गरीबी मानचित्रण में मॉडल से ज्यादा डेटा की गुणवत्ता अहम, अध्ययन में सामने आई महत्वपूर्ण बात

वर्ल्ड बैंक, यूनिवर्सिटी ऑफ़ मैरीलैंड, व्रीजे यूनिवर्सिटी एम्स्टर्डम और अमेज़न के रिसर्चर्स ने एक बड़ी स्टडी जारी की है, जिसमें यह देखा गया है कि सरकारें छोटे शहरों, गांवों और नगर पालिकाओं में गरीबी की सही पहचान कैसे कर सकती हैं। यह रिसर्च "छोटे एरिया एस्टिमेशन" पर फोकस करती है, यह एक ऐसा तरीका है जो घरेलू सर्वे डेटा को सेंसस की जानकारी के साथ मिलाकर लोकल गरीबी का अनुमान लगाता है, जहां डायरेक्ट सर्वे डेटा बहुत सीमित होता है।

यह मुद्दा इसलिए भी ज़रूरी होता जा रहा है क्योंकि सरकारें और सहायता एजेंसियां ​​वेलफेयर प्रोग्राम, सोशल असिस्टेंस और डेवलपमेंट खर्च को टारगेट करने के लिए गरीबी मैप पर बहुत ज़्यादा निर्भर करती हैं। हालांकि, कई देश पुराने सेंसस डेटा, छोटे सर्वे और डेटा की क्वालिटी में अंतर से जूझ रहे हैं, जिससे गरीबी का सही माप मुश्किल हो जाता है।

मेक्सिको और ब्राज़ील के सेंसस और सर्वे सिमुलेशन का इस्तेमाल करके, रिसर्चर्स ने सात मुख्य स्टैटिस्टिकल तरीकों की तुलना की ताकि यह पता लगाया जा सके कि अलग-अलग हालात में कौन से तरीके सबसे अच्छे काम करते हैं।

कोई भी एक तरीका हर जगह काम नहीं करता

स्टडी के सबसे बड़े नतीजों में से एक यह है कि गरीबी का अनुमान लगाने का कोई यूनिवर्सल सबसे अच्छा तरीका नहीं है। इसके बजाय, हर तरीके की सटीकता देश, उपलब्ध डेटा के टाइप और सर्वे कैसे डिज़ाइन किए गए हैं, इस पर निर्भर करती है। मेक्सिको में, हाउसहोल्ड-लेवल एम्पिरिकल बेस्ट प्रेडिक्शन (EBP) मॉडल्स ने बड़े पैमाने पर इस्तेमाल होने वाले एल्बर्स-लांजौ-लांजौ (ELL) मेथड से बेहतर परफॉर्म किया। लेकिन ब्राज़ील में, दोनों मेथड से लगभग एक जैसे रिजल्ट मिले। रिसर्चर्स ने पाया कि यह अंतर काफी हद तक इस बात से आता है कि गरीबी ज्योग्राफिकली कितनी ज़्यादा कंसन्ट्रेटेड है।

मेक्सिको ने गरीबी में ज़्यादा रीजनल अंतर दिखाए, जिससे EBP मॉडल्स को फायदा हुआ क्योंकि उन्हें लोकल असर को ज़्यादा असरदार तरीके से पकड़ने के लिए डिज़ाइन किया गया है। इसके उलट, ब्राज़ील में गरीबी का ज्योग्राफिक कंसन्ट्रेशन कमज़ोर था, जिससे मेथड के बीच परफॉर्मेंस का गैप कम हो गया।

नतीजों से पता चलता है कि सरकारों को एक ही स्टैंडर्ड मॉडल पर निर्भर रहने से बचना चाहिए और इसके बजाय अपनी गरीबी का अनुमान लगाने की स्ट्रेटेजी को लोकल हालात के हिसाब से बदलना चाहिए।

गांव-लेवल का डेटा हैरानी की बात है कि बहुत ज़्यादा पावरफुल हो सकता है

स्टडी में यह भी पाया गया कि सटीक गरीबी मैप के लिए हमेशा बहुत ज़्यादा डिटेल्ड हाउसहोल्ड-लेवल डेटा ज़रूरी नहीं होता है। गांव-लेवल या कम्युनिटी-लेवल इंडिकेटर्स का इस्तेमाल करने वाले मॉडल्स ने हाउसहोल्ड-स्पेसिफिक वैरिएबल्स का इस्तेमाल करने वाले मॉडल्स जितना ही अच्छा परफॉर्म किया।

यह इसलिए ज़रूरी है क्योंकि कई डेवलपिंग देशों में हाल के हाउसहोल्ड सेंसस डेटा की कमी है। ऐसे मामलों में, गांव-लेवल की जानकारी, सैटेलाइट इमेजरी और जियोस्पेशियल डेटा गरीबी का अनुमान लगाने के लिए प्रैक्टिकल विकल्प दे सकते हैं।

रिसर्चर्स ने पाया कि घरेलू लेवल के वैरिएबल्स को हटाने से मेक्सिको और ब्राजील दोनों में सटीकता में मामूली गिरावट आई। सिम्युलेटेड गरीबी-विरोधी टारगेटिंग प्रोग्राम में, नतीजों पर असर बहुत कम था।

ये नतीजे पारंपरिक सर्वे के साथ रिमोट सेंसिंग डेटा और लोकल ज्योग्राफिक इंडिकेटर्स का इस्तेमाल करने में बढ़ती दिलचस्पी को सपोर्ट करते हैं, खासकर उन देशों में जहां स्टैटिस्टिकल सिस्टम कमजोर हैं।

खराब डेटा सब कुछ बदल सकता है

रिसर्चर्स ने यह भी टेस्ट किया कि जब डेटा की क्वालिटी कमजोर होती है तो अलग-अलग तरीके कैसे काम करते हैं। उन्होंने पुरानी जनगणना जानकारी, मेज़रमेंट की गलतियों, सिलेक्शन बायस और छोटे सर्वे सैंपल वाली स्थितियों को सिमुलेट किया।

एक एक्सपेरिमेंट में यह देखा गया कि क्या होता है जब सर्वे गरीब या दूर के समुदायों को पूरी तरह से दिखाने में फेल हो जाते हैं। इन हालात में, गांव-लेवल के प्रेडिक्टर का इस्तेमाल करने वाले मॉडल बहुत बेहतर परफॉर्म करते हैं क्योंकि वे सैंपल किए गए और बिना सैंपल वाले इलाकों के बीच के अंतर को थोड़ा एडजस्ट कर सकते हैं।

फे-हेरियट जैसे एरिया-लेवल मॉडल कम असरदार तरीके से काम करते हैं क्योंकि उनमें डिटेल्ड लोकल जानकारी की कमी होती है। स्टडी में चेतावनी दी गई है कि ये तरीके उन देशों में मुश्किल में पड़ सकते हैं जहां टकराव, दूर का इलाका या एक्सेस की समस्याएं सर्वे कवरेज को बिगाड़ती हैं।

रिसर्च से यह भी पता चला कि छोटे सर्वे सभी मॉडल की एक्यूरेसी को कम करते हैं, लेकिन एरिया-लेवल के तरीके ज्यादा डिटेल्ड प्रेडिक्टर का इस्तेमाल करने वाले तरीकों की तुलना में तेजी से खराब होते हैं।

छोटे टेक्निकल ऑप्शन का बड़ा असर होता है

स्टैटिस्टिकल मॉडल की तुलना करने के अलावा, पेपर इस बात पर भी रोशनी डालता है कि टेक्निकल इम्प्लीमेंटेशन के फैसले नतीजों पर कैसे बहुत असर डाल सकते हैं। सबसे ज़रूरी नतीजों में से एक सर्वे वेट से जुड़ा है।

मेक्सिको में, रिसर्चर्स ने पाया कि सर्वे वेट को ठीक से एडजस्ट न करने से गरीबी के अनुमानों की एक्यूरेसी बहुत कम हो गई। बड़ी म्युनिसिपैलिटीज़ ने कैलकुलेशन पर कब्ज़ा कर लिया, जिससे सैंपलिंग एरर का असर बढ़ गया और तरीकों के बीच तुलना में गड़बड़ी हो गई।

एक बार जब वेट को सही ढंग से रीस्केल किया गया, तो कई मॉडल्स की परफॉर्मेंस में काफी सुधार हुआ। बूस्टेड रिग्रेशन फॉरेस्ट्स जैसे मशीन लर्निंग मेथड वेटिंग प्रॉब्लम्स के लिए ज़्यादा रेसिस्टेंट साबित हुए क्योंकि वे सख्त लीनियर अजम्पशन्स पर कम निर्भर करते हैं।

स्टडी "वैरिएंस स्मूथिंग" के महत्व पर भी ज़ोर देती है, यह एक टेक्निकल एडजस्टमेंट है जो उन इलाकों में गरीबी के अनुमानों को स्टेबल करता है जहाँ सर्वे किए गए सभी घर या तो गरीब हैं या गैर-गरीब हैं। स्मूथिंग के बिना, कुछ मॉडल्स बहुत अनस्टेबल हो गए, खासकर जब सर्वे सैंपल छोटे थे।

सही गरीबी मैपिंग न केवल एडवांस्ड स्टैटिस्टिकल मॉडल्स पर निर्भर करती है, बल्कि सावधानीपूर्वक सर्वे डिज़ाइन, सही वेटिंग टेक्नीक्स और डिटेल्ड लोकल डेटा तक एक्सेस पर भी निर्भर करती है। जैसे-जैसे सरकारें क्लाइमेट अडैप्टेशन, डिज़ास्टर रिस्पॉन्स और सोशल प्रोटेक्शन प्रोग्राम्स को गाइड करने के लिए गरीबी मैप्स का ज़्यादा इस्तेमाल कर रही हैं, स्टडी दुनिया भर में ज़्यादा मज़बूत और ज़्यादा भरोसेमंद स्टैटिस्टिकल सिस्टम्स की बढ़ती ज़रूरत पर ज़ोर देती है।