Evaluating national machine-learning predictions of household biogas use across time and local contexts in Nepal

नेपाल की पहाड़ियों और घाटियों में, लाखों घरों ने दशकों से धुएं और कालिख के साथ खाना पकाने से दूर जाने की कोशिश की है। पीढ़ियों से, परिवार लकड़ी, फसल के अवशेष या गोबर जलाने पर निर्भर रहे हैं, एक ऐसी प्रथा जो स्वास्थ्य को नुकसान पहुँचाती है और जंगलों को खत्म करती है। मदद करने के लिए, सरकार और अंतर्राष्ट्रीय समूहों ने वर्षों तक बायोगैस प्लांट लगाने में खर्च किया है। ये प्रणालियाँ पशु अपशिष्ट को लेती हैं और उसे खाना पكाने के लिए एक स्वच्छ गैस में बदल देती हैं, जो एक स्वच्छ, स्वस्थ जीवन का वादा करती हैं। लेकिन आँगन में एक स्वच्छ चूल्हा होने का मतलब यह गारंटी नहीं है कि रसोई में आग भी स्वच्छ होगी। परिवार तकनीक तो स्थापित कर सकते हैं, लेकिन यदि उनके पास पानी की कमी हो, यदि जानवरों के लिए गोबर खत्म हो जाए, या यदि मशीन खराब हो जाए और उसे ठीक करने वाला कोई न हो, तो वे इसका उपयोग करना बंद कर सकते हैं। तकनीक होने और वास्तव में उसका उपयोग करने के बीच का यह अंतर ही वह केंद्रीय पहेली है जिसे समझने के लिए किसी को यह जानना होगा कि ऊर्जा संक्रमण वास्तव में कैसे काम करते हैं।

इस प्रगति को ट्रैक करने के लिए, शोधकर्ता अक्सर बड़े राष्ट्रीय सर्वेक्षणों पर भरोसा करते हैं जो हजारों परिवारों से उनके ईंधन विकल्पों के बारे में पूछते हैं। हाल के वर्षों में, वैज्ञानिकों ने इन सर्वेक्षणों का विश्लेषण करने के लिए शक्तिशाली कंप्यूटर प्रोग्रामों, जिन्हें मशीन लर्निंग कहा जाता है, का उपयोग करना शुरू किया है। ये प्रोग्राम डेटा में पैटर्न खोजते हैं ताकि यह अनुमान लगाया जा सके कि कौन से घर बायोगैस का उपयोग करने की संभावना रखते हैं। उम्मीद यह है कि ये भविष्यवाणियां एक मानचित्र की तरह काम कर सकती हैं, जो अधिकारियों को दिखा सकें कि ऊर्जा संक्रमण कहाँ सफल हो रहा है और कहाँ रुक रहा है। हालांकि, एक पूरे देश के लिए बनाया गया मानचित्र एक विशिष्ट गाँव के लिए उपयुक्त नहीं हो सकता है, और एक वर्ष के लिए बनाया गया मानचित्र अगले वर्ष के लिए फिट नहीं बैठ सकता है। प्रश्न यह है कि क्या ये राष्ट्रीय कंप्यूटर मॉडल तब भी उपयोगी रहते हैं जब उन्हें विभिन्न स्थानों या विभिन्न समय पर लागू किया जाता है, या वे केवल पुराने हो चुके अनुमान बनकर रह जाते हैं।

शोधकर्ताओं की एक टीम ने ठीक यही परीक्षण करने के लिए हाथ मिलाया। उन्होंने नेपाल के राष्ट्रीय डेटा से बनाए गए मशीन-लर्निंग मॉडल लिए और उन्हें एक विशिष्ट स्थानीय क्षेत्र, चितवन घाटी में, कई अलग-अलग वर्षों में बायोगैस के उपयोग की भविष्यवाणी करने के लिए उपयोग किया। वे यह देखना चाहते थे कि क्या मॉडल अभी भी उन घरों के बीच अंतर बता सकते हैं जो बायोगैस का उपयोग करेंगे और जो नहीं करेंगे, भले ही समय बीतता जाए और स्थानीय स्थिति बदलती रहे। वे यह भी देखना चाहते थे कि क्या मॉडल विभिन्न सामाजिक समूहों के साथ निष्पक्ष व्यवहार करते हैं, या क्या वे लगातार कुछ समुदायों के लिए गलत निशाना लगाते हैं।

शोधकर्ताओं ने 2011, 2016 और 2022 में किए गए तीन राष्ट्रीय सर्वेक्षणों से डेटा एकत्र किया, जो पूरे देश को कवर करते थे। फिर उन्होंने इन राष्ट्रीय भविष्यवाणियों की तुलना अपने स्वयं के स्वतंत्र सर्वेक्षणों से की जो उन्होंने 2014, 2017 और 2023 में चितवन घाटी में किए थे। परीक्षण को निष्पक्ष बनाने के लिए, उन्होंने केवल वही जानकारी उपयोग की जो प्रत्येक स्थानीय सर्वेक्षण से पहले उपलब्ध थी। उदाहरण के लिए, 2014 के स्थानीय सर्वेक्षण की भविष्यवाणी करने के लिए, उन्होंने केवल 2011 के राष्ट्रीय डेटा का उपयोग किया। इसने यह सुनिश्चित किया कि वे यह परीक्षण कर रहे थे कि मॉडल समय के साथ कितने टिके रहते हैं, न कि केवल वह दोहरा रहे थे जो वे पहले से जानते थे।

परिणामों ने इन मॉडलों के प्रदर्शन के तरीके में एक दिलचस्प विभाजन का खुलासा किया। जब शोधकर्ताओं ने यह देखा कि क्या मॉडल घरों को सही ढंग से रैंक कर सकते हैं—अर्थात, यह पहचानना कि कौन से परिवार बायोगैस का उपयोग करने की अधिक संभावना रखते हैं—तो मॉडल आश्चर्यजनक रूप से मजबूत बने रहे। वर्षों बाद भी, कंप्यूटर प्रोग्राम उन घरों को पहचानने में सक्षम थे जिनके पास इस तकनीक का उपयोग करने की उच्च संभावना थी। हालांकि, जब शोधकर्ताओं ने वास्तविक संख्याओं को देखा, तो मॉडल कम सटीक हो गए। मॉडल लगातार यह भविष्यवाणी करते रहे कि अधिक परिवार बायोगैस का उपयोग करेंगे जितना वास्तव में कर रहे थे। समय के साथ, मॉडलों द्वारा की गई भविष्यवाणी और वास्तविक जीवन में देखे गए आंकड़ों के बीच का अंतर बढ़ता गया। सबसे हालिया तुलना में, मॉडलों ने भविष्यवाणी की कि लगभग तीन प्रतिशत घर अपने मुख्य ईंधन के रूप में बायोगैस का उपयोग करेंगे, लेकिन वास्तविक संख्या केवल लगभग एक प्रतिशत थी।

यह विसंगति और भी स्पष्ट हो गई जब शोधकर्ताओं ने बायोगैस के उपयोग के विभिन्न चरणों को देखा। एक प्लांट स्थापित करना केवल पहला कदम है। एक प्लांट एक साल तक सक्रिय रह सकता है, फिर बंद हो सकता है। एक परिवार गैस का कभी-कभार उपयोग कर सकता है, या इसे अपने मुख्य ईंधन के रूप में उपयोग कर सकता है। राष्ट्रीय मॉडल सबसे उन्नत चरण की भविष्यवाणी करने के लिए डिज़ाइन किए गए थे: प्राथमिक ईंधन के रूप में बायोगैस का उपयोग करना। जब शोधकर्ताओं ने इन भविष्यवाणियों की तुलना स्थानीय डेटा से की, तो उन्होंने पाया कि मॉडल उस विशिष्ट, उन्नत चरण को देखने पर सबसे अच्छा काम करते हैं। लेकिन जब उन्होंने सरल चरणों को देखा, जैसे कि केवल प्लांट स्थापित होना, तो मॉडलों ने वास्तव में तकनीक का उपयोग करने वाले परिवारों की संख्या को बहुत अधिक बढ़ाकर बताया। उदाहरण के लिए, 2023 में, जबकि तेरह प्रतिशत घरों में एक प्लांट था, केवल छह प्रतिशत ने इसे सक्रिय बताया, और तीन प्रतिशत से भी कम ने इसे अपने मुख्य ईंधन के रूप में उपयोग किया। मॉडल, जो प्राथमिक उपयोग के राष्ट्रीय लक्ष्य पर प्रशिक्षित थे, उस सफलता को आंशिक उपयोग या खराब उपकरण की जटिल वास्तविकता में आसानी से अनुवादित नहीं कर सके।

अध्ययन ने सामाजिक पहचान के आधार पर महत्वपूर्ण अंतर भी उजागर किए। नेपाल में, समाज जाति द्वारा संरचित है, एक ऐसी व्यवस्था जिसने ऐतिहासिक रूप से संसाधनों और अवसरों तक पहुंच को निर्धारित किया है। जब शोधकर्ताओं ने मॉडल की भविष्यवाणियों की तुलना विभिन्न जाति समूहों के वास्तविक परिणामों से की, तो उन्होंने हाशिए पर रहने वाले समुदायों के लिए कम भविष्यवाणी करने का एक सुसंगत पैटर्न पाया। विशेष रूप से, दलित जाति के घर, जो लंबे समय से भेदभाव का सामना कर रहे हैं, राष्ट्रीय मॉडलों की तुलना में बायोगैस का उपयोग करने की काफी कम संभावना रखते थे। मॉडलों ने, जो व्यापक राष्ट्रीय औसत पर आधारित थे, उन विशिष्ट बाधाओं को नहीं समझा जिनका सामना ये परिवार करते हैं। इसके विपरीत, सामुदायिक वन समूहों में शामिल घरों के लिए मॉडलों ने इसी तरह का अंतर नहीं दिखाया, जिससे पता चलता है कि जबकि सामाजिक स्थिति भविष्यवाणी त्रुटि का एक प्रमुख कारक था, स्थानीय संस्थागत सदस्यता इस विशिष्ट संदर्भ में एक विभेदक कम थी।

शोधकर्ताओं ने निष्कर्ष निकाला कि इन राष्ट्रीय मॉडलों को निश्चित पूर्वानुमान के रूप में नहीं देखा जाना चाहिए जो हमें बताते हैं कि किसी दिए गए वर्ष में कितने लोग बायोगैस का उपयोग करेंगे। इसके बजाय, उन्हें अनुकूलनीय बेंचमार्क (मानदंड) के रूप में देखा जाना चाहिए। वे सापेक्ष अंतर पहचानने के लिए उपयोगी उपकरण हैं—यह बताने के लिए कि कौन से घर तकनीक को अपनाने की अधिक संभावना रखते हैं—लेकिन सटीक संख्या बताने के मामले में वे भटक जाते हैं। अध्ययन सुझाव देता है कि ऊर्जा संक्रमण को वास्तव में समझने के लिए, अधिकारियों को इन राष्ट्रीय भविष्यवाणियों की स्थानीय वास्तविकताओं के साथ बार-बार जांच करनी चाहिए। ऐसा करके, वे पहचान सकते हैं कि मॉडल कहाँ विफल हो रहे हैं, जैसे कि विशिष्ट सामाजिक समूहों में या तकनीक के उपयोग के विशिष्ट चरणों में, और जहाँ उनकी आवश्यकता है वहाँ अपना समर्थन लक्षित कर सकते हैं।

अंततः, यह कार्य दिखाता है कि जबकि तकनीक को एक घर तक पहुँचाया जा सकता है, इसे चालू रखने के लिए स्थानीय जीवन की गहरी समझ की आवश्यकता होती है। एक कंप्यूटर प्रोग्राम आपको बता सकता है कि कौन सा घर बायोगैस प्लांट का उपयोग करने की संभावना रखता है, लेकिन वह आसानी से टूटे हुए पंप, पानी की कमी, या उन सामाजिक बाधाओं को नहीं देख सकता जो एक परिवार को इसका उपयोग करने से रोकती हैं। नेपाल में, और शायद अन्यत्र भी, स्वच्छ ऊर्जा के भविष्य का मार्ग केवल अधिक चूल्हे स्थापित करने में नहीं, बल्कि अपनी भविष्यवाणियों का निरंतर पुनर्मूल्यांकन करने में निहित है ताकि यह सुनिश्चित हो सके कि वे उन लोगों के जटिल, बदलते जीवन को दर्शाते हैं जिनकी वे सेवा करने के लिए बनी हैं।