विषय 46 / 64· डिजिटल सरकार में सार्वजनिक मूल्य
खुले डेटा का मूल्य
खुले डेटा का मूल्य यह अनुमान लगाने की समस्या है कि सरकारी और सार्वजनिक डेटा का मूल्य क्या है जब उसकी कोई क़ीमत नहीं होती: इसे बेचा नहीं जाता, इसलिए कोई राजस्व-पंक्ति नहीं है, फिर भी इसे जारी करना (मौसम रिकॉर्ड, परिवहन समय-सारणी, पोस्टकोड सीमाएँ, कंपनी रजिस्टर) स्पष्ट रूप से आगे की अर्थव्यवस्था में आर्थिक और सामाजिक गतिविधि उत्पन्न करता है। इसका अच्छी तरह मूल्यांकन करना इसलिए मायने रखता है क्योंकि "इसे जारी करना मुफ़्त है" और "यह बेकार है" दोनों ग़लत हैं, और किसी API या डेटासेट को खोलना है या नहीं, यह तय करने वाले सॉफ़्टवेयर इंजीनियर को दोनों में से किसी से बेहतर तर्क चाहिए।
यह क्यों महत्वपूर्ण है
सबसे अधिक उद्धृत ऊपर-से-नीचे का अनुमान McKinsey Global Institute की 2013 की रिपोर्ट "Open data: Unlocking innovation and performance with liquid information" से आता है, जिसने सात क्षेत्रों — शिक्षा, परिवहन, उपभोक्ता उत्पाद, बिजली, तेल और गैस, स्वास्थ्य सेवा, और उपभोक्ता वित्त — में खुले डेटा के संभावित वार्षिक मूल्य को वैश्विक रूप से प्रति वर्ष $3 खरब से $5 खरब पर रखा, जो पारदर्शिता बढ़ाने, आपूर्ति को माँग से अधिक दक्षता से मिलाने, और डेटा पर बने नए उत्पादों और सेवाओं को सक्षम करने जैसे तंत्रों के माध्यम से है। वह आँकड़ा एक परिदृश्य-अनुमान है, कोई मापा गया वास्तविक परिणाम नहीं, और इसे नियमित रूप से ऐसे ग़लत उद्धृत किया जाता है मानो यह राजस्व हो जिसे सरकार सीधे प्राप्त कर सके, जबकि अधिकांश मूल्य तीसरे पक्षों को मिलता है — व्यवसाय, शोधकर्ता, नागरिक — जो डेटा का उपयोग करते हैं, जो ठीक इसे बेचने के बजाय खोलने का मुद्दा है। यूके के Open Data Institute की, जिसकी सह-स्थापना Sir Tim Berners-Lee और Sir Nigel Shadbolt ने 2012 में की, तब से अधिक विस्तृत, नीचे-से-ऊपर के केस-स्टडी का एक संग्रह बनाया है — क्षेत्र-दर-क्षेत्र, डेटासेट-दर-डेटासेट — जो किसी वास्तविक बिज़नेस केस के लिए McKinsey के हेडलाइन आँकड़े से कहीं अधिक उपयोगी हैं, क्योंकि वे मूल्य-निर्माण का तंत्र दिखाते हैं, न कि केवल उसका समग्र आकार।
गणितीय आधार
खुले डेटा की कोई बाज़ार-क़ीमत नहीं है, इसलिए मूल्यांकन-विधियाँ उसका स्थान लेती हैं; तीन दृष्टिकोण बार-बार आते हैं, और कोई भी अकेले पर्याप्त नहीं है:
1. Cost-avoided / replacement-cost method:
value ≈ what users would have paid to produce or licence the
equivalent data themselves — a lower bound, ignores value created
by uses the original producer never anticipated
2. Market-analogue / downstream-activity method:
value ≈ revenue or savings generated by businesses/services built
on the data (e.g. satnav apps built on open mapping and traffic
data) — captures real economic activity but is hard to attribute
cleanly to the data release itself (see additionality-and-deadweight)
3. Contingent/stated-preference method:
value ≈ what users say they would pay, or the time they say it
saves them — see stated-preference-valuation for the general
method and its biases
None of these produces a figure as clean as a market price; credible
open data business cases triangulate across two or more, and are
explicit about which mechanism is doing the work.
व्यावहारिक उदाहरण
उदाहरणात्मक राष्ट्रीय मानचित्रण/पता-डेटा जारी करना (पद्धति ODI-शैली के केस-स्टडी के बाद, आँकड़े उस पैमाने के उदाहरणात्मक जो ऐसे अध्ययन आमतौर पर पाते हैं):
Cost-avoided estimate:
Businesses that would otherwise licence equivalent address-matching
data commercially, at an estimated average licence cost of £4,000/
year, across an estimated 15,000 SMEs now using the free open dataset
= 15,000 × £4,000 = £60,000,000/year in avoided licensing cost alone
Downstream-activity estimate (more speculative, needs a counterfactual):
New delivery-routing and logistics products built on the open data
that would not exist, or would be materially worse, without it —
requires a comparison against the counterfactual of the data staying
closed or commercially licensed (counterfactual-analysis), because
some of that activity would happen anyway on paid data at a higher
price, which is deadweight in the "value created by opening it" sense
A defensible business case reports the cost-avoided figure as the
solid lower bound, and treats the downstream-activity figure as an
upper-bound scenario, not a fact.
सॉफ़्टवेयर इंजीनियरिंग से संबंध
इंजीनियरों के लिए, व्यावहारिक खुले-डेटा-मूल्य प्रश्न आमतौर पर राष्ट्रीय हेडलाइन आँकड़ों से संकरा होता है: क्या इस विशिष्ट API या डेटासेट को खोलना (एक साझेदार-समझौते के पीछे रखने के बजाय) पुनः-उपयोग को इतना बढ़ाता है कि इसे एक सार्वजनिक इंटरफ़ेस के रूप में दस्तावेज़ीकृत करने, वर्ज़न करने और सहायता देने की चालू लागत उचित ठहरे? वह रखरखाव-लागत वास्तविक है और सरकार को एक मंच के रूप में के एक-बार-बनाओ-बार-बार-उपयोग-करो अर्थशास्त्र का समकक्ष है — ये दोनों विषय क़रीबी चचेरे भाई हैं, एक साझा कोड और अवसंरचना के बारे में, दूसरा साझा डेटा के बारे में। किसी भी खुले-डेटा-मूल्य दावे को बिज़नेस केस में जाने से पहले अतिरिक्तता और डेडवेट के विरुद्ध जाँचा जाना चाहिए: वह गतिविधि जो वाणिज्यिक रूप से लाइसेंस किए गए डेटा पर वैसे भी होती, वह उस मूल्य में शामिल नहीं है जो खोलने ने बनाया।
सामान्य त्रुटियाँ
- McKinsey के $3–5 खरब आँकड़े को यूके-विशिष्ट या इस डेटासेट का हिस्सा मानकर उद्धृत करना: यह 2013 से एक वैश्विक, सात-क्षेत्र परिदृश्य-अनुमान है — इसे किसी एकल राष्ट्रीय डेटासेट के लिए सटीक गुणक के रूप में उपयोग करना यह ग़लत ढंग से प्रस्तुत करता है कि यह संख्या क्या है।
- कोई काउंटरफ़ैक्चुअल नहीं: खुले डेटा पर बनी सभी आगे की आर्थिक गतिविधि का श्रेय लेना, यह पूछे बिना कि इसमें से कितना उच्च क़ीमत पर भुगतान किए गए या लाइसेंस प्राप्त डेटा पर वैसे भी होता (देखें अतिरिक्तता और डेडवेट और काउंटरफ़ैक्चुअल विश्लेषण)।
- उत्पादन की लागत को उत्पन्न मूल्य के साथ भ्रमित करना: एक ऐसा डेटासेट जिसे एकत्र करना महँगा था वह स्वचालित रूप से जारी करने योग्य नहीं है, और एक सस्ता स्वचालित रूप से कम-मूल्य का नहीं है — मूल्य आगे के उपयोग को ट्रैक करता है, पीछे की लागत को नहीं।
- "खुला" की चालू रखरखाव-लागत को नज़रअंदाज़ करना: एक बार का CSV एक्सट्रैक्ट प्रकाशित करना एक दस्तावेज़ीकृत, वर्ज़न किए गए, समर्थित खुले API को चलाने जितनी प्रतिबद्धता नहीं है — लॉन्च-घोषणा के बाद बाद वाले को कम-वित्तपोषित करना एक आम विफलता-प्रवृत्ति है।
स्रोत
- McKinsey Global Institute, "Open data: Unlocking innovation and performance with liquid information" (2013). https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/open-data-unlocking-innovation-and-performance-with-liquid-information
- Open Data Institute. https://theodi.org/