AI financial analytics

ঐতিহ্যবাহী ক্রেডিট স্কোরের চেয়ে কি এআই ঋণ খেলাপির ঝুঁকি ভালোভাবে পূর্বাভাস দিতে পারে?

হ্যাঁ, অনেক বাস্তব পরিস্থিতিতে এআই-ভিত্তিক ডিফল্ট-ঝুঁকি মডেলগুলি ঐতিহ্যবাহী ক্রেডিট স্কোরের চেয়ে ঋণ খেলাপির ঝুঁকি আরও নির্ভুলভাবে পূর্বাভাস দিতে পারে, কারণ তারা ঋণগ্রহীতার তথ্যের অনেক বিস্তৃত পরিসর বিশ্লেষণ করে এবং সেই অ-রৈখিক প্যাটার্নগুলি শনাক্ত করে যা প্রচলিত স্কোরিং সূত্রগুলি ধরার জন্য তৈরি নয়। ঐতিহ্যবাহী স্কোরগুলি ঐতিহাসিক পরিশোধ সংক্রান্ত চলকের একটি সংকীর্ণ সেটের উপর নির্ভর করে, যেখানে মেশিন লার্নিং মডেলগুলি একসাথে কয়েক ডজন বা কয়েকশ সংকেতের গুরুত্ব বিবেচনা করতে পারে। তবে, 'ভালো' শর্তসাপেক্ষ; নির্ভুলতা মূলত নির্ভর করে ডেটার গুণমান, মডেলের নকশা এবং সময়ের সাথে মডেলটি কতটা নিবিড়ভাবে পর্যবেক্ষণ ও নিয়ন্ত্রিত হয় তার উপর।

ঐতিহ্যবাহী ক্রেডিট স্কোর ঋণদানের একটি ভিন্ন যুগের জন্য তৈরি হয়েছিল, যখন পেমেন্ট ইতিহাস, ক্রেডিট ব্যবহার এবং ক্রেডিট ইতিহাসের দৈর্ঘ্যের মতো ব্যুরো তথ্যই ছিল একমাত্র সংকেত যা ঋণদাতারা নির্ভরযোগ্যভাবে সংগ্রহ করতে পারত। এই মডেলগুলি নকশার দিক থেকে সরল, যা তাদের ব্যাখ্যাযোগ্য করে তোলে, কিন্তু এই সারল্য পূর্বাভাস ক্ষমতাকে সীমিত করে, বিশেষত পাতলা ফাইলের ঋণগ্রহীতা, গিগ কর্মী বা সীমিত আনুষ্ঠানিক ক্রেডিট ইতিহাসধারী ব্যক্তিদের ক্ষেত্রে। ক্রেডিট কার্ড ঋণ নেই কিন্তু অস্থির আয়ের প্রবাহ আছে এমন একজন ঋণগ্রহীতা কাগজে-কলমে একজন স্থিতিশীল বেতনভুক্ত কর্মচারীর মতো দেখাতে পারে, যদিও তাদের প্রকৃত খেলাপি ঝুঁকি উল্লেখযোগ্যভাবে ভিন্ন, এই ব্যবধানটি পূরণ করার জন্যই এআই-চালিত মডেল তৈরি করা হয়েছে।

এই নিবন্ধটি পরীক্ষা করে যে এআই-ভিত্তিক খেলাপি পূর্বাভাস ঐতিহ্যবাহী স্কোরিংয়ের তুলনায় কেমন, এটি সত্যিকার অর্থে কোথায় পুরনো পদ্ধতিগুলির চেয়ে ভালো পারফর্ম করে এবং কোথায় এর সুবিধাগুলি এখনও অপ্রমাণিত বা প্রেক্ষাপট-নির্ভর থেকে যায়। এটি নির্ভুলতার লেনদেন, বাস্তব-বিশ্বের গ্রহণের ধরন এবং সেই নিয়ন্ত্রক তদারকির দিকেও নজর দেয় যা এখন ভোক্তা ঋণদানে এই মডেলগুলি কীভাবে ব্যবহার করা যেতে পারে তা নির্ধারণ করছে। শুধু খেলাপি পূর্বাভাস নয়, সমগ্র ঋণদান পাইপলাইনকে কৃত্রিম বুদ্ধিমত্তা কীভাবে নতুন রূপ দিচ্ছে তার বিস্তৃত দৃষ্টিভঙ্গির জন্য, এআই কীভাবে ক্রেডিট সিদ্ধান্ত গ্রহণ ও ডিজিটাল ঋণদানকে রূপান্তরিত করছে তার বিস্তৃত গাইডটি এই নিবন্ধের সাথে পড়ার জন্য একটি উপযোগী সহায়ক।

ধারণার ব্যাখ্যা

এআই-ভিত্তিক খেলাপি পূর্বাভাস সাধারণত মেশিন লার্নিং মডেলের উপর নির্ভর করে, যেমন গ্রেডিয়েন্ট-বুস্টেড ট্রি বা নিউরাল নেটওয়ার্ক, যেগুলি ঐতিহাসিক ঋণ পারফরম্যান্স তথ্যের উপর প্রশিক্ষিত হয় যাতে অনুমান করা যায় একজন ঋণগ্রহীতা পেমেন্ট মিস করবে বা খেলাপি হবে এমন সম্ভাবনা কতটুকু। একটি নির্দিষ্ট সূত্র প্রয়োগ করার পরিবর্তে, এই মডেলগুলি ফলাফল এবং ইনপুটের বিস্তৃত সেটের মধ্যে পরিসংখ্যানগত সম্পর্ক শেখে, যার মধ্যে থাকতে পারে ব্যুরো ডেটা, লেনদেনের ইতিহাস, নগদ প্রবাহের ধরন, ডিভাইস সংকেত এবং বিকল্প উৎস থেকে পরিশোধের ইতিহাস। মডেলটি একটি সম্ভাবনা স্কোর প্রদান করে, যা ঋণদাতারা অনুমোদনের সীমা, সুদের হার বা ক্রেডিট সীমা নির্ধারণ করতে ব্যবহার করে, প্রায়শই সম্পূর্ণ প্রতিস্থাপনের পরিবর্তে ঐতিহ্যবাহী স্কোরের পাশাপাশি।

অন্যদিকে, ঐতিহ্যবাহী ক্রেডিট স্কোর সাধারণত মুষ্টিমেয় প্রমিত ব্যুরো চলকের উপর প্রয়োগ করা একটি নির্দিষ্ট পরিসংখ্যানগত সূত্র থেকে তৈরি হয়, যা ক্রমাগত না হয়ে পর্যায়ক্রমে আপডেট করা হয়। এটি তাদের নিয়ন্ত্রক ও ভোক্তাদের কাছে সামঞ্জস্যপূর্ণ ও ব্যাখ্যা করা সহজ করে তোলে, কিন্তু একই সাথে অনমনীয়ও করে তোলে, কারণ সূত্রটি প্রেক্ষাপট নির্বিশেষে প্রতিটি ঋণগ্রহীতার তথ্যকে একইভাবে বিবেচনা করে। এআই মডেলগুলি নীতিগতভাবে একটি ঋণদান পোর্টফোলিও, ভূগোল বা ঋণগ্রহীতা বিভাগের জন্য নির্দিষ্ট প্যাটার্নের সাথে খাপ খাইয়ে নিতে পারে, এটিই একটি কারণ যে প্ল্যাটফর্মগুলি তাদের আরও নির্ভুল বলে বর্ণনা করে, যদিও এই নমনীয়তা ন্যায্যতার প্রশ্নও তোলে যা ঐতিহ্যবাহী স্কোরিং সরল হওয়ার কারণে মূলত এড়িয়ে গেছে।

কেন এটি এখন গুরুত্বপূর্ণ

খেলাপি পূর্বাভাসের নির্ভুলতার ঋণদাতা ও ঋণগ্রহীতা উভয়ের জন্যই সরাসরি আর্থিক প্রভাব রয়েছে। অতিরিক্ত রক্ষণশীল একটি মডেল সেইসব creditworthy আবেদনকারীদের বাদ দেয় যারা প্রচলিত স্কোরিং মানদণ্ডের বাইরে পড়ে, অন্যদিকে অতিরিক্ত উদার একটি মডেল ঋণদাতাদের ক্ষতির সম্মুখীন করে এবং ঝুঁকিপূর্ণ ঋণগ্রহীতাদের বহন-অযোগ্য ঋণের দিকে ঠেলে দিতে পারে। ডিজিটাল ঋণদানের পরিমাণ বাড়ার সাথে সাথে এবং ঋণের সিদ্ধান্ত দিনের পরিবর্তে সেকেন্ডে নেওয়া হওয়ার সাথে সাথে, ক্ষুদ্র নির্ভুলতার উন্নতিও লক্ষ লক্ষ সিদ্ধান্তে জমা হয়। এই কারণেই ব্যাংক, ডিজিটাল ঋণদাতা এবং ফিনটেক প্ল্যাটফর্মগুলি এআই-চালিত ঝুঁকি মডেলে ব্যাপক বিনিয়োগ করছে, সেগুলিকে পরীক্ষামূলক সংযোজন হিসেবে না দেখে।

নিয়ন্ত্রণের কারণেও সময়টি গুরুত্বপূর্ণ। ২০২৬ সালের আগস্ট নাগাদ, ইইউ এআই আইনের অধীনে উচ্চ-ঝুঁকিপূর্ণ এআই সিস্টেমের দায়বদ্ধতা কার্যকর হয়েছে, এবং ক্রেডিট-স্কোরিং ও খেলাপি-ঝুঁকি মডেলগুলি স্পষ্টভাবে উচ্চ-ঝুঁকিপূর্ণ এআই ব্যবহারের ক্ষেত্র হিসেবে শ্রেণীবদ্ধ করা হয়েছে। ইউরোপে পরিচালিত আর্থিক প্রতিষ্ঠানগুলিকে এখন আগের চেয়ে অনেক বেশি কঠোরভাবে এই মডেলগুলি নথিভুক্ত, পরীক্ষা এবং পর্যবেক্ষণ করতে হবে, যা সর্বত্র ঋণদাতাদের উপর চাপ সৃষ্টি করে যে তারা শুধু দেখাক না তাদের এআই মডেল নির্ভুল, বরং সেই নির্ভুলতা ব্যাখ্যাযোগ্য ও নিরীক্ষাযোগ্য। শুধু নির্ভুলতাই আর যথেষ্ট নয়; জবাবদিহিতা এখন সমীকরণের অংশ।

এআই কীভাবে এই ক্ষেত্রটিকে রূপান্তরিত করছে

এআই খেলাপি-ঝুঁকি মূল্যায়নকে একটি স্থির, পর্যায়ক্রমিক স্কোরিং প্রক্রিয়া থেকে একটি ক্রমাগত, তথ্য-সমৃদ্ধ প্রক্রিয়ায় রূপান্তরিত করেছে। শুধুমাত্র ক্রেডিট ব্যুরো স্ন্যাপশটের উপর নির্ভর করার পরিবর্তে, ঋণদাতারা এখন ব্যাংক লেনদেন থেকে নগদ প্রবাহের ধরন, ইউটিলিটি ও ভাড়া পরিশোধের ইতিহাস এবং আবেদন প্রক্রিয়ার সময় সংগৃহীত আচরণগত সংকেত অন্তর্ভুক্ত করতে পারে। মেশিন লার্নিং মডেলগুলিকে ঐতিহ্যবাহী স্কোরিং সূত্রের চেয়ে অনেক বেশি ঘন ঘন পুনরায় প্রশিক্ষণ দেওয়াও সম্ভব, যা তাদের অর্থনৈতিক পরিস্থিতি বা ঋণগ্রহীতার আচরণের পরিবর্তনের সাথে খাপ খাইয়ে নিতে দেয়। এই ক্রমাগত-শেখার পদ্ধতি প্রথাগত স্কোরিং থেকে একটি অর্থপূর্ণ প্রস্থান, যা প্রায়শই মাঝে মাঝেই আপডেট করা হত এবং বিভিন্ন ঋণগ্রহীতা জনগোষ্ঠীর উপর সমানভাবে প্রয়োগ করা হত।

এই পরিবর্তন কাকে আদৌ মূল্যায়ন করা হয় তাও বদলে দিয়েছে। বিকল্প-তথ্য-চালিত এআই মডেলগুলি পাতলা ফাইলের ঋণগ্রহীতা, গিগ-অর্থনীতি কর্মী এবং প্রথমবার ক্রেডিট ব্যবহারকারীদের কাছে অর্থবহ খেলাপি-ঝুঁকি মূল্যায়ন প্রসারিত করতে পারে, যাদের আগে শুধুমাত্র ব্যুরো-ভিত্তিক স্কোরিং দ্বারা প্রত্যাখ্যান বা উপেক্ষা করা হত, শুধুমাত্র দীর্ঘ ক্রেডিট ইতিহাস না থাকার কারণে। একইসাথে, বর্ধিত জটিলতার অর্থ হল ঋণদাতাদের মডেল যাচাইকরণ, পক্ষপাত পরীক্ষা এবং ব্যাখ্যাযোগ্যতা সরঞ্জামে বিনিয়োগ করতে হবে যাতে নিশ্চিত করা যায় যে বিস্তৃত তথ্য ব্যবহার ন্যায্য সিদ্ধান্তে রূপান্তরিত হয়, বৈষম্যের নতুন, শনাক্ত করা কঠিন রূপে নয়।

বাস্তব-বিশ্বের বৈশ্বিক উদাহরণ

প্রধান মার্কিন ও ইউরোপীয় ব্যাংকগুলিতে, এআই-চালিত খেলাপি-ঝুঁকি মডেলগুলি ঐতিহ্যবাহী ক্রেডিট স্কোরের পরিবর্তে নয়, বরং তার পাশাপাশি ক্রমবর্ধমানভাবে ব্যবহৃত হচ্ছে, প্রায়ই একটি গৌণ স্তর হিসেবে যা সীমারেখা আবেদনের জন্য মূল্য নির্ধারণ সমন্বয় করে বা ম্যানুয়াল পর্যালোচনা চালু করে। এই হাইব্রিড পদ্ধতি প্রতিষ্ঠানগুলিকে ঐতিহ্যবাহী স্কোরিংয়ের ব্যাখ্যাযোগ্যতা ধরে রাখতে দেয় এবং একই সাথে মেশিন লার্নিংয়ের প্যাটার্ন-শনাক্তকরণ শক্তি থেকেও উপকৃত হতে দেয়। বড় আঞ্চলিক ও কমিউনিটি ঋণদাতারা সাধারণত আরও সতর্কতার সাথে এগিয়েছে, সঠিক মডেল গভর্নেন্স গড়ে তোলার খরচের কথা উল্লেখ করে, যেখানে নিবেদিত ডেটা-সায়েন্স দলসহ বড় প্রতিষ্ঠানগুলি এই সরঞ্জামগুলিকে আন্ডাররাইটিংয়ে একীভূত করতে দ্রুত এগিয়ে গেছে।

এশিয়া ও অন্যান্য উদীয়মান অর্থনীতির বেশ কয়েকটি দ্রুত বর্ধনশীল ডিজিটাল ঋণদান বাজারে, বড় ডিজিটাল ঋণদাতা ও নিওব্যাংক-ধরনের প্ল্যাটফর্মগুলি এআই-ভিত্তিক খেলাপি পূর্বাভাসের দিকে আরও ঝুঁকেছে, প্রায়ই কারণ তাদের আবেদনকারী ভিত্তির একটি বড় অংশের বিস্তৃত আনুষ্ঠানিক ক্রেডিট ইতিহাসের অভাব রয়েছে। এই প্ল্যাটফর্মগুলি প্রায়ই মোবাইল লেনদেনের তথ্য, ই-কমার্স কার্যকলাপ এবং ছোট অনানুষ্ঠানিক ঋণ থেকে পরিশোধের আচরণ একত্রিত করে একটি সম্পূর্ণ ঝুঁকির চিত্র তৈরি করে। এটি কিছু ঋণদাতাকে সেইসব বিভাগে ঋণ সম্প্রসারণ করতে সক্ষম করেছে যেগুলিকে প্রথাগত ব্যুরো-ভিত্তিক স্কোরিং সাধারণত বাদ দেবে, যদিও এর অর্থ এটাও যে এই বাজারগুলি তথ্য গোপনীয়তা ও দায়িত্বশীল ঋণদান নিয়ে উদ্বিগ্ন নিয়ন্ত্রকদের দ্বারা ঘনিষ্ঠভাবে পর্যবেক্ষণ করা হয়।

ব্যবহারিক আর্থিক পরামর্শ

ঋণগ্রহীতাদের জন্য, ব্যবহারিক শিক্ষা হল এআই-চালিত ঋণদানের সিদ্ধান্ত শুধুমাত্র একটি ক্রেডিট স্কোরের চেয়ে বেশি কিছু দেখতে পারে, তাই একটি বিস্তৃত আর্থিক পরিচিতি তৈরি করা গুরুত্বপূর্ণ। সামঞ্জস্যপূর্ণ ব্যাংক অ্যাকাউন্ট কার্যকলাপ বজায় রাখা, সময়মতো ভাড়া ও ইউটিলিটি বিল পরিশোধ করা এবং একটি স্থিতিশীল লেনদেনের ইতিহাস রাখা—এই সবই বিকল্প-তথ্য মডেলে অবদান রাখতে পারে যদিও এগুলি কখনও ঐতিহ্যবাহী ক্রেডিট রিপোর্টে প্রদর্শিত নাও হতে পারে। যখন একজন ঋণদাতা স্বয়ংক্রিয় সিদ্ধান্ত গ্রহণ ব্যবহার করে তখন ঋণগ্রহীতাদের প্রকাশনাগুলিও সাবধানে পড়া উচিত, কারণ অনেক এখতিয়ারে এখন ঋণদাতাদের ব্যাখ্যা করতে হয় কোন কোন কারণ সিদ্ধান্তে প্রভাব ফেলেছে, বিশেষত ইইউ এআই আইনের মতো কঠোর নিয়মের অধীনে।

ঋণদাতা ও ফিনটেক দলগুলোর জন্য, ব্যবহারিক অগ্রাধিকার হল ভারসাম্য: নিয়ন্ত্রক ও গ্রাহকদের প্রত্যাশিত ব্যাখ্যাযোগ্যতা না হারিয়ে এআই-এর নির্ভুলতার সুবিধা অর্জন করা। এর অর্থ শুরু থেকেই মডেল পর্যবেক্ষণ, পক্ষপাত নিরীক্ষা এবং স্পষ্ট নথিপত্রে বিনিয়োগ করা, পরে সম্মতি যোগ করার পরিবর্তে। একটিকে সম্পূর্ণরূপে অন্যটি দিয়ে প্রতিস্থাপন না করে, এআই-চালিত খেলাপি স্কোরকে ঐতিহ্যবাহী স্কোরিংয়ের সাথে একটি বিচক্ষণতা পরীক্ষা হিসেবে একত্রিত করা এই সিস্টেমগুলিতে বিশ্বাস গড়ে তোলা প্রতিষ্ঠানগুলির জন্য একটি বাস্তবসম্মত পদ্ধতি থেকে যায়। rupiya.ai-এর মতো সম্পদ ঋণগ্রহীতা ও ঋণদান দল উভয়কেই এই বিকশিত ক্রেডিট-সিদ্ধান্ত পদ্ধতিগুলি প্রকৃত আর্থিক ফলাফলকে কীভাবে প্রভাবিত করে তা নিয়ে আপ-টু-ডেট থাকতে সাহায্য করতে পারে।

ভবিষ্যতের দৃষ্টিভঙ্গি

সামনের দিকে তাকালে, খেলাপি-ঝুঁকি পূর্বাভাস সম্ভবত হাইব্রিড মডেলের দিকে এগিয়ে যেতে থাকবে যা ঐতিহ্যবাহী স্কোরিংকে এআই-চালিত ঝুঁকি সংকেতের সাথে মিশ্রিত করে, একটিকে অন্যটি দ্বারা সম্পূর্ণ প্রতিস্থাপনের পরিবর্তে। ইইউ এআই আইনের উচ্চ-ঝুঁকির দায়বদ্ধতার মতো নিয়ন্ত্রক কাঠামো বৈশ্বিক ঋণদাতাদের শক্তিশালী মডেল গভর্নেন্সের দিকে একটি প্রতিযোগিতামূলক পার্থক্যকারী হিসেবে নয়, বরং একটি মৌলিক প্রত্যাশা হিসেবে ঠেলে দেওয়ার সম্ভাবনা রয়েছে। যেসব প্রতিষ্ঠান ব্যাখ্যাযোগ্যতা ও নিরীক্ষাযোগ্যতাকে পরবর্তী চিন্তা হিসেবে না দেখে মূল নকশার প্রয়োজনীয়তা হিসেবে বিবেচনা করে, তারা বর্ধিত তদারকির মধ্যে প্রধান ঋণদান বাজারে সুবিধা পাওয়ার সম্ভাবনা রয়েছে।

এটাও সম্ভবত যে এআই ও ঐতিহ্যবাহী স্কোরিংয়ের মধ্যে নির্ভুলতা তুলনা একটি স্পষ্ট বিজয়ীতে স্থির হওয়ার পরিবর্তে আরও সূক্ষ্ম হয়ে উঠবে। বিভিন্ন মডেল বিভিন্ন ঋণগ্রহীতা বিভাগ, ঋণের ধরন বা অর্থনৈতিক পরিস্থিতির জন্য শক্তিশালী প্রমাণিত হতে পারে, যার অর্থ আরও উপযোগী প্রশ্নটি কোন পদ্ধতি ভালো তা থেকে সরে গিয়ে কোন পদ্ধতির সংমিশ্রণ একটি নির্দিষ্ট পোর্টফোলিওর জন্য সবচেয়ে ন্যায্য, সবচেয়ে নির্ভরযোগ্য ফলাফল দেয় তাতে পরিণত হতে পারে। এই ক্ষেত্র পরিপক্ব হওয়ার সাথে সাথে, চলমান মডেল যাচাইকরণ ও স্বচ্ছ প্রতিবেদন সম্ভবত কাঁচা পূর্বাভাস নির্ভুলতার মতোই গুরুত্বপূর্ণ হয়ে উঠবে।

এআই পূর্বাভাসের নির্ভুলতা

নিয়ন্ত্রিত পরীক্ষার পরিবেশে, এআই-ভিত্তিক খেলাপি মডেলগুলি প্রায়ই ঐতিহ্যবাহী স্কোরিং সূত্রের তুলনায় পূর্বাভাস নির্ভুলতায় পরিমাপযোগ্য উন্নতি দেখায়, বিশেষত যখন এমন মেট্রিক্স ব্যবহার করে মূল্যায়ন করা হয় যা ধরে রাখে একটি মডেল আপেক্ষিক ঝুঁকি অনুসারে ঋণগ্রহীতাদের কতটা ভালোভাবে র‍্যাঙ্ক করে। তবে, পরীক্ষার পরিবেশে নির্ভুলতা সবসময় সরাসরি লাইভ প্রোডাকশনে নির্ভুলতায় রূপান্তরিত হয় না, যেখানে তথ্যের প্রবাহ পরিবর্তন, পরিবর্তনশীল অর্থনৈতিক পরিস্থিতি এবং আবেদনকারীর আচরণে পরিবর্তন একটি মডেলের কর্মক্ষমতা হ্রাস করতে পারে। এই কারণেই শীর্ষস্থানীয় প্রতিষ্ঠানগুলি মডেলের নির্ভুলতাকে এমন কিছু হিসেবে বিবেচনা করে যা ক্রমাগত পর্যবেক্ষণ ও পুনঃযাচাই করতে হবে, প্রাথমিক উন্নয়নের সময় অর্জিত একবারের মানদণ্ড হিসেবে নয়।

এটিও উল্লেখ্য যে উচ্চতর পরিসংখ্যানগত নির্ভুলতা স্বয়ংক্রিয়ভাবে আরও ন্যায্য বা দায়িত্বশীল ফলাফলের অর্থ বহন করে না। একটি মডেল সামগ্রিকভাবে অত্যন্ত নির্ভুল হতে পারে অথচ নির্দিষ্ট ঋণগ্রহীতা উপগোষ্ঠীর জন্য দুর্বল পারফর্ম করতে পারে, যা ঠিক সেই উদ্বেগ যা নিয়ন্ত্রকরা উচ্চ-ঝুঁকিপূর্ণ এআই তদারকির প্রয়োজনীয়তার মাধ্যমে লক্ষ্য করছেন। ঋণগ্রহীতা ও ঋণদাতা উভয়ের জন্যই, একটি এআই খেলাপি-ঝুঁকি মডেলের সাফল্যের আরও অর্থপূর্ণ পরিমাপ হল শুধু এটি সামগ্রিকভাবে খেলাপি কতটা ভালোভাবে পূর্বাভাস দেয় তা নয়, বরং এই নির্ভুলতা যাদের মূল্যায়ন করতে এটি ব্যবহৃত হয় তাদের সম্পূর্ণ পরিসরে সামঞ্জস্যপূর্ণ ও ন্যায্যভাবে বজায় থাকে কিনা।