भारतीय शहरे अधिकाधिक डेटा-आधारित प्रशासनावर अवलंबून होत असताना, तुकड्या-तुकड्यांत विभागलेल्या आणि अनेकांना वगळणाऱ्या मोजमाप पद्धतींमुळे शहरी लवचिकता, असुरक्षितता आणि सार्वजनिक गरजांचे आकलन विकृत होत आहे. परिणामी, शहरांतील वास्तव परिस्थिती समजून घेण्यात अडथळे निर्माण होत असून, सर्वात महत्त्वाचे म्हणजे कोणाची गणना केली जाते आणि कोण वंचित राहतो, हा प्रश्न अधिक गंभीर बनत आहे.
अलिकडच्या काळात विकसित झालेल्या बहुतांश शहरी मूल्यमापन चौकटी या एका समान गृहितकावर आधारित आहेत की शहरे विश्वासार्ह, प्रमाणित आणि परस्पर तुलना करता येण्याजोगा डेटा निर्माण करतात. उदाहरणार्थ, इकॉनॉमिस्ट इंटेलिजन्स युनिटचा ग्लोबल लिव्हॅबिलिटी इंडेक्स स्थिरता, आरोग्यसेवा, संस्कृती व पर्यावरण, शिक्षण आणि पायाभूत सुविधा अशा 30 निर्देशकांच्या आधारे 173 शहरांचे मूल्यांकन करतो. याच धर्तीवर UN-हॅबीटॅट सिटी रेझीलन्स् प्रोफायलिंग टूल आणि भारताचे क्लायमेट स्मार्ट सिटीज असेसमेंट फ्रेमवर्क (CSCAF) देखील कार्य करतात. CSCAF मध्ये ऊर्जा कार्यक्षमता, हरित क्षेत्र, गतिशीलता, जलव्यवस्थापन आणि कचरा व्यवस्थापन यांसह 28 निर्देशकांचा अभ्यास केला जातो. अशा डेटा-आधारित शहरी मोजमाप प्रणाली आज धोरणात्मक प्राधान्यक्रम, निधी वाटप आणि प्रशासनिक निकष निश्चित करण्यात वाढत्या प्रमाणावर प्रभाव टाकत आहेत.
मात्र, भारतात अशा निर्देशांकांची निर्मिती करण्यासाठी आवश्यक असलेली अचूक, सर्वसमावेशक आणि तपशीलवार डेटा व्यवस्था अनेकदा अपुरी असते. परिणामी, शहरांचे प्रशासन अशा संमिश्र निर्देशांकांवर आधारित केले जाते, जे असमान, विसंगत, कालबाह्य किंवा एकमेकांशी सुसंगत नसलेल्या डेटावर उभे असतात. अनौपचारिक क्षेत्राची क्षमता किंवा सार्वजनिक सेवांबाबत नागरिकांच्या धारणा यांसारखे महत्त्वाचे घटक अनेकदा अधिकृत नोंदींमध्येच नसतात, वेगवेगळ्या स्वरूपात गोळा केले जातात किंवा इतक्या कमी वारंवारतेने अद्ययावत केले जातात की त्यांचा प्रभावी मागोवा घेणे कठीण होते.
ही केवळ तांत्रिक अडचण नाही. अशा मर्यादांमुळे शहरी लवचिकतेचे कोणते पैलू मोजले जातात आणि धोरणात्मक लक्ष मिळवतात, कोणत्या असुरक्षिततेकडे लक्ष दिले जाते आणि शहरातील कोणत्या गटांच्या अनुभवांचे मूल्यांकन केले जाते, यावर थेट परिणाम होतो.
शहरी लवचिकतेचे मूल्यमापन करताना तीन प्रमुख प्रकारच्या डेटा मर्यादा समोर येतात: उपलब्धता (availability), अद्ययावततेची वारंवारता (periodicity) आणि स्वरूपातील सुसंगतता (format compatibility).
उपलब्धतेतील तफावत (Availability Gaps):
शहरी डेटामधील बहुतांश वगळलेले घटक हे स्ट्रक्चरल ब्लाइंड स्पॉट्स म्हणजेच संरचनेतील अशा त्रुटी, ज्यांमुळे ठराविक गोष्टी प्रशासनाला किंवा संशोधकांना कधीच दिसून येत नाहीत अशा आहेत. नॅशनल क्राइम रेकॉर्डस् ब्युरो (NCRB) 53 महानगरांमधील गुन्हेगारीची माहिती प्रकाशित करते; मात्र सांप्रदायिक दंगलींची माहिती शहरनिहाय व सातत्यपूर्ण पद्धतीने उपलब्ध नसते. नागरिकांच्या सुरक्षिततेविषयीच्या भावना, सार्वजनिक सेवांच्या गुणवत्तेबाबतची मते, संस्थांवरील विश्वास, नागरी सहभाग आणि समुदायातील एकात्मता यांसारखे घटक नागरिक प्रत्यक्षात शहराचा अनुभव कसा घेतात हे ठरवतात. तरीही, या बाबी नियमित मापन प्रणालीऐवजी अधूनमधून होणाऱ्या स्वतंत्र सर्वेक्षणांमधूनच मोजल्या जातात. यामुळे संमिश्र निर्देशांकांमध्ये प्रणालीगत पक्षपात निर्माण होतो. हवामान किंवा पायाभूत सुविधा यांसारख्या मजबूत डेटायुक्त घटकांना जास्त महत्त्व दिले जाते, तर विश्वास, सहभाग आणि सामाजिक एकात्मता यांसारख्या मोजायला कठीण पण संकटाच्या काळात अत्यंत महत्त्वाच्या ठरणाऱ्या घटकांना कमी महत्त्व मिळते.
आरोग्यविषयक डेटा देखील अनेक आव्हाने निर्माण करतो. मानसिक आरोग्याशी संबंधित पायाभूत सुविधांकडे प्रमुख आरोग्य सर्वेक्षणांमध्ये जवळजवळ पूर्णपणे दुर्लक्ष केले जाते. नॅशनल फॅमिली हेल्थ सर्वे-6 (2023-24) मध्ये काही जैविक निर्देशक (biomarker indicators) वगळण्यात आले, परंतु मानसिक आरोग्यासंदर्भातील कोणताही नवीन विभाग समाविष्ट करण्यात आला नाही. परिणामी, या क्षेत्राचा मागोवा घेणारे नॅशनल मेंटल हेल्थ सर्वे-2 हेच जवळपास एकमेव साधन उरते.
डेटामधील या तफावती योगायोगाने निर्माण झालेल्या नाहीत; त्या विशिष्ट गटांना पद्धतशीरपणे वगळतात म्हणजेच त्या रँडमली डिस्ट्रिब्यूटेड असतात. त्या शहरी लवचिकतेसाठी अत्यंत महत्त्वाच्या असलेल्या विशिष्ट लोकसंख्या आणि व्यवस्थांना पद्धतशीरपणे वगळतात. भारतातील बहुतेक शहरी निर्देशांक अनौपचारिक व्यवस्थांचे अचूक चित्र मांडण्यात संरचनात्मकदृष्ट्या अपुरे आहेत.
अनौपचारिक आरोग्यसेवा उपलब्धतेच्या बाबतीत वेगळेच आव्हान दिसून येते. नॅशनल फॅमिली हेल्थ सर्वे-6 (NFHS-6) आरोग्यसेवेच्या स्रोतांची नोंद करतो; मात्र अनौपचारिक आरोग्यसेवा पुरवठादारांना साधारणतः “खासगी दवाखाने” अशा व्यापक श्रेणींमध्ये समाविष्ट केले जाते. त्यामुळे कमी उत्पन्न असलेल्या वस्त्यांमधील त्यांच्या वास्तविक योगदानाकडे दुर्लक्ष होते. नॅशनल सॅम्पल सर्वे (NSS) च्या 75 व्या फेरीने अनौपचारिक आरोग्यसेवा पुरवठादारांचा स्वतंत्र मागोवा घेणे पद्धतशीरदृष्ट्या शक्य असल्याचे दाखवून दिले आहे. तरीही अशी माहिती नियमित आरोग्य डेटासंचांमध्ये समाविष्ट करण्याऐवजी केवळ अधूनमधून गोळा केली जाते. परिणामी, शहरी गरीब मोठ्या प्रमाणात ज्या प्राथमिक आरोग्यसेवा व्यवस्थेवर अवलंबून असतात, ती व्यवस्था सांख्यिकीयदृष्ट्या जवळजवळ अदृश्य राहते.
अद्ययावततेतील विसंगती (Periodicity Mismatch):
डेटा उपलब्ध असला तरी त्याच्या अद्ययावततेच्या म्हणजेच अपडेटच्या कालावधींमध्ये मोठी विसंगती आढळते. जनगणना दहा वर्षांच्या चक्रावर आधारित असते आणि 2021 ची जनगणना आता 2027 मध्ये होण्याचे नियोजित आहे. NFHS साधारणतः तीन वर्षांच्या अंतराने घेतला जातो, तर पिरियोडिक लेबर फोर्स सर्व (PLFS) जानेवारी 2025 पासून दरमहा रोजगाराचे अंदाज प्रकाशित करत आहे. हवामानविषयक माहिती इंडिया मेटिओरोलॉजिकल डिपार्टमेंट (IMD) कडून दररोज उपलब्ध होते, तर महाराष्ट्रासारख्या राज्यांमध्ये महानगरपालिकांसाठी अनिवार्य असलेले इन्व्हायरमेंट स्टेटस रिपोर्ट अनेकदा अनियमितपणे किंवा अजिबात प्रकाशित होत नाहीत. अशा भिन्न कालमर्यादांतील डेटाचा वापर करून संमिश्र निर्देशांक तयार करणे हे संशोधन पद्धतीशी संबंधित एक गंभीर समस्या निर्माण करते. उदाहरणार्थ, सार्वजनिक वितरण प्रणाली अजूनही लाभार्थ्यांची संख्या निश्चित करण्यासाठी 2011 च्या जनगणनेचा आधार घेते, जरी गेल्या 15 वर्षांत शहरी लोकसंख्येत मोठी वाढ झाली असली तरी.
स्वरूपातील विसंगती (Format Incompatibility):
डेटा प्रमाणीकरण (स्टँडर्डायझेशन) हे आणखी एक मोठे आव्हान आहे. भारतातील अनेक नागरी स्थानिक स्वराज्य संस्था (अर्बन लोकल बॉडीज-ULBs) अजूनही वेगवेगळे अहवाल आणि लेखा म्हणजेच अकाउंटिंग पद्धती वापरतात, ज्यामुळे शहरांची परस्पर तुलना करणाऱ्या मूल्यमापन चौकटींची विश्वासार्हता कमी होते. 2023 मधील नीती आयोगाच्या अभ्यासानुसार, निम्म्याहून अधिक ULBs अजूनही रोख रक्कम-आधारित अकाउंटिंग प्रणाली वापरतात आणि 'डबल एंट्री अॅक्रुअल-बेस्ड अकाउंटिंग' (दुहेरी नोंद आधारित लेखा पद्धत) कडे होणारे त्याचे रूपांतर अद्याप पूर्ण झालेले नाही. कर्नाटकसारख्या राज्यांनी नॅशनल म्युनिसिपल अकाउंट्स मॅन्युअलवर आधारित राज्यव्यापी फंड-बेस्ड अकाउंटिंग सिस्टीम लागू करून ULBs चे यशस्वी डिजिटायझेशन आणि प्रमाणीकरण केले आहे. परंतु महाराष्ट्रासारखी काही राज्ये अजूनही वेगवेगळ्या शहरांतील स्वतंत्र आणि जुन्या डिजिटल प्रणालींवर अवलंबून आहेत, ज्यामुळे एकत्रित डेटा संकलन करणे कठीण होते.
डेटामधील या तफावती योगायोगाने निर्माण झालेल्या नाहीत; त्या विशिष्ट गटांना पद्धतशीरपणे वगळतात म्हणजेच त्या रँडमली डिस्ट्रिब्यूटेड असतात. त्या शहरी लवचिकतेसाठी अत्यंत महत्त्वाच्या असलेल्या विशिष्ट लोकसंख्या आणि व्यवस्थांना पद्धतशीरपणे वगळतात. भारतातील बहुतेक शहरी निर्देशांक अनौपचारिक व्यवस्थांचे अचूक चित्र मांडण्यात संरचनात्मकदृष्ट्या अपुरे आहेत. गृहनिर्माण क्षेत्र हे त्याचे स्पष्ट उदाहरण आहे. झोपडपट्ट्यांबाबतच्या बहुतांश अभ्यासांमध्ये केवळ कायदेशीर मान्यता मिळालेल्या झोपडपट्ट्यांचीच गणना केली जाते. स्लम एरियाज ॲक्ट 1956 आणि त्यानंतरच्या राज्यस्तरीय कायद्यांनुसार, केवळ अधिसूचित झोपडपट्ट्यांनाच महापालिकांच्या सेवा मिळतात आणि त्यांची अधिकृत नोंद केली जाते. जनगणनेच्या निकषांनुसार ओळखल्या गेलेल्या झोपडपट्ट्या जिथे साधारणतः 60 ते 70 कुटुंबे आणि अपुऱ्या सुविधा असतात त्यांना अनेकदा राज्य सरकारांनी ठरवलेल्या निकषांमध्ये बसत नसल्यामुळे अधिकृत मान्यता मिळत नाहीत. उदाहरणार्थ, ओडिशामध्ये झोपडपट्टीला कायदेशीर मान्यता मिळण्यासाठी किमान 20 कुटुंबांची अट आहे. अशा अनधिकृत वस्त्यांमध्ये झालेल्या घरांच्या सुधारणा किंवा झालेली विकासकामे सांख्यिकीय नोंदींमध्ये दिसूनच येत नाहीत.
डेटातील मर्यादा थेट संसाधन वाटप आणि कार्यक्रमांच्या रचनेवर परिणाम करतात. हवामान बदलाशी जुळवून घेण्यासाठीचा निधी प्रामुख्याने अशा शहरांकडे वळतो, ज्यांच्याकडे दस्तऐवजीकृत असुरक्षितता मूल्यांकन उपलब्ध असते. यासाठी हवामानविषयक मूलभूत डेटा, पायाभूत सुविधांची माहिती, संस्थात्मक क्षमतेचे मूल्यांकन आणि लोकसंख्याशास्त्रीय माहिती आवश्यक असते. स्मार्ट सिटी मिशन अंतर्गत शहरांची निवड काही अंशी त्यांच्या डेटा-आधारित प्रस्ताव सादर करण्याच्या क्षमतेवर आधारित होती. पुणे, जयपूर, सुरत आणि अहमदाबाद यांसारख्या पहिल्या फेरीतील शहरांकडे आधीपासूनच डिजिटल प्रशासन व्यवस्था, तक्रार निवारण पोर्टल्स आणि सार्वजनिक अर्थसंकल्पीय माहिती उपलब्ध होती. याउलट, बिहार, झारखंड आणि उत्तर प्रदेशमधील अनेक शहरांना नंतरच्या फेऱ्यांमध्ये स्थान मिळाले, जरी त्यांची पायाभूत सुविधांची गरज अनेक पहिल्या फेरीतील शहरांपेक्षा अधिक होती. अशा प्रकारे, गरजांपेक्षा मोजमाप क्षमता असलेल्या शहरांना प्राधान्य मिळाले. कॉम्पट्रोलर अँड ऑडिटर जनरल (CAG) च्या अहवालानुसार, पटणा येथे मंजूर झालेल्या 44 प्रकल्पांपैकी 29 प्रकल्प ऑक्टोबर 2022 पर्यंत सुरूही झाले नव्हते, तर पहिल्या फेरीतील अनेक शहरांनी मार्च 2025 पर्यंत आपले बहुतेक प्रकल्प पूर्ण केले होते.
अनौपचारिक क्षेत्रातील कामगारांना संकटाच्या काळात मदत करण्यासाठी तयार करण्यात आलेल्या सामाजिक सुरक्षा योजनांमधूनही मोजमापातील त्रुटींचे परिणाम दिसून येतात. कोव्हिड-19 काळात प्रधानमंत्री गरीब कल्याण अन्न योजने अंतर्गत अन्नधान्य वितरण वाढवण्यात आले, परंतु त्यासाठी वापरण्यात आलेली शिधापत्रिका (रेशन कार्ड) यादी 2011 च्या जनगणनेवर आधारित होती. 2020 पर्यंत समान कव्हरेज टिकवण्यासाठी या योजनेखाली किमान 92.2 करोड लोकांचा समावेश होणे अपेक्षित होते. मात्र, 2011 च्या आधाररेषेनुसार फक्त 80 करोड लोकांचाच समावेश झाला आणि 10 करोडहून अधिक लोक योजनेबाहेर राहिले. संकटकाळात विद्यमान मोजमाप व्यवस्था अडथळा ठरत असल्याचे लक्षात घेऊन सर्वोच्च न्यायालयाने राज्यांना ओळखपत्राची सक्ती न करता सुके अन्नधान्य (ड्राय रेशन) वितरित करण्याचे निर्देश दिले. दिल्ली सरकारने शिधापत्रिका नसलेल्या कामगारांसाठी स्वतंत्र ई-कूपन योजना सुरू केली; मात्र दुसऱ्या कोव्हिड लाटेदरम्यान ही योजना बंद पडली आणि अनेक लोक अन्नसहाय्यापासून वंचित राहिले.
या डेटा मर्यादा केवळ तांत्रिक अडचणी नसून त्या अधिक खोलवरच्या संस्थात्मक आणि राजकीय निवडींचे प्रतिबिंब आहेत. म्हणूनच, सर्वसमावेशक शहरी निर्देशांक तयार करताना केवळ नवीन मोजमाप पद्धती विकसित करणे पुरेसे नाही तर शहरे नेमके काय मोजतात आणि नेमके कोणाच्या शहरी अनुभवांची नोंद करतात, याचाही मूलभूत पुनर्विचार करणे आवश्यक आहे.
या विकृतींमुळे वंचिततेचे एक स्वयं-पुनरुत्पादक चक्र निर्माण होते. शहरांमधील पुनर्वापरयोग्य कचऱ्यापैकी सुमारे 60 ते 70 टक्के कचऱ्याची प्रक्रिया अनौपचारिक कचरा व्यवस्थापन यंत्रणांद्वारे केली जात असली, तरी अधिकृत आकडेवारीमध्ये केवळ औपचारिक कचरा संकलन व्यवस्थेचीच नोंद ठेवली जाते. 2016 च्या घन कचरा म्हणजेच सॉलिड वेस्ट मॅनेजमेंट रुल्स अंतर्गत कचरा वेचणाऱ्यांच्या समावेशनाची तरतूद करण्यात आली होती. मात्र, बहुतेक शहरांनी ही तरतूद पूर्णपणे अंमलात आणलेली नाही, कारण अधिकृत डेटा प्रणाली अनौपचारिक कचरा विल्हेवाटीचा मागोवा घेत नाही. परिणामी, त्यांचे योगदान अर्थसंकल्पीय वाटप आणि धोरणनिर्मितीमध्ये अदृश्य राहते. यामुळे अनौपचारिक कचरा वेचणारे लोक कोणत्याही स्पष्ट नियमनाशिवाय, व्यावसायिक सुरक्षा संरक्षणांशिवाय आणि हवामान-लवचिकता नियोजनातून वगळले जाऊन काम करतात, जरी ते दैनंदिन परिस्थितीत तसेच संकटाच्या काळात अत्यावश्यक सेवा पुरवत असले तरी.
अनौपचारिक व्यवस्थांना अधिकृत मोजमाप चौकटीत समाविष्ट करणे हा केवळ सांख्यिकीय अचूकतेचा प्रश्न नाही. या डेटा मर्यादा केवळ तांत्रिक अडचणी नसून त्या अधिक खोलवरच्या संस्थात्मक आणि राजकीय निवडींचे प्रतिबिंब आहेत. म्हणूनच, सर्वसमावेशक शहरी निर्देशांक तयार करताना केवळ नवीन मोजमाप पद्धती विकसित करणे पुरेसे नाही तर शहरे नेमके काय मोजतात आणि नेमके कोणाच्या शहरी अनुभवांची नोंद करतात, याचाही मूलभूत पुनर्विचार करणे आवश्यक आहे.
नागरी स्थानिक स्वराज्य संस्था (ULBs) मध्ये डेटा संकलनाच्या स्वरूपाचे प्रमाणीकरण केल्यास, मोजमापातील फरक आणि वास्तविक कामगिरीतील फरक यांच्यातील गोंधळ टाळून शहरांमधील अचूक तुलना शक्य होईल. मिनिस्ट्री ऑफ हाउसिंग अँड अर्बन अफेअर्सने केंद्र सरकारच्या शहरी विकास निधीचा लाभ घेण्यासाठी काही किमान डेटा प्रकटीकरण निकष अनिवार्य करणे आवश्यक आहे. यामध्ये अनौपचारिक क्षेत्रातील ॲक्टिव्हिटी, मानसिक आरोग्य पायाभूत सुविधा, हवामान धोक्यांचे मॅपिंग आणि सार्वजनिक सेवांबाबतच्या नागरिकांच्या धारणा मोजणारी सर्वेक्षणे यांचा समावेश असावा. अशा मूलभूत डेटाशिवाय क्लायमेट स्मार्ट सिटीज असेसमेंट फ्रेमवर्क (CSCAF) सारख्या चौकटी विश्वासार्हपणे पूर्ण करता येणार नाहीत. अन्यथा, त्यातून तयार होणारे निर्देशांक शहरांची वास्तविक परिस्थिती दर्शवण्याऐवजी केवळ त्यांची मोजमाप क्षमता दर्शवत राहतील. पिरियोडिक लेबर फोर्स सर्वे (PLFS) मध्ये रोजगारविषयक माहिती मासिक स्वरूपात उपलब्ध करून देण्यात आलेला बदल हे दाखवून देतो की राजकीय इच्छाशक्ती असेल तर डेटा संकलनाची वारंवारता वाढवता येते. अशाच प्रकारच्या सुधारणा आरोग्य पायाभूत सुविधांच्या मागोव्याकरिता आणि महापालिका सेवांच्या निरीक्षणासाठीही लागू करता येतील.
या प्रश्नाचे परिणाम केवळ निर्देशांक तयार करण्यापुरते मर्यादित नाहीत. जेव्हा शहरी निर्देशांक अनौपचारिक क्षेत्र, अनधिकृत वसाहती आणि सेवांपर्यंतचा असमान प्रवेश यांचे वास्तव हस्तगत करण्यात अपयशी ठरतात, तेव्हा या वगळण्याच्या प्रक्रिया थेट शहरी धोरणांमध्येच अंतर्भूत होतात. त्यामुळे भारतीय शहरी प्रशासनासमोरील मुख्य आव्हान केवळ अधिक डेटा गोळा करणे नाही. खरे आव्हान म्हणजे कोणत्या लोकांचे वास्तव सांख्यिकीयदृष्ट्या दृश्यमान होते आणि कोणत्या समस्यांना राजकीय व धोरणात्मक महत्त्व प्राप्त होते, हे ठरवणे.
अदिती दीक्षित या ऑब्झर्व्हर रिसर्च फाउंडेशनच्या अर्बन स्टडीज प्रोग्राममध्ये रिसर्च इंटर्न आहेत.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.
PREV
.webp)
.png)