Modeling and Forecasting Meat Production in Somalia, 1961–2024: A Comparative Analysis of Single and Hybrid Time Series Models

कल्पना कीजिए कि आप अगले वर्ष के लिए मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आप पिछले कुछ दशकों के बादलों, हवा और तापमान को देखते हैं। विज्ञान की दुनिया में, इसे टाइम सीरीज़ फोरकास्टिंग (समय श्रृंखला पूर्वानुमान) कहा जाता है। यह भविष्य का अनुमान लगाने के लिए पिछले डेटा का उपयोग करने की कला है। लेकिन पेचीदा हिस्सा यह है: कभी-कभी अतीत केवल एक सीधी रेखा नहीं होता। कभी-कभी, दस साल पहले का एक बड़ा तूफान आज भी मिट्टी को प्रभावित करता है, या बाजार में अचानक आया बदलाव पूरे पैटर्न को ऐसे मोड़ और घुमाव दे देता है जिसे एक साधारण रूलर (पटरी) से नहीं मापा जा सकता। वैज्ञानिक इन मोड़ों को संभालने के लिए विशेष गणितीय उपकरणों का उपयोग करते हैं। कुछ उपकरण सीधी पटरी की तरह होते हैं (स्थिर रुझानों के लिए अच्छे), जबकि अन्य लचीले रबर बैंड या स्मार्ट कंप्यूटर की तरह होते हैं जो अव्यवढ़ और अराजक पैटर्न से सीख सकते हैं।

कोई इसकी परवाह क्यों करता है? क्योंकि गलत अनुमान लगाना महंगा या खतरनाक हो सकता है। यदि कोई देश यह अनुमान लगाता है कि उसके पास पर्याप्त भोजन होगा लेकिन भोजन खत्म हो जाता है, तो लोग भूखे रह जाते हैं। यदि वे अनुमान लगाते हैं कि उनके पास बहुत अधिक है, तो वे पैसा बर्बाद कर सकते हैं। सोमालिया, जो हॉर्न ऑफ अफ्रीका में एक देश है, अपने लोगों को खिलाने और अन्य देशों को बेचने के लिए अपने पशुधन—भेड़, बकरी, ऊंट और मवेशी—पर बहुत अधिक निर्भर है। लेकिन उनका मौसम अनिश्चित है, और उनका इतिहास बड़े उतार-चढ़ाव से भरा रहा है। इसलिए, उनके मांस उत्पादन की भविष्यवाणी कैसे की जाए, यह जानना केवल एक गणितीय पहेली नहीं है; यह खाद्य सुरक्षा के लिए एक जीवन रेखा है।

---

द ग्रेट मीट प्रेडिक्शन कॉन्टेस्ट (मांस भविष्यवाणी प्रतियोगिता)

इस अध्ययन में, एमौड यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने यह देखने के लिए एक विशाल "पूर्वानुमान प्रतियोगिता" आयोजित करने का निर्णय लिया कि कौन सा गणितीय उपकरण सोमालिया के मांस उत्पादन की सबसे अच्छी भविष्यवाणी कर सकता है। उन्होंने केवल एक उपकरण नहीं चुना और उम्मीद नहीं की। इसके बजाय, उन्होंने 19 अलग-अलग पूर्वानुमान मॉडल एकत्र किए और उन्हें आमने-सामने खड़ा कर दिया। इसे एक दौड़ की तरह समझें जहाँ कुछ धावक स्प्रिंटर (तेज और सरल) हैं, कुछ मैराथन धावक (स्थिर और लंबी दूरी के) हैं, और कुछ मिलकर काम करने वाली एक रिले टीम हैं।

उन्होंने जिस डेटा का उपयोग किया वह एक खजाना था: 64 वर्षों का इतिहास, जो 1961 से 2024 तक फैला हुआ है। यह एक देश के पशुधन को बढ़ते, घटते और फिर से संभलते देखने का एक लंबा समय है। उन्होंने इस डेटा को दो हिस्सों में विभाजित किया: एक "ट्रेनिंग" ढेर (1961-2012) मॉडलों को सिखाने के लिए, और एक "टेस्टिंग" ढेर (2013-2024) यह देखने के लिए कि क्या मॉडल वास्तव में भविष्य का सही अनुमान लगा सकते हैं।

प्रतियोगी: सरल बनाम स्मार्ट बनाम हाइब्रिड

शोधकर्ताओं ने दो मुख्य प्रकार के मॉडलों का परीक्षण किया:

1. सिंगल मॉडल (एकल मॉडल): ये व्यक्तिगत उपकरण हैं। कुछ ARIMA जैसे थे, जो सीधी रेखाओं और स्थिर रुझानों को पहचानने में माहिर हैं। अन्य NNAR (न्यूरल नेटवर्क ऑटोरेग्रेशन) थे, जो एक बुद्धिमान कंप्यूटर की तरह हैं जो जटिल, टेढ़े-मेढ़े पैटर्न को पहचान सकते हैं जिन्हें इंसान शायद मिस कर दें। वहां ARFIMA भी था, एक विशेष उपकरण जिसे बहुत समय पहले की चीजों को याद रखने के लिए डिज़ाइन किया गया है।
2. हाइब्रिड मॉडल (मिश्रित मॉडल): ये "सुपर टीमें" थे। शोधकर्ताओं ने विभिन्न उपकरणों को मिलाने की कोशिश की, जैसे एक सीधी रेखा ट्रैक करने वाले को पैटर्न खोजने वाले दिमाग के साथ मिलाना, इस उम्मीद में कि प्रत्येक की खूबियां दूसरे की कमजोरियों को दूर कर देंगी।

बड़ा सरप्राइज: "लॉन्ग मेमोरी" (लंबी स्मृति) का विजेता

जब दौड़ शुरू हुई, तो परिणाम दिलचस्प थे। सरल, सीधी रेखा वाले मॉडल (जैसे मानक ARIMA) अतीत के माध्यम से एक रेखा खींचकर भविष्य का अनुमान लगाने की कोशिश करते हैं। लेकिन सोमालिया का इतिहास अव्यवढ़ है। वहां गृहयुद्ध, भयानक सूखा और अचानक सुधार हुए। सरल मॉडल भ्रमित हो गए और उन्होंने अनुमान लगाया कि मांस उत्पादन हमेशा बढ़ता रहेगा, जो वास्तविकता से मेल नहीं खाता था।

असली चैंपियन वे निकले जो स्मृति (मेमोरी) और जटिलता को समझते थे।

• सबसे अच्छा सिंगल मॉडल: ARFIMA मॉडल ने स्वर्ण पदक जीता। यह अविश्वसनीय रूप से सटीक था, जिसकी त्रुटि दर केवल 2.17% थी। क्यों? क्योंकि इसने समझा कि सोमालिया के मांस उत्पादन में "लॉन्ग-मेमोरी पर्सिस्टेंस" (लंबी स्मृति निरंतरता) है। इसका मतलब है कि वर्षों पहले का एक झटका (जैसे भारी सूखा) केवल गायब नहीं हो जाता; यह एक निशान छोड़ देता है जो लंबे समय तक उत्पादन को प्रभावित करता है। ARFIMA एकमात्र ऐसा मॉडल था जो इन पुराने निशानों को "याद" रख सकता था और उसके अनुसार अपने अनुमान को समायोजित कर सकता था।
• सबसे अच्छी हाइब्रिड टीम: मिश्रित टीमों में, ARIMA–NNAR संयोजन विजेता रहा, जिसकी त्रुटि दर 8.10% थी। इसने सीधी रेखा के रुझानों को देखने की क्षमता और डेटा के जटिल, गैर-रेखीय घुमावों को संभालने की क्षमता का सफलतापूर्वक मिश्रण किया।

दिलचस्प रूप से, शोधकर्ताओं ने पाया कि अधिक मॉडलों को एक साथ जोड़ने से हमेशा बेहतर टीम नहीं बनती। कुछ सबसे जटिल हाइब्रिड टीमें सरल, स्मार्ट सिंगल मॉडल की तुलना में खराब प्रदर्शन करती थीं। यह स्पष्ट है कि कभी-कभी, एक विशेषज्ञ (जैसे ARFमा) औसत अनुमान लगाने वालों की एक समिति से बेहतर होता है।

क्रिस्टल बॉल क्या दिखाती है

इन विजेता मॉडलों का उपयोग करते हुए, शोधकर्ताओं ने वर्षों 2025 से 2036 की ओर देखा। भविष्य जो वे देखते हैं वह सितारों की ओर जाने वाली सीधी रेखा नहीं है।

• ARFIMA मॉडल सुझाव देता है कि उत्पादन धीरे-धीरे नीचे की ओर जाएगा, और 171,794 और 182,522 यूनिट के बीच स्थिर होगा।
• ARIMA–NNAR हाइब्रिड सुझाव देता है कि यह अपेक्षाकृत स्थिर रहेगा, उन्हीं संख्याओं के आसपास मंडराता रहेगा।

दोनों मॉडल एक महत्वपूर्ण बात पर सहमत हैं: सोमालिया का मांस उत्पादन संभवतः अपने 2005 के ऐतिहासिक शिखर से काफी नीचे रहेगा, जो 208,000 यूनिट से अधिक था। डेटा बताता है कि पशुपालन का पारंपरिक तरीका एक "सीलिंग" (छत) से टकरा गया है—एक ऐसी सीमा जहाँ भूमि और जलवायु बिना मदद के अधिक विकास का समर्थन नहीं कर सकते।

यह क्यों मायने रखता है

पेपर निष्कर्ष निकालता है कि हम केवल पुराने तरीकों पर भरोसा नहीं कर सकते। "फोरकास्टिंग गैप" (पूर्वानुमान अंतराल)—जो हम सोचते हैं कि क्या होगा और वास्तव में जो होता है उसके बीच का अंतर—को बेहतर उपकरणों के साथ भरने की आवश्यकता है। अध्ययन सुझाव देता है कि सोमालिया को प्रतिक्रियात्मक घबराहट (सूखा पड़ने के बाद समस्या ठीक करना) से हटकर सक्रिय योजना (प्रोएक्टिव प्लानिंग) की ओर बढ़ने की आवश्यकता है। इन उन्नत, डेटा-संचालित मॉडलों का उपयोग करके, नीति निर्माता भूमि की "लंबी स्मृति" को देख सकते हैं और झटकों के होने से पहले ही तैयारी कर सकते हैं।

शोधकर्ता सावधानी बरतते हैं कि यह कोई जादू की छड़ी नहीं है। जलवायु परिवर्तन और राजनीतिक अस्थिरता ऐसे अनिश्चित तत्व हैं जिन्हें कोई भी गणितीय मॉडल पूरी तरह से नहीं बता सकता। लेकिन ARFIMA और हाइब्रिड एन्सेम्बल्स जैसे उपकरणों का उपयोग करके, उन्होंने भविष्य के मार्ग पर चलने के लिए एक बहुत मजबूत मानचित्र बनाया है। यह एक याद दिलाता है कि अराजकता की दुनिया में, कभी-कभी भविष्य को देखने का सबसे अच्छा तरीका अतीत की गूँज को ध्यान से सुनना होता है।