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

Resumo Técnico: Devido Processo em Suspenso: Um Modelo de Filas para Melhorar o Acesso no SNAP

Declaração do Problema
O artigo aborda a falha operacional dos centros de atendimento de redes de segurança social, especificamente o Programa de Assistência Nutricional Suplementar (SNAP), onde o congestionamento do sistema leva a "negativas procedimentais". No caso de Holmes v. Knodell, os centros de atendimento do SNAP do Missouri estavam tão congestionados que quase 50% das negativas de inscrição eram procedimentais — resultando da incapacidade dos solicitantes de completar entrevistas obrigatórias devido a longos tempos de espera e desconexões, e não de uma real inelegibilidade. O tribunal decidiu que isso constituía uma violação do devido processo legal.

O desafio técnico central é que os modelos de filas padrão utilizados em pesquisa operacional (especificamente o modelo Erlang-A) falham em capturar as dinâmicas únicas da prestação de serviços sociais. Os modelos padrão assumem que clientes que abandonam uma fila (desligam) estão perdidos para o sistema para sempre. No entanto, no SNAP e em programas similares, os solicitantes não têm opções externas privadas; se abandonam uma chamada, são altamente propensos a discar novamente. Isso cria congestionamento endógeno: o abandono gera chegadas futuras (novos discados), o que, por sua vez, piora o congestionamento, criando um ciclo de retroalimentação que os modelos padrão subestimam. Consequentemente, as orientações padrão de dimensionamento de pessoal baseadas no Erlang-A subdimensionam fundamentalmente esses sistemas, levando a déficits persistentes de acesso.

Metodologia
Os autores propõem um quadro de avaliação de desempenho baseado em um modelo de filas personalizado derivado da pesquisa operacional, adaptado para capturar as "órbitas" específicas dos chamadores de serviços sociais.

1. Modelo Estocástico: Os autores modelam o centro de atendimento como uma rede de serviços markoviana com quatro estados distintos ou "órbitas" para os chamadores:

   • Chegadas Novas: Novos solicitantes buscando inscrição.
   • Órbita de Rediscagem Curta: Chamadores que abandonam e retornam dentro de horas (ex.: mesmo dia).
   • Órbita de Rediscagem Longa: Chamadores que abandonam e retornam dias depois, ou aqueles que completam uma chamada, mas necessitam de documentação de acompanhamento.
   • Órbita de Reinscrição/Recertificação: Beneficiários inscritos com sucesso que devem retornar meses depois para recertificação.
   • Perdidos: Chamadores que abandonam e nunca retornam (negativas procedimentais).

   O modelo incorpora parâmetros para taxas de chegada nova ($\lambda$), taxas de serviço ($\mu$), taxas de abandono ($\theta$) e taxas de rediscagem ($\delta$).

2. Aproximação Fluida: Para tornar o modelo analiticamente tratável para sistemas de grande escala (justificado pelos altos volumes de chamadas nos dados de Holmes v. Knodell), os autores derivam uma aproximação fluida determinística usando um sistema de Equações Diferenciais Ordinárias (EDOs). Esta aproximação é provada convergir para o modelo estocástico sob uma lei forte funcional dos grandes números (FSLLN).

3. Ajuste de Parâmetros: Os parâmetros do modelo são calibrados usando dados diários agregados de quatro centros de atendimento do DSS do Missouri divulgados em documentos judiciais (Exibito 87). Os autores utilizam uma abordagem de ajuste robusta para estimar a taxa de chegada nova ($\lambda$) e os parâmetros de abandono, minimizando o Desvio Absoluto Médio (MAD) entre os tempos de espera previstos pelo modelo e os dados observados em uma faixa de parâmetros comportamentais plausíveis.

4. Derivação Analítica: Usando a solução de estado estacionário do modelo fluido, os autores derivam expressões de forma fechada para seis métricas de desempenho chave:

   • Número médio de chamadores em espera.
   • Tempo médio de espera.
   • Velocidade média de atendimento (para chamadores que não abandonam).
   • Taxa de negativa procedimental (total de abandonos perdidos).
   • Congestionamento endógeno decorrente de rediscagens.
   • Congestionamento endógeno decorrente de recertificações.

Principais Resultados

• Superioridade do Modelo sobre o Erlang-A: Quando aplicado aos dados do Missouri, o modelo padrão Erlang-A subestima significativamente os níveis de pessoal necessários. Em alguns cenários, o modelo Erlang-A sugere um déficit de pessoal de até 84% em comparação com o modelo dos autores, que leva em conta o congestionamento endógeno. O modelo Erlang-A falha porque trata o abandono como um estabilizador do sistema (removendo carga), enquanto o modelo dos autores identifica corretamente o abandono como um motor de carga futura via rediscagens.
• Estática Comparativa: Os autores analisam como alavancas operacionais afetam o desempenho. Eles descobrem que aumentar o pessoal ($c$), aumentar a velocidade de serviço ($\mu$) e aumentar a fração de chamadas bem-sucedidas ($p_+$) produzem todas melhorias intuitivas (reduzindo tempos de espera e negativas procedimentais).
• Equivalências de Elasticidade: Uma descoberta chave é que, no regime sobrecarregado, aumentar o pessoal e aumentar a velocidade de serviço têm efeitos proporcionais idênticos (elasticidades) em métricas chave como taxas de negativa procedimental e tempos de espera. Isso sugere que ganhos de eficiência (por exemplo, via IA ou melhor treinamento) podem substituir contratações, desde que a análise de custo-benefício favoreça o ganho de eficiência.
• Intervenções Agrupadas: O modelo demonstra que combinar aumentos modestos de pessoal com mudanças no design do sistema (por exemplo, reduzir o Tempo Médio de Atendimento ou alongar os ciclos de recertificação) produz resultados significativamente melhores do que apenas o aumento de pessoal. Por exemplo, para reduzir os tempos de espera abaixo de 2 minutos, o modelo dos autores sugere que, sem contratações, o tempo de atendimento deve ser reduzido em 75%, ou os períodos de recertificação estendidos para um ano. Com apenas 50 funcionários adicionais, uma redução de 50% no tempo de atendimento é suficiente.

Significado e Alegações
O artigo alega fornecer o primeiro quadro de filas especificamente projetado para abordar a "arbitrariedade emergente" na prestação de serviços sociais, onde o congestionamento sistêmico — e não um único erro algorítmico — viola o devido processo legal.

• Relevância para Políticas Públicas: O quadro permite que agências vão além das orientações "prontas para uso" do Erlang-A, que se mostram perigosamente otimistas para serviços sociais. Permite aos formuladores de políticas conduzir avaliações ex-ante de como mudanças no design do programa (por exemplo, flexibilidade nas entrevistas, intervalos de recertificação) e nas operações interagem para afetar o acesso.
• Diagnóstico Sistêmico: Os autores argumentam que a equidade e a precisão na provisão de benefícios são propriedades emergentes do desempenho do sistema. Ao quantificar o congestionamento endógeno, o modelo fornece evidências sobre se os solicitantes têm uma "oportunidade significativa de serem atendidos", um padrão legal para o devido processo legal.
• Ferramenta Prática: Os autores introduzem um painel (baseado no modelo fluido) que permite às partes interessadas explorar compensações entre custos de pessoal e melhorias na prestação de serviços, oferecendo um caminho orientado por dados para remediar as barreiras de acesso identificadas em Holmes v. Knodell.

O artigo conclui modestamente, observando que, embora o modelo fluido ofereça insights de primeira ordem, ele é uma aproximação. Uma análise totalmente probabilística seria necessária para estudar a distribuição das tentativas individuais de chamadores, mas o quadro atual fornece uma base necessária e rigorosa para avaliar e melhorar o acesso em escala.