Does Outcome Measurement Matter for Forecasting? Evidence from Fiscal Vulnerability in Developing Economies
यह अध्ययन प्रदर्शित करता है कि राजकोषीय भेद्यता के लिए बहुआयामी परिणाम मापों का चयन विकासशील अर्थव्यवस्थाओं में पूर्वानुमान प्रदर्शन, भविष्यवक्ता प्रासंगिकता और निगरानी निष्कर्षों को महत्वपूर्ण रूप से प्रभावित करता है, जो यह प्रकट करता है कि उच्च स्पष्ट पूर्वानुमान क्षमता हमेशा सरल निरंतरता बेंचमार्क की तुलना में सांख्यिकीय रूप से महत्वपूर्ण वृद्ध मूल्य में अनुवादित नहीं होती 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
वैश्विक अर्थशास्त्र की जटिल दुनिया में, विकासशील देशों की सरकारें अक्सर एक कठिन संतुलन बनाए रखती हैं। उन्हें स्कूलों, अस्पतालों और बुनियादी ढांचे के लिए धन जुटाने की आवश्यकता और सीमित कर राजस्व, उतार-चढ़ाव वाले मुद्रा मूल्यों और विदेशी ऋणदाताओं के प्रति बकाया कर्ज की वास्तविकता के बीच संतुलन बनाना होता है। जब ये दबाव बढ़ते हैं, तो एक देश 'राजकोषीय भेद्यता' (fiscal vulnerability) की स्थिति में जा सकता है, जहाँ उसकी वित्तीय स्थिति इतनी तनावपूर्ण हो जाती है कि वह झटकों का सामना करने के लिए संघर्ष करता है या पूर्ण संकट का जोखिम उठाता है। दशकों से, अर्थशास्त्री इन खतरों को होने से पहले पहचानने के लिए प्रारंभिक चेतावनी प्रणाली बनाने का प्रयास कर रहे हैं। ये प्रणालियाँ आमतौर पर आर्थिक संकेतकों के एक समूह पर निर्भर करती हैं—जैसे कि एक देश पर कितना कर्ज है, उसकी अर्थव्यवस्था कितनी तेजी से बढ़ रही है, या वह अपनी कमाई की तुलना में कितना खर्च कर रहा है—ताकि यह अनुमान लगाया जा सके कि मुसीबत कब आने वाली है। इसका लक्ष्य नीति निर्माताओं को अग्रिम सूचना देना है ताकि वे संकट अपरिहार्य होने से पहले कार्रवाई कर सकें।
हालाँकि, इन चेतावनियों को बनाने के तरीके में एक मौलिक समस्या है। राजकोषीय भेद्यता कोई एक ऐसी चीज़ नहीं है जिसे आप डैशबोर्ड पर टूटी हुई इंजन लाइट की तरह सीधे देख सकें। यह एक जटिल स्थिति है जो कई अलग-अलग हिस्सों से मिलकर बनी है। एक चेतावनी प्रणाली बनाने के लिए, शोधकर्ताओं को पहले यह तय करना होगा कि इन विभिन्न हिस्सों को एक एकल स्कोर में कैसे जोड़ा जाए। क्या वे गिनते हैं कि एक देश में एक साथ कितनी अलग-अलग समस्याएँ हैं? क्या वे प्रत्येक समस्या की गंभीरता को मापते हैं? या क्या वे एक सांख्यिकीय पद्धति का उपयोग करते हैं जो उस छिपे हुए पैटर्न को खोजती है जो उन सभी को एक साथ जोड़ता है? यह नया अध्ययन एक सरल लेकिन महत्वपूर्ण प्रश्न पूछता है: क्या "भेद्यता" को परिभाषित करने का हमारा तरीका यह बदल देता है कि हमारी चेतावनी प्रणालियाँ वास्तव में काम करती हैं या नहीं? शोधकर्ताओं ने पाया कि उत्तर 'हाँ' है, और यह अंतर बहुत गहरा है क्योंकि यह इस बात को प्रभावित करता है कि हम जोखिम को कैसे समझते हैं और अपना ध्यान कहाँ केंद्रित करते हैं।
शोधकर्ताओं ने 1982 से 2024 तक की अवधि के दौरान 127 विकासशील अर्थव्यवस्थाओं का अध्ययन करके इसकी जांच की। उन्होंने एक विशाल ऐतिहासिक डेटा एकत्र किया, जिसमें प्रत्येक देश के लिए आठ अलग-अलग आर्थिक आयामों को ट्रैक किया गया, जिनमें सरकारी ऋण, बजट संतुलन, आर्थिक विकास, मुद्रास्फीति और व्यापार स्थितियाँ शामिल थीं। केवल एक तरीके से परेशानी को मापने के बजाय, उन्होंने एक ही डेटा का उपयोग करके "भेद्यता स्कोर" के तीन अलग-अलग संस्करण बनाए। पहला संस्करण, जिसे वे "व्यापकता" (breadth) माप कहते हैं, बस यह गिनता है कि आठ संकेतकों में से कितने एक ही समय में खराब स्थिति में हैं। यदि किसी देश में एक साथ तीन या अधिक समस्याएँ होती हैं, तो उसे भेद्य मान लिया जाता है। दूसरा संस्करण, "गंभीरता" (severity) माप, एक कदम आगे जाता है। यह केवल समस्याओं को गिनता ही नहीं; बल्कि यह भी मापता है कि प्रत्येक संकेतक खतरे की रेखा से कितनी दूर गिर गया है, जिससे उन देशों को अधिक महत्व मिलता है जो गहरी मुसीबत में हैं। तीसरा संस्करण एक सांख्यिकीय तकनीक का उपयोग करता है जो सभी आठ संकेतकों को एक एकल संख्या में संकुचित करता है जो डेटा के सबसे सामान्य पैटर्न को पकड़ता है, जो अनिवार्य रूप से एक सारांश स्कोर बनाता है जो विशिष्ट समस्या गणना के बजाय प्रमुख रुझानों को दर्शाता है।
इन तीन अलग-अलग परिभाषाओं के साथ, टीम ने कंप्यूटर मॉडल को प्रशिक्षित किया कि आने वाले वर्ष में कौन से देश भेद्य होंगे। उन्होंने वास्तविक दुनिया के पूर्वानुमान की नकल करने वाली एक कठोर पद्धति का उपयोग किया: मॉडलों को पिछले डेटा पर सिखाया गया और फिर उन भविष्य के वर्षों पर परीक्षण किया गया जिन्हें उन्होंने पहले कभी नहीं देखा था। इसने यह सुनिश्चित किया कि परिणाम केवल इतिहास को याद करने के बजाय वास्तविक भविष्य कहने की शक्ति को दर्शाते हैं। परिणाम चौंकाने वाले थे। तीनों परिभाषाओं के तहत, मॉडल देशों को सही ढंग से रैंक करने में आश्चर्यजनक रूप से अच्छे थे। वे उच्च सटीकता के साथ उन राष्ट्रों के बीच अंतर कर सकते थे जो मुसीबत का सामना करेंगे और जो नहीं करेंगे। हालाँकि, कहानी पूरी तरह से बदल गई जब शोधकर्ताओं ने पूछा कि क्या उनके मॉडल वास्तव में नई जानकारी दे रहे हैं या केवल वही दोहरा रहे हैं जो पहले से ज्ञात है।
इस खोज की कुंजी 'निरंतरता' (persistence) की अवधारणा में निहित है। आर्थिक स्थितियाँ शायद ही कभी रातों-रात बदलती हैं। यदि कोई देश आज मुसीबत में है, तो इसकी बहुत अधिक संभावना है कि वह कल भी मुसीबत में रहेगा क्योंकि अंतर्निर्निहित समस्याएँ—जैसे उच्च ऋण या धीमी वृद्धि—ठीक होने में लंबा समय लेती हैं। एक सरल पूर्वानुमान जो यह मानता है कि "पिछले वर्ष जो हुआ वह इस वर्ष भी होगा" अक्सर एक बहुत मजबूत आधार रेखा (baseline) होता है। शोधकर्ताओं ने अपने जटिल मॉडलों की तुलना इस सरल निरंतरता बेंचमार्क से की। उन्होंने पाया कि "व्यापकता" और "गंभीरता" उपायों के लिए, जटिल मॉडल वास्तव में थोड़ा सुधार प्रदान करते हैं। वे अतिरिक्त जानकारी प्रदान करते हैं जो नए भेद्यता मामलों की भविष्यवाणी करने में मदद करती है जिन्हें सरल "पिछले वर्ष" के नियम ने मिस कर दिया था। लेकिन तीसरे उपाय, यानी सांख्यिकीय सारांश के लिए, कहानी अलग थी। जटिल मॉडल सरल निरंतरता नियम से बेहतर प्रदर्शन नहीं कर पाए। वास्तव में, पिछला वर्ष का स्कोर इतना सूचनात्मक था कि अन्य सभी आर्थिक डेटा जोड़ने से कोई पता लगाने योग्य लाभ नहीं हुआ। सांख्यिकीय मॉडल की उच्च सटीकता इसलिए नहीं थी कि वह नए जोखिमों का एक शानदार भविष्यवक्ता था, बल्कि इसलिए थी क्योंकि वह मौजूदा स्थितियों के जारी रहने को ट्रैक करने में बहुत अच्छा था।
यह अंतर इस बात की समझ के लिए गहरे निहितार्थ रखता है कि चेतावनी प्रणालियों का मूल्य क्या है। अध्ययन बताता है कि एक मॉडल कागज़ पर बहुत प्रभावशाली दिख सकता है, जो भविष्य की भविष्यवाणी करने में उच्च स्कोर प्राप्त करता है, बिना हमें वास्तव में यह बताए कि आने वाला क्या है। यदि किसी देश की भेद्यता इस तरह से परिभाषित है कि वह अत्यधिक निरंतर (persistent) है, तो सबसे अच्छा भविष्यवक्ता केवल अतीत है। शोधकर्ताओं ने यह भी देखा कि क्या ये मॉडल संकट की शुरुआत के क्षण को पहचान सकते हैं, जिसे "शुरुआत" (onset) कहा जाता है। यहाँ, "व्याप्तता" माप फिर से उभरकर आया। "व्याप्तता" की परिभाषा का उपयोग करने वाले मॉडल नए भेद्यता मामलों को पहचानने में उस स्तर की सटीकता के साथ सक्षम थे जो सरल निरंतरता नियम से अधिक थी। अन्य परिभाषाएँ, हालांकि, इस प्रारंभिक चेतावनी के लिए संघर्ष करती रहीं। वे हमें यह बताने में बेहतर थे कि एक देश अभी भी मुसीबत में है, बजाय इसके कि हमें चेतावनी दें कि वह मुसीबत में आने वाला है।
शायद सबसे आश्चर्यजनक निष्कर्ष यह है कि ये विभिन्न परिभाषाएँ उन देशों की सूची को कैसे बदल देती है जिन्हें सबसे अधिक ध्यान देने की आवश्यकता है। जब शोधकर्ताओं ने राष्ट्रों को सबसे अधिक से सबसे कम भेद्यता के क्रम में रखा, तो "व्याप्तता" और "ग스러ता" (severity) उपायों द्वारा उत्पन्न सूचियाँ काफी समान थीं। हालाँकि, सांख्यिकीय सारांश द्वारा बनाई गई सूची काफी अलग थी। जो देश एक परिभाषा के तहत खतरे की सूची में शीर्ष पर दिखाई देते थे, वे दूसरी परिभाषा के तहत मध्य या निचले स्तर पर चले जाते थे। इसका अर्थ यह है कि भेद्यता को मापने का तरीका सीधे तौर पर यह प्रभावित करता है कि किन राष्ट्रों को अंतरराष्ट्रीय संगठनों और नीति निर्माताओं द्वारा बारीकी से निगरानी के लिए चिह्नित किया जाता है। एक देश एक परिभाषा के तहत उच्च प्राथमिकता के रूप में देखा जा सकता है और दूसरी के तहत निम्न प्राथमिकता के रूप में, भले ही अंतर्निहित आर्थिक डेटा समान हो।
अध्ययन ने यह भी जांचा कि कौन से आर्थिक कारक इन भविष्यवाणियों को संचालित कर रहे थे। "व्याप्तता" और "गंभीरता" उपायों के लिए, सबसे महत्वपूर्ण संकेत सरकार का बजट संतुलन और उसका कुल ऋण थे। ये राजकोषीय स्वास्थ्य के क्लासिक संकेतक हैं। लेकिन अन्य कारकों, जैसे मुद्रास्फीति या व्यापार संतुलन, का महत्व इस बात पर निर्भर करता था कि किस परिभाषा का उपयोग किया गया था। यह इस विचार को पुष्ट करता है कि जिस तरह से हम अपने जोखिम के माप का निर्माण करते हैं, वह इस बात को बदल देता है कि हम अर्थव्यवस्था के किन हिस्सों पर ध्यान केंद्रित करते हैं। ऐसा नहीं है कि एक सेट के संकेतक दूसरे की तुलना में शून्य में अधिक महत्वपूर्ण हैं; बल्कि, उनका महत्व इस बात पर निर्भर करता है कि हम उन्हें एक एकल स्कोर में कैसे जोड़ते हैं।
अंततः, यह शोध एक अनुस्मारक के रूप में कार्य करता है कि आर्थिक पूर्वानुमान की दुनिया में, प्रश्न "हम इसे कैसे मापते हैं?" उतना ही महत्वपूर्ण है जितना कि "क्या हम इसकी भविष्यवाणी कर सकते हैं?"। अध्ययन यह दावा नहीं करता है कि मशीन लर्निंग या जटिल एल्गोरिदम बेकार हैं। इसके बजाय, यह दिखाता है कि उनका मूल्य स्वतः नहीं होता। एक परिष्कृत मॉडल केवल उतना ही अच्छा होता है जितना कि उस समस्या की परिभाषा जिसे वह हल करने की कोशिश कर रहा है। यदि भेद्यता की परिभाषा अतीत से बहुत अधिक जुड़ी हुई है, तो मॉडल केवल अतीत को दोहराएगा। यदि परिभाषा समस्याओं की एक व्यापक श्रेणी को पकड़ती है, तो मॉडल नए संकेतों को ढूंढ सकता है। नीति निर्माताओं और अर्थशास्त्रियों के लिए सबक स्पष्ट है: किसी पूर्वानुमान पर भरोसा करने से पहले, यह समझना आवश्यक है कि जोखिम को कैसे परिभाषित किया गया था। एक ही डेटा, जिसे देखने के लिए किस लेंस का उपयोग किया जाता है, उसके आधार पर बहुत अलग कहानियाँ सुना सकता है, और उस लेंस का चुनाव न केवल भविष्यवाणी की सटीकता को, बल्कि उन देशों को भी निर्धारित करता है जिन्हें खतरे में माना जा रहा 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।