नई दिल्ली|
फरवरी 2027 में भारत 1931 के बाद पहली बार हर नागरिक की जाति दर्ज करने की दिशा में आगे बढ़ रहा है। इसके पक्ष में सबसे बड़ा तर्क यह दिया जा रहा है कि इससे उन वंचित समुदायों की सटीक पहचान हो सकेगी जो अब तक विकास और सरकारी योजनाओं के लाभ से अछूते रहे हैं। हालांकि, इसके आलोचकों का मानना है कि 1.4 अरब से अधिक की आबादी को जातिगत श्रेणियों में वर्गीकृत करने से सामाजिक विभाजन और अधिक गहरा हो सकता है।
परंतु, इस debate के बीच एक मुख्य प्रश्न उभरकर सामने आता है: क्या भारत के पास पहले से ऐसा डेटा मौजूद है जिसके सही उपयोग से बिना जाति पूछे भी वंचितों तक पहुँचा जा सके?
अप्रैल से सितंबर 2026 तक चले हाउस-लिस्टिंग चरण के दौरान मोबाइल ऐप के माध्यम से आवास और सुविधाओं पर डेटा जुटाया गया। इसके अतिरिक्त, भारत में पहले से ही कई व्यापक डेटाबेस मौजूद हैं:
- 81 करोड़ से अधिक राशन कार्ड धारक (खाद्य सुरक्षा)।
- 93 करोड़ से अधिक ABHA (आभा) स्वास्थ्य खाते।
- 31.89 करोड़ ई-श्रम पोर्टल पर पंजीकृत असंगठित श्रमिक।
- 10.31 करोड़ से अधिक AgriStack किसान IDs।
भारत की दो डेटा प्रणालियाँ और उनके बीच का ‘गैप’
भारत में नागरिकों से जुड़ा डेटा मुख्य रूप से दो अलग-अलग स्तंभों (Silos) के तहत एकत्र किया जाता है, जो आमतौर पर आपस में जुड़े नहीं होते:
(A) सर्वेक्षण प्रणाली (Survey System)
राष्ट्रीय सांख्यिकी कार्यालय (NSO) द्वारा आयोजित PLFS (श्रमिक बल सर्वेक्षण), HCES (उपभोग खर्च) और NFHS (स्वास्थ्य सर्वेक्षण) जैसे सैंपल सर्वे देश के सामाजिक-आर्थिक रुझानों का व्यापक अनुमान देते हैं।
- विशेषता: यह संपूर्ण समाज के रुझानों को समझने के लिए उपयोगी हैं।
- सीमा: इनसे किसी व्यक्तिगत परिवार की सटीक स्थिति या पात्रता का पता नहीं चलता।
(B) प्रशासनिक रिकॉर्ड प्रणाली (Administrative Records)
यह डेटा तब बनता है जब नागरिक किसी सरकारी योजना का लाभ लेते हैं—जैसे राशन कार्ड, पेंशन या छात्रवृत्ति।
- विशेषता: इसमें व्यक्ति-स्तर पर आधार से जुड़ी जानकारी होती है।
- सीमा: इसमें केवल वही लोग दर्ज होते हैं जो पहले से पंजीकृत हैं। जो लोग वास्तव में हकदार हैं लेकिन व्यवस्थागत बाधाओं के कारण छूटे हुए हैं, वे इन रिकॉर्ड्स में दिखाई नहीं देते।
मुख्य समस्या: सर्वे हमें बताते हैं कि देश में कुल स्थिति क्या है, जबकि प्रशासनिक रिकॉर्ड बताते हैं कि लाभ किसे मिल रहा है। इन दोनों के बीच का अंतर (Gap) ही वह जगह है जहाँ सही पात्र नागरिक छूट जाते हैं।
डेटा एकीकरण (Data Integration) के 3 संभावित मॉडल
बिना नए जातिगत डेटा पर पूरी तरह निर्भर रहे, मौजूदा डेटासेट को आपस में जोड़ने के तीन प्रमुख तरीके हो सकते हैं:
- सांख्यिकीय जुड़ाव (Statistical Linkage): गोपनीयता बनाए रखते हुए, सामाजिक पैटर्न को समझने के लिए विभिन्न डेटासेट का सांख्यिकीय मिलान करना (जैसे नई GDP राष्ट्रीय लेखा श्रृंखला में किया गया है)।
- परिचालन संबंधी जुड़ाव (Operational Linkage): सहमति-आधारित मॉडल (जैसे अकाउंट एग्रीगेटर) का उपयोग करके व्यक्तिगत स्तर पर पात्रता तय करना।
- सर्वेक्षण–आधारित सत्यापन (Survey-based Verification): सरकारी रिकॉर्ड्स की तुलना सर्वे डेटा से करके यह पहचानना कि कौन-से समूह या क्षेत्र योजनाओं के दायरे से बाहर रह गए हैं (जैसा ब्राजील के Cadastro Único में देखा गया है)।
व्यावहारिक चुनौतियाँ और क्षमता संबंधी सीमाएँ
प्रशासनिक डेटा को सीधे नीति-निर्माण या लाभार्थी चुनने के लिए इस्तेमाल करने में कई तकनीकी व कानूनी रुकावटें हैं:
- इकाई (Unit) का बेमेल होना: आधार व्यक्तिगत स्तर की पहचान है, जबकि राशन कार्ड परिवार के स्तर पर बनता है। PLFS और ई-श्रम में ‘कामगार’ की परिभाषाएँ अलग हैं।
- कानूनी सीमाएँ: ‘जनगणना अधिनियम, 1948’ के तहत जनगणना का डेटा पूरी तरह गोपनीय होता है। इसका उपयोग सीधे तौर पर व्यक्तियों को लाभार्थियों की सूची में जोड़ने या घटाने के लिए नहीं किया जा सकता।
- क्षमता की कमी: राष्ट्रीय सांख्यिकी प्रणाली काफी हद तक अस्थायी या संविदा (contractual) कर्मचारियों पर निर्भर है, और सांख्यिकी कैडर (ISS) का पर्याप्त विस्तार नहीं हुआ है।
जोखिम: ‘डिजिटल रिकॉर्ड’ और ‘वास्तविक सांख्यिकी’ का अंतर
सांख्यिकी विशेषज्ञों के अनुसार, किसी रिकॉर्ड का डिजिटल हो जाना उसे स्वचालित रूप से ‘सटीक सांख्यिकी’ नहीं बना देता।
उदाहरण के लिए, ई-श्रम पोर्टल पर 31.89 करोड़ श्रमिकों का पंजीकरण यह दिखाता है कि कितने लोगों ने आवेदन किया है, लेकिन यह नहीं बताता कि देश में कुल असंगठित श्रमिकों की वास्तविक संख्या कितनी है। यदि प्रशासनिक डेटा को बिना स्वतंत्र सत्यापन के अंतिम सत्य मान लिया जाए, तो स्वचालित बहिष्करण (automated exclusion) का खतरा बढ़ जाता है—जहाँ एक छोटी सी तकनीकी गलती के कारण पात्र व्यक्ति बिना किसी अपील के योजना से बाहर हो सकता है।
निष्कर्ष: आगे की राह
2027 की जनगणना और डेटा एकीकरण के संदर्भ में आने वाले समय में तीन मुख्य बातों पर नज़र रखना महत्वपूर्ण होगा:
- क्या 2026 के हाउस-लिस्टिंग डेटा को अन्य रजिस्टरों के साथ विश्लेषणात्मक रूप से जोड़ने योग्य बनाया जाएगा?
- क्या सांख्यिकी मंत्रालय (MoSPI) प्रशासनिक डेटा के आधिकारिक उपयोग के लिए स्पष्ट कार्यप्रणाली (Methodology Note) जारी करेगा?
- क्या कल्याणकारी विभाग थोक डेटा-शेयरिंग के बजाय नागरिक की सहमति (Consent-based) पर आधारित डेटा मॉडल को अपनाएंगे?
जाति-मुक्त कल्याणकारी राज्य का निर्माण केवल इस बात पर निर्भर नहीं करता कि हम क्या पूछते हैं, बल्कि इस बात पर निर्भर करता है कि हमारे पास पहले से उपलब्ध डेटा को हम कितने पारदर्शी, सुरक्षित और न्यायसंगत तरीके से एकीकृत करते हैं।
अक्सर पूछे जाने वाले प्रश्न (FAQs)
Q1: जाति–आधारित जनगणना 2027 का मुख्य उद्देश्य क्या है?
उत्तर: इसके समर्थकों का तर्क है कि जातिगत डेटा से उन वंचित समुदायों और समूहों की सटीक पहचान की जा सकती है जो अब तक सरकारी योजनाओं के लाभ से वंचित रहे हैं।
Q2: प्रशासनिक डेटा और सर्वे डेटा में क्या अंतर होता है?
उत्तर: सर्वे डेटा सैंपल के आधार पर पूरे देश के रुझानों और पैटर्न का अनुमान लगाता है, जबकि प्रशासनिक डेटा केवल उन पंजीकृत व्यक्तियों का रिकॉर्ड रखता है जो किसी सरकारी योजना का लाभ उठा रहे हैं।
Q3: क्या जनगणना के आंकड़ों का उपयोग सीधे लाभार्थी चुनने के लिए किया जा सकता है?
उत्तर: नहीं, ‘जनगणना अधिनियम, 1948’ के तहत व्यक्तिगत जनगणना डेटा गोपनीय होता है। इसका उपयोग केवल व्यापक नीति-निर्माण और सांख्यिकी के लिए किया जा सकता है, व्यक्तिगत रूप से लाभ देने या रोकने के लिए नहीं।
अस्वीकरण (Disclaimer)
यह लेख उपलब्ध सार्वजनिक डेटा, नीतिगत चर्चाओं और सांख्यिकीय विश्लेषण पर आधारित एक विचारात्मक और विश्लेषणात्मक प्रस्तुति है। इसमें व्यक्त किए गए विचार डेटा गवर्नेंस और सांख्यिकीय प्रणालियों के तकनीकी पहलुओं का विश्लेषण करते हैं।
