💻 computer science

Quantifying Competitive Relationships Among Open-Source Software Projects

यह शोध पत्र "म्युचुअल इम्पैक्ट एनालिसिस ऑफ ओएसएस (MIAO)" को प्रस्तुत करता है, जो ओपन-सोर्स सॉफ्टवेयर प्रोजेक्ट्स के बीच प्रतिस्पर्धी संबंधों को मापने के लिए मैक्रोइकोनॉमिक मॉडलिंग तकनीकों का उपयोग करने वाली एक स्वचालित विधि है, जो 81% तक की सटीकता के साथ प्रतिस्पर्धा के कारण होने वाले विकास के रुकने की सफलतापूर्वक पहचान करती है और एक वर्ष पहले ही प्रोजेक्ट के पतन की 77% सटीकता के साथ भविष्यवाणी करती है।

मूल लेखक: Yuki Takei, Toshiaki Aoki, Chaiyong Ragkhitwetsagul

प्रकाशित 2026-02-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuki Takei, Toshiaki Aoki, Chaiyong Ragkhitwetsagul

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि ओपन-सोर्स सॉफ्टवेयर (OSS) की दुनिया केवल कोड की एक शांत लाइब्रेरी नहीं, बल्कि एक हलचल भरा, उच्च-दांव वाला बाजार (marketplace) है। इस बाजार में, हजारों प्रोजेक्ट्स अपने "उत्पाद" (फीचर्स, टूल्स, लाइब्रेरी) डेवलपर्स को बेचने की कोशिश कर रहे हैं। कभी-कभी, एक नया और अधिक चमकदार उत्पाद आता है, और पुराना उत्पाद फीका पड़ने लगता है।

लंबे समय तक, शोधकर्ताओं ने यह अनुमान लगाने की कोशिश की कि कौन से प्रोजेक्ट्स जीवित रहेंगे, लेकिन उन्होंने केवल आंतरिक (internal) कारकों को देखा: क्या कोड साफ है? क्या डेवलपर्स खुश हैं? क्या डॉक्यूमेंटेशन अच्छा है?

लेकिन यह पेपर तर्क देता है कि यह इंजन की जांच करने के समान है, जबकि आप इस बात को नजरअंदाज कर रहे हैं कि एक विशाल ट्रक अभी आपकी लेन में मुड़ गया है। असली खतरा अक्सर बाहरी प्रतिस्पर्धा (external competition) से आता है।

यहाँ एक सरल विवरण दिया गया है कि कैसे लेखकों—ताकेई, आओकी और रगकितवेटसगुल—ने यह पता लगाया कि इस प्रतिस्पर्धा को कैसे मापा जाए।

1. समस्या: "चैनेर बनाम पायटॉर्च" का रहस्य

दो धावकों के बारे में सोचिए जो दौड़ रहे हैं: Chainer और PyTorch। दोनों "डीप लर्निंग" मैराथन दौड़ रहे थे।

शुरुआत में, वे दोनों तेजी से दौड़ रहे थे।
फिर, PyTorch ने अपनी गति बढ़ा दी।
Chainer न केवल धीमा हुआ; बल्कि वह दौड़ना ही बंद कर गया। Chainer के पीछे की कंपनी ने वास्तव में घोषणा की, "हम इस दौड़ को छोड़ रहे हैं और PyTorch की टीम में शामिल हो रहे हैं।"

बड़ा सवाल यह है: हमें यह कैसे पता चलेगा, Chaneer के रुकने से पहले, कि PyTorch जीतने वाला था?
इसे साबित करना कठिन है क्योंकि प्रतिस्पर्धा अदृश्य होती है। आप केवल एक स्प्रेडशीट देखकर यह नहीं कह सकते कि, "आह, PyTorch की गतिविधि ने Chainer की मृत्यु का कारण बना।" आपको उस अदृश्य "शॉकवेव" (shockwave) को मापने के तरीके की आवश्यकता है जो एक प्रोजेक्ट दूसरे को भेजता है।

2. समाधान: अर्थशास्त्रियों से उधार लेना (कोड के लिए "मौसम का पूर्वानुमान")

लेखकों ने महसूस किया कि सॉफ्टवेयर प्रोजेक्ट्स कुछ हद तक अर्थव्यवस्थाओं (economies) की तरह व्यवहार करते हैं।

अर्थशास्त्र में, यदि तेल की कीमत बढ़ती है, तो यह प्लास्टिक की कीमत, फिर खिलौनों की कीमत को बदलने का रिपल इफेक्ट (ripple effect) पैदा कर सकती है।
सॉफ्टवेयर में, यदि प्रोजेक्ट A में अचानक गतिविधि का उछाल आता है (एक "शॉक"), तो क्या प्रोजेक्ट B धीमा हो जाता है? क्या प्रोजेक्ट C तेज हो जाता है?

इसे मापने के लिए, उन्होंने MIAO (म्युचुअल इम्पैक्ट एनालिसिस ऑफ OSS) नामक टूल का उपयोग किया।

उपमा (Analogy): कल्पना कीजिए कि आप एक मौसम पूर्वानुमानकर्ता (weather forecaster) हैं। आप केवल आज के बादलों को नहीं देखते; आप एक जटिल मॉडल का उपयोग करते हैं यह देखने के लिए कि देश के एक हिस्से में आने वाला तूफान तीन दिन बाद दूसरे हिस्से में हवा को कैसे बदल देगा।
टूल: उन्होंने SVAR (स्ट्रक्चरल वेक्टर ऑटोरेग्रेसिव) नामक एक गणितीय मॉडल का उपयोग किया। यह एक फैंसी तरीका है यह कहने का कि: "आइए तीन प्रोजेक्ट्स के इतिहास को एक साथ देखें और गणना करें कि प्रोजेक्ट A में आई एक 'छींक' प्रोजेक्ट B में 'खांसी' का कारण कैसे बनती है।"

3. MIAO कैसे काम करता है (तीन चरणों वाला नृत्य)

यह विधि दो मुख्य चरणों में काम करती है:

चरण 1: "शॉक" टेस्ट
वे एक लक्षित प्रोजेक्ट (target project) और उसके दो मुख्य प्रतिद्वंद्वियों के कमिट्स (कोड अपडेट) के इतिहास को लेते हैं। वे कंप्यूटर से पूछते हैं: "यदि प्रोजेक्ट A में अचानक गतिविधि का बड़ा उछाल आता है, तो प्रोजेक्ट B एक महीने बाद, 6 महीने बाद कैसे प्रतिक्रिया देगा?"

वे इसे बार-बार करते हैं, समय को टुकड़ों में बांटकर (जैसे 1-वर्षीय अवधि, फिर 2-वर्षीय अवधि) यह देखने के लिए कि क्या प्रोजेक्ट के पुराने होने के साथ संबंध बदल जाता है।

चरण 2: "स्कोरकार्ड"
कंप्यूटर कई नंबर देता है। लेखक इन नंबरों को एक MIAO स्कोर में बदलते हैं।

पॉजिटिव स्कोर: प्रोजेक्ट A, प्रोजेक्ट B की मदद कर रहा है (शायद वे दोस्त या पार्टनर हैं)।
नेगेटिव स्कोर: प्रोजेक्ट A, प्रोजेक्ट B को नुकसान पहुँचा रहा है (वे एक ही उपयोगकर्ताओं के लिए लड़ रहे दुश्मन हैं)।
ट्विस्ट: उन्होंने पाया कि सबसे खतरनाक संकेत हमेशा प्रतिद्वंद्वी द्वारा आपको नुकसान पहुँचाना नहीं होता है। कभी-कभी, संकेत आप द्वारा प्रतिद्वंद्वी को नुकसान पहुँचाना होता है। यदि आपका प्रोजेक्ट इतना प्रभावी है कि वह प्रतिस्पर्धा को कुचल रहा है, तो यह वास्तव में एक संकेत हो सकता है कि आप "विजेता" हैं और दूसरा खत्म होने वाला है। इसके विपरीत, यदि आप एक प्रतिद्वंद्वी से लड़ने की कोशिश कर रहे हैं लेकिन वे आपको अनदेखा कर रहे हैं, तो शायद आप ही हार रहे हैं।

4. परिणाम: क्या हम दुर्घटना की भविष्यवाणी कर सकते हैं?

उन्होंने इसका परीक्षण 187 सॉफ्टवेयर प्रोजेक्ट समूहों (एक लक्षित प्रोजेक्ट + 2 प्रतिस्पर्धी) पर किया।

रिट्रोस्पेक्टिव टेस्ट (पीछे देखना): उन्होंने पूछा, "क्या MIAO अतीत को देखकर बता सकता है कि कौन से प्रोजेक्ट प्रतिस्पर्धा के कारण खत्म हुए?"
- परिणाम: यह 81% बार सही था। इसने सफलतापूर्वक "Chainers" की दुनिया की पहचान की।
प्रेडिक्टिव टेस्ट (आगे देखना): उन्होंने पूछा, "क्या MIAм MIAO एक साल पहले के डेटा को देखकर भविष्य में होने वाली प्रोजेक्ट्स की मृत्यु की भविष्यवाणी कर सकता है?"
- परिणाम: यह 77% बार सही था।

यह बहुत बड़ी बात है! इसका मतलब है कि MIAO एक अर्ली वार्निंग सिस्टम (early warning system) के रूप में कार्य करता है। यह एक प्रोजेक्ट के रखरखाव करने वाले (maintainer) को बता सकता है: "हे, आपका प्रतिस्पर्धी बहुत अधिक बढ़त बना रहा है, और आपका रिलेशनशिप स्कोर गिर रहा है। आपको अभी अपनी रणनीति बदलने की जरूरत है, अन्यथा एक साल में आप अप्रासंगिक हो जाएंगे।"

5. बड़ी खोज: "वन-वे स्ट्रीट" (एकतरफा रास्ता)

सबसे दिलचस्प खोज लड़ाई की दिशा के बारे में थी।

पुरानी धारणा: विजेता हारने वाले को कुचल देता है। (प्रतिस्पर्धी $\to$ लक्ष्य बुरा है)।
नई खोज: यह अक्सर एकदिशीय प्रभाव (unidirectional influence) के बारे में होता है।
- कभी-कभी, लक्षित प्रोजेक्ट इतना मजबूत होता है कि वह सक्रिय रूप से प्रतिस्पर्धी को दबा देता है (लक्ष्य $\to$ प्रतिस्पर्धी, प्रतिस्पर्धी के लिए बुरा है)।
- कभी-कभी, प्रतिस्पर्धी इतना मजबूत होता है कि वह लक्षित प्रोजेक्ट को दबा देता है (प्रतिस्पर्धी $\to$ लक्ष्य, लक्ष्य के लिए बुरा है)।
- मुख्य अंतर्दृष्टि: यदि प्रभाव एकतरफा है (एक पक्ष दूसरे पर हावी हो रहा है), तो यह एक "राइजिंग इवेंट" (REV) का संकेत है—जिसका अर्थ है कि एक प्रोजेक्ट प्रभुत्व जमाने वाला है और दूसरा खत्म होने वाला है। यदि प्रभाव दो-तरफा है (वे आपस में लड़ रहे हैं), तो वे दोनों जीवित रह सकते हैं।

आपको इसकी परवाह क्यों करनी चाहिए?

प्रोजेक्ट मेंटेनर के लिए: केवल अपने कोड को न देखें। इस तरह के टूल्स का उपयोग करके अपने प्रतिद्वंद्वियों पर नज़र रखें। यदि "स्कोर" कहता है कि आप युद्ध हार रहे हैं, तो बहुत देर होने से पहले अपनी रणनीति बदलें।
कंपनियों के लिए: यदि आप किसी ओपन-सोर्स लाइब्रेरी पर अपना उत्पाद बना रहे हैं, तो केवल उसे न चुनें जिसके सबसे अधिक स्टार हैं। उसे चुनें जिसे किसी प्रतिस्पर्धी द्वारा कुचला नहीं जा रहा है। MIAO "सर्वाइवर्स" (जीवित रहने वालों) को चुनने में मदद करता है।
सभी के लिए: यह साबित करता है कि सॉफ्टवेयर केवल कोड के बारे में नहीं है; यह इकोसिस्टम (ecosystems) के बारे में है। प्रकृति की तरह, यदि जंगल में एक नया शिकारी प्रवेश करता है, तो पुराना शिकार केवल बीमार नहीं पड़ता; उसे खा लिया जाता है। यह पेपर हमें यह देखने के लिए एक टेलीस्कोप देता है कि यह सब होने से पहले ही क्या हो रहा है।

संक्षेप में: लेखकों ने सॉफ्टवेयर की दुनिया के लिए एक "सीस्मोग्राफ" बनाया है। यह प्रतिस्पर्धा के झटकों को मापता है ताकि हम भविष्यवाणी कर सकें कि कौन से सॉफ्टवेयर प्रोजेक्ट भूकंप से बचेंगे और कौन से ढह जाएंगे।

यहाँ शोध पत्र "Quantifying Competitive Relationships Among Open-Source Software Projects" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ओपन-सोर्स सॉफ्टवेयर (OSS) पारिस्थितिकी तंत्र प्रतिस्पर्धा द्वारा संचालित उत्थान और पतन के एक निरंतर चक्र द्वारा चिह्नित होते हैं। जबकि कई अध्ययन स्थिरता की भविष्यवाणी करने के लिए आंतरिक कारकों (जैसे, कोड गुणवत्ता, डेवलपर गतिविधि) पर ध्यान केंद्रित करते हैं, बाहरी प्रतिस्पर्धी संबंधों का प्रभाव अभी भी कम समझा गया है और इसे मापना कठिन है।

अंतराल (The Gap): मौजूदा पद्धतियाँ इस बात को अनुभवजन्य रूप से मापने में संघर्ष करती हैं कि एक मजबूत प्रतिस्पर्धी का उदय कैसे एक मौजूदा प्रोजेक्ट के विकास को रोक देता है (एक घटना जिसे लेखक "Rising Event" या REV कहते हैं)।
चुनौती: इन संबंधों को मापने के लिए समय-श्रृंखला (time-series) डेटा पर जटिल कारण अनुमान (causal inference) की आवश्यकता होती है, क्योंकि प्रतिस्पर्धी गतिशीलता विकसित होती है और अक्सर गैर-रेखीय (non-linear) होती है।
प्रेरणा: Chainer बनाम PyTorch का मामला इसे स्पष्ट करता है: Chainer, जो कभी एक अग्रणी डीप लर्निंग फ्रेमवर्क था, PyTorch के प्रभुत्व हासिल करने के बाद विकास बंद करने लगा। यह शोध पत्र एक प्रोजेक्ट के ढहने से पहले ऐसी प्रतिस्पर्धी दबावों का पता लगाने के लिए एक विधि बनाने का लक्ष्य रखता है।

2. कार्यप्रणाली: MIAO (Mutual Impact Analysis of OSS)

लेखक MIAO प्रस्तावित करते हैं, जो एक स्वचालित विधि है जो OSS गतिविधि समय-श्रृंखला का विश्लेषण करने के लिए अर्थमितीय (econometric) मॉडलों को अनुकूलित करती है।

मुख्य घटक

डेटा प्रतिनिधित्व (Data Representation):
- गतिविधि समय-श्रृंखला (Activity Time Series): अध्ययन प्रोजेक्ट गतिविधि के प्रॉक्सी के रूप में 'कमिट्स' (commits) की संख्या का उपयोग करता है।
- डेटासेट निर्माण: GitHub से 187 प्रोजेक्ट समूहों को निकाला गया। प्रत्येक समूह में एक लक्ष्य (Target) प्रोजेक्ट और दो प्रतिस्पर्धी (Competitors) शामिल हैं।
  - REV क्लास: 87 समूह जहाँ लक्ष्य ने प्रतिस्पर्धा के कारण विकास बंद कर दिया (README माइग्रेशन नोटिस के माध्यम से पहचाना गया)।
  - Non-REV क्लास: 100 समूह जहाँ लक्ष्य सक्रिय रहा।
- प्रीप्रोसेसिंग: नॉन-स्टेशनैरिटी (non-stationarity) को संभालने के लिए, लेखक फ्रैक्शनल डिफरेंसिंग (इंटीजर डिफरेंसिंग के बजाय) का उपयोग करते हैं ताकि VAR मॉडलों के लिए स्टेशनैरिटी सुनिश्चित करते हुए डेटा में दीर्घकालिक स्मृति (long-term memory) को संरक्षित किया जा सके।
सांख्यिकीय मॉडल (SVAR):
- MIAO एक स्ट्रक्चरल वेक्टर ऑटो-रिग्रेसिव (SVAR) मॉडल का उपयोग करता है। मानक VAR के विपरीत, SVAR चरों के बीच तात्कालिक कारण संबंधी संबंधों को मॉडल करने के लिए संरचनात्मक बाधाएं लागू करता है।
- मॉडल को इस प्रकार परिभाषित किया गया है: $B_0 y_t = c + B_1 y_{t-1} + \dots + B_p y_{t-p} + u_t$ , जहाँ $y_t$ लक्ष्य और प्रतिस्पर्धियों की गतिविधि वेक्टर का प्रतिनिधित्व करता है।
इम्पल्स रिस्पांस फंक्शन्स (IRF):
- विश्लेषण का मूल IRF है, जो यह मात्रात्मक रूप से मापता है कि एक प्रोजेक्ट में "शॉक" (गतिविधि में अचानक परिवर्तन) समय के साथ अन्य प्रोजेक्ट्स को कैसे प्रभावित करता है।
- चरण 1 (गणना): OSS जीवनचक्र (जन्म $\to$ अप्रचलन) को ध्यान में रखते हुए विश्लेषण को कई समय अवधियों ( $T_m$ ) में विभाजित किया गया है। प्रत्येक अवधि के लिए IRF की गणना की जाती है।
- चरण 2 (स्कोरिंग): लेखक IRFs को क्युमुलेटिव इम्पल्स रिस्पांस (SCE) में और फिर एक MIAO स्कोर (MS) में एकत्रित करते हैं।
  - $MS_{ij}$ प्रोजेक्ट $j$ का प्रोजेक्ट $i$ पर संचयी नकारात्मक प्रभाव को दर्शाता है।
  - एक सकारात्मक $MS_{ij}$ का अर्थ है $j$ से $i$ पर एक मजबूत नकारात्मक प्रभाव (प्रतिस्पर्धा)।
मजबूती संवर्धन (Robustness Enhancements):
- पीरियड शिफ्टिंग: विशिष्ट प्रारंभ/समाप्ति तिथियों के प्रति संवेदनशीलता को कम करने के लिए, विश्लेषण को शिफ्ट किए गए टाइम विंडो (3 महीने तक) के साथ चलाया जाता है, और परिणामों का औसत निकाला जाता है (एन्सेम्बल लर्निंग में बैगिंग के समान)।
- वेरिएबल ऑर्डरिंग: REV क्लास के लिए, क्रम निश्चित है (प्रतिस्पर्धी 1 $\to$ प्रतिस्पर्धी 2 $\to$ लक्ष्य)। Non-REV के लिए, संवेदनशीलता सुनिश्चित करने के लिए सभी क्रमों का परीक्षण किया जाता है।

3. प्रमुख योगदान

नवीन कार्यप्रणाली (MIAO): अर्थमितीय SVAR और IRF मॉडलों का उपयोग करके OSS में अस्थायी प्रतिस्पर्धी संबंधों को मात्रात्मक रूप से मापने वाला पहला ढांचा।
अनुभवजन्य सत्यापन: GitHub से 187 OSS प्रोजेक्ट समूहों को निकालने वाला एक बड़े पैमाने का अध्ययन, जो प्रतिस्पर्धा के कारण विफल हुए और जीवित रहे प्रोजेक्ट्स के बीच अंतर करता है।
भवितिक क्षमता (Predictive Capability): यह प्रदर्शित किया गया कि MIAO उच्च सटीकता के साथ एक वर्ष पहले प्रोजेक्ट के रुकने की भविष्यवाणी कर सकता है।
सैद्धांतिक अंतर्दृष्टि: इसने पहचान की कि एकदिशीय प्रभाव (unidirectional influence) ही पतन की प्रमुख पहचान है, जो इस धारणा को चुनौती देती है कि आपसी प्रतिस्पर्धा हमेशा सममित (symmetric) होती है।

4. प्रयोगात्मक परिणाम

अध्ययन ने वर्गीकरण के लिए Decision Trees का उपयोग करके MIAO का मूल्यांकन किया।

पूर्वव्यापी वर्गीकरण (EVAL1):
- सटीकता (Accuracy): 81% तक (सभी क्रमों में औसतन 75%)।
- F1-Score (REV): 0.71.
- निष्कर्ष: मॉडल सफलतापूर्वक उन प्रोजेक्ट्स के बीच अंतर करता है जो प्रतिस्पर्धा के कारण बंद हो गए और जो नहीं हुए।
भवि भविष्य कहने वाला वर्गीकरण (EVAL2):
- सेटअप: भविष्य की एक वर्ष पहले भविष्यवाणी करने का अनुकरण करने के लिए डेटा के अंतिम वर्ष को छिपा दिया गया।
- सटीकता: 77% तक (औसत 73%)।
- महत्व: यह सिद्ध करता है कि MIAO एक अर्ली-वार्निंग सिस्टम के रूप में कार्य कर सकता है, जो प्रोजेक्ट के आधिकारिक रूप से रुकने से पहले प्रतिस्पर्धी खतरों का पता लगा सकता है।
प्रमुख कारक (RQ2):
- डिसीजन ट्री विश्लेषण: इसने खुलासा किया कि एकदिशीय प्रभाव की डिग्री प्राथमिक भविष्यवक्ता है।
- तंत्र (Mechanism):
  - भविष्यवाणी चरण (1 वर्ष पूर्व) में, मुख्य संकेतक लक्ष्य पर प्रतिस्पर्धी का मजबूत नकारात्मक प्रभाव ( $Competitor \to Target$ ) है।
  - पूर्वव्यापी चरण (पूर्ण डेटा) में, संकेतक यह है कि लक्ष्य का प्रतिस्पर्धी पर बड़ा प्रभाव (सकारात्मक या नकारात्मक) होता है ( $Target \to Competitor$ )।
- व्याख्या: जैसे ही एक प्रोजेक्ट पतन की ओर बढ़ता है, प्रतिस्पर्धी की गतिविधि लक्ष्य को नकारात्मक रूप से प्रभावित करने लगती है। अंततः, घटता हुआ प्रोजेक्ट प्रतिस्पर्धी को प्रभावित करने की क्षमता खो देता है, या इसकी गतिविधि एक ऐसा "शॉक" बन जाती है जिसे प्रतिस्पर्धी बिना किसी प्रतिक्रिया के आत्मसात कर लेता है।

5. महत्व और निहितार्थ

OSS रखरखाव करने वालों (Maintainers) के लिए: MIAO एक मात्रात्मक अर्ली-वार्निंग सिस्टम के रूप में कार्य करता है। रखरखाव करने वाले प्रतिस्पर्धी दबावों की निगरानी कर सकते हैं और प्रोजेक्ट के अप्रचलित होने से पहले रोडमैप को समायोजित कर सकते हैं या गठबंधन बना सकते हैं।
OSS अपनाने वालों (Adopters) के लिए: संगठन तकनीक स्टैक की दीर्घकालिक व्यवहार्यता का आकलन करने के लिए MIAO का उपयोग कर सकते हैं, जिससे उन प्रोजेक्ट्स से बचा जा सके जो प्रतिस्पर्धी पतन के शुरुआती संकेत दिखा रहे हैं।
शोधकर्ताओं के लिए: यह अध्ययन आंतरिक प्रोजेक्ट मेट्रिक्स से हटकर बाहरी पारिस्थितिकी तंत्र गतिशीलता पर ध्यान केंद्रित करता है, जो सॉफ्टवेयर प्रौद्योगिकियों के "उदय और पतन" का अध्ययन करने के लिए एक स्केलेबल, डेटा-संचालित पद्धति प्रदान करता है।

6. सीमाएँ और भविष्य का कार्य

वैधता: यह अध्ययन 'कमिट काउंट' पर निर्भर करता है और यह मानता है कि README माइग्रेशन नोटिस प्रतिस्पर्धी पतन के सटीक संकेतक हैं।
दायरा: विश्लेषण फोर्क-आधारित प्रतिस्पर्धा (जहाँ एक प्रोजेक्ट दूसरे से अलग होता है) को बाहर करता है, क्योंकि VAR मॉडल में मल्टीकोलिनियैरिटी (multicollinearity) की समस्या आती है।
आयामीता (Dimensionality): सांख्यिकीय तुलनीयता सुनिश्चित करने के लिए मॉडल 3 चरों (1 लक्ष्य + 2 प्रतिस्पर्धी) तक सीमित है, जो कई प्रतिद्वंद्वियों वाले जटिल पारिस्थितिकी तंत्र को कैप्चर नहीं कर सकता है।
भविष्य की दिशा: डेटासेट का विस्तार करना, वैकल्पिक गतिविधि संकेतों (जैसे, इश्यू, रिलीज) को शामिल करना, और फोर्क-आधारित प्रतिस्पर्धा को संभालने के तरीकों को विकसित करना।