धन का अदृश्य जाल

कल्पना कीजिए कि आप केवल एक कारखाने के फर्श को देखकर यह अनुमान लगाने की कोशिश कर रहे हैं कि कोई शहर कितना खुशहाल और स्वस्थ है। अर्थशास्त्र की दुनिया में, एक लोकप्रिय विचार है जिसे आर्थिक जटिलता (Economic Complexity) कहा जाता है। इसे एक "ज्ञान स्कोर" की तरह समझें। जिस तरह किसी व्यक्ति को तब "जटिल" माना जाता है यदि वह कई कठिन काम करना जानता हो (जैसे कोडिंग, बेकिंग और इंजन ठीक करना), वैसे ही एक शहर "जटिल" होता है यदि उसके श्रमिक कई अलग-अलग, परिष्कृत उत्पाद बनाना जानते हों। एक जगह जितनी अधिक जटिल होगी, वहां के लोग उतने ही समृद्ध और स्वस्थ होने की संभावना रखते हैं।

लेकिन इसमें एक पेंच है: एक शहर शून्य में अस्तित्व में नहीं रहता। यह एक विशाल, अदृश्य जाल का हिस्सा है। यहीं पर कॉम्प्लेक्स नेटवर्क थ्योरी (Complex Network Theory) काम आती है। कल्पना कीजिए कि देश एक विशाल मकड़ी के जाल की तरह है जहाँ हर शहर एक गांठ है और उन्हें जोड़ने वाली सड़कें धागे हैं। कुछ गांठें बिल्कुल केंद्र में होती हैं, जो सब कुछ से जुड़ी होती हैं; अन्य किनारे पर होती हैं, जहाँ पहुँचना कठिन होता है। यह सिद्धांत बताता है कि इस जाल में अच्छी तरह से जुड़ा होना उतना ही महत्वपूर्ण है जितना कि आप वास्तव में क्या बनाते हैं।

तो, बड़ा सवाल यह है: क्या किसी शहर की सफलता मुख्य रूप से इस बारे में है कि वह क्या बनाना जानता है, या इस बारे में है कि वह सड़कों और नदियों के जाल में कहाँ स्थित है? और क्या इससे फर्क पड़ता है कि हम एक अकेले छोटे शहर को देखते हैं या शहरों के एक पूरे क्षेत्र को एक साथ देखते हैं? यह एक पहेली है जिसे कैम्पिनास विश्वविद्यालय के शोधकर्ताओं की एक टीम ने ब्राजील के लिए सुलझाने का प्रयास किया। वे देखना चाहते थे कि क्या वे किसी शहर के "ज्ञान स्कोर" को उसके "जाल स्थान" के साथ जोड़कर उसके कल्याण का अनुमान लगा सकते हैं, और वे इस गणित को हल करने का सबसे अच्छा तरीका खोजना चाहते थे।

महान मानचित्र खोज: ब्राजील के छिपे हुए पैटर्न को ढूंढना

शोधकर्ता एडुआर्डो मौरा ज़ैमपिरोली और रूबेन इंटरियन ने ब्राजील के डेटा के साथ जासूसी करने का निर्णय लिया। वे केवल नंबरों को नहीं देख रहे थे; वे नगर पालिका मानव विकास सूचकांक (IDHM) की भविष्यवाणी करने के लिए एक क्रिस्टल बॉल बनाने की कोशिश कर रहे थे। IDHM को एक शहर के रिपोर्ट कार्ड की तरह समझें, जो इस बात पर ग्रेड देता है कि लोग कितने लंबे समय तक जीवित रहते हैं, वे कितना सीखते हैं, और उनके पास कितने पैसे हैं।

अपनी क्रिस्टल बॉल बनाने के लिए, उन्होंने दो मुख्य सामग्रियां उपयोग कीं। सबसे पहले, उन्होंने आर्थिक जटिलता सूचकांक (ICE) की गणना की। यह देखने के बजाय कि ब्राजील अन्य देशों को क्या बेचता है (जो ज्यादातर सोया और लोहे जैसी कच्ची सामग्री है), उन्होंने इस पर ध्यान दिया कि ब्राजील के भीतर कौन कहाँ काम करता है। उन्होंने पूछा: "क्या इस शहर में बहुत से लोग जटिल, हाई-टेक नौकरियों में काम कर रहे हैं?" यदि हाँ, तो उस शहर को उच्च जटिलता स्कोर मिलता है। दूसरा, उन्होंने परिवहन नेटवर्क का मानचित्रण किया। उन्होंने प्रत्येक शहर को एक बिंदु और प्रत्येक सड़क या नदी को एक रेखा के रूप में माना, और गणना की कि प्रत्येक शहर कितना केंद्रीय या जुड़ा हुआ था। क्या वह एक व्यस्त केंद्र था? क्या वह एक अकेला अंत था?

उन्होंने इन विचारों का परीक्षण दो अलग-अलग "ज़ूम स्तरों" का उपयोग करके किया। एक ज़ूम बहुत करीब था, जो व्यक्तिगत नगर पालिकाओं (सबसे छोटे शहरों) को देख रहा था। दूसरा ज़ूम थोड़ा दूर था, जो तत्काल भौगोलिक क्षेत्रों (Immediate Geographic Regions) को देख रहा था, जो शहरों के ऐसे समूह हैं जो एक एकल पारिस्थितिकी तंत्र की तरह एक साथ कार्य करते हैं। उन्होंने पहेली को हल करने के लिए विभिन्न प्रकार के "गणितीय मस्तिष्क" भी आजमाए: सरल सीधी रेखा वाला गणित (लीनियर रिग्रेशन), निर्णय वृक्ष (जैसे "यदि यह, तो वह" वाला फ्लोचार्ट), और एक शानदार नया उपकरण जिसे एक्सप्लेनेबल बूस्टिंग मशीन (EBM) कहा जाता है, जो जटिल, गैर-सीधे पैटर्न को पहचानने में माहिर है।

बड़ी हैरानी: ज़ूम आउट करने से सब बदल जाता है

परिणाम दिलचस्प थे, और उन्होंने ब्राजील के काम करने के तरीके के बारे में एक रहस्य का खुलासा किया। जब शोधकर्ताओं ने व्यक्तिगत शहरों के डेटा को देखा, तो गणित अव्यवस्थित था। "ज्ञान स्कोर" (ICE) एक सटीक भविष्यवक्ता नहीं था। वास्तव में, व्यक्तिगत शहरों के लिए, यह जानने का सबसे बड़ा सुराग कि कोई शहर कैसा प्रदर्शन कर रहा था, वह केवल यह था कि वह किस क्षेत्र में था। यदि कोई शहर उत्तर-पूर्व (Northeast) में था, तो मॉडल जानता था कि उसका IDHM कम होने की संभावना है, चाहे उसके स्थानीय कारखाने कितने भी जटिल क्यों न हों। यह ऐसा था जैसे मॉडल कह रहा हो, "मैं केवल इसके कारखानों को देखकर इस विशिष्ट शहर के भविष्य के बारे में बहुत कुछ नहीं बता सकता; मुझे पहले यह जानना होगा कि क्या यह उत्तर-पूर्व में है।"

लेकिन फिर, उन्होंने तत्काल क्षेत्र (Immediate Region) के स्तर पर ज़ूम आउट किया। अचानक, तस्वीर साफ हो गई। "शोर" गायब हो गया। जब उन्होंने शहरों के समूहों को एक साथ देखा, तो आर्थिक जटिलता सूचकांक (ICE) सुपरस्टार बन गया। इस पैमाने पर, क्षेत्र की उत्पादन जटिलता ने उसके कल्याण के बारे में लगभग सब कुछ स्पष्ट कर दिया। शोधकर्ताओं ने पाया कि क्षेत्रीय स्तर पर, ICE ही मानव विकास का मुख्य चालक था।

यह अंतर क्यों आया? लेखक सुझाव देते हैं कि व्यक्तिगत शहर पूरी कहानी बताने के लिए बहुत छोटे हैं। एक शहर में एक हाई-टेक कारखाना हो सकता है, लेकिन यदि वह अलग-थलग है, तो वह अपने ज्ञान को साझा नहीं कर सकता या बाजारों तक नहीं पहुँच सकता। हालाँकि, जब आप एक पूरे क्षेत्र को देखते हैं, तो आप "पारिस्थितिकी तंत्र" देखते हैं। क्षेत्र का औसत जटिलता स्कोर इस तथ्य को दर्शाता है कि भले ही एक शहर केवल एक सेवा केंद्र हो, लेकिन उसे पड़ोसी शहरों के हाई-टेक कारखानों द्वारा समर्थन प्राप्त होता है। क्षेत्र एक एकल, परस्पर जुड़े जीव के रूप में कार्य करता है।

सड़क मानचित्र की शक्ति

सड़क नेटवर्क डेटा जोड़ने से मदद मिली, लेकिन यह कोई जादुई समाधान नहीं था। क्लोजनेस सेंट्रलिटी (Closeness Centrality) (एक शहर दूसरों के कितने करीब है) और डिग्री सेंट्रलिटी (Degree Centrality) (इसके कितने सीधे रास्ते/सड़कें हैं) जैसे मेट्रिक्स को शामिल करने से भविष्यवाणियों में सुधार हुआ। यह "ज्ञान" स्कोर में "पहुंच" की एक परत जोड़ने जैसा है।

सबसे अच्छा उपकरण जो उन्होंने उपयोग किया, वह था एक्सप्लेनेबल बूस्टिंग मशीन (EBM)। यह मॉडल एक सुपर-स्मार्ट जासूस की तरह है जो केवल सीधी रेखाएं नहीं खींचता; यह समझता है कि जटिलता और धन के बीच का संबंध हमेशा सीधा नहीं होता है। उदाहरण के लिए, मॉडल ने पाया कि बहुत कम जटिलता स्कोर होना बुरा है, लेकिन एक बार जब आप मध्यम स्तर तक पहुँच जाते हैं, तो लाभ लगातार बढ़ते हैं, और फिर शीर्ष पर पहुँचते ही वे धीमे होने लगते हैं (घटते प्रतिफल/diminishing returns)।

EBM ने सभी में उच्चतम सटीकता प्राप्त की। तत्काल क्षेत्रों के लिए, जब उन्होंने सड़क नेटवर्क डेटा को शामिल किया, तो मॉडल R² of 0.8196 तक पहुँच गया। सरल शब्दों में, इसका मतलब है कि मॉडल केवल आर्थिक जटिलता और सड़क नेटवर्क में अपने स्थान को देखकर क्षेत्रों के बीच कल्याण के अंतर के बारे में लगभग 82% व्याख्या कर सका। यह एक बहुत मजबूत भविष्यवाणी है!

संख्याएँ क्या कहती हैं

अध्ययन ने दिखाया कि व्यक्तिगत शहरों से क्षेत्रों में स्केल बदलने से नए डेटा जोड़ने की तुलना में बड़ा अंतर आया।

• नगर पालिका स्तर पर, सबसे अच्छा मॉडल (नेटवर्क डेटा के साथ EBM) का R² of 0.7890 था।
• तत्काल क्षेत्र स्तर पर, सबसे अच्छा मॉडल उछलकर R² of 0.8196 हो गया।

शोधकर्ताओं ने यह भी देखा कि व्यक्तिगत शहरों के लिए, "उत्तर-पूर्व" (Northeast) क्षेत्र इतना मजबूत भविष्यवक्ता था कि उसने आर्थिक जटिलता को दबा दिया। लेकिन क्षेत्रों के लिए, उत्तर-पूर्व की आर्थिक जटिलता स्वयं इतनी कम थी कि "उत्तर-पूर्व" लेबल को एक अलग सुराग के रूप में आवश्यक नहीं लगा; जटिलता स्कोर ने अपना काम कर दिया।

निष्कर्ष

यह अध्ययन बताता है कि यदि आप ब्राजील में किसी जगह के फलने-फूलने के कारणों को समझना चाहते हैं, तो आपको केवल एक अकेले शहर के कारखाने के फर्श को नहीं देखना चाहिए। आपको पूरे पड़ोस को देखने की आवश्यकता है। एक शहर की सफलता उसके पूरे क्षेत्र की जटिलता और सड़कों द्वारा वह क्षेत्र कितनी अच्छी तरह जुड़ा हुआ है, इस पर गहराई से टिकी होती है।

शोधकर्ताओं ने पाया कि आर्थिक जटिलता (Economic Complexity) एक शक्तिशाली भविष्यवक्ता है, लेकिन केवल तभी जब आप मानचित्र के सही आकार को देखते हैं। क्षेत्रीय स्तर पर, जो चीज़ एक स्थान बनाती है उसकी परिष्कारता (sophistication) मानव विकास को चलाने वाला मुख्य इंजन है। सड़क नेटवर्क इसमें मदद करता है, जो इंजन को सुचारू रूप से चलाने वाले ईंधन लाइनों के रूप में कार्य करता है, लेकिन इंजन स्वयं स्थानीय अर्थव्यवस्था की जटिलता है।

संक्षेप में, पेपर सुझाव देता है कि मानव विकास में सुधार करने के लिए, नीति निर्माताओं को केवल एक छोटे शहर को अलग से ठीक करने पर ध्यान केंद्रित नहीं करना चाहिए। उन्हें पूरे क्षेत्रीय पारिस्थितिकी तंत्र और यह सोचने की आवश्यकता है कि वे शहर सड़कों और साझा ज्ञान के माध्यम से एक साथ कैसे बुने हुए हैं। "जाल" उतना ही महत्वपूर्ण है जितने कि "गांठ"।