สถาบันวิจัยเศรษฐกิจป๋วย อึ๊งภากรณ์
aBRIDGEd

COVID-19 จากมุมมองของนักเศรษฐศาสตร์ ตอนที่ 3

สรุปงานวิจัยทางเศรษฐศาสตร์และประเด็นที่เกี่ยวกับการแพร่ระบาดของ COVID-19

นักเศรษฐศาสตร์ผลิตงานวิจัยเกี่ยวกับ COVID-19 ออกมาจำนวนมากในช่วงปีที่ผ่านมา บางงานเป็นการต่อยอดแบบจำลองทางระบาดวิทยาเพื่อเพิ่มมิติด้านพฤติกรรมคน บางงานอธิบายถึงข้อจำกัดในการตีความค่า R หรืออัตราการแพร่ระบาดจากแบบจำลองเหล่านี้  ข้อมูลที่เพิ่มขึ้นก็ช่วยให้นักวิจัยสามารถคำนวณประโยชน์ของมาตรการต่าง ๆ ได้ชัดเจนขึ้น เช่น ประโยชน์ของการสวมหน้ากากอนามัยหรือการรักษาระยะห่าง  นอกจากนี้ ยังมีงานที่มองถึงมิติอื่น ๆ อาทิ เบื้องหลังของความสำเร็จในการพัฒนาวัคซีน และผลกระทบต่อระบบสุขภาพทั้งฝั่งผู้รับและผู้ให้บริการ

เมื่อเมษายนปีที่แล้ว ซึ่งเป็นช่วงเริ่มต้นการแพร่ระบาดของ COVID-19 วิศรุต (2020a, 2020b) ได้เขียนถึงงานวิจัยทางเศรษฐศาสตร์ที่เริ่มเข้ามาพัฒนาแบบจำลองของนักระบาดวิทยาและวิเคราะห์ผลกระทบของโรคระบาดครั้งนี้ในมิติต่าง ๆ อาทิ ผลต่อระบบเศรษฐกิจ ผลต่อตลาดหุ้น ผลกระทบต่อแรงงานแต่ละกลุ่ม ในช่วงต้นนั้น นักวิจัยยังไม่มีข้อมูลจริงของการแพร่ระบาดของ COVID-19 มากนัก  แต่ในช่วงหนึ่งปีที่ผ่านมา งานวิจัยต่าง ๆ ได้อาศัยข้อมูลจริงมากขึ้น ทั้งจำนวนผู้ป่วย จำนวนผู้เสียชีวิต  มาตรการต่าง ๆ ที่หลากหลายทั้งในระดับเมืองและระดับประเทศ  สำหรับตัวแบบจำลองทางระบาดวิทยา ก็มีการพัฒนาต่อยอดและเข้าใจถึงข้อจำกัดมากขึ้น  นอกจากนี้ ยังมีงานที่มองถึงผลกระทบในมิติอื่น ๆ ที่นอกเหนือไปจากจำนวนผู้ป่วย COVID-19 และระบบเศรษฐกิจ  บทความชิ้นนี้ ขอสรุปประเด็นเพิ่มเติมจากงานวิจัยเกี่ยวกับ COVID-19 อีก 6 ประเด็น

1. ค่า R, R0 และ Rt คือ อะไร และทำไมเราต้องตีความอย่างระมัดระวัง

ในปัจจุบันหลายภาคส่วนมีการพูดถึงค่า R0 และ R (basic และ effective reproduction number) ซึ่งเป็นค่าพารามิเตอร์ของแบบจำลอง SIR (Susceptible-Infected-Recovered) ของนักระบาดวิทยาที่ช่วยทำนายระยะของการแพร่ระบาดว่าจะยาวนานแค่ไหน และขึ้นถึงจุดสูงสุดเมื่อใด  อย่างไรก็ดี การตีความค่า R ต้องใช้ความระมัดระวัง เพราะค่า R นั้นขึ้นกับคุณภาพของข้อมูล ข้อสมมติ และพฤติกรรมประชาชนด้วย

แบบจำลอง SIR ในช่วงเริ่มต้นนั้น แบ่งประชากรเป็นสามสถานะ “S: Susceptible”  คือ กลุ่มที่ยังไม่ได้ติดเชื้อ “I: Infected” คือ กลุ่มที่ป่วยและแพร่เชื้อได้ และ “R: Recovered” คือ กลุ่มที่หายป่วยและไม่สามารถแพร่เชื้อต่อได้   โดยในแต่ละช่วงเวลา  คนกลุ่ม S มีโอกาสติดเชื้อและกลายเป็นกลุ่ม I  และคนกลุ่ม I ก็มีโอกาสที่จะหายจากโรคและกลายเป็นกลุ่ม R   แบบจำลองช่วงหลัง อาทิ SEIR  หรือ SEIRD  มีการเพิ่มกลุ่ม “E: Exposed” ซึ่งเป็นกลุ่มที่ติดเชื้อแต่ยังอยู่ในระยะฟักตัว  มีการคำนึงถึงกลุ่มที่ติดเชื้อแต่ไม่มีอาการ (asymptotic cases)  รวมถึงแบ่งกลุ่มที่เสียชีวิต “D: Dead”  แยกออกมาจากกลุ่มที่หายป่วย  รูปที่ 1 แสดงตัวอย่างพลวัตของแบบจำลอง SEIRD  สำหรับผู้ที่สนใจ สามารถอ่านเพิ่มเติมใน Avery et al. (2020) ซึ่งเล่าพัฒนาการของแบบจำลองต่าง ๆ ที่เกี่ยวข้อง

รูปที่ 1 แบบจำลอง SEIRD (Susceptible-Exposed-Infected-Recovered-Dead)

ที่มา: คณะผู้วิจัยปรับมาจาก Chatterjee et al. (2020)

ค่า R0  (basic reproduction number) เป็นค่าที่บอกว่าผู้ติดเชื้อหนึ่งคนจะสามารถกระจายเชื้อต่อได้อีกกี่คน ในช่วงเริ่มต้นการแพร่ระบาด  โดยที่ประชากรเกือบทั้งหมดยังไม่มีภูมิคุ้มกัน และรัฐยังไม่มีมาตรการใด ๆ  ส่วนค่า R หรือ Rt (effective reproduction number) คือ อัตราการแพร่เชื้อ ณ เวลานั้น ๆ  ซึ่งขึ้นกับจำนวนคนกลุ่ม S ณ ขณะนั้น และพฤติกรรมของประชากรที่เปลี่ยนไป  ไม่ว่าเปลี่ยนเพราะมาตรการต่าง ๆ หรือเปลี่ยนโดยสมัครใจ  ค่า R มากกว่าหนึ่ง  หมายความว่าจำนวนผู้ป่วยใหม่ต่อวันยังจะเพิ่มขึ้นเรื่อย ๆ  เพราะหนึ่งคนที่พบเชื้อเมื่อวันก่อนยังกระจายต่อได้อีกหลายคน  การประมาณค่า R0 นั้น ต้องอาศัยข้อสมมติหรือการประมาณค่าพารามิเตอร์อื่น ๆ  ในแบบจำลองด้วยหลัก ๆ ได้แก่ (1) โอกาสที่ผู้ที่ติดเชื้อจะมีการสัมผัสใกล้ชิดกับกลุ่มที่ยังไม่ติดเชื้อ (2) หากมีการสัมผัสใกล้ชิด โอกาสที่จะส่งต่อเชื้อเป็นเท่าไร (3) ระยะเวลาฟักตัว (4) โอกาสที่จะเป็นกลุ่มไม่มีอาการ และ (5) เมื่อติดเชื้อระยะเวลาป่วยนานเท่าใด  ซึ่งค่าพารามิเตอร์ตัวแรกนั้น แตกต่างกันตามบริบทของแต่ละประเทศ  สำหรับค่าอื่น ๆ นักวิจัยก็ยังไม่ได้เห็นตรงกันนัก[1]

Korolev (2021) พบว่าข้อมูลจำนวนผู้ติดเชื้อและผู้เสียชีวิตรายวันในระยะสั้นนั้น  ไม่เพียงพอที่จะประมาณการพารามิเตอร์ทั้งหมดของแบบจำลอง SEIRD ได้  หรืออีกนัยหนึ่ง ค่าพารามิเตอร์สองชุดที่ทำนายการแพร่ระบาดและจำนวนผู้เสียชีวิตในระยะยาวที่ต่างกัน  สามารถอธิบายข้อมูลระยะสั้นได้ดีพอๆ กัน อย่างไรก็ดี หากมีข้อสมมติเกี่ยวกับค่าพารามิเตอร์อื่น ๆ  ค่า R0  นั้นพอจะประมาณการได้จากข้อมูลจำนวนผู้ติดเชื้อและผู้เสียชีวิตร่วมกัน โดยใช้ข้อมูลในช่วงที่ยังไม่มีมาตรการใด ๆ  Korolev (2021)  ประมาณค่า R0  ของสหรัฐอเมริกาให้อยู่ในช่วง 5–17 ซึ่งสูงกว่าของญี่ปุ่นถึง 3–4 เท่า และสูงกว่าค่าของประเทศในยุโรปและประเทศจีนซึ่ง Flaxman et al. (2020) และ Imai et al. (2020) ประมาณไว้ที่ 3.8 และ 1.5–3.5 ตามลำดับ

รูปที่ 1 ได้แสดงว่าการแพร่ระบาดนั้นอาจจะมาจากกลุ่มที่ไม่มีอาการ  ซึ่งกลุ่มนี้อาจจะไม่ได้ไปตรวจหาเชื้อ  ทำให้ตัวเลขจำนวนผู้ป่วยที่มีอยู่ในการรายงานนั้นต่ำกว่าความเป็นจริง หากแบบจำลองที่ใช้ ไม่ได้คำนึงถึงกรณีนี้  ค่าประมาณของ R0 จะต่ำเกินจริง (Hsiang et al., 2020; Korolev 2021)  อย่างไรก็ดี ข้อมูลของโอกาสที่ประชากรจะเป็นกลุ่มที่ไม่มีอาการนั้นยังมีไม่มากนัก  นักวิจัยมักจะต้องอาศัยข้อมูลของบางประเทศที่มีการสุ่มตรวจ เช่น ไอซ์แลนด์ หรือ เกาหลี (Sen-Crowe et al. 2020; Hortaçsu et al., 2021)  ดังนั้น ข้อจำกัดในการตรวจหาเชื้อและคุณภาพของข้อมูลของแต่ละประเทศ จึงมีผลต่อความน่าเชื่อถือของ ค่า R0  อีกด้วย   นอกจากนี้  ค่า R ที่วัดอัตราการแพร่ระบาด ณ เวลาต่าง ๆ ยังขึ้นกับพฤติกรรมของประชาชน ซึ่งแปลว่า หากค่า R ลดลงแต่คนการ์ดตก  ไม่รักษาระยะห่างเหมือนเดิม  ค่า R ที่ต่ำลงก็อาจจะกลับมาสูงขึ้นใหม่ได้ การตีความค่า R จึงต้องใช้ความระมัดระวัง

2. มาตรการหยุดโรคทำคนตกงาน แต่มาตรการเหล่านี้ก็รักษาชีวิตคนจำนวนมากไว้

ผลกระทบของมาตรการยับยั้งการแพร่ระบาดต่อระบบเศรษฐกิจนั้นค่อนข้างชัดเจน ไม่ว่าจะวัดด้วย GDP จำนวนคนว่างงาน หรือจำนวนธุรกิจที่ต้องปิดตัวลง  แต่จำนวนชีวิตคนที่มาตรการเหล่านี้ช่วยรักษาไว้  งานช่วงต้นยังไม่ได้พูดถึงมากนัก  ในปัจจุบันเริ่มมีข้อมูลจริงมากพอ งานวิจัยที่ตีพิมพ์ใน top journals  พบว่าหากไม่มีมาตรการเหล่านี้  จำนวนผู้ติดเชื้อและจำนวนผู้เสียชีวิตจะสูงกว่าที่เป็นอยู่มาก

งานเหล่านี้มักจะใช้การเก็บข้อมูลของมาตรการที่ต่างกันและเริ่มขึ้นไม่พร้อมกันในแต่ละเมือง หรือแต่ละประเทศ  มาประมาณการเปรียบเทียบอัตราการแพร่ระบาดก่อนและหลังมาตรการ และเทียบกับเมืองที่ยังไม่มีมาตรการใด ๆ  โดย Hsiang et al. (2020) ใช้ข้อมูลระดับเมืองของ จีน เกาหลีใต้ อิตาลี อิหร่าน ฝรั่งเศส และสหรัฐอเมริกา กว่า 1,700 มาตรการ  Chernozhukov et al. (2021) ใช้ข้อมูลระดับมลรัฐของสหรัฐอเมริกา ซึ่งมีการนำข้อมูลการรักษาระยะห่าง (วัดโดย Google mobility reports) มาใช้ร่วมด้วย  โดยมองว่าพฤติกรรมของประชาชนนั้น ขึ้นกับทั้งมาตรการของรัฐและการปรับเปลี่ยนโดยสมัครใจหลังจากได้รับข้อมูลเกี่ยวกับจำนวนผู้ติดเชื้อและผู้เสียชีวิต  Brauner et al. (2021) ใช้ข้อมูลระดับประเทศจาก 41 ประเทศ ซึ่งส่วนมากเป็นประเทศแถบยุโรป

ในภาพรวม Hsiang et al. (2020) ประมาณว่าจำนวนผู้ติดเชื้อรวมกันทั้งหมดจะเพิ่มขึ้นกว่า 60 ล้านรายในช่วงเวลาที่ทำการศึกษา  หากหกประเทศนี้ไม่ได้ดำเนินมาตรการใด ๆ เพื่อยับยั้งการแพร่ระบาด[2]  แต่ทั้งนี้ผลของมาตรการประเภทเดียวกัน ก็ไม่เท่ากันในแต่ละประเทศ  Chernozhukov et al. (2021)  พบว่าทั้งมาตรการของรัฐและข่าวสารข้อมูลมีผลต่อพฤติกรรมการรักษาระยะห่าง  และประเมินว่าหากสหรัฐอเมริกามีการบังคับสวมหน้ากากอนามัยตั้งแต่เดือนมีนาคมปีที่แล้ว  จะช่วยลดจำนวนผู้ติดเชื้อและผู้เสียชีวิตในช่วงปลายเดือนเมษายน 2020 ได้ถึงร้อยละ 10  ทั้งนี้ ยังมีงานวิจัยอื่น ๆ  เช่น Abaluck et al. (2020) และ IHME (2020) ที่ให้ข้อสรุปคล้ายกันเกี่ยวกับประโยชน์ของหน้ากากอนามัย  แต่ไม่ได้ใช้ข้อมูลละเอียดเท่างานศึกษาชิ้นนี้  Brauner et al. (2021) พบว่ามาตรการในการลดอัตราการแพร่ระบาด (Rt) ที่ได้ผลที่สุด คือ การไม่อนุญาตให้มีการรวมกลุ่มเกิน 10 คน และการปิดสถานศึกษา  แต่ Brauner et al. (2021) ไม่ได้พิจารณาถึงมาตรการบังคับสวมหน้ากากอนามัย ซึ่งมีต้นทุนทางเศรษฐกิจที่ต่ำกว่ามาตรการอื่น

ในปัจจุบัน นักวิจัยที่สนใจงานด้านนี้สามารถเข้าถึงฐานข้อมูลที่หลากหลายมากขึ้น อาทิ Oxford COVID-19 Government Response Tracker (OxCGRT)[3] ได้รวบรวมมาตรการ 20 ประเภท ของกว่า 180 ประเทศ  รวมถึงได้จัดทำดัชนีรวมซึ่งวัดความเข้มข้นของมาตรการในประเทศต่าง ๆ (Stringency Index)   Google และ Apple มีการเปิดเผยข้อมูลการเคลื่อนย้ายของประชากรที่เก็บจากข้อมูลจากอุปกรณ์เคลื่อนที่ของผู้ที่ใช้ application Google Map และ Apple Map  โดยข้อมูลนี้สามารถจับความเคลื่อนไหวของประชาชนที่ใช้ application ดังกล่าว ทั้งตามสถานีขนส่งสาธารณะ ร้านค้า หรือ สวนสาธารณะ ข้อมูลการการเดิน การขับรถ  ข้อมูลเหล่านี้สามารถเข้าถึงได้จาก Google Mobility Reports [4] และ Apple Map’s Mobility Trends Report[5] สามารถดูรายละเอียดเพิ่มเติมได้ในงานของ Deb et al. (2020) และ Hale et al. (2021)

3. ประสบการณ์โรคระบาด ผู้นำเด็ดขาด สื่อสารโปร่งใส คือ หัวใจให้ประชาชนร่วมมือ

ความสำเร็จในการยับยั้งการแพร่ระบาด อาจจะไม่ได้ขึ้นกับมาตรการเท่านั้น แต่ขึ้นกับผู้นำที่กล้าตัดสินใจเด็ดขาด การสื่อสารที่โปร่งใส ประสบการณ์ในการควบคุมการแพร่ระบาด และความร่วมมือของประชาชนอีกด้วย   Amul et al. (2021)  เปรียบเทียบสถานการณ์และปัจจัยต่าง ๆ ที่เกี่ยวข้องของประเทศในเอเชียตะวันออกเฉียงใต้ 4 ประเทศ ได้แก่  เวียดนาม มาเลเซีย ฟิลิปปินส์ และสิงคโปร์  เพื่อดูว่าปัจจัยใดสามารถอธิบายได้ว่าทำไมเวียดนามและสิงคโปร์ถึงประสบความสำเร็จในการควบคุมการแพร่ระบาด ขณะที่มาเลเซียและฟิลิปปินส์ยังควบคุมสถานการณ์ไม่ได้ดีนัก (ณ มีนาคม 2021)  เวียดนาม เป็นหนึ่งในประเทศที่ควบคุมการแพร่ระบาดได้ดี  แม้ว่าจะมีประชากรถึง 95 ล้านคน แต่มีจำนวนผู้ติดเชื้อ เพียง 3,137 คน และผู้เสียชีวิต 35 คน (ดูรูปที่ 2)

รูปที่ 2  จำนวนผู้ติดเชื้อใหม่รายวันจากประเทศเวียดนาม สิงคโปร์ ฟิลิปปินส์ มาเลเซีย ไทย พม่า

ที่มา: ข้อมูลจาก JHU CSSE ณ วันที่ 8 พฤษภาคม 2564

Amul et al. (2021)  เห็นว่า ทั้งเวียดนามและสิงคโปร์ มีระบบเฝ้าระวังที่พร้อมกว่า เพราะเคยมีประสบการณ์จากการแพร่ระบาดของ SARS ในปี 2002 และ H1N1 ในปี 2009–2010    นอกจากนี้  เวียดนามยังมีผู้นำที่เข้มแข็ง มีการสื่อสารที่ดี  ประชาชนเข้าใจความเสี่ยงและให้ความร่วมมือกับมาตรการต่าง ๆ   รัฐบาลเวียดนาม มีการส่งข้อความไปยังโทรศัพท์มือถือของประชาชนทุกคนว่าควรปฏิบัติตัวอย่างไร และมีการรณรงค์ผ่าน application ต่าง ๆ  ซึ่งแตกต่างจากมาเลเซียและฟิลิปปินส์ที่มีความไม่แน่นอนทางการเมืองสูง   สำหรับฟิลิปปินส์  นอกจากจะเริ่มดำเนินมาตรการที่เคร่งครัดช้ากว่าประเทศอื่น  ยังมีปัญหาเรื่องประชาชนขาดความเชื่อถือในรัฐบาล  ไม่เชื่อว่าการสื่อสารนั้นโปร่งใส  ทั้งนี้ เป็นที่น่าสนใจว่า แม้เวียดนามจะควบคุมการแพร่ระบาดได้ดี แต่ก็ยังดำเนินมาตรการต่าง ๆ อย่างเคร่งครัด  เช่น ตั้งแต่เดือนกุมภาพันธ์ 2021  เวียดนามได้ขยายเวลากักตัวของผู้ที่เดินทางเข้าประเทศจาก 14 วันเป็น 21 วัน

หากเราลองเอาปัจจัยต่าง ๆ มาใส่ในแบบจำลอง SEIRD ข้างต้น  ก็จะพอเห็นภาพของบทบาทและความเชื่อมโยงของปัจจัยต่าง ๆ ดังรูปที่ 3  การที่ประชาชนให้ความร่วมมือสวมหน้ากาก รักษาระยะห่างอย่างสม่ำเสมอ น่าจะมาจากทั้งมาตรการที่เข้มงวด และการปรับเปลี่ยนพฤติกรรมโดยสมัครใจ  ซึ่งการสื่อสารที่โปร่งใส ชัดเจนและทั่วถึงก็จะมีส่วนให้ประชาชนร่วมมือ  ประเทศที่เคยมีประสบการณ์จากโรคระบาดในอดีต  มีการเตรียมระบบเฝ้าระวังที่ดีกว่าทั้งในการสื่อสารกับประชาชนและเตรียมระบบสุขภาพเพื่อรองรับผู้ป่วย  และการมีระบบสุขภาพที่เตรียมพร้อมในหลาย ๆ ระดับก็ช่วยลดจำนวนผู้เสียชีวิตได้

รูปที่ 3  บทบาทของปัจจัยต่าง ๆ ในการควบคุมการแพร่ระบาด

ที่มา: คณะผู้วิจัย

จากรูปดังกล่าวจะพอเห็นได้ว่า  หากประชากรส่วนใหญ่ยังเป็นคนกลุ่ม S (กลุ่มที่ยังไม่มีภูมิคุ้มกัน) และยังมีโอกาสสัมผัสกับผู้ติดเชื้อ  มาตรการต่าง ๆ เหล่านี้ก็เป็นการยับยั้งการแพร่ระบาดเพียงชั่วคราว  เมื่อยกเลิกมาตรการ โรคก็อาจจะระบาดใหม่ได้  จำนวนคนกลุ่ม S หรือคนที่ไม่มีภูมิคุ้มกัน จะลดลงได้ก็ต่อเมื่อ คนส่วนมาก (1) ได้รับเชื้อไปหมดแล้ว และกลายเป็นคนกลุ่ม E หรือ I หรือ (2) ได้รับวัคซีน  ดังนั้น วัคซีนจึงเป็นคำตอบในระยะยาวในการที่จะให้ทุกคนกลับไปใช้ชีวิตอย่างปกติ

4. ระดับรายได้ของประเทศระงับการแพร่เชื้อไม่ได้ แต่เงินนั้นซื้อวัคซีนได้

ความสามารถในการควบคุมการแพร่ระบาดของ COVID-19 ดูจะไม่ได้ขึ้นกับระดับรายได้ของประเทศมากนัก  แต่หากมาดูที่สัดส่วนของประชากรที่ได้รับวัคซีน ณ ปัจจุบัน  ระดับรายได้ของประเทศมีความสัมพันธ์กับสัดส่วนผู้ได้รับวัคซีนค่อนข้างชัดเจน  ซึ่งหมายความว่า  ประเทศรายได้สูงน่าจะฟื้นกลับมาสู่ภาวะปกติได้เร็วกว่าประเทศรายได้ต่ำ

รูปที่ 4 แสดงจำนวนผู้ติดเชื้อ COVID-19 สะสม สัดส่วนประชากรที่ได้รับวัคซีน และรายได้ต่อหัวของประชากรในประเทศต่าง ๆ โดยเรียงประเทศตามระดับรายได้ต่อหัว  และแกนตั้งแบ่งประเทศตามระดับกลุ่มรายได้[6]  กลุ่มประเทศรายได้สูงโดยส่วนใหญ่มีสัดส่วนประชากรที่ได้รับวัคซีนอยู่ที่ประมาณร้อยละ 20  ประเทศที่มีอัตราผู้ที่ได้รับวัคซีนเกินร้อยละ 35 ของประชากรได้แก่   อิสราเอล (62%) สหรัฐอาหรับเอมิเรตส์  (50%)[7] อังกฤษ  (49%)  ชิลี  (40%) และสหรัฐอเมริกา  (39%)  ส่วนประเทศรายได้ปานกลางที่มีสัดส่วนประชากรได้รับวัคซีน สูงที่สุดได้แก่  เซอร์เบียร์ (24%)  ตุรกี (14%)  และ โมร็อกโก[8]

รูปที่ 4 จำนวนผู้ติดเชื้อ COVID-19 สะสม สัดส่วนประชากรที่ได้รับวัคซีน และรายได้ต่อหัวของประชากร

ที่มา: คณะผู้วิจัยคำนวณจากข้อมูล WHO และ World Bank โดยเลือกเฉพาะประเทศที่มีประชากรเกิน 2 ล้านคน

แม้ว่าระดับรายได้น่าจะเป็นส่วนสำคัญของคำอธิบายเรื่องอัตราการฉีดวัคซีนที่ต่างกัน  ประเทศรายได้สูงสามารถลงทุนพัฒนาวัคซีน และสามารถสั่งซื้อวัคซีนล่วงหน้าได้จำนวนมาก  แต่อีกมุมหนึ่ง อาจจะเป็นเพราะว่าประเทศรายได้สูงส่วนใหญ่ไม่สามารถควบคุมการแพร่ระบาดได้  จึงต้องรีบเร่งใช้วัคซีนมาเป็นทางออก  ประเทศกลุ่มรายได้สูงที่ควบคุมการแพร่ระบาดได้ค่อนข้างดี เช่น เกาหลี นิวซีแลนด์ และ ออสเตรเลีย  ยังมีอัตราการฉีดวัคซีนที่ต่ำกว่าประเทศอื่น ๆ[9]  สำหรับอิสราเอล นอกจากจะเสนอซื้อวัคซีนโดยการจ่ายเงินล่วงหน้าในราคาที่สูงกว่าประเทศอื่น  ยังมีการเสนอให้ความร่วมมือในการให้ข้อมูลทางการแพทย์เกี่ยวกับผลข้างเคียงและประสิทธิภาพของวัคซีน  เพื่อให้บริษัทยาได้ใช้ข้อมูลของทั้งประเทศไปเป็น clinical trial ได้ด้วย[10]

อย่างไรก็ดี ผลของวัคซีนในระยะยาวอาจจะขึ้นกับอัตราการกลายพันธุ์ของไวรัส และชนิดของวัคซีนที่ประเทศต่าง ๆ เลือกใช้อีกด้วย  เริ่มมีงานศึกษาพบว่าวัคซีนแต่ละชนิดมีประสิทธิภาพในการสร้างภูมิคุ้มกันต่อไวรัสหลากหลายสายพันธุ์ไม่เท่ากัน (Madhi et al., 2021; Callaway, 2021)

5. ไม่มีใครรู้ว่าบริษัทไหนจะผลิตวัคซีนได้สำเร็จก่อน แต่บางประเทศรู้ทันความเสี่ยง

แม้เราจะพอทราบกันว่าวัคซีนของสหรัฐอเมริกาที่สามารถผลิตออกมาใช้ได้ก่อนนั้นคือของ Pfizer-BioNTech และ Moderna  แต่หลาย ๆ คนอาจจะยังไม่ทราบว่า จริง ๆ แล้วนั้นรัฐบาลสหรัฐอเมริกาได้ลงทุนกับการพัฒนาวัคซีนในบริษัทอย่างน้อย 7 บริษัท  และบางบริษัทก็ไม่ประสบความสำเร็จ

ตารางที่ 1 แสดงรายชื่อบริษัทและเงินอุดหนุนที่รัฐบาลสหรัฐฯ ได้ให้เงินอุดหนุนในการพัฒนาวัคซีนในครั้งแรก  โดยในปัจจุบันวัคซีนที่ได้รับการอนุญาตให้นำมาใช้ได้ ได้แก่ Pfizer-BioNTech, Moderna  และ  Johnson & Johnson  บริษัทใหญ่ 3 บริษัทที่ได้รับเงินอุดหนุน แต่ยังไม่สามารถผลิตวัคซีนได้สำเร็จ ได้แก่ Merck, Sanofi และ GlaxoSmithKlein (GSK)[11]  ข้อเท็จจริงนี้ชี้ให้เห็นว่ารัฐบาลสหรัฐอเมริกาพอจะประเมินได้ว่าการลงทุนเรื่องวัคซีนไปแค่บริษัทเดียวนั้นมีความเสี่ยงสูง เพราะไม่แน่ใจได้ว่าบริษัทใดจะพัฒนาได้สำเร็จหรือสำเร็จก่อน  บางประเทศที่ไม่ได้คำนึงถึงความเสี่ยงตรงนี้  อาจจะมีการวางแผนกลยุทธ์เรื่องวัคซีนที่ผิดพลาด  บริษัทที่ประสบความสำเร็จใน phase แรก ก็มักจะได้เงินอุดหนุนเพิ่มขึ้นใน phase ต่อ ๆ มา  สำหรับ Pfizer-BioNTech นั้นได้เริ่มมีการพัฒนา phase ต้น ๆ ก่อนจะได้รับเงินสนับสนุนจากรัฐบาล  แต่การที่ได้รับเงินเพื่อซื้อวัคซีนล่วงหน้า 100 ล้านโดส  ก็ช่วยให้บริษัทดำเนินการ Phase III trial ได้รวดเร็วขึ้น[12]

อย่างไรก็ดี สหรัฐอเมริกา ยังมีปัจจัยอื่น ๆ ที่สนับสนุนความสำเร็จในการพัฒนาวัคซีนอย่างรวดเร็วอีกด้วย  อาทิ การมี supply chain ต่าง ๆ ที่ครบถ้วน  ตั้งแต่ cellular material ไปจนถึงหลอดฉีดยา  รัฐบาลมีส่วนเข้ามาจัดตั้งองค์กร Operation Warp Speed (OWS) เพื่อให้มีการประสานงานของกระบวนการผลิตตลอดทั้ง supply chain  และช่วยบริษัทขนาดเล็กในการร่วมมือกันด้านการผลิตเพื่อที่จะขยายการผลิต รวมถึงดูแลการแจกจ่ายวัคซีน ในปัจจุบัน บริษัทที่ผลิตวัคซีนไม่สำเร็จ เช่น Merck ก็ได้รับเงินอุดหนุน ให้มาร่วมเป็นฐานการผลิตวัคซีนของ Johnson & Johnson[13]

ตารางที่ 1  รายชื่อบริษัทที่รัฐบาลสหรัฐอเมริกาให้เงินอุดหนุนในการพัฒนาวัคซีน

ที่มา ปรับมาจาก Bown and Bollyky (2021) โดยแสดงเฉพาะเงินอุดหนุนครั้งแรก

6. COVID-19 กระทบระบบสุขภาพในหลากหลายมิติ

วิกฤตครั้งนี้ส่งผลต่อมิติอื่น ๆ ของระบบสุขภาพ ทั้งฝั่งผู้รับบริการ ผู้ให้บริการ และเทคโนโลยีในการบริการทางการแพทย์  มีการรายงานว่าจำนวนผู้ป่วยด้วยโรคอื่น ๆ ที่เข้ารับการรักษาในโรงพยาบาลนั้นลดลงตั้งแต่เกิดวิกฤต COVID-19  แต่ทั้งนี้ไม่ได้แปลว่าจำนวนผู้ป่วยลดลงสำหรับโรคทุกโรค บางโรคจำนวนผู้ป่วยอาจจะน้อยลงจริง แต่บางโรคผู้ป่วยอาจจะหลีกเลี่ยงไม่ไปโรงพยาบาล หรือหันไปใช้ระบบ telemedicine แทน  รวมทั้งผู้ป่วยบางกลุ่มอาจจะโดนเลื่อนนัดเนื่องจากทรัพยากรทางการแพทย์ถูกจัดสรรไปรองรับผู้ป่วย COVID-19

โรคที่น่าจะมีจำนวนผู้ป่วยลดลงจริง น่าจะเป็นโรคระบบทางเดินหายใจ เช่น หวัด ปอดบวม  เพราะมาตรการต่าง ๆ อาทิ การรณรงค์ให้ใส่หน้ากากอนามัย การล้างมือ และรักษาระยะห่าง ช่วยลดการแพร่ระบาด (WHO, 2020)   จำนวนผู้ป่วยโรคหอบหืดก็ลดลงเช่นกัน ส่วนหนึ่งน่าจะมาจากมลพิษที่ลดลงในช่วงปิดเมือง (Abe et al. 2021)   นอกจากนี้ จำนวนผู้บาดเจ็บและเสียชีวิตจากอุบัติเหตุทางถนนก็ลดลง ในตุรกี Oguzoglu (2020) ประมาณการว่า มาตรการที่จำกัดให้ประชาชนอยู่ที่บ้านช่วงสองเดือน ได้ลดจำนวนผู้บาดเจ็บจากอุบัติเหตุทางถนนได้ 17,600 คน  และและลดจำนวนผู้เสียชีวิต 200 คน  ในญี่ปุ่น จำนวนผู้เสียชีวิตจากอุบัติเหตุทางถนนในช่วงเก้าเดือนแรกของปี 2020  ไม่ได้ลดลงอย่างมีนัยสำคัญนัก (Nomura et al., 2020)   สำหรับประเทศไทย จำนวนผู้เสียชีวิตจากอุบัติเหตุทางถนนในปี 2020 ลดลงกว่าสองพันราย จากปี 2019[14]

สำหรับจำนวนผู้ป่วยที่มารับบริการด้วยโรคอื่น ๆ ที่ลดลง อาจจะมาจากทั้งฝั่ง demand และ supply  ทางฝั่ง demand ผู้ป่วยเองอาจจะหลีกเลี่ยงการมาโรงพยาบาล เพราะกลัวความเสี่ยงที่จะติด COVID-19  หรือหันไปใช้ระบบ telemedicine มากขึ้นสำหรับบริการผู้ป่วยนอก  ทางฝั่ง supply  ทรัพยากรทางการแพทย์ก็ต้องถูกจัดสรรมารับมือกับผู้ป่วย COVID-19  จึงอาจจะทำให้กระทบกับการบริการผู้ป่วยอื่น ๆ  ตัวอย่างเช่น ประสิทธิภาพของการรักษาผู้ป่วยหัวใจวายในฮ่องกงและอินเดียนั้นด้อยลง (Tsugawa & Miyawaki, 2020)  ประเทศกลุ่มรายได้ต่ำลดการบริการทางการแพทย์สำหรับโรคมะเร็ง โรคหัวใจและหลอดเลือด ความดันโลหิตสูง  รวมถึงเลื่อนนัดการตรวจเพื่อป้องกัน เช่น การตรวจมะเร็งเต้านม ออกไป (WHO, 2020)  หลาย ๆ ประเทศลดบริการทางการแพทย์แก่ผู้ป่วยโรคเอดส์ วัณโรค และมาลาเรีย (The Global Fund, 2020)  ดังนั้น การลดลงของจำนวนการรับบริการรักษาหรือป้องกันโรคต่าง ๆ ในช่วงปีที่ผ่านมา  อาจจะส่งผลให้จำนวนผู้ป่วยหรือผู้เสียชีวิตด้วยโรคเหล่านี้เพิ่มขึ้นในระยะยาว  เพราะผู้ป่วยไม่ได้รับการรักษาที่ทันท่วงที  เช่น โรคมะเร็งบางชนิดที่อาจจะรักษาได้หากตรวจพบในระยะต้น  นอกจากนี้ วิถีชีวิตที่เปลี่ยนไปในช่วงปิดเมือง เช่น ออกกำลังกายน้อยลง หรือบริโภคเครื่องดื่มแอลกอฮอล์มากขึ้น อาจจะส่งผลเสียต่อสุขภาพในระยะยาว

ทั้งนี้ นอกจากผู้รับบริการ ผู้ให้บริการทางการแพทย์ซึ่งเป็นนักรบแถวหน้าก็ได้รับผลกระทบจากวิกฤตครั้งนี้เช่นกัน  งานวิจัยในญี่ปุ่น จีน อังกฤษ และสหรัฐอเมริกา พบปัญหาสุขภาพจิตมากขึ้นในกลุ่มบุคลากรทางการแพทย์ ทั้งจากงานที่หนักขึ้น การพักผ่อนที่ไม่เพียงพอ การที่ต้องดูแลผู้ป่วยหนักใกล้ตายและเห็นเพื่อนร่วมงานติดโรคระบาด  ความกลัวว่าจะติดโรคระบาดและแพร่เชื้อสู่คนรอบข้างและครอบครัว  รวมถึงความกังวลในการจัดการกับคนไข้ที่ไม่ให้ความร่วมมือในการกักตัว และอุปกรณ์ป้องกันทางการแพทย์ที่ไม่เพียงพอ  (Lancet, 2020; Walton et al., 2020; Chen et al.,2020; Matsuo et al., 2020; Pappa et al., 2020)  ดังนั้น ความเสี่ยงและสุขภาวะของบุคลากรทางการแพทย์จึงเป็นอีกหนึ่งต้นทุนของการปล่อยให้จำนวนผู้ติดเชื้อเพิ่มขึ้น  ซึ่งต้นทุนนี้ก็ควรจะถูกนำมาประกอบการตัดสินใจในการเลือกความเข้มข้นของมาตรการการยับยั้งการแพร่ระบาดด้วย

ส่งท้าย

วิกฤต COVID-19 ได้ก่อให้เกิดความสูญเสียต่อชีวิตผู้คนจำนวนมากและส่งผลเสียหายต่อระบบเศรษฐกิจในวงกว้าง  วิกฤตครั้งนี้ยังไม่จบและในการดำเนินมาตรการยับยั้งการแพร่ระบาด หลาย ๆ ประเทศยังต้องชั่งน้ำหนักระหว่างจะชะลอการแพร่ระบาดหรือชะลอระบบเศรษฐกิจ  อย่างไรก็ดี ข้อมูลที่เพิ่มขึ้นในช่วงปีที่ผ่านมาช่วยให้งานวิจัยในช่วงหลัง สามารถคำนวณประโยชน์และต้นทุนของทางเลือกต่าง ๆ ได้ชัดเจนขึ้น  มาตรการใส่หน้ากากอนามัย หากบังคับใช้ได้จริง  มีการศึกษาว่าได้ผลและดูจะมีต้นทุนต่อระบบเศรษฐกิจต่ำกว่ามาตรการอื่น ๆ

ทั้งนี้ วิกฤตครั้งนี้ยังน่าจะส่งผลต่อเนื่องในระยะยาวในอีกหลากหลายมิติ  ในทางบวก วิกฤตครั้งนี้ทำให้นวัตกรรมบางอย่างเกิดขึ้นได้อย่างรวดเร็ว และประชาชนยอมปรับเปลี่ยนไปใช้ digital technology มากขึ้น ตัวอย่างเช่น นวัตกรรมเกี่ยวกับ telemedicine และ telework  และการทำธุรกรรมโดยไม่ใช้เงินสด  ในทางลบ นอกจากผลกระทบทางเศรษฐกิจต่อกลุ่มเปราะบาง  จำนวนผู้ป่วยด้วยโรคอื่น ๆ ที่ไม่ได้รับการรักษาในช่วง COVID อาจจะเพิ่มขึ้นในระยะยาว  ความเสี่ยงและภาระงานที่เพิ่มขึ้นอาจจะทำให้คนรุ่นหลังเลือกเรียนแพทย์และพยาบาลน้อยลง  การเรียนการสอนทุกระดับซึ่งถูกปรับเปลี่ยนมาเป็นระบบ online อาจจะส่งผลเสียต่อทุนมนุษย์  ยิ่งไปกว่านั้น การที่ประเทศต่าง ๆ ต้องนำเงินมาเยียวยาและช่วยเหลือผู้ได้รับผลกระทบจากวิกฤตครั้งนี้  อาจจะทำให้ต้องตัดเงินสนับสนุนในด้านอื่น ๆ  อาทิ ด้านการศึกษา ด้านวิจัยและนวัตกรรมที่ไม่เกี่ยวข้องกับ COVID-19  ผลทั้งหมดนั้นยังไม่สามารถประเมินได้

เอกสารอ้างอิง

Abaluck, J., Chevalier, J. A., Christakis, N. A., Forman, H. P., Kaplan, E. H., Ko, A., & Vermund, S. H. (2020). The case for universal cloth mask adoption and policies to increase supply of medical masks for health workers. Available at SSRN 3567438.

Amul, Gayle S., Suan Ee Ong, and Joanne Yoong (2021). Responses to COVID-19 in Southeast Asia: Diverse Paths and Ongoing Challenges. JCER Working Paper, AEPR Series No. 2021-1-4

Avery, C., Bossert, W., Clark, A., Ellison, G., & Ellison, S. F. (2020). An Economist’s Guide to Epidemiology Models of Infectious Disease. Journal of Economic Perspectives34(4), 79-104.

Bown, Chad, Thomas Bollyky (2021). Here’s how to get billions of COVID-19 vaccine doses to the world.  Peterson Institute for International Economics, available at https://www.piie.com/blogs/trade-and-investment-policy-watch/heres-how-get-billions-COVID-19-vaccine-doses-world

Brauner, J. M., Mindermann, S., Sharma, M., Johnston, D., Salvatier, J., Gavenčiak, T., … & Kulveit, J. (2021). Inferring the effectiveness of government interventions against COVID-19. Science371(6531).

Callaway, Ewen. (2021, May 6) Pfizer COVID vaccine protects against worrying coronavirus variants. Nature. https://www.nature.com/articles/d41586-021-01222-5

Chatterjee, P., Nagi, N., Agarwal, A., Das, B., Banerjee, S., Sarkar, S., … & Gangakhedkar, R. R. (2020). The 2019 novel coronavirus disease (COVID-19) pandemic: A review of the current evidence. The Indian journal of medical research151(2-3), 147.

Chernozhukov, V., Kasahara, H., & Schrimpf, P. (2021). Causal impact of masks, policies, behavior on early COVID-19 pandemic in the US. Journal of Econometrics220(1), 23-62.

Chen, Q., Liang, M., Li, Y., Guo, J., Fei, D., Wang, L., … & Zhang, Z. (2020). Mental health care for medical staff in China during the COVID-19 outbreak. The Lancet Psychiatry7(4), e15-e16.

Deb, P., Furceri, D., Ostry, J. D., & Tawk, N. (2020). The effect of containment measures on the COVID-19 pandemic. IMF Working Papers. WP/20/159

Flaxman, S., Mishra, S., Gandy, A., Unwin, H. J. T., Mellan, T. A., Coupland, H., … & Bhatt, S. (2020). Estimating the effects of non-pharmaceutical interventions on COVID-19 in Europe. Nature584(7820), 257-261.

Hale, T., Angrist, N., Goldszmidt, R., Kira, B., Petherick, A., Phillips, T., … & Tatlow, H. (2021). A global panel database of pandemic policies (Oxford COVID-19 Government Response Tracker). Nature Human Behaviour5(4), 529-538.

Hortaçsu, A., Liu, J., & Schwieg, T. (2021). Estimating the fraction of unreported infections in epidemics with a known epicenter: an application to COVID-19. Journal of econometrics220(1), 106-129.

Hsiang, S., Allen, D., Annan-Phan, S., Bell, K., Bolliger, I., Chong, T., … & Wu, T. (2020). The effect of large-scale anti-contagion policies on the COVID-19 pandemic. Nature584(7820), 262-267.

IHME (2020). New IHME COVID-19 Forecasts See Nearly 300,000 Deaths by December 1. Institute for Health Metrics and Evaluation, URL http://www.healthdata.org/news-release/new-ihme-COVID-19-forecasts-see-nearly-300000-deaths-december-1.

Imai, N., Cori, A., Dorigatti, I., Baguelin, M., Donnelly, C. A., Riley, S., & Ferguson, N. M. (2020). Report 3: transmissibility of 2019-nCoV. Imperial College London, 1-6.

Korolev, I. (2021). Identification and Estimation of the SEIRD Epidemic Model for COVID-19. Journal of econometrics220(1), 63-85.

Madhi, S. A., Baillie, V., Cutland, C. L., Voysey, M., Koen, A. L., Fairlie, L., … & Izu, A. (2021). Efficacy of the ChAdOx1 nCoV-19 COVID-19 vaccine against the B. 1.351 variant. New England Journal of Medicine.

Matsuo, T., Kobayashi, D., Taki, F., Sakamoto, F., Uehara, Y., Mori, N., and Fukui, T. (2020). Prevalence of Health Care Worker Burnout During the Coronavirus Disease 2019 (COVID-19) Pandemic in Japan. JAMA Network Open 3

Nomura, S., Kawashima, T., Yoneoka, D., Tanoue, Y., Eguchi, A., Gilmour, S., & Hashizume, M. (2020). Trends in deaths from road injuries during the COVID-19 pandemic in Japan, January to September 2020. Injury epidemiology, 7(1), 1-7.

Oguzoglu, U. (2020). COVID-19 lockdowns and decline in traffic related deaths and injuries. IZA Discussion Paper No. 13278

Pappa S, Ntella V, Giannakas T, Giannakoulis VG, Papoutsi E, Katsaounou P. (2020) Prevalence of depression, anxiety, and insomnia among healthcare workers during the COVID-19 pandemic: A systematic review and meta-analysis. Brain Behav Immun.

Sen-Crowe, B., McKenney, M., & Elkbuli, A. (2020). COVID-19 response and containment strategies in the US, South Korea, and Iceland: lessons learned and future directions. The American journal of emergency medicine38(7), 1537-1539.

The Lancet (2020). COVID-19: protecting health-care workers. Lancet (London, England)395(10228), 922.

Tsugawa, Yusuke, Atsushi Miyawaki, (2020). Health and Public Health Implications of SARS/MERS/COVID-19 in Asian Countries. JCER Working Paper, AEPR series, No. 2021-1-1

Walton, M., Murray, E., & Christian, M. D. (2020). Mental health care for medical staff and affiliated healthcare workers during the COVID-19 pandemic. European Heart Journal: Acute Cardiovascular Care, 9(3), 241-247.

World Health Organization (2020) The impact of the COVID-19 pandemic on non-communicable disease resources and services: results of a rapid assessment. World Health Organization.

วิศรุต สุวรรณประเสริฐ (2020a). COVID-19 จากมุมมองของนักเศรษฐศาสตร์ ตอนที่ 1 aBRIDGEd article https://www.pier.or.th/?post_type=abridged&p=7496

วิศรุต สุวรรณประเสริฐ (2020b). COVID-19 จากมุมมองของนักเศรษฐศาสตร์ ตอนที่ 2 aBRIDGEd article https://www.pier.or.th/?post_type=abridged&p=7569

[1] แบบจำลองในช่วงหลังยังมีการคำนึงถึงความหลากหลายของประชากร  โดยให้ประชากรแต่ละกลุ่มมีค่าพารามิเตอร์ที่ต่างกันไป เช่น กลุ่มวัยรุ่นอาจจะมีการสังคมกับเพื่อนฝูงมากกว่า หรือเมืองที่คนอาศัยอยู่หนาแน่น  ก็อาจจะมีอัตราสัมผัสใกล้ชิดสูงกว่า  และแบบจำลองบางกลุ่มที่พัฒนาโดยนักเศรษฐศาสตร์ก็มีการเขียนเรื่องพฤติกรรมให้ชัดเจนขึ้น  หรือมีการพัฒนาให้เชื่อมโยงกับแบบจำลองเศรษฐกิจมหภาคเพื่อเข้าใจเรื่องความสูญเสียทางเศรษฐกิจและโอกาสสูญเสียจากชีวิตประชาชนที่ต้องแลกเปลี่ยนกัน
[2] จำนวนผู้ป่วยสะสมในช่วงมีนาคม – เมษายน 2020 ของหกประเทศนี้คิดเป็น 634,210 ราย โดยจำนวนผู้ติดเชื้อที่ประมาณการว่าลดลงมาจากการลดลงในจีน (37 ล้าน) เกาหลีใต้ (12 ล้าน) อิตาลี (2.1 ล้าน) อิหร่าน (4.9 ล้าน) ฝรั่งเศส (.28 ล้าน) และสหรัฐอเมริกา (4.8 ล้าน)
[3] https://www.bsg.ox.ac.uk/research/research-projects/covid-19-government-response-tracker
[4] COVID-19 Community Mobility Report: https://www.google.com/covid19/mobility
[5] Apple Maps Mobility Trends Report: https://www.apple.com/covid19/mobility
[ุ6] ธนาคารโลกได้นิยามเส้นแบ่งประเทศกลุ่มระดับรายได้ต่ำ รายได้ปานลาง และรายได้สูง ตาม GDP per capita ที่  USD 1035, USD 4045 และ USD 12,536 ตามลำดับ
[7] ค่าประมาณ โดยข้อมูลมีเพียงจำนวนวัคซีนที่ได้ฉีดไปแล้ว 100.1 โดสต่อประชากร 100 คน
[8] ไม่มีรายงานจำนวนคนที่ฉีดไปแล้วต่อประชากร แต่มีจำนวนวัคซีนที่ได้ฉีดไปแล้ว 24 โดส ต่อประชากร 100 คน และ ร้อยละ 12 ของประชากรได้รับวัคซีน 2 โดสแล้ว ซึ่งเป็นอันดับที่สองของประเทศรายได้ปานกลางที่มีประชากรมากกว่า 2 ล้านคน
[9] ทั้งนี้ อาจจะมีเหตุผลอื่นที่เกี่ยวข้องอื่น ๆ  เช่น การขนส่งวัคซีนเป็นไปได้ยากลำบากกว่า หรือมีขั้นตอนในการศึกษาผลข้างเคียงมากกว่า
[10] https://www.theatlantic.com/ideas/archive/2021/01/why-israels-vaccine-success-might-be-hard-replicate/617780/
[11] https://www.irishtimes.com/business/health-pharma/why-the-world-s-three-biggest-vaccine-makers-failed-on-covid-19-1.4486362
[12] ในการพัฒนาวัคซีน หลังจากทดลองกับสัตว์ (preclinical trials) จะแบ่งการทดลองกับคนเป็น 3 phases  โดย Phase I Safety Trials ให้วัคซีนกับคนจำนวนไม่มากนักเพื่อประเมินความปลอดภัย ปริมาณ และดูว่าวัคซีนกระตุ้นระบบภูมิคุ้มกันได้จริงหรือไม่ Phase II Expanded Trials  ให้วัคซีนกับคนหลักร้อยและให้กับประชากรหลายกลุ่ม รวมทั้งเด็กและผู้สูงอายุ เพื่อประเมินว่าผลต่างกันอย่างไร  และ Phase III Efficacy Trails ให้วัคซีนกับคนหลักพัน เพื่อประเมินว่ากลุ่มที่ได้รับวัคซีนติดเชื้อน้อยกว่ากลุ่มที่ไม่ได้รับวัคซีนมากน้อยเพียงใด  รวมถึงศึกษาถึงผลข้างเคียงของวัคซีน
[13] https://www.businessinsider.com/merck-will-help-make-johnson-and-johnson-covid-19-vaccines-2021-3
[14] ข้อมูลผู้เสียชีวิตจากอุบัติเหตุทางถนนในปี 2019 และ 2020 เป็น 19,904 และ 17,831 ตามลำดับ คณะผู้วิจัยคำนวณจากระบบบูรณาการข้อมูลการตายจากอุบัติเหตุทางถนน 3 ฐาน กรมควบคุมโรค  (https://data.go.th/dataset/rtddi)

ข้อคิดเห็นที่ปรากฏในบทความนี้เป็นความเห็นของผู้เขียน ซึ่งไม่จำเป็นต้องสอดคล้องกับความเห็นของสถาบันวิจัยเศรษฐกิจป๋วย อึ๊งภากรณ์

READS: 1222