An evidence-gated audit algorithm for low-altitude-economy readiness in mountainous Yunnan, China

दक्षिण-पश्चिमी चीन के ऊबड़-खाबड़, ऊँचाई वाले परिदृश्यों में, एक नए प्रकार की आर्थिक गतिविधि उड़ान भर रही है। "लो-एल्टीट्यूड इकोनॉमी" (निम्न-ऊंचाई अर्थव्यवस्था) का तात्पर्य उन विमानों के उपयोग से है जो 3,000 मीटर से नीचे उड़ते हैं, जिनमें ड्रोन और छोटे इलेक्ट्रिक विमान शामिल हैं, जिनका उपयोग चिकित्सा आपूर्ति पहुंचाने, बिजली की लाइनों के निरीक्षण करने या पर्यटकों को ले जाने जैसे कार्यों के लिए किया जाता है। जबकि समतल भूभाग और स्थापित डेटा वाले शहरों के पास स्पष्ट ब्लूप्रिंट है कि ये उड़ानें कहाँ जानी चाहिए, पहाड़ी क्षेत्रों को एक अलग चुनौती का सामना करना पड़ता है। यहाँ सड़कें घुमावदार हैं, मौसम तेजी से बदलता है, और उड़ान की मांग का कोई ऐतिहासिक रिकॉर्ड नहीं है क्योंकि यह उद्योग अभी तक शुरू ही नहीं हुआ है। इन क्षेत्रों के योजनाकारों को यह तय करना होता है कि वे संभावित मार्गों और स्थलों की जांच के लिए अपनी पहली टीमों को कहाँ भेजें, लेकिन उनके पास बाजार की सफलता या सुरक्षा रिकॉर्ड का सामान्य साक्ष्य नहीं होता। उन्हें अक्सर यह अनुमान लगाने के लिए मजबूर होना पड़ता है कि कौन से शहर इस भविष्य के लिए तैयार हैं, और इसके लिए वे अक्सर सामान्य आर्थिक आंकड़ों या सरकारी नीति सूचियों पर निर्भर होते हैं जो पूरी कहानी नहीं बता सकतीं।

यही वह सटीक समस्या है जिसे युन्नान कम्युनिकेशंस वोकेशनल एंड टेक्निकल कॉलेज के शोधकर्ताओं की एक टीम ने हल करने का प्रयास किया। उन्होंने एक नई विधि विकसित की जिससे स्थानीय सरकारों को यह तय करने में मदद मिल सके कि वे बिना 'चक्रीय तर्क' (circular reasoning) के जाल में फंसे अपने क्षेत्रीय अन्वेषण कहाँ से शुरू करें। कई नियोजन अभ्यासों में, एक कंप्यूटर मॉडल केवल सरकार के मौजूदा लेबल को दोहराना सीख सकता है, जिससे योजनाकारों को उन स्थानों पर निवेश करने के लिए कहा जाता है जो पहले से ही "लो-एल्टीट्यूड इकोनॉमी" योजना के लिए प्रसिद्ध हैं, बजाय इसके कि उन स्थानों की पहचान की जाए जो वास्तव में इसके लिए संरचनात्मक रूप से तैयार हैं। शोधकर्ता इन 'स्व-सिद्ध भविष्यवाणियों' (self-fulfilling prophecies) को हटाना चाहते थे ताकि डेटा में छिपे वास्तविक संरचनात्मक संकेतों को खोजा जा सके। उनका लक्ष्य उड़ान यातायात के भविष्य की भविष्यवाणी करना या विशिष्ट हवाई मार्ग डिजाइन करना नहीं था, बल्कि एक अनुशासित, ऑडिट योग्य चेकलिस्ट बनाना था जो प्रशासनिक महत्वाकांक्षा को वास्तविक परिचालन तत्परता से अलग कर सके।

शोधकर्ताओं ने युन्नान प्रांत के 129 काउंटियों पर ध्यान केंद्रित किया, जो अपने नाटकीय ऊंचाई परिवर्तन और असमान आर्थिक विकास के लिए जाना जाता है। उन्होंने प्रत्येक काउंटी के लिए डेटा बिंदुओं की एक विशाल सूची की जांच करके शुरुआत की, जिसमें सकल घरेलू उत्पाद (जीडीपी), डिजिटल बुनियादी ढांचा और पर्यटन संख्या शामिल थी। हालांकि, उन्होंने जल्द ही इस बात की एक गंभीर खामी का पता लगाया कि इस तरह के डेटा का उपयोग अक्सर कैसे किया जाता है: "पॉलिसी सपोर्ट स्कोर" (नीति समर्थन स्कोर), जो सरकारी विभागों द्वारा यह दर्शाने के लिए दिया गया एक अंक है कि किसी काउंटी को इस क्षेत्र को विकसित करने के लिए कितना प्रोत्साहित किया जा रहा है, उस लक्ष्य के लगभग समान था जिसे वे भविष्यवाणी करने की कोशिश कर रहे थे। यदि कोई मॉडल इस स्कोर का उपयोग करता, तो यह एक छात्र द्वारा परीक्षा में उत्तर कुंजी पढ़ने जैसा होता; यह उत्कृष्ट प्रदर्शन तो करता लेकिन कुछ नया नहीं सीख पाता। इसे ठीक करने के लिए, शोधकर्ताओं ने एक "गेट" बनाया जिसने सख्ती से किसी भी ऐसे डेटा को हटा दिया जो केवल सरकार के अपने लक्ष्यों की प्रतिलिपि था। उन्होंने उन चरों (variables) को भी हटा दिया जो नीति का सीधा परिणाम थे, यह सुनिश्चित करते हुए कि मॉडल केवल भूमि और अर्थव्यवस्था की कच्ची, संरचनात्मक स्थितियों को देखे।

इन चक्रीय सुरागों को हटाने के बाद, टीम ने कंप्यूटर सिमुलेशन की एक श्रृंखला चलाई ताकि यह देखा जा सके कि भौतिक और आर्थिक आधारों के आधार पर कौन सी काउंटियाँ सबसे अधिक तैयार दिखती हैं। उन्होंने केवल एक एकल कंप्यूटर प्रोग्राम पर भरोसा नहीं किया; इसके बजाय, उन्होंने एक "समिति" दृष्टिकोण का उपयोग किया जहाँ कई अलग-अलग मॉडल रैंकिंग पर मतदान करते थे। महत्वपूर्ण रूप से, उन्होंने इन मॉडलों का परीक्षण इस तरह से किया जो वास्तविक दुनिया के विस्तार की नकल करता है: उन्होंने प्रांत के कुछ हिस्सों पर मॉडलों को प्रशिक्षित किया और उन्हें उन पूरी तरह से अलग क्षेत्रों की भविष्यवाणी करने के लिए कहा जिन्हें उन्होंने पहले कभी नहीं देखा था। इसने यह सुनिश्चित किया कि परिणाम नए स्थानों पर लागू होने पर भी टिके रहें, न कि केवल प्रशिक्षण डेटा के विशिष्ट विवरणों को याद रखें। सिस्टम ने अनिश्चितता के लिए एक "दंड" (penalty) भी जोड़ा। यदि विभिन्न कंप्यूटर मॉडल किसी काउंटी के स्कोर पर असहमत थे, या यदि वह काउंटी एक ऐसे अद्वितीय भौगोलिक स्थान में थी जिसे अन्य डेटा अच्छी तरह से कवर नहीं कर पा रहा था, तो सिस्टम ने उसकी रैंकिंग में विश्वास कम कर दिया। इसने एक रूढ़िवादी, सतर्क सूची बनाई जिसने आशावादी अनुमानों के बजाय सुरक्षा और विश्वसनीयता को प्राथमिकता दी।

इस सावधानीपूर्ण ऑडिट के परिणाम प्रकट करने वाले थे। जब शोधकर्ताओं ने अपने नए सिस्टम द्वारा अनुशंसित शीर्ष 20 काउंटियों को देखा, तो उन्होंने पाया कि इन स्थानों ने उन काउंटियों के लगभग 87% हिस्से को कैप्चर किया जो पहले से ही उद्योग में "स्थापित" मानी जाती थीं, और इसमें लगभग सभी विशिष्ट अनुप्रयोग परिदृश्य शामिल थे जो कंपनियों द्वारा समीक्षा के लिए प्रस्तुत किए गए थे। इसने सिद्ध किया कि यह पद्धति सफलतापूर्वक पहचान सकती है कि उद्योग स्वाभाविक रूप से कहाँ क्लस्टर हो रहा है। हालांकि, अध्ययन ने यह भी दिखाया कि केवल आर्थिक आकार (जीडीपी) के आधार पर की गई एक सरल रैंकिंग भी इन स्थानों को खोजने में लगभग उतना ही अच्छा प्रदर्शन करती है। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह सुझाव देता है कि जटिल नया एल्गोरिदम सही स्थानों को खोजने के लिए सरल आर्थिक मेट्रिक्स से अधिक शक्तिशाली होने की आवश्यकता नहीं है। इसके बजाय, इसका वास्तविक मूल्य इसमें निहित है कि यह क्या नहीं करता है: यह नीतिगत लेबल से धोखा खाने से इनकार करता है, यह स्पष्ट रूप से मापता है कि भविष्यवाणी कितनी अनिश्चित है, और यह स्पष्ट रूप से बताता है कि इस सूची का उपयोग क्या और कैसे किया जा सकता है।

शोधकर्ताओं ने निर्णय लेने वालों का मार्गदर्शन करने के लिए अपनी अंतिम सूची को विशिष्ट 'एक्शन टियर्स' (कार्य स्तरों) में व्यवस्थित किया। शीर्ष स्तर में वे काउंटियाँ शामिल थीं जो संरचनात्मक ऑडिट में उच्च रैंकिंग वाली थीं और जिनमें कंपनियों के पुष्ट आवेदन भी थे, जो उन्हें तत्काल क्षेत्रीय जांच के लिए उच्चतम प्राथमिकता के रूप में चिह्नित करती थीं। अगले स्तर में वे काउंटियाँ शामिल थीं जो संरचनात्मक रूप से तैयार दिखती थीं लेकिन जिनमें पुष्ट कंपनी रुचि का अभाव था, जो आगे के स्थानीय सत्यापन की आवश्यकता का सुझाव देती थीं। निचले स्तर उन क्षेत्रों के लिए आरक्षित थे जहाँ पर्याप्त साक्ष्य की कमी थी या जो केवल संरचनात्मक मानदंडों को पूरा नहीं करते थे। यह स्तरीय दृष्टिकोण योजनाकारों को न केवल नामों की सूची, बल्कि विश्वास का एक मानचित्र प्रदान करता है। यह उन्हें बताता है कि भले ही किसी काउंटी का स्कोर उच्च हो, यदि कंप्यूटर मॉडल उस पर असहमत हैं, या यदि स्थानीय डेटा विरल है, तो स्कोर को सावधानी के साथ लिया जाना चाहिए।

अंततः, यह शोध पत्र तर्क देता है कि जिन क्षेत्रों में डेटा की कमी है और भूभाग कठिन है, वहाँ सबसे महत्वपूर्ण उपकरण भविष्य की भविष्यवाणी करने वाला कोई 'क्रिस्टल बॉल' नहीं है, बल्कि एक कठोर फ़िल्टर है जो गलत निर्णयों को रोकता है। अध्ययन यह प्रदर्शित करता है कि जबकि आर्थिक शक्ति यह निर्धारित करने में प्रमुख कारक है कि ये उद्योग कहाँ शुरू होंगे, उन्हें खोजने की प्रक्रिया पारदर्शी और सरकारी इच्छा सूचियों के पूर्वाग्रह से मुक्त होनी चाहिए। चक्रीय साक्ष्य को हटाकर और अनिश्चितता को दंडित करके, शोधकर्ताओं ने एक ऐसा ढांचा प्रदान किया जिसका उपयोग दुनिया के अन्य पहाड़ी या असमान रूप से विकसित क्षेत्रों में किया जा सकता है। मुख्य बात यह नहीं है कि किसी विशिष्ट एल्गोरिदम ने लो-एल्टीट्यूड फ्लाइट की समस्या को हल कर दिया है, बल्कि यह है कि एक अनुशासित, साक्ष्य-गेटेड दृष्टिकोण योजनाकारों को सही स्थानों पर अपनी जांच शुरू करने में मदद कर सकता है, जिससे उन क्षेत्रों में निवेश करने के जाल से बचा जा सके जो केवल कागजों पर अच्छे दिखते हैं।