तकनीकी सारांश: इनवर्स ऑप्टिमल ट्रांसपोर्ट के माध्यम से ओरिजिन-डेस्टिनेशन प्रवाह से शहरी पहुंच लागत सीखना

समस्या विवरण

शहरी योजनाकार अक्सर मिश्रित सार्वजनिक-निजी सेवा नेटवर्क (जैसे शिक्षा, स्वास्थ्य सेवा, पारगमन) का प्रबंधन करते हैं जहाँ परिवार दूरी, मूल्य और संस्थागत गुणवत्ता को संतुलित करने वाले एक गुप्त लागत फलन (latent cost function) के आधार पर निर्णय लेते हैं। जबकि योजनाकार परिणामी ओरिजिन-डेस्टिनेशन (OD) प्रवाह को देख सकते हैं, उनके पास उन व्यवहारिक लागत सतहों (behavioral cost surfaces) को सीधे देखने की दृष्टि का अभाव होता है जो इन निर्णयों को संचालित करती हैं।

यह शोध फिलीपींस में स्कूल चयन के संदर्भ का उपयोग करते हुए इस अंतर को संबोधित करता है। विशेष रूप से, यह देश के सबसे बड़े राष्ट्रीय शिक्षा सब्सिडी का परीक्षण करता है, जो सार्वजनिक स्कूलों में भीड़भाड़ को कम करने के लिए निजी जूनियर हाई स्कूलों में नामांकन को वित्तपोषित करती है। मुख्य नियोजन चुनौती ऐसी सब्सिडी की "स्थानिक पहुंच" (spatial reach) निर्धारित करना है: एक सब्सिडी कितने किलोमीटर के कथित यात्रा लागत को कम कर सकती है, और क्या यह मान विभिन्न स्थानिक क्षेत्रों (spatial regimes) में भिन्न होता है? पारंपरिक अग्रिम मॉडल (जैसे ग्रेविटी या डिस्क्रीट-चॉइस मॉडल) भविष्यवाणी के लिए प्रभावी हैं लेकिन उन नियोजन प्रश्नों का उत्तर देने के लिए आवश्यक अंतर्निहित लागत फलन को सीधे पुनः प्राप्त करने में विफल रहते हैं।

कार्यप्रणाली

लेखक इस समस्या को इन्वर्स ऑप्टिमल ट्रांसपोर्ट (OT) के रूप में देखते हैं। एक प्रेक्षित प्रवाह मैट्रिक्स $T_{obs}$ (मार्जिनल्स $p$ और $q$ के साथ एक ट्रांसपोर्ट प्लान के रूप में सामान्यीकृत) दिए जाने पर, लक्ष्य उस लागत मैट्रिक्स $C$ को पुनः प्राप्त करना है जो प्रेक्षित प्रवाह को एंट्रोपिक OT मॉडल के तहत सबसे अधिक संभावित बनाता है।

अग्रिम मॉडल (The Forward Model)

अग्रिम प्रक्रिया प्रवाह $\hat{T}$ को एक एंट्रोपिक ऑप्टिमल ट्रांसपोर्ट समस्या के समाधान के रूप में मॉडल करती है:
$$\hat{T} = \text{Sinkhorn}(p, q, C, \varepsilon)$$
जहाँ $\varepsilon = 0.1$ रेगुलराइजेशन पैरामीटर है।

व्युत्क्रम समस्या (The Inverse Problem)

उद्देश्य लागत फलन के मापदंडों का अनुमान लगाना है जो प्रेक्षित और अनुमानित प्रवाह के बीच विसंगति को न्यूनतम करता है:
$$\Phi = \frac{\|T_{obs} - \hat{T}\|_F^2}{2\sigma^2}$$

इसे हल करने के लिए, शोध पत्र दो पूरक लागत मॉडल प्रस्तावित करता है:

1. व्याख्यात्मक डिस्टेंस-बैंडेड मॉडल (Interpretable Distance-Banded Model):
   यह पैरामीट्रिक मॉडल ओरिजिन $i$ और डेस्टिनेशन $j$ के बीच लागत $c_{ij}$ को इस प्रकार परिभाषित करता है:
   $$c_{ij} = \theta(k(d_{ij})) \cdot d_{ij} + \theta_e e_j$$

   • $d_{ij}$: सड़क-नेटवर्क दूरी।
   • $e_j$: डेस्टिनेशन सब्सिडी राशि (हजारों पेसो में)।
   • $k(d_{ij})$: डिस्टेंस बैंड्स (0–5 किमी, 5–15 किमी, 15–50 किमी) के लिए एक इंडेक्स।
   • मुख्य मीट्रिक: मॉडल सब्सिडी-तुल्य दूरी (subsidy-equivalent distance) $\lambda(k) = -\frac{\theta_e}{\theta_d(k)}$ को व्युत्पन्न करता है, जो एक विशिष्ट बैंड में 1,000-पेसो सब्सिडी वृद्धि द्वारा कम की गई कथित यात्रा लागत के किलोमीटरों का प्रतिनिधित्व करता है।

2. न्यूरल कॉस्ट मॉडल (Neural Cost Model):
   एक नॉन-पैरामीट्रिक दृष्टिकोण जहाँ लागत एक न्यूरल नेटवर्क फलन $c_{ij} = f_w(d_{ij}, e_j)$ है। यह मॉडल एक डिफरेंशिएबल सिंकहॉर्न ऑपरेटर के माध्यम से बैकप्रोपैगेट करके प्रशिक्षित किया जाता है, जिससे नेटवर्क को पूर्व-निर्धारित बैंड्स के बिना दूरी और सब्सिडी के बीच जटिल, गैर-रेखीय अंतःक्रियाओं को सीखने की अनुमति मिलती है।

डेटा

अध्ययन फिलीपींस के शिक्षा विभाग के 2022-2024 स्कूली वर्षों के दौरान सबसे घनी आबादी वाले क्षेत्र के प्रशासनिक डेटा का उपयोग करता है।

• पैमाना: 4,200 ओरिजिन स्कूल, 1,861 डेस्टिनेशन स्कूल।
• प्रवाह: 23,820 प्रेक्षित सकारात्मक OD जोड़े जो 283,016 शिक्षार्थी यात्राओं का प्रतिनिधित्व करते हैं।
• बाधाएं: केवल 50 किमी के भीतर व्यवहार्य जोड़े (1,852,177 जोड़े) पर विचार किया गया। सभी डेटा एकत्रित (aggregated) है; कोई भी व्यक्तिगत शिक्षार्थी पहचान योग्य नहीं है।

मुख्य परिणाम

1. प्रदर्शन तुलना

• पीसवाइज मॉडल: GPU-त्वरित मैक्सिमम ए पोस्टीरियर (MAP) अनुकूलन का उपयोग करते हुए, पीसवाइज मॉडल ने हानि $\Phi$ को प्रारंभिक 5.00 से घटाकर 3.29 कर दिया।
• न्यूरल मॉडल: न्यूरल इनवर्स OT मॉडल ने 2.84 की कम हानि प्राप्त की, जो पीसवाइज मॉडल की तुलना में फिट में 13.7% सुधार को दर्शाता है।

2. सब्सिडी-तुल्य दूरी ($\lambda$)

पीसवाइज मॉडल ने प्रति 1,000 पेसो कथित लागत को कम करने वाले किलोमीटरों के लिए निम्नलिखित अनुमान दिए:

• 0–5 किमी बैंड: $\lambda(1) = 5.35$ किमी
• 5–15 किमी बैंड: $\lambda(2) = 6.07$ किमी
• 15–50 किमी बैंड: $\lambda(3) = 1.00$ किमी

व्याख्या: 5–15 किमी बैंड में, 1,000-पेसो सब्सिडी वृद्धि एक स्कूल को कथित यात्रा लागत के मामले में लगभग 6.07 किमी करीब बना देती है। यह एक चॉइस-कॉस्ट फंक्शन में बदलाव है, न कि भौतिक यात्रा दूरी में कमी।

3. दूरी-सब्सिडी अंतःक्रिया (Distance-Subsidy Interactions)

न्यूरल मॉडल के दूरी डेरिवेटिव ($dc/dd$) के विश्लेषण ने सूक्ष्मताएं प्रकट कीं जिन्हें पीसवाइज दृष्टिकोण ने मिस कर दिया था:

• शून्य सब्सिडी पर, संवेदनशीलता सुचारू और कम (0.083–0.196) है।
• मध्यम (9,000 पेसो) और अधिकतम (13,000 पेसो) सब्सिडी पर, संवेदनशीलता कम दूरियों पर काफी बढ़ जाती है लेकिन मध्यम और लंबी श्रेणियों में स्थिर हो जाती है।
• न्यूरल मॉडल सुझाव देता है कि पीसवाइज मॉडल में 15–50 किमी बैंड द्वारा निहित घर्षण (friction) में तीव्र वृद्धि, बैंड एग्रीगेशन का एक आर्टिफैक्ट (artifact) हो सकता है, न कि एक वास्तविक व्यवहारिक थ्रेशोल्ड।

महत्व और दावे

यह शोध पत्र शहरी नियोजन और कम्प्यूटेशनल सोशल साइंस में तीन प्राथमिक योगदानों का दावा करता है:

1. कार्यप्रणाली संबंधी नवाचार: यह एक ड्यूल-मॉडल फ्रेमवर्क पेश करता है, जो एक व्याख्यात्मक पीसवाइज एस्टीमेटर को डिफरेंशिएबल सिंकहॉर्न के माध्यम से प्रशिक्षित लचीले न्यूरल एस्टीमेटर के साथ जोड़ता है।
2. नीति-प्रासंगिक मीट्रिक्स: यह सब्सिडी-तुल्य दूरी $\lambda(k)$ को व्युत्पन्न करता है, जो एक ऐसा मीट्रिक है जो अमूर्त सब्सिडी राशियों को मूर्त स्थानिक पहुंच लाभों में अनुवादित करता है। यह योजनाकारों को सब्सिडी को कैलिब्रेट करने और सुविधाओं को साइट करने की अनुमति देता है कि एक सब्सिडी वास्तव में कितनी "कथित दूरी" खरीद सकती है।
3. सामान्यीकरण क्षमता: हालांकि इसे फिलीपींस स्कूल चॉइस पर प्रदर्शित किया गया है, लेखक दावा करते हैं कि यह फ्रेमवर्क किसी भी शहरी प्रणाली पर लागू होता है जिसमें मिश्रित नेटवर्क और OD प्रवाह शामिल हैं, जैसे कि स्वास्थ्य सुविधा चयन, पारगमन राइडरशिप, सब्सिडी वाला आवास और निकासी व्यवहार।

केंद्रीय नियोजन निहितार्थ यह है कि सब्सिडी का एक स्थानिक पदचिह्न (spatial footprint) होता है। उनकी प्रभावशीलता समान नहीं है; यह सब्सिडीकृत सुविधा स्थानों और मांग के बीच संरेखण, साथ ही विशिष्ट नेटवर्क क्षेत्रों में परिवारों की दूरी संवेदनशीलता पर निर्भर करती है। यह ढांचा प्रशासनिक प्रवाह डेटा को एक्सेसिबिलिटी-अवेयर सर्विस एलोकेशन के लिए कार्रवाई योग्य मीट्रिक्स में बदलने के लिए एक उपकरण प्रदान करता है।