Modeling and Forecasting Somalia’s Economic Growth: A Comparison of Traditional Time Series and Modern Neural Network Approaches
यह अध्ययन 1961-2024 के डेटा का उपयोग करके सोमालिया की वार्षिक जीडीपी वृद्धि के पूर्वानुमान के लिए ARIMA, ETS और NNAR मॉडलों की तुलना करता है, जिसमें यह पाया गया कि सरल ETS(A,N,N) मॉडल ने 2015-2024 की अवधि के लिए आउट-ऑफ-सैंपल सटीकता में ARIMA और न्यूरल नेटवर्क दोनों दृष्टिकोणों से बेहतर प्रदर्शन किया।
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
किसी राष्ट्र की अर्थव्यवस्था के भविष्य की भविष्यवाणी करना विज्ञान के सबसे कठिन कार्यों में से एक है। सरकारों को यह जानने की आवश्यकता होती है कि उनके पास स्कूल बनाने, श्रमिकों को भुगतान करने और अपने लोगों को खिलाने के लिए कितने पैसे होंगे, लेकिन अर्थव्यवस्था शायद ही कभी एक सीधी रेखा होती है। यह अचानक उछाल और तीव्र गिरावट का एक ऊबड़-खाबड़ रास्ता है, जो अक्सर उन घटनाओं से प्रेरित होता है जो पहले कभी नहीं हुई हैं, जैसे कि भीषण सूखा या विदेशी सहायता का अचानक रुक जाना। इसे समझने के लिए, अर्थशास्त्री पिछले आंकड़ों को देखने और यह अनुमान लगाने के लिए गणितीय उपकरणों का उपयोग करते हैं कि आगे क्या होगा। इनमें से कुछ उपकरण पुराने हैं और सरल पैटर्न पर निर्भर करते हैं, यह मानकर कि जो हाल ही में हुआ है उसके दोबारा होने की संभावना है। अन्य आधुनिक और जटिल हैं, जो कंप्यूटर प्रोग्रामों का उपयोग करते हैं जो डेटा से जटिल, छिपे हुए नियमों को सीखने की कोशिश करते हैं, ठीक वैसे ही जैसे एक छात्र शब्दों के बीच हर संभव संबंध खोजकर एक पाठ्यपुस्तक को याद करने की कोशिश करता है। किसी देश के भविष्य की योजना बनाने वाले किसी भी व्यक्ति के लिए बड़ा सवाल यह है कि क्या ये शानदार, आधुनिक उपकरण वास्तव में पुराने, सरल उपकरणों से बेहतर हैं, या क्या जटिलता केवल भ्रम पैदा करती है।
सोमालिया में शोधकर्ताओं की एक टीम ने अपने स्वयं के देश की आर्थिक वृद्धि के लिए इस प्रश्न का उत्तर देने का प्रयास किया। सोमालिया की अर्थव्यवस्था एक उथल-पुथल भरे इतिहास से गुजरी है, जिसमें तेजी से विस्तार के वर्षों के बाद गहरी गिरावट आई है, जो इन पूर्वानुमान विधियों के लिए एक आदर्श परीक्षण मामला बनाती है। शोधकर्ताओं ने साठ-चार वर्षों का डेटा एकत्र किया, जो 1961 से 2024 तक का था, जिसमें रिकॉर्ड किया गया कि देश के कुल आर्थिक उत्पादन में प्रत्येक वर्ष कितने प्रतिशत की वृद्धि या कमी हुई। फिर उन्होंने इस इतिहास को दो भागों में विभाजित किया। उन्होंने पहले पचास-चार वर्षों का उपयोग, 2014 तक, तीन अलग-अलग पूर्वानुमान मॉडलों को यह सिखाने के लिए किया कि अर्थव्यवस्था अतीत में कैसे व्यवहार करती थी। पहला मॉडल एक पारंपरिक सांख्यिकीय दृष्टिकोण था जो पिछले वर्षों के बीच रैखिक संबंधों को देखता है। दूसरा एक ऐसी विधि थी जो हाल की घटनाओं को अधिक महत्व देती है, जिससे पुराने इतिहास का प्रभाव कम होता जाता है। तीसरा एक आधुनिक न्यूरल नेटवर्क था, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जिसे उन जटिल, गैर-रैखिक पैटर्न को खोजने के लिए डिज़ाइन किया गया है जिन्हें मानवीय आँखें छोड़ सकती हैं। एक बार जब मॉडल प्रशिक्षित हो गए, तो शोधकर्ताओं ने उन्हें अगले दस वर्षों, 2015 से 2024 तक, वास्तविक उत्तर दिखाए बिना भविष्यवाणी करने के लिए कहा। फिर उन्होंने भविष्यवाणियों की तुलना वास्तविक आंकड़ों से की जो वास्तव में घटित हुए थे।
परिणाम उन लोगों को आश्चर्यजनक थे जो यह मानते हैं कि नई तकनीक हमेशा जीतती है। सबसे सटीक भविष्यवाणियाँ जटिल न्यूरल नेटवर्क से नहीं आईं। इसके बजाय, सबसे सरल विधि, जो किसी विशिष्ट प्रवृत्ति या पैटर्न की भविष्यवाणी करने के बजाय केवल वर्तमान आर्थिक गतिविधि के स्तर पर ध्यान केंद्रित करती थी, सबसे विश्वसनीय साबित हुई। इस मॉडल को, जिसे एक्सपोनेंशियल स्मूथिंग (exponential smoothing) के रूप में जाना जाता है, ने लगभग 3.8 प्रतिशत अंक की त्रुटि के साथ औसत विकास दर की भविष्यवाणी की। पारंपरिक सांख्यिकीय मॉडल दूसरे स्थान पर रहा, जिसकी त्रुटि लगभग 4.1 प्रतिशत अंक थी। आधुनिक न्यूरल नेटवर्क, अपनी जटिल संबंधों को सीखने की क्षमता के बावजूद, सबसे खराब प्रदर्शन करने वाला रहा, जिसने औसतन 4.7 प्रतिशत अंक की चूक की और अर्थव्यवस्था में तीव्र उतार-चढ़ाव के दौरान कुछ बहुत बड़ी गलतियाँ कीं। शोधकर्ताओं ने पाया कि न्यूरल नेटवर्क सोमालिया की अर्थव्यवस्था की अत्यधिक अस्थिरता को संभालने में संघर्ष करता है, और अक्सर उन तीव्र शिखरों और घाटियों को सुचारू कर देता है जो वास्तव में घटित हुए थे, जबकि सरल मॉडल विकास की सामान्य दिशा को पकड़ने में बेहतर थे।
यह अध्ययन सुझाव देता है कि कम और अस्थिर आर्थिक इतिहास वाले देश के लिए, अधिक जटिलता जोड़ने से आवश्यक रूप से बेहतर उत्तर नहीं मिलते हैं। न्यूरल नेटवर्क ने, जिसके पास सीखने के लिए अधिक "पैटर्न" थे, संभवतः डेटा के 'सिग्नल' के बजाय उसमें मौजूद 'नॉइज़' (शोर/अनियमितता) को याद करने की कोशिश की, जो एक ऐसी समस्या है जो पर्याप्त ऐतिहासिक डेटा न होने पर और भी बदतर हो जाती है। सरल मॉडलों ने, विकास के हालिया स्तर पर ध्यान केंद्रित करके, इन जाल से बचने में सफलता प्राप्त की और भविष्य के लिए एक अधिक स्थिर आधार प्रदान किया। लेखक इस बात पर जोर देते हैं कि हालांकि सरल मॉडल तीनों में सबसे अच्छा था, लेकिन यह कोई 'क्रिस्टल बॉल' (भविष्य दिखाने वाला जादुई गोला) नहीं है। सोमालिया की अर्थव्यवस्था सूखे और संघर्ष जैसे झटकों के प्रति अत्यधिक संवेदनशील बनी हुई है, जिसकी भविष्यवाणी कोई भी गणितीय मॉडल अकेले नहीं कर सकता है। हालाँकि, विकास की सामान्य दिशा का अनुमान लगाने के लिए एक विश्वसनीय उपकरण होने से योजनाकार संसाधनों के आवंटन के बारे में अधिक सूचित निर्णय ले सकते हैं। अध्ययन निष्कर्ष निकालता है कि इस विशिष्ट कार्य के लिए, सरल पद्धति का शांत और स्थिर दृष्टिकोण उच्च-तकनीकी विकल्प से बेहतर रहा, जो एक चुनौतीपूर्ण वातावरण में आर्थिक नियोजन के लिए एक व्यावहारिक उपकरण प्रदान करता है।
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।