डेटा रेगिस्तान में विकास का कोड: निम्न-मध्य आय वाले देशों में संरचनात्मक परिवर्तन विश्लेषण का नया ढाँचा

लंबे समय से, वैश्विक दक्षिण के देशों के आर्थिक विश्लेषण के सामने एक मौलिक दुविधा रही है: जिन अर्थव्यवस्थाओं को सबसे अधिक समझे जाने की आवश्यकता है, वे ही सबसे अधूरे आँकड़ों वाली अर्थव्यवस्थाएँ हैं। जहाँ विकसित देश संरचनात्मक परिवर्तन को समझने के लिए उच्च-आवृत्ति, सूक्ष्म और सुसंगत आर्थिक आँकड़ों पर भरोसा कर सकते हैं, वहीं निम्न और मध्यम आय वाले देशों (LMICs) की सांख्यिकीय प्रणालियों में अक्सर विशाल अंतराल होते हैं, जिससे नीति-निर्माण, निवेश निर्णय और शैक्षणिक अनुसंधान सभी अंधेरे में टटोलने जैसे प्रतीत होते हैं।

हाल ही में 'साइंटिफिक रिपोर्ट्स' में प्रकाशित एक अध्ययन इस कठिन समस्या के लिए एक विस्तार योग्य समाधान प्रस्तुत करने का प्रयास करता है। शोधकर्ताओं ने एक एकीकृत ढाँचा तैयार किया है, जो बायेसियन पदानुक्रमित मॉडलिंग, मशीन लर्निंग-आधारित इम्प्यूटेशन तकनीकों और कारक विश्लेषण को एक साथ जोड़ता है, जिसे विशेष रूप से LMICs की डेटा विरलता के लिए अनुकूलित किया गया है। इस ढाँचे को विश्व बैंक के 2000 से 2020 तक केन्या, नाइजीरिया और घाना के आँकड़ों का उपयोग करके सिमुलेशन द्वारा सत्यापित किया गया, और परिणामों से पता चला कि यह डेटा की कमी की स्थितियों में पारंपरिक मॉडलों की तुलना में अधिक सटीक और अधिक व्याख्या योग्य है।

इस अध्ययन का मूल्य केवल पद्धतिगत नवाचार में नहीं है, बल्कि इससे भी अधिक इस तथ्य में है कि यह वैश्विक दक्षिण के आर्थिक परिवर्तन को देखने के लिए हमें एक नया दृष्टिकोण प्रदान करता है। इस ढाँचे के माध्यम से, शोधकर्ताओं ने तीन पश्चिम अफ्रीकी और पूर्व अफ्रीकी अर्थव्यवस्थाओं के बिल्कुल अलग संरचनात्मक मार्गों की पहचान की: केन्या की सेवा-प्रधान वृद्धि, नाइजीरिया का तेल से निकटता से जुड़ा औद्योगिक उतार-चढ़ाव, और घाना का संतुलित विस्तार। ये अंतर हमें याद दिलाते हैं कि भले ही वे सभी उप-सहारा अफ्रीकी देश हों, 'वृद्धि' शब्द के पीछे निहित क्षेत्रीय पुनर्विन्यास का तर्क पूरी तरह से भिन्न हो सकता है।

डेटा गरीबी: उभरते बाजार अनुसंधान की अदृश्य बाधा

मुख्यधारा के आर्थिक आख्यान में, संरचनात्मक परिवर्तन को आम तौर पर श्रम के कृषि से उद्योग और सेवाओं की ओर पुनर्विन्यास की प्रक्रिया के रूप में समझा जाता है। इस प्रक्रिया को एशियाई अर्थव्यवस्थाओं के उदय में बार-बार सत्यापित किया गया है, लेकिन अफ्रीका में, संबंधित अनुसंधान लंबे समय से अधूरे आँकड़ों, असंगत सांख्यिकीय मानकों और क्षेत्रीय उतार-चढ़ाव की तीव्रता के कारण बाधित रहा है। पारंपरिक अर्थमितीय मॉडल अक्सर डेटा की पूर्णता और सीमित शोर की धारणा बनाते हैं, जो LMICs की वास्तविकता के सामने फीके पड़ जाते हैं।

विश्वसनीय आँकड़ों की कमी का अर्थ है कि हम अफ्रीकी उभरते बाजारों के वास्तविक विकास इंजनों को कम आँक सकते हैं या गलत आकलन कर सकते हैं। उदाहरण के लिए, अनौपचारिक अर्थव्यवस्था का उच्च अनुपात आधिकारिक सकल घरेलू उत्पाद (जीडीपी) और रोजगार के आँकड़ों में गंभीर विचलन पैदा करता है, जबकि क्षेत्र-स्तरीय आँकड़ों में अक्सर अंतराल बने रहते हैं। इसका परिणाम यह है कि 'समय से पहले विऔद्योगीकरण' या 'सेवा क्षेत्र में उत्पादकता के ठहराव' जैसे महत्वपूर्ण प्रश्नों पर चर्चा अक्सर कमजोर अनुभवजन्य आधार पर टिकी होती है।

इस अध्ययन का प्रारंभिक बिंदु यह है: सांख्यिकीय प्रणालियों के सुधार की प्रतीक्षा करने के बजाय, ऐसे विश्लेषणात्मक उपकरण विकसित करना जो डेटा की कमी के अनुकूल हों। शोधकर्ताओं ने तीन विधियों — बायेसियन पदानुक्रमित मॉडलिंग, मशीन लर्निंग इम्प्यूटेशन और कारक विश्लेषण — को, जो मूल रूप से विभिन्न क्षेत्रों में उपयोग की जाती हैं, केवल समानांतर रूप से प्रस्तुत नहीं किया है, बल्कि उन्हें एकीकृत रूप से जोड़ा है। इम्प्यूटेशन तकनीक डेटा अंतरालों को भरने की जिम्मेदारी लेती है, कारक विश्लेषण उच्च-आयामी संकेतकों से अव्यक्त संरचना निकालने का कार्य करता है, और बायेसियन मॉडल अनिश्चितता के तहत क्षेत्रीय विषमता और कालिक विषमता को शामिल करते हुए पश्च प्रायिकता अनुमान उत्पन्न करता है। यह परिचालनात्मक अन्योन्याश्रयता ही इस ढाँचे का मूल है जो इसे पिछले 'एकल-बिंदु उपकरणों' से अलग करती है।

तीन इम्प्यूटेशन विधियाँ, तीन डेटा दर्शनअध्ययन ने डेटा की कमी की स्थिति का अनुकरण किया और तीन इम्प्यूटेशन तकनीकों का मूल्यांकन किया। उल्लेखनीय है कि किसी भी एक विधि ने सभी मीट्रिक्स पर सर्वश्रेष्ठ प्रदर्शन नहीं किया: SoftImpute ने क्षेत्रीय संकेतकों पर सबसे कम रूट मीन स्क्वेयर एरर (RMSE) प्राप्त किया, जबकि k-निकटतम पड़ोसी (kNN) ने GDP पुनर्निर्माण में बेहतर प्रदर्शन किया। यह निष्कर्ष डेटा प्रोसेसिंग में "संदर्भ-जागरूकता" के महत्व को रेखांकित करता है—LMICs का विश्लेषण करते समय, एक एकल इम्प्यूटेशन रणनीति पर्याप्त नहीं हो सकती है। क्षेत्रीय उत्पादन डेटा पर निर्भर उद्योग अनुसंधान के लिए, SoftImpute का मैट्रिक्स पूर्णता तर्क अधिक उपयुक्त है; जबकि समग्र व्यापक आर्थिक आकलन के लिए, समान नमूनों पर आधारित kNN इम्प्यूटेशन अधिक लाभकारी है।

इस सूक्ष्म अंतर के FDI अनुसंधान और निवेश निर्णयों के लिए व्यावहारिक निहितार्थ हैं। जब कोई बहुराष्ट्रीय उद्यम अफ्रीका के किसी देश में बाजार प्रवेश की रणनीति का मूल्यांकन करता है, तो वह जिस GDP वृद्धि पूर्वानुमान और क्षेत्रीय उत्पादन डेटा पर निर्भर करता है, वे विभिन्न अनुमान मॉडलों से आ सकते हैं। इन डेटा निर्माण प्रक्रियाओं में तकनीकी विकल्पों और अनिश्चितताओं को समझना, प्रतीत होने वाले सटीक आंकड़ों से भ्रमित होने से बचने में मदद करता है।

तीन देशों का नमूना वैश्विक दक्षिण के विकास विचलन को उजागर करता है

पेपर का अनुभवजन्य हिस्सा केन्या, नाइजीरिया और घाना पर केंद्रित है। ये तीन देश अफ्रीकी अर्थव्यवस्थाओं की विशिष्ट विविधता का प्रतिनिधित्व करते हैं: संसाधन बंदोबस्ती, औद्योगिक संरचना और राजनीतिक-आर्थिक मार्ग एक दूसरे से भिन्न हैं। नए ढांचे द्वारा उजागर किए गए मार्ग अंतर काफी शिक्षाप्रद हैं:

केन्या की वृद्धि स्पष्ट रूप से सेवा-प्रधान विशेषता दर्शाती है, जो संभवतः इसकी अपेक्षाकृत परिपक्व सूचना और संचार प्रौद्योगिकी तथा वित्तीय सेवा क्षेत्र से संबंधित है। यह खोज बताती है कि बड़े पैमाने पर औद्योगीकरण के अभाव में भी, सेवा क्षेत्र उत्पादकता वृद्धि का एक महत्वपूर्ण स्रोत बन सकता है, हालांकि इसकी स्थिरता का सावधानीपूर्वक मूल्यांकन करना आवश्यक है।

नाइजीरिया का संरचनात्मक परिवर्तन तेल मूल्य चक्रों से अत्यधिक प्रभावित है। औद्योगिक क्षेत्र तेल की कीमतों के साथ तीव्र उतार-चढ़ाव का अनुभव करता है, यह दर्शाता है कि संसाधन निर्यातक देशों की वृद्धि का मार्ग बाहरी झटकों द्वारा आसानी से नियंत्रित किया जा सकता है। यह अस्थिरता दीर्घकालिक नीति डिजाइन के लिए एक बड़ी चुनौती पैदा करती है—संसाधन अभिशाप से कैसे उबरें और संरचनात्मक उतार-चढ़ाव से स्थिर वृद्धि की गतिशीलता कैसे विकसित करें, यह नाइजीरिया और अन्य तेल उत्पादक देशों के सामने एक साझा विषय है।

घाना का प्रदर्शन अधिक संतुलित है, कृषि, उद्योग और सेवाएँ एक साथ विस्तार करती दिख रही हैं। यह बहुआयामी विकास पैटर्न संभवतः घाना के अपेक्षाकृत विविध आर्थिक आधार को दर्शाता है, लेकिन क्या यह लंबी अवधि में क्षेत्रों के बीच समन्वित विकास को बनाए रख सकता है, इसके लिए अभी भी अधिक सूक्ष्म ट्रैकिंग की आवश्यकता है।

ये अंतर एक बार फिर साबित करते हैं कि निवेश या नीति का मार्गदर्शन करने के लिए एकल "अफ्रीकी विकास कथा" पर निर्भर रहना अपर्याप्त है। वैश्विक दक्षिण का संरचनात्मक परिवर्तन बहुपथीय है, और इसे पकड़ने के लिए डेटा-संचालित, क्षेत्र-विशिष्ट विश्लेषणात्मक उपकरणों की आवश्यकता है।

नीति निहितार्थ और निवेश संभावनाएँ

इस अध्ययन का सबसे महत्वपूर्ण योगदान शायद "सीमित डेटा" वाले वातावरण के लिए एक "डेटा-अनुकूल" निर्णय समर्थन उपकरण प्रदान करना है। अंतर्राष्ट्रीय विकास सहायता और संप्रभु ऋण के क्षेत्र में, डेटा की कमी के कारण अक्सर "विश्वास-आधारित पूर्वानुमान" में फंसना पड़ता है। नया ढांचा नीति निर्माताओं को डेटा अपूर्ण होने पर भी अनिश्चितता के अंतराल वाले क्षेत्रीय-स्तरीय पूर्वानुमान प्राप्त करने की अनुमति देता है, जिससे वे अधिक व्यावहारिक रूप से जोखिम का सामना कर सकते हैं।अंतर्राष्ट्रीय निवेश संस्थानों के लिए, इस ढाँचे के संभावित अनुप्रयोग भी उतने ही स्पष्ट हैं। उभरते बाज़ारों में बुनियादी ढाँचा परियोजनाओं या औद्योगिक पार्कों की व्यवहार्यता का मूल्यांकन करते समय, पारंपरिक डेटा का उपयोग बाज़ार की माँग और श्रम स्थानांतरण के गंभीर गलत अनुमान का कारण बन सकता है। बायेसियन अनुमान पर आधारित क्षेत्रीय पूर्वानुमान, पूँजी प्रवाह को उन उद्योगों और क्षेत्रों पर अधिक सटीक रूप से केंद्रित कर सकते हैं जिनमें वास्तविक परिवर्तन की क्षमता है।

बेशक, यह अध्ययन स्वयं भी स्पष्ट रूप से बताता है कि इसका सत्यापन केवल तीन देशों तक सीमित है, और समय-सीमा 2020 तक है। अन्य LMICs में विस्तार करते समय, एल्गोरिदम को विभिन्न संस्थागत संदर्भों और डेटा गुणवत्ता के अनुसार समायोजित करने की आवश्यकता हो सकती है। लेकिन किसी भी स्थिति में, इसने 'डेटा-दुर्लभ परिस्थितियों में संरचनात्मक विश्लेषण' के लिए एक पुनरुत्पादन-योग्य मानक स्थापित किया है।

वैश्विक विकास केंद्रों के स्थानांतरण के तहत पद्धतिगत पीछा

जब वैश्विक विकास केंद्र धीरे-धीरे एशिया, अफ्रीका और मध्य पूर्व की ओर स्थानांतरित हो रहे हैं, तब वैश्विक दक्षिण का आर्थिक डेटा-बुनियादी ढाँचा अभी भी पर्याप्त रूप से तालमेल नहीं बना पाया है। यह विषमता इस ओर संकेत करती है कि अंतर्राष्ट्रीय पूँजी और वैश्विक नीति संस्थान अक्सर 'दूरबीन से धुंधली आकृतियाँ देखते हैं'। नया शोध हमें याद दिलाता है कि अधिक डेटा एकत्र करने के अलावा, हमें मौजूदा डेटा का उपयोग करने के लिए अधिक स्मार्ट उपकरण विकसित करने की आवश्यकता है। मशीन लर्निंग और बायेसियन सांख्यिकी का संयोजन, इस 'डेटा-पीछा' का एक सक्रिय प्रयास है।

जनसांख्यिकीय लाभांश, शहरीकरण, विनिर्माण स्थानांतरण और डिजिटल परिवर्तन के एक साथ घटित होने वाले युग में, सटीक क्षेत्रीय-स्तरीय संरचनात्मक जानकारी पहले से कहीं अधिक महत्वपूर्ण है। चाहे यह आकलन करना हो कि कोई देश 'समय से पहले विऔद्योगीकरण' से गुज़र रहा है, या यह मूल्यांकन करना हो कि कोई बुनियादी ढाँचा निवेश दीर्घकालिक औद्योगिक संरचना के विकास के अनुरूप है या नहीं, हमें अधिक सूक्ष्म और अधिक अनुमान-योग्य विश्लेषणात्मक ढाँचों की आवश्यकता है।

यह शोधपत्र शायद किसी बड़े बुनियादी ढाँचा अनुबंध की तरह ध्यान आकर्षित नहीं करेगा, लेकिन इसका मूल्य इस बात में है कि यह वैश्विक दक्षिण के आर्थिक विश्लेषण को 'कहानी कहने' से 'परीक्षण-योग्यता' की ओर ले जाता है। ऐसे युग में जहाँ डेटा अपर्याप्त है लेकिन निर्णय लेने की आवश्यकता अभूतपूर्व रूप से विकट है, ऐसे ज्ञान-बुनियादी ढाँचे का निर्माण स्वयं में एक वृद्धि है।