📊 statistics

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

Questo articolo propone un framework di coda che tiene conto di fenomeni di congestione endogeni come le chiamate di riacquisto e l'abbandono per dimostrare come i modelli di personale standard non garantiscano il giusto processo procedurale nei call center del SNAP, offrendo un approccio basato sui dati per ridisegnare i sistemi di accesso e prevenire negazioni procedurali di massa.

Autori originali: Andrew Daw, Chloe Pache, Angela Zhou

Pubblicato 2026-05-15

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Andrew Daw, Chloe Pache, Angela Zhou

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Grande Problema: La "Linea Telefonica Rotta"

Immagina un'enorme e affollata sala d'attesa per un servizio salvavita. Le persone sono disperate per entrare, ma la porta è sorvegliata da solo pochi membri dello staff stanchi.

Nel mondo reale, è esattamente ciò che è accaduto con il programma SNAP (assistenza alimentare) nel Missouri. Le persone che tentavano di richiedere benefici alimentari dovevano chiamare un numero verde per completare un colloquio. Ma le linee erano così intasate che quasi metà di tutte le persone sono state negate i benefici semplicemente perché non riuscivano a mettersi in contatto con un essere umano. Non sono fallite perché non erano eleggibili; sono fallite perché il sistema telefonico era rotto. Un giudice ha stabilito che ciò era ingiusto e illegale.

Il governo ha cercato di risolverlo assumendo più persone, ma ciò è costoso e lento. Gli autori di questo documento hanno chiesto: Esiste un modo più intelligente per sistemare il sistema senza semplicemente buttare soldi?

Il Vecchio Modo di Pensare: L'Errore "Uno-e-Finito"

Per comprendere la soluzione degli autori, dobbiamo prima osservare come gli esperti studiano solitamente le linee telefoniche (chiamati "call center").

I modelli matematici standard (come la famosa formula di Erlang-A) trattano una chiamata telefonica come un cliente che entra in un negozio.

La Visione Standard: Se chiami, aspetti troppo a lungo e ti frustri, riagganci e te ne vai per sempre. Il negozio è felice perché te ne sei andato, e la fila si accorcia.
La Realtà del SNAP: Se una persona riaggancia perché ha fame e ha bisogno di cibo, non si arrende. Richiama. E ancora. E ancora.
- L'Analogia: Immagina una persona che cerca di ottenere un biglietto per un concerto esaurito. Se non riesce ad entrare, non torna a casa; rimane fuori dalla porta e prova a spingersi dentro di nuovo cinque minuti dopo.
- Il Risultato: Ogni volta che qualcuno riaggancia, non lascia il sistema; diventa una nuova persona in fila dopo pochi minuti. Questo crea un circolo vizioso in cui la fila si allunga proprio perché le persone riagganciano.

Gli autori chiamano questo "Congestione Endogena". È un ciclo in cui il fallimento del sistema stesso (tempi di attesa lunghi) crea il traffico che lo intasa (ripetute chiamate).

La Nuova Soluzione: Un Modello "Anello di Traffico"

Gli autori hanno costruito un nuovo modello matematico (un "framework di code") che tiene conto di questo comportamento a ciclo. Invece di assumere che le persone lascino il sistema quando riagganciano, il loro modello assume:

Cicli Brevi: Le persone che riagganciano per frustrazione richiamano entro poche ore.
Cicli Lunghi: Le persone che riescono a mettersi in contatto ma hanno bisogno di più documentazione, o che ricevono con successo i benefici, richiameranno tra mesi per la "riconferma" (verifica se sono ancora eleggibili).

Hanno utilizzato una "Approssimazione Fluida" per risolvere questo problema.

L'Analogia: Immagina di provare a contare ogni singola goccia d'acqua in un fiume in piena. È impossibile. Ma se tratti il fiume come un "fluido" continuo che scorre a una certa velocità, puoi facilmente calcolare quanta acqua c'è nel fiume e quanto velocemente si muove.
L'Applicazione: Invece di tracciare ogni singola chiamata telefonica, hanno trattato le chiamate come un flusso d'acqua continuo. Questo ha permesso loro di prevedere esattamente come si comporta il sistema quando è sopraffatto.

Cosa Hanno Scoperto: Non Si Tratta Solo di Assumere Più Persone

Utilizzando i dati del caso giudiziario, hanno testato diversi modi per risolvere il collo di bottiglia. Ecco cosa ha rivelato la loro "bacheca":

1. Assumere più personale è costoso e spesso non sufficiente.
Lo stato del Missouri pensava di dover assumere 150+ nuove persone per risolvere i tempi di attesa. Il modello degli autori ha mostrato che, sebbene l'assunzione aiuti, non è l'unica leva.

2. Sistemare il "Processo" è un superpotere.
Il modello ha dimostrato che piccoli cambiamenti su come funziona il colloquio potrebbero avere lo stesso effetto dell'assunzione di dozzine di nuove persone.

Accelerare il colloquio: Se gli agenti possono parlare più velocemente (o utilizzare strumenti di intelligenza artificiale per gestire domande semplici), la fila si muove più velocemente.
Rendere più facile avere successo: Se il processo di colloquio è più chiaro in modo che le persone non rimangano bloccate avendo bisogno di più documentazione in seguito, meno persone dovranno richiamare.
Attendere più a lungo tra i controlli: Se il governo verifica la tua eleggibilità una volta all'anno invece che ogni sei mesi, meno persone chiameranno indietro contemporaneamente.

3. L'Approccio "Pacchetto" è il Migliore.
Il documento sostiene che non dovresti semplicemente assumere più persone O semplicemente cambiare le regole. Dovresti fare un po' di entrambi.

L'Analogia: Immagina un ingorgo stradale. Puoi provare a costruire un'autostrada più larga (assumere più personale), ma se rimuovi anche un segnale di stop (accelerare il processo) e dici alle auto di prendere una strada diversa (cambiare la politica), sblocchi l'ingorgo molto più velocemente rispetto alla sola costruzione dell'autostrada.

La Conclusione

Il documento dimostra che il consiglio "standard" per sistemare le linee telefoniche (assumere semplicemente più persone) è sbagliato per i servizi sociali perché ignora il fatto che le persone disperate continuano a richiamare.

Utilizzando questo nuovo modello "anello di traffico", le agenzie possono vedere che non hanno necessariamente bisogno di assumere un enorme esercito di nuovi lavoratori. Invece, possono sistemare il sistema rendendo il processo più veloce, chiaro e meno frustrante. Questo garantisce che le persone che sono effettivamente eleggibili per l'aiuto non vengano negate semplicemente perché non sono riuscite a mettersi in contatto al telefono.

Sintesi Tecnica: Il Giusto Processo in Sospeso: Un Modello di Code per Migliorare l'Accesso al SNAP

Dichiarazione del Problema
Il documento affronta il fallimento operativo dei call center della rete di sicurezza sociale, in particolare del Supplemental Nutrition Assistance Program (SNAP), dove il congestionamento del sistema porta a "rifiuti procedurali". Nel caso di Holmes v. Knodell, i call center del SNAP del Missouri erano così congestionati che quasi il 50% dei rifiuti delle domande era di natura procedurale: derivava dall'incapacità dei richiedenti di completare i colloqui richiesti a causa di lunghi tempi di attesa e disconnessioni, piuttosto che da una reale ineligibilità. La corte ha stabilito che ciò costituisce una violazione del giusto processo procedurale.

La sfida tecnica fondamentale è che i modelli di code standard utilizzati nella ricerca operativa (in particolare il modello Erlang-A) non riescono a catturare le dinamiche uniche della fornitura di servizi sociali. I modelli standard assumono che i clienti che abbandonano una coda (chiudano la chiamata) siano persi per il sistema per sempre. Tuttavia, nel SNAP e in programmi simili, i richiedenti non hanno opzioni esterne private; se abbandonano una chiamata, è altamente probabile che richiamino. Questo crea un congestionamento endogeno: l'abbandono genera arrivi futuri (richiami), che a loro volta peggiorano il congestionamento, creando un ciclo di retroazione che i modelli standard sottostimano. Di conseguenza, le indicazioni standard sul personale basate su Erlang-A sottodimensionano fondamentalmente questi sistemi, portando a carenze persistenti nell'accesso.

Metodologia
Gli autori propongono un quadro di valutazione delle prestazioni basato su un modello di code personalizzato derivato dalla ricerca operativa, adattato per catturare le specifiche "orbite" degli utenti dei servizi sociali.

Modello Stocastico: Gli autori modellano il call center come una rete di servizi markoviana con quattro stati o "orbite" distinti per gli utenti:
- Arrivi Freschi: Nuovi richiedenti che cercano l'iscrizione.
- Orbita dei Richiami a Breve Termine: Utenti che abbandonano e rientrano entro poche ore (ad esempio, lo stesso giorno).
- Orbita dei Richiami a Lungo Termine: Utenti che abbandonano e rientrano dopo giorni, o quelli che completano una chiamata ma richiedono documentazione di follow-up.
- Orbita di Riscrizione/Riconferma: Destinatari già iscritti con successo che devono rientrare dopo mesi per la riconferma.
- Persi: Utenti che abbandonano e non fanno più ritorno (rifiuti procedurali).
Il modello incorpora parametri per i tassi di arrivo fresco ( $\lambda$ ), i tassi di servizio ( $\mu$ ), i tassi di abbandono ( $\theta$ ) e i tassi di richiamo ( $\delta$ ).
Approssimazione Fluida: Per rendere il modello analiticamente trattabile per sistemi su larga scala (giustificato dagli elevati volumi di chiamate nei dati di Holmes v. Knodell), gli autori derivano un'approssimazione fluida deterministica utilizzando un sistema di Equazioni Differenziali Ordinarie (ODE). È stato dimostrato che questa approssimazione converge al modello stocastico sotto una legge forte funzionale dei grandi numeri (FSLLN).
Adattamento dei Parametri: I parametri del modello sono calibrati utilizzando dati giornalieri aggregati provenienti da quattro call center del DSS del Missouri rivelati nei documenti giudiziari (Allegato 87). Gli autori utilizzano un approccio di adattamento robusto per stimare il tasso di arrivo fresco ( $\lambda$ ) e i parametri di abbandono minimizzando la Deviazione Assoluta Media (MAD) tra i tempi di attesa previsti dal modello e i dati osservati su una gamma di parametri comportamentali plausibili.
Derivazione Analitica: Utilizzando la soluzione di stato stazionario del modello fluido, gli autori derivano espressioni in forma chiusa per sei metriche chiave delle prestazioni:
- Numero medio di utenti in attesa.
- Tempo medio di attesa.
- Velocità media di risposta (per gli utenti che non abbandonano).
- Tasso di rifiuto procedurale (totale abbandoni persi).
- Congestionamento endogeno derivante dai richiami.
- Congestionamento endogeno derivante dalla riconferma.

Risultati Chiave

Superiorità del Modello rispetto a Erlang-A: Quando applicato ai dati del Missouri, il modello Erlang-A standard sottostima significativamente i livelli di personale richiesti. In alcuni scenari, il modello Erlang-A suggerisce una carenza di personale fino all'84% rispetto al modello degli autori sensibile al congestionamento endogeno. Il modello Erlang-A fallisce perché tratta l'abbandono come un stabilizzatore del sistema (rimuovendo il carico), mentre il modello degli autori identifica correttamente l'abbandono come un motore del carico futuro tramite i richiami.
Statiche Comparative: Gli autori analizzano come le leve operative influenzino le prestazioni. Scoprono che l'aumento del personale ( $c$ ), l'aumento della velocità di servizio ( $\mu$ ) e l'aumento della frazione di chiamate riuscite ( $p_+$ ) producono tutti miglioramenti intuitivi (riduzione dei tempi di attesa e dei rifiuti procedurali).
Equivalenze di Elasticità: Una scoperta chiave è che, nel regime sovraccarico, l'aumento del personale e l'aumento della velocità di servizio hanno effetti proporzionali identici (elasticità) su metriche chiave come i tassi di rifiuto procedurale e i tempi di attesa. Ciò suggerisce che i guadagni di efficienza (ad esempio tramite l'IA o una migliore formazione) possono sostituire l'assunzione di nuovo personale, a condizione che l'analisi costi-benefici favorisca il guadagno di efficienza.
Interventi Integrati: Il modello dimostra che combinare modesti aumenti del personale con cambiamenti nella progettazione del sistema (ad esempio, ridurre il Tempo Medio di Gestione o allungare i cicli di riconferma) produce risultati significativamente migliori rispetto al solo personale. Ad esempio, per ridurre i tempi di attesa sotto i 2 minuti, il modello degli autori suggerisce che, senza assumere nuovo personale, il tempo di gestione deve essere ridotto del 75%, o i periodi di riconferma estesi a un anno. Con soli 50 dipendenti in più, una riduzione del 50% del tempo di gestione è sufficiente.

Significato e Affermazioni
Il documento afferma di fornire il primo quadro di code specificamente progettato per affrontare l'"arbitrarietà emergente" nella fornitura di servizi sociali, dove il congestionamento sistemico – e non un singolo errore algoritmico – viola il giusto processo.

Rilevanza Politica: Il quadro permette alle agenzie di andare oltre le indicazioni "chiavi in mano" di Erlang-A, che si sono rivelate pericolosamente ottimistiche per i servizi sociali. Permette ai decisori politici di condurre valutazioni ex-ante su come i cambiamenti nella progettazione del programma (ad esempio, flessibilità nei colloqui, intervalli di riconferma) e nelle operazioni interagiscano per influenzare l'accesso.
Diagnosi Sistemica: Gli autori sostengono che l'equità e l'accuratezza nella fornitura di benefici sono proprietà emergenti delle prestazioni del sistema. Quantificando il congestionamento endogeno, il modello fornisce prove su whether i richiedenti abbiano una "significativa opportunità di essere serviti", uno standard legale per il giusto processo procedurale.
Strumento Pratico: Gli autori introducono una dashboard (basata sul modello fluido) che permette alle parti interessate di esplorare i compromessi tra i costi del personale e i miglioramenti nella fornitura di servizi, offrendo una strada basata sui dati per rimediare alle barriere all'accesso identificate in Holmes v. Knodell.

Il documento conclude con modestia, notando che, sebbene il modello fluido offra intuizioni di primo ordine, è un'approssimazione. Sarebbe necessaria un'analisi completamente probabilistica per studiare la distribuzione dei tentativi individuali degli utenti, ma l'attuale quadro fornisce una base necessaria e rigorosa per valutare e migliorare l'accesso su larga scala.