Big Data บอกอะไรได้บ้างเกี่ยวกับตลาดแรงงานไทย

โดยปกติแล้วนักเศรษฐศาสตร์มักจะให้ความสำคัญกับตัวเลขอุปสงค์ (demand) และอุปทาน (supply) เมื่อวิเคราะห์ดูข้อมูลจาก website หางานจะพบว่า ข้อมูล job post บ่งบอกถึงความต้องการจะจ้างของนายจ้าง ดังนั้น ข้อมูล job post จึงบอกถึงอุปสงค์ของตลาดแรงงาน ส่วนข้อมูล resume บ่งบอกถึงความต้องการที่จะขายแรงงานของผู้สมัครงาน ดังนั้น ข้อมูล resume จึงบอกถึงอุปทานของตลาดแรงงาน โดยข้อดีของการใช้ข้อมูลประเภทนี้มาวิเคราะห์ตลาดแรงงาน คือ (i) ข้อมูลนี้เป็นข้อมูลที่เกิดจากความต้องการที่จะจ้างงาน และความต้องการที่จะขายแรงงานที่เกิดขึ้นจริงในตลาดแรงงาน ข้อมูลนี้จึงเป็นข้อมูลจริงของตลาด ไม่ใช่ข้อมูลจากการสุ่มสำรวจแล้วถามคำถามที่อาจจะมีความคลาดเคลื่อนได้ (ii) ข้อมูลนี้มีลักษณะ real-time และสามารถถูกดึงมาใช้ได้อย่างรวดเร็ว ทำให้เราสามารถบอกสภาวะตลาดแรงงานในปัจจุบันได้ทันที (iii) ข้อมูลนี้เป็นข้อมูลที่ถูกสร้างขึ้นอยู่แล้ว การดึงมาใช้ทำได้โดยไม่ต้องเสียค่าใช้จ่ายมาก แม้ว่าข้อมูลเหล่านี้จะมีข้อจำกัดอยู่บ้าง เช่น ไม่สามารถครอบคลุมงานบางประเภท เช่น งานเกษตรกรรมได้ แต่ข้อมูลนี้สามารถบอกอะไรสำคัญ ๆ เกี่ยวกับตลาดแรงงานได้หลายอย่างที่มีประโยชน์และไม่ควรที่จะถูกละเลยไป

ในต่างประเทศมีการสร้างตัวบ่งชี้ด้านแรงงาน (labor index) โดยใช้ข้อมูลจาก website หางาน ตัวบ่งชี้นี้จะนับจำนวน job post ที่มีในแต่ละช่วงเวลาเพื่อดูว่ามีการเพิ่มขึ้นหรือลดลงอย่างไร (ดูเพิ่มเติมได้จาก The Conference Board Help Wanted OnLine: HWOL)

สำหรับประเทศไทย ปัจจุบันยังไม่มีการสร้าง labor index ในลักษณะนี้ อย่างไรก็ดี คณะผู้วิจัยได้พยายามใช้โปรแกรมในการดึงข้อมูลย้อนหลังเพื่อหาจำนวน job post และจำนวน resume ที่ถูก post จาก website หางานแห่งหนึ่ง (คือเป็นการดึงข้อมูล real-time ในอดีต) โดยสามารถย้อนหลังไปได้ถึงปี 2011 และเก็บมาถึงปี 2016 (แต่เก็บมาได้บางช่วงเวลาเท่านั้นเนื่องด้วยข้อจำกัดทางเทคนิค) จากรูปที่ 1 พบว่า ทั้งจำนวน job post และจำนวน resume แยกรายภาคค่อนข้างมีลักษณะเป็น trend ขาขึ้น โดย trend ขาขึ้นของข้อมูล resume สามารถเห็นได้อย่างชัดเจน แต่ trend ของ job post บางช่วงมีลักษณะ flat หรือลดลง

เมื่อนำข้อมูลจำนวน job post และจำนวน resume มาใช้คำนวณความตึงตัวของตลาดแรงงาน (labor market tightness) โดยคำนวณจากจำนวน job post หารด้วยจำนวน resume จะพบว่า ความตึงตัวของตลาดแรงงานลดลงอย่างเห็นได้ชัดช่วง 2012–2014 (รูปที่ 2) หากยังจำได้ช่วงเวลาต้นปี 2013 คือปีที่ประเทศไทยได้มีการกำหนดใช้นโยบายขึ้นค่าแรงขั้นต่ำให้เป็น 300 บาททั่วประเทศ โดยคณะผู้วิจัยได้นำข้อมูลนี้มาวิเคราะห์ทางเศรษฐมิติแล้วพบว่า นโยบายขึ้นค่าแรงขั้นต่ำนี้มีผลต่อความตึงตัวของตลาดแรงงานอย่างมีนัยสำคัญ

จากตัวอย่างนี้ จะเห็นได้ว่าหากมีการเก็บข้อมูล website หางานอย่างเป็นกิจจะลักษณะและต่อเนื่อง เราจะสามารถสร้าง labor index ตัวใหม่ซึ่งสามารถบอกสภาวะตลาดแรงงานในปัจจุบันได้อย่างน่าสนใจ โดย labor index ตัวนี้น่าจะให้ข้อมูลที่เป็นประโยชน์ในการกำหนดนโยบายต่าง ๆ หรือนำไปใช้เป็น Input ของการทำการคาดการณ์ปัจจุบันของสภาวะเศรษฐกิจ (GDP Nowcasting) ต่อไป

เนื่องด้วยข้อมูลอุปสงค์ที่มาจาก job post จะมีตำแหน่งที่ตั้งของนายจ้างว่าตั้งอยู่จังหวัดใด และมีข้อมูลที่บ่งบอกว่านายจ้างต้องการแรงงานที่มีการศึกษาระดับใด (เช่น ปริญญาตรี ปวส. ฯลฯ) เราจึงสามารถสร้างแผนภาพการกระจายตัวของอุปสงค์แรงงานของแต่ละระดับการศึกษาได้ ดังรูปที่ 3 (A & B)

ส่วนข้อมูลอุปทานที่ได้จาก resume จะระบุไว้ว่า ผู้สมัครงานมีความประสงค์จะทำงานที่จังหวัดใดบ้าง และมีข้อมูลที่บ่งบอกว่าผู้สมัครจบการศึกษาระดับใด (เช่น ปริญญาตรี ปวส.ฯลฯ) เราจึงสามารถสร้างแผนภาพการกระจายตัวของอุปทานแรงงานของแต่ละระดับการศึกษาได้ ดังรูปที่ 3 (C & D)

จะเห็นได้ว่า การกระจายตัวของอุปสงค์และอุปทานแรงงานของแต่ละระดับการศึกษาในแต่ละจังหวัดอาจไม่สอดคล้องกันนัก ซึ่งอาจเป็นหนึ่งในเหตุผลที่ทำให้แรงงานและตำแหน่งงานที่ว่างไม่สามารถจับคู่กันได้

การนำข้อมูลจาก website หางานมาวิเคราะห์ในลักษณะนี้ ทำให้เราสามารถเห็นปัญหาของการไม่สอดคล้องเชิงพื้นที่ได้แบบ real-time ทำให้ผู้มีส่วนได้ส่วนเสียสามารถปรับพฤติกรรม หรือทำให้ผู้มีส่วนเกี่ยวข้องด้านนโยบายสามารถวางมาตรการจูงใจ เพื่อให้ตลาดแรงงานสามารถขับเคลื่อนได้อย่างมีประสิทธิภาพมากขึ้น

ในบางประเทศ เช่น ประเทศสหรัฐอเมริกา มีกฎหมายห้ามไว้อย่างชัดเจนว่า ในการประกาศรับสมัครงานนั้น นายจ้างจะไม่สามารถระบุเพศ (รวมไปถึง สีผิว อายุ เผ่าพันธุ์ ศาสนา ฯลฯ) ได้ เพราะถือว่าเป็นการเลือกปฏิบัติอย่างไม่เป็นธรรม

อย่างไรก็ดี ปัจจุบันประเทศไทยยังไม่มีกฎหมายในลักษณะนี้ จากการวิเคราะห์ข้อมูลจาก website สมัครงานพบว่า 37% ของ job post เป็นงานที่ระบุว่าต้องการผู้สมัครเพศใด โดยหากแบ่งประเภทงานออกเป็นกลุ่มตามลักษณะงานแล้ว พบว่ากลุ่มงานที่เป็นประเภทผู้บริหาร (executive) จะมีการระบุเพศน้อยที่สุด ส่วนงานประเภทที่มีการระบุเพศมากที่สุดคือ งานประเภท craft and trade (ดูผลได้จากรูปที่ 4) ทั้งนี้ หากแบ่งงานตามกลุ่มการศึกษา คือ ระดับ ปวช. (LVC: Lower Vocational), ระดับมัธยมต้น (M3), ระดับ ปวส. (HVC: Higher Vocational), ระดับมัธยมปลาย (M6), ระดับปริญญาตรี (BAC) และระดับปริญญาโท (MAS) จะพบว่า กลุ่มงานระดับ ปวช. มีการระบุเพศมากที่สุด ส่วนกลุ่มงานระดับปริญญาโทจะมีการระบุเพศน้อยที่สุด (ดูผลได้จากรูปที่ 5)

สรุปได้ว่า ในประเทศไทย งานหลาย ๆ ประเภทและแทบทุกระดับการศึกษา จะมีการระบุเพศของผู้สมัครโดยนายจ้าง โดยงานที่มีลักษณะ low-skill และต้องการระดับการศึกษาที่ต่ำกว่า จะมีการระบุเพศของผู้สมัครโดยนายจ้างมากกว่างานที่มีลักษณะ high-skill และต้องการระดับการศึกษาที่สูงกว่า นอกจากนี้ ยังพบว่างานหลายประเภทมีการระบุอายุของผู้สมัครด้วย

เป็นเรื่องที่น่าคิดว่า ในภาวะที่ประเทศไทยมีปัญหาเรื่องสังคมสูงวัยและการขาดแคลนแรงงาน ควรแล้วหรือที่นายจ้างจะมีการเลือกปฏิบัติในการเลือกรับผู้สมัครเข้าทำงาน โดยมีการเลือกเพศและเลือกอายุของผู้สมัคร ซึ่งเป็นคุณสมบัติที่ไม่จำเป็นต้องมีความสัมพันธ์กับระดับความสามารถของผู้สมัครในการเข้าทำงานนั้น ๆ จากทฤษฎีเศรษฐศาสตร์แรงงานพบว่า การเลือกปฏิบัติโดยนายจ้างที่เลือกรับผู้สมัครโดยมองคุณสมบัติอื่นที่ไม่เกี่ยวกับระดับความสามารถ (เช่น เพศ อายุ สีผิว ฯลฯ) จะทำให้นายจ้างผู้นั้นเสียเปรียบเมื่อเทียบกับนายจ้างที่ไม่เลือกปฏิบัติ เพราะนายจ้างที่เลือกปฏิบัติจะเสียโอกาสในการจ้างคนที่มีความสามารถด้วยอัตราค่าจ้างที่เหมาะสม คณะผู้วิจัยอยากขอฝากประเด็นนี้ให้ผู้มีส่วนได้ส่วนเสีย และผู้มีส่วนเกี่ยวข้องด้านนโยบายช่วยกันคิดทบทวน

Barnichon, R. (2010): “Building a composite help-wanted index.” Economics Letters, 109(3), 175–178.

Edelman, B. (2012): “Using internet data for economic research.” The Journal of Economic Perspectives, 26(2), 189–206.

Khun, P. and Shen, K. (2013): “Gender Discrimination in Job Ads: Evidence from China.” Quarterly Journal of Economics, 128(1), 287–336.

Kuhn, P. and Skuterud, M. (2004): “Internet job search and unemployment durations.” The American Economic Review, 94(1), 218–232.

Lathapipat, D. and Poggi, C. (2016): “From Many to One: Minimum Wage Effects in Thailand.” PIER Discussion Paper No. 41

Lekfuangfu, N.W., Nakavachara, V. and Sawaengsuksant, P. (2017): “Glancing at Labour Market Mismatch with User-Generated Internet Data” PIER Discussion Paper No. 53