สถาบันวิจัยเศรษฐกิจป๋วย อึ๊งภากรณ์
aBRIDGEd

Big Data บอกอะไรได้บ้างเกี่ยวกับตลาดแรงงานไทย

วิเคราะห์ตลาดแรงงานแบบรอบด้าน และ real-time ด้วยนวัตกรรมใหม่กับฐานข้อมูล Big Data

ยุคนี้เป็นยุคของ Big Data แวดวงต่าง ๆ ได้นำ Big Data มาใช้ประโยชน์ในหลายเรื่องมากมาย สำหรับวงการเศรษฐศาสตร์แรงงาน เราสามารถนำข้อมูลจาก website หางานที่มีทั้งข้อมูลตำแหน่งงาน (job post) ที่นายจ้างมา post ไว้ และข้อมูลประวัติ (resume) ของผู้ที่ต้องการหางานมา post ไว้ มาใช้วิเคราะห์ประเด็นต่าง ๆ ของตลาดแรงงานที่น่าสนใจได้หลายประเด็น เนื่องด้วยข้อมูลใน website หางานนี้มีการอัพเดทจากผู้ใช้ในลักษณะ real-time การดึงข้อมูลมาวิเคราะห์จึงทำได้ในลักษณะ real-time เช่นกัน

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

ประเด็นที่น่าสนใจต่าง ๆ ที่เกี่ยวกับตลาดแรงงานที่เราสามารถใช้ Big Data นี้วิเคราะห์ได้ มีดังนี้

1. มิติด้านเวลา – มีอะไรเกิดบ้างขึ้นในตลาดแรงงาน

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

รูปที่ 1: จำนวน job post และ resume ที่ถูก post บน website หางาน แยกตามภาค

ที่มา: คำนวณโดยคณะผู้วิจัยโดยใช้ข้อมูลจาก website หางาน

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

รูปที่ 2: ความตึงตัวของตลาดแรงงาน (Labor Market Tightness) แยกตามภาค

ที่มา: คำนวณโดยคณะผู้วิจัยโดยใช้ข้อมูลจาก website หางาน

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

2. มิติด้านพื้นที่ – อุปสงค์อยู่ที่ไหน อุปทานอยู่ที่ไหน

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

รูปที่ 3: อุปสงค์และอุปทานแรงงานในแต่ละพื้นที่

ที่มา: คำนวณโดยคณะผู้วิจัยโดยใช้ข้อมูลจาก ไebsite หางาน

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

3. มิติเชิงคุณภาพ – เช่น ประเด็นด้านการเลือกปฏิบัติทางเพศและอายุ

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)

รูปที่ 4: สัดส่วนของงานที่มีการระบุเพศ แยกตามลักษณะงาน

รูปที่ 5: สัดส่วนของงานที่มีการระบุเพศ แยกตามระดับการศึกษา

ที่มา: คำนวณโดยคณะผู้วิจัยโดยใช้ข้อมูลจาก website หางาน

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

ข้อสรุป

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

เอกสารอ้างอิง

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

ข้อคิดเห็นที่ปรากฏในบทความนี้เป็นความเห็นของผู้เขียน ซึ่งไม่จำเป็นต้องสอดคล้องกับความเห็นของสถาบันวิจัยเศรษฐกิจป๋วย อึ๊งภากรณ์

READS: 7871