💻 computer science

Decomposing Firm-Level Crisis Responses from Incomplete Market Signals: Evidence from China's IT Sector During COVID-19

यह शोध पत्र चीन के आईटी क्षेत्र में विषम फर्म-स्तरीय संकट प्रतिक्रियाओं को विघटित करने के लिए कारण अनुमान (causal inference), अनसुपरवाइज्ड लर्निंग और प्रेडिक्टिव मॉडलिंग को संयोजित करने वाले एक पुनरुत्पादनीय बहु-विधि ढांचे को प्रस्तुत करता है, जो यह प्रकट करता है कि जबकि कोविड-19 के झटके के कारण बाजार-व्यापी रिटर्न में गिरावट आई, इसने विशिष्ट रूप से आईटी-विशिष्ट अस्थिरता को बढ़ाया और विशिष्ट रिकवरी प्रक्षेपवक्र उत्पन्न किए जिन्हें संकट-पूर्व वित्तीय मौलिक कारकों द्वारा खराब तरीके से अनुमानित किया गया था।

मूल लेखक: Xiao Han, Yao Xiao

प्रकाशित 2026-06-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiao Han, Yao Xiao

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

शेयर बाजार की कल्पना एक विशाल, शोर भरे ऑर्केस्ट्रा के रूप में करें। आमतौर पर, जब कोई अचानक, डरावनी घटना होती है (जैसे कि महामारी), तो पूरा ऑर्केस्ट्रा एक साथ लय में बजना बंद कर देता है, और हर कोई घबरा जाता है। इन घटनाओं के पारंपरिक अध्ययन आमतौर पर शोर के औसत (average) वॉल्यूम को मापते हैं। वे कहते हैं, "संगीत 10% धीमा हो गया।"

लेकिन यह शोध पत्र तर्क देता है कि औसत को देखना एक धुंधली फोटो देखने जैसा है। यह इस तथ्य को छिपा देता है कि कुछ संगीतकार एक उन्मत्त, तेज़ गति वाला सोलो बजा रहे हैं (उच्च अस्थिरता/volatility), कुछ एक धीमी, उदास धुन बजा रहे हैं (रिकवरी), और अन्य बस स्थिर बैठे हैं।

शोधकर्ताओं ने क्या किया, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. प्रयोग: एक "पहले और बाद का" स्नैपशॉट

शोधकर्ताओं ने चीनी आईटी क्षेत्र (सॉफ्टवेयर, ऐप्स और इंटरनेट सेवाएं बनाने वाली कंपनियां) को जनवरी 2020 में कोविड-19 की खबर आने के ठीक समय पर देखा।

कंट्रोल ग्रुप (Control Group): उन्होंने इन आईटी कंपनियों की तुलना गैर-आईटी कंपनियों (जैसे बैंक या कारखाने) के एक समूह से की, ताकि यह देखा जा सके कि क्या तकनीकी क्षेत्र के लिए विशिष्ट था और क्या वह केवल सामान्य बाजार का डर था।
विधि: उन्होंने "डिफरेंस-इन-डिफरेंस" (Difference-in-Differences) नामक एक सांख्यिकीय उपकरण का उपयोग किया। इसे एक डबल-चेक सिस्टम के रूप में समझें। यह जांचता है कि क्या आईटी कंपनियों ने झटके के बाद गैर-आईटी कंपनियों की तुलना में अलग तरह से व्यवहार किया, जबकि झटके से पहले उनके व्यवहार को भी ध्यान में रखा गया।

2. बड़ी खोज: यह कीमत नहीं थी, यह घबराहट थी

लोग उम्मीद कर रहे थे कि आईटी क्षेत्र या तो बुरी तरह गिरेगा या घर से काम करने के कारण तेजी से बढ़ेगा।

परिणाम: शोधकर्ताओं ने पाया कि कीमत में गिरावट वास्तव में आईटी कंपनियों के लिए वैसी ही थी जैसी अन्य सभी के लिए थी। पूरा बाजार डर गया था, इसलिए कीमतें हर जगह नीचे गईं।
असली कहानी: आईटी क्षेत्र के बारे में अनूठी बात अस्थिरता (volatility) थी। कल्पना कीजिए कि एक कार हाईवे पर चल रही है। सभी की कारें धीमी हो गईं (कीमत में गिरावट), लेकिन आईटी कारें इधर-उधर पागलों की तरह लहरा रही थीं, रेलिंग से टकरा रही थीं, और फिर वापस मुड़ रही थीं। चालक (निवेशक) बेहद अनिश्चित थे। कुछ को लगा कि आईटी क्षेत्र चमकेगा; अन्य को लगा कि सप्लाई चेन टूट जाएगी। इस "असहमति" ने शेयर की कीमतों को हिंसक रूप से हिला दिया, भले ही औसत कीमत अन्य क्षेत्रों की तुलना में अलग तरह से नहीं बदली।

3. "सर्वाइवर्स" के तीन प्रकार

शोधकर्ताओं ने केवल औसत नहीं देखा; उन्होंने कंप्यूटर प्रोग्राम (क्लस्टरिंग) का उपयोग करके 200+ कंपनियों को उनके स्टॉक की कीमतों के उतार-चढ़ाव के आधार पर तीन अलग-अलग "व्यक्तित्व प्रकारों" में वर्गीकृत किया:

"तेजी से उबरने वाले" (36 कंपनियां): ये उन धावकों की तरह थे जो लड़खड़ाए लेकिन तुरंत उठकर पहले से भी तेज दौड़े। वास्तव में इनका मूल्य लगभग 30% बढ़ गया। ये मुख्य रूप से वे कंपनियां थीं जिन्हें डिजिटल टूल्स की आवश्यकता होने से लाभ हुआ।
"स्थिर सर्वाइवर्स" (67 कंपनियां): ये एक कछुए की तरह थे। वे थोड़ा नीचे गिरे लेकिन अपेक्षाकृत स्थिर रहे। उन्हें बहुत अधिक लाभ नहीं हुआ, लेकिन वे पूरी तरह से ध्वस्त भी नहीं हुए।
"कीचड़ में फंसे हुए" (113 कंपनियां): ये तूफान में फंसी एक नाव की तरह थे जो रास्ता नहीं ढूंढ पा रही थी। उन्हें 7% का नुकसान हुआ और वे लंबे समय तक नीचे ही रहे।

सबक: यदि आपने केवल "औसत" आईटी कंपनी को देखा होता, तो आप इसे पूरी तरह से मिस कर देते। आप सोचते कि यह क्षेत्र "ठीक" है, यह जाने बिना कि आधी कंपनियां फल-फूल रही थीं जबकि दूसरी आधी संघर्ष कर रही थीं।

4. "क्रिस्टल बॉल" की विफलता

अंतिम भाग में शोध ने एक सरल प्रश्न पूछा: "क्या हम संकट से पहले उनके वित्तीय विवरणों को देखकर यह अनुमान लगा सकते थे कि कौन 'तेजी से उबरने वाला' होगा?"

उत्तर: नहीं।
उपमा: यह अनुमान लगाने जैसा है कि दौड़ से एक दिन पहले उनके आहार और प्रशिक्षण लॉग को देखकर कौन से घोड़े जीतेंगे। शोधकर्ताओं ने 13 विभिन्न वित्तीय आंकड़ों (जैसे ऋण, आकार और पिछले लाभ) की जांच की। इनमें से कोई भी काम नहीं आया।
क्यों? शोधकर्ता सुझाव देते हैं कि यह वास्तव में एक स्वस्थ, कुशल बाजार का संकेत है। यदि सार्वजनिक डेटा में कोई स्पष्ट सुराग होता कि "यह कंपनी जीवित रहेगी," तो स्मार्ट निवेशक संकट से पहले ही इसे खरीद लेते, और कीमत पहले ही समायोजित हो जाती। चूंकि सुराग वहां नहीं थे, इसका मतलब है कि भविष्य वास्तव में पुराने डेटा के आधार पर अप्रत्याशित था।

सारांश

यह शोध पत्र स्पष्ट रूप से देखने के लिए एक टूलकिट है। यह हमें तीन चीजें सिखाता है:

औसत पर भरोसा न करें: औसत इस तथ्य को छिपा देता है कि कुछ कंपनियां जीत रही हैं जबकि अन्य हार रही हैं।
केवल गिरावट को नहीं, बल्कि हलचल को देखें: अनिश्चित समय में, अस्थिरता (volatility) निवेशक की उलझन के बारे में कीमत गिरने से अधिक बताती है।
आप पुराने डेटा से भविष्य की भविष्यवाणी नहीं कर सकते: जब वास्तविक संकट आता है, तो पिछले वित्तीय आंकड़े यह नहीं बताते कि कौन जीवित बचेगा। बाजार बहुत जटिल है।

लेखकों ने एक "नुस्खा" (कारण संबंधी गणित, पैटर्न खोजने वाले कंप्यूटर और भविष्यवाणी मॉडल का संयोजन) बनाया है जिसका उपयोग अन्य उद्योगों या अन्य संकटों के अध्ययन के लिए किया जा सकता है, जिससे हमें शोर भरे डेटा के पीछे की छिपी कहानियों को देखने में मदद मिलती है।

तकनीकी सारांश: अपूर्ण बाजार संकेतों से फर्म-स्तरीय संकट प्रतिक्रियाओं का विखंडन

समस्या विवरण
पारंपरिक इवेंट अध्ययन (event studies), जो बहिर्जात झटकों (exogenous shocks) का विश्लेषण करते हैं, आमतौर पर क्षेत्र-स्तरीय औसत (sector-level averages) रिपोर्ट करते हैं, जो फर्म-स्तरीय व्यवहारिक प्रतिक्रियाओं में महत्वपूर्ण विषमता (heterogeneity) को छिपा देते हैं। कुछ फर्में तेजी से उबर सकती हैं जबकि अन्य लंबे समय तक प्रतिकूल परिस्थितियों का सामना करती हैं; कुछ स्थिर हो जाती हैं जबकि अन्य अधिक अस्थिर हो जाती हैं। मुख्य चुनौती इन विशिष्ट प्रभावों को शोर भरे बाजार संकेतों से अलग करने की है। इसके लिए तीन परस्पर संबंधित समस्याओं को हल करना आवश्यक है: (1) एक कारण अनुमान (causal inference) समस्या जो क्षेत्र-विशिष्ट प्रभावों को बाजार-व्यापी झटकों से अलग करती है; (2) एक अनसुपरवाइज्ड लर्निंग (unsupervised learning) समस्या जो पूर्व-निर्धारित लेबल के बिना फर्म-स्तरीय प्रतिक्रियाओं में अंतर्निहित संरचनाओं (latent structures) की पहचान करती है; और (3) एक भविष्यवाणी (prediction) समस्या यह निर्धारित करने के लिए कि क्या संकट-पूर्व अवलोकन (observables) पोस्ट-शॉक लचीलेपन (resilience) का पूर्वानुमान लगा सकते हैं, भले ही उत्तर नकारात्मक ही क्यों न हो।

कार्यप्रणाली (Methodology)
लेखक एक बहु-विधि ढांचे (multi-method framework) का प्रस्ताव करते हैं जिसे कोविड-19 के झटके (जनवरी 2020) के दौरान 246 चीनी A-शेयर आईटी फर्मों (216 पूर्ण डेटा के साथ) पर लागू किया गया है, जिसमें नियंत्रण के रूप में 252 गैर-आईटी CSI 300 फर्मों का उपयोग किया गया है। यह दृष्टिकोण तीन अलग-अलग विश्लेषणात्मक तकनीकों को एकीकृत करता है:

कारण पहचान (डिफरेंस-इन-डिफरेंस - DID): अध्ययन आईटी-विशिष्ट प्रभावों को अलग करने के लिए क्लस्टर-रोबस्ट स्टैंडर्ड एरर्स के साथ एक टू-वे फिक्स्ड-इफेक्ट्स पैनल मॉडल का उपयोग करता है। स्पेसिफिकेशन है:
$Y_{it} = \beta_3 \cdot (IT_i \times Post_t) + \mu_i + \lambda_t + \varepsilon_{it}$
जहाँ $Y_{it}$ दैनिक स्टॉक रिटर्न या अस्थिरता (volatility) को दर्शाता है, $\mu_i$ फर्म फिक्स्ड इफेक्ट्स हैं, और $\lambda_t$ टाइम फिक्स्ड इफेक्ट्स हैं। बड़े-कैप नियंत्रणों और छोटे/मध्यम कैप आईटी फर्मों के बीच आकार के भ्रम (size confounds) को दूर करने के लिए, एक महालनोबिस-मैच्ड सब-सैंपल (218 जोड़े) का उपयोग किया गया है। विश्लेषण स्टॉक टर्नओवर को नियंत्रित करता है लेकिन इसे DID स्पेसिफिकेशन से बाहर रखता है ताकि एंडोजेनिटी (endogeneity) से बचा जा सके, क्योंकि झटका स्वयं ट्रेडिंग व्यवहार को बदल सकता है।
अनसुपरवाइज्ड व्यवहारिक खोज (Unsupervised Behavioral Discovery):
- ट्रैजेक्टरी क्लस्टरिंग (Trajectory Clustering): सात मानकीकृत ट्रैजेक्टरी फीचर्स (जिसमें 10, 30 और 60 दिनों पर संचयी रिटर्न, रिकवरी के दिन, अस्थिरता में परिवर्तन, अधिकतम ड्रॉडाउन और रिबाउंड शामिल हैं) पर K-मीन्स क्लस्टरिंग लागू की गई है। जबकि सिलुएट विश्लेषण ने $k=2$ का समर्थन किया, लेखकों ने उन फर्मों के बीच अंतर बनाए रखने के लिए $k=3$ चुना जो डिजिटल मांग से सक्रिय रूप से लाभान्वित हुईं और वे जो केवल अप्रभावित रहीं।
- रेजीम डिटेक्शन (Regime Detection): गौसियन हिडन मार्कोव मॉडल्स (HMMs) का उपयोग अंतर्निहित बाजार अवस्थाओं (संकट, सामान्य, रिकवरी) को मॉडल करने और फर्मों द्वारा "संकट" अवस्था में बिताए गए समय का विश्लेषण करके क्लस्टरिंग समूहों को मान्य करने के लिए किया जाता है।
क्रॉस-सेक्शनल रेजिलिएंस प्रेडिक्शन: 13 पूर्व-संकट चरों (मार्केट मेट्रिक्स, साइज, और Q4 2019 फंडामेंटल्स) के आधार पर "रेजिलिएंस" (60 ट्रेडिंग दिनों में औसत से ऊपर के संचयी रिटर्न के रूप में परिभाषित) की भविष्यवाणी करने के लिए 5-फोल्ड क्रॉस-वैलिडेशन और बूटस्ट्रैप इन्फरेंस के साथ एक लॉजिस्टिक रिग्रेशन मॉडल का उपयोग किया गया है।

प्रमुख परिणाम

कारण प्रभाव (अस्थिरता बनाम रिटर्न): डिफरेंस-इन-डिफरेंस (DID) विश्लेषण से पता चलता है कि कोविड-19 के झटके ने रिटर्न में बाजार-व्यापी गिरावट पैदा की (रिटर्न के लिए DID $\beta$ महत्वहीन है, $p=0.59$ ), जो यह दर्शाता है कि गिरावट आईटी-विशिष्ट नहीं थी। हालांकि, आईटी फर्मों ने गैर-आईटी फर्मों की तुलना में काफी बढ़ी हुई अस्थिरता प्रदर्शित की (DID $\beta = 0.043$ , क्लस्टर-रोबस्ट $p < 0.001$ )। यह अस्थिरता प्रभाव कई वैकल्पिक इवेंट विंडोज़ और स्पेसिफिकेशन के माध्यम से बेन्जामिनी-होचबर्ग फाल्स डिस्कवरी रेट करेक्शन के बाद भी बना रहा।
विषम ट्रैजेक्टरीज (Heterogeneous Trajectories): अनसुपरवाइज्ड क्लस्टरिंग ने विश्लेषण की गई 216 फर्मों के बीच तीन अलग-अलग प्रतिक्रिया समूहों की पहचान की:
- तेजी से रिकवरी (36 फर्में): इन्होंने +29.7% का संचयी रिटर्न अनुभव किया।
- लचीली/मध्यम (67 फर्में): इन्होंने -1.0% की मामूली गिरावट का अनुभव किया।
- निरंतर गिरावट (113 फर्में): इन्होंने -6.9% की संचयी गिरावट का अनुभव किया।
- सब-सेक्टर विश्लेषण ने दिखाया कि सॉफ्टवेयर/इंटरनेट फर्में तीनों समूहों में वितरित थीं, जबकि टेलीकम्युनिकेशंस फर्में मुख्य रूप से 'लचीली/मध्यम' समूह में क्लस्टर हुईं।
भविष्यवाणी की सीमाएं: लॉजिस्टिक रिग्रेशन मॉडल पूर्व-संकट फंडामेंटल्स का उपयोग करके रेजिलिएंस को प्रभावी ढंग से भविष्यवाणी करने में विफल रहा, जिससे 0.64 का एरिया अंडर द कर्व (AUC) प्राप्त हुआ (95% CI: 0.57–0.71)। व्यक्तिगत गुणांकों के सभी बूटस्ट्रैप कॉन्फिडेंस इंटरवल शून्य को शामिल करते हैं। यह सुझाव देता है कि संकट से पहले के सार्वजनिक फंडामेंटल्स रेजिलिएंस के लिए विश्वसनीय प्रारंभिक चेतावनी संकेत के रूप में कार्य नहीं कर सकते थे।

महत्व और दावे
यह शोध संकट विखंडन (crisis decomposition) के साहित्य में तीन प्राथमिक योगदानों का दावा करता है:

ट्रांसमिशन मैकेनिज्म: यह प्रदर्शित करता है कि आईटी क्षेत्र पर महामारी का प्रभाव रिटर्न के बजाय अस्थिरता (volatility) के माध्यम से प्रसारित हुआ। इस अस्थिरता प्रीमियम को मांग अनिश्चितता के तहत निवेशक असहमति की प्राइसिंग के रूप में व्याख्यायित किया गया है, जहाँ कुछ फर्में आपूर्ति श्रृंखला व्यवधानों का सामना कर रही थीं जबकि अन्य वर्क-फ्रॉम-होम के अनुकूल प्रभावों से लाभान्वित हुईं।
औसत का छलावा (Masking of Averages): अध्ययन इस बात का अनुभवजन्य प्रमाण प्रदान करता है कि क्षेत्र-स्तरीय औसत अत्यधिक विषमता को छिपा देते हैं। एक "सौम्य" क्षेत्र औसत इस तथ्य को छिपा देता है कि जहाँ कुछ फर्मों ने लगभग 30% का लाभ कमाया, वहीं अन्य ने लगभग 7% का नुकसान उठाया।
कुशल बाजार निहितार्थ (Efficient Market Implications): पूर्व-संकट फंडामेंटल्स की भविष्यवाणी करने की क्षमता की कमी कुशल बाजार परिकल्पना (Efficient Markets Hypothesis) के अनुरूप है। यदि ऐसे संकेत मौजूद थे, तो उन्हें संकट से पहले कीमतों में शामिल कर लिया गया होता। रेजिलिएंस की भविष्यवाणी करने में असमर्थता यह सुझाव देती है कि संकट के परिणाम उन कारकों द्वारा संचालित होते हैं जो मानक पूर्व-संकट सार्वजनिक डेटा (जैसे प्रबंधन अनुकूलन क्षमता या अदृश्य पोस्ट-क्राइसिस स्थितियाँ) द्वारा कैप्चर नहीं किए जाते हैं।

सीमाएं और दायरा
लेखक स्पष्ट रूप से नोट करते हैं कि यह एक एकल-बाजार, एकल-क्षेत्र का अध्ययन है जो एक संकट का विश्लेषण करता है। अस्थिरता प्रभाव की पता लगाने की क्षमता अवलोकन विंडो (observation window) पर निर्भर करती है, क्योंकि मध्यवर्ती विंडो (60 और 90 दिन) करेक्शन के बाद महत्व खो देती हैं। मॉडल का प्रेडिक्टिव प्रदर्शन मध्यम (AUC 0.64) था, जिसका आंशिक कारण R&D तीव्रता और स्वामित्व संरचना जैसे चरों का अपवर्जन है, जो डेटाबेस एक्सेस प्रतिबंधों के कारण उपलब्ध नहीं थे। लेखक अपने काम को आईटी क्षेत्र के लिए एक निश्चित पैटर्न के रूप में नहीं, बल्कि शोर भरे संकेतों से फर्म-स्तरीय प्रतिक्रियाओं को विघटित करने के लिए एक पुनरुत्पादक ढांचे (reproducible framework) के रूप में प्रस्तुत करते हैं, जिसे अन्य संकटों और बाजारों पर लागू किया जा सकता है।

1. प्रयोग: एक "पहले और बाद का" स्नैपशॉट

2. बड़ी खोज: यह कीमत नहीं थी, यह घबराहट थी

3. "सर्वाइवर्स" के तीन प्रकार

4. "क्रिस्टल बॉल" की विफलता

सारांश

इसी तरह के और पेपर