Poverty statistics from NHFS 5 data using multidimensional poverty measurement

बहुआयामी गरीबी माप के आधार पर, तमिलनाडु में गरीबी अनुपात (हेड काउंट रेशियो) 2015-16 में 4.89% से घटकर 2020-21 में राष्ट्रीय परिवार स्वास्थ्य सर्वेक्षण (NFHS) के आंकड़ों के चौथे और पांचवें दौर के आधार पर 1.57% हो गया है। क्या यह विश्वास करने के लिए बहुत अच्छा है? शायद ऐसा ही। शिक्षाविदों ने NFHS डेटाबेस के पिछले चार दौरों के आधार पर विभिन्न कारणों से इसके आंकड़ों की गुणवत्ता पर सवाल उठाया है। ऐसे प्रश्न NFHS 5 डेटाबेस के खिलाफ भी उठाए जा सकते हैं। लेकिन सबसे पहले, आइए हम नीति आयोग द्वारा सुझाए गए बहुआयामी गरीबी माप और नीतिगत हस्तक्षेप के लिए इसके संकेतों का उपयोग करके NFHS 5 डेटा से प्राप्त गरीबी के आंकड़ों का पता लगाएं। इसके बाद हम सावधानी के साथ इसका इस्तेमाल करने और भविष्य को ध्यान में रखते हुए डेटा की गुणवत्ता में सुधार के उद्देश्य से NFHS डेटा की गुणवत्ता के बारे में सवाल उठाएंगे।

बहुआयामी गरीबी सूचकांक 

नीति आयोग ने NFHS 4 (भारत में छह लाख से अधिक घरों के साथ) के काफी बड़े नमूना सर्वेक्षण डेटा से लैस होकर बहुआयामी गरीबी सूचकांक (MPI) का अनुमान लगाया और 2021 में बेसलाइन रिपोर्ट प्रकाशित की। MPI के लिए तर्क इस अवधारणा से लिया गया था कि गरीबी कई कार्यों में एक साथ अभाव का परिणाम है, जैसे कि स्वास्थ्य, शिक्षा और जीवन स्तर में उपलब्धियां। नीति आयोग ने इन तीन क्षेत्रों में 12 संकेतकों की पहचान की और NFHS 4 में सर्वेक्षण किए गए सभी पुरुषों और महिलाओं के लिए इन 12 संकेतकों में से प्रत्येक में अभावों के भारित औसत की गणना की। यदि किसी व्यक्ति का कुल भारित अभाव स्कोर 0.33 से अधिक था, तो उन्हें बहुआयामी रूप से खराब माना जाता था। गैर-गरीब भी इनमें से कुछ संकेतकों में वंचित हो सकते हैं, लेकिन बहुआयामी रूप से गरीब के रूप में वर्गीकृत करने के लिए उतना नहीं। कुल जनसंख्या के लिए 0.33 से अधिक वंचन स्कोर वाली आबादी का अनुपात गरीबी अनुपात या हेड काउंट अनुपात के रूप में परिभाषित किया गया है। लेखकों ने NFHS 5 का उपयोग करके तमिलनाडु के लिए MPI और उसके घटकों का अनुमान लगाया है और नीति आयोग द्वारा दिए गए NHFS 4 पर आधारित अनुमानों के साथ इसकी तुलना की है।

यह बहुआयामी रूप से गरीबों का भारित-औसत अभाव स्कोर है। उदाहरण के लिए, इस अवधि के दौरान तमिलनाडु में गरीबी की तीव्रता 39.97% से घटकर 38.78% हो गई, यह दर्शाता है कि गरीबों के कई अभावों के सारांश उपाय में इन पांच वर्षों में केवल मामूली गिरावट आई है, और नीतिगत फोकस के लिए इसे रेखांकित किया जाना है। MPI हेड काउंट अनुपात और गरीबी की तीव्रता का एक उत्पाद है। तमिलनाडु के लिए MPI 0.020 से घटकर 0.006 हो गया। MPI में यह तेज गिरावट काफी हद तक गरीबी की तीव्रता की तुलना में हेड काउंट अनुपात में अधिक गिरावट के कारण है। इससे हमें एक संकेत मिलता है कि तमिलनाडु में MPI में कोई और गिरावट गरीबी के सभी आयामों को संबोधित करके और राज्य भर में इसकी तीव्रता को काफी हद तक कम करके ही होनी चाहिए।

हस्तक्षेप की दिशा

वंचन अनुमान यह भी इंगित करता है कि समग्र आबादी जिसे व्यक्तिगत रूप से अधिकांश संकेतकों में वंचित के रूप में पहचाना गया है, बहुआयामी रूप से गरीब के रूप में पहचानी गई आबादी की तुलना में अधिक है। यह एक बार फिर इस बात को दोहराता है कि लोग कुछ कार्यों में गंभीर रूप से वंचित हो सकते हैं, लेकिन बहुआयामी रूप से गरीब नहीं हो सकते हैं। यह सार्वजनिक नीतिगत हस्तक्षेप का एक और पहलू जोड़ता है, अर्थात्, तमिलनाडु में गरीबी पर हमला करना न केवल बहुआयामी होना चाहिए बल्कि सार्वभौमिक भी होना चाहिए। केवल यह दृष्टिकोण सभी संकेतकों में अभावों को संबोधित कर सकता है। इससे तमिलनाडु में गरीबी की तीव्रता में निश्चित रूप से और पूरी तरह से कमी आएगी। सांख्यिकीय रूप से, हेड-काउंट अनुपात और गरीबी की तीव्रता की गणना प्रत्येक जिले के लिए की जा सकती है और लिंग, ग्रामीण और शहरी और अन्य आयामों द्वारा अलग की जा सकती है।

इसलिए, MPI और इसके घटकों की उपयोगिता इसकी समग्रता में गरीबी को समझने के साथ-साथ दानेदार विवरणों के संदर्भ में बहुत अधिक है जो क्षेत्रीय और स्थानिक नीति और कार्यक्रम सम्बन्धी हस्तक्षेपों के लिए आवश्यक हैं। डेटा-संचालित सार्वजनिक नीति के लिए एक उपकरण के रूप में MPI की ताकत सर्वेक्षण डेटा की गुणवत्ता पर निर्भर करती है, अर्थात् NFHS डेटा।

NFHS डेटा की गुणवत्ता

सर्वेक्षण डेटा की गुणवत्ता पर अकादमिक क्षेत्र में व्यापक रूप से बहस की गई है। राष्ट्रीय नमूना सर्वेक्षण संगठन (NSSO) के नमूना सर्वेक्षणों पर, दोनों नमूने और गैर-नमूना त्रुटियों के संदर्भ में, 1950 के दशक में अपने शुरुआती दिनों से अर्थशास्त्रियों और सांख्यिकीविदों के बीच बहस की गई है। NSSO की पद्धतियों पर कई समीक्षा रिपोर्टों के बाद, NSSO नमूना डिजाइन में सुधार करने और गैर-नमूना त्रुटियों को कम करने का प्रयास कर रहा है, विशेष रूप से परिवारों द्वारा उपभोग व्यय प्रदान करने के लिए याद अवधि के संदर्भ में। ये सभी अच्छी तरह से प्रलेखित हैं।

के श्रीनिवासन, एस इरुदया राजन और केएस जेम्स जैसे जनसांख्यिकीविदों ने NFHS डेटा के विभिन्न दौरों में गैर-नमूना त्रुटियों पर कई लेख लिखे हैं। उदाहरण के लिए, मनमाने रूप से उन्होंने मृतकों की उम्र की रिपोर्ट करने में, शिक्षित और अशिक्षित उत्तरदाताओं के बीच डेटा गुणवत्ता में अंतर, विभिन्न घरेलू प्रकारों के सर्वेक्षण को पूरा करने में लगने वाले समय में अंतर के आधार पर डेटा गुणवत्ता आदि का परीक्षण किया। इन सभी के प्रजनन और मृत्यु दर जैसे स्वास्थ्य आंकड़ों के लिए गंभीर निहितार्थ हैं। डेटा संग्रह प्रक्रिया को तय करने के लिए एक बाजार-आधारित दृष्टिकोण भी जनसांख्यिकीविदों द्वारा आलोचना की जाती है। लेखकों ने तमिलनाडु के लिए NFHS 5 डेटा के लिए एक अलग तरह की गुणवत्ता की जांच की है। उदाहरण के लिए, तमिलनाडु में, NFHS डेटा दो समयावधि में एकत्र किया गया था: महामारी से पहले की अवधि में 8,382 परिवार (30%) और लॉकडाउन के बाद की अवधि में 19,547 परिवार (70%), राज्य के लिए कुल मिलाकर 27,929 परिवार। लॉकडाउन के बाद की अवधि में 19,547 परिवारों से एकत्र किए गए आंकड़ों में कोविड-19 महामारी की पहली लहर के प्रभाव को प्रतिबिंबित किया जाना चाहिए। 

आइए हम इसकी एक झलक के लिए गर्भवती महिलाओं और दो अवधियों में उनके आयु वितरण की तुलना करते हैं। 21 वर्ष से अधिक उम्र की गर्भवती महिलाओं के लिए 32:68 के अनुपात की तुलना में, 19 वर्ष से कम आयु की गर्भवती महिलाओं का अनुपात 18:82 था; 19-21 वर्ष के बीच गर्भवती महिलाओं का अनुपात 25:75 था। महामारी के परिणामस्वरूप 21 वर्ष से कम उम्र की महिलाओं में गर्भावस्था में वृद्धि हुई है, जो किशोर लड़कियों के बीच अधिक है। सर्वेक्षण में शामिल प्रति 1,000 परिवारों में मृत्यु 118.23 से बढ़कर 135.01 हो गई – यह महामारी के प्रभाव का स्पष्ट प्रमाण है।

लेखकों ने 12 संकेतकों के लिए हेड काउंट रेशियो का अनुमान लगाया है और पाया है कि, इस तरह के अनुपात पूर्व-महामारी अवधि की तुलना में लॉकडाउन के बाद की अवधि में कम थे, जिससे यह अनुमान लगाया गया कि लॉकडाउन के बाद, कई कामकाज में अभाव कम था, जिसका अर्थ है कम गरीबी अनुपात के साथ-साथ गरीबी की तीव्रता। विशेष रूप से, पोषण और मातृ स्वास्थ्य के संदर्भ में अभाव में गिरावट आई, और लॉकडाउन के बाद की अवधि में स्कूली शिक्षा और स्कूल की उपस्थिति में वृद्धि हुई।

मध्याह्न भोजन कार्यक्रमों में गर्म भोजन के लिए सूखे राशन के प्रतिस्थापन और कोविड-19 के मामलों से निपटने में अस्पतालों में उच्च दबाव से लॉकडाउन के बाद की अवधि में पोषण और मातृ स्वास्थ्य में कमी बढ़ने की उम्मीद है, जो महामारी के बाद की अवधि में पोषण और मातृ स्वास्थ्य में अभाव में गिरावट के विपरीत है, जो हमने इस डेटाबेस से प्राप्त महामारी के बाद की अवधि में पोषण और मातृ स्वास्थ्य में कमी में गिरावट के विपरीत है। तमिलनाडु को नामांकन में वृद्धि और साल-दर-साल ड्रॉपआउट दर को कम करने के लिए जाना जाता है; इसलिए, स्कूली शिक्षा के मामले में अभाव में वृद्धि से सवाल उठना चाहिए। जहां तक स्कूलों की उपस्थिति का सवाल है, हम नहीं जानते कि लॉकडाउन अवधि में स्कूलों के बंद होने की लंबी अवधि के दौरान माता-पिता ने स्कूल की उपस्थिति की व्याख्या कैसे की।

यह मानते हुए कि सर्वेक्षण डेटा एक ही समय अवधि से हैं, आधिकारिक रिकॉर्ड से प्राप्त कार्यक्रम सम्बन्धी डेटा के साथ, विशिष्ट संकेतकों पर सर्वेक्षण डेटा के परिणामों की तुलना करना सामान्य है। ऐसे दावे हैं कि तमिलनाडु में पेयजल और स्वच्छता के संदर्भ में वंचन संकेतक संबंधित राज्य सरकार के विभागों द्वारा किए गए दावों की तुलना में उच्च स्तर पर हैं। सर्वेक्षण के आंकड़ों में इस तरह के मुद्दे आम हैं। उदाहरण के लिए, NSSO के आंकड़ों से प्राप्त खाद्यान्न पर उपभोग व्यय राष्ट्रीय लेखा प्रणाली के अनुसार, खाद्य खपत के अनुमान के अनुरूप नहीं होगा।

डेटा का उपयोग और गुणवत्ता

सर्वेक्षण डेटा की गुणवत्ता हमेशा विभिन्न (अच्छी तरह से स्थापित) कारणों से अकादमिक और नीतिगत बहस में एक विवादास्पद मुद्दा रहा है। हालांकि, इसने शिक्षाविदों और नीति निर्माताओं को नीतिगत निर्देशों का अनुमान लगाने से नहीं रोका है क्योंकि उचित रूप से समग्र स्तर (राज्य के स्तर पर कहें) पर इस तरह के डेटा उपयोगी होने चाहिए। जैसा कि पहले उल्लेख किया गया है, तमिलनाडु में, NFHS 4 की तुलना में NFHS 5 में हेड काउंट अनुपात में तेज गिरावट और गरीबी की तीव्रता में मामूली गिरावट को दरकिनार नहीं किया जा सकता है। इससे, हम यह अनुमान लगा सकते हैं कि गरीबी की तीव्रता को कम करने के लिए हमें पूरी आबादी में अभावों को दूर करने की आवश्यकता है, अर्थात् इसे संबोधित करने के लिए लक्षित दृष्टिकोण के बजाय एक सार्वभौमिक दृष्टिकोण होना चाहिए। सर्वेक्षण डेटा हमें केवल व्यापक नीति सूचक देता है जबकि प्रोग्रामेटिक हस्तक्षेप को जमीनी स्तर की वास्तविकताओं के साथ व्यवस्थित किया जाना चाहिए।