Stacking Ensemble Models for Predicting Digital Payment Adoption: A Comprehensive Machine Learning Analysis of Global Findex 2025 Data

कल्पना कीजिए कि वैश्विक अर्थव्यवस्था एक विशाल, हलचल भरे बाजार की तरह है जहाँ हर कोई व्यापार करने, बचत करने और चीजें खरीदने की कोशिश कर रहा है। लंबे समय तक, यह बाजार ज्यादातर भौतिक था—आपको बैंक जाने, नकदी ले जाने या चेक लिखने की आवश्यकता होती थी। लेकिन हाल ही में, एक जादुई नया उपकरण सामने आया है: डिजिटल भुगतान। ये उन अदृश्य सिक्कों की तरह हैं जो स्मार्टफोन और कंप्यूटर के माध्यम से हवा में तैरते हैं, जिससे लोग बिना कभी कागजी मुद्रा को छुए चीजों के लिए भुगतान कर सकते हैं। यह बदलाव एक बड़ी बात है क्योंकि यह उन लोगों को भी बाजार में शामिल होने में मदद करता है जो पहले इससे बाहर थे—जैसे दूरदराज के गांवों में रहने वाले या जिनके पास बहुत कम पैसा है। इसे "वित्तीय समावेशन" (financial inclusion) कहा जाता है, और यह सभी को एक बेहतर जीवन बनाने में मदद करने की कुंजी है।

लेकिन पेच यह है: अभी भी हर कोई इन डिजिटल सिक्कों का उपयोग नहीं कर रहा है। कुछ लोग इसमें पूरी तरह से कूद रहे हैं, जबकि अन्य भ्रमित या डरे हुए होकर किनारे पर खड़े हैं। वैज्ञानिक और अर्थशास्त्री यह समझने की कोशिश कर रहे हैं कि वास्तव में क्यों कुछ लोग इन नए उपकरणों को अपनाते हैं जबकि अन्य नहीं। वे किसी व्यक्ति की आय, उसकी उम्र और उसके पास स्मार्टफोन होने जैसे सुरागों को देखते हैं। पारंपरिक रूप से, उन्होंने उत्तर का अनुमान लगाने के लिए सरल गणित का उपयोग किया, लेकिन दुनिया अव्यवस्थित और जटिल है। कभी-कभी, सुराग अजीब तरीकों से आपस में क्रिया करते हैं—जैसे कि स्मार्टफोन होना तब काम नहीं आता जब आप जानना न जानते हों कि इसका उपयोग कैसे करना है, या पैसा होना तब काम नहीं आता जब आपको इंटरनेट पर भरोसा न हो। इस पहेली को सुलझाने के लिए, शोधकर्ता अब "मशीन लर्निंग" का उपयोग कर रहे हैं, जो एक सुपर-स्मार्ट रोबोट को लाखों सुरागों को एक साथ देखने और ऐसे पैटर्न खोजने के लिए सिखाने जैसा है जिन्हें मानव मस्तिष्क मिस कर सकता है।

इस अध्ययन में, शोधकर्ताओं की एक टीम ने डिजिटल भुगतान अपनाने के रहस्य को सुलझाने के लिए एक सुपर-रोबोट जासूस बनाने का निर्णय लिया। उन्होंने केवल एक रोबोट नहीं बनाया; उन्होंने रोबोटों की एक पूरी टीम बनाई, जिनमें से प्रत्येक के सोचने का अलग तरीका है, और फिर उन्हें मिलकर काम करना सिखाया। उन्होंने "ग्लोबल फिनडेक्स 2025" नामक एक विशाल डेटासेट का उपयोग किया, जो 141 विभिन्न देशों के 144,090 वयस्कों की जानकारी वाला एक विशाल फोटो एल्बम है। डेटा के अस्त-व्यस्त हिस्सों को साफ करने के बाद, उनके पास अध्ययन के लिए 102,954 लोगों की एक स्पष्ट तस्वीर थी।

शोधकर्ताओं ने अपने रोबोट टीम को 183 अलग-अलग सुरागों (चरों) की एक सूची दी, जैसे शिक्षा का स्तर, इंटरनेट तक पहुंच और आय के स्रोत। काम को आसान बनाने के लिए, उन्होंने सबसे महत्वपूर्ण 66 सुरागों को चुनने के लिए एक स्मार्ट फिल्टर का उपयोग किया और उनमें से कुछ को नए, "सुपर-सुरागों" में मिला दिया। उदाहरण के लिए, उन्होंने एक "सुपर-सुराग" बनाया जिसने एक व्यक्ति के शिक्षा स्तर को उसके इंटरनेट उपयोग से गुणा किया, क्योंकि टीम को संदेह था कि इन दोनों का एक साथ होना अकेले होने की तुलना में बहुत अधिक शक्तिशाली होगा। उन्होंने आय के विभिन्न तरीकों और व्यक्ति कितना "वित्तीय रूप से झुका हुआ" (जैसे कि क्या वे बचत करते हैं या उनके पास क्रेडिट कार्ड है) के बारे में नए सुराग भी बनाए।

इसके बाद, शोधकर्ताओं ने XGBoost, LightGBM और CatBoost जैसे उन्नत एल्गोरिदम का उपयोग करके तीन अलग-अलग प्रकार के "बेस" रोबोटों को प्रशिक्षित किया। इसे तीन अलग-अलग जासूसों के रूप में सोचें: एक बारीक विवरणों को पकड़ने में माहिर है, दूसरा बड़ी मात्रा में जानकारी को प्रोसेस करने में तेज़ है, और तीसरा अव्यवस्थपूर्ण, श्रेणीबद्ध डेटा को संभालने में उत्कृष्ट है। उन्होंने इन रोबोटों को केवल अनुमान लगाने के लिए नहीं छोड़ा; उन्होंने उनके सेटिंग्स को सूक्ष्म रूप से ट्यून करने के लिए 'ऑप्टुना' (Optuna) नामक एक विशेष उपकरण का उपयोग किया, जैसे कि कैमरे के लेंस के फोकस को एडजस्ट करना, ताकि यह सुनिश्चित हो सके कि वे जितने भी शार्प हो सकें।

लेकिन असली जादू तब हुआ जब उन्होंने इन रोबोटों को एक "स्टैकिंग" (stacking) टीम में रखने का निर्णय लिया। एक अकेले रोबोट को अंतिम निर्णय लेने देने के बजाय, उन्होंने तीन बेस रोबोटों को पहले अपने अनुमान लगाने के लिए इस्तेमाल किया। फिर, उन्होंने उन अनुमानों को एक "मेटा-लर्नर" रोबोट (इस मामले में, एक ExtraTrees क्लासिफायर) को दिया, जिसका एकमात्र काम उन तीन बेस रोबोटों को सुनना और यह तय करना था कि कौन सही है। यह तीन विशेषज्ञों द्वारा अपनी राय देने जैसा है, और फिर एक बुद्धिमान न्यायाधीश उन सभी को सुनकर अंतिम फैसला सुनाता है। शोधकर्ताओं ने इस टीम का परीक्षण अन्य तरीकों के विरुद्ध किया, जैसे कि केवल एक रोबोट का उपयोग करना या रोबोटों द्वारा बहुमत से वोट देना।

परिणाम प्रभावशाली थे। "स्टैकिंग" टीम, विशेष रूप से LightGBM और XGBoost को बेस डिटेक्टिव के रूप में और ExtraTrees रोबोट को जज के रूप में मिलाकर, 93.04% बार सही साबित हुई। यह सबसे अच्छा स्कोर था जो उन्हें मिला, जिसने एकल रोबोटों और अन्य टीम संयोजनों को पीछे छोड़ दिया। शोधकर्ताओं ने निर्णय लेने के पीछे के कारणों को देखने के लिए SHAP नामक एक टूल का उपयोग किया। उन्होंने पाया कि रोबोट तीन मुख्य कारकों से अत्यधिक प्रभावित था: एक व्यक्ति की शिक्षा, इंटरनेट तक पहुंच, और उनकी आय। दिलचस्प बात यह है कि रोबोट ने सीखा कि शिक्षा और इंटरनेट एक्सेस तब सबसे अच्छा काम करते हैं जब वे एक साथ होते; एक के बिना दूसरा होना उतना मददगार नहीं था।

अध्ययन ने यह भी दिखाया कि जबकि रोबोटों को फाइन-ट्यून करने (हाइपरपैरामीटर ऑप्टिमाइजेशन) से थोड़ा फायदा हुआ, लेकिन असली सफलता टीम की संरचना में थी। "स्टैकिंग" दृष्टिकोण ने भविष्यवाणियों को एकल रोबोट द्वारा हासिल की गई तुलना में बहुत अधिक स्थिर और सटीक बना दिया। हालांकि, शोधकर्ताओं ने नोट किया कि उनका रोबोट कम आय और ग्रामीण आबादी के व्यवहार की भविष्यवाणी करने में थोड़ा संघर्ष करता है। यह सुझाव देता है कि इन समूहों के लिए, अभी भी छिपी हुई बाधाएं हैं—जैसे विश्वास की कमी, सुरक्षा का डर, या धीमी इंटरनेट गति—जिसे रोबोट केवल उपलब्ध डेटा के साथ पूरी तरह से नहीं समझा सका।

अंत में, यह पेपर दिखाता है कि विशेष रूप से काम करने वाले मशीन लर्निंग मॉडल की एक टीम का उपयोग करके, हम बहुत उच्च सटीकता के साथ यह भविष्यवाणी कर सकते हैं कि कौन डिजिटल भुगतान शुरू करेगा। यह पुष्टि करता है कि शिक्षा और इंटरनेट एक्सेस वित्तीय समावेशन को अनलॉक करने की सुनहरी कुंजियाँ हैं, लेकिन यह हमें चेतावनी भी देता है कि केवल बुनियादी ढांचा बनाना ही काफी नहीं है; हमें यह सुनिश्चित करने की भी आवश्यकता है कि लोगों के पास इसका उपयोग करने के लिए कौशल और विश्वास हो। शोधकर्ताओं का सुझाव है कि भविष्य के अध्ययनों को यह देखना चाहिए कि ये व्यवहार समय के साथ कैसे बदलते हैं और इसमें बड़े आर्थिक कारकों को शामिल किया जाना चाहिए, लेकिन फिलहाल, रोबोटों की यह "स्टैक्ड" टीम हमें यह देखने का सबसे स्पष्ट दृश्य देती है कि डिजिटल मनी क्रांति दुनिया भर में कैसे फैल रही है।