Beyond the Beta Lorenz Curve: A New Parametric Family for Poverty and Inequality Estimation

यहाँ शोध पत्र "Beyond the Beta Lorenz Curve: A New Parametric Family for Poverty and Inequality Estimation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

गरीबी और असमानता का अनुमान लगाना अक्सर व्यक्तिगत स्तर के सूक्ष्म डेटा (microdata) की अनुपलब्धता के कारण बाधित होता है। कई देश (जैसे चीन, अल्जीरिया, वेनेजुएला) केवल एकत्रित आय अंशों (जैसे क्विंटाइल्स या डेसाइल्स) की रिपोर्ट करते हैं। इस समूहीकृत डेटा से आय वितरण को पुनर्गठित करने के लिए, शोधकर्ता और विश्व बैंक जैसे संस्थान पैरामीट्रिक लोरेन्ज़ कर्व मॉडल पर निर्भर करते हैं।

यह शोध पत्र बीटा लोरेन्ज़ कर्व (Beta Lorenz curve) में एक गंभीर दोष की पहचान करता है, जो काकवानी (1980) द्वारा पेश किया गया एक मानक उपकरण है और विश्व बैंक के 'पॉवर्टी एंड इनइक्वालिटी प्लेटफॉर्म' (PIP) द्वारा व्यापक रूप से उपयोग किया जाता है। लेखक यह प्रदर्शित करते हैं कि काकवानी का मूल कार्यात्मक रूप:
$$L(p; a, \alpha, \beta) = p - ap^\alpha(1-p)^\beta$$
अधिकांश पैरामीटर विन्यास (configurations) के लिए एक वास्तविक लोरेन्ज़ कर्व के मौलिक गणितीय अभिधारणाओं (axioms) को पूरा करने में विफल रहता है। विशेष रूप से, यह मॉडल अक्सर ऐसे कर्व उत्पन्न करता है जो:

• क्षैतिज अक्ष (horizontal axis) से नीचे गिर जाते हैं (नकारात्मक आय अंश)।
• गैर-घटते (non-decreasing) या अवतल (concave) होने की शर्त को पूरा करने में विफल रहते हैं।
• कुछ बाधाओं के तहत $L(0)=0$ और $L(1)=1$ की स्थिति का उल्लंघन करते हैं।

यह सैद्धांतिक विसंगति गरीबी और असमानता के अनुमानों में पक्षपात (bias) का कारण बनती है, विशेष रूप से जब मॉडल को वास्तविक दुनिया के डेटा पर फिट किया जाता है जहाँ निचले छोर (lower tail) में नकारात्मक मान हो सकते हैं।

2. कार्यप्रणाली (Methodology)

अ. सैद्धांतिक संशोधन (Theoretical Revision)

लेखक पहले यह कठोरता से सिद्ध करते हैं कि काकवानी का मॉडल एक वैध लोरेन्ज़ कर्व होने के लिए आवश्यक और पर्याप्त स्थितियाँ क्या हैं। वे सिद्ध करते हैं कि मूल विनिर्देश केवल तभी मान्य है जब $\alpha = 1$ हो, जिससे मॉडल घटकर निम्नलिखित हो जाता है:
$$L_1(p) = p - ap(1-p)^\beta$$
जहाँ $0 \le a \le 1$ और $0 < \beta \le 1$ है।

आ. नए पैरामीट्रिक परिवारों का प्रस्ताव (Proposal of New Parametric Families)

मूल मॉडल और जनरल क्वाड्रेटिक (GQ) लोरेन्ज़ कर्व (विश्व बैंक का दूसरा प्रमुख विनिर्देश) की सीमाओं को दूर करने के लिए, लेखक काकवानी के ढांचे और अपर-ट्रंकेटेड रैंडम वेरिएबल्स (upper-truncated random variables) की अवधारणा से व्युत्पन्न नए मॉडलों का प्रस्ताव करते हैं:

1. ऑर्टेगा एट अल. (1991) मॉडल ($L_1$): एक दो-पैरामीटर मॉडल जो मूल रूप में $a=1, \alpha=1$ रखकर और घातांक (exponent) को सामान्यीकृत करके प्राप्त किया गया है।
   $$L_1(p; a, b) = p^a [1 - (1-p)^b]$$
2. साराबिया एट अल. (1999) विस्तार ($L_2$): एक तीन-पैरामीटर मॉडल जो एक पावर टर्म $d$ पेश करता है।
   $$L_2(p; a, b, d) = p^a [1 - (1-p^d)^b]$$
3. प्रस्तावित चार-पैरामीटर मॉडल ($L_3$): लेखकों का मुख्य योगदान। यह मॉडल एक अपर-ट्रंकेटेड वेरिएबल के लिए पावर-फंक्शन संचयी वितरण फलन (CDF) को मानकर निकाला गया है।
   $$L_3(p; a, b, d, s) = \frac{p^{ad} [1 - (1-p^{sd})^b]}{1 - (1-s^d)^b}$$
   यह मॉडल पूरे यूनिट अंतराल में सैद्धांतिक वैधता सुनिश्चित करता है और वितरण के निचले छोर (lower tail) को मॉडल करने में अधिक लचीलापन प्रदान करता है।

इ. अनुमान रणनीति (Estimation Strategy)

इन मॉडलों का अनुमान समूहीकृत आय अंश डेटा (grouped income share data) का उपयोग करके लगाया जाता है।

• अनुमानक (Estimator): लेखक मुख्य रूप रूप से इक्वली वेटेड मिनिमम डिस्टेंस (EWMD) अनुमानक का उपयोग करते हैं, जो देखे गए संचयी आय अंशों और सैद्धांतिक लोरेन्ज़ कर्व मानों के बीच वर्ग अंतर (squared distance) को न्यूनतम करता है।
• तर्क: जबकि ऑप्टिमल मिनिमम डिस्टेंस (OMD) अनुमानक अधिक कुशल होते हैं, उन्हें सैंपल साइज डेटा और वेरिएंस-कोवेरिएंस संरचना की आवश्यकता होती है जो अक्सर माध्यमिक डेटाबेस में उपलब्ध नहीं होती है। EWMD सुसंगत (consistent) है और पॉइंट एस्टीमेशन के लिए पर्याप्त है।
• सत्यापन: मॉडलों के प्रदर्शन का मूल्यांकन जनरल क्वाड्रेटिक (GQ) लोरेन्ज़ कर्व के विरुद्ध किया जाता है, जो वर्तमान संस्थागत मानक है।

ई. अनुभवजन्य मूल्यांकन (Empirical Evaluation)

• डेटा: अध्ययन में विश्व बैंक के PIP से 2,346 डेटासेट का उपयोग किया गया है, जिसमें देशों और समय अवधियों की एक विस्तृत श्रृंखला शामिल है।
• मेट्रिक्स: प्रदर्शन का मूल्यांकन निम्नलिखित द्वारा किया जाता है:
  • गुडनेस-ऑफ-फिट (Goodness-of-fit): रेसिडुअल सम ऑफ स्क्वायर्स (RSS)।
  • सटीकता (Accuracy): गरीबी सूचकांकों (हेडकाउंट, गैप, गंभीरता, वॉट्स इंडेक्स) और असमानता सूचकांकों (गिनी, मीन लॉग डेविएशन) के अनुमान में पूर्ण त्रुटियां (absolute errors)।
  • मजबूती (Robustness): सैंपल साइज ($N=500, 2500, 5000$) में फाइनाइट-सैंपल बायस और स्टैंडर्ड एरर का आकलन करने के लिए मोंटे कार्लो सिमुलेशन (1,000 पुनरावृत्ति)।

3. मुख्य योगदान (Key Contributions)

1. सैद्धांतिक सुधार: यह शोध पत्र निर्णायक रूप से सिद्ध करता है कि व्यापक रूप से उपयोग किया जाने वाला काकवानी (1980) बीटा लोरेन्ज़ कर्व अधिकांश पैरामीटर स्पेस के लिए गणितीय रूप से अमान्य है और वैधता के लिए आवश्यक विशिष्ट बाधाओं की पहचान करता है।
2. नया पैरामीट्रिक परिवार: यह $L_3$ मॉडल पेश करता है, जो एक चार-पैरामीटर विनिर्देश है जो एक वास्तविक लोरेन्ज़ कर्व के गुणों की गारंटी देता है और आय वितरण के निचले छोर को मॉडल करने में बेहतर लचीलापन प्रदान करता है।
3. व्यवस्थित पूर्वाग्रह की पहचान: अध्ययन प्रकट करता है कि GQ लोरेन्ज़ कर्व, अपनी लोकप्रियता के बावजूद, निचले छोर के घनत्व (lower tail density) को सटीक रूप से पकड़ने में असमर्थ होने के कारण, 80% से अधिक मामलों में गरीबी का कम अनुमान (underestimate) लगाता है।

4. मुख्य परिणाम (Key Results)

• गुडनेस-ऑफ-फिट: प्रस्तावित $L_3$ मॉडल सबसे कम औसत रेसिडुअल सम ऑफ स्क्वायर्स (RSS = 0.0059) प्राप्त करता है, जो GQ मॉडल (RSS = 0.0062) और ऑर्टेगा मॉडल से बेहतर प्रदर्शन करता है।
• गरीबी अनुमान सटीकता:
  • $L_3$ मॉडल सभी गरीबी मापों (हेडकाउंट, गैप, गंभीरता, वॉट्स इंडेक्स) के लिए सबसे सटीक अनुमान प्रदान करता है, जिसका त्रुटि वितरण शून्य के करीब केंद्रित है।
  • GQ मॉडल एक व्यवस्थित डाउनवर्ड बायस (downward bias) प्रदर्शित करता है, जो हेडकाउंट अनुपात के लिए 73% और गरीबी गैप के लिए 84% डेटासेट में गरीबी का कम अनुमान लगाता है।
• असमानता अनुमान:
  • मीन लॉग डेविएशन (MLD) (जो निचले छोर के प्रति संवेदनशील है) के लिए, $L_3$ महत्वपूर्ण रूप से GQ से बेहतर है, क्योंकि GQ निचले छोर के खराब प्रतिनिधित्व के कारण MLD का कम अनुमान लगाने की प्रवृत्ति रखता है।
  • गिनी इंडेक्स के लिए, $L_3$ और GQ दोनों ही पूर्ण त्रुटि (absolute error) के मामले में समान रूप से अच्छा प्रदर्शन करते हैं, हालांकि दोनों ही इंडेक्स का थोड़ा कम अनुमान लगाने की प्रवृत्ति रखते हैं। लेखक नोट करते हैं कि गिनी त्रुटियां भ्रमित करने वाली हो सकती हैं क्योंकि त्रुटि क्षतिपूर्ति प्रभाव (मध्य मान के ऊपर और नीचे के विचलन एक दूसरे को संतुलित करना) यहाँ मौजूद होता है।
• सैंपलिंग परिवर्तनशीलता (Sampling Variability):
  • जबकि $L_3$ अधिक सटीक है, GQ मॉडल सबसे कम सैंपलिंग परिवर्तनशीलता (स्टैंडर्ड एरर) प्रदर्शित करता है।
  • यह एक ट्रेड-ऑफ का सुझाव देता है: GQ "सटीक लेकिन पक्षपाती" (systematically wrong but consistent) है, जबकि $L_3$ "सटीक लेकिन सैंपलिंग शोर (sampling noise) के प्रति थोड़ी अधिक संवेदनशील" है।

5. महत्व और निहितार्थ (Significance and Implications)

• संस्थागत प्रभाव: ये निष्कर्ष सूक्ष्म डेटा उपलब्ध न होने पर आधिकारिक गरीबी अनुमानों के लिए विश्व बैंक की GQ लोरेन्ज़ कर्व पर निर्भरता को चुनौती देते हैं। GQ मॉडल द्वारा गरीबी का व्यवस्थित कम अनुमान लगाना वैश्विक गरीबी उन्मूलन प्रगति के अति-आशावादी आकलन (over-optimistic assessments) की ओर ले जा सकता है।
• पद्धतिगत बदलाव: यह शोध पत्र $L_3$ विनिर्देश (या प्रमाणित $L_1$) को एक अधिक सैद्धांतिक रूप से मजबूत विकल्प के रूप में अपनाने की वकालत करता है। ये मॉडल गणितीय निरंतरता सुनिश्चित करते हैं और आय वितरण के निचले छोर का अधिक सटीक प्रतिनिधित्व प्रदान करते हैं, जो गरीबी विश्लेषण के लिए महत्वपूर्ण है।
• नीतिगत सिफारिश: अभ्यासकर्ताओं को किसी एक कार्यात्मक रूप पर निर्भर नहीं रहना चाहिए। लेखक वितरण परिवर्तनों, विशेष रूप से सबसे गरीब आबादी को प्रभावित करने वाले परिवर्तनों को सही ढंग से पहचानने और संबोधित करने के लिए GQ और $L_3$ मॉडलों के बीच परिणामों के त्रिकोणीयकरण (triangulation) की सिफारिश करते हैं।

निष्कर्षतः, यह शोध पत्र विकास अर्थशास्त्र के दशकों पुराने मानक को एक कठोर गणितीय सुधार प्रदान करता है और समूहीकृत डेटा से आय वितरण को पुनर्गठित करने के लिए एक बेहतर पैरामीट्रिक उपकरण प्रदान करता है, जो वैश्विक गरीबी निगरानी की सटीकता को सीधे प्रभावित करता है।