When R&D Taxonomies Travel: Target-Population Validity in the Selection of Young Technology-Oriented SMEs
यह अध्ययन प्रदर्शित करता है कि व्यापक उद्योग आबादी पर आधारित प्रौद्योगिकी-हस्तांतरण वर्गीकरण अक्सर युवा एसएमई (SMEs) के लिए चयन वैधता की कमी रखते हैं, जो यह दर्शाता है कि उच्च-विकास वाली फर्मों की पहचान करने के लिए स्क्रीनिंग सटीकता में सुधार करने हेतु मानक ओईसीडी (OECD) क्षेत्र वर्गीकरणों के बजाय विशेष रूप से लक्षित एसएमई आबादी के अनुरूप आरएंडडी (R&D) मानदंडों को पुनर्गठित करना महत्वपूर्ण 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
कल्पना कीजिए कि आप एक विशाल संगीत उत्सव के लिए एक टैलेंट स्काउट हैं। आपका काम अगले बड़े बैंड को खोजना है, लेकिन आपके पास हजारों डेमो सुनने के लिए हैं और केवल कुछ ही घंटे। समय बचाने के लिए, आप एक शॉर्टकट अपनाने का निर्णय लेते हैं: आप केवल उन शहरों के बैंड्स को सुनते हैं जो प्रसिद्ध रॉक सितारों को पैदा करने के लिए जाने जाते हैं। यह शॉर्टकट एक "टैक्सोनॉमी" (taxonomy) है—चीजों को उन श्रेणियों में वर्गीकृत करने की एक प्रणाली जो हम पहले से जानते हैं। विज्ञान और व्यवसाय की दुनिया में, ये टैक्सोनॉमीज़ मानचित्रों की तरह हैं जो सरकारों, बैंकों और निवेशकों को यह तय करने में मदद करते हैं कि कौन सी कंपनियाँ "हाई-टेक" हैं और उन्हें पैसा या समर्थन मिलना चाहिए। बड़ा सवाल यह है कि क्या एक पूरे देश के लिए बनाया गया मानचित्र उतना ही अच्छा काम करता है जब आप एक छोटे से गाँव में किसी विशिष्ट प्रकार के व्यक्ति को खोज रहे हों? यदि मानचित्र विशाल निगमों को देखते हुए बनाया गया था, तो क्या वह अभी भी आपको सही युवा, संघर्षशील स्टार्टअप्स तक पहुँचाएगा? यह शोध पत्र ठीक इसी समस्या की पड़ताल करता है, और यह पता लगाता है कि हम गलत उम्मीदवारों को चुनने से कैसे बच सकते हैं क्योंकि हमने एक ऐसा मानचित्र उपयोग किया जो उस क्षेत्र के अनुकूल नहीं था।
"व्हेन आर एंड डी टैक्सोनॉमीज़ ट्रैवल" (When R&D Taxonomies Travel) शीर्षक वाला यह शोध पत्र एक विशिष्ट गलती की जांच करता है जो तब होती है जब इन वर्गीकरण प्रणालियों को एक समूह की कंपनियों से दूसरे समूह की कंपनियों में "स्थानांतरित" किया जाता है। लेखक, हाना किम, तर्क देती हैं कि एक प्रणाली समग्र चित्र का वर्णन करने में पूरी तरह से सटीक (वर्णनात्मक वैधता - descriptive validity) हो सकती है, लेकिन एक विशिष्ट कार्य के लिए सही विजेताओं को चुनने में (चयन वैधता - selection validity) पूरी तरह विफल हो सकती है। परीक्षण करने के लिए, शोधकर्ता ने एक कोरियाई बैंक के एक विशाल डेटासेट का उपयोग किया जिसमें 1,16,000 से अधिक युवा, छोटी तकनीकी कंपनियाँ शामिल थीं। उन्होंने इन कंपनियों को फ़िल्टर करने के तीन अलग-अलग तरीकों की तुलना की:
- "बड़ा मानचित्र" (OECD नियम): उच्च-तकनीकी उद्योगों की मानक अंतर्राष्ट्रीय सूची का उपयोग करना, जो सभी कंपनियों, जिनमें विशाल निगम भी शामिल हैं, के डेटा पर आधारित है।
- "स्थानीय मानचित्र" (SME R&D नियम): केवल युवा, छोटी कंपनियों के डेटा का उपयोग करके उच्च-तकनीकी सूची की पुनर्गणना करना।
- "सुपर मैप" (मल्टी-सिग्नल नियम): स्थानीय मानचित्र में पेटेंट गणना और अमूर्त संपत्ति जैसे अतिरिक्त सुराग जोड़ना ताकि यह देखा जा सके कि क्या इससे और मदद मिलती है।
परिणाम आश्चर्यजनक और स्पष्ट थे। जबकि "बड़ा मानचित्र" (मानक अंतर्राष्ट्रीय नियम) ने कुछ सफल कंपनियों की पहचान की और यादृच्छिक संयोग (random chance) से बेहतर प्रदर्शन किया, यह विकल्पों की तुलना में कम प्रभावी था। जब शोधकर्ताओं ने "स्थानीय मानचित्र" पर स्विच किया—जिसने अनुसंधान खर्च के समान विचार का उपयोग किया लेकिन इसे विशेष रूप से छोटे व्यवसायों के लिए पुनर्गणना किया—तो उन्होंने काफी अधिक विजेता पाए। विशेष रूप से, स्थानीय मानचित्र ने उन कंपनियों की 2.23 प्रतिशत अंक अधिक पहचान की जिन्होंने मजबूत बिक्री वृद्धि और एक अच्छी वित्तीय रेटिंग दोनों हासिल की थी, तुलना में जो बड़े मानचित्र ने किया था।
यहाँ एक मोड़ है जिसे यह शोध पत्र स्पष्ट रूप से खारिज करता है: कई लोग मान लेते हैं कि मानक मानचित्र इसलिए विफल होता है क्योंकि यह नवाचार के पर्याप्त प्रकारों (जैसे पेटेंट या डिज़ाइन) को नहीं देखता है। वे सोचते हैं कि हमें सूची में और अधिक सुराग जोड़ने की आवश्यकता है। हालाँकि, इस अध्ययन ने पाया कि उन अतिरिक्त सुरागों ( "सुपर मैप") को जोड़ने से वास्तव में अधिक मदद नहीं मिली। स्थानीय मानचित्र और सुपर मैप के बीच का अंतर बहुत कम था। असली समस्या यह नहीं थी कि मानचित्र में जानकारी की कमी थी; समस्या यह थी कि मानचित्र गलत भीड़ के लिए बनाया गया था। "बड़ा मानचित्र" विशाल, पुरानी कंपनियों द्वारा हावी था, इसलिए इसने उन उद्योगों की ओर इशारा किया जहाँ छोटे स्टार्टअप वास्तव में फलते-फूलते नहीं थे। केवल उस छोटे समूहों के अनुकूल मानचित्र को फिर से बनाकर, चयन प्रक्रिया बेहतर हो गई बिना किसी नए डेटा की आवश्यकता के।
शोध पत्र ने यह भी देखा कि यदि आप एक साथ दोनों मानचित्रों का उपयोग करते हैं (एक "दोहरे मार्ग" वाली प्रणाली), तो क्या होता है। यह दृष्टिकोण अधिक संभावित विजेताओं को पकड़ता है (उच्च "रिकॉल"), लेकिन इसका मतलब यह भी है कि आपको उन कई कंपनियों के मूल्यांकन में समय और पैसा खर्च करना होगा जो विफल हो सकती हैं। अध्ययन सुझाव देता है कि यह दोहरा दृष्टिकोण केवल तभी सार्थक है जब एक महान कंपनी को खोने की लागत, कुछ अतिरिक्त कंपनियों की जाँच करने की लागत से अधिक हो।
संक्षेप में, शोध पत्र सुझाव देता है कि जब हम तकनीक में अगली बड़ी चीज़ खोजने की कोशिश करते हैं, तो हमें केवल पूरी दुनिया के लिए बनाई गई मानक सूचियों पर निर्भर नहीं रहना चाहिए। इसके बजाय, हमें उन सूचियों को विशेष रूप से उस समूह के लिए फिर से बनाने की आवश्यकता है जिसे हम खोज रहे हैं। अध्ययन दिखाता है कि जब हम "जनसंख्या बेमेल" (population mismatch) को ठीक करते हैं—यह सुनिश्चित करते हुए कि मानचित्र ज़मीन पर मौजूद लोगों के अनुकूल हो—तो यह मानचित्र में अधिक जटिल संकेतकों को जोड़ने से कहीं अधिक शक्तिशाली है। यह एक याद दिलाता है कि नवाचार की खोज में, संदर्भ ही सब कुछ है, और एक उपकरण जो दिग्गजों के लिए काम करता है, वह उन छोटे लोगों के लिए काम नहीं कर सकता जो कुछ नया शुरू करने की कोशिश कर रहे हैं।
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।