รุ่งอรุณแห่งเศรษฐศาสตร์เชิงประจักษ์ ถึงเวลาใช้หลักฐานออกแบบนโยบาย

“แทบไม่มีใครสนใจการวิเคราะห์ข้อมูลอย่างจริงจัง หรือถ้าจะกล่าวให้ถูกต้องคงต้องบอกว่า แทบไม่มีใครใส่ใจการวิเคราะห์ข้อมูลของคนอื่นอย่างจริงๆ จังๆ เลย”
เอ็ดวาร์ด เลิร์นเนอร์, 1983

เชื่อไหมครับว่าครั้งหนึ่งเศรษฐศาสตร์เชิงประจักษ์ซึ่งอิงข้อมูลจากโลกแห่งความเป็นจริงจะเป็นเพียงสาขาที่ไม่ได้สลักสำคัญอะไรเมื่อเทียบกับเศรษฐศาสตร์ภาคทฤษฎีที่เน้นการสร้างแบบจำลองในโลกสมมติ แต่ความคิดดังกล่าวเริ่มเปลี่ยนไปนับตั้งแต่ปลายศตวรรษที่ 20 เมื่อเกิดกระแส ‘ปฏิวัติความน่าเชื่อถือ’ ในแวดวงเศรษฐศาสตร์ หลังจากที่งานวิจัยชิ้นแล้วชิ้นเล่าพบว่าข้อมูลในโลกจริงกลับสวนทางกับโลกในแบบจำลอง

หนึ่งในการศึกษาซึ่งถือเป็นการกรุยทางในช่วงเวลาดังกล่าวคือผลงานของ เดวิด คาร์ด (David Card) นักเศรษฐศาสตร์จากมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์ เจ้าของรางวัลโนเบลสาขาเศรษฐศาสตร์คนล่าสุดที่แสดงให้เห็นว่าการกำหนดค่าแรงขั้นต่ำไม่ได้ทำให้อัตราการว่างงานเพิ่มสูงขึ้นอย่างที่แบบจำลองทำนายไว้

นับตั้งแต่ช่วงเวลาดังกล่าว เศรษฐศาสตร์ก็เบนเข็มความสนใจจากโลกในอุดมคติที่เต็มไปด้วยสมมติฐานมาสู่โลกแห่งความเป็นจริงที่เต็มไปด้วยความยุ่งเหยิง การศึกษาปรากฏการณ์ในโลกจริงนั้นยุ่งยากอย่างยิ่งเพราะมีตัวแปรมากมายหลายหลาก นับเป็นความท้าทายสำคัญในการหาความสัมพันธ์แบบเป็นเหตุเป็นผล (causal relationship) ซึ่งจะเป็นรากฐานการออกแบบนโยบายทางเศรษฐกิจที่มีประสิทธิภาพ

ตัวอย่างเช่น หากเราพบว่าการกำหนดค่าแรงขั้นต่ำสัมพันธ์กับการว่างงาน เราอาจอธิบายว่า (1) นโยบายค่าแรงขั้นต่ำทำให้เกิดการว่างงาน (2) ปัญหาการว่างงานและค่าแรงที่ต่ำเตี้ยเรี่ยดินในกลุ่มผู้มีรายได้น้อยนำไปสู่การกำหนดค่าแรงขั้นต่ำ หรือ (3) มีปัจจัยอื่นที่ส่งผลต่อทั้งการว่างงานและการตัดสินใจกำหนดนโยบายค่าแรงขั้นต่ำ

เพื่อหาคำตอบที่แน่ชัด เราต้องตามหาสิ่งที่ตรงกันข้ามกับความจริง (counterfactual) ตัวอย่างเช่น ถ้ารัฐบาลในโลกแห่งความเป็นจริงบังคับใช้นโยบายค่าแรงขั้นต่ำ เราก็ต้องหาโลกอีกใบที่รัฐบาลไม่ได้กำหนดนโยบายดังกล่าวแล้วเปรียบเทียบอัตราการว่างงานระหว่างโลกสองใบเพื่อตอบคำถามว่านโยบายค่าแรงขั้นต่ำส่งผลอย่างไรต่ออัตราการว่างงาน

แน่นอนครับว่าย่อหน้าข้างบนคงเป็นไปได้แค่ในนิยายวิทยาศาสตร์ ส่วนในความเป็นจริงนั้นเหล่านักเศรษฐศาสตร์ชั้นครูได้ ‘กรุยทาง’ ใช้เทคนิคทางสถิติเพื่อสร้าง ‘สิ่งที่ตรงกันข้ามกับความจริง’ โดยมีสารพัดวิธีวิจัยให้เลือกใช้เพื่อหาความสัมพันธ์แบบเป็นเหตุเป็นผล อาทิ การทดลองแบบสุ่มและมีกลุ่มควบคุม (randomized controlled trial) การทดลองโดยธรรมชาติ (natural experiment) การออกแบบสมการถดถอยแบบไม่ต่อเนื่อง (Regression Discontinuity Design) หรือการเปรียบเทียบความแตกต่างในความแตกต่าง (Difference-in-Differences)

เปลี่ยนโลกจริงให้เป็นห้องทดลอง

สมัยเด็กๆ ผู้อ่านเคยทดลองปลูกถั่วงอกไหมครับ?

สมมติเราทำโครงการวิทยาศาสตร์เล็กๆ แบ่งถั่วเขียวแบบสุ่มจากถุงเดียวกันไปใส่ไว้ในสองถาดซึ่งใช้วัสดุปลูกเหมือนกัน และระดับความชื้นเท่ากัน ถาดที่หนึ่งวางไว้ในที่ซึ่งมีแสงสว่างตามปกติถือเป็นกลุ่มควบคุม อีกถาดหนึ่งที่เอาไปใส่ไว้ในตู้ทึบแสงถือเป็นกลุ่มทดสอบ แล้วเปรียบเทียบอัตราการเติบโตของต้นถั่วทั้งสองตู้

แน่นอนครับว่าต้นถั่วกลุ่มทดสอบซึ่งอยู่ในที่ทึบแสดงย่อมโตช้ากว่าโดยตัวแปรเดียวที่ต่างกันคือแสงสว่าง เราจึงสามารถสรุปผลได้ว่าแสงสว่างจะทำให้ถั่วงอกเติบโตเร็วขึ้น X% โดยเปรียบเทียบระหว่างกลุ่มทดสอบกับกลุ่มควบคุม

นี่คือภาพจำลองอย่างง่ายของการทดลองแบบสุ่มและมีกลุ่มควบคุม วิธียอดนิยมเพื่อวิจัยประสิทธิภาพของวัคซีน โดยผู้ทำการวิจัยจะนำกลุ่มตัวอย่างทั้งหมดมาสุ่มแบ่งออกเป็นสองกลุ่ม กลุ่มหนึ่งจะได้รับวัคซีนปลอมซึ่งจะถือเป็นกลุ่มควบคุมหรือก็คือตัวแทนของสิ่งที่ตรงกันข้ามกับความจริงนั่นเอง ส่วนอีกกลุ่มหนึ่งจะได้รับวัคซีนที่ต้องการทดลองแล้วจึงเปรียบเทียบผลลัพธ์ของทั้งสองกลุ่มว่าวัคซีนจริงจะมีประสิทธิภาพป้องกันโรคหรือการป่วยหนักได้มากน้อยแค่ไหน

การแบ่งกลุ่มตัวอย่างโดยใช้วิธีสุ่มคือเทคนิคเพื่อให้ทั้งสองกลุ่มมีคุณลักษณะทางสถิติที่ใกล้เคียงกัน ทั้งที่มองเห็นได้ เช่น เพศหรืออายุ และที่ไม่สามารถมองเห็นได้ด้วยตาเปล่า เช่น ลักษณะทางพันธุกรรม การปิดบังไม่ให้ผู้เข้าร่วมทราบว่าได้รับวัคซีนจริงหรือปลอมนั้น เป็นการช่วยป้องกันปัญหาการเปลี่ยนแปลงทางพฤติกรรมซึ่งอาจกระทบต่อผลลัพธ์การทดลองได้ เช่น คนที่รู้ว่าได้วัคซีนจริงอาจมีพฤติกรรมเสี่ยงมากขึ้น ส่งผลให้มีอัตราการติดเชื้อมากขึ้น เป็นต้น

กลุ่มนักเศรษฐศาสตร์ชั้นแนวหน้าที่หยิบวิธีวิจัยนี้ไปประยุกต์ใช้เพื่อออกแบบนโยบายยกระดับชีวิตคนยากจนคือ อภิจิต บาเนอร์จี (Abhijit Banerjee) เอสเธอร์ ดัฟโล (Esther Duflo) และไมเคิล เครเมอร์ (Michael Kremer) ทั้งสามได้รับรางวัลโนเบลสาขาเศรษฐศาสตร์เมื่อปี พ.ศ. 2562 ที่ผ่านมาโดยมีการนำผลลัพธ์จากการวิจัยไปพัฒนาต่อไปเป็นนโยบายทั้งด้านการศึกษา สุขภาพ ไปจนถึงสินเชื่อสำหรับคนยากจน

ตัวอย่างผลลัพธ์ในแวดวงการศึกษาด้วยวิธีการทดลองแบบสุ่มและมีกลุ่มควบคุมคือเพิ่มทรัพยากรสำหรับการศึกษา เช่น หนังสือเรียนและอุปกรณ์ในห้องเรียนที่ทันสมัย รวมทั้งการเพิ่มจำนวนครูอาจไม่ได้ช่วยให้เด็กมีผลสัมฤทธิ์ทางการศึกษาดีขึ้นอย่างที่หลายคนเข้าใจ แต่ทั้งสามได้เสนออีกแนวทางหนึ่งคือการสอนเสริมนอกเวลาโดยให้เด็กนักเรียนที่เรียนไม่ทันเพื่อนมาเรียนเพิ่มเติมในหลักสูตรที่เหมาะกับระดับความรู้ความสามารถของตนเอง ซึ่งจะช่วยเพิ่มผลสัมฤทธิ์ทางการศึกษาอย่างมีนัยสำคัญ

อย่างไรก็ดี การศึกษาในลักษณะนี้ใช้ต้นทุนสูงและยุ่งยากในการดำเนินการ อีกทั้งยังมีประเด็นทางศีลธรรมซึ่งทำให้ไม่สามารถทดลองกับบางประเด็นได้ เช่น หากต้องการทราบผลตอบแทนจากการศึกษาเพิ่มขึ้น 1 ปี เราก็ไม่สามารถบังคับเด็กกลุ่มหนึ่งให้ลาออกจากโรงเรียน แล้วบังคับให้เด็กอีกกลุ่มหนึ่งเรียนต่อได้เพื่อเปรียบเทียบผลลัพธ์เมื่อเข้าสู่วัยทำงาน การศึกษาปรากฏการณ์ในลักษณะนี้จึงต้องอาศัยการทดลองโดยธรรมชาติ

การทดลองที่เกิดขึ้นโดยธรรมชาติ

ความหมายของการทดลองโดยธรรมชาติคือสถานการณ์หรือเหตุการณ์ที่ไม่ได้มีการควบคุมเหมือนกับในห้องทดลอง แต่กลับสร้างความแตกต่างในตัวแปรที่นักวิจัยต้องการศึกษาราวกับว่ามันถูกกำหนดแบบสุ่ม ส่วนใหญ่แล้วการทดลองโดยธรรมชาติจะเกิดจากการเปลี่ยนแปลงของนโยบาย ปัจจัยธรรมชาติที่ไม่มีใครควบคุมได้ เช่น สภาพอากาศ หรือเหตุการณ์ที่ไม่มีใครคาดถึง เช่น การอพยพเข้าเมืองของผู้ลี้ภัยจำนวนมาก

วิธียอดนิยมวิธีแรกสำหรับวิเคราะห์การทดลองที่เกิดขึ้นตามธรรมชาติคือการออกแบบสมการถดถอยแบบไม่ต่อเนื่อง (Regression Discontinuity) ซึ่งเหมาะสำหรับปรากฎการณ์ที่มีเกณฑ์ (threshold) ชัดเจนโดยคนที่ผ่านเกณฑ์จะได้เข้าร่วมโครงการ ส่วนคนที่ไม่ผ่านก็จะนับเป็นกลุ่มควบคุม

เพื่อให้เห็นภาพ ผมขอยกตัวอย่างในแวดวงการแพทย์ซึ่งกำหนดเกณฑ์น้ำหนักเด็กทารกแรกเกิดที่หากต่ำกว่า 1,500 กรัมจะเข้าข่ายทารกน้ำหนักน้อยและต้องได้รับการรักษาเพิ่มเติม งานวิจัยชิ้นหนึ่งใช้เกณฑ์ดังกล่าวในการศึกษาผลลัพธ์ด้านสุขภาพในเหล่าทารกน้ำหนักน้อย โดยเปรียบเทียบระหว่างทารกที่น้ำหนักต่ำกว่าเกณฑ์เล็กน้อย (เช่น 1,450 – 1,499 กรัม) ซึ่งได้รับการรักษาเพิ่มเติม กับทารกที่น้ำหนักสูงกว่าเกณฑ์เล็กน้อย (เช่น 1,500 – 1,549 กรัม) ซึ่งเปรียบเสมือนสิ่งที่ตรงกันข้ามกับความจริง ผลการศึกษาปรากฎว่าทารกที่น้ำหนักต่ำกว่าเกณฑ์เล็กน้อยและได้รับการรักษากลับมีอัตราการเสียชีวิตในช่วงขวบปีแรกต่ำกว่า สวนทางกับแนวโน้มทางสถิติที่บอกว่ายิ่งน้ำหนักน้อยเท่าไหร่ อัตราการเสียชีวิตจะยิ่งมากขึ้นเท่านั้น

ส่วนในแวดวงการศึกษา วิธีการดังกล่าวจะถูกนำมาประยุกต์กับการสอบเข้าโรงเรียนหรือโครงการพิเศษต่างๆ ซึ่งจำกัดจำนวนเด็กที่จะสามารถเข้าไปเรียนได้ โดยนักวิจัยจะเปรียบเทียบผลลัพธ์การศึกษาระหว่างคนที่สอบผ่านในอันดับท้ายๆ และคนที่สอบตกในอันดับแรกๆ ภายใต้สมมติฐานว่าเด็กทั้งสองกลุ่มนี้จะมีลักษณะต่างๆ ใกล้เคียงกัน

นอกจากวิธีข้างต้นแล้ว ยังมีอีกวิธีหนึ่งที่น่าสนใจซึ่งใช้หาคำตอบว่าการศึกษาในโรงเรียนหนึ่งปีจะสร้างผลตอบแทนมากน้อยเพียงใด งานวิจัยชิ้นนี้เป็นของ โจชัว แองกริสต์ (Joshua Angrist) หนึ่งในผู้ร่วมรับรางวัลโนเบลสาขาเศรษฐศาสตร์คนล่าสุด และ อลัน ครูเกอร์ (Alan Krueger) นักเศรษฐศาสตร์ชั้นครูผู้ล่วงลับ พวกเขาใช้ตัวแปรสุ่มอย่าง ‘วันเกิด’ ของเด็กๆ มาใช้ตอบคำถามดังกล่าว

ความเป็นไปได้นี้เกิดจากกฎหมายของสหรัฐอเมริกาที่ระบุว่า เด็กๆ จะสามารถเดินออกจากโรงเรียนได้ทันทีเมื่อมีอายุถึงกำหนด แต่นักเรียนทุกคนในแต่ละรัฐจะต้องเริ่มการศึกษาในเวลาเดียวกัน นั่นหมายความว่าเด็กๆ ที่เกิดในช่วงต้นปีจะสามารถลาออกจากโรงเรียนได้เร็วกว่าคนอื่นๆ ซึ่งนักเรียนหลายคนก็ใช้สิทธิที่กฎหมายมอบให้ แองกริสต์และครูเกอร์มองว่าวันเกิดจึงสามารถใช้เป็นตัวแปรเครื่องมือ (instrumental variable) ซึ่งหมายถึงตัวแปรที่ส่งผลต่อจำนวนปีในรั้วโรงเรียนแต่ไม่ส่งผลทางตรงต่อรายได้ในอนาคต

ด้วยวิธีการข้างต้น ทั้งสองสรุปว่าการศึกษาเพิ่มขึ้นเป็นเวลา 1 ปีจะทำให้มีรายได้เพิ่มขึ้นถึง 9 เปอร์เซ็นต์ อย่างไรก็ดี ตัวเลขดังกล่าวมากกว่าการวิเคราะห์โดยใช้สมการถดถอยแบบธรรมดาซึ่งสะท้อนความสัมพันธ์ว่าการเรียนเพิ่มอีก 1 ปีจะทำให้มีรายได้เพิ่มขึ้น 7 เปอร์เซ็นต์

อย่างไรก็ดี ผลลัพธ์ดังกล่าวนำมาซึ่งความยุ่งยากเพราะตัวเลขจากวิธีการใช้ตัวแปรเครื่องมือไม่ควรจะสูงกว่าตัวเลขจากการวิเคราะห์โดยใช้สมการถดถอยธรรมดา เนื่องจากคนที่ฉลาดและมีความทะเยอทะยานย่อมมีระดับการศึกษาที่สูงและมีรายได้ที่สูง (โดยไม่เกี่ยวกับระดับการศึกษาที่สำเร็จ) อีกทั้งวิธีการใช้ตัวแปรเครื่องมือยังเน้นกลุ่มประชากรที่มีแนวโน้มจะลาออกจากโรงเรียนกลางคันมากกว่าคนอื่นๆ อาจทำให้ไม่สามารถใช้แทนประชากรในภาพรวมได้ ที่สำคัญ การทดลองโดยธรรมชาติยังไม่สามารถควบคุมได้แบบ 100 เปอร์เซ็นต์ ทำให้บางส่วนของกลุ่มตัวอย่างไม่ได้มีพฤติกรรมตามที่นักวิจัยคาดหวัง ตัวอย่างเช่น เด็กที่เกิดต้นปีแต่ก็ไม่ออกจากโรงเรียนเมื่ออายุถึงตามที่กฎหมายกำหนด

ปริศนานี้คลี่คลายลงในงานวิจัยชิ้นเอกของ โจชัว แองกริสต์ (Joshua Angrist) และ กุยโด อิมเบนส์ (Guido Imbens) ทั้งสองชวนเราตั้งคำถามว่าภายใต้เงื่อนไขใดที่เราจะใช้การทดลองโดยธรรมชาติเพื่อประมาณการผลลัพธ์จากโครงการบางอย่างโดยที่ผลกระทบนั้นแตกต่างกันไปตามแต่ละตัวบุคคล และเราไม่สามารถควบคุมผู้เข้าร่วมทุกคนได้เหมือนกับการทดลองในห้องวิจัย

คำตอบของทั้งสองคือกระบวนการประเมินแบบสองขั้นตอน ขั้นตอนที่หนึ่งคือศึกษาว่าปรากฎการณ์ที่เกิดขึ้นโดยธรรมชาตินั้นส่งผลอย่างไรต่อความน่าจะเป็นที่ปัจเจกจะเข้าร่วมโครงการ ขั้นตอนที่สองคือพิจารณาความน่าจะเป็นนั้นเมื่อต้องการประเมินผลลัพธ์จริงๆ ของโครงการดังกล่าว จากวิธีนี้เราจะได้ผลลัพธ์ของกลุ่มคนที่เปลี่ยนใจมาเข้าร่วมโครงการเนื่องจากการทดลองโดยธรรมชาติ สำหรับตัวอย่างเรื่องนักเรียนมัธยมปลาย รายได้ที่เพิ่มขึ้น 9 เปอร์เซ็นต์จึงจำกัดเฉพาะกลุ่มเด็กที่ตัดสินใจลาออกกลางคันเท่านั้นซึ่งเราเรียกว่าค่าเฉลี่ยผลลัพธ์แบบเฉพาะกลุ่ม (Local Average Treatment Effect หรือ LATE)

นวัตกรรมวิธีวิจัยนี้เองที่เปิดโลกแห่งความเป็นไปได้ให้นักวิจัยคนอื่นๆ หยิบจับการทดลองโดยธรรมชาติมาวิเคราะห์ความสัมพันธ์แบบเป็นเหตุเป็นผล จากเดิมที่เคยถูกจำกัดโดยเครื่องมือทางสถิติที่ทำให้วิเคราะห์ได้เพียงความสัมพันธ์ระหว่างสองตัวแปร

เศรษฐศาสตร์แบบเรียลไทม์

ในช่วงไม่กี่ปีให้หลังของรางวัลโนเบลสาขาเศรษฐศาสตร์ได้มีการย้ายจากภาคทฤษฎีในโลกสมมติมายังการศึกษาปรากฏการณ์เชิงประจักษ์ในโลกแห่งความเป็นจริงทั้งในระดับมหภาคหรือจุลภาค สะท้อนให้เห็นบทบาทในปัจจุบันของนักเศรษฐศาสตร์ในการมอบคำอธิบายให้กับสังคมโดยอ้างอิงจากข้อมูลจริง อีกทั้งผลการศึกษาเหล่านี้มีคุณค่าในการออกแบบนโยบายให้ตรงจุดและมีประสิทธิผลสูงสุด

ในโลกสมัยใหม่ที่ธุรกรรมเริ่มเคลื่อนย้ายจากออฟไลน์ไปสู่ออนไลน์ เรามีข้อมูลมหาศาลในรูปแบบรอยเท้าดิจิทัลซึ่งรัฐบาลหลายแห่งหยิบจับมาเพื่อปรับแก้และกำหนดนโยบายแบบทันท่วงที ไม่ใช่ต้องรอตัวเลขรายไตรมาสหรือรายปีเพื่อใช้ประกอบการตัดสินใจแก้ไขปัญหา เพราะราคาของข้อมูลที่ย่ำแย่และล่าช้าอาจหมายถึงความสูญเสียทางเศรษฐกิจหลายร้อยล้าน และคนอีกหลายแสนที่อาจต้องตกงาน

การระบาดของโควิด-19 แสดงให้เห็นบทบาทสำคัญของข้อมูลที่ทันท่วงที ในเมื่อเราคงไม่สามารถรอข้อมูลจริงจากภาคสนาม รัฐบาลและธนาคารกลางทั่วโลกจึงต้องดำเนินนโยบายเชิงทดลองโดยใช้ข้อมูลเท่าที่มีในมือและปรับนโยบายไปตามสถานการณ์

น่าเสียดายที่ผู้เขียนยังไม่เห็นปรากฏการณ์ ‘ขับเคลื่อนด้วยข้อมูล’ มากนักในประเทศไทย แนวทางการแก้ไขปัญหาดูจะเป็นไปตามความคิดเห็นของ ‘คณะผู้เชี่ยวชาญ’ มากกว่าสถานการณ์เชิงปริมาณ เราจึงเห็นการช่วยเหลือประชาชนที่ล่าช้า ยุ่งยากโดยไม่จำเป็น การลงทะเบียนซ้ำแล้วซ้ำเล่า การสั่งวัคซีนบางยี่ห้อทั้งที่ยังไม่มีงานวิจัยรองรับเพียงพอ อยากจะยกเลิกเคอร์ฟิวก็ยกเลิก อยากจะเปิดประเทศก็เปิด ทั้งที่จำนวนผู้ติดเชื้อก็ยังเฉียดหมื่นและยอดผู้ฉีดวัคซีนก็ยังไม่ถึงเป้า

ไม่ใช่ว่าผมไม่เห็นด้วยกับการตัดสินใจของรัฐบาลไปเสียทุกเรื่องนะครับ เพียงแต่ต้องการเห็นหลักเหตุผลที่ใช้ในการตัดสินใจ รวมทั้งข้อมูลเชิงปริมาณที่ใช้สนับสนุนการตัดสินใจดังกล่าว

เท่าที่สังเกตเห็น รัฐบาลดูจะถนัดหยิบเลขมหัศจรรย์ลงมาจากอากาศ เช่น เปิดประเทศอีก 100 วัน ฉีดวัคซีนให้ครบ 100 ล้านโดส หรือยกเลิกเคอร์ฟิวและผ่อนคลายการเดินทางระหว่างประเทศตอนต้นเดือนพอดิบพอดี ซึ่งให้ความรู้สึกเหมือนมีคนนั่งหัวโต๊ะบอกว่า ‘เอาแบบนี้ก็แล้วกัน’ มากกว่าอ้างอิงตามหลักวิชาการใดๆ