शमिका रवी लिहितात: कोविड मृत्यूच्या डेटामुळे तीव्र अटकळ आणि राजकारण झाले आहे. मुख्य मुद्दा हा नाही की संख्या योग्य किंवा चुकीची आहे, परंतु उच्च दर्जाच्या डेटा चा अभाव आहे.
जगभरात, कोविड-19 साथीच्या रोगाची किंमत मोजण्यासाठी एक असाध्य प्रयत्न केला जात आहे आणि असाच एक उपाय म्हणजे जास्त मृत्यू. ज्या देशांमध्ये प्रत्येक मृत्यूची त्वरित नोंद करण्यासाठी मजबूत पायाभूत सुविधा अस्तित्वात आहेत, तेथे जास्त मृत्यूचे विश्वसनीय आणि सत्यापित अंदाज सार्वजनिकपणे उपलब्ध आहेत. तथापि, अपुरी जन्म आणि मृत्यू नोंदणी पायाभूत सुविधा असलेल्या अनेक देशांमध्ये, जास्त मृत्यूच्या अंदाजांवर अनिश्चितता आणि तीव्र राजकारण केले जाते. अत्याधुनिक सांख्यिकीय पद्धती असूनही, अविश्वसनीय डेटामुळे चुकीचे आणि सट्टेबाजीचे अंदाज येऊ शकतात. दुर्दैवाने, सोशल आणि न्यूज मीडियाच्या अतिउत्साहीपणामुळे या परिस्थितीत जास्त मृत्यूचे राजकारण केले जात आहे. या रिंगणात सामील होणारी नवीनतम म्हणजे जागतिक आरोग्य संघटना (WHO).
विद्यमान साहित्य असे दर्शविते की डेटा अद्याप उपलब्ध नसताना मृत्यूचा अंदाज लावण्याच्या पद्धती कठोर डेटा उपलब्ध झाल्यामुळे नेत्रदीपकपणे अपयशी ठरतात. त्यामुळे विकसनशील देशांमधील मृत्यूच्या अंदाजांवर आणि एकूण जागतिक अंदाजांवर याचा गंभीर परिणाम होतो. साध्या गृहितकांसह जटिल गणिती मॉडेल्स चुकीचे आणि अर्थ लावणे कठीण बनतात — आणि कोविड-19 मृत्यूचे साधे अंदाज प्रकाशित करण्यासाठी कितीही तातडीची सक्ती असली तरीही, जटिल मॉडेल्सना उच्च दर्जाच्या डेटावर प्राधान्य देऊ नये.
भारतीय संदर्भात, 1969 च्या जन्म आणि मृत्यूच्या नोंदणी कायद्यातील तरतुदींनुसार, घटनेच्या 21 दिवसांच्या आत प्रत्येक मृत्यूची नोंदणी करणे आवश्यक आहे. नागरी नोंदणी प्रणाली (CRS), जी “देशातील कायदेशीर आवश्यकतांनुसार, महत्त्वपूर्ण घटनांची आणि त्यांच्या वैशिष्ट्यांची सतत, कायमस्वरूपी, अनिवार्य आणि सार्वत्रिक रेकॉर्डिंगची एक एकीकृत प्रक्रिया म्हणून परिभाषित केली जाते”, सर्व नोंदणीकृत जन्मांचे भांडार आहे आणि देशातील मृत्यू. CRS राष्ट्रीय, राज्य आणि जिल्हा स्तरावरील डेटाचा अहवाल देते. साथीच्या आजाराच्या संदर्भात, CRS हे भारतातील जास्त मृत्यूचा अंदाज लावण्यासाठी एक उत्तम ठिकाण बनले आहे. साथीच्या रोगादरम्यान नोंदणीकृत मृत्यूंची तुलना साथीच्या आजारापूर्वी नोंदवलेल्या सरासरी मृत्यूशी (आधारभूत अंदाज) जास्त मृत्यूचा अंदाज तयार करण्यासाठी केली जाते.
साध्या गृहितकांसह जटिल गणिती मॉडेल्स चुकीचे आणि अर्थ लावणे कठीण बनतात — आणि कोविड-19 मृत्यूचे साधे अंदाज प्रकाशित करण्यासाठी कितीही तातडीची सक्ती असली तरीही, जटिल मॉडेल्सना उच्च दर्जाच्या डेटावर प्राधान्य देऊ नये.
तथापि, CRS कडील मृत्यू डेटाचे काळजीपूर्वक संशोधन केल्याने गंभीर कमतरता वारंवार समोर आल्या आहेत. उदाहरणार्थ, 2019 साठी (साथीच्या रोगाच्या आधी), संशोधक सी राव आणि इतर. मृतांच्या CRS डेटाने (७.६४ दशलक्ष) मृतांची संख्या २.२८ दशलक्षांनी कमी केली आहे, जी वृद्ध (६० वर्षांपेक्षा जास्त) आणि मुलांसाठी (पाच वर्षांखालील) पद्धतशीरपणे अधिक गंभीर होती, ज्यांचे प्रमाण ५६ टक्के आणि ३० टक्के होते. टक्के, अनुक्रमे अतिरिक्त मृत्यू. आश्चर्याची गोष्ट नाही, त्यांना असेही आढळून आले की बिहार, झारखंड, मध्य प्रदेश, महाराष्ट्र, राजस्थान आणि उत्तर प्रदेश या राज्यांमधील समायोजनामुळे अतिरिक्त मृत्यूंपैकी 75 टक्के मृत्यू झाले.
याचा अर्थ असा होतो की CRS कडून आलेला मृत्यू डेटा, मुख्यतः साथीच्या आजारापूर्वीचा आधारभूत अंदाज तयार करण्यासाठी, साथीच्या आजारादरम्यान नोंदणीकृत मृत्यू डेटाच्या तुलनेत, लिंग, वय आणि स्थानासाठी समायोजन केल्याशिवाय मृत्यूचा विश्वासार्ह स्रोत नाही. हे पुन्हा सांगणे महत्त्वाचे आहे की 2019 मध्ये, CRS ने एकूण 7.64 दशलक्ष मृत्यूंची नोंद केली आहे, जी नमुना नोंदणी प्रणाली (SRS) द्वारे अंदाजित एकूण मृत्यूच्या 92 टक्के होती. तथापि, या संशोधकांच्या मते, वय, लिंग आणि स्थानासाठी समायोजन केल्यानंतर, 2019 साठी एकूण मृत्यूची संख्या 9.92 दशलक्ष होती. म्हणून, वय, लिंग आणि स्थानासाठी समायोजन केल्यानंतर नोंदणीची एकूण पातळी (LOR) किंवा मृत्यू डेटाची पूर्णता 77 टक्के होती, जी CRS द्वारे नोंदवलेल्या पेक्षा 15 टक्के कमी होती.
शिवाय, जेव्हा एखादी व्यक्ती लिंगानुसार डेटा वेगळे करते, तेव्हा ते नोंदवतात की मृत्यू डेटाची पूर्णता पुरुषांसाठी 81 टक्के आणि महिलांसाठी 72 टक्के होती. CRS मध्ये मृत्यू डेटाच्या नोंदणीची पातळी पूर्वीच्या वर्षांत खूपच कमी होती हे लक्षात घेता; ते 2015 मध्ये 75 टक्क्यांपासून ते 2018 मध्ये 85 टक्क्यांपर्यंत होते, CRS मधील मृत्यू डेटाची पूर्वाग्रह किंवा कमी गणना पूर्वीच्या वर्षांपेक्षा खूप मोठी असेल अशी अपेक्षा आहे.
या संशोधनातील सर्वात महत्त्वाची गोष्ट अशी आहे की वय, लिंग आणि स्थान समायोजित न करता पूर्व-महामारी कालावधीसाठी CRS मृत्यू डेटा बेसलाइन म्हणून वापरल्याने (नोंदणीची पातळी वर्षानुवर्षे एकसमान नसल्यामुळे) अतिशयोक्तीपूर्ण संख्या होऊ शकते. जास्त मृत्यू. दुर्दैवाने, संशोधक, जर्नल्स आणि पत्रकारांनी या वस्तुस्थितीकडे पूर्णपणे दुर्लक्ष करणे पसंत केले आहे. साथीच्या रोगामुळे झालेल्या जीवितहानीचे निंदनीय पुरावे उच्चारण्याची घाई एकामागून एक “अंदाज” बनवते.
CVoter ट्रॅकर सर्वेक्षण, 0.14 दशलक्ष प्रौढांच्या कव्हरेजसह आणि कोणत्याही ऑन-फील्ड सत्यापनाशिवाय टेलिफोनिक सर्वेक्षणांमधून स्व-अहवाल केलेल्या डेटावर आधारित मृत्यू संख्या, मृत्यूवरील डेटा प्राप्त करण्यासाठी एक सोपी आणि चुकीची पद्धत आहे.
अतिरिक्त मृत्यूचा अंदाज लावण्यासाठी संशोधकांनी वापरलेल्या डेटाचा आणखी एक स्रोत म्हणजे घरगुती सर्वेक्षण, जसे की CVoter ट्रॅकर सर्वेक्षण. जरी हे संगणक-सहाय्य टेलिफोनिक मुलाखती वापरून दररोज केले जाणारे राष्ट्रीय सर्वेक्षण असले तरी, त्याचा प्राथमिक उद्देश प्रशासन, मीडिया आणि इतर सामाजिक संकेतकांच्या धारणांचा मागोवा घेणे आहे. सॅम्पलिंग पद्धत आणि प्रश्नावली कुटुंबातील मृत्यूची माहिती गोळा करण्यासाठी तयार केलेली नाही. भारतातील मृत्यू डेटाचा एक विश्वासार्ह स्त्रोत म्हणजे नमुना नोंदणी प्रणाली (SRS), मोठ्या प्रमाणात लोकसंख्याशास्त्रीय सर्वेक्षण. सर्व राज्ये आणि केंद्रशासित प्रदेशांमधील 8 दशलक्षाहून अधिक लोकांचा यात समावेश आहे. राष्ट्रीय आणि राज्य स्तरावर जन्म आणि मृत्यू दर निर्माण करणे हा त्याचा प्राथमिक उद्देश आहे. दुर्दैवाने, महामारीच्या काळात SRS सर्वेक्षण केले गेले नाही.
याउलट, CVoter ट्रॅकर सर्वेक्षण, 0.14 दशलक्ष प्रौढांच्या कव्हरेजसह आणि कोणत्याही ऑन-फील्ड सत्यापनाशिवाय टेलिफोनिक सर्वेक्षणांमधून स्व-अहवाल केलेल्या डेटावर आधारित मृत्यू संख्या, मृत्यूवरील डेटा प्राप्त करण्यासाठी एक सोपी आणि अस्पष्ट पद्धत आहे. या व्यतिरिक्त, कमी प्रतिसाद दर देखील नॉन-रिस्पॉन्स बायसची मूलभूत चिंता वाढवतो ज्याचे सहज परिमाण करता येत नाही. संशोधकांनी असे गृहीत धरले आहे की कालांतराने सर्वेक्षण प्रश्नांच्या प्रतिसादात वर्तणुकीत बदल झाला नाही. प्रसारमाध्यमांचे वाढलेले कव्हरेज आणि महामारीच्या लाटे दरम्यान एकूणच भीती आणि स्वारस्य पातळी याऐवजी लोकांकडून वेगवेगळ्या प्रतिसादांची शक्यता सूचित करते. उदाहरणार्थ, लोक सामान्य वेळेपेक्षा लहरी दरम्यान घटना आणि सभोवतालच्या परिस्थितीबद्दल लक्षणीयरीत्या अधिक संवेदनशील असतील. या सोप्या गृहितकांमुळे अतिरीक्त मृत्यूचे अंदाज अत्यंत शंकास्पद आहेत.
मृत्यूच्या अचूक डेटाच्या अभावामुळे तीव्र अटकळ आणि राजकारण झाले आहे. या प्रकरणाचे सत्य हे आहे की साथीच्या रोगापूर्वीही, भारताकडे वास्तविक-वेळ मजबूत मृत्यू डेटा गोळा करण्याची पायाभूत सुविधा नव्हती. मूळ मुद्दा हा नाही की संख्या बरोबर किंवा चुकीची आहे, परंतु संख्याशास्त्रीय पद्धती कितीही अत्याधुनिक असली तरीही उच्च दर्जाच्या डेटाला पर्याय नाही. 2015 ते 2019 पर्यंत, मोठ्या प्रमाणात डिजिटायझेशनच्या प्रयत्नांमुळे, संपूर्ण भारतामध्ये मृत्यू नोंदणीची पातळी 75.3 टक्क्यांवरून 92 टक्क्यांपर्यंत लक्षणीयरीत्या सुधारली आहे. तथापि, अनेक कमतरतांसह हे काम चालू आहे; 2019 मध्येही सीआरएस मृत्यू डेटामध्ये तब्बल 2.28 दशलक्ष मृत्यू (एकूण मृत्यूच्या अंदाजे 23 टक्के) नोंदवले गेले नाहीत. पूर्वीच्या वर्षांमध्ये मृत्यू नोंदणीच्या कमी पातळीसह परिस्थिती अत्यंत वाईट होती.
साथीच्या रोगाने एक मजबूत आणि विश्वासार्ह पायाभूत सुविधा तयार करण्यासाठी मोठ्या प्रमाणात गुंतवणूक करण्याची संधी उपलब्ध करून दिली आहे जी जन्म, मृत्यू आणि स्थलांतर यासारख्या महत्त्वाच्या आकडेवारीवर वेळेवर डेटा गोळा करते. हा राष्ट्रीय महत्त्वाचा प्रकल्प असावा आणि त्याला केंद्र आणि राज्य सरकारांचे पूर्ण सहकार्य आवश्यक असलेले तातडीचे प्राधान्य मानले पाहिजे. अशी पायाभूत सुविधा भारतातील सार्वजनिक आरोग्याचा आधारस्तंभ बनेल.
हे भाष्य इंडियन एक्सप्रेसमध्ये प्रसिद्ध झाले आहे.
हे लेखकाचे वैयक्तिक विचार 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
