คอลัมนิสต์

การใช้ข้อมูลขับเคลื่อนนโยบาย

ข้อมูล หรือ Data ถือเป็นทรัพย์สมบัติติดตัวที่สำคัญมาก ฝังอยู่ในประชาชนทุกคนทั้ง 67 ล้านคน เปรียบเสมือนถังข้อมูลเล็ก ๆ 67 ล้านถัง

ข้อมูลเล็กๆ 67 ล้านถังนี้ ยังไม่ได้รับการสกัดออกมาเป็น “ข้อมูลเชิงตัวเลข หรือ Data ที่พร้อมใช้” ดังนั้น การสกัดข้อมูลออกมาทำเป็น Data Lake หรือ Data Mining และต่อยอดไปเรื่อย ๆ ถือเป็น ”นวัตกรรมข้อมูล หรือ Data Innovation” ที่จะเป็นประโยชน์แก่ผู้ออกแบบนโยบายอย่างมาก

นับตั้งแต่ปี 2560 เป็นต้นมา ประเทศไทยสกัดข้อมูลรายบุคคลขึ้นมามากมายภายใต้โครงการต่าง ๆ ของภาครัฐ เช่น บัตรสวัสดิการแห่งรัฐ ชิมช้อปใช้ เราไม่ทิ้งกัน เยียวยาเกษตรกร เยียวยากลุ่มเปราะบาง เราเที่ยวด้วยกัน คนละครึ่ง เราชนะ ม33เรารักกัน เป็นต้น

นอกจากนี้ ยังมีฐานข้อมูลอื่นที่เมื่อนำมาเชื่อมโยงแล้ว จะสร้างมูลค่าเพิ่มให้ข้อมูลอย่างมาก เช่น ข้อมูลความจำเป็นพื้นฐาน (จปฐ.) และข้อมูลปัญหาโครงสร้างพื้นฐานทางเศรษฐกิจและสังคมระดับหมู่บ้าน (กชช.2ค.) ของกรมพัฒนาชุมชน ข้อมูลเด็กนักเรียนยากจน ของกองทุนเพื่อความเสมอภาคทางการศึกษา (กสศ.) ข้อมูลวิสาหกิจขนาดย่อม เล็ก กลาง (MSMEs) ของสำนักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม (สสว.) ซึ่งส่วนใหญ่เป็นบุคคลธรรมดา เป็นต้น

ข้อดีของฐานข้อมูลข้างต้น คือ เก็บเป็นเลข 13 หลักบนบัตรประจำตัวประชาชน ฉะนั้น หากนำข้อมูลมาเชื่อมโยงและจัดกลุ่ม เราจะสามารถเห็นข้อมูลเป็นคลัสเตอร์ต่าง ๆ (Data Clustering) ได้ดังนี้ ผู้มีรายได้น้อย ผู้ได้รับผลกระทบจาก COVID-19 ผู้ที่อยู่ในระบบประกันสังคม อาชีพอิสระ เกษตรกร นักเรียนนักศึกษา ผู้ประกอบการ ข้าราชการและเจ้าหน้าที่ภาครัฐ ทั้งนี้ ต้องขจัดความซ้ำซ้อนระหว่างกลุ่มก่อนนำไปใช้ เช่น บางคนมีบัตรสวัสดิการแห่งรัฐและมีชื่ออยู่ในทะเบียนเกษตรกร เป็นต้น   

การเก็บข้อมูลของประชาชนภายใต้โครงการต่าง ๆ ถือเป็น High Value Asset ของภาครัฐ นอกจากจะทำให้ภาครัฐมีฐานข้อมูลเชิงลึกเป็นรายบุคคลในมิติต่าง ๆ เช่น อายุ อาชีพ รายได้ ที่อยู่ตามภูมิลำเนา ที่อยู่ปัจจุบัน เป็นต้น แล้ว ยังช่วยให้ภาครัฐสามารถนำข้อมูลนั้นมาวิเคราะห์ (Data Analytics) และออกแบบและขับเคลื่อนนโยบาย มาตรการ หรือโครงการ (Data-Driven Policy) เพื่อเยียวยาและกระตุ้นการใช้จ่ายได้อย่างตรงจุด ถูกฝาถูกตัว และไม่รั่วไหล และสามารถออกแบบนโยบายให้เหมาะสมกับกลุ่มคนและพื้นที่ (Tailor-made Policy) ได้อีกด้วย ที่สำคัญ เราสามารถประมาณการงบประมาณที่ใช้ผ่านแต่ละหน่วยงานได้อย่างแม่นยำและไม่ซ้ำซ้อน 

162696586841

ผมลองยกตัวอย่างโดยวาดวงกลมขึ้นมา 4 วง เป็นข้อมูลจาก 4 ฐานข้อมูล จาก 4 หน่วยงาน (ตามภาพ) หากเรานำเลย 13 หลักบนบัตรประจำตัวประชาชนมาเชื่อมโยงกัน จะทำให้เราสามารถจำแนกกลุ่มเป้าหมายที่เราต้องการช่วยเหลือออกเป็น 11 กลุ่ม ได้แก่ A, B, C, …, และ K ซึ่งแต่ละกลุ่มมีจำนวนคนเป้าหมายไม่เท่ากัน บริบทแตกต่างกันนำไปสู่การออกแบบนโยบายที่ต่างกัน ดังนี้

  1. กลุ่มเกษตรกร : เน้นการลงทุนในโครงสร้างพื้นฐานทางเศรษฐกิจและสังคมในกลุ่ม A และ C เน้นการช่วยเหลือด้านรายได้ผ่านบัตรสวัสดิการแห่งรัฐในกลุ่ม C และ D ส่วนกลุ่ม B อาจจะเน้นการช่วยเหลือในรูปแบบอื่นแทน
  2. กลุ่มผู้มีรายได้น้อย : นอกจากการช่วยเหลือผ่านบัตรสวัสดิการแห่งรัฐแล้ว จำเป็นต้องเน้นการลงทุนในโครงสร้างพื้นฐานทางเศรษฐกิจและสังคมในกลุ่ม C E และ G ด้วย ส่วนกลุ่ม C และ D ต้องคุยกับกระทรวง
    เกษตรฯ ว่าจะร่วมกันทำโครงการ/มาตรการอะไร อย่างไร เช่นเดียวกับกลุ่ม
    G และ H ต้องคุยกับกระทรวง
    แรงงานว่าจะร่วมกันทำโครงการ/มาตรการอะไร อย่างไร ส่วนกลุ่ม
    F อาจจะเป็นลุ่มอาชีพอิสระต่าง ๆ ซึ่งก็ต้องไปเชื่อมโยงกับฐานข้อมูลอื่น ๆ ต่อไป เช่น ใบขับขี่ ใบอนุญาตมัคคุเทศก์ ผู้ค้าขายสลากกินแบ่งรัฐบาล ผู้ให้บริการนวดเพื่อสุขภาพ เป็นต้น
  3. กลุ่มที่อยู่ในระบบประกันสังคม : เน้นการลงทุนในโครงสร้างพื้นฐานทางเศรษฐกิจและสังคมในกลุ่ม G และ I เน้นการช่วยเหลือด้านรายได้ผ่านบัตรสวัสดิการแห่งรัฐในกลุ่ม G และ H ส่วนกลุ่ม J อาจจะเน้นการช่วยเหลือในรูปแบบอื่นแทน

ดังนั้น ในอนาคตหน่วยงานต่าง ๆ ควรมีการบูรณาการความร่วมมือในการเชื่อมโยงข้อมูลระหว่างกันให้มากขึ้น เมื่อข้อมูลพร้อมใช้ รัฐบาลก็สามารถนำไปใช้ในการดำเนินนโยบายเศรษฐกิจได้ทันที ... และเมื่อนั้นเราจะเป็น Data-Driven Organization อย่างแท้จริง.