Practical Fairness Constraints in Credit Scoring for Unbanked Populations: A Pareto-Optimal Analysis of Gender and Intersectional Disparities
यह शोध पत्र मोबाइल मनी डेटा का उपयोग करके एक निष्पक्षता-प्रतिबंधित क्रेडिट स्कोरिंग ढांचे का प्रस्ताव करता है जो उच्च सटीकता बनाए रखते हुए लिंग-आधारित अनुमोदन अंतराल और नियामक उल्लंघनों को काफी कम कर देता है, हालांकि प्रतिच्छेदन विश्लेषण (intersectional analysis) यह प्रकट करता है कि ऐसे प्रतिबंध अकेले कम आय वाली महिलाओं को प्रभावित करने वाली संयुक्त सामाजिक-आर्थिक असमानताओं को पूरी तरह से हल नहीं कर सकते हैं।
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
आधुनिक वित्तीय दुनिया में, किसी व्यक्ति की ऋण लेने की क्षमता अक्सर उनके द्वारा पीछे छोड़ी गई एक डिजिटल छाया पर निर्भर करती है: पिछले ऋणों, क्रेडिट कार्ड भुगतानों और बैंक लेनदेन का एक रिकॉर्ड। करोड़ों लोगों के लिए, विशेष रूप से उप-सहारा अफ्रीका में, यह छाया मौजूद नहीं है। वे "अनबैंकड" (unbanked) हैं, जिसका अर्थ है कि उन्होंने कभी औपचारिक बैंक खाते का उपयोग नहीं किया है, इसलिए पारंपरिक प्रणालियों के पास यह आंकने का कोई तरीका नहीं है कि वे उधार लेने के लिए कितने भरोसेमंद हैं। यह अपवर्जन व्यक्तियों और छोटे व्यवसायों को एक ऐसे चक्र में फंसा देता है जहाँ वे अपने भविष्य में निवेश करने या आर्थिक झटकों से खुद को बचाने में असमर्थ होते हैं। इस समस्या को हल करने के लिए, ऋणदाता वैकल्पिक डेटा की ओर मुड़ रहे हैं, जैसे कि मोबाइल मनी लेनदेन का इतिहास, जो यह प्रकट कर सकता है कि एक व्यक्ति बिना बैंक खाते के भी अपने पैसे का प्रबंधन कैसे करता है। हालाँकि, जैसे-जैसे कंप्यूटर इन नए पैटर्न को पढ़ना सीखते हैं, यह डर बढ़ता जा रहा है कि वे केवल पुरानी गलतियों को दोहरा सकते हैं, जिससे महिलाओं या गरीबों को अनजाने में ऋण देने से मना किया जा सकता है क्योंकि डेटा वास्तविक पुनर्भुगतान क्षमता के बजाय ऐतिहासिक असमानताओं को दर्शाता है।
यह वही चुनौती है जिसे शोधकर्ता मुआद अब्दुलातीफ ओलामिलेकन और न्गुयेन अन्ह वान ट्रांग ने संबोधित करने का प्रयास किया। उन्होंने एक मौलिक प्रश्न पूछा: क्या हम एक ऐसी कंप्यूटर प्रणाली बना सकते हैं जो सभी को, जिनमें वे लोग भी शामिल हैं जिन्होंने कभी बैंक खाते का उपयोग नहीं किया है, निष्पक्ष रूप से ऋण प्रदान करे, और ऐसा करते समय सिस्टम की यह भविष्यवाणी करने की क्षमता से समझौता न करे कि वास्तव में कौन अपना ऋण चुकाएगा? उत्तर खोजने के लिए, उन्होंने अफ्रीका के वास्तविक मोबाइल मनी रिकॉर्ड का उपयोग नहीं किया, क्योंकि अनुसंधान के लिए उन्हें प्राप्त करना कठिन है। इसके बजाय, उन्होंने ऋण आवेदनों के एक बड़े, सार्वजनिक डेटासेट का उपयोग किया जो वैकल्पिक डेटा की जटिलता की नकल करता है। उन्होंने ऋण चूक (defaults) की भविष्यवाणी करने के लिए एक कंप्यूटर मॉडल को प्रशिक्षित किया और फिर तीन अलग-अलग तरीकों का परीक्षण किया ताकि मॉडल को पुरुषों और महिलाओं के साथ समान व्यवहार करने के लिए मजबूर किया जा सके। एक विधि ने प्रशिक्षण से पहले डेटा को समायोजित किया, दूसरी ने प्रशिक्षण के दौरान कंप्यूटर के सीखने के तरीके को बदला, और तीसरी ने कंप्यूटर के सीखने के बाद अंतिम निर्णय नियमों को ही बदल दिया।
शोधकर्ताओं ने पाया कि सबसे प्रभावी दृष्टिकोण वह था जिसने अंतिम निर्णय नियमों को समायोजित किया। विभिन्न समूहों के लिए अनुमोदन (approval) की सीमा को सावधानीपूर्वक बदलकर, वे पुरुषों और महिलाओं के बीच ऋण स्वीकृति दरों के अंतर को लगभग समाप्त करने में सक्षम रहे। उनके परीक्षणों में, यह अंतर लगभग नौ प्रतिशत अंक से घटकर आधा प्रतिशत से भी कम रह गया, जो कि लगभग नब्बे प्रतिशत की कमी है। महत्वपूर्ण रूप से, यह व्यापक सुधार सिस्टम की समग्र सटीकता की बहुत कम कीमत पर आया। अच्छे उधारकर्ताओं की पहचान करने की मॉडल की क्षमता में केवल एक बहुत मामूली गिरावट आई, जो यह सुझाव देती है कि ऋणदाताओं को निष्पक्ष होने और लाभदायक होने के बीच चयन करने की आवश्यकता नहीं है। सिस्टम काफी अधिक समावेशी हो गया, जिससे कुल मिलाकर अधिक ऋण स्वीकृत हुए, जबकि उच्च जोखिम प्रबंधन मानक भी बनाए रखे गए।
हालाँकि, अध्ययन ने निष्पक्षता के बारे में एक गहरे, अधिक जटिल सत्य का भी खुलासा किया। जबकि कंप्यूटर मॉडल ने औसतन पुरुषों और महिलाओं के साथ समान व्यवहार किया, वह आय से उत्पन्न असमानताओं को ठीक नहीं कर सका। जब शोधकर्ताओं ने लिंग और धन के प्रतिच्छेदन (intersection) को देखा, तो उन्होंने पाया कि सबसे गरीब महिलाएं अभी भी सबसे अमीर पुरुषों की तुलना में ऋण प्राप्त करने में बहुत कम सक्षम थीं। इन दो विशिष्ट समूहों के बीच का अंतर बड़ा बना रहा, भले ही पुरुषों और महिलाओं के समग्र आंकड़े समान दिख रहे थे। यह निष्कर्ष बताता है कि केवल कंप्यूटर को एक समूह, जैसे कि महिलाओं, के प्रति निष्पक्ष होने के लिए कहना, व्यापक आर्थिक असमानता को हल करने के लिए पर्याप्त नहीं है। मॉडल एक संकीर्ण अर्थ में निष्पक्ष था, लेकिन वह सबसे गरीब आवेदकों द्वारा सामना की जाने वाली संरचनात्मक बाधाओं को दूर नहीं कर सका।
शोधकर्ताओं ने यह भी नोट किया कि हालांकि सिस्टम ने निष्पक्ष निर्णय लिए, लेकिन इसके द्वारा उत्पन्न विश्वास स्कोर (confidence scores) हमेशा पूरी तरह से कैलिब्रेटेड नहीं थे, जिसका अर्थ है कि वास्तविक दुनिया के बैंक में उपयोग करने से पहले सटीक संभाव्यता संख्याओं को समायोजन की आवश्यकता हो सकती है। उन्होंने इस बात पर जोर दिया कि उनका कार्य एक 'प्रूफ ऑफ कॉन्सेप्ट' है, जो यह दिखाता है कि क्रेडिट स्कोरिंग पर निष्पक्षता संबंधी बाधाओं को प्रभावी ढंग से लागू किया जा सकता है। उन्होंने यह दावा नहीं किया कि उन्होंने वित्तीय अपवर्जन की पूरी समस्या को हल कर दिया है, बल्कि उन्होंने एक स्पष्ट मार्ग प्रदान किया है। एक ऐसी विधि का उपयोग करके जो सटीकता की आवश्यकता को निष्पक्षता की आवश्यकता के साथ संतुलित करती है, वित्तीय संस्थान अनबैंकड लोगों को ऋण देने के साथ-साथ उन पूर्वाग्रहों को मजबूत करने से बच सकते हैं जिन्होंने उन्हें बाहर रखा था। अध्ययन निष्कर्ष निकालता है कि सही उपकरणों के साथ, एक ऐसा वित्तीय तंत्र बनाना संभव है जो स्मार्ट और न्यायपूर्ण दोनों हो, हालांकि यह सुनिश्चित करने के लिए निरंतर सतर्कता की आवश्यकता होगी कि निष्पक्षता समाज के सभी स्तरों तक पहुंचे, न कि केवल सतही स्तर तक।
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।