Dynamic Graph Learning and Causal Machine Learning for Evolution, Shock Propagation, and Systemic Resilience in Global Cross-Border Investment Networks
यह शोध पत्र कॉज़ल रेजिलिएंस ग्राफ ऑपरेटर (CRGO) का प्रस्ताव करता है, जो एक एकीकृत गतिशील प्रणाली है जो वैश्विक सीमा पार निवेश नेटवर्क के विकास, झटकों के प्रसार और प्रतितथ्यात्मक लचीलेपन (counterfactual resilience) को एक साथ मॉडल करने के लिए ग्राफ़ लर्निंग के साथ कॉज़ल मशीन लर्निंग को एकीकृत करती है, जिससे कठोर पूर्वानुमान और प्रणालीगत लचीलापन ऑडिटिंग सक्षम होती है।
मूल पेपर CC BY 4.0 (https://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
पैसा केवल बैंक खातों में नहीं बैठा रहता; यह चलता है। यह सीमाओं के पार बहता है, निवेशों के एक विशाल, परिवर्तनशील जाल में अर्थव्यवस्थाओं को जोड़ता है। जब कोई देश विदेश में कारखाना बनाने का निर्णय लेता है, या जब कोई सरकार विदेशी स्वामित्व के अपने नियमों को बदलती है, तो यह इस नेटवर्क में एक लहर भेज देता है। ये लहरें शामिल पहले देश की सीमा पर नहीं रुकतीं। वे यात्रा करती हैं, कभी आगे बढ़ते हुए बढ़ती हैं, कभी फीकी पड़ती हैं, और कभी पूरी तरह से दिशा बदल लेती हैं। दशकों से, अर्थशास्त्रियों ने इन संबंधों को मैप करने की कोशिश की है, उन्हें व्यक्तिगत राष्ट्रों की अलग-अलग कहानियों या स्नैपशॉट के संग्रह के रूप में माना है। लेकिन वास्तविकता अधिक तरल है। जैसे-जैसे पैसा चलता है, नेटवर्क स्वयं अपना आकार बदल लेता है, और एक स्थान पर आया झटका हजारों मील दूर स्थित देशों के लिए पूंजी के मार्ग को बदल सकता है, प्रारंभिक घटना बीत जाने के बहुत समय बाद भी। इसे समझने के लिए सिस्टम को एक स्थिर मानचित्र के रूप में नहीं, बल्कि एक जीवित, सांस लेते जीव के रूप में देखने की आवश्यकता है जो समय के साथ विकसित होता है।
शोधकर्ताओं के लिए चुनौती यह रही है कि इन गतिविधियों की भविष्यवाणी करने के लिए उपयोग किए जाने वाले उपकरण दो अलग-अलग समूहों में विभाजित थे। एक तरफ, ऐसे मॉडल हैं जिन्हें भविष्य का पूर्वानुमान लगाने के लिए डिज़ाइन किया गया है, जो पिछले पैटर्न के आधार पर अनुमान लगाते हैं कि कौन से देश अगले जुड़ने वाले होंगे। ये रुझानों को देखने में अच्छे हैं लेकिन कारण और प्रभाव के प्रति अक्सर अंधे होते हैं; वे भविष्यवाणी कर सकते हैं कि एक संबंध होगा, लेकिन वे यह स्पष्ट नहीं कर सकते कि किसी विशिष्ट संकट ने इसे क्यों पैदा किया या वह झटका वास्तव में कैसे फैला। दूसरी ओर, ऐसी विधियाँ हैं जो कारण और प्रभाव को मापने के लिए डिज़ाइन की गई हैं, जो किसी विशिष्ट नीति या घटना के प्रभाव को अलग करने का प्रयास करती हैं। ये "क्यों" को खोजने में उत्कृष्ट हैं, लेकिन इनमें यह दिखाने की मशीनरी का अभाव होता है कि वह प्रभाव महीनों या वर्षों तक बदलते नेटवर्क में कैसे फैलता है। वे नेटवर्क को एक गतिशील खिलाड़ी के बजाय एक स्थिर मंच की तरह देखते हैं। यह अलगाव एक अंतर छोड़ देता है: हम भविष्य की भविष्यवाणी कर सकते हैं, या हम अतीत को समझ सकते हैं, लेकिन हम दोनों को एक साथ इस तरह करने में संघर्ष करते हैं जो इस बात का सम्मान करे कि सिस्टम वास्तव में संकट से कैसे उबरता है।
मेलबर्न विश्वविद्यालय के एक शोधकर्ता, ज़ेताई कॉन्ग (Zetai Kong) ने इस विभाजन को पाटने का एक नया तरीका प्रस्तावित किया है। यह कार्य 'कॉज़ल रेजिलिएंस ग्राफ ऑपरेटर' (Causal Resilience Graph Operator) नामक एक एकीकृत ढांचे को पेश करता है। भविष्यवाणी और कारण को समझने के लिए अलग-अलग उपकरणों का उपयोग करने के बजाय, यह दृष्टिकोण दोनों को एक साथ करने वाला एक एकल इंजन बनाता है। एक ऐसी प्रणाली की कल्पना करें जहाँ वह तंत्र जो यह समझाता है कि झटका कैसे फैलता है, वही तंत्र है जो नेटवर्क के अगले विकास के चरण की भविष्यवाणी करता है। इस मॉडल में, परिवर्तन का "कारण" केवल तथ्यों की सूची में जोड़ा गया एक नंबर नहीं है; यह उन नियमों में बुना हुआ है जो एक देश से दूसरे देश तक पैसे के प्रवाह को नियंत्रित करते हैं। सिस्टम यह पहचानने के लिए सीखता है कि कैसे एक विशिष्ट घटना, जैसे कि वैश्विक अनिश्चितता में उछाल या भू-राजनीतिक तनाव, राष्ट्रों के बीच निवेश की क्षमता को बदल देता है। फिर यह उस विशिष्ट समझ का उपयोग यह अनुमान लगाने के लिए करता है कि झटका आगे कैसे बढ़ेगा, इसे कैसे अवशोषित या बढ़ाया जाएगा, और सिस्टम को स्थिर अवस्था में लौटने में कितना समय लगेगा।
इस विचार का परीक्षण करने के लिए, शोधकर्ता ने मॉडल को वास्तविक दुनिया के डेटा का एक विशाल भंडार दिया, जिसमें दशकों के रिकॉर्ड शामिल थे कि देशों ने अपना पैसा कहाँ निवेश किया, उनके सरकारों ने कैसा प्रदर्शन किया, और विभिन्न समयों पर दुनिया कितनी अनिश्चित रही। डेटा विश्वसनीय अंतरराष्ट्रीय स्रोतों जैसे कि अंतर्राष्ट्रीय मुद्रा कोष (IMF) और विश्व बैंक से आया था, जो 2009 से 2024 की अवधि को कवर करता है। मॉडल को कठिन कार्यों के एक सेट को पूरा करने के लिए कहा गया था: यह भविष्यवाणी करना कि अगले निवेश लिंक कौन से बनेंगे, उन निवेशों के आकार का पूर्वानुमान लगाना, और यह सिम्युलेट करना कि क्या होगा यदि नेटवर्क पर अचानक कोई झटका लगता है। इसके बाद इसकी तुलना मौजूदा तरीकों की एक श्रृंखला से की गई, जिसमें मानक सांख्यिकीय उपकरणों से लेकर उन्नत कृत्रिम बुद्धिमत्ता (AI) मॉडल तक शामिल थे जो वर्तमान में अपने क्षेत्र में सर्वश्रेष्ठ माने जाते हैं।
परिणामों ने दिखाया कि नया दृष्टिकोण लगभग हर श्रेणी में दूसरों से बेहतर रहा। जब देशों के बीच भविष्य के संबंधों की भविष्यवाणी करने के लिए कहा गया, तो यह पिछले सर्वश्रेष्ठ मॉडलों की तुलना में अधिक सटीक था, और भविष्य में बहुत दूर तक देखने पर भी अपनी सटीकता बनाए रखी। अधिक महत्वपूर्ण बात यह है कि जब मॉडल ने एक झटके के प्रसार का अनुकरण किया, तो इसने प्रतिक्रिया के समय और दिशा को उस स्तर के विवरण के साथ पकड़ा जो अन्य मॉडल नहीं देख पाए। जबकि अन्य प्रणालियाँ सामान्य रुझान का अनुमान लगा सकती थीं, वे अक्सर झटके के विशिष्ट पथ को पकड़ने में विफल रहीं, या तो उन देशों को मिस कर गईं जो सबसे अधिक प्रभावित होने वाले थे या यह गलत अनुमान लगाया कि रिकवरी में कितना समय लगेगा। इसके विपरीत, नया मॉडल तनाव के प्रति विभिन्न देशों की प्रतिक्रिया का एक "मानचित्र" सीख गया। यह दिखा सकता था, उदाहरण के लिए, कि एक अर्थव्यवस्था को लगा झटका किसी भागीदार देश द्वारा कम किया जा सकता है लेकिन दूसरे देश द्वारा बढ़ाया जा सकता है, जिससे विजेताओं और हारने वालों का एक जटिल पैटर्न बनता है जो पूरी तरह से उनके बीच के विशिष्ट संबंधों पर निर्भर करता है।
अध्ययन ने यह भी देखा कि मॉडल इस बात को कितनी अच्छी तरह से संभालता है जिसे उसने पहले कभी नहीं देखा है, जिसे 'आउट-ऑफ-डिस्ट्रीब्यूशन जनरलाइजेशन' (out-of-distribution generalization) के रूप में जाना जाता है। शोधकर्ताओं ने प्रमुख वैश्विक व्यवधानों, जैसे कि महामारी और तीव्र भू-राजनीतिक तनाव के दौर के डेटा को छिपा दिया, और फिर मॉडल से पूछा कि उन समयों के दौरान क्या होगा। नया ढांचा उल्लेखनीय रूप से मजबूत साबित हुआ। जब खेल के नियम बदले, तो यह टूट नहीं गया, जैसा कि संकट के दौरान अक्सर होता है। इसके बजाय, इसने विश्वसनीय पूर्वानुमान और लचीलेपन (resilience) की रैंकिंग प्रदान करना जारी रखा, सही ढंग से पहचान की कि किन अर्थव्यवस्थाओं के तेजी से उबरने की संभावना थी और कौन संघर्ष करेगी। यह सुझाव देता है कि मॉडल ने केवल पिछले पैटर्न को याद करने के बजाय सिस्टम के अंतर्निहित तर्क को सीख लिया है। इसने समझा कि लचीलापन केवल इस बारे में नहीं है कि एक देश कितना बड़ा है, बल्कि इस बारे में है कि उसके विशिष्ट संबंध उसे एक झटके को सहने और एक नया रास्ता खोजने की अनुमति कैसे देते हैं।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह है कि मॉडल अब "लचीलेपन" (resilience) को उस तरह से माप सकता है जो पहले असंभव था। केवल देशों को उनके द्वारा खोए गए धन के आधार पर रैंक करने के बजाय, सिस्टम एक रिकवरी स्कोर की गणना करता है कि झटके के बाद किसी अर्थव्यवस्था को अपने सामान्य पथ पर लौटने में कितना समय लगता है। यह कुल नुकसान, वापसी की गति और नेटवर्क के माध्यम से यात्रा करते समय झटके के अधिकतम प्रवर्धन (amplification) को मापता है। यह वैश्विक स्थिरता की कहीं अधिक समृद्ध समझ प्रदान करता है। उदाहरण के लिए, मॉडल ने खुलासा किया कि एक ही झटका एक देश के शासन और निवेश वेब में उसकी स्थिति के आधार पर बहुत अलग प्रभाव डाल सकता है। एक राष्ट्र जिसके पास मजबूत संस्थान हैं, वह झटके को जल्दी सोख सकता है, जबकि एक समान राष्ट्र जिसके पास कमजोर संबंध हैं, वह देख सकता है कि एक ही झटका उसके आर्थिक तंत्र में वर्षों तक चलता रहे।
शोधकर्ता इस बात पर सावधानीपूर्वक ध्यान देते हैं कि यह समझने और स्ट्रेस-टेस्ट करने का एक उपकरण है, न कि भविष्य को पूर्ण निश्चितता के साथ बताने वाला कोई 'क्रिस्टल बॉल'। मॉडल उस डेटा पर निर्भर करता है जो इसे दिया जाता है, और किसी भी प्रणाली की तरह, इसकी भी सीमाएं हैं। यह हर संभावित चर (variable) का हिसाब नहीं रख सकता, और यह मानता है कि देशों के बीच बातचीत के बुनियादी नियम कुछ हद तक सुसंगत रहते हैं। हालांकि, भविष्य की भविष्यवाणी करने की क्षमता और अतीत को समझने की क्षमता को जोड़कर, यह वैश्विक अर्थव्यवस्था को देखने के लिए एक शक्तिशाली नया लेंस प्रदान करता है। यह चर्चा को सरल पूर्वानुमानों से आगे ले जाकर इस बात के गहरे विश्लेषण की ओर ले जाता है कि दुनिया का वित्तीय तंत्र वास्तव में कैसे काम करता है।
अंत में, यह कार्य सुझाव देता है कि वैश्विक वित्त के अध्ययन के तरीके को बदलने की आवश्यकता है। हम अब भविष्यवाणी और कारण को अलग-अलग समस्याओं के रूप में नहीं मान सकते। वैश्विक अर्थव्यवस्था का भविष्य उन्हीं झटकों से आकार लेता है जो इसे बाधित करते हैं, और रिकवरी का मार्ग उसी कोड में लिखा जाता है जो संकट के प्रसार को नियंत्रित करता है। इस संबंध का सम्मान करने वाला एक मॉडल बनाकर, शोधकर्ता ने एक ऐसा तरीका प्रदान किया है जिससे सिस्टम को केवल संख्याओं के संग्रह के रूप में नहीं, बल्कि एक गतिशील, विकसित होते ढांचे के रूप में देखा जा सके जिसे समझा जा सकता है, मापा जा सकता है, और शायद आने वाले तूफानों के लिए बेहतर तैयारी की जा सकती है। निष्कर्ष संकेत देते हैं कि जब हम राष्ट्रों के बीच कारण संबंधी संबंधों (causal links) को समझते हैं, तो हमें सिस्टम की वास्तविक शक्ति और उसके बने रहने की क्षमता का स्पष्ट दृश्य प्राप्त होता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।