📊 statistics

Due Process on Hold: A Queueing Framework for Improving Access in SNAP

Ce document propose un cadre de file d'attente qui prend en compte les phénomènes de congestion endogènes tels que les rappels et les abandons pour démontrer comment les modèles de dotation standards échouent à garantir la procédure régulière dans les centres d'appels SNAP, en offrant une approche fondée sur les données pour redéfinir les systèmes d'accès et prévenir les dénis procéduraux de masse.

Auteurs originaux : Andrew Daw, Chloe Pache, Angela Zhou

Publié 2026-05-15

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Andrew Daw, Chloe Pache, Angela Zhou

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Grand Problème : La « Ligne Téléphonique Cassée »

Imaginez une salle d'attente immense et bondée pour un service vital. Les gens sont désespérés pour y entrer, mais la porte est gardée par seulement quelques membres du personnel épuisés.

Dans le monde réel, c'est exactement ce qui s'est produit avec le programme SNAP (aide alimentaire) au Missouri. Les personnes tentant de postuler pour des avantages alimentaires devaient appeler une ligne directe pour compléter un entretien. Mais les lignes étaient si encombrées que près de la moitié de toutes les personnes se sont vu refuser les avantages simplement parce qu'elles n'arrivaient pas à joindre un humain. Elles n'ont pas échoué parce qu'elles n'étaient pas éligibles ; elles ont échoué parce que le système téléphonique était cassé. Un juge a statué que cela était injuste et illégal.

Le gouvernement a essayé de le réparer en embauchant plus de personnel, mais cela coûte cher et est lent. Les auteurs de ce document ont demandé : Y a-t-il un moyen plus intelligent de réparer le système sans simplement y jeter de l'argent ?

L'Ancienne Façon de Penser : L'Erreur du « Une Fois pour Toutes »

Pour comprendre la solution des auteurs, nous devons d'abord examiner comment les experts étudient habituellement les lignes téléphoniques (appelées « centres d'appels »).

Les modèles mathématiques standards (comme la célèbre formule d'Erlang-A) traitent un appel téléphonique comme un client entrant dans un magasin.

La Vue Standard : Si vous appelez, attendez trop longtemps et vous frustrez, vous raccrochez et partez pour toujours. Le magasin est heureux car vous êtes parti, et la file d'attente raccourcit.
La Réalité du SNAP : Si une personne raccroche parce qu'elle a faim et a besoin de nourriture, elle ne renonce pas. Elle rappelle. Et rappelle. Et rappelle.
- L'Analogie : Imaginez une personne essayant d'obtenir un billet pour un concert complet. Si elle ne peut pas entrer, elle ne rentre pas chez elle ; elle reste devant la porte et essaie de se frayer un passage à nouveau cinq minutes plus tard.
- Le Résultat : Chaque fois que quelqu'un raccroche, il ne quitte pas le système ; il devient une nouvelle personne dans la file d'attente quelques minutes plus tard. Cela crée un cercle vicieux où la file d'attente s'allonge parce que les gens raccrochent.

Les auteurs appellent cela la « Congestion Endogène ». C'est une boucle où l'échec propre du système (des temps d'attente longs) crée le trafic même qui l'encombre (les rappels).

La Nouvelle Solution : Un Modèle de « Boucle de Circulation »

Les auteurs ont construit un nouveau modèle mathématique (un « cadre de file d'attente ») qui tient compte de ce comportement en boucle. Au lieu de supposer que les gens partent quand ils raccrochent, leur modèle suppose :

Boucles Courtes : Les personnes qui raccrochent par frustration rappellent dans les heures qui suivent.
Boucles Longues : Les personnes qui réussissent à joindre quelqu'un mais ont besoin de plus de documents, ou qui obtiennent avec succès les avantages, rappelleront des mois plus tard pour une « recertification » (vérification de leur éligibilité).

Ils ont utilisé une « Approximation Fluide » pour résoudre ce problème.

L'Analogie : Imaginez essayer de compter chaque goutte d'eau individuellement dans une rivière qui dévale. C'est impossible. Mais si vous traitez la rivière comme un « fluide » continu s'écoulant à une certaine vitesse, vous pouvez facilement calculer combien d'eau il y a dans la rivière et à quelle vitesse elle se déplace.
L'Application : Au lieu de suivre chaque appel téléphonique individuellement, ils ont traité les appels comme un flux continu d'eau. Cela leur a permis de prédire exactement comment le système se comporte lorsqu'il est submergé.

Ce Qu'ils Ont Découvert : Ce N'est Pas Juste une Question d'Embaucher Plus de Personnel

En utilisant les données de l'affaire judiciaire, ils ont testé différentes façons de résoudre le goulot d'étranglement. Voici ce que leur « tableau de bord » a révélé :

1. Embaucher plus de personnel est coûteux et souvent insuffisant.
L'État du Missouri pensait qu'il fallait embaucher plus de 150 nouvelles personnes pour résoudre les temps d'attente. Le modèle des auteurs a montré que, bien que l'embauche aide, ce n'est pas le seul levier.

2. Réparer le « Processus » est un super-pouvoir.
Le modèle a montré que de petits changements dans la façon dont l'entretien fonctionne pourraient avoir le même effet que l'embauche de dizaines de nouvelles personnes.

Accélérer l'entretien : Si les agents peuvent parler plus vite (ou utiliser des outils d'IA pour gérer les questions simples), la file avance plus vite.
Faciliter la réussite : Si le processus d'entretien est plus clair afin que les gens ne restent pas bloqués ayant besoin de plus de documents plus tard, moins de personnes devront rappeler.
Attendre plus longtemps entre les vérifications : Si le gouvernement vérifie votre éligibilité une fois par an au lieu de tous les six mois, moins de personnes rappellent en même temps.

3. L'Approche « Regroupée » est la Meilleure.
Le document soutient que vous ne devriez pas simplement embaucher plus de personnel OU simplement changer les règles. Vous devriez faire un peu des deux.

L'Analogie : Imaginez un embouteillage. Vous pouvez essayer de construire une autoroute plus large (embaucher plus de personnel), mais si vous retirez aussi un panneau stop (accélérer le processus) et dites aux voitures de prendre un autre itinéraire (changer la politique), vous dégagez l'embouteillage beaucoup plus vite que de construire l'autoroute seule.

La Conclusion

Le document prouve que le conseil « standard » pour réparer les lignes téléphoniques (simplement embaucher plus de personnel) est faux pour les services sociaux car il ignore le fait que les personnes désespérées continuent de rappeler.

En utilisant ce nouveau modèle de « boucle de circulation », les agences peuvent voir qu'elles n'ont pas nécessairement besoin d'embaucher une armée massive de nouveaux travailleurs. Au lieu de cela, elles peuvent réparer le système en rendant le processus plus rapide, plus clair et moins frustrant. Cela garantit que les personnes qui sont réellement éligibles à l'aide ne se voient pas refuser l'accès simplement parce qu'elles n'ont pas pu joindre quelqu'un au téléphone.

Résumé technique : La procédure régulière en suspens : un cadre d'attente pour améliorer l'accès au SNAP

Énoncé du problème
L'article traite de l'échec opérationnel des centres d'appels des filets de sécurité sociale, en particulier du Programme d'aide nutritionnelle complémentaire (SNAP), où la congestion du système entraîne des « refus procéduraux ». Dans l'affaire Holmes v. Knodell, les centres d'appels du SNAP du Missouri étaient si congestionnés que près de 50 % des refus de demande étaient procéduraux — résultant de l'incapacité des demandeurs à compléter les entretiens requis en raison de longs temps d'attente et de coupures, plutôt que d'une inéligibilité réelle. La cour a jugé cela comme une violation de la procédure régulière.

Le défi technique central est que les modèles d'attente standard utilisés en recherche opérationnelle (spécifiquement le modèle d'Erlang-A) ne parviennent pas à capturer les dynamiques uniques de la prestation de services sociaux. Les modèles standards supposent que les clients qui abandonnent une file d'attente (raccrochent) sont perdus pour le système à jamais. Cependant, dans le SNAP et des programmes similaires, les demandeurs n'ont pas d'options externes privées ; s'ils abandonnent un appel, ils sont très susceptibles de rappeler. Cela crée une congestion endogène : l'abandon génère de futures arrivées (rappels), ce qui aggrave à son tour la congestion, créant une boucle de rétroaction que les modèles standards sous-estiment. Par conséquent, les recommandations de dotation standard basées sur Erlang-A sous-dotationnent fondamentalement ces systèmes, entraînant des déficits persistants d'accès.

Méthodologie
Les auteurs proposent un cadre d'évaluation des performances basé sur un modèle d'attente personnalisé dérivé de la recherche opérationnelle, adapté pour capturer les « orbites » spécifiques des appelants des services sociaux.

Modèle stochastique : Les auteurs modélisent le centre d'appels comme un réseau de services markovien avec quatre états ou « orbites » distincts pour les appelants :
- Nouvelles arrivées : Nouveaux demandeurs cherchant une inscription.
- Orbite de rappel court : Appelants qui abandonnent et rappellent dans les heures (par exemple, le même jour).
- Orbite de rappel long : Appelants qui abandonnent et rappellent plusieurs jours plus tard, ou ceux qui complètent un appel mais nécessitent une documentation de suivi.
- Orbite de réinscription/récertification : Bénéficiaires inscrits avec succès qui doivent revenir plusieurs mois plus tard pour une récertification.
- Perdu : Appelants qui abandonnent et ne reviennent jamais (refus procéduraux).
Le modèle intègre des paramètres pour les taux d'arrivée fraîche ( $\lambda$ ), les taux de service ( $\mu$ ), les taux d'abandon ( $\theta$ ) et les taux de rappel ( $\delta$ ).
Approximation fluide : Pour rendre le modèle analytiquement traitable pour les systèmes à grande échelle (justifié par les volumes d'appels élevés dans les données de Holmes v. Knodell), les auteurs dérivent une approximation fluide déterministe utilisant un système d'équations différentielles ordinaires (EDO). Cette approximation est prouvée comme convergente vers le modèle stochastique sous une loi forte des grands nombres fonctionnelle (FSLLN).
Ajustement des paramètres : Les paramètres du modèle sont calibrés à l'aide de données journalières agrégées provenant de quatre centres d'appels du DSS du Missouri divulgués dans les documents judiciaires (Pièce 87). Les auteurs utilisent une approche d'ajustement robuste pour estimer le taux d'arrivée fraîche ( $\lambda$ ) et les paramètres d'abandon en minimisant l'écart absolu moyen (MAD) entre les temps d'attente prédits par le modèle et les données observées sur une gamme de paramètres comportementaux plausibles.
Déduction analytique : En utilisant la solution en régime permanent du modèle fluide, les auteurs dérivent des expressions en forme close pour six métriques de performance clés :
- Nombre moyen d'appelants en attente.
- Temps d'attente moyen.
- Vitesse moyenne de réponse (pour les appelants non abandonnants).
- Taux de refus procéduraux (abandons perdus totaux).
- Congestion endogène due aux rappels.
- Congestion endogène due à la récertification.

Résultats clés

Supériorité du modèle sur Erlang-A : Lorsqu'il est appliqué aux données du Missouri, le modèle standard Erlang-A sous-estime considérablement les niveaux de dotation requis. Dans certains scénarios, le modèle Erlang-A suggère un déficit de dotation allant jusqu'à 84 % par rapport au modèle des auteurs tenant compte de la congestion endogène. Le modèle Erlang-A échoue car il traite l'abandon comme un stabilisateur du système (en retirant la charge), alors que le modèle des auteurs identifie correctement l'abandon comme un moteur de charge future via les rappels.
Statiques comparatives : Les auteurs analysent comment les leviers opérationnels affectent les performances. Ils constatent que l'augmentation de la dotation ( $c$ ), l'augmentation de la vitesse de service ( $\mu$ ) et l'augmentation de la fraction d'appels réussis ( $p_+$ ) produisent toutes des améliorations intuitives (réduction des temps d'attente et des refus procéduraux).
Équivalences d'élasticité : Une découverte clé est que, dans le régime surchargé, l'augmentation de la dotation et l'augmentation de la vitesse de service ont des effets proportionnels identiques (élasticités) sur des métriques clés telles que les taux de refus procéduraux et les temps d'attente. Cela suggère que les gains d'efficacité (par exemple, via l'IA ou une meilleure formation) peuvent se substituer à l'embauche, à condition que l'analyse coûts-avantages favorise le gain d'efficacité.
Interventions groupées : Le modèle démontre que combiner des augmentations modestes de la dotation avec des changements de conception du système (par exemple, réduire le temps moyen de traitement ou allonger les cycles de récertification) produit des résultats nettement meilleurs que la dotation seule. Par exemple, pour réduire les temps d'attente en dessous de 2 minutes, le modèle des auteurs suggère que, sans embauche, le temps de traitement doit être réduit de 75 %, ou les périodes de récertification étendues à un an. Avec seulement 50 agents supplémentaires, une réduction de 50 % du temps de traitement suffit.

Signification et revendications
L'article revendique de fournir le premier cadre d'attente spécifiquement conçu pour traiter l'« arbitraire émergent » dans la prestation de services sociaux, où la congestion systémique — et non une erreur algorithmique unique — viole la procédure régulière.

Pertinence politique : Le cadre permet aux agences de dépasser les recommandations « toutes faites » d'Erlang-A, qui se révèlent dangereusement optimistes pour les services sociaux. Il permet aux décideurs politiques de mener des évaluations ex ante de la manière dont les changements de conception du programme (par exemple, flexibilité des entretiens, intervalles de récertification) et des opérations interagissent pour affecter l'accès.
Diagnostic systémique : Les auteurs soutiennent que l'équité et la précision dans la prestation des prestations sont des propriétés émergentes de la performance du système. En quantifiant la congestion endogène, le modèle fournit des preuves pour déterminer si les demandeurs se voient offrir une « opportunité réelle d'être servis », un critère juridique pour la procédure régulière.
Outil pratique : Les auteurs présentent un tableau de bord (basé sur le modèle fluide) qui permet aux parties prenantes d'explorer les compromis entre les coûts de dotation et les améliorations de la prestation de services, offrant une voie fondée sur les données pour remédier aux barrières d'accès identifiées dans Holmes v. Knodell.

L'article conclut avec modestie, notant que si le modèle fluide offre des insights de premier ordre, il s'agit d'une approximation. Une analyse entièrement probabiliste serait nécessaire pour étudier la distribution des tentatives individuelles des appelants, mais le cadre actuel fournit une base nécessaire et rigoureuse pour évaluer et améliorer l'accès à grande échelle.