เศรษฐกิจยุค AI หน้าตาเป็นแบบไหน?
เศรษฐกิจยุค AI หน้าตาเป็นแบบไหน? ทุกวันนี้มองไปทางไหนก็เห็นแต่คำว่า ‘AI’ ส่วนหนึ่งเป็นพลังความตื่นตัวกับกระแส แต่ความตื่นตัวนี้เองก็เริ่มขับเคลื่อนหลาย ๆ อย่างให้กลายเป็นความเปลี่ยนแปลงจริงเหมือนกัน Earning Calls บริษัทเทคโนโลยียักษ์ใหญ่ในไตรมาสแรกของปี 2023 มีคำว่า ‘AI’ ปรากฏอยู่เกิน 200 คำ มากกว่าปีก่อน 5 เท่า ล่าสุด NVIDIA บริษัทการ์ดจอและบริการอื่น ๆ ที่ AI ต้องใช้งานก็ทำรายได้เหนือความคาดหมายของนักลงทุน รายงาน Future of Jobs 2023 ของ WEF คาดว่าจะมี disruptions ในงานกว่า 23% ของงานทั้งหมดในโลกในระยะ 5 ปีข้างหน้า ชัดว่ากระแสมา เงินลงทุนมา ผลประกอบการเริ่มมา บริการใหม่ ๆ ก็ผุดเกิดขึ้นทุกวัน แต่ที่ยังเห็นไม่ชัดและสำคัญคือ หน้าตา รูปแบบ และผลกระทบของ ‘เศรษฐกิจ AI’ อันเป็นพื้นที่ของการแข่งขันใหม่บนพื้นฐานของโครงสร้างเทคโนโลยีชิ้นนี้ […]
ธนาคาร: อยู่รอดในยุคฟินเทคได้อย่างไร?
ในช่วงสามสี่ปีที่ผ่านมาคำว่า “ฟินเทค” กลายเป็นคำพูดที่ติดหูที่สุดในแวดวงการเงินทั่วโลก จากเดิมที่คนเราคุ้นเคยกับการเดินทางไปทำธุรกรรมที่ธนาคาร ตอนนี้การทำธุรกรรมที่ปลายนิ้วโดยไม่ต้องเจอใครเลยจากทุกที่บนโลก (และบางทีไม่ต้องผ่านตัวกลางใดๆ) กำลังจะกลายเป็น new normal สำหรับผู้ใช้งานจำนวนไม่น้อย แม้ว่าธนาคารใหญ่ๆ หลายเจ้าจะเริ่มไหวตัวกันแล้วบ้างแล้ว เช่น เริ่ม digitize ข้อมูลและระบบเดิมมากขึ้นหรือเริ่มทำ mobile banking ก็ยังถือว่าเป็นการปรับตัวที่เชื่องช้ามากเมื่อเทียบกับไอเดียและความคิดที่กำลังถูกปรุงแต่งโดยทีมสตาร์ตอัพฟินเทคใหม่ๆ จึงเกิดคำถามขึ้นว่าธนาคารยุคเก่าที่เราคุ้นเคยกันจะอยู่รอดอย่างไรท่ามกลางคลื่นลูกใหม่ที่กำลังรุกรานถิ่นเก่าการเงินนี้
เจาะข้อมูลอุบัติเหตุ 4 แสนกรณีช่วงเทศกาลจากปี 2551-2558
วันนี้ผมเก็บ “ภาพเด็ดๆ” ซึ่งมาจากข้อมูลจริงเกี่ยวกับปัญหาใหญ่อันดับต้นๆ ของประเทศไทยมาให้ดูกันครับ นั่นก็คือปัญหาที่ว่า “ทำไมถึงมีผู้ได้รับบาดเจ็บและเสียชีวิตบนท้องถนนมากมายเหลือเกิน?” ใน Top 20 ประเทศที่มีการเสียชีวิตจากอุบัติเหตุบนท้องถนนมากที่สุด มีประเทศด้อยพัฒนาจากทวีปแอฟริกา 18 ประเทศ ที่เหลือคือ อิหร่าน กับ ไทย (เราติดอันดับ 2 ของโลกรองจากลิเบีย) โดยมีการคาดไว้ว่าทุกๆ ปี เราจะสูญเสียพี่น้องชาวไทยไปประมาณ 24,000 คนเพราะอุบัติเหตุพวกนี้ ที่น่าโมโหเป็นเพราะว่าอุบัติเหตุมันเป็นอะไรที่ป้องกันได้ และขอบอกก่อนเลยว่าบทความนี้ยิ่งอ่านยิ่งเศร้า ยิ่งผมล้างข้อมูลและเอาหยิบมา plot ยิ่งน่าหดหู่ แต่ที่ต้องการเอา visualization มาแชร์ให้พวกเราเก็บไปช่วยๆ คิดกันเป็นเพราะว่าปัญหาอุบัติเหตุที่คร่าชีวิตคนเป็นปัญหาที่ละเอียดอ่อนและซับซ้อนมาก มีตัวแปรจำนวนมากที่กระทบโอกาสการเกิดของมัน ไม่ว่าจะเป็นคุณภาพของถนน ความเร็วและประเภทของยานพาหนะ ความรักชีวิตของคนขับ พฤติกรรมดื่มสุรา การคาดเข็มขัด ความหย่อนยานของกฎหมาย ไปจนถึงความเร็วของหน่วยฉุกเฉิน เพราะฉะนั้นมันถึงแก้ยาก ถ้าแก้ผิดตัวแปร หรือแก้ไม่ครบ ปัญหานี้จะยังอยู่ต่อไป ข้อมูลในบทความนี้ดาวน์โหลดฟรีได้จาก data.go.th เป็นข้อมูลรายกรณีผู้ที่ได้รับบาดเจ็บจากอุบัติเหตุบนท้องถนนในช่วงปีใหม่และสงกรานต์ จากทั่วประเทศ ที่เข้าใจว่าเก็บโดยโรงพยาบาลตั้งแต่ปีพ.ศ. 2551 ถึง 2558 (สงกรานต์มีแค่ถึง 2557) […]
ทำไม HR ก็ควร Data-Driven: เรื่องเล่าจากเซกเตอร์การศึกษาสหรัฐฯ
ทุกวันนี้ในสังคมดิจิทัล (ที่แท้จริง) จะเหลือ “การตัดสินใจสำคัญ” ที่ยังไม่ค่อยได้ใช้ประโยชน์จากข้อมูลขนาดใหญ่ อยู่ไม่กี่ประเภท ที่หลงเหลืออยู่ ส่วนมากจะเป็นการตัดสินใจที่มี 3 ลักษณะ เด่น คือ 1) สมัยก่อนไม่เคยมีข้อมูล ดีๆ (หรือไม่มีเลย) 2) มีผลกระทบที่คอขาดบาดตาย (high-stakes) 3) มีวัฒนธรรมในสังคมหรือองค์กรที่ชี้ว่าควรให้ “สมองคน” หรือ ” ดุลพินิจ ” ของผู้ที่มีคุณสมบัติเหมาะสมเป็นตัวชี้นำในการตัดสินใจ การสร้างทัศนคติ data-driven ระหว่างการตัดสินใจที่มีลักษณะเหล่านี้จึงเป็นไปได้อย่างเชื่องช้าและมักมีกระแสต่อต้านรุมล้อม เรียกได้ว่ามี “ความเฉื่อย” ชั้นดีในการคอยรั้งการเปลี่ยนทัศนคติ เรามีทางเลือกที่จะตัดสินใจแบบเดิมๆ ต่อไป แต่หลังจากที่มีข้อมูลดีขึ้น เราเริ่มเห็นแล้วว่าการตัดสินใจเหล่านี้โดยการพึ่งพา “คน” อย่างเดียวนั้นมีข้อจำกัดหรืออาจมีโทษด้วยซ้ำ เช่น ในการตัดสินใจฝากขังหรือปล่อยตัวจำเลยโดยผู้พิพาษาที่พบว่ามีการปล่อยตัวพลาดเป็นจำนวนมากอย่างน่าตกใจ เป็นต้น เพื่อให้เห็นภาพ ผู้เขียนจะขอยกตัวอย่างที่หลายคนน่าจะคุ้นเคยกัน นั่นก็คือ การตัดสินใจจ้างงาน ขึ้น/ลดเงินเดือน หรือเชิญ ออก โดยจะเป็นตัวอย่างที่มาจากประสบการณ์ทำงานวิจัยของผู้เขียนในความร่วมมือกับ school district แห่งหนึ่งในสหรัฐฯ อเมริกาเพื่อหา insight […]
เทพียุติธรรมแท้จริงแล้วควรเป็นคนหรือหุ่นยนต์: เมื่อ Machine Learning พบกับ Human Jailing
ผมมีคำถามหนักใจ (แต่สำคัญต่อสังคม) ที่อยากให้ทุกคนเก็บไปคิดกันครับ “คุณคิดยังไงกับการที่อีกหน่อยจะมีการใช้สมองกลเพื่อช่วยผู้พิพากษาในการตัดสินว่าคนที่เพิ่งถูกตำรวจจับมาหมาดๆ ควรจะถูกปล่อยตัวหรือถูกฝากขังไว้โดยไม่ให้กลับไปดำเนินชีวิตตามปกติจนกว่าคดีจะเสร็จสิ้น?” สัญชาตญาณของคนส่วนใหญ่มักบอกว่ามนุษย์เป็นมากกว่าแค่ตัวเลข หลายคนไม่เห็นด้วยที่เทคนิคเหล่านี้ไม่มี “พื้นที่” ให้กับความเป็นธรรมหรือความเที่ยงธรรม มีแต่สิ่งที่ป้อนให้กับคอมพิวเตอร์และสิ่งที่มันคายออกมา โดยเฉพาะอย่างยิ่งในกรณีที่เราเคยได้เห็นถึงจุดบอดและความลำเอียงของโมเดลสถิติในการใช้มันเพื่อรักษาความปลอดภัยมาแล้ว แต่วันนี้ผมจะขอเสนอมุมต่างที่อาจทำให้เรามองว่าการใช้ “สมองคน” ตัดสินใจเรื่องคอขาดบาดตายแบบนี้อย่างเดียวก็อาจทำให้เรารู้สึกทะแม่งๆ ได้ไม่แพ้กัน งานวิจัยล่าสุดของกลุ่มนักวิศวกรคอมพิวเตอร์และนักเศรษฐศาสตร์ในสหรัฐฯ ได้วิเคราะห์ข้อมูลประวัติอาชญกรรม (rap sheet) และคุณลักษณะของจำเลยทุกคนในนครนิวยอร์กตั้งแต่ปี 2008 ถึง 2013 (รวมแล้วประมาณ 7 แสนกว่ากรณี) จนพบว่าหากเรา “เพิ่มความสามารถในการตัดสินใจ” ให้กับผู้พิพากษาว่าจะ “ขังหรือไม่ขัง” จำเลยด้วยการใช้สมองกลช่วยพยากรณ์ว่าในหมู่จำเลยที่มีเข้ามาทุกวี่วัน คนไหนมีโอกาสก่ออาชญากรรมซ้ำอีกหรือทำการหลบหนีระหว่างรอศาลเรียก เราจะสามารถลดอาชญากรรมในเมืองลงได้มากขึ้น 25% (โดยคงจำนวนจำเลยที่ถูกปล่อยไว้เท่าเดิม) หรือลดจำนวนจำเลยที่จะถูกขังลงได้ถึง 42% (โดยคงอัตราอาชญกรรมไว้เท่าเดิม) ในนครนิวยอร์ก อีกทั้งยังช่วยลดความเหลื่อมล้ำทางสีผิวในการถูกฝากขังได้ไปพร้อมๆ กันด้วย โดยการนำโมเดลนี้ไปประยุกต์ต่อจากระดับเมืองสู่ระดับประเทศก็ได้ผลที่ไม่ต่างกันนัก ความสำคัญของงานชิ้นนี้คือเขาผสานจุดแข็งของ Machine Learning (จุดแข็งคือการพยากรณ์ให้แม่น) กับ เศรษฐมิติ (จุดแข็งคือการหาความเป็นเหตุเป็นผลและการขจัด bias) เข้าด้วยกันโดยมีเป้าหมายคือการเพิ่ม “คุณภาพ” ของการตัดสินใจให้กับผู้พิพากษา ไม่ใช่หยุดที่แค่การพยากรณ์ว่าจำเลยคนไหนมีความเสี่ยงที่จะหนีศาล ที่ต้องผสานทั้งสองศาสตร์เข้าด้วยกันเป็นเพราะโลกใบนี้เคยเห็นแต่การกระทำของจำเลยที่ถูกปล่อยออกไปเท่านั้น […]
บทสัมภาษณ์กับ The Matter: Big Data กับ Automation
1.ตอนนี้มีการพูดถึงเรื่องการใช้ Big Data ในแง่มุมต่างๆ มากมาย จนกระทั่ง Big Data กลายเป็นคำที่หลายคนเรียกว่าเป็น Buzzword หรือคำหากินของยุคใหม่ไปแล้ว อยากให้คุณณภัทรช่วยอธิบายหน่อยครับว่า จริงๆ แล้ว Big Data ในแง่มุมที่เราควรเข้าใจจริงๆ เป็นอย่างไร ‘ประโยชน์’ ของมันจริงๆ คืออะไร นิยามของ Big Data คือ ภาวะข้อมูลที่มี 3V คือ volume velocity และ variety แปลเป็นไทยง่ายๆ ก็คือข้อมูลมีปริมาณมหาศาล เก็บได้ถี่ และมีความหลากหลายรูปแบบอย่างที่เราไม่เคยเห็นมาก่อนครับ ผมมองว่าสิ่งที่เราควรจะเข้าใจที่สุดนอกจากว่า Big Data คืออะไรหรือมีประโยชน์และโทษอย่างไร ก็คือต้องเข้าใจว่าคุณหนีมันไม่ได้ ยังไงมันก็จะมากระทบชีวิตพวกเรา ไม่ทางตรงก็ทางอ้อม ไม่ว่าคุณจะอยู่ในประเทศที่แม้แต่ “สมอลดาตา” ยังไม่มีหรือทั้งชีวิตนี้คุณไม่เคยใช้ (และจะไม่ใช้) เทคโนโลยีเลยก็ยังหนีไม่พ้น นั่นเป็นเพราะว่า Big […]
ถี่ ถูก แม่น หรือแค่ฝัน?: รวม 14 วิธีวัดตัวเลขเศรษฐกิจใหม่ในยุค Big Data
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 […]
อนาคตของข้อมูลGIS:เก็บตกงานสัมมนา Esri UC 2016
ผมเชื่อว่าในอีกไม่ช้าการบริหารจัดการบ้านเมืองในมหานครทั่วโลกจะ sci-fi หลุดโลกไม่ผิดไปจากที่เราเคยเห็นในวิดีโอเกมส์สร้างเมืองชื่อ Sim City หรือในภาพยนต์ประเภท Thriller ที่ภาครัฐเก่งและไฮเทคเหลือเชื่อ จริงๆ แล้วผมเชื่อในเรื่องนี้มานานแล้ว เพียงแต่ความเชื่อนี้เกิดทวีคูณขึ้นหลายเท่าตัวหลังจากที่ผมได้มีโอกาสไปเปิดหูเปิดตาในงานสัมมนาแห่งโลกอนาคตที่ชื่อว่า ESRI User Conference 2016 ณ เมืองซานดิเอโก ประเทศสหรัฐอเมริกา งานสัมมนานี้เป็นการรวมตัวของผู้ใช้งานซอฟต์แวร์ของบริษัท ESRI ผู้ผลิตซอฟต์แวร์อันดับหนึ่งในการวิเคราะห์และแสดงผลข้อมูลGIS (ข้อมูลระบบสารสนเทศภูมิศาสตร์) เกือบ 2 หมื่นคนจากทั่วโลกเพื่อแลกเปลี่ยนความคิดเห็นและประชันผลงานในการประยุกต์ใช้ข้อมูลแผนที่เหล่านี้เข้ากับองค์กรและสังคมของตน บอกได้คำเดียวว่าผมทึ่งมากในสิ่งที่ “Microsoft Office สำหรับข้อมูลแผนที่” พวกนี้สามารถเข้ามาพัฒนาคุณภาพชีวิตมนุษย์ได้จากหลายมิติมาก ผมเคยเขียนเกี่ยวกับข้อมูลGIS ไปแล้วในบทความนี้ แต่สองสิ่งจากงานสัมมนาครั้งนี้ที่ผมคิดว่าสำคัญและสมควรแก่การนำมาเล่าสู่กันฟังที่สุดคือ 1.ประโยชน์หลากมิติ – การประยุกต์ใช้ข้อมูลGIS จะง่ายและมี scope กว้างขึ้นกว่าเดิมมาก 2.ใครก็ใช้ประโยชน์จากGIS ได้ – คุณไม่ต้องเป็นโปรแกรมเมอร์ก็ยังใช้ประโยชน์จากGIS ได้มหาศาล บทความนี้จะนำเสนอตัวอย่างที่น่าสนใจจากงานสัมมนาครั้งนี้และขยายความของสองข้อสังเกตทั้งสองนี้ครับ
ผมคิดว่ามันน่าทึ่งมากที่ขณะนี้เรากำลังใช้ชีวิตอยู่ในยุคที่อีกไม่นานสมองกลจะสามารถมองเห็นภัยในระบบการเงินโลกอันแสนจะยุ่งเหยิงได้ก่อนมนุษย์และสามารถรู้สึกถึงความเปลี่ยนแปลงของตัวแปรเศรษฐกิจในระยะสั้นได้ดีกว่าเรา แต่ที่น่าทึ่งยิ่งกว่าคือมันเป็นยุคเดียวกันกับช่วงเวลาที่นักเศรษฐศาสตร์จำนวนมาก (ซึ่งเป็นกลุ่มคนที่น่าจะทราบดีกว่าใครเพื่อน!) ยังเห็นไม่ตรงกันว่าโลกเราจะเป็นอย่างไรภายใต้ภาวะดอกเบี้ยติดลบ และยังตกลงกันไม่ได้ว่าธนาคารกลางสหรัฐฯ ควรจะขึ้นดอกเบี้ยเมื่อไร …และต้องไม่ลืมว่านี่ก็เป็นยุคเดียวกันกับยุคที่นักเศรษฐศาสตร์ชั้นนำหลายคนมองไม่เห็นสัญญานก่อนเกิดวิกฤตแฮมเบอร์เกอร์ หลายคนจึงอดสงสัยไม่ได้ว่าท่ามกลางกระแส Big Data ที่มาพร้อมกับความร้อนแรงของสาขา Machine Learning และสาขาอื่นๆ ภายใต้ศาสตร์แห่งวิทยาศาสตร์ข้อมูล (Data Science) บทบาทและคุณค่าของนักเศรษฐศาสตร์ในยุคนี้คืออะไรกันแน่ และมันจะเปลี่ยนแปลงไปในรูปแบบใด ผมเองมองว่ากระแส Big Data ถือเป็นการเปลี่ยนแปลงที่ดีเพราะว่าถึงเวลาแล้วที่ทฤษฎีเศรษฐศาสตร์หลายๆ ทฤษฎีควรถูกจับมาพิสูจน์ด้วยข้อมูลที่เราไม่เคยมีมาก่อน ในอนาคตเราจะได้เข้าใจพฤติกรรมมนุษย์ในระบบเศรษฐกิจที่นับวันยิ่งทวีความซับซ้อนมากยิ่งขึ้น แต่ที่ผมคิดว่าน่าสนใจที่สุดคือช่องทางที่นักเศรษฐศาสตร์รุ่นใหม่ๆ นั้นได้เริ่มปรับตัวเข้ากับกระแส Big Data นี้อย่างช้าๆ ไปเรียบร้อยแล้ว อีกทั้งยังได้เริ่มเบิกทางให้เราเห็นแล้วว่าอีกในไม่กี่ปีข้างหน้าสาขาเศรษฐศาสตร์จะต่อยอด Big Data อย่างไรและให้อะไรได้บ้างกับวงการธุรกิจและสังคมโดยรวม โดยหลักๆ แล้วผมมองว่านักเศรษฐศาสตร์จะสามารถเข้ามาช่วยสร้าง value ในยุค Big Data นี้ได้ใน 2 ช่องทางหลักๆ : สร้างและใช้มาตราวัดตัวแปรเศรษฐกิจใหม่ๆ ที่มีประสิทธิภาพสูงกว่า มีความแม่นยำสูงกว่า และมีต้นทุนในการเก็บข้อมูลที่ต่ำกว่าวิธีเดิมๆ ช่วยทีม Business Analytics ไปให้ใกลกว่าการคาดคะเนหรือจำลองอนาคต (predictive modeling) เพื่อไปสู่ความเข้าใจถึงความเป็นเหตุเป็นผลซึ่งกันและกัน (causation) บทความนี้จะพาท่านผู้อ่านไปสำรวจดูว่าล่าสุดนี้มีการประยุกต์ใช้ทฤษฎีเศรษฐศาสตร์ร่วมกับกระแส Big […]
ขจัดคอร์รัปชันต้องเริ่มด้วยข้อมูล: กรณีใบสั่งรถทูต
ท่านผู้อ่านเคยสงสัยไหมครับว่าจะเกิดอะไรขึ้นเมื่อทูตจากหลากหลายสังคมมารวมกันอยู่ในสภาพแวดล้อมที่ diplomatic immunity ทำให้กฎหมายจอดรถในนครนิวยอร์กทำอะไรพวกเขาไม่ได้ ทุกวันนี้ไม่ว่าคุณจะอยู่ที่ไหนบนโลกก็จะได้ข่าวอื้อฉาวต่างๆ นานาเกี่ยวกับคอร์รัปชันแทบทุกวัน แต่ที่น่าสงใสคือทำไมสิ่งที่คนทั้งโลกเรียกกันว่า “คอร์รัปชัน” นี้ ถึงได้มีระดับความรุนแรงที่แตกต่างกันเหลือเกินในแต่ละสังคม ความแตกต่างนี้มองปราดเดียวก็ทราบได้จากดัชนี corruption perception ที่มาจากองค์การ Transparency International ด้านบน (ยิ่งแดงเข้มยิ่งแย่) แต่ที่มองผ่านๆ แล้วยังไม่เข้าใจ ฟันธงไม่ได้ คืออะไรกันแน่ที่ทำให้เกิดความแตกต่างนี้ และที่จริงแล้วอะไรก่อให้เกิดสิ่งที่เรียกว่า “คอร์รัปชัน” ตั้งแต่แรก ข้อมูลชุดข้างบนถึงแม้ว่าจะมีคุณค่าพอสมควรแต่ก็มีจุดอ่อนมากมายและไม่สามารถตอบคำถามนี้ได้ ความแตกต่างที่เห็นอาจเป็นเพราะว่าแต่ละสังคมมีการลาก “เส้นแบ่งล่องหน” ที่สะท้อนถึงบรรทัดฐานทางสังคม (social norms) ของตนว่าการกระทำแบบไหนถือว่า “ใสสะอาด” และการกระทำแบบไหนถือว่าเป็น “คอร์รัปชัน” เส้นแบ่งที่มองไม่เห็นด้วยตาเปล่าแต่สัมผัสได้เส้นนี้มักถูกขีดไว้คนละตำแหน่งบนสเกลความคดโกงในแต่ละสังคม จึงเป็นไปได้ที่การกระทำประเภทที่บางสังคมเห็นว่าเป็นคอร์รัปชันอย่างแน่นอนกลับไม่ถือว่าเป็นคอร์รัปชันในสังคมอื่นๆ ที่เขาเห็นว่ามันเป็นเรื่องธรรมดาหรือกระทั่งเห็นว่าเป็นเพียงสิ่งที่ “rule of the game” กำหนดเอาไว้แล้วในการดำรงชีวิตอยู่ในสังคมเหล่านั้น แต่หากมองอีกมุมหนึ่ง ความแตกต่างนี้ก็อาจมีผลมาจากความเข้มข้นของการบังคับใช้กฎหมาย (enforcement) ที่อยู่ในระดับที่แตกต่างกันในแต่ละสังคม บางแห่งมีทั้งกฎหมายที่เป็นลายลักษณ์อักษรและมีทั้งการบังคับใช้อย่างจริงจัง บางแห่งมีความเข้มข้นบนกระดาษแต่ไม่มีบนท้องถนน บางแห่งไม่มีทั้งคู่ ทุกวันนี้คงไม่มีใครเถียงว่าคอร์รัปชันเป็นโรคร้ายของสังคมแต่การที่คอร์รัปชันเป็นวัชพืชที่ฆ่าไม่ตายเสียทีอาจเป็นเพราะเรายังไม่เข้าใจคอร์รัปชันอย่างแท้จริงว่ามันเกิดขึ้นเพราะอะไร จากแค่ตัวอย่างข้างต้นที่แบ่งต้นตอของคอร์รัปชันออกเป็นสองส่วน หากเราแยกไม่ออกว่าบรรทัดฐานทางสังคมหรือการบังคับใช้กฎหมายกันแน่ที่เป็นตัวการหลักในการผลักดันพฤติกรรมคอร์รัปชัน เราจะจู่โจมปัญหานี้ได้อย่างมีประสิทธิภาพและถูกจุดได้อย่างไร บทความนี้จะพาท่านผู้อ่านไปทัวร์ดูวิธีศึกษาปัญหาคอร์รัปชันนี้ด้วยพลังของการเก็บข้อมูลและการวิเคราะห์ข้อมูลจากงานวิจัยทางเศรษฐศาสตร์ที่ชื่อว่า “Corruption, Norms, and […]
ทำไมแค่ "Big Data" ไม่พอแต่ต้อง "Open Data" ด้วย
อภิมหาข้อมูลที่เปิด = อภิมหาประโยชน์
ข้อคิดที่ได้จากการทำวิจัยที่ Harvard 1 ปี
ในปีที่ผ่านมานี้ ผมดีใจที่ได้รับโอกาสไปทำงานเป็นผู้ช่วยวิจัยให้กับนักเศรษฐศาสตร์สองท่านที่ Harvard Kennedy School of Government และได้เห็นการใช้เศรษฐศาสต์แก้ปัญหาสังคมด้วยวิธีใหม่ ๆ ทั้งสองท่านนี้เป็นผู้เชี่ยวชาญในคนละแขนง ท่านนึงเชี่ยวชาญด้านเศรษฐศาสตร์การศึกษา ส่วนอีกท่านเชี่ยวชาญด้านนโยบายพลังงาน สุขภาพและสิ่งแวดล้อม ส่วนผมมีหน้าที่ช่วยเขียนโปรแกรมวิเคราะห์ข้อมูลและสถิติและเขียนบทความ หนึ่งปีนี้สั้นนิดเดียวแต่ได้เห็นและเรียนรู้อะไรมากมายเกี่ยวกับวงการ policymaking และวงการเศรษฐศาสตร์แขนงใหม่ ผมสรุปบทเรียนย่อ ๆ มาแชร์ให้เพื่อน ๆ อ่านครับ
หรือนี่คืออนาคตของการเรียนรู้ ?
Previous page Next page
Recent Comments