Nowcasting Meso-Level Industrial Production Using Multi-Source Satellite Data and Hybrid DFM–Machine Learning Framework 

आर्थिक गतिविधि एक विशाल, परिवर्तनशील परिदृश्य है जिसे सरकारें और व्यवसाय वास्तविक समय में मैप करने का प्रयास करते हैं। आमतौर पर, वे उन आधिकारिक रिपोर्टों पर भरोसा करते हैं जो यह गिनती हैं कि कारखानों ने कितना उत्पादन किया, लेकिन ये रिपोर्ट तब आती हैं जब काम वास्तव में पूरा हुए कई सप्ताह या महीने बीत चुके होते हैं। जब तक संख्याएँ प्रकाशित होती हैं, तब तक आर्थिक मौसम अक्सर बदल चुका होता है। इस अंतर को भरने के लिए, अर्थशास्त्रियों ने "नाउकास्ट" (nowcasts) की तलाश करना शुरू कर दिया है—यानी अभी क्या हो रहा है, इसका सटीक अनुमान। किसी कारखाने द्वारा रिपोर्ट दर्ज करने का इंतज़ार करने के बजाय, वे उन संकेतों को देखते हैं जो उत्पादन शुरू होते ही दिखाई देने लगते हैं। हाल के वर्षों में, पृथ्वी के ऊपर चक्कर काट रहे उपग्रहों ने अर्थव्यवस्था को देखने का एक नया तरीका प्रदान किया है। ये सेंसर रात के समय कारखानों की रोशनी की चमक देख सकते हैं और नाइट्रोजन डाइऑक्साइड के गुबार को माप सकते हैं, जो एक ऐसी गैस है जो औद्योगिक स्थलों के ऊपर ईंधन जलने से निकलती है। शोधकर्ता यह सवाल पूछ रहे हैं कि क्या ये दूरस्थ, मुफ्त में उपलब्ध दृश्य स्टील और रसायनों से लेकर हमारे द्वारा चलाई जाने वाली कारों तक, विशिष्ट उद्योगों के मासिक उत्पादन की सटीक भविष्यवाणी कर सकते हैं।

जापानी विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने जापान के विनिर्माण क्षेत्र पर विशेष ध्यान केंद्रित करते हुए इस विचार का परीक्षण करने का निर्णय लिया। वे यह जानना चाहते थे कि क्या वे चार प्रमुख लक्ष्यों के उत्पादन स्तर की भविष्यवाणी करने के लिए उपग्रह डेटा का उपयोग कर सकते हैं: समग्र औद्योगिक उत्पादन सूचकांक (Index of Industrial Production), जो विनिर्माण के एक विस्तृत दायरे को कवर करता है; रासायनिक उद्योग; स्टील उद्योग; और चार पहिया मोटर वाहनों का उत्पादन। टीम ने जुलाई 2018 से दिसंबर 2025 तक के दैनिक अवलोकन एकत्र किए, जिसमें उन प्रमुख संयंत्रों पर ध्यान केंद्रित किया गया जहाँ ये वस्तुएं बनाई जाती हैं। उन्होंने दो मुख्य प्रकार के डेटा का उपयोग किया: रात्रि के प्रकाश की छवियां, जो दिखाती हैं कि अंधेरे के बाद कारखाने कितने सक्रिय हैं, और उन्हीं स्थलों के ऊपर नाइट्रोजन डाइऑक्साइड का माप, जो यह संकेत देता है कि गर्मी और शक्ति के लिए कितना ईंधन जलाया जा रहा है।

शोधकर्ताओं ने केवल कच्चे उपग्रह नंबरों को कंप्यूटर में फीड नहीं किया और केवल बेहतर परिणाम की उम्मीद नहीं की। वे समझते थे कि एक एकल कारखाने की रोशनी या धुआं शोरपूर्ण या उस विशिष्ट स्थल के लिए अद्वितीय हो सकता है, इसलिए उन्होंने कई कारखानों के बीच साझा किए गए सामान्य पैटर्न को खोजने के लिए एक सांख्यिकीय पद्धति का उपयोग किया। यह पद्धति, जिसे 'डायनेमिक फैक्टर मॉडल' कहा जाता है, एक फिल्टर की तरह कार्य करती है जो पूरे उद्योग के सामान्य रुझान को व्यक्तिगत संयंत्रों के यादृच्छिक उतार-चढ़ाव से अलग करती है। इसके बाद उन्होंने इन फिल्टर किए गए पैटर्न को भविष्यवाणियों में बदलने के दो अलग-अलग तरीकों का परीक्षण किया: एक मानक रैखिक (linear) दृष्टिकोण, जो यह मानता है कि संबंध सीधे और आनुपातिक हैं, और एक अधिक जटिल मशीन-लर्निंग दृष्टिकोण जो जटिल, गैर-रैखिक संबंधों का पता लगा सकता है। उन्होंने इन नई विधियों की तुलना केवल पिछले महीने जैसा होने का अनुमान लगाने वाले पुराने मानक से की।

परिणामों ने दिखाया कि उपग्रह डेटा वास्तव में उपयोगी प्रारंभिक चेतावनी प्रदान कर सकता है, लेकिन सफलता का नुस्खा इस बात पर निर्भर करता है कि क्या मापा जा रहा है। हर उद्योग के लिए डेटा का उपयोग करने का कोई एक "सर्वश्रेष्ठ" तरीका नहीं है। व्यापक औद्योगिक उत्पादन सूचकांक के लिए, सबसे सटीक भविष्यवाणियाँ एक मशीन-लर्निंग मॉडल से आईं जिसने नाइटटाइम लाइट्स और नाइट्रोजन डाइऑक्साइड रीडिंग दोनों को, पिछले दो महीनों के उपलब्ध आधिकारिक आंकड़ों के साथ जोड़ा। इस मॉडल ने सभी उद्योगों के डेटा को एक बड़े, परस्पर जुड़े समूह के रूप में माना। हालाँकि, रासायनिक उद्योग के लिए, सबसे अच्छा दृष्टिकोण अलग था। यहाँ, एक सरल रैखिक मॉडल बेहतर काम कर गया, जो मुख्य रूप से नाइट्रोजन डाइऑक्साइड के स्तर और क्षेत्रीय पैटर्न पर निर्भर था, जो यह सुझाव देता है कि ईंधन का जलना रासायनिक उत्पादन के लिए सबसे सीधा संकेत है।

स्टील उद्योग ने एक अन्य अनूठा मामला प्रस्तुत किया। स्टील के लिए सबसे सटीक मॉडल ने पिछले दो महीनों के आधिकारिक आंकड़ों को पूरी तरह से अनदेखा कर दिया। इसके बजाय, इसने केवल उपग्रह डेटा पर भरोसा किया, जिसमें रोशनी और गैस दोनों को मिलाया गया, और कारखानों को क्षेत्र के बजाय कंपनी के आधार पर व्यवस्थित किया गया। यह सुझाव देता है कि स्टील के लिए, संयंत्रों से मिलने वाले तात्कालिक भौतिक संकेत इतने मजबूत हैं कि वे ऐतिहासिक रुझानों से कहीं अधिक प्रभावी हैं। ऑटोमोबाइल उद्योग ने इस बारे में सबसे आश्चर्यजनक सबक दिया कि कहाँ देखना चाहिए। जब शोधकर्ताओं ने हर उस कार प्लांट का डेटा उपयोग करके कार उत्पादन की भविष्यवाणी करने की कोशिश की जो उन्हें मिल सका, तो परिणाम औसत दर्जे के रहे। सटीकता केवल तभी नाटकीय रूप से सुधरी जब उन्होंने अपना ध्यान केवल दो निर्माताओं, टोयोटा और मज़्दा के प्रमुख असेंबली प्लांट तक सीमित कर दिया। आपूर्ति श्रृंखला में शामिल हर कारखाने के बजाय केवल उन साइटों को चुनने से, जो सीधे घरेलू बाजार के लिए तैयार कारें बनाती हैं, मॉडल काफी सटीक हो गया।

ये निष्कर्ष बताते हैं कि जबकि उपग्रह अर्थव्यवस्था को देखने के लिए एक शक्तिशाली नया लेंस प्रदान करते हैं, वे एक सार्वभौमिक समाधान नहीं हैं। एक उद्योग कैसे काम करता है, इसकी भौतिक वास्तविकता यह तय करती है कि कौन से संकेत सबसे महत्वपूर्ण हैं। कुछ क्षेत्रों के लिए, रोशनी की चमक कुंजी है; अन्य के लिए, दहन का धुआं अधिक सार्थक है। डेटा को समूहित करने की विधि और डेटा का विश्लेषण करने के लिए उपयोग किया जाने वाला कंप्यूटर मॉडल, विशिष्ट उद्योग के गुणों के अनुसार अनुकूलित होना चाहिए। अध्ययन यह निष्कर्ष निकालता है कि स्वतंत्र रूप से उपलब्ध उपग्रह अवलोकन विलंबित आधिकारिक आंकड़ों द्वारा छोड़े गए सूचना अंतराल को सफलतापूर्वक भर सकते हैं, लेकिन केवल तभी जब शोधकर्ता डेटा स्रोतों और विश्लेषणात्मक उपकरणों को उस विशिष्ट उद्योग की विशेषताओं के साथ सावधानीपूर्वक मेल करें जिसका वे पूर्वानुमान लगाने का प्रयास कर रहे हैं।