موسمیاتی تبدیلی: پاکستان میں 2022 کے سیلاب کے غربت کے اثرات کا اندازہ لگاناہے

موسمیاتی تبدیلیوں کی وجہ سے پاکستان میں 2022 کے مون سون کے سیلاب نے خاص طور پر سندھ اور بلوچستان کے صوبوں میں لاکھوں لوگوں کی زندگیوں اور معاش کو بری طرح متاثر کیا۔ سیلاب نے خاص طور پر غریب ترین اور سب سے زیادہ کمزور لوگوں کو متاثر کیا، جن کے سیلاب سے متاثرہ علاقوں میں رہنے کا غیر متناسب امکان ہے۔ پاکستان کے آفات کے بعد کی ضروریات کے تخمینے سے پتہ چلتا ہے کہ سیلاب کی وجہ سے 9.1 ملین افراد – یا چار فیصد پوائنٹ – غربت میں چلے گئے ہیں۔ اس کام کو حکومت پاکستان نے COP 27 میں ‘نقصان اور نقصانات’ کی وکالت کے حصے کے طور پر پیش کیا تھا۔

پھر وہ تخمینے کیسے بنائے گئے؟

حقیقی وقت میں غربت کی پیمائش

غربت کے اثرات کی مقدار کا تعین انسانی ہمدردی کے ردعمل اور بحالی کے دوران وسائل کی تقسیم سے آگاہ کرتا ہے۔ یہ ذیلی قومی نمونوں کی مطابقت کو بھی اجاگر کرتا ہے کیونکہ قدرتی آفات اکثر جغرافیائی طور پر مرتکز ہوتی ہیں اور غیر متناسب طور پر آبادی کے مخصوص طبقات کو متاثر کرتی ہیں، خاص طور پر دیہی علاقوں کے کسان۔

ہنگامی صورتحال میں، زمین پر حقیقی وقت کے اعداد و شمار کی محدود دستیابی ایک خاص رکاوٹ پیدا کرتی ہے جس کے لیے اختراعی طریقوں کی ضرورت ہوتی ہے۔ گھریلو سروے کے اعداد و شمار کے ساتھ سیٹلائٹ ڈیٹا کی دستیابی سیلاب کی شدت اور شدت کا تیزی سے تخمینہ لگانے کی اجازت دیتی ہے۔ اعداد و شمار کے اس امتزاج نے ہمیں یہ حساب کرنے کی اجازت دی کہ کس طرح نقصان نے لوگوں کو متاثر کیا اور وہاں سے غربت میں اضافے کا تخمینہ حاصل کیا۔ ان تخمینوں کو بعد میں سیلاب سے متاثرہ اضلاع میں حکومت کے جمع کردہ ڈیٹا کا استعمال کرتے ہوئے درست کیا گیا۔

جغرافیائی ڈیٹا کا فائدہ اٹھانا

کچھ ہی دنوں کے اندر، متعدد خلائی ایجنسیوں نے فلوویئل فلڈنگ کا سیٹلائٹ ڈیٹا شائع کیا۔ یہ ہائی ریزولیوشن تصاویر سیلاب کی جغرافیائی حد کو ظاہر کرتی ہیں، جو جنوبی دریائے سندھ کے ساتھ ملک کے بڑے حصوں کو نمایاں کرتی ہیں، جو پانی کے اندر تھے (شکل 1)۔

شکل 1: سیلاب کی حد

دور دراز سے محسوس کی گئی زیادہ سے زیادہ سیلاب کی حد ان ممکنہ منظرناموں سے مشابہت رکھتی ہے جو 100 میں 1 اور 1000 سالوں میں 1 سیلاب کی تعدد کے ساتھ واقعات کی نمائندگی کرتے ہیں، جو حالیہ پاکستان کلائمیٹ چینج اینڈ ڈویلپمنٹ رپورٹ (CCDR) میں پیش کی گئی ہیں۔ ہم نے اس سیلابی تہہ کو دیگر جغرافیائی معلومات کے ساتھ جوڑ دیا، جیسے کہ آبادی کی تقسیم اور اقتصادی سرگرمیوں کے اشارے، سیلاب سے ان کی نمائش کا حساب لگانے کے لیے۔ آبادی کی مقامی ماڈلنگ 2019 ورلڈ سیٹلمنٹ فوٹ پرنٹ سے آتی ہے۔

گھریلو ڈیٹا کو مربوط کرنا

گھریلو بہبود پر سیلاب کے اثرات کو مختلف عوامل سے ماپا جاتا ہے۔ ان عوامل میں گھر کا محل وقوع، اس ضلع کے اندر گھروں، زمینوں اور مویشیوں کا فیصد سیلاب کا سامنا کرنا پڑتا ہے، اور گھریلو خصوصیات جو سیلاب کے پانی سے متاثر ہونے کے امکان کا تعین کرنے میں مدد کرتی ہیں۔ سیلاب کی نمائش سے متعلق سیٹلائٹ ڈیٹا کو 2018-2019 گھریلو آمدنی اور اخراجات سروے (HIES) کے ڈیٹا کے ساتھ ملایا گیا تھا، جو سرکاری غربت کے اعداد و شمار کا حساب لگانے کے لیے استعمال کیا جاتا تھا۔ نتیجے کے مشترکہ اعداد و شمار نے اس بات کی تصدیق کی کہ آفت سے متاثرہ اضلاع قومی اوسط سے زیادہ غریب تھے، قومی سطح پر 21.9 فیصد کے مقابلے میں اوسط غربت کی شرح 31.4 فیصد ہے۔

ڈیٹا سیٹ کو ضم کرنے سے تخمینوں کو نقصانات کا اندازہ کرتے وقت گھریلو خصوصیات پر غور کرنے کی اجازت دی گئی۔ وہ گھران جو زراعت میں کام کرتے تھے ان کے ذریعہ معاش کو نقصان کا سامنا کرنا پڑے گا کیونکہ قابل کاشت زمین زیر آب تھی۔ وہ گھران جو مٹی کی اینٹوں کے گھروں میں رہتے تھے ان کے سیلاب میں بہہ جانے کا امکان زیادہ ہوتا ہے۔ مویشی رکھنے والے گھرانوں کو اپنے جانوروں کو کھونے کا خطرہ لاحق ہوگا اور اس وجہ سے آمدنی کا ایک لازمی ذریعہ ہے۔ ان خطرات کو ایک ایسے ماڈل میں شامل کیا گیا جس نے گھرانوں کو ‘صدمہ’ متاثر کیا، نقصان کے فنکشن کی بنیاد پر ان کی کھپت کو کم کیا۔ ہم نے امکانات کی بنیاد پر گھرانوں کو نقصانات تفویض کرنے سے ممکنہ تعصب کو کم کرنے کے لیے 500 بار اعادہ کیا۔

آخر میں، سپلائی چین میں رکاوٹوں کے اثر کو ظاہر کرنے کے لیے، ماڈل نے اس بات پر غور کیا کہ قیمتوں میں اضافے سے خوراک کی کھپت کیسے متاثر ہو سکتی ہے۔ یہ پاکستان بیورو آف سٹیٹسٹکس کی طرف سے رپورٹ کردہ ماہانہ کنزیومر پرائس انڈیکس کا استعمال کرتے ہوئے کیا گیا۔ گھریلو بہبود کے نقصانات خوراک کے لیے وقف کردہ کل کھپت کے متناسب تھے۔

حکومتی رپورٹس کے ساتھ تصدیق کرنا

اس ماڈل کی توثیق نیشنل ڈیزاسٹر مینجمنٹ ایجنسی (NDMA) کی رپورٹوں کے خلاف کی گئی۔ آبادی، عمارتوں، زمین، اور مویشیوں کے سامنے آنے والے سرکاری تخمینوں کو ماڈل کو دوبارہ چلانے کے لیے جغرافیائی تخمینوں کی جگہ دی گئی۔

نتائج قریب سے منسلک تھے (شکل 2)۔ غربت پر اثرات مقامی طور پر آفت زدہ صوبوں میں مرکوز ہیں۔ متاثرہ گھرانوں میں اوور لیپنگ خصوصیات تھیں، جس کی وجہ سے وہ مختلف چینلز کے ذریعے نقصانات کا شکار ہو جاتے ہیں۔ مستثنیٰ بلوچستان ہے، جہاں حکومت جغرافیائی اعداد و شمار کی تجویز کے مقابلے میں سیلاب سے متاثر ہونے والی آبادی کا ایک بڑا حصہ بتاتی ہے۔ اس کی ایک وضاحت یہ ہو سکتی ہے کہ سیٹلائٹ کی تصاویر کھڑے پانی کو تو پکڑ سکتی ہیں لیکن اس سے اس خطے میں بڑے نقصانات کا سبب بننے والے فوری پلوویئل کمولیشن اور فلڈ فلڈ کا پتہ نہیں چل سکتا۔

شکل 2: قومی غربت کی شرح میں متوقع اضافہ – جغرافیائی تجزیات اور NDMA تخمینوں کا موازنہ

NDMA کے نتائج کو غربت پر اثرات کا سرکاری تخمینہ لگانے کے لیے استعمال کیا گیا، جو کہ 3.7 سے 4 فیصد پوائنٹس، یا تقریباً 9 ملین افراد کے درمیان تھے۔ غربت کی گہرائی (غربت کی لکیر کا فاصلہ) میں بھی اضافہ ہوا، ایک اندازے کے مطابق 7 ملین اضافی لوگ خط غربت سے نیچے 20 فیصد سے زیادہ زندگی گزار رہے ہیں۔ یہ مختصر مدت کے تخمینے ہیں، اور بحالی کا انحصار امدادی اور تعمیر نو کی کوششوں کے معیار پر ہوگا۔ یہاں تک کہ بہترین صورت میں بھی، ان منفی جھٹکوں کو گھریلو بہبود میں تبدیل کرنے میں کافی وقت لگے گا۔

مستقبل میں اعداد و شمار کی شدید تشخیص کی ضرورت ہوگی۔

موسمیاتی تبدیلی کے تخمینے بتاتے ہیں کہ آنے والی دہائیوں میں سیلاب جیسی قدرتی آفات تیزی سے شدید اور بار بار ہو سکتی ہیں۔ CCDR کے تخمینے بتاتے ہیں کہ ان مجموعی جھٹکوں کی وجہ سے، غربت میں کمی کے حوالے سے مشکل سے حاصل ہونے والے فوائد رک سکتے ہیں یا الٹ سکتے ہیں۔

اس کام کے ذریعے، یہ واضح ہو گیا ہے کہ جغرافیائی، انتظامی اور سروے کے اعداد و شمار کی بنیاد پر غربت کے تخمینے کو ہم آہنگ کرنے کے لیے اپنی صلاحیت کو مستحکم کرنا ضروری ہے۔ یہ جھٹکے سے پہلے اور بعد میں گھریلو سروے کے ڈیٹا کو باقاعدگی سے جمع کرنے کی اہمیت کو بھی اجاگر کرتا ہے۔ اس سے پالیسی سازوں کو ان ممکنہ خطرات کی نشاندہی کرنے میں مدد مل سکتی ہے جن کا سامنا گھرانوں اور کمیونٹیز کو آب و ہوا کے ارتقا کے ساتھ ہوتا ہے۔ یہ اس بارے میں بھی بصیرت فراہم کر سکتا ہے کہ ان کو اپنانے اور زیادہ لچکدار بننے میں کس طرح مدد کی جائے۔ اور جب کوئی جھٹکا لگتا ہے، تو اس طرح کے تجزیے سے نقصان کا فوری اندازہ لگانے اور مدد کو زیادہ مؤثر طریقے سے تعینات کرنے میں مدد مل سکتی ہے۔