แม้ว่ามนุษย์เราได้เริ่มศึกษาและทำการวัดข้อมูลเศรษฐกิจอย่างเป็นทางการมาตั้งแต่เมื่อ 73 ปีแล้ว  การที่น้อยคนนักที่สามารถทำนายวิกฤตแฮมเบอร์เกอร์ครั้งเมื่อปี 2008 ทั้ง ๆ ที่มองย้อนกลับไปจากวันนี้แล้วมันมีสาเหตุชัดเจน สะท้อนว่าเรายังรู้อะไรน้อยมากเกี่ยวกับสิ่งที่เกิดขึ้นในระบบเศรษฐกิจ

ตัวเลขเศรษฐกิจสำคัญมักถูกประกาศหลังจากที่สิ่งที่มันตั้งใจจะวัด ได้เกิดขึ้นไปแล้วหลายอาทิตย์หรือเป็นเดือนๆ   (ดีไม่ดีเป็นปี…และอาจมี revision เพราะประกาศแรกผิด)  ซ้ำร้ายยังอาจเป็นตัวเลขเท็จที่ถูกการเมืองแทรกแซงอย่างที่ตลาดโลกตราหน้าตัวเลขเศรษฐกิจทางการของประเทศจีน

แต่ด้วยความก้าวหน้าและความแพร่หลายของเทคโนโลยีสารสนเทศ ผมคิดว่าทั้งหมดนี้กำลังจะเปลี่ยนไปในไม่ช้า

ในโลกอนาคต ข้อมูลจำนวนมหาศาลจะถือกำเนิดขึ้นทุกครั้งที่ “ผู้เล่น” ในระบบเศรษฐกิจกำลังกระทำอะไรบางอย่าง  ไม่ว่าจะเป็นการทำการค้นหาใน Google  โทรศัพท์หาเพื่อน  จ่ายเงินค่าทางด่วน หรืออัพโหลดรูปที่ตนไปเที่ยวมาขึ้น Flickr   ข้อมูลเหล่านี้เราสามารถมองว่ามันเป็นเหมือน “ลายทางเศรษฐกิจ” ขนาดเล็กจำนวนนับไม่ถ้วนที่สามารถถูกนำไปวิเคราะห์ต่อเพื่อนำไปผูกเป็น “ตัวเลขเศรษฐกิจทางเลือก” ที่จะมีความถี่สูงกว่าแต่มีต้นทุนต่ำกว่าได้   อีกทั้งในบางกรณียังสามารถเอาไปทำนายตัวเลขเศรษฐกิจทางการก่อนการประกาศจริงได้อีกด้วย

ด้วยเหตุนี้ ในบทความนี้ผมจะเสนอตัวอย่างการประยุกต์ใช้ข้อมูลชนิดใหม่ๆ เพื่อการวัดและคาดการณ์ข้อมูลเศรษฐกิจทางการที่สำคัญ เช่น อัตราการขยายตัวของเศรษฐกิจ  อัตราว่างงาน ไปจนถึงแพทเธิร์นในการท่องเที่ยว  เพื่อให้ผู้อ่านเห็นถึงความเป็นไปได้ที่ข้อมูลเศรษฐกิจสายพันธุ์ใหม่เหล่านี้จะเข้ามามีบทบาทมากขึ้นในอนาคตอันใกล้ครับ

วัดการขยายตัวของเศรษฐกิจใหม่

คงไม่มีใครเถียงว่าตัวเลขเศรษฐกิจที่สำคัญที่สุดก็คือ GDP  แต่จุดที่จะชี้ว่าใครเป็นผู้แพ้ผู้ชนะในตลาดการเงินโลกคือความแม่นยำในการทำนายตัวเลขนี้ก่อนที่ตัวเลขทางการจะถูกเปิดเผยออกมา

ตัวอย่างที่ 1: ใช้ข้อมูลการสื่อสารด้านการเงินระหว่างธนาคารเพื่อคาดการณ์ GDP

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

ตัวอย่างที่ 2: นำข้อมูลคาดการณ์ของ 13 ส่วนย่อยของ GDP มาพ่วงกับข้อมูลรายเดือนเพื่อทำนาย GDP รายไตรมาส

อีกหนึ่งปัญหาอยู่ที่ว่าการประกาศ GDP อย่างเป็นทางการนั้นมักมีความถี่ต่ำ (อย่างมากก็แค่ทุกไตรมาส)  ธนาคารกลางสหรัฐฯ สาขาแอตแลนตาได้พัฒนาตัวเลข GDPNow ซึ่งเป็นอัลกอริทึมที่ผูกข้อมูลคาดการณ์จากส่วนย่อยๆ ของสูตร GDP เข้ากับข้อมูลอื่นๆ ที่ออกมาถี่กว่าเพื่อทำนาย GDP  ก่อนที่ตัวเลขจริงจะถูกประกาศ   ซึ่งอัลกอริทึมนี้จะไม่ใช้การตัดสินใจของคนเหมือนกับการทำนายของเหล่ากูรูในวอลสตรีท แต่จะทำการปรับตัวเลขการทำนายใหม่ประมาณ 6 ถึง 7 ครั้งต่อเดือน เมื่อมีข้อมูลใหม่ไหลเข้ามา   แม้จะมีพลาดบ้างแต่ความแม่นยำในระยะยาวอยู่ในระดับที่ไม่เลวเลยทีเดียว  ที่น่าสนใจ (ภาพด้านบน) คือความผิดพลาด (แกน y ยิ่งต่ำยิ่งแม่น) ของ GDPNow ถือว่าค่อนข้างต่ำเมื่อเทียบกับเหล่ากูรูที่ the Wall Street Journal สอบถาม แต่ในขณะเดียวกันก็ไม่ค่อยตรงกับฉันทนมติ (consensus) ของเหล่ากูรูนี้  จุดนี้ยิ่งทำให้ GDPNow มีความโดดเด่นขึ้น

ตัวอย่างที่ 3: นำข้อมูลทางด่วนมาคาดการณ์ข้อมูลการผลิต

ในเมื่อ GDP เป็นตัวชี้วัดผลผลิตมวลรวมของประเทศ ตัวเลขนี้ก็ย่อมต้องมีความสัมพันธ์กับปริมาณของรถยนต์ที่ขนส่งสินค้าจริงไหมครับ   งานวิจัยของ Askitas กับ Zimmermann ลองทดสอบสมมุติฐานนี้โดยใช้ข้อมูลระยะการเดินทางของรถบรรทุกที่เก็บโดยระบบทางด่วนในประเทศเยอรมาสร้างเป็นดัชนีทางด่วน (Toll Index)  จากนั้นก็นำไปลองใช้เพื่อทำนาย German Production Index (GPI) ซึ่งมักจะเป็นตัวเลขเศรษฐกิจที่ “นำหน้า” GDP เยอรมันอีกที  ผลปรากฏว่า (ภาพด้านบน) ดัชนีทางด่วน (ทั้ง 4 variations) ค่อนข้างแปรผันตาม GPI  อย่างที่คาดไว้  แต่ที่สำคัญคือข้อมูลทางด่วนจะออกมาก่อน GPI ซึ่งแปลว่าเราสามารถสร้างดัชนีทางด่วนได้ก่อนตัวเลข GPI จะถูกประกาศได้ถึง 1 เดือนเต็มๆ

ตัวอย่างที่ 4: ทำนายการใช้จ่ายก่อสร้างด้วยข้อมูลการชำระเงินออนไลน์

อีกหนึ่งตัวชี้วัดของการขยายตัวของเศรษฐกิจคือรายจ่ายในภาคการก่อสร้าง (construction spending) ซึ่งเป็นส่วนสำคัญส่วนหนึ่งในตัวเลข GDP   ปัญหาคือการขยายตัวหรือหดตัวของมันนั้นทำนายได้ยากมาก โดยเฉพาะในช่วงไตรมาสที่สองของปี 2016 ที่ผ่านมา การคาดการณ์ของกูรูผิดไปค่อนข้างมาก  ธนาคารกลางสหรัฐฯ สาขาชิคาโกจึงได้ทดลองนำข้อมูลจากบริษัทชำระเงินออนไลน์สำหรับโปรเจ็คก่อสร้างแห่งหนึ่งซึ่งเป็นตัวกลางของธุรกรรมเกี่ยวกับการก่อสร้างกว่า 6,000 โปรเจ็คต่อเดือน (รวมแล้วประมาณ 5% ของการใช้จ่ายก่อสร้างทั้งหมดในสหรัฐฯ) มาเพื่อทำนายการขยายตัวของรายจ่ายในภาคการก่อสร้างในระดับประเทศ   ผลปรากฏว่าเราสามารถใช้มันทำนายความ “surprise” ของตัวเลขนี้ (นิยามคือเวลาตัวเลขทำนายอัตราขยายตัว 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 ความท้าทายคือการเก็บข้อมูลราคาสินค้าที่ประชาชนบริโภคเป็นกิจวัตรนั้นใช้เวลาและมีต้นทุนค่อนข้างสูง อีกทั้งยังมีความถี่สูงสุดอยู่ที่แค่ 1 ครั้งต่อเดือน (แถมยังมี lag เป็นอาทิตย์)  ในหลายประเทศที่ยังไม่พัฒนา ข้อมูลทางการก็อาจไม่แสดงให้เห็นถึงระดับราคาในระดับจุลภาคมากๆ (เช่นในเมือง 1 เมือง) และอาจถูกบิดเบือนได้

ตัวอย่างที่ 5: สร้างข้อมูลระดับราคาสินค้าจากรูปถ่ายโทรศัพท์มือถือ

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

 

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

ตัวอย่างที่ 6: สร้างข้อมูลเงินเฟ้อระดับรายวันจากบริษัทค้าปลีกออนไลน์

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

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

นอกจากดัชนีสินค้าออนไลน์แบบนี้จะสามารถเปลี่ยนแปลงได้รายวันแล้วยังเป็นดัชนีราคาที่มีคุณค่ามากเวลา CPI ของภาครัฐเชื่อถือไม่ค่อยได้ ไม่มี หรือไม่ถี่พออย่างในกรณีของประเทศอาร์เจนตินา (กราฟด้านบน)

วัดตลาดแรงงานใหม่

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

ตัวอย่างที่ 7: วัดเทรนด์ตลาดแรงงานแบบ real-time

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

ตัวอย่างที่ 8: วัดค่าจ้างและรายได้จากข้อมูล User-Input ในเว็บไซต์ Glassdoor.com

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

ตัวอย่างที่ 9: ทำนายอัตราการว่างงานด้วยทวีต!?

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

ตัวอย่างที่ 10: ทำนายอัตราการว่างงานด้วยข้อมูลการค้นหาใน Google

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

ตัวอย่างที่ 11: ทำนายอัตราการว่างงาน “ปัจจุบัน” ด้วยข้อมูลพฤติกรรมทางโทรศัพท์

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

วัดการผลิตและบริโภค

การบริโภคและการผลิตถือเป็นส่วนสำคัญของระบบเศรษฐกิจ แต่น่าเสียดายที่การเก็บข้อมูลนั้นยังอยู่ในขั้นพื้นฐานมากเมื่อเทียบกับตัวชี้วัดเศรษฐกิจอื่นๆ

ตัวอย่างที่ 12: วัดความเคลื่อนไหวของภาคอุตสาหกรรมจากอวกาศ

SpaceKnow เป็นบริษัทสตาร์ตอัพมาแรงที่สามารถทำให้เราประมวลข้อมูลจากภาพถ่ายดาวเทียมตามห้วงเวลาและสถานที่ที่กำหนดได้อย่างง่ายดาย  โดยทาง SpaceKnow ได้ใช้ข้อมูลภาพถ่ายดาวเทียมจากสวนอุตสาหกรรมกว่า 6 พันแห่งในประเทศจีนมาวิเคราะห์เพื่อสร้างเป็นดัชนี Satellite PMI โดยไม่ต้องอาศัยการไปสัมภาษณ์ผู้ประกอบการด้วยซ้ำ

ตัวอย่างที่ 13: วัดกิจกรรมทางเศรษฐกิจด้วยข้อมูลจากโทรศัพท์มือถือ

ผมคิดว่างานวิจัยจากประเทศจีนชิ้นนี้น่าทึ่งที่สุดแล้วจากทุกตัวอย่างในบทความนี้  พวกเขาใช้ประโยชน์จากการที่ประเทศจีนมีผู้ใช้โทรศัพท์มือถือมากถึง 600 ล้านคน เพื่อช่วยวัดกิจกรรมทางเศรษฐกิจ ซึ่งมักถูกบิดเบือนโดยรัฐบาลจากมิติต่างๆ เช่น การจ้างงานและการใช้จ่ายโดยใช้ข้อมูลเป็นพันๆ ล้านจุดจาก Baidu

ที่น่าสนใจที่สุดคือการที่พวกเขาสามารถเอาข้อมูลค้นหาแผนที่ (map queries) จาก Baidu Maps มาใช้กับข้อมูล geo-positioning ที่มาจากโทรศัพท์มือถือเพื่อประมาณค่า foot traffic ในสถานที่ๆ ผู้ใช้งานค้นหาจาก Baidu Maps ได้อย่างแม่นยำ  เมื่อพบว่าความสัมพันธ์ค่อนข้างสูงพวกเขาจึงนำข้อมูลค้นหาแผนที่มาทำเป็นดัชนีเทรนด์การบริโภคในหลายๆ เซ็กเตอร์เช่น รถยนต์และร้านอาหาร เป็นต้น

ตัวอย่างที่ 14: วัดความต้องการในการบริโภคอาหารผ่านแบบสอบถามออนไลน์

งานวิจัยชิ้นใหม่ของ Jayson Lusk นักเศรษฐศาตร์เกษตรชื่อดังได้ใช้ประโยชน์จากแบบสอบถามออนไลน์รายเดือนชื่อ Food Demand Survey (FooDS) เพื่อศึกษาอุปสงค์ในกลุ่มสินค้าอาหารเช่น เนื้อวัวและเนื้อไก่  เนื่องจากแบบสอบถามเป็นแบบออนไลน์ การทำการทดลองเพื่อประมาณค่าความเต็มใจที่จะจ่าย (willingness-to-pay หรือราคาที่สูงที่สุดเท่าที่จะยอมจ่าย) จึงทำได้ค่อนข้างสะดวกแถมยังประมาณค่าได้ตามกาลเวลา ตามวันอีกด้วย  จริงๆ การประมาณค่าความเต็มใจที่จะจ่ายได้อย่างถี่ยิบแบบนี้ก็ถือว่าเยี่ยมแล้ว  แต่จากกราฟด้านบนจะเห็นได้ว่าค่าความเต็มใจที่จะจ่ายมันเปลี่ยนแปลงไปตามราคาตามท้องตลาดนอกแบบสอบถามด้วย

สรุป­­­­

14 ตัวอย่างวิธีวัดตัวเลขเศรษฐกิจดังกล่าวแม้จะดูมีอนาคตมากแต่หลายฝ่ายรวมถึงผู้ที่คิดค้นวิธีเหล่านี้ขึ้นมาก็ยังเชื่อว่ามันยังไม่สามารถทดแทนวิธีเดิมๆ ในการตั้งใจเก็บข้อมูลแบบเป็นทางการได้  อีกทั้งความแม่นยำของมันก็ยังต้องผ่านการทดสอบของเวลาไปอีกระยะ

ผู้เขียนเองก็คิดว่าวิธีวัดตัวเลขเศรษฐกิจทางเลือกเหล่านี้น่าจะมามีบทบาทเป็นตัว “อุดรูโหว่” ในระหว่างที่รอตัวเลขจริงจะถูกประกาศออกมามากกว่า

อย่างไรก็ตาม มันก็ยังน่าตื่นเต้นมากเพราะว่าการมาของกระแส IoT (Internet of Things) ที่ทุกอย่างจะเชื่อมต่อเข้ากับอินเตอร์เน็ตได้ในอนาคต จะทำให้เราได้พบเห็นวิธีใหม่ๆ ในการวัดเศรษฐกิจกันเพิ่มขึ้นเรื่อยๆ  ในอนาคตอันใกล้ เราจะมีเซ็นเซอร์กิจกรรมทางเศรษฐกิจจำนวนนับไม่ท้วนอย่างที่ไม่เคยมีมาก่อน

หากเราดูจากตัวอย่างทั้งหมดในบทความนี้ ผมคิดว่าสิ่งที่ควรผลักดันที่สุดในเวลานี้คือการร่วมมือกันระหว่างสาขาวิชา และระหว่างภาครัฐ ภาควิชาการ และภาคเอกชนในการแบ่งปันความรู้และข้อมูล  โดยเฉพาะอย่างยิ่งในด้านของการแบ่งปันข้อมูลเอกชน ผมคิดว่ามันเป็นข้อมูลที่มีจะมีพลังมากในการตอบคำถามต่างๆ นานาได้นอกจากแค่เอามันไปทำนายตัวเลขเศรษฐกิจ  หวังว่าเราจะได้เห็นความร่วมมือแบบนี้มากขึ้นในประเทศไทยครับ

 

Big Data ณภัทร จาตุศรีพิทักษ์ เศรษฐกิจ เศรษฐศาสตร์