ความท้าทายหนึ่งของการต่อสู้กับปัญหาความยากจนคือ ‘การมีข้อมูลที่เพียงพอ’ เพื่อวัดความยากจน และการตามหาว่าใครคือ ‘คนจน’ ที่ต้องเข้าไปช่วยเหลือ
ข้อมูลความยากจนของประชากรในประเทศคือข้อมูลจำเป็นที่รัฐต้องมีไว้ในมือ เพื่อใช้ประเมินสถานการณ์ด้านเศรษฐกิจและสังคม และกำหนดนโยบายในการแก้ปัญหา โดยเฉพาะในภาวะวิกฤต อย่างการระบาดของโควิด-19 ‘คนจน’ คือกลุ่มเปราะบางที่ได้รับผลกระทบจากวิกฤตมากกว่ากลุ่มอื่นๆ รัฐต้องหาพวกเขาให้เจอและยื่นมือเข้าไปช่วยเหลืออย่างเร่งด่วน
สำหรับประเทศไทย เราได้รู้สถานการณ์ภาพรวมความยากจนของประเทศกันแค่ปีละครั้งจาก ‘รายงานวิเคราะห์สถานการณ์ความยากจนและเหลื่อมล้ำของประเทศไทย’ โดยสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ (สภาพัฒน์) และข้อมูลจากการลงทะเบียนบัตรสวัสดิการแห่งรัฐ (ดู TPMAP) ซึ่งปัจจุบันมีผู้ถือบัตรดังกล่าวกว่า 14 ล้านคน
อย่างไรก็ตาม ปัญหา ‘คลาสสิก’ ของการจัดทำข้อมูลความยากจนก็คือ การมี ‘คนตกหล่น’ ไปจากระบบ (exclusion error) เพราะทันทีที่กำหนดกฎเกณฑ์เพื่อระบุว่า ใครกันแน่คือคนจน ย่อมมีคนตกหล่น เช่น ในกรณีของสภาพัฒน์ ที่ใช้เส้นความยากจนเป็นเกณฑ์ ก็มีโอกาสที่ ‘คนเกือบจน’ ซึ่งแม้จะไม่ถูกจัดว่าจน แต่เมื่อเจอวิกฤตแล้วกลับมาจน ไม่ได้รับการช่วยเหลือ ทั้งที่ประสบความยากลำบากไม่ต่างจากกลุ่มที่อยู่ใต้เส้นความยากจนอยู่แล้ว หรือในกรณีของบัตรสวัสดิการแห่งรัฐ กระทรวงการคลังเองก็ออกมายอมรับว่า ยังมีคนจนตกหล่นไปจากระบบเป็นจำนวนมาก เพราะการเข้าไม่ถึงการลงทะเบียนและกฎเกณฑ์เงื่อนไขต่างๆ
ในยามวิกฤตเช่นนี้ รัฐบาลทั่วโลกต่างต้องเผชิญความท้าทายในการเก็บข้อมูลคนจนมากขึ้น ทั้งจากความเร่งด่วนในการต้องมีข้อมูลที่เพียงพอ อัพเดท และเชื่อถือได้ เพื่อตัดสินใจเชิงนโยบาย ซึ่งจำเป็นต้องรวดเร็วตามปัญหาความเดือดร้อนที่ไปก่อนไม่รอแล้ว และจากข้อจำกัดในการเก็บข้อมูลที่ทำได้ยากด้วยสถานการณ์การระบาด
เมื่อโควิด-19 เร่งให้การเก็บข้อมูลต้องเปลี่ยน
ข้อมูลความยากจนจากการสำรวจสำมะโนประชากร (census) คือข้อมูลชุดใหญ่และสำคัญที่สุดชุดหนึ่งที่รัฐบาลทั่วโลกใช้ในการประเมินสถานการณ์โครงสร้างประชากรและสังคมของประเทศ ซึ่งโดยปกติจะจัดเก็บข้อมูลกันทุกๆ 10 ปี
ในช่วง 2 ปีท่ามกลางวิกฤตโควิด-19 นี้ มีประเทศยักษ์ใหญ่ที่เวียนบรรจบครบรอบการทำสำมะโนประชากรถึง 3 ประเทศด้วยกันคือ สหรัฐอเมริกา (2020) จีน (2020) และสหราชอาณาจักร (2021)
การเปลี่ยนแปลงครั้งใหญ่ของการสำรวจสำมะโนประชากรในรอบนี้ของทั้ง 3 ประเทศที่ต่างไปจากเดิม คือการทิ้ง ‘กระดาษ’ และหันมาใช้ระบบ ‘ออนไลน์’ เป็นหลักในการเก็บข้อมูล เพื่อความรวดเร็ว ลดความเสี่ยง และเพิ่มความแม่นยำ
ในสหรัฐฯ นับได้ว่าเป็นครั้งแรกในประวัติศาสตร์ ที่ใช้วิธีการเก็บข้อมูลสำมะโนประชากรทางออนไลน์เป็นหลัก (primarily online census) โดยให้ประชาชนให้ข้อมูลผ่านทางเว็บไซต์ my2020census.gov ประกอบกับการเก็บข้อมูลผ่านโทรศัพท์และทางจดหมาย และระงับการเก็บข้อมูลแบบต้องเจอตัวบุคคล เช่น การสัมภาษณ์ตามบ้าน
ในขณะที่จีน ให้ประชาชนให้ข้อมูลด้วยตนเองผ่านแอปพลิเคชัน WeChat บนโทรศัพท์มือถือ แทนการพึ่งเจ้าหน้าที่เก็บข้อมูลที่ลงไปเคาะประตูบ้านอย่างในอดีต
ล่าสุด สหราชอาณาจักรเริ่มเก็บข้อมูลสำมะโนประชากรประจำปี 2021 เมื่อเดือนมีนาคมที่ผ่านมา โดยใช้วิธีการเก็บข้อมูลทางออนไลน์เป็นหลักเป็นครั้งแรกเช่นกัน สำนักงานสถิติแห่งชาติของสหราชอาณาจักรตั้งเป้าหมายเก็บข้อมูลออนไลน์สูงถึง 75% จากการเก็บข้อมูลทั้งหมด
แล้วในประเทศยากจน ที่การเก็บข้อมูลแทบจะเป็นไปไม่ได้ จะทำอย่างไร?
อันที่จริง การเก็บข้อมูลประชากรในประเทศยากจนเป็นเรื่องที่ทำได้ยากมากอยู่แล้ว ไม่ว่าจะในยามวิกฤติหรือยามปกติก็ตาม โดยเฉพาะอย่างยิ่งในทวีปแอฟริกา ข้อมูลจากรายงาน ‘Data for Better Lives’ – World Development Report 2021 ชี้ให้เห็นว่า ประชาชนในประเทศยากจนและพัฒนาน้อยคือ ‘ผู้ไร้ตัวตน’ ในระบบข้อมูลรัฐอย่างไม่สมัครใจ เพราะรัฐไม่สามารถจัดเก็บข้อมูลได้
รายงานฉบับนี้เผยข้อมูลที่น่าตกใจ เช่น ประชากรกว่า 1 พันล้านคนทั่วโลกไม่มีเอกสารระบุตัวตนทางการ เด็กอายุต่ำกว่า 5 ปีมากกว่า 1 ใน 4 ของโลก ไม่ได้จดทะเบียนแจ้งเกิด และครึ่งหนึ่งของประเทศยากจนที่สุด 29 ประเทศไม่ได้ทำสำรวจสำมะโนประชากรเลยในช่วง 10 ปีที่ผ่านมา เช่น ประเทศคองโก ที่สำรวจสำมะโนประชากรครั้งสุดท้ายย้อนไปถึงปี 1984 กันเลยทีเดียว
ในขณะที่โลกมีเทคโนโลยีด้านข้อมูลใหม่ๆ มากมาย จนทำให้เกิดข้อมูลท่วมท้นมหาศาล ปัญหานี้ควรต้องมีทางออก ในโลกวิชาการจึงมีพัฒนาวิธีการเก็บข้อมูลและวัดดัชนีประเมินตัวชี้วัดทางเศรษฐกิจและสังคมโดยเฉพาะอย่างยิ่ง ‘ความยากจน’ โดยอาศัยเทคโนโลยีการเก็บข้อมูลที่ก้าวออกไปจากกรอบเดิมๆ ทำให้มีทางเลือกในการติดตามสถานการณ์ความยากจนและชี้เป้ากลุ่มเป้าหมายที่ต้องการความช่วยเหลือได้ง่ายและรวดเร็วขึ้น
และนี่คือตัวอย่างที่น่าสนใจของความพยายามในการพัฒนาวิธีการวัดความยากจนด้วยวิธีการใหม่ๆ เพื่อตอบโจทย์ข้อจำกัดโดยเฉพาะในยามวิกฤต
วัดความยากจนด้วยข้อมูลมือถือ
ข้อมูลการใช้โทรศัพท์มือถือ โดยเฉพาะโลเคชั่น มีประโยชน์อย่างมากในการติดตามรูปแบบพฤติกรรมของประชาชน ซึ่งสามารถนำมาวิเคราะห์ความยากจนได้
ในช่วงเริ่มต้นของการระบาด เมืองต่างๆ เช่น จาการ์ตา ใช้ข้อมูลการใช้มือถือวัดผลกระทบของมาตรการล็อกดาวน์ โดยการติดตามว่ามีประชาชนที่สามารถอยู่บ้านได้จริงๆ มากน้อยแค่ไหน และพวกเขาอยู่ในพื้นที่ไหน จากข้อมูลจะเห็นว่า คนจนอาจไม่สามารถอยู่บ้านได้จริงๆ เพราะต้องออกไปทำมาหากิน ข้อมูลนี้จึงช่วยสะท้อนความจำเป็นทางเศรษฐกิจและชี้เป้ากลุ่มเปราะบางในแต่ละพื้นที่ได้ ทำให้รัฐบาลท้องถิ่นกำหนดพื้นที่ในการช่วยเหลือได้ดีขึ้น
ในช่วงการระบาดนี้เอง มีการพัฒนาการวัดความยากจนด้วยข้อมูลมือถืออย่างเป็นเรื่องเป็นราวในอัฟกานิสถาน โดยทีมวิจัยนำโดย Emily Aiken แห่ง University of California, Berkeley และคณะ (2020) งานชิ้นนี้ทดลองใช้ machine learning algorithm วิเคราะห์ข้อมูลการใช้มือถือในมิติต่างๆ เช่น ระยะเวลาในการโทร เน็ตเวิร์กที่ติดต่อ และความถี่ในการจ่ายค่าโทรเกินหนึ่งนาที ในการระบุหาครัวเรือนที่ยากจนที่สุดของหมู่บ้านในพื้นที่ศึกษา ผลปรากฎว่าข้อมูลความยากจนที่วิเคราะห์ได้จาก 80% ของครัวเรือนที่มีมือถือ ใกล้เคียงกับข้อมูลความยากจนที่เก็บด้วยวิธีสำรวจปกติ เช่น การนับจำนวนเครื่องใช้ไฟฟ้า และทรัพย์สินในครัวเรือน
ในปีเดียวกันนี้ ทีมวิจัยของ Aiken ยังพัฒนาโปรเจกต์ลักษณะเดียวกันในประเทศโตโก ภูมิภาคแอฟริกา เพื่อช่วยให้รัฐบาลโตโกส่งเงินช่วยเหลือไปยังกลุ่มคนที่ยากจนที่สุดในประเทศได้ตรงเป้าที่สุดในช่วงโควิดระบาด เพื่อแก้ปัญหาข้อจำกัดจากข้อมูลสำมะโนประชากรที่อัปเดตล่าสุดในปี 2011 ทีมวิจัยผสมผสานการใช้ข้อมูลมือถือ ภาพถ่ายดาวเทียม และ machine learning algorithm เข้าด้วยกัน เพื่อค้นหากลุ่มเป้าหมายและส่งข้อมูลต่อไปยังรัฐบาลเพื่อดำเนินการช่วยเหลือ
โปรเจกต์นี้ทำให้รัฐบาลโตโกสามารถให้เงินช่วยเหลือไปยังกลุ่มคนยากจนเป้าหมายได้เพิ่มขึ้น 57,000 คน อย่างรวดเร็ว ตามกรอบงบประมาณที่มี และพบว่าการค้นหากลุ่มเป้าหมายด้วยวิธีการนี้ช่วยลดปัญหาการตกหล่นของกลุ่มที่ต้องได้รับการช่วยเหลือหรือ exlcusion error ได้ถึง 4-21% ซึ่งช่วยเพิ่มประสิทธิภาพของโครงการช่วยเหลือได้ดี
วัดความยากจนด้วยภาพถ่ายดาวเทียม
การใช้ภาพถ่ายดาวเทียมในการเก็บข้อมูลเพื่อสะท้อนตัวชี้วัดทางเศรษฐกิจและสังคมมีมานานแล้ว ในปี 2001 มีการศึกษาการใช้ภาพถ่ายดาวเทียมแสงไฟในเวลากลางคืน เพื่อประเมินจำนวนประชากรในระดับจังหวัดและระดับประเทศในประเทศจีน ซึ่งจะเห็นได้ว่าพื้นที่ประชากรเบาบางจะมีแสงไฟในเวลากลางคืนน้อยกว่าพื้นที่ที่มีประชากรหนาแน่น ข้อมูลนี้ทำให้สามารถแยกแยะความเป็นเมืองและชนบทออกจากได้ในระดับหนึ่ง หลังจากนั้นก็มีการศึกษาอื่นๆ ตามมามากมายที่ใช้วิธีการคล้ายคลึงกัน และเพิ่มเติมการวิเคราะห์องค์ประกอบอื่นๆ จากภาพถ่ายดาวเทียมควบคู่ไปด้วย เช่น การกระจายตัวของถนน หรือ แหล่งน้ำ เป็นต้น
ในปี 2016 มีการใช้ภาพถ่ายดาวเทียมวัดความยากจนอย่างเป็นเรื่องเป็นราว โดยทีมวิจัยของคณะ Earth System Science แห่งมหาวิทยาลัย Stanford University รวบรวมภาพถ่ายดาวเทียมทั้งกลางวันและกลางคืนทำ ‘แผนที่ความยากจนโลก’ โดยใช้ machine learning algorithm คาดการณ์ระดับความยากจนในพื้นที่ การศึกษาชิ้นนี้นับเป็นจุดเริ่มต้นสำคัญในการวัดความยากจนด้วยดาวเทียม
วิธีการลักษณะนี้มีประโยชน์อย่างยิ่งในภาวะการระบาดของโควิด-19 ธนาคารโลกได้ยกตัวอย่างล่าสุดในประเทศไนจีเรีย เมื่อต้นปี 2021 ซึ่งใช้ข้อมูลจากภาพถ่ายดาวเทียมและข้อมูลบิ๊กดาต้า (big data) ทางภูมิศาสตร์ทำ ‘แผนที่ความยากจน’ โดยใช้ machine learning algorithm เรียนรู้ข้อมูลที่รวบรวมมาได้ เช่น วิเคราะห์คุณภาพถนน ความหนาแน่นของสิ่งปลูกสร้าง หรือโครงข่ายของที่ดิน เปรียบเทียบกับข้อมูลจากการสำรวจครัวเรือนด้วยวิธีการปกติ เพื่อคาดการณ์พื้นที่ยากจน
ที่มา: https://blogs.worldbank.org/opendata/using-big-data-and-machine-learning-locate-poor-nigeria
ผลจากการศึกษาพบว่าข้อมูลที่ได้จากการใช้ machine learning algorithm มีความสัมพันธ์อย่างมีนัยสำคัญกับข้อมูลที่ได้จากการทำสำรวจโดยปกติ แม้อาจจะไม่สามารถแทนที่ข้อมูลจากการสำรวจได้ 100% ก็ตาม แต่แผนที่ความยากจนนี้เป็นประโยชน์อย่างยิ่งในการพัฒนามาตรการช่วยเหลือทางสังคมให้มุ่งตรงไปยังกลุ่มเป้าหมายได้ดีขึ้น
อนาคตของการเก็บข้อมูลและวัดความยากจน?
อย่างไรก็ตาม การวัดความยากจนด้วยเทคโนโลยีและวิธีการใหม่ๆ เหล่านี้ล้วนมีข้อจำกัดและมีโจทย์ที่ต้องพัฒนาต่อไป เช่น ความเป็นส่วนตัวและความปลอดภัยของข้อมูล ความพร้อมของโครงสร้างพื้นฐานข้อมูลในแต่ละประเทศ หรือความเหลื่อมล้ำของข้อมูลจากการที่ประชาชนบางกลุ่มไม่มีโทรศัพท์มือถือ
นักวิจัยจำนวนหนึ่งให้ความเห็นว่าวิธีการเหล่านี้อาจจะยังไม่สามารถแทนที่การสำรวจด้วยระเบียบวิธีการแบบเดิม เช่น การทำสำมะโนประชากรได้ แต่ก็มีประโยชน์ในการช่วยให้รัฐให้เห็นภาพปัญหาได้อย่างรวดเร็วในภาวะจำเป็น เพื่อเร่งช่วยเหลือคนยากจน
สำหรับประเทศไทย แม้เราจะยังไม่เห็นการนำเทคโนโลยีใหม่ๆ มาใช้ในวัดความยากจนอย่างเป็นรูปธรรม แต่ก็มีความพยายามในการศึกษาเรื่องนี้อยู่เช่นกัน ล่าสุด ธนาคารเพื่อการพัฒนาแห่งเอเชีย (Asian Development Bank – ADB) ออกรายงาน ‘Mapping the Spatial Distribution of Poverty Using Satellite Imagery in Thailand’ เมื่อเดือนเมษายน 2021 โดยเน้นไปที่การศึกษาความเป็นไปได้เชิงเทคนิคในการใช้ภาพถ่ายดาวเทียมวัดความยากจนในไทย โดยได้ร่วมมือกับสำนักงานสถิติแห่งชาติ แม้จะยังไม่มีการนำข้อมูลมาสรุปสถานการณ์ความยากจนให้เราได้เห็นจริง แต่ก็หวังว่าการเปิดรับวิธีการใหม่ๆ เช่นนี้ จะช่วยให้เรามีข้อมูลที่เพียงพอ น่าเชื่อถือ และนำมาใช้ประโยชน์ได้ดีขึ้น
เทคโนโลยี ความรู้ และเครื่องมือใหม่ๆ เหล่านี้ทำให้เราเห็นว่า หากรัฐปรับตัวให้ไว หันมาร่วมมือกับภาคส่วนต่างๆ เพื่อใช้เทคโนโลยีและข้อมูลให้เกิดประโยชน์ ปัญหาหลายอย่างอาจถูกแก้ไขได้เร็วขึ้น ลดความสูญเสีย และบรรเทาความเดือดร้อนของกลุ่มคนที่เปราะบางที่สุดได้ ดังตัวอย่างในประเทศโตโก
เหนือสิ่งอื่นใด รัฐต้องปรับวิธีคิดพื้นฐานด้านข้อมูลใหม่ทั้งหมด เพราะต่อให้มีเทคโนโลยีและข้อมูลดีแค่ไหน แต่ตราบที่รัฐยังมุ่งปกปิด ห้ามพูด หรือห้ามวิจารณ์ถึงปัญหา ก็ยากที่รัฐจะแก้ปัญหาได้อย่างมีประสิทธิภาพและโปร่งใส
เพราะ ‘ความจริง’ เป็นจำนวนมากในสังคมไทย ไม่ต้องใช้ดาวเทียมส่องดู ก็รู้ว่าแย่แค่ไหน
อ้างอิง
- PBS
- NPR
- SCMP
- UK Parliament
- Brookings
- The Economist
- World Bank – report
- World Bank – blog
- ADB
- CEGA
- CEGA – Machine Learning and Mobile Data Improves Aid Delivery in Togo
- Active Sustainability
เรื่อง: ภัทชา ด้วงกลัด
