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

Technische Samenvatting: Due Process op Houding: Een Wachtrijframework voor het Verbeteren van Toegang tot SNAP

Probleemstelling
Het artikel behandelt het operationele falen van callcenters voor sociale veiligheidsnetwerken, specifiek het Supplemental Nutrition Assistance Program (SNAP), waarbij systeemcongestie leidt tot "procedurale afwijzingen". In het geval van Holmes v. Knodell waren de SNAP-callcenters in Missouri zo overbelast dat bijna 50% van de afwijzingen van aanvragen procedureel was — het gevolg van het onvermogen van aanvragers om de vereiste interviews te voltooien vanwege lange wachttijden en verbindingen die werden verbroken, en niet door daadwerkelijke ongeschiktheid. De rechtbank oordeelde dat dit een schending van het procedurale due process vormde.

De kern van de technische uitdaging is dat standaard wachtrijmodellen die worden gebruikt in operations research (specifiek het Erlang-A-model) de unieke dynamiek van de levering van sociale diensten niet adequaat vastleggen. Standaardmodellen gaan ervan uit dat klanten die een wachtrij verlaten (opleggen) voorgoed verloren zijn voor het systeem. Echter, bij SNAP en vergelijkbare programma's hebben aanvragers geen private buitenopties; als ze een gesprek opgeven, is de kans groot dat ze opnieuw bellen. Dit creëert endogene congestie: opgeven genereert toekomstige aankomsten (opnieuw bellen), wat op zijn beurt de congestie verergert, waardoor een feedbacklus ontstaat die door standaardmodellen wordt onderschat. Bijgevolg onderbemand standaard personeelsadvies gebaseerd op Erlang-A deze systemen fundamenteel, wat leidt tot aanhoudende tekorten in de toegang.

Methodologie
De auteurs stellen een prestatie-evaluatieframework voor dat is gebaseerd op een aangepast wachtrijmodel afgeleid van operations research, dat is aangepast om de specifieke "banen" van bellers voor sociale diensten vast te leggen.

1. Stochastisch Model: De auteurs modelleren het callcenter als een Markoviaans servicenetwerk met vier distincte toestanden of "banen" voor bellers:

   • Nieuwe Aankomsten: Nieuwe aanvragers die zich willen inschrijven.
   • Korte Opnieuw-Belbaan: Bellers die opgeven en binnen enkele uren terugkeren (bijvoorbeeld dezelfde dag).
   • Lange Opnieuw-Belbaan: Bellers die opgeven en dagen later terugkeren, of die een gesprek voltooien maar vervolgdokumentatie nodig hebben.
   • Opnieuw-Inschrijven/Opnieuw-Certificeren-Baan: Succesvol ingeschreven begunstigden die maanden later moeten terugkeren voor hernieuwde certificering.
   • Verloren: Bellers die opgeven en nooit terugkeren (procedurale afwijzingen).

   Het model omvat parameters voor de snelheid van nieuwe aankomsten ($\lambda$), servicetijden ($\mu$), opgevensnelheden ($\theta$) en opnieuw-belsnelheden ($\delta$).

2. Vloeistofbenadering: Om het model analytisch hanteerbaar te maken voor grootschalige systemen (gerechtvaardigd door de hoge gespreksvolumes in de Holmes v. Knodell-data), leiden de auteurs een deterministische vloeistofbenadering af met behulp van een stelsel van gewone differentiaalvergelijkingen (ODE's). Deze benadering wordt bewezen te convergeren naar het stochastische model onder een functionele sterke wet van de grote aantallen (FSLLN).

3. Parameteraanpassing: De modelparameters worden gekalibreerd met behulp van geaggregeerde dagelijkse data van vier Missouri DSS-callcenters die in gerechtelijke documenten zijn onthuld (Bijlage 87). De auteurs gebruiken een robuuste aanpassingsbenadering om de snelheid van nieuwe aankomsten ($\lambda$) en opgevensparameters te schatten door de gemiddelde absolute afwijking (MAD) tussen door het model voorspelde wachttijden en waargenomen data te minimaliseren over een reeks plausibele gedragsparameters.

4. Analytische Afleiding: Met behulp van de stationaire oplossing van het vloeistofmodel leiden de auteurs gesloten-vorm uitdrukkingen af voor zes belangrijke prestatie-indicatoren:

   • Gemiddeld aantal wachtende bellers.
   • Gemiddelde wachttijd.
   • Gemiddelde snelheid van beantwoording (voor niet-opgeven bellers).
   • Snelheid van procedurale afwijzingen (totaal verloren opgeven).
   • Endogene congestie door opnieuw bellen.
   • Endogene congestie door hernieuwde certificering.

Belangrijkste Resultaten

• Bovengemiddeld Model ten opzichte van Erlang-A: Wanneer toegepast op de Missouri-data, onderschat het standaard Erlang-A-model de vereiste personeelsniveaus aanzienlijk. In sommige scenario's suggereert het Erlang-A-model een personeelstekort van maximaal 84% in vergelijking met het endogene-congestie-bewuste model van de auteurs. Het Erlang-A-model faalt omdat het opgeven behandelt als een systeemstabilisator (belasting verwijderen), terwijl het model van de auteurs opgeven correct identificeert als een drijver van toekomstige belasting via opnieuw bellen.
• Vergelijkende Statistiek: De auteurs analyseren hoe operationele hefbomen de prestaties beïnvloeden. Zij vinden dat het verhogen van het personeel ($c$), het verhogen van de servicesnelheid ($\mu$) en het verhogen van het aandeel succesvolle gesprekken ($p_+$) allemaal intuïtieve verbeteringen opleveren (vermindering van wachttijden en procedurale afwijzingen).
• Elasticiteits-equivalenties: Een belangrijke bevinding is dat in het overbelaste regime het verhogen van het personeel en het verhogen van de servicesnelheid identieke evenredige effecten (elasticiteiten) hebben op belangrijke metrics zoals de snelheid van procedurale afwijzingen en wachttijden. Dit suggereert dat efficiëntiewinst (bijvoorbeeld via AI of betere training) kan substitueren voor het aannemen van personeel, mits de kosten-batenanalyse de efficiëntiewinst bevoordeelt.
• Gebundelde Interventies: Het model toont aan dat het combineren van bescheiden personeelsverhogingen met systeemontwerpwijzigingen (bijvoorbeeld het verkorten van de gemiddelde afhandelingstijd of het verlengen van certificeringscycli) aanzienlijk betere resultaten oplevert dan personeel alleen. Bijvoorbeeld, om wachttijden onder de 2 minuten te brengen, suggereert het model van de auteurs dat zonder het aannemen van personeel de afhandelingstijd met 75% moet worden verlaagd, of certificeringsperioden moeten worden verlengd tot één jaar. Met slechts 50 extra personeelsleden volstaat een vermindering van de afhandelingstijd met 50%.

Betekenis en Aanspraken
Het artikel claimt het eerste wachtrijframework te bieden dat specifiek is ontworpen om de "emergente willekeur" in de levering van sociale diensten aan te pakken, waarbij systemische congestie — en niet een enkel algoritmisch foutje — due process schendt.

• Beleidrelevantie: Het framework stelt agentschappen in staat om verder te gaan dan "kant-en-klare" Erlang-A-richtlijnen, die blijken gevaarlijk optimistisch te zijn voor sociale diensten. Het stelt beleidsmakers in staat om ex-ante evaluaties uit te voeren van hoe veranderingen in programmadesign (bijvoorbeeld flexibiliteit in interviews, certificeringsintervallen) en operaties interageren om de toegang te beïnvloeden.
• Systemische Diagnose: De auteurs betogen dat eerlijkheid en nauwkeurigheid in de uitkering van voordelen emergente eigenschappen zijn van systeemprestaties. Door endogene congestie te kwantificeren, biedt het model bewijs voor de vraag of aanvragers een "zinvolle kans om bediend te worden" krijgen, een wettelijke standaard voor procedurale due process.
• Praktisch Instrument: De auteurs introduceren een dashboard (gebaseerd op het vloeistofmodel) dat stakeholders in staat stelt om afwegingen te onderzoeken tussen personeelskosten en verbeteringen in de dienstverlening, en biedt een datagedreven weg om de toegangsbarrières die in Holmes v. Knodell zijn geïdentificeerd, weg te nemen.

Het artikel concludeert bescheiden, met de opmerking dat hoewel het vloeistofmodel inzicht op eerste orde biedt, het een benadering is. Een volledig probabilistische analyse zou nodig zijn om de verdeling van individuele belpogingen te bestuderen, maar het huidige framework biedt een noodzakelijke en rigoureuze basis voor het evalueren en verbeteren van de toegang op grote schaal.