NSF พัฒนาแบบจำลองการคาดการณ์เพื่อระบุการชำระเงินที่ไม่เหมาะสมในเงินช่วยเหลือ

NSF พัฒนาแบบจำลองการคาดการณ์เพื่อระบุการชำระเงินที่ไม่เหมาะสมในเงินช่วยเหลือ

มูลนิธิวิทยาศาสตร์แห่งชาติรับผิดชอบหนึ่งในสี่ของเงินช่วยเหลือของรัฐบาลกลาง  ที่สถาบันการศึกษาได้รับเพื่อดำเนินการวิจัยขั้นพื้นฐานเพื่อจัดการกับการใช้จ่ายนี้ได้ดีขึ้น Payments and Analytics Branch ของ NSF ได้สร้างแบบจำลองการคาดการณ์แบบโอเพ่นซอร์สเพื่อระบุการชำระเงินที่ไม่เหมาะสมที่อาจเกิดขึ้น และกำลังต้องการแบ่งปันผลงานกับหน่วยงานให้ทุนอื่นๆNSF Payments and Analytics Branch จัดการการดำเนินงานรายวันของการดำเนินการให้ทุนของหน่วยงาน เช่น การประมวลผลการชำระเงินทุนและการให้การสนับสนุนทางเทคนิคแก่ผู้รับทุนสำหรับกระบวนการทางการเงินหลังการให้รางวัล นอกจากนี้ยังจัดการภาระผูกพันของ NSF 

ภายใต้พระราชบัญญัติข้อมูลความซื่อสัตย์ในการชำระเงิน ปี 2019

 ซึ่งกำหนดข้อกำหนดสำหรับหน่วยงานในการลดการชำระเงินที่ไม่เหมาะสม

อย่างไรก็ตาม เมื่อไม่นานมานี้ Jesse Simons หัวหน้าสาขาบอกกับ Federal News Network ว่าสำนักงานของเขากำลังทดลองในด้านการวิเคราะห์การชำระเงินและการปฏิบัติตามกฎระเบียบ

        CX Exchange ของ Federal News Network: เข้าร่วมกับเราในช่วงบ่ายสองวันที่ 26 และ 27 เมษายน ซึ่งเราจะสำรวจเทคโนโลยี นโยบาย และกระบวนการที่สนับสนุนความพยายามของหน่วยงานในการให้บริการสาธารณะ ธุรกิจ และเจ้าหน้าที่ของรัฐอย่างมีประสิทธิภาพมากขึ้น

“เรานำสุนทรียะแบบพังค์ร็อกมาใช้ในบางส่วน โดยที่เรายังคงเรียนรู้เครื่องดนตรีของเรา และเรารวมตัวกันและเล่น บางครั้งก็ฟังดูดี บางครั้งก็เป็นแค่เสียงรบกวน นั่นเป็นเพียงส่วนหนึ่งของกระบวนการวนซ้ำที่เรากำลังดำเนินการอยู่” ไซมอนส์กล่าวในการให้สัมภาษณ์

แม้ว่างานด้านการวิเคราะห์ส่วนใหญ่ของสำนักงานแห่งนี้ยังคงอยู่ในการพัฒนา แต่ก็ได้รับความสนใจในเดือนพฤศจิกายน เมื่อทีมที่อยู่เบื้องหลังแบบจำลองการคาดการณ์การชำระเงินที่ไม่เหมาะสมของ NSF ชนะการแข่งขัน Innovation Challenge ประจำปี 2020 ของ Association of Government Accountants

AGA มอบรางวัลในการประชุมสุดยอด Technology & Transformation

 ซึ่งจัดขึ้นแบบเสมือนจริงในปีนี้ AGA มอบรางวัลให้กับหน่วยงานของรัฐ ท้องถิ่น หรือรัฐบาลกลางที่แสดงให้เห็นถึง “การแก้ปัญหาทางเทคนิคสำหรับปัญหาหรือความท้าทายที่จู้จี้ซึ่งรัฐบาลต้องเผชิญ”

แบบจำลองนี้เกิดจาก NSF

 สำรวจกรณีการใช้งานหลายกรณีเกี่ยวกับวิธีการใช้ข้อมูลการตรวจสอบเดียวของผู้รับสิทธิ์จากFederal Audit Clearinghouseรวมถึงการที่ผู้รับได้รับ “ค่าใช้จ่ายคำถาม” หรือการชำระเงินที่ไม่เหมาะสม และรวมเข้ากับชุดข้อมูลหน่วยงานอื่นๆ

ผู้รับทุนใด ๆ ที่ใช้จ่าย $750,000 หรือมากกว่านั้นในกองทุนของรัฐบาลกลางจะต้องได้รับการตรวจสอบเพียงครั้งเดียว – เกณฑ์ที่ใช้กับส่วนที่ดีของผู้รับทุนของ NSF

“สิ่งที่เราต้องการลองทำคือกำหนดชุดย่อยของตัวแปรที่เราสามารถใช้เพื่อคาดการณ์ได้อย่างแม่นยำว่าหนึ่งในผู้เข้ารับการตรวจประเมินเหล่านี้จะมีค่าใช้จ่ายในการตอบคำถามหรือไม่” ไซมอนส์กล่าว “และหากเราทำได้สำเร็จ เราก็สามารถนำมันไปใช้ในเชิงคาดการณ์ล่วงหน้าได้มากขึ้น”

NSF จำกัดขอบเขตของตัวแปรทำนายให้แคบลงเหลือ 10 และหลังจากทดสอบความถูกต้องทางสถิติของตัวแปรชุดย่อยนี้แล้ว พบว่าตัวแปรนี้ทำนายได้อย่างแม่นยำว่าผู้รับทุนมีค่าใช้จ่ายคำถามเกี่ยวกับรายงานการตรวจสอบของพวกเขา 87% ของเวลาทั้งหมดหรือไม่

credit : ฝากถอนไม่มีขั้นต่ำ