📈 economics

Network Structure in UK Payment Flows: Evidence on Economic Interdependencies and Implications for Real-Time Measurement

यह शोध पत्र यह प्रदर्शित करता है कि ग्राफ-सैद्धांतिक विशेषताओं का उपयोग करके यूके के अंतर-उद्योग भुगतान नेटवर्क का विश्लेषण करना वास्तविक समय के आर्थिक पूर्वानुमान और नाउकास्टिंग (nowcasting) सटीकता में महत्वपूर्ण सुधार करता है, विशेष रूप से कोविड-19 महामारी जैसे व्यवधानों के दौरान, क्योंकि यह उन संरचनात्मक अंतर्निर्भरताओं और प्रणालीगत महत्व को प्रकट करता है जिन्हें पारंपरिक द्विपक्षीय तरीके नहीं देख पाते हैं।

मूल लेखक: Aditya Humnabadkar

प्रकाशित 2026-04-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aditya Humnabadkar

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 यूके (UK) की अर्थव्यवस्था अलग-अलग कारखानों, दुकानों और बैंकों का संग्रह नहीं है, बल्कि आपस में जुड़ी हुई सड़कों का एक विशाल, जीवित शहर है।

दशकों से, सांख्यिकीविदों ने इस शहर को समझने के लिए यह गिनने की कोशिश की है कि प्रत्येक व्यक्तिगत सड़क पर कितने वाहन चलते हैं। वे जानते हैं कि "बेकरी" से "कैफे" तक कितना पैसा बहता है, या "कारखाने" से "शिपिंग" तक कितना जाता है। यह एक समय में एक सड़क को देखने जैसा है। यह उपयोगी तो है, लेकिन यह बड़े चित्र को छोड़ देता है: कैसे शहर के एक हिस्से में लगने वाला ट्रैफिक जाम अचानक पूरे सिस्टम को ठप कर सकता है, या शहर को चालू रखने के लिए कौन से चौराहे सबसे महत्वपूर्ण हैं।

यह शोध पत्र, जिसे यूके के ऑफिस फॉर नेशनल स्टैटिस्टिक्स (ONS) के आदित्य हुमनबाडकर द्वारा लिखा गया है, सुझाव देता है कि हमें सड़कों को देखना बंद करना चाहिए और एक साथ पूरे मानचित्र (मैप) को देखना शुरू करना चाहिए।

यहाँ इस शोध पत्र की कहानी है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: पारंपरिक आंकड़ों का "ब्लाइंड स्पॉट" (अंधा कोना)

पारंपरिक आर्थिक डेटा (जैसे जीडीपी) को एक रियर-व्यू मिरर (पीछे देखने वाले शीशे) के रूप में सोचें। यह आपको बताता है कि पिछला महीना या पिछली तिमाही में अर्थव्यवस्था कैसी थी। जब तक सरकार को डेटा दिखाई देता है, आर्थिक "दुर्घटना" पहले ही हो चुकी होती है, और नुकसान हो चुका होता है।

महामारी के दौरान, यह रियर-व्यू मिरर टूट गया। सामान्य पैटर्न (जैसे "लोग सुबह कॉफी अधिक खरीदते हैं") समझ से बाहर हो गए क्योंकि दुनिया बहुत तेजी से बदल गई। पारंपरिक मॉडलों ने अतीत के आधार पर भविष्य की भविष्यवाणी करने की कोशिश की, लेकिन अतीत अब एक अच्छा मार्गदर्शक नहीं रह गया था।

2. समाधान: पैसे का "सोशल नेटवर्क"

लेखक ने 89 विभिन्न उद्योगों के बीच आधे मिलियन से अधिक भुगतान रिकॉर्डों का अध्ययन किया। केवल पैसे को गिनने के बजाय, उन्होंने अर्थव्यवस्था को एक सोशल नेटवर्क (जैसे फेसबुक या लिंक्डइन) की तरह माना।

इस नेटवर्क में:

नोड्स (लोग): उद्योग (जैसे बैंक, निर्माण, टेक)।
एजेस (दोस्ती): उनके बीच बहने वाला पैसा।

उन्होंने पूछा: अर्थव्यवस्था के "इन्फ्लुएंसर" कौन हैं?
सिर्फ इसलिए कि किसी व्यक्ति के पास बहुत पैसा है, इसका मतलब यह नहीं है कि वह कमरे में सबसे महत्वपूर्ण व्यक्ति है। अर्थव्यवस्था में, वित्तीय सेवा (Financial Services) क्षेत्र उस "लोकप्रिय बच्चे" की तरह है जो सबको जानता है। भले ही उनके पास बहुत अधिक लेनदेन न हों, वे वेब के केंद्र में स्थित होते हैं। यदि वे दूसरों से बात करना बंद कर देते हैं, तो पूरा नेटवर्क शांत हो जाता है।

3. जादुई ट्रिक: "मैप फीचर्स" के साथ भविष्य की भविष्यवाणी करना

शोधकर्ता ने एक कंप्यूटर मॉडल बनाया ताकि यह अनुमान लगाया जा सके कि अगली तिमाही में उद्योगों के बीच कितना पैसा प्रवाहित होगा। उसने दो प्रकार के मॉडलों का परीक्षण किया:

पुराना तरीका (समय-यात्री/The Time-Traveler): यह मॉडल केवल इतिहास को देखता था। "पिछले साल, बेकरी ने कैफे को $100 दिए थे। इसलिए अगले साल, वे शायद$ 100 देंगे।"
नया तरीका (नेटवर्क नेविगेटर/The Network Navigator): यह मॉडल कनेक्शन के आकार को देखता था। "बेकरी कैफे से जुड़ी है, लेकिन कैफे बैंक और सप्लायर से भी जुड़ा है। यदि बैंक तनाव में है, तो कैफे बेकरी को भुगतान करना बंद कर सकता है, भले ही बेकरी का अपना इतिहास ठीक दिख रहा हो।"

परिणाम:
"नेटवर्क नेविगेटर" भविष्य की भविष्यवाणी करने में "टाइम-ट्रैवलर" की तुलना में 8.8% बेहतर था।

उपमा: कल्पना कीजिए कि ट्रैफिक जाम की भविष्यवाणी करने की कोशिश कर रहे हैं। पुराना तरीका देखता है कि कल आपकी कार कितनी तेज चल रही थी। नया तरीका पूरे हाईवे सिस्टम को देखता है कि क्या तीन मील आगे कोई पुल बंद है। नया तरीका हमेशा जीतता है।

4. सुपरपावर: जब दुनिया टूट जाती है

इस शोध पत्र का सबसे रोमांचक हिस्सा महामारी के दौरान हुआ।

पुराना तरीका: जब वायरस आया, तो पुराने मॉडल की सटीकता गिर गई। यह 1990 के नक्शे का उपयोग करके ब्लैकआउट के दौरान शहर में नेविगेट करने जैसा था। यह पूरी तरह विफल रहा।
नया तरीका: नेटवर्क मॉडल केवल बचा ही नहीं; यह और भी बेहतर (13.8% सुधार) हो गया।

क्यों? क्योंकि भले ही लोग कॉफी खरीदना या घर बनाना बंद कर दें, लेकिन कौन किसको पैसा owes (देना) करता है, इसकी संरचना तुरंत नहीं बदलती। "सड़कें" अभी भी वहीं हैं, भले ही ट्रैफिक कम हो। नेटवर्क मॉडल अर्थव्यवस्था के अंतर्नि는 कंकाल (skeleton) को देख सकता था, जबकि पुराना मॉडल अराजकता से अंधा हो गया था।

5. बड़ी तस्वीर: एक मजबूत, घना जाल

इस शोध पत्र ने भी 2017 से 2024 तक अर्थव्यवस्था में आए बदलावों को ट्रैक किया।

"घनत्व" (Density) बढ़ गया: अर्थव्यवस्था अधिक मजबूती से बुनी हुई हो गई है। कल्पना कीजिए कि एक मकड़ी का जाल जो ढीले धागों से शुरू हुआ था और एक घने, मजबूत जाल में बदल गया।
"दूरी" (Distance) कम हो गई: एक उद्योग से दूसरे उद्योग तक पैसा यात्रा करने के लिए अब कम "कदमों" की आवश्यकता होती है। अर्थव्यवस्था अधिक प्रत्यक्ष और कुशल होती जा रही है।

आपको इसकी परवाह क्यों करनी चाहिए?

यह केवल गणित के लिए गणित नहीं है। यह बेहतर निर्णय लेने के बारे में है।

यदि सरकार वास्तविक समय में अर्थव्यवस्था के "नेटवर्क स्वास्थ्य" को देख सकती है, तो वे संकट को आपदा बनने से पहले ही पहचान सकते हैं।

परिदृश्य: यदि "प्रोफेशनल सर्विसेज" क्षेत्र (एक प्रमुख केंद्र) धीमा होने लगता है, तो नेटवर्क मॉडल सरकार को चेतावनी दे सकता है कि अगले महीने "निर्माण" और "रिटेल" क्षेत्र प्रभावित होंगे।
कार्रवाई: सरकार छह महीने बाद मंदी की पुष्टि करने वाले आधिकारिक आंकड़ों की प्रतीक्षा करने के बजाय, जल्दी हस्तक्षेप करके मदद कर सकती है।

मुख्य निष्कर्ष (The Takeaway)

यह शोध पत्र तर्क देता है कि आधुनिक अर्थव्यवस्था को समझने के लिए, हमें अलग-थलग लेनदेन को देखना बंद करना होगा और कनेक्शन के जाल (web of connections) को देखना शुरू करना होगा।

अर्थव्यवस्था को संख्याओं की सूची के बजाय एक जटिल नेटवर्क के रूप में मानकर, हम अर्थव्यवस्था के लिए एक "जीपीएस" बना सकते हैं जो खराब मौसम में भी काम करता है। यह रियर-व्यू मिरर को एक क्रिस्टल बॉल (भविष्य बताने वाला गोला) में बदल देता है, जिससे नीति निर्माताओं को आर्थिक अनिश्चितता के कोहरे के बीच जहाज चलाने में मदद मिलती है।

यहाँ आदित्य हुमनाबादकर के शोध पत्र "Network Structure in UK Payment Flows: Evidence on Economic Interdependencies and Implications for Real-Time Measurement" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पारंपरिक आर्थिक संकेतक, जैसे कि जीडीपी (GDP), प्रकाशन में महत्वपूर्ण विलंब (सप्ताह से महीनों तक) से ग्रस्त होते हैं, जिससे सूचना की विषमताएँ उत्पन्न होती हैं जो समय पर नीतिगत हस्तक्षेप में बाधा डालती हैं। हालाँकि डिजिटल भुगतान प्रणालियाँ उच्च-आवृत्ति (high-frequency) डेटा प्रदान करती हैं, मौजूदा विश्लेषणात्मक दृष्टिकोण आमतौर पर अंतर-उद्योग भुगतान प्रवाह को स्वतंत्र द्विपक्षीय समय श्रृंखला (bilateral time series) के रूप में देखते हैं। यह पद्धति आर्थिक नेटवर्क की टोपोलॉजिकल संरचना (topological structure) की अनदेखी करती है, जिससे उन महत्वपूर्ण प्रणालीगत अंतर्निर्भरताओं और संरचनात्मक संबंधों को खोने का जोखिम रहता है जो आर्थिक झटकों (जैसे आर्थिक संकट) के दौरान भी बने रहते हैं।

यह शोध इस मौलिक प्रश्न को संबोधित करता है: क्या अंतर-उद्योग भुगतान संबंधों की नेटवर्क संरचना में आर्थिक रूप से सार्थक जानकारी निहित है जो वास्तविक समय के आर्थिक निगरानी और पूर्वानुमान में सुधार कर सकती है?

2. कार्यप्रणाली (Methodology)

डेटा स्रोत और निर्माण (Data Source and Construction)

डेटासेट: अध्ययन यूके के ऑफिस फॉर नेशनल स्टैटिस्टिक्स (ONS) के प्रायोगिक "इंडस्ट्री टू इंडस्ट्री पेमेंट फ्लोज़" डेटासेट का उपयोग करता है।
क्षेत्र (Scope): जनवरी 2017 से नवंबर 2024 तक के 532,346 भुगतान रिकॉर्ड।
विस्तार (Granularity): 89 दो-अंकों वाले SIC उद्योग क्षेत्रों में लेनदेन, जो संचयी मूल्य में लगभग £22.1 ट्रिलियन का प्रतिनिधित्व करते हैं।
नेटवर्क निर्माण: प्रत्येक तिमाही $t$ $t$ के लिए, एक निर्देशित, भारित ग्राफ (directed, weighted graph) $G_t = (V, E_t, W_t)$ $G_{t} = (V, E_{t}, W_{t})$ बनाया जाता है:
- नोड्स ( $V$ ): 89 उद्योग क्षेत्र।
- एजेस ( $E_t$ ): निर्देशित भुगतान संबंध।
- वेट्स ( $W_t$ ): लेनदेन का मूल्य।
- सामान्यीकरण (Normalization): स्केल प्रभावों (scale effects) को अलग करने के लिए, एडजेसेंसी मैट्रिक्स को रो-नॉर्मलाइज (row-normalized) किया जाता है, जिससे पूर्ण मूल्यों को बहिष्कृत भुगतानों के आनुपातिक आवंटन में बदल दिया जाता है।

फीचर इंजीनियरिंग (ग्राफ-थ्योरेटिक) (Feature Engineering - Graph-Theoretic)

लेखक आर्थिक संबंधों के विभिन्न आयामों को पकड़ने के लिए विशिष्ट ग्राफ-थ्योरेटिक फीचर्स निकालते हैं:

सेंट्रैलिटी माप (Centrality Measures):
- डिग्री/स्ट्रेंथ (Degree/Strength): कनेक्शन का विस्तार और भारित कनेक्शन वॉल्यूम।
- बिटवीननेस सेंट्रैलिटी (Betweenness Centrality): अन्य उद्योगों के बीच लघुतम पथों (shortest paths) पर एक मध्यस्थ के रूप में उद्योग की भूमिका को मापता है। उच्च मान प्रवाह प्रसार (flow propagation) के लिए महत्वपूर्ण नोड्स का संकेत देते हैं।
- आइजनवेक्टर सेंट्रैलिटी (Eigenvector Centrality): अन्य महत्वपूर्ण नोड्स के साथ कनेक्शन के आधार पर महत्व।
क्लस्टरिंग और एकीकरण (Clustering and Integration):
- लोकल क्लस्टरिंग कोएफिशिएंट (Local Clustering Coefficient): यह मापता है कि एक उद्योग के व्यापारिक भागीदार भी आपस में व्यापार करते हैं या नहीं, जो आपूर्ति श्रृंखला एकीकरण का संकेत देता है।
नेटवर्क टोपोलॉजी (Network Topology):
- डेंसिटी ( $\rho$ ): संभावित कनेक्शनों के सापेक्ष मौजूदा कनेक्शनों का अनुपात।
- एवरेज पाथ लेंथ ( $L$ ): उद्योगों के बीच औसत अलगाव।
मल्टी-हॉप संबंध (Multi-hop Relationships):
- अप्रत्यक्ष आर्थिक संबंधों को पकड़ने के लिए 2-हॉप कनेक्शन ( $A^2$ ) का विश्लेषण।

पूर्वानुमान ढांचा (Prediction Framework)

लक्ष्य चर (Target Variable): द्विपक्षीय भुगतान प्रवाह की तिमाही-दर-तिमाही वृद्धि दर ( $g_{ij}^{(t)}$ ), जिसे निरंतर स्तरों के पूर्वानुमान से जुड़ी कृत्रिम सटीकता को रोकने के लिए चुना गया है।
तुलना किए गए मॉडल:
1. पारंपरिक मॉडल (Traditional Model): लैग्ड ग्रोथ रेट्स, मौसमी संकेतक और उद्योग फिक्स्ड इफेक्ट्स।
2. नेटवर्क मॉडल (Network Model): केवल ग्राफ-थ्योरेटिक फीचर्स।
3. संयुक्त मॉडल (Combined Model): पारंपरिक टेम्पोरल फीचर्स और नेटवर्क फीचर्स का एकीकरण।
वैधीकरण (Validation): एक्सपैंडिंग विंडो क्रॉस-वैलिडेशन के साथ एन्सेम्बल मशीन लर्निंग विधियाँ (रैंडम फॉरेस्ट, ग्रेडिएंट बूस्टिंग)।
सांख्यिकीय परीक्षण: पूर्वानुमान सुधार का आकलन करने के लिए डाइबोल्ड-मैरियोनो (Diebold-Mariano - DM) परीक्षणों का उपयोग।

3. मुख्य परिणाम (Key Results)

A. पूर्वानुमान प्रदर्शन (Forecasting Performance)

नेटवर्क फीचर्स का एकीकरण पारंपरिक टाइम-सीरीज विधियों की तुलना में काफी बेहतर प्रदर्शन करता है:

संयुक्त मॉडल $R^2$ : 0.412, जो पारंपरिक बेसलाइन ( $R^2 = 0.324$ ) की तुलना में 8.8 प्रतिशत अंक (pp) का सुधार है।
त्रुटि में कमी: यह सुधार पूर्वानुमान त्रुटि (RMSE) में 27.4% की कमी में बदल जाता है, जो तिमाही माप परिशुद्धता में लगभग £0.46 बिलियन के सुधार के बराबर है।
महत्व: सुधार सांख्यिकीय रूप से महत्वपूर्ण है (DM टेस्ट $p = 0.0008$ )।

B. आर्थिक व्यवधान के दौरान प्रदर्शन (The "Crisis" Finding)

सबसे महत्वपूर्ण निष्कर्ष कोविड-19 महामारी के दौरान प्रदर्शन का विचलन है:

पारंपरिक मॉडल का पतन: महामारी (2020-2021) के दौरान, पारंपरिक मॉडल का $R^2$ महामारी-पूर्व के 0.378 से गिरकर 0.186 हो गया, क्योंकि ऐतिहासिक टेम्पोरल पैटर्न व्यवहार को समझाने में विफल रहे।
नेटवर्क लचीलापन (Network Resilience): नेटवर्क-वर्धित मॉडलों ने मजबूत प्रदर्शन बनाए रखा, जहाँ संकट के दौरान नेटवर्क का योगदान +13.8 pp तक पहुँच गया (स्थिर अवधि के +6.0 pp की तुलना में)।
निहितार्थ: नेटवर्क संरचना उन स्थायी आर्थिक संबंधों को पकड़ती है जो तब भी भविष्यवाणात्मक बने रहते हैं जब टेम्पोरल डायनेमिक्स टूट जाते हैं।

C. संरचनात्मक अंतर्दृष्टि (Structural Insights)

प्रणालीगत महत्व (Systemic Importance): वित्तीय सेवाएँ (उच्चतम बिटवीननेस सेंट्रैलिटी), थोक व्यापार (Wholesale Trade), और प्रोफेशनल सर्विसेज को संरचनात्मक रूप से केंद्रीय पहचाना गया है। उनका नेटवर्क स्थान उनके कच्चे लेनदेन वॉल्यूम से अधिक प्रणालीगत महत्व को दर्शाता है।
नेटवर्क विकास (Network Evolution):
- डेंसिटी: 2017 (0.689) से 2024 (0.775) तक 12.5% की वृद्धि हुई, जो बढ़ती आर्थिक एकीकरण का संकेत देती है।
- लचीलापन: 2020 (0.693) में महामारी के कारण डेंसिटी में अस्थायी गिरावट आई, जिसके बाद 2022 तक महामारी-पूर्व स्तरों से अधिक रिकवरी देखी गई।
- दक्षता (Efficiency): औसत पाथ लेंथ 1.31 से घटकर 1.22 हो गई, जो अधिक प्रत्यक्ष अंतर-उद्योग संबंधों का सुझाव देती है।

4. महत्व और योगदान (Significance and Contributions)

पद्धतिगत नवाचार (Methodological Innovation): यह शोध पत्र प्रदर्शित करता है कि भुगतान डेटा को नेटवर्क ग्राफ में बदलना और टोपोलॉजिकल फीचर्स निकालना, स्वतंत्र टाइम-सीरीज के रूप में प्रवाह को मानने की तुलना में बेहतर भविष्यवाणात्मक शक्ति प्रदान करता है।
नीतिगत प्रासंगिकता (Real-Time Monitoring): निष्कर्ष बताते हैं कि भुगतान नेटवर्क की निगरानी संरचनात्मक आर्थिक परिवर्तन के लिए एक अग्रणी संकेतक (leading indicator) के रूप में कार्य कर सकती है। महत्वपूर्ण रूप से, यह संकट के दौरान विश्वसनीय आर्थिक खुफिया जानकारी प्रदान करती है जब पारंपरिक संकेतक विफल या विलंबित होते हैं।
आधिकारिक सांख्यिकी में सुधार: यह शोध 'नाउकास्टिंग' (nowcasting) सटीकता में सुधार करने और प्रणालीगत तनाव प्रसार के लिए प्रारंभिक चेतावनी प्रदान करने के लिए आधिकारिक सांख्यिकी उत्पादन (जैसे ONS) में नेटवर्क विश्लेषण के एकीकरण का समर्थन करता है।
"Beyond GDP" एजेंडा: यह आर्थिक गतिविधियों के द्विपक्षीय प्रवाह से आगे बढ़कर, परस्पर जुड़ाव को स्पष्ट रूप से मॉडल करके आधुनिक अर्थव्यवस्थाओं के मापन को उन्नत करता है।

निष्कर्ष (Conclusion)

अध्ययन यह निष्कर्ष निकालता है कि यूके के अंतर-उद्योग भुगतान प्रवाह की नेटवर्क संरचना केवल लेनदेन वॉल्यूम का उपोत्पाद नहीं है, बल्कि भविष्यवाणात्मक जानकारी का एक समृद्ध स्रोत है। ग्राफ-थ्योरेटिक फीचर्स का लाभ उठाकर, नीति निर्माता और सांख्यिकीविद अधिक सटीक, वास्तविक समय की आर्थिक निगरानी प्राप्त कर सकते हैं, विशेष रूप से उन अवधियों के दौरान उच्च अस्थिरता के समय जब पारंपरिक टेम्पोरल पैटर्न अविश्वसनीय होते हैं।