พลวัตและความท้าทายของตลาดแรงงานไทย

ในส่วนแรก บทความนี้จะนำเสนอภาพพลวัตของตลาดแรงงานไทยช่วง 30 ปีที่ผ่านมาทั้งในมิติระดับการศึกษาของแรงงานไทย ค่าจ้าง ตลอดจนทักษะของแรงงาน

แรงงานไทยมีระดับการศึกษาสูงขึ้นอย่างต่อเนื่องตั้งแต่ปี 1985 ถึงปี 2022 (รูปที่ 1) โดยสัดส่วนผู้ที่จบมัธยมศึกษาตอนปลายเพิ่มขึ้นจากร้อยละ 4.3 เป็นร้อยละ 21 และสัดส่วนผู้ที่จบปริญญาตรีเพิ่มขึ้นจากร้อยละ 2.7 เป็นร้อยละ 20 ซึ่งส่วนหนึ่งมาจากนโยบายการปฏิรูปการศึกษาที่มีมาอย่างต่อเนื่อง อาทิ การขยายการศึกษาภาคบังคับจาก 6 เป็น 9 ปี นโยบายเรียนฟรีสำหรับการศึกษาขั้นพื้นฐาน 15 ปี

อย่างไรก็ตาม เมื่อพิจารณาสาขาวิชาของกลุ่มที่จบการศึกษาระดับปริญญาตรี ผู้ที่สำเร็จการศึกษาด้านวิทยาศาสตร์ เทคโนโลยี วิศวกรรมศาสตร์ และคณิตศาสตร์ หรือ STEM คิดเป็นร้อยละ 20 ของผู้ที่จบระดับปริญญาตรีทั้งหมดในปี 2022 (หรือเพียงร้อยละ 3.7 ของกำลังแรงงาน) ขณะที่ผู้จบปริญญาตรีอีกร้อยละ 80 เรียนจบด้านอื่น ๆ เช่น บริหารธุรกิจ (ร้อยละ 36) การศึกษา (ร้อยละ 14) สังคมศาสตร์และพฤติกรรมศาสตร์ (ร้อยละ 7) ซึ่งหากเทียบกับประเทศพัฒนาแล้ว แรงงานที่จบปริญญาตรีทางด้าน STEM ก็ยังเป็นสัดส่วนที่น้อย

ค่าจ้างที่แท้จริงเฉลี่ยของไทยเติบโตมากในช่วงกลางทศวรรษ 1990s โดยเฉพาะค่าจ้างของแรงงานที่จบปริญญาตรีและอนุปริญญาที่เร่งขึ้นกว่ากลุ่มที่จบมัธยมศึกษาอย่างชัดเจน (รูปที่ 2) ในช่วงนั้นเป็นช่วงที่ภาคอุตสาหกรรมเติบโต แรงงานจากภาคเกษตรจำนวนมากจึงย้ายเข้ามาสู่ภาคอุตสาหกรรม อย่างไรก็ตาม ในช่วงสิบปีที่ผ่านมา ค่าจ้างที่แท้จริงเฉลี่ยของแรงงานทุกกลุ่ม รวมทั้งกลุ่มที่จบปริญญาตรีได้ชะลอตัวลง ค่าจ้างของกลุ่มที่จบ STEM เองก็ไม่ได้เพิ่มสูงนัก ซึ่งต่างจากปรากฏการณ์ในหลาย ๆ ประเทศที่ความก้าวหน้าของเทคโนโลยีส่งผลให้มีความต้องการแรงงานทักษะสูงมากขึ้น และทำให้ค่าจ้างของแรงงานกลุ่มที่จบปริญญาตรีเพิ่มขึ้นอย่างต่อเนื่อง นั่นแปลว่า แม้อุปทานของแรงงานไทยที่จบปริญญาตรีจะเพิ่มจากร้อยละ 5.4 ในปี 1994 เป็นเพียงร้อยละ 20 ในปี 2022 แต่อุปสงค์ของแรงงานกลุ่มนี้กลับเพิ่มขึ้นน้อยกว่านั้น

เมื่อแบ่งอาชีพตามทักษะเป็น 3 กลุ่ม ได้แก่

1. กลุ่มอาชีพทักษะสูง (high-skill) เช่น ผู้บริหาร วิศวกร แพทย์ อาจารย์ วิชาชีพต่าง ๆ
2. กลุ่มอาชีพทักษะปานกลาง (middle-skill) เช่น พนักงานขายสินค้า เลขานุการ พนักงานบริการ
3. กลุ่มอาชีพทักษะต่ำ (low-skill) เช่น งานช่าง แรงงานในโรงงาน คนขับรถ แรงงานภาคเกษตร

ผู้ที่จบปริญญาตรีและประกอบอาชีพที่ใช้ทักษะสูง โดยเฉลี่ยจะได้ค่าจ้างสูงกว่าผู้ที่จบปริญญาตรีและประกอบอาชีพที่ใช้ทักษะปานกลาง (รูปที่ 3 ซ้าย) และหากเทียบกับในอดีต ค่าจ้างของแรงงานสองกลุ่มนี้มีความแตกต่างกันมากขึ้น สะท้อนว่าอุปสงค์ของแรงงานที่จบปริญญาตรีเพื่อประกอบอาชีพทักษะสูงนั้นยังเพิ่มขึ้นอยู่บ้าง เพียงแต่คนจบปริญญาตรีส่วนหนึ่งไม่สามารถเข้าไปทำงานเหล่านี้ได้ จึงส่งผลให้ค่าจ้างเฉลี่ยของผู้จบปริญญาตรีทั้งกลุ่มนั้นชะลอตัวลง

หากดูสัดส่วนของอาชีพในตลาดแรงงานทั้งหมด การจ้างงานของอาชีพทักษะสูงมีสัดส่วนเพิ่มขึ้นจากร้อยละ 6.3 ในปี 1985–1994 เป็นเพียงร้อยละ 13.1 ในปี 2015–2022 (รูปที่ 4) และเมื่อแบ่งตามระดับการศึกษา กลุ่มที่จบการศึกษาระดับปริญญาตรีมีแนวโน้มที่จะย้ายจากการประกอบอาชีพที่ใช้ทักษะสูงไปยังอาชีพที่ใช้ทักษะปานกลางมากขึ้น แม้แต่กลุ่มที่จบด้าน STEM ก็มีแนวโน้มไปในทิศทางเดียวกัน โดยผู้ที่จบสาขาวิชา STEM น้อยกว่าครึ่งหนึ่งได้ทำงานในอาชีพที่ใช้ทักษะของ STEM จริง ๆ ทั้งนี้ หากพิจารณาปริมาณการจ้างงาน เราจะพบว่าแม้จำนวนงานที่ใช้ทักษะสูงจะเพิ่มขึ้นจากในอดีต แต่จำนวนงานที่ใช้ทักษะปานกลางนั้นเพิ่มในอัตราที่สูงกว่ามาก

ยิ่งไปกว่านั้น เมื่อคนจบปริญญาตรีส่วนหนึ่งไปเพิ่มอุปทานของแรงงานทักษะกลาง ๆ จึงส่งผลให้แรงงานทักษะกลาง ๆ ล้นตลาด ส่วนกลุ่มที่จบอนุปริญญาหรือมัธยมศึกษา จากเดิมที่เคยได้ประกอบอาชีพทักษะกลาง ๆ หรือทักษะสูงอยู่บ้าง เช่น เป็นผู้จัดการ ก็ถูกผลักให้ไปทำงานที่ใช้ทักษะต่ำเพิ่มขึ้น ทำให้ค่าจ้างของกลุ่มที่จบการศึกษาระดับต่ำกว่าปริญญาตรีกลับมีแนวโน้มลดลง สำหรับกลุ่มอนุปริญญา เราจะเห็นว่าค่าจ้างเฉลี่ยของงานทักษะกลาง ๆ มีแนวโน้มลดลงและใกล้เคียงกับค่าจ้างของงานทักษะต่ำมากขึ้นเรื่อย ๆ (รูปที่ 3 ขวา)

เนื่องจากเรามีข้อมูลตลาดแรงงานตั้งแต่ปี 1985–2022 จึงมีเพียงแรงงานที่เกิดในช่วงทศวรรษ 1960s ที่เราสามารถติดตามอาชีพและค่าจ้างตั้งแต่เริ่มเข้าตลาดแรงงานจนมีประสบการณ์การทำงานประมาณ 30 ปี โดยรูปที่ 5 แสดงค่าจ้างเฉลี่ยของอาชีพทักษะสูง กลาง และต่ำ ตามจำนวนปีประสบการณ์ในการทำงาน (potential experience)¹ ของแรงงานกลุ่มนี้ สำหรับงานทักษะสูงนั้น ค่าจ้างมีการเติบโตขึ้นเรื่อย ๆ เมื่อประสบการณ์การทำงานเพิ่มขึ้น แต่ในงานทักษะปานกลางและต่ำนั้น ค่าจ้างเติบโตเพียงช่วง 10 ปีแรก และค่อนข้างคงที่หลังจากนั้น

ในมุมมองทางเศรษฐศาสตร์ ข้อค้นพบนี้ไม่น่าแปลกใจนัก และเห็นคล้ายกันในหลายประเทศ (Lagakos & Schoellman, 2018) โดยหากเรามองว่าค่าจ้างสะท้อนผลิตภาพของแรงงาน ผู้ที่ประกอบอาชีพทักษะสูง เช่น ผู้บริหาร แพทย์ ย่อมสามารถทำงานได้ดีขึ้น ตัดสินใจได้ดีขึ้น เมื่อประสบการณ์เพิ่มขึ้น ในทางกลับกัน ผู้ที่ทำงานลักษณะซ้ำ ๆ หรืองานใช้แรงงาน จะมีเพียงช่วงปีแรก ๆ ที่การเรียนรู้งานช่วยให้ทำงานได้ดีขึ้น แต่จำนวนปีประสบการณ์ที่เพิ่มขึ้นหลังจากนั้น อาจจะไม่ได้ส่งผลต่อประสิทธิภาพในการทำงานมากนัก และหากเป็นงานที่ต้องใช้กำลังกาย ผลิตภาพน่าจะยิ่งลดลงเมื่อแรงงานอายุมากขึ้น²

ความท้าทายสำคัญของตลาดแรงงานไทย คือ ผู้ที่ทำงานที่ใช้ทักษะสูงยังมีค่อนข้างน้อย คิดเป็นเพียงร้อยละ 13 ของแรงงานทั้งหมด โดยผู้ที่ทำงานที่ใช้ทักษะสูงและมีประสบการณ์เกิน 25 ปี มีเพียงร้อยละ 2.4 ของแรงงานทั้งหมด ขณะที่แรงงานส่วนใหญ่ของไทยเป็นแรงงานทักษะปานกลางและต่ำ ค่าจ้างจึงไม่ได้เติบโตมากนักในช่วงชีวิตการทำงาน ในประเทศพัฒนาแล้ว เช่น สหรัฐอเมริกา มีสัดส่วนอาชีพที่ใช้ทักษะสูงถึงร้อยละ 54 นอกจากนี้ แรงงานในระบบของไทยส่วนหนึ่งยังทยอยออกไปเป็นแรงงานนอกระบบหลังอายุ 30 ปี (Poonpolkul & Wasi, 2023) ซึ่งอาจจะสะท้อนถึงโอกาสทางเศรษฐกิจในระบบที่ลดลงเมื่ออายุมากขึ้น เช่น งานบางแห่งมีการกำหนดอายุของผู้สมัครงานว่าต้องไม่เกิน 35 ปี ภาพนี้ต่างจากในประเทศพัฒนาแล้ว ซึ่งแรงงานในระบบส่วนใหญ่จะออกจากระบบเมื่ออายุถึงเกณฑ์ที่จะขอรับบำนาญได้ และการกำหนดอายุผู้สมัครงานเป็นเรื่องผิดกฎหมาย

ในภาพรวม การเติบโตของค่าจ้างเฉลี่ยของแรงงานที่จบปริญญาตรีนั้นชะลอตัวลง รวมถึงการจ้างงานในอาชีพทักษะสูงของไทยก็ยังไม่ได้เพิ่มสูงนัก ทำไมถึงเป็นเช่นนั้น ทั้ง ๆ ที่ประเทศไทยพยายามพัฒนาอุตสาหกรรมและคุณภาพของคนอย่างต่อเนื่อง ทั้งนี้ หากพิจารณาสัดส่วนการลงทุนต่อ GDP (รูปที่ 6) จะเห็นว่าแนวโน้มของค่าจ้างและการลงทุนเป็นไปในทิศทางเดียวกัน การลงทุนของไทยในช่วงที่ค่าจ้างเติบโตนั้นสูงถึงร้อยละ 40 ของ GDP หลังจากนั้น การลงทุนก็ชะลอตัวลงและไม่เคยกลับไปสูงกว่าร้อยละ 30 ได้อีกเลย

จากภาพการลงทุนที่ชะลอตัวลงดังกล่าว ก่อให้เกิดคำถามที่ว่า ภาพนั้นเป็นปรากฏการณ์ทั่วโลกหรือเกิดขึ้นเฉพาะในประเทศไทย รูปที่ 7 แสดงสัดส่วนทุนต่อแรงงานของประเทศต่าง ๆ (เฉพาะประเทศที่เข้าร่วมการทดสอบ PISA ในปี 2018) โดยพบว่า ในช่วงปี 2000–2019 สัดส่วนทุนต่อแรงงานของประเทศระดับรายได้ปานกลางค่อนข้างสูง (Upper Middle Income Country: UMC) ขยายตัวเฉลี่ยร้อยละ 3.2 ต่อปี สูงกว่าของไทยซึ่งอยู่ที่ร้อยละ 1.6 หากพิจารณาประเทศจีน สัดส่วนทุนต่อแรงงานในปี 1990 อยู่ที่เพียงครึ่งหนึ่งของไทย แต่กลับแซงหน้าไปในปี 2010 และยังมีแนวโน้มขยายตัวรวดเร็วต่อเนื่อง สำหรับ 13 ประเทศในเอเชียตะวันออกและแปซิฟิก (EAP) มีเพียงอินโดนีเซีย ฟิลิปปินส์ และเวียดนาม ที่มีสัดส่วนทุนต่อแรงงานอยู่ในระดับต่ำกว่าของไทย แต่กำลังไล่ประชิดเข้ามาเรื่อย ๆ โดยการลงทุนของสามประเทศนี้ขยายตัวมากกว่าไทยในช่วง 10 ปีที่ผ่านมา จากการลงทุนที่เข้มข้นขึ้นในภาคการผลิตและการผลิตสินค้าที่มีความซับซ้อนมากขึ้น

บทความนี้มีสมมติฐานว่า อุปสงค์ของแรงงานทักษะสูงที่ชะลอตัวลงถูกสะท้อนอยู่ในภาพการลงทุนที่ชะลอตัวลง ซึ่งสาเหตุหนึ่งที่ทำให้การลงทุนของไทยเติบโตช้านั้นเป็นเพราะประเทศไทยยังมีแรงงานทักษะสูงไม่มากพอ ดังนั้น เมื่อคุณภาพแรงงานไม่ดี ผลิตภาพในการผลิตจึงต่ำ ธุรกิจจึงขาดแรงจูงใจที่จะลงทุนในเทคโนโลยี ซึ่งส่งต่อกลับไปเป็นการชะลอตัวลงของการสร้างงานทักษะสูง เนื่องจากผลิตภาพน่าจะเป็นปัจจัยหลักในการดึงดูดเงินลงทุนและสร้างอุปสงค์ของงานทักษะสูง ในส่วนถัดไป เราจะพิจารณาถึงปัจจัยต่าง ๆ ที่มีผลต่อผลิตภาพและการเจริญเติบโตทางเศรษฐกิจในระยะยาว

แบบจำลองทางเศรษฐศาสตร์เกี่ยวกับการเจริญเติบโตทางเศรษฐกิจในช่วงปี 1960s มักจะเน้นเรื่องการสะสมทุน (physical capital) เป็นหลัก แต่งานศึกษาในช่วงหลัง พบว่าการเจริญเติบโตทางเศรษฐกิจในระยะยาวนั้นขึ้นกับปัจจัยหลายอย่าง ไม่ว่าจะเป็นเรื่องนวัตกรรม (ideas) สถาบัน (institution) ทุนมนุษย์ และการเปลี่ยนแปลงโครงสร้างของประชากร (Hanushek & Kimko, 2000; Chen & Dahlman, 2006; Jones & Romer, 2010; Hanushek, 2013; Jones, 2016) บทความของ Lathapipat (2023) ได้เสนอกรอบแนวคิด Knowledge Economy Ecosystem (KEE) ซึ่งต่อยอดจากกรอบแนวคิดเศรษฐกิจฐานความรู้ (Knowledge Economy) ของ Chen & Dahlman (2006) โดยอธิบายว่าระบบเศรษฐกิจที่มีการสร้างความรู้หรือนวัตกรรมใหม่ ๆ และนำความรู้เหล่านั้นมาใช้อย่างมีประสิทธิภาพ จะส่งผลให้มีการพัฒนาอย่างยั่งยืน แต่การที่ประเทศจะเปลี่ยนผ่านไปสู่เศรษฐกิจฐานความรู้ภายใต้ KEE ได้นั้น จะต้องมีการพัฒนา 5 เสาหลัก ได้แก่

1. โครงสร้างพื้นฐานด้านดิจิทัล
2. โครงสร้างพื้นฐานด้านนวัตกรรม
3. โครงสร้างพื้นฐานด้านการเงิน
4. คุณภาพของภาครัฐ ซึ่งรวมถึงความโปร่งใสและประสิทธิภาพในการบริหารและกำกับดูแล
5. ทุนมนุษย์

กรอบแนวคิด KEE ใหม่นี้ นำเสาหลักที่เป็นโครงสร้างพื้นฐาน 4 ด้านแรกมาประกอบกันเป็นดัชนี Knowledge Economy Infrastructure (KEI) และใช้ตัวแปรทุนมนุษย์ที่เรียกว่า Learning-Adjusted Years of Schooling (LAYS) โดยงานศึกษาก่อนหน้านี้มักจะใช้จำนวนปีการศึกษาหรืออัตราการเข้าเรียนต่อในระดับอุดมศึกษาเพื่อวัดทุนมนุษย์ แต่ตัวแปร LAYS จะปรับจำนวนปีการศึกษาของแรงงานอายุ 25 ปีขึ้นไป ด้วยผลลัพธ์ทางการเรียนรู้จากฐานข้อมูล Harmonized Learning Outcome (HLO) ของธนาคารโลก เพื่อสะท้อนคุณภาพการศึกษาที่แตกต่างกันในแต่ละประเทศ

Lathapipat (2023) ใช้ข้อมูลจาก 60 ประเทศทั่วโลกเพื่อทดสอบแนวคิดดังกล่าว การสร้างดัชนี KEI จะเริ่มจากการสร้างดัชนีของเสาหลักแต่ละด้าน ซึ่งค่าดัชนีในแต่ละด้านถูกสร้างขึ้นจากตัวแปรย่อย 2–6 ตัวแปร³ โดยที่ตัวแปรย่อยแต่ละตัวจะถูก normalize โดยการลบค่าเฉลี่ยของประเทศในกลุ่ม OECD ในปี 2006 และหารด้วยค่าเบี่ยงเบนมาตรฐาน (SD) ของกลุ่ม OECD ในปีเดียวกัน และถ่วงน้ำหนักด้วยวิธี Principal Component Analysis (PCA) ต่อมาค่าดัชนีของเสาหลัก 4 ด้าน จะถูกนำไปสร้างเป็น KEI โดยจะถูก normalize อีกครั้ง และถ่วงน้ำหนักด้วยวิธี PCA เช่นกัน ส่วนเสาหลักที่ 5 นั้น จะใช้ตัวแปร LAYS ดังที่ได้กล่าวมาแล้ว (ดูเพิ่มเติมใน Glawe & Wagner, 2022; World Bank, 2020; Filmer & Sabarwal, 2020)

การวิเคราะห์ผลของปัจจัยต่าง ๆ ต่อการเจริญเติบโตทางเศรษฐกิจและผลิตภาพ (TFP) ในระยะยาว (5 ปีข้างหน้า) ได้อาศัยแบบจำลอง Dynamic Panel Data เช่นเดียวกับงานของ Glawe & Wagner (2022) ผลการศึกษาพบว่าทั้ง KEI และ LAYS มีความสัมพันธ์เชิงบวกกับการเติบโตของ TFP และ GDP per capita อย่างมีนัยสำคัญ โดยเมื่อ LAYS เพิ่มขึ้น 1 ปี อัตราการเติบโตของ TFP และ GDP per capita จะเพิ่มขึ้นร้อยละ 0.54 และ 0.47 ตามลำดับ ขณะที่ค่าดัชนี KEI ที่เพิ่มขึ้น 1 SD จะส่งผลให้อัตราการเติบโตของ TFP และ GDP per capita เพิ่มขึ้นร้อยละ 1.3 และ 1.96 ตามลำดับ โดยในสมการดังกล่าว มีตัวแปรควบคุมอื่น ๆ ได้แก่ สัดส่วนการจ้างงาน สัดส่วนการลงทุน และ Trade Openness

นอกจากนี้ งานวิจัยนี้ยังได้ทดลองใช้ตัวแปรทุนมนุษย์อื่น ๆ แทน LAYS ได้แก่ HLO และการกระจายตัวของคะแนน PISA ในแต่ละประเทศ ผลการศึกษาพบว่าหาก HLO เพิ่มขึ้น 100 คะแนน (วัดโดยใช้ scale ของ PISA) จะส่งผลให้อัตราการเติบโตของ GDP per capita เพิ่มขึ้นร้อยละ 1.3 อย่างมีนัยสำคัญ สำหรับข้อมูลการกระจายตัวของคะแนน PISA ได้นำมาคำนวณเป็นสัดส่วนแรงงานทักษะสูง (Top performing) โดยวัดจากสัดส่วนนักเรียนที่ได้คะแนน PISA ในระดับ 5 หรือ 6 และสัดส่วนแรงงานที่มีทักษะขั้นพื้นฐานขึ้นไป (Reaching basic level) โดยวัดจากสัดส่วนนักเรียนที่ได้คะแนน PISA ในระดับ 2 ขึ้นไป ผลวิจัยพบว่าการเพิ่มขึ้นของสัดส่วนแรงงานทักษะสูงมีผลต่ออัตราการเติบโตของ GDP per capita ในระยะยาวมากกว่าการเพิ่มขึ้นของสัดส่วนแรงงานที่มีทักษะขั้นพื้นฐาน (1.94 เทียบกับ 0.69 เมื่อสัดส่วนเพิ่มขึ้นร้อยละ 10) อย่างไรก็ตาม ผลดังกล่าวไม่ได้บ่งชี้ว่าประเทศควรจะมุ่งไปพัฒนากลุ่มนักเรียนที่มีความสามารถสูงเพียงกลุ่มเดียว เพราะประเทศที่สามารถผลิต Top performers ในสัดส่วนที่สูงจะมีสัดส่วนนักเรียนที่มีทักษะขั้นพื้นฐานในสัดส่วนที่สูงด้วย (รูปที่ 8)

หลักฐานดังกล่าวชี้ว่าการลงทุนอย่างต่อเนื่องเพื่อพัฒนาเสาหลักทั้ง 4 ด้านของโครงสร้างพื้นฐาน (ดิจิทัล การเงิน นวัตกรรม และคุณภาพของรัฐ) รวมถึงการมีทุนมนุษย์ในระดับสูง ไปพร้อม ๆ กัน จะสามารถช่วยเพิ่มผลิตภาพ ซึ่งจะเป็นตัวดึงดูดการลงทุนและสร้างอุปสงค์ของแรงงานทักษะสูง รวมถึงผลักดันประเทศให้เปลี่ยนผ่านไปสู่การเป็น Knowledge Economy อย่างยั่งยืนได้

รูปที่ 9 เปรียบเทียบดัชนี KEI และดัชนีเสาหลักทั้ง 5 ด้านของไทยกับประเทศกลุ่มต่าง ๆ ดัชนี KEI ซึ่งวัดโครงสร้างพื้นฐานโดยรวมของไทยเพิ่มขึ้นในช่วงปี 2006–2020 จากที่เคยต่ำกว่ากลุ่มประเทศ OECD และกลุ่มประเทศรายได้สูงอยู่ 3 SD ในปี 2006 ปรับดีขึ้นเป็น 2 SD ในปี 2020 ซึ่งใกล้เคียงกับกลุ่มประเทศ UMC สำหรับดัชนีด้านโครงสร้างพื้นฐานด้านการเงิน ด้านนวัตกรรม และด้านดิจิทัล ของไทยมีค่าสูงกว่าค่าเฉลี่ยของกลุ่มประเทศ UMC แล้ว อย่างไรก็ตาม ดัชนีในด้านคุณภาพของภาครัฐ และทักษะแรงงานของไทย ยังตามหลังกลุ่ม UMC อยู่

แม้แรงงานไทยมีการศึกษาสูงขึ้นอย่างต่อเนื่อง แต่หากเปรียบเทียบกับประเทศอื่น ๆ เรายังด้อยกว่าทั้งในเชิงปริมาณและเชิงคุณภาพ ในปี 2020 แรงงานอายุ 25 ปีขึ้นไปของไทยมีปีการศึกษาเฉลี่ยอยู่ที่ 8.6 ปี ซึ่งต่ำกว่ากลุ่มประเทศ OECD อยู่ 3.4 ปี และหากปรับด้วยผลลัพธ์การเรียนรู้ (LAYS) ช่องว่างระหว่างไทยกับกลุ่มประเทศ OECD จะกว้างขึ้นเป็น 3.7 ปี (รูปที่ 10) นอกจากนี้ หากพิจารณาคะแนนสอบ PISA ระดับความรู้เฉลี่ยของเยาวชนไทยยังอยู่ต่ำกว่าประเทศพัฒนาแล้วอยู่มาก ทั้งกลุ่ม OECD และ EAP (รูปที่ 11)

สำหรับตัวแปรย่อยด้านโครงสร้างพื้นฐานด้านนวัตกรรมของไทย มีทั้งตัวชี้วัดด้านการลงทุนในการวิจัยและพัฒนา (R&D) และด้านผลลัพธ์ ได้แก่ จำนวนบทความวิชาการ และจำนวนสิทธิบัตร ผลการศึกษาพบว่า แม้ตัวชี้วัดทั้งสองด้านจะเพิ่มขึ้น โดยค่าใช้จ่ายด้าน R&D ต่อ GDP ของไทยสูงกว่ากลุ่มประเทศ UMC แล้วตั้งแต่ปี 2016 แต่จำนวนบทความวิชาการด้านวิทยาศาสตร์และเทคโนโลยีต่อหัว และจำนวนสิทธิบัตรต่อหัวยังอยู่ในระดับเดียวกับประเทศ UMC (รูปที่ 12) ข้อมูลดังกล่าวชี้ว่า การลงทุนทางด้าน R&D ของไทยให้ผลตอบแทนต่ำ ซึ่งอาจจะเป็นเพราะการขาดแคลนกลุ่มบุคลากรทักษะสูงที่สามารถสร้างนวัตกรรมหรือผลิตงานวิจัยที่มีคุณภาพ ในส่วนแรก เราเห็นว่ากลุ่มที่จบด้าน STEM ของไทยนั้นมีเพียงร้อยละ 3.7 ของแรงงานทั้งหมด และส่วนหนึ่งไม่ได้ทำงานตรงกับสายที่เรียนมาด้วย นอกจากนี้ เสาหลักด้านอื่น ๆ ก็อาจจะเป็นปัจจัยร่วมที่ส่งผลกระทบต่อนวัตกรรมเช่นกัน เช่น หากคุณภาพของภาครัฐไม่ดี ทำให้การจดสิทธิบัตรมีต้นทุนสูง ขณะที่กฎหมายการคุ้มครองลิขสิทธิ์ทางปัญญาไม่เข้มงวด แรงงานที่มีทักษะสูงก็อาจจะขาดแรงจูงใจที่จะสร้างนวัตกรรมใหม่ ๆ หรือย้ายไปทำงานในประเทศที่ให้ค่าตอบแทนสูงกว่า

นอกจากการเปรียบเทียบประเทศตามระดับรายได้ต่อหัว เรายังสามารถเปรียบเทียบประเทศตามระดับเทคโนโลยี รูปที่ 13 แสดงค่าดัชนีต่าง ๆ ตามระดับความล้าหลังทางเทคโนโลยี (distance to technology frontier)⁴ โดยเส้น fitted line เป็นค่าเฉลี่ยของประเทศทั้งหมด ประเทศที่อยู่เหนือ (ใต้) เส้นนี้เป็นกลุ่มที่มีค่าดัชนีสูง (ต่ำ) กว่าค่าเฉลี่ยของประเทศที่มีระดับเทคโนโลยีใกล้เคียงกัน สำหรับประเทศไทยนั้น ค่าดัชนี KEI ของไทยอยู่ที่ –2 SD ซึ่งต่ำกว่าค่าเฉลี่ยของประเทศที่มีระดับเทคโนโลยีใกล้เคียงกันประมาณ 0.7 SD ส่วนประเทศในกลุ่มอาเซียน อาทิ อินโดนีเซีย เวียดนาม และฟิลิปปินส์ แม้ว่าระดับเทคโนโลยีจะต่ำกว่าไทยเล็กน้อย แต่ค่าดัชนี KEI ล้วนใกล้เคียงกับเส้นค่าเฉลี่ยมากกว่าไทย

เมื่อพิจารณาองค์ประกอบของ KEI ค่าดัชนีของไทยจะต่ำกว่ากลุ่มประเทศในระดับเทคโนโลยีเดียวกันในทุกเสาหลัก ยกเว้นเสาหลักโครงสร้างพื้นฐานด้านการเงิน โดยค่าดัชนีโครงสร้างพื้นฐานด้าน ICT และด้านนวัตกรรมของไทยได้พัฒนาขึ้นมากในทศวรรษที่ผ่านมาและอยู่ต่ำกว่าค่าเฉลี่ยของประเทศในระดับเทคโนโลยีเดียวกันไม่มากนัก อย่างไรก็ตาม ดัชนีที่ไทยได้คะแนนต่ำกว่าค่าเฉลี่ยมาก ๆ ได้แก่ คุณภาพของภาครัฐ และทักษะแรงงาน

ตัวแปรย่อยที่นำมาคำนวณดัชนีคุณภาพของภาครัฐนั้น มีตั้งแต่เรื่องประสิทธิภาพของภาครัฐ กฎระเบียบที่มีประสิทธิภาพ การบังคับใช้กฎหมาย ความไม่แน่นอนทางการเมือง ไปจนถึงระดับการทุจริต เมื่อเปรียบเทียบกับประเทศในระดับเทคโนโลยีเดียวกัน ค่าตัวแปรเหล่านี้ของไทยอยู่ต่ำกว่าค่าเฉลี่ยทั้งหมด สะท้อนว่าคุณภาพของภาครัฐไทยมีจุดอ่อนอยู่รอบด้าน สำหรับเรื่องทักษะแรงงานนั้น ในรูปที่ 10 พบว่า LAYS ของไทยอยู่ต่ำกว่าค่าเฉลี่ยของกลุ่มประเทศ UMC และหากดูเทียบกับประเทศที่ทั้งรายได้และเทคโนโลยีอยู่ในระดับเดียวกัน LAYS ของไทยต่ำกว่าค่าเฉลี่ยอยู่ 1.5 ปี (รูปที่ 13) แม้ค่าดัชนีของไทยจะยังสูงกว่าฟิลิปปินส์ และอินโดนีเซีย แต่มีเพียง 3 ประเทศนี้เท่านั้นในกลุ่มประเทศ EAP ที่ LAYS ต่ำกว่าค่าเฉลี่ย ทั้งนี้ ประเทศที่เติบโตได้อย่างรวดเร็วในทศวรรษที่ผ่านมา เช่น จีน และเวียดนาม รวมถึงประเทศที่พัฒนาแล้ว เช่น สิงคโปร์ ญี่ปุ่น เกาหลีใต้ และนิวซีแลนด์ ล้วนแต่มีทักษะแรงงานที่สะท้อนจาก LAYS รวมถึงค่าดัชนีโครงสร้างพื้นฐานด้าน ICT และนวัตกรรม เหนือกว่าค่าเฉลี่ยของประเทศในระดับเดียวกันทั้งสิ้น

ทุนมนุษย์นั้นมีความสำคัญทั้งต่อรายได้ในช่วงชีวิตและคุณภาพชีวิตของผู้คนเอง ต่อสังคม และต่อการพัฒนาเศรษฐกิจอย่างยั่งยืน แม้ประเทศไทยจะพัฒนาขึ้นในหลายมิติเมื่อเทียบกับในอดีต ไม่ว่าจะเป็นระดับการศึกษาของแรงงานที่สูงขึ้น และการพัฒนาโครงสร้างพื้นฐานที่ดีขึ้น อย่างไรก็ดี ค่าจ้างของแรงงานส่วนใหญ่ไม่ค่อยเติบโตในช่วงสิบปีที่ผ่านมา และงานที่ใช้ทักษะสูงและให้ค่าตอบแทนสูงมีจำนวนจำกัด ซึ่งภาพนี้สะท้อนว่า อุปสงค์ของงานทักษะสูงเหล่านี้ไม่ได้เพิ่มมากนักในประเทศไทย หรือประเทศไทยยังมีจำนวนแรงงานทักษะสูงไม่เพียงพอที่จะดึงดูดการลงทุนที่สามารถสร้างงานคุณภาพสูงเหล่านี้ได้มากพอ

ทั้งนี้ หากมองภาพประเทศไทยเทียบกับต่างประเทศ ภายใต้กรอบแนวคิด Knowledge Economy Ecosystem คำตอบก็น่าจะเป็นทั้งสองอย่าง รวมทั้งปัจจัยเรื่องคุณภาพของภาครัฐ ประเทศไทยกำลังเผชิญกับความท้าทายในการแข่งขันดึงดูดเม็ดเงินลงทุนกับประเทศเพื่อนบ้าน แต่เมื่อเปรียบเทียบปัจจัยที่มีผลต่อการเติบโตทางเศรษฐกิจและผลิตภาพในระยะยาว ไม่ว่าจะเป็นเรื่องโครงสร้างพื้นฐานและทุนมนุษย์ ประเทศไทยด้อยกว่าค่าเฉลี่ยของกลุ่มประเทศในระดับเทคโนโลยีเดียวกันเกือบทุกด้าน ยกเว้นเพียงด้านโครงสร้างพื้นฐานทางการเงิน โดยดัชนีของไทยที่มีค่าต่ำกว่าประเทศอื่นมาก ๆ และเป็นเรื่องที่น่ากังวล คือ เรื่องคุณภาพของรัฐและคุณภาพของคน

มองไปข้างหน้า แม้ประเทศไทยจะเผชิญปัญหาปากท้องเฉพาะหน้ามากมายที่ต้องเร่งแก้ไข แต่หากไม่แก้ปัญหาเชิงโครงสร้างไปพร้อม ๆ กัน ปัญหาเหล่านั้นน่าจะทวีคูณมากขึ้น การลงทุนเพื่อพัฒนาทุนมนุษย์หรือพัฒนาคุณภาพของคนนั้นต้องใช้เวลานานกว่าจะเห็นผล ทุนมนุษย์ที่สั่งสมมาตั้งแต่วัยเด็กมีผลต่อโอกาสทางเศรษฐกิจในวัยทำงาน ซึ่งเป็นช่วงเวลาที่คนสามารถทำงานเพื่อเก็บออม คิดค้นนวัตกรรมใหม่ ๆ และนำความรู้เหล่านั้นมาใช้ให้เป็นประโยชน์ต่อสังคม

อย่างไรก็ตาม การที่คนคนหนึ่งจะมีโอกาสได้ทำงานที่สร้างสรรค์และเป็นประโยชน์มากน้อยเพียงใด ส่วนหนึ่งขึ้นกับความสามารถของคน ๆ นั้น แต่อีกส่วนหนึ่งก็ขึ้นกับระบบเศรษฐกิจทั้งหมดว่าสามารถสร้างงานที่มีผลิตภาพสูงจำนวนมากได้หรือไม่ รวมถึงเมื่อมีคนที่มีความสามารถแล้ว คนเหล่านั้นจะมีแรงจูงใจให้คิดค้นนวัตกรรมหรือไม่ มีโอกาสที่จะนำความรู้ที่คิดค้นขึ้นมาใช้มากน้อยเพียงใด ซึ่งก็ขึ้นกับโครงสร้างพื้นฐานด้านต่าง ๆ และคุณภาพของภาครัฐด้วย หากปัจจัยแวดล้อมไม่เอื้อให้เกิดการนำความรู้มาใช้ เมื่อลงทุนไปก็อาจจะไม่ได้คุ้มค่านัก ทั้งนี้ หากมองลึกลงไป ภาครัฐ ก็คือ คนกลุ่มหนึ่ง โครงสร้างพื้นฐานต่าง ๆ ก็ถูกพัฒนาโดยคน ธุรกิจก็บริหารโดยคน ดังนั้น การลงทุนเพื่อพัฒนาคุณภาพของคน จึงน่าจะเป็นคำตอบของการพัฒนาคุณภาพชีวิตและพัฒนาประเทศอย่างยั่งยืน