, esses dados podem agora ser usados para analisar os padrões de comportamento criminal.
