ThaiPublica > คอลัมน์ > ถี่ ถูก แม่น หรือแค่ฝัน?: รวม 14 วิธีวัดตัวเลขเศรษฐกิจใหม่ในยุค Big Data

ถี่ ถูก แม่น หรือแค่ฝัน?: รวม 14 วิธีวัดตัวเลขเศรษฐกิจใหม่ในยุค Big Data

22 มกราคม 2017


ณภัทร จาตุศรีพิทักษ์

ที่มาภาพ : https://pixabay.com/en/application-money-1756279/
ที่มาภาพ : https://pixabay.com/en/application-money-1756279/

แม้ว่ามนุษย์เราได้เริ่มศึกษาและทำการวัดข้อมูลเศรษฐกิจอย่างเป็นทางการมาตั้งแต่เมื่อ73 ปีแล้ว การที่น้อยคนนักสามารถทำนายวิกฤติแฮมเบอร์เกอร์เมื่อปี 2008 ทั้งๆ ที่มองย้อนกลับไปจากวันนี้แล้วมีสาเหตุชัดเจน สะท้อนว่าเรายังรู้อะไรน้อยมากเกี่ยวกับสิ่งที่เกิดขึ้นในระบบเศรษฐกิจ

ตัวเลขเศรษฐกิจที่สำคัญมักถูกประกาศหลังจากที่สิ่งที่มันตั้งใจจะวัดได้เกิดขึ้นไปแล้วหลายอาทิตย์หรือเป็นเดือนๆ (ดีไม่ดีเป็นปี…และอาจมี revision เพราะประกาศแรกผิด) ซ้ำร้ายยังอาจเป็นตัวเลขเท็จที่ถูกการเมืองแทรกแซงอย่างในกรณีตัวเลขเศรษฐกิจทางการของประเทศจีนในสายตานักลงทุนทั่วโลก

แต่ด้วยความก้าวหน้าและความแพร่หลายของเทคโนโลยีสารสนเทศ ผมคิดว่าทั้งหมดนี้กำลังจะเปลี่ยนไปในไม่ช้า

ในโลกอนาคต ข้อมูลจำนวนมหาศาลจะถือกำเนิดขึ้นทุกครั้งที่ “ผู้เล่น” ในระบบเศรษฐกิจกำลังกระทำอะไรบางอย่าง ไม่ว่าจะเป็นการทำการค้นหาใน Google โทรศัพท์หาเพื่อน หรือจ่ายเงินค่าทางด่วน ข้อมูลเหล่านี้เราสามารถมองว่ามันเป็นเหมือน “ลายแทงเศรษฐกิจ” ขนาดเล็กจำนวนนับไม่ถ้วนที่สามารถถูกนำไปวิเคราะห์ต่อเพื่อนำไปผูกเป็น “ตัวเลขเศรษฐกิจทางเลือก” ที่จะมีความถี่สูงกว่าแต่มีต้นทุนต่ำกว่าได้ อีกทั้งในบางกรณียังสามารถเอาไปทำนายตัวเลขเศรษฐกิจทางการก่อนการประกาศจริงได้อีกด้วย

ด้วยเหตุนี้ ในบทความนี้ผมจะเสนอตัวอย่างการประยุกต์ใช้ข้อมูลชนิดใหม่ๆ เพื่อการวัดและคาดการณ์ข้อมูลเศรษฐกิจทางการที่สำคัญ เช่น อัตราการขยายตัวของเศรษฐกิจ อัตราว่างงาน ไปจนถึงรูปแบบในการท่องเที่ยว เพื่อให้ผู้อ่านเห็นถึงความเป็นไปได้ที่ข้อมูลเศรษฐกิจสายพันธุ์ใหม่เหล่านี้จะเข้ามามีบทบาทมากขึ้นในอนาคตอันใกล้ครับ

**หากท่านยังไม่ได้อ่านบทความเรื่อง เศรษฐศาสตร์ในยุค Big Data ผมขอเสนอให้อ่านควบคู่กันไปกับบทความนี้ครับ**

วัดการขยายตัวของเศรษฐกิจใหม่

คงไม่มีใครเถียงว่าตัวเลขเศรษฐกิจที่โด่งดังที่สุดก็คือ GDP แต่จุดที่จะชี้ว่าใครเป็นผู้แพ้ผู้ชนะในตลาดการเงินโลกคือความแม่นยำในการทำนายตัวเลขนี้ก่อนที่ตัวเลขทางการจะถูกเปิดเผยออกมา

ตัวอย่างที่ 1: ใช้ข้อมูลการสื่อสารด้านการเงินระหว่างธนาคารเพื่อคาดการณ์ GDP

ที่มาภาพ : https://www.swift.com
ที่มาภาพ : https://www.swift.com

SWIFT ซึ่งปกติทำระบบสื่อสารด้านการเงินระหว่างธนาคารทั่วโลกนั้นมีวิธีนำข้อมูลปริมาณการสื่อสารด้านการเงินเหล่านี้มารวมกับข้อมูลอัตราขยายตัวของเศรษฐกิจที่ผ่านมาในอดีตเพื่อทำเป็น SWIFT Index ซึ่งค่อนข้างแม่นยำในการช่วยคาดการณ์ GDP ในอนาคตได้ (ภาพด้านบน) สำหรับสหภาพยุโรป กลุ่ม OECD ฝรั่งเศส เยอรมัน และสหราชอาณาจักร

ตัวอย่างที่ 2: นำข้อมูล 13 ส่วนย่อยของ GDP มาพ่วงกับข้อมูลรายเดือนเพื่อทำนาย GDP รายไตรมาส

ที่มาภาพ :  http://macroblog.typepad.com/macroblog/2016/05/gdpnow-and-then.html
ที่มาภาพ : http://macroblog.typepad.com/macroblog/2016/05/gdpnow-and-then.html

อีกหนึ่งปัญหาอยู่ที่ว่า การประกาศ GDP อย่างเป็นทางการนั้นมักมีความถี่ต่ำ (อย่างมากก็แค่ทุกไตรมาส) ธนาคารกลางสหรัฐฯ สาขาแอตแลนตาได้พัฒนาตัวเลข GDPNow ซึ่งเป็นอัลกอริทึมที่ผูกข้อมูลคาดการณ์จากส่วนย่อยๆ ของสูตร GDP เข้ากับข้อมูลอื่นๆ ที่ออกมาถี่กว่าเพื่อทำนาย GDP ก่อนที่ตัวเลขจริงจะถูกประกาศ ซึ่งอัลกอริทึมนี้จะไม่ใช้การตัดสินใจของคนเหมือนกับการทำนายของเหล่ากูรูในวอลล์สตรีท แต่จะทำการปรับตัวเลขการทำนายใหม่ประมาณ 6 ถึง 7 ครั้งต่อเดือนเมื่อมีข้อมูลใหม่ไหลเข้ามา แม้จะมีผิดพลาดบ้างแต่ความแม่นยำในระยะยาวอยู่ในระดับที่ไม่เลวเลยทีเดียว ที่น่าสนใจ (ภาพด้านบน) คือความผิดพลาด (แกน y ยิ่งต่ำยิ่งแม่น) ของ GDPNow ถือว่าค่อนข้างต่ำเมื่อเทียบกับเหล่ากูรูที่ The Wall Street Journal สอบถาม แต่ในขณะเดียวกันก็ไม่ค่อยตรงกับฉันทามติ (consensus) ของเหล่ากูรูนี้ จุดนี้ยิ่งทำให้ GDPNow มีความโดดเด่นขึ้น

ตัวอย่างที่ 3: นำข้อมูลทางด่วนมาคาดการณ์ข้อมูลการผลิต

ที่มาภาพ : http://ftp.iza.org/dp5522.pdf
ที่มาภาพ : http://ftp.iza.org/dp5522.pdf

ในเมื่อ GDP เป็นตัวชี้วัดผลผลิตมวลรวมของประเทศ ตัวเลขนี้ก็ย่อมต้องมีความสัมพันธ์กับปริมาณของรถยนต์ที่ขนส่งสินค้าจริงไหมครับงานวิจัยของ Askitas กับ Zimmermann ลองทดสอบสมมติฐานนี้โดยใช้ข้อมูลระยะการเดินทางของรถบรรทุกที่เก็บโดยระบบทางด่วนในประเทศเยอรมนีมาสร้างเป็นดัชนีทางด่วน (Toll Index) จากนั้นก็นำไปลองใช้เพื่อทำนาย German Production Index (GPI) ซึ่งเป็นตัวเลขเศรษฐกิจที่มัก “นำหน้า” GDP เยอรมันอีกที ผลปรากฏว่า (ภาพด้านบน) ดัชนีทางด่วน (ทั้ง 4 แบบ) ค่อนข้างแปรผันตาม GPI อย่างที่คาดไว้ แต่ที่สำคัญคือ ข้อมูลทางด่วนจะออกมาก่อนตัวเลข GPI ซึ่งแปลว่าเราสามารถสร้างดัชนีทางด่วนได้ก่อนตัวเลข GPI จะถูกประกาศได้ถึง 1 เดือนเต็มๆ

ตัวอย่างที่ 4: ทำนายการใช้จ่ายก่อสร้างด้วยข้อมูลการชำระเงินออนไลน์

jatusri_article29_figure2c

อีกหนึ่งตัวชี้วัดของการขยายตัวของเศรษฐกิจคือรายจ่ายในภาคการก่อสร้าง (construction spending) ซึ่งเป็นส่วนสำคัญส่วนหนึ่งในตัวเลข GDP ปัญหาคือการขยายตัวหรือหดตัวของมันนั้นทำนายได้ยากมาก โดยเฉพาะในช่วงไตรมาสที่สองของปี 2016 ที่ผ่านมา การคาดการณ์ของกูรูผิดไปค่อนข้างมาก ธนาคารกลางสหรัฐฯ สาขาชิคาโกจึงได้ทดลองนำข้อมูลจากบริษัทชำระเงินออนไลน์สำหรับโปรเจกต์ก่อสร้างแห่งหนึ่งซึ่งเป็นตัวกลางของธุรกรรมเกี่ยวกับการก่อสร้างกว่า 6,000 โปรเจกต์ต่อเดือน (รวมแล้วประมาณ 5% ของการใช้จ่ายก่อสร้างทั้งหมดในสหรัฐฯ) มาเพื่อทำนายการขยายตัวของรายจ่ายในภาคการก่อสร้างในระดับประเทศ ผลปรากฏว่า เราสามารถใช้มันทำนายความ “surprise” ของตัวเลขนี้ (นิยามคือ เวลาตัวเลขทำนายอัตราขยายตัว consensus จาก Bloomberg ผิดพลาดไปจากตัวเลขจริง) ได้อย่างค่อนข้างแม่นยำแบบเหลือเชื่อ ดังภาพด้านบน จุดแดง (ตัวเลขจริง) ยิ่งห่างจากเส้น y=0 เท่าไรแปลว่ายิ่ง surprise เท่านั้น ข้อมูลการชำระเงิน (เส้นดำและน้ำเงิน) ไม่ได้ทำนายได้ตรง 100% แต่ดีกว่า consensus กูรูจาก Bloomberg มากพอสมควร

วัดราคาสินค้าและเงินเฟ้อใหม่

อีกหนึ่งตัวเลขเศรษฐกิจที่สำคัญไม่แพ้กับ GDP คือระดับราคาของสินค้าและอัตราเงินเฟ้อ ความท้าทายคือการเก็บข้อมูลราคาสินค้าที่ประชาชนบริโภคเป็นกิจวัตรนั้นใช้เวลานานและมีต้นทุนค่อนข้างสูง อีกทั้งยังมีความถี่สูงสุดอยู่ที่แค่ 1 ครั้งต่อเดือน (แถมยังมี lag เป็นอาทิตย์) ในหลายประเทศที่ยังไม่พัฒนา ข้อมูลทางการก็อาจไม่แสดงให้เห็นถึงระดับราคาในระดับจุลภาคมากๆ (เช่น ในเมืองหนึ่งเมือง) และอาจถูกบิดเบือนได้

ตัวอย่างที่ 5: สร้างข้อมูลระดับราคาสินค้าจากรูปถ่ายโทรศัพท์มือถือ

ที่มาภาพ : https://www.premise.com/img/casestudies/bloomberg/consumerstaples-chart.svg
ที่มาภาพ : https://www.premise.com/img/casestudies/bloomberg/consumerstaples-chart.svg

บริษัทจาก Silicon Valley ชื่อ Premise จ่ายเงินจำนวนเล็กๆ น้อยๆ ให้กับคนในท้องที่ในกว่า 30 ประเทศเพื่อไปสำรวจราคาสินค้าต่างๆ แล้วถ่ายรูปส่งกลับมาเพื่อสร้างเป็นดัชนีราคาของสินค้าหลากหลายประเภทได้ในระดับรายวัน (ภาพด้านบน) ซึ่งทางองค์การอาหารและการเกษตรแห่งสหประชาชาติ (FAO) ได้ทำการศึกษาความแม่นยำของดัชนีเหล่านี้และได้ผลสรุปว่าดัชนีอาหารของ Premise จากประเทศบราซิล สามารถทำนายเทรนด์ของราคาอาหารจริงๆ ของประเทศบราซิล ได้ก่อนถึง 25 วัน

ที่มาภาพ : http://blog.premise.com/data/science/2014/09/26/introducing-premise-coca-cola-index/
ที่มาภาพ : http://blog.premise.com/data/science/2014/09/26/introducing-premise-coca-cola-index/

นอกจากนั้น Premise ยังสามารถเอาข้อมูลราคาสินค้า เช่น ราคาโค้กแบบขวดละ 1.5 ลิตรไปวิเคราะห์ต่อเพื่อดูว่าอัตราแลกเปลี่ยนกำลัง overvalued หรือ undervalued ได้อีกด้วย หลักการง่ายๆ คือ หากสินค้าในประเทศ A มีราคาแพงกว่าในประเทศอื่น เช่น ประเทศ B นั่นแปลว่าค่าเงินของประเทศ A กำลังถูก overvalued เนื่องจากว่าประชาชนในประเทศ A สามารถนำเข้าสินค้าเดียวกันนี้จากประเทศอื่นที่ราคาถูกกว่าได้ การนำเข้าจากประเทศ B จะต้องขายเงิน A เพื่อซื้อเงิน B จึงทำให้ค่าเงิน A อ่อนลงนั่นเอง กราฟด้านบนแสดงให้เห็นชัดว่าราคาโค้กในประเทศจีนต่ำมาก แต่เพราะว่าเงินหยวนถูก fix จึงยังคง undervalued ไปเรื่อย ๆ

ตัวอย่างที่ 6: สร้างข้อมูลเงินเฟ้อระดับรายวันจากบริษัทค้าปลีกออนไลน์

ที่มาภาพ : http://images.huffingtonpost.com/2015-03-16-1426475254-7030194-BPPCPI20082015.jpg
ที่มาภาพ : http://images.huffingtonpost.com/2015-03-16-1426475254-7030194-BPPCPI20082015.jpg

กราฟด้านบนเป็นผลงานของ The Billion Prices Project แห่งมหาวิทยาลัย MIT ที่ได้ทำการร่วมมือกับธุรกิจยักษ์ใหญ่หลายร้อยราย ตกลงกันที่จะทำการสูบข้อมูลราคาสินค้าออนไลน์นับล้านรายการทุกวัน เพื่อเอาข้อมูลราคาเหล่านี้มาสังเคราะห์สร้างดัชนีสินค้าออนไลน์ขึ้นมาเทียบกับดัชนีราคาผู้บริโภค (CPI) ในแต่ละประเทศ

งานวิจัยใหม่ล่าสุดของ Cavallo พบว่า ระดับราคาสินค้าออนไลน์ของ The Billion Prices Project กับระดับราคาสินค้าออฟไลน์ทางการนั้นเท่ากันถึง 72% ซึ่งถือว่าเป็นการลบความไม่สบายใจว่าราคาออนไลน์ไม่สะท้อนความเป็นจริงไปได้พอสมควร ซึ่งความห่างของราคาออฟไลน์กับออนไลน์นั้นห่างมากที่สุดในสินค้าประเภทอาหารและยา และห่างน้อยที่สุดในสินค้าประเภทอิเล็กทรอนิกส์

ที่มาภาพ : http://web.stanford.edu/~leinav/pubs/Science2014.pdf
ที่มาภาพ : http://web.stanford.edu/~leinav/pubs/Science2014.pdf

นอกจากดัชนีสินค้าออนไลน์แบบนี้จะสามารถเปลี่ยนแปลงได้รายวันแล้วยังเป็นดัชนีราคาที่มีคุณค่ามากเวลา CPI ของภาครัฐเชื่อถือไม่ค่อยได้ ไม่มี หรือไม่ถี่พออย่างในกรณีของประเทศอาร์เจนตินา (กราฟด้านบน)

วัดตลาดแรงงานใหม่

สุขภาพของตลาดแรงงาน ไม่ว่าจะมองผ่านอัตราว่างงานหรือค่าจ้าง ถือเป็นหัวใจสำคัญของระบบเศรษฐกิจ เนื่องจากเป็นตัวชี้วัดระดับสุขภาพโดยรวมของระบบเศรษฐกิจ ยกตัวอย่างเช่น ตัวเลข Nonfarm Payroll ที่แสดงถึงจำนวนแรงงานมีรายได้ประเภทหนึ่งในเศรษฐกิจสหรัฐฯ โดยตัวเลขรายเดือนนี้มักมีผลกระทบต่อตลาดหุ้นและค่าเงินดอลลาร์เนื่องจากแรงงานถือเป็นส่วนสำคัญในการขับเคลื่อนเศรษฐกิจ ในลักษณะเดียวกันกับตัวเลขเศรษฐกิจทางการอื่นๆ ตัวเลขตลาดแรงงานต้องใช้เวลาเก็บข้อมูลและมีความถี่สูงสุดแค่รายเดือน

ตัวอย่างที่ 7: วัดเทรนด์ตลาดแรงงานแบบ real-time

ที่มาภาพ : https://www.indeed.com/jobtrends/q-Company-Driver.html
ที่มาภาพ : https://www.indeed.com/jobtrends/q-Company-Driver.html

Indeed.com ซึ่งเป็นหนึ่งในแหล่งประกาศหางานและหาคนงานออนไลน์ที่ใหญ่ที่สุดในสหรัฐฯ กำลังมีความคืบหน้ามากในการใช้ข้อมูลตลาดหางานที่เขามีเพื่อแสดงให้เห็นถึงเทรนด์ต่างๆ ในตลาดแรงงานได้ในระดับรายวัน ด้านบนคือเทรนด์รายวันของสัดส่วนของประกาศงานที่ต้องการหา “คนขับรถบริษัท” ท่ามกลางจำนวนประกาศทั้งหมด ซึ่งแม้จะยังไม่มีใครเอาไปทดสอบกับตัวเลขเศรษฐกิจทางการ แต่แค่มองด้วยตาแบบคร่าวๆ ผมคิดว่ามันมีอนาคตในการทำนายผลผลิตทางเศรษฐกิจ เพราะว่าการประกาศหาคนขับรถน่าจะมีความสัมพันธ์กับการขยายกิจการนะครับ

ตัวอย่างที่ 8: วัดค่าจ้างและรายได้จากข้อมูล User-Input ในเว็บไซต์ Glassdoor.com

ที่มาภาพ : https://research-content.glassdoor.com/app/uploads/sites/2/2016/12/LocalPayReports_Methodology.pdf
ที่มาภาพ : https://research-content.glassdoor.com/app/uploads/sites/2/2016/12/LocalPayReports_Methodology.pdf

บริษัท Glassdoor ซึ่งให้พนักงานมารีวิวที่ทำงานและให้ข้อมูลเกี่ยวกับเงินเดือน ได้ใช้ข้อมูล user-input เป็นล้านๆ จุดจากกว่า 6 แสนบริษัทเพื่อทำชุดข้อมูลชื่อว่าGlassdoor’s Local Pay Reports ซึ่งเป็นการแสดงเทรนด์ของค่าจ้างมัธยฐานของทุกตำแหน่งงานบนเว็บไซต์แบบ real-time ได้ ซึ่งการนำตัวเลขนี้ไปเทียบกับตัวเลขรายได้จริงสำหรับพนักงาน full-time จาก Bureau of Labor Statistics (BLS) พบว่า Glassdoor สามารถทำนายตัวเลขจริงได้โดยผิดพลาดไปแค่ 5 ถึง 6 เปอร์เซ็นต์เท่านั้นในปี 2014 กับ 2015 เมื่อเทียบกับดัชนีอื่นๆ ที่เอาไว้วัดการเติบโตของค่าจ้าง (กราฟด้านบน) แล้วพบว่ามีความสัมพันธ์ (correlation) ค่อนข้างสูง

ตัวอย่างที่ 9: ทำนายอัตราการว่างงานด้วยทวีต!?

ที่มาภาพ : http://www-personal.umich.edu/~shapiro/papers/LaborFlowsSocialMedia.pdf
ที่มาภาพ : http://www-personal.umich.edu/~shapiro/papers/LaborFlowsSocialMedia.pdf

ทีมวิจัยแห่งมหาวิทยาลัยมิชิแกน ได้สร้างระบบประมวลข้อมูล Twitter อันมหาศาลที่สามารถทำนายอัตราการว่างงานได้ดีเสียยิ่งกว่าข้อมูล Initial Claims ของภาครัฐเสียอีก โดยงานวิจัยชิ้นนี้ทำการ “ขุด” ข้อมูล text เพื่อหาคำพูดต่างๆ ที่เกี่ยวข้องกับการว่างงานแล้วเอามาจัดใหม่เป็นดัชนีว่างงานในกราฟด้านบน

ตัวอย่างที่ 10: ทำนายอัตราการว่างงานด้วยข้อมูลการค้นหาใน Google

ที่มาภาพ : https://www.etla.fi/wp-content/uploads/tuhkuri_NTTS_2015_abstract.pdf
ที่มาภาพ : https://www.etla.fi/wp-content/uploads/tuhkuri_NTTS_2015_abstract.pdf

ในช่วงสองสามปีที่ผ่านมามีงานวิจัยหลายชิ้นที่ใช้ข้อมูลการค้าหาใน Google เพื่อทำนายอัตราการว่างงาน ผมขอยกตัวอย่างงานวิจัยจากประเทศฟินแลนด์นะครับ เขาใช้ Google Trends เพื่อดูว่ากำลังมีคนค้นหาคำว่า “เงินชดเชยการว่างงาน” มากน้อยแค่ไหนในแต่ละเวลา ซึ่งการค้นหาคำคำนี้อาจเป็นก้าวแรกของผู้ที่กำลังจะต้องไปลงทะเบียนขอเงินชดเชยจริงๆ ในไม่ช้า จากกราฟด้านบนเราจะเห็นได้ว่า Google Index จากคำค้นหานี้ไปในทำนองเดียวกับอัตราการว่างงานจริงอย่างน่าเหลือเชื่อโดยที่ยังไม่ได้ทำอะไรเพิ่มเติมกับข้อมูลเลย ถือว่าน่าตื่นเต้นมากโดยเฉพาะอย่างยิ่งในเมื่ออัตราการว่างงานมักจะออกท้ายเดือนแต่ Google Index เราเช็คได้ก่อนท้ายเดือน

ตัวอย่างที่ 11: ทำนายอัตราการว่างงาน “ปัจจุบัน” ด้วยข้อมูลพฤติกรรมทางโทรศัพท์

ที่มาภาพ : http://scholar.harvard.edu/files/shoag/files/trackingemploymentshocksmobiledata.pdf
ที่มาภาพ : http://scholar.harvard.edu/files/shoag/files/trackingemploymentshocksmobiledata.pdf

ผมเคยไปนั่งฟังการพรีเซนต์งานวิจัยชิ้นนี้สมัยยังทำวิจัยอยู่ที่มหาวิทยาลัยฮาร์วาร์ด กลุ่มนักวิจัยนี้ใช้ข้อมูลขนาดยักษ์จากบริษัทเทเลคอมแห่งหนึ่งที่มีส่วนแบ่งตลาดประมาณ 15% ในประเทศแห่งหนึ่งจากทวีปยุโรปเพื่อศึกษาพฤติกรรมทางโทรศัพท์ของคนที่ถูก layoff จากการปิดตัวลงของโรงงานรถยนต์แห่งหนึ่งในเมืองเล็กๆ เขาพบว่าคนเหล่านี้โทรศัพท์และเดินทางเข้าเมืองน้อยลง (ทราบจากข้อมูลเสาโทรศัพท์) ทันทีหลังจากถูก layoff ถือเป็น proof-of-concept ว่าการตกงานกับการใช้งานโทรศัพท์มีความสัมพันธ์กันจริงๆ จากนั้นทีมวิจัยนี้ยังต่อยอดนำเอาข้อมูลโทรศัพท์ในระดับท้องถิ่นเหล่านี้ไปทำนายอัตราว่างงานในระดับที่กว้างหรือ “มหภาค” ขึ้นได้ก่อนตัวเลขทางการจะถูกประกาศถึง 2 ถึง 8 อาทิตย์อีกด้วย

วัดการผลิตและบริโภค

การบริโภคและการผลิตถือเป็นส่วนสำคัญของระบบเศรษฐกิจ แต่น่าเสียดายที่การเก็บข้อมูลนั้นยังอยู่ในขั้นพื้นฐานมากเมื่อเทียบกับตัวชี้วัดเศรษฐกิจอื่นๆ

ตัวอย่างที่ 12: วัดความเคลื่อนไหวของภาคอุตสาหกรรมจากอวกาศ

ที่มาภาพ : https://spaceknow.com/index-china/
ที่มาภาพ : https://spaceknow.com/index-china/

SpaceKnowเป็นบริษัทสตาร์ทอัปมาแรงที่สามารถทำให้เราประมวลข้อมูลจากภาพถ่ายดาวเทียมตามห้วงเวลาและสถานที่ที่กำหนดได้อย่างง่ายดาย โดยทาง SpaceKnow ได้ใช้ข้อมูลภาพถ่ายดาวเทียมจากสวนอุตสาหกรรมกว่า 6 พันแห่งในประเทศจีนมาวิเคราะห์เพื่อสร้างเป็นดัชนี Satellite PMI โดยไม่ต้องอาศัยการไปสัมภาษณ์ผู้ประกอบการด้วยซ้ำ

ตัวอย่างที่ 13: วัดกิจกรรมทางเศรษฐกิจด้วยข้อมูลจากโทรศัพท์มือถือ

ที่มาภาพ : https://arxiv.org/pdf/1607.04451v4.pdf
ที่มาภาพ : https://arxiv.org/pdf/1607.04451v4.pdf

ผมคิดว่างานวิจัยจากประเทศจีนชิ้นนี้น่าทึ่งที่สุดแล้วจากทุกตัวอย่างในบทความนี้ พวกเขาใช้ประโยชน์จากการที่ประเทศจีนมีผู้ใช้โทรศัพท์มือถือมากถึง 600 ล้านคน เพื่อช่วยวัดกิจกรรมทางเศรษฐกิจซึ่งมักถูกบิดเบือนโดยรัฐบาลจากมิติต่างๆ เช่น การจ้างงานและการใช้จ่ายโดยใช้ข้อมูลเป็นพันๆ ล้านจุดจาก Baidu

ที่มาภาพ : https://arxiv.org/pdf/1607.04451v4.pdf
ที่มาภาพ : https://arxiv.org/pdf/1607.04451v4.pdf

ที่น่าสนใจที่สุดคือการที่พวกเขาสามารถเอาข้อมูลค้นหาแผนที่ (map queries) จาก Baidu Maps มาใช้กับข้อมูล geo-positioning ที่มาจากโทรศัพท์มือถือเพื่อประมาณค่า foot traffic ในสถานที่ที่ผู้ใช้งานค้นหาจาก Baidu Maps ได้อย่างแม่นยำ เมื่อความสัมพันธ์ค่อนข้างสูงพวกเขาจึงนำข้อมูลค้นหาแผนที่มาทำเป็นดัชนีเทรนด์การบริโภคในหลายๆ เซกเตอร์ เช่น รถยนต์และร้านอาหาร เป็นต้น

ตัวอย่างที่ 14: วัดความต้องการในการบริโภคอาหารผ่านแบบสอบถามออนไลน์

ที่มาภาพ : https://static1.squarespace.com/static/502c267524aca01df475f9ec/t/57dc080d15d5db25523d5ca7/1474037774690 /pres+address+4.pdf
ที่มาภาพ : https://static1.squarespace.com/static/502c267524aca01df475f9ec/t/57dc080d15d5db25523d5ca7/1474037774690
/pres+address+4.pdf

งานวิจัยชิ้นใหม่ ของ Jayson Lusk นักเศรษฐศาตร์เกษตรชื่อดังได้ใช้ประโยชน์จากแบบสอบถามออนไลน์รายเดือนชื่อ Food Demand Survey (FooDS) เพื่อศึกษาอุปสงค์ในกลุ่มสินค้าอาหาร เช่น เนื้อวัวและเนื้อไก่ รวมไปถึง “ความเป็นมังสวิรัติ” ในหมู่ผู้บริโภค เนื่องจากแบบสอบถามเป็นแบบออนไลน์ การทำการทดลองเพื่อประมาณค่าความเต็มใจที่จะจ่าย (willingness-to-pay หรือราคาที่สูงที่สุดเท่าที่จะยอมจ่าย) จึงทำได้ค่อนข้างสะดวกแถมยังประมาณค่าได้ตามกาลเวลาด้วย จริงๆ แค่การประมาณค่าความเต็มใจที่จะจ่ายได้อย่างถี่ยิบแบบนี้ก็ถือว่าเยี่ยมแล้ว แต่จากกราฟด้านบนจะเห็นได้ว่าค่าความเต็มใจที่จะจ่ายเปลี่ยนแปลงไปตามราคาตามท้องตลาดนอกแบบสอบถามด้วย

สรุป

14 ตัวอย่างวิธีวัดตัวเลขเศรษฐกิจดังกล่าวแม้จะดูมีอนาคตมากแต่หลายฝ่ายรวมถึงผู้ที่คิดค้นวิธีเหล่านี้ขึ้นมาก็ยังเชื่อว่ายังไม่สามารถทดแทนวิธีเดิมๆ ในการตั้งใจเก็บข้อมูลแบบเป็นทางการได้ อีกทั้งความแม่นยำของมันก็ยังต้องผ่านการทดสอบของเวลาไปอีกระยะ

ผู้เขียนเองก็คิดว่าวิธีวัดตัวเลขเศรษฐกิจทางเลือกเหล่านี้น่าจะมามีบทบาทเป็นตัว “อุดรูโหว่” ในระหว่างที่รอตัวเลขจริงประกาศออกมามากกว่า

อย่างไรก็ตาม ก็ยังน่าตื่นเต้นมากเพราะว่าการมาของกระแส IoT (Internet of Things) ที่ทุกอย่างจะเชื่อมต่อเข้ากับอินเทอร์เน็ตได้ในอนาคต จะทำให้เราได้พบเห็นวิธีใหม่ๆ ในการวัดเศรษฐกิจกันเพิ่มขึ้นเรื่อยๆ ในอนาคตอันใกล้ เราจะมีเซ็นเซอร์กิจกรรมทางเศรษฐกิจจำนวนนับไม่ถ้วนอย่างที่ไม่เคยมีมาก่อน

หากเราดูจากตัวอย่างทั้งหมดในบทความนี้ ผมคิดว่าสิ่งที่ควรผลักดันที่สุดในเวลานี้คือการร่วมมือกันระหว่างสาขาวิชา และระหว่างภาครัฐ ภาควิชาการ และภาคเอกชนในการแบ่งปันความรู้และข้อมูล โดยเฉพาะอย่างยิ่งในด้านของการแบ่งปันข้อมูลเอกชน ผมคิดว่ามันเป็นข้อมูลที่มีจะมีพลังมากในการตอบคำถามต่างๆ นานาได้นอกจากแค่เอาไปทำนายตัวเลขเศรษฐกิจ หวังว่าเราจะได้เห็นความร่วมมือแบบนี้มากขึ้นในประเทศไทยครับ

หมายเหตุ: ตีพิมพ์ครั้งแรกที่ “เศรษฐ” ความคิด – settaKid.com ณ วันที่ 19 มกราคม พ.ศ. 2560