ไทยเป็นประเทศหนึ่งที่มีปัญหา “ความเหลื่อมล้ำ”ค่อนข้างสูง เห็นได้จากการจัดอันดับระดับนานาชาติ ชื่อของ Thailand มักจะเป็น “เบอร์ต้นๆ” เสมอในประเด็น “ช่องว่างคนรวย-คนจน” อาทิ เมื่อปลายเดือนพ.ย. 2559 ที่ ธนาคารเครดิตสวิส (Credit Suisse) ระบุว่า ไทยมีปัญหาความเหลื่อมล้ำสูงเป็น “อันดับ 3 ของโลก” เป็นรองเพียงอันดับ 1 คือ รัสเซีย และอันดับ 2 คืออินเดีย เท่านั้น

เช่นเดียวกับเมื่อเดือนก.พ. 2560 องค์การการศึกษา วิทยาศาสตร์ และวัฒนธรรมแห่งสหประชาชาติ (UNESCO) แถลงรายงานการติดตามผลการศึกษาทั่วโลก ประจำปี 2559 โดยในส่วนของประเทศไทย พบว่า หากเทียบระหว่างครอบครัวร่ำรวยกับยากจน เด็กในครอบครัวที่ร่ำรวยจะจบมัธยมต้นแน่นอน “100 เปอร์เซ็นต์” ส่วนเด็กที่อยู่ในครอบครัวที่ยากจนมีเพียง “30-40 เปอร์เซ็นต์” เท่านั้นที่มีโอกาสสำเร็จการศึกษาในระดับนี้ ซึ่งในทางเศรษฐศาสตร์ มีคำกล่าวหนึ่งว่า..

“…การศึกษาเป็นปัจจัยชี้วัดที่สำคัญที่สุด ในการส่งต่อหรือยุติความเหลื่อมล้ำจากรุ่นสู่รุ่น…”

ความเหลื่อมล้ำเป็นหัวข้อสำคัญที่รัฐบาลไทยไม่ว่าเลือกตั้งหรือรัฐประหารให้ความสำคัญ เห็นได้จากไม่ว่าใครจะมาเป็นนายกรัฐมนตรี ต้องมีนโยบายลดความเหลื่อมล้ำชูขึ้นมาด้วยเสมอ และมีการ “ทุ่มงบ-ระดมคน” ลงไปไม่น้อย ทว่าผลลัพธ์ที่ได้ หากไม่สูญเปล่า “ตำน้ำพริกละลายแม่น้ำ” ก็มักจะได้แบบ “ไม่เต็มเม็ดเต็มหน่วย” ระดับของปัญหายังคงรุนแรง ทำให้บางทีอาจต้องกลับมาคิดว่า ที่ทำๆ กันอยู่นี้ ใช้ “หลักคิด” แบบใด? และ “ตรงจุด” หรือไม่?

ที่งานสัมมนาวิชาการประจำปี 2560 “ฟื้นเศรษฐกิจ ปฏิรูปรัฐ ด้วยปฏิวัติข้อมูล” จัดโดยสถาบันวิจัยเพื่อการพัฒนาประเทศไทย (TDRI) เมื่อเร็วๆ นี้ ชยธร เติมอริยบุตร นักวิจัยคนหนึ่งของ TDRI ยกตัวอย่างจากประเทศที่มีภาพของ “ความยากจน” ในระดับที่อาจจะรุนแรงกว่าไทย แต่พัฒนาวิธีการ “ตามหา” พื้นที่และคนที่ “จนจริง” อย่างค่อนข้างแม่นยำ ด้วยการใช้ “เทคโนโลยี” เข้ามาช่วย

อาทิ ศรีลังกา ประเทศที่รายงาน The Poorest Countries in the World 2016 จัดทำโดย กองทุนการเงินระหว่างประเทศ (IMF)ระบุว่า มีความยากจนอยู่ในอันดับ 86 ของโลก จากทั้งหมด 189 ประเทศ สูงกว่าไทยที่อยู่อันดับ 113 ที่นี่มี “นวัตกรรม” ที่น่าสนใจ คือเขาใช้“แผนที่ดาวเทียม” สำรวจ “หลังคาบ้าน” เพื่อค้นหาคนจน ซึ่ง ชยธร อธิบายว่า การค้นหานี้ใช้เทคนิค Machine Learning หรือการให้โปรแกรมคอมพิวเตอร์ช่วยจำแนกข้อมูลบางอย่างในภาพ

เช่น “หลังคาสังกะสี” ซึ่งรวดเร็วและประหยัดกว่าการใช้แรงงานคน แล้วพบว่า พื้นที่ใดที่มีหลังคาสังกะสีมาก พื้นที่นั้นมักเป็นย่านที่อยู่อาศัยของคนยากจน เพราะสังกะสีเป็นวัสดุ “ราคาถูก” กว่ากระเบื้อง ไม่ต่างจาก เคนยา ประเทศที่ยากจนอันดับ 40 ของโลก ที่นี่มีการทดลองให้ Machine Learning ค้นหาบ้านประเภท “หลังคาแวววาว” โดยตั้งสมมุติฐานว่า ในยามลำบากยากแค้น ผู้คนจะใช้วัสดุเก่าๆ เอาแค่พอมุงหลังคาได้แต่วันใดที่มีฐานะดีขึ้น ก็จะเปลี่ยนมาใช้กระเบื้องที่มีความมันวาว

จากตัวอย่างในต่างประเทศ ชยธร ทำการทดลองแบบเดียวกันในไทย เปรียบเทียบระหว่าง แขวงพลับพลา เขตวังทองหลาง กรุงเทพฯ อันเป็นสถานที่ตั้งของอาคาร TDRI (ซอยรามคำแหง 39) กับ ตำบลคลองเกลือ อ.ปากเกร็ด จ.นนทบุรี พื้นที่ที่มีจำนวนคนจนน้อยมากแห่งหนึ่งในประเทศไทย โดยให้คอมพิวเตอร์ค้นหาหลังคาสังกะสีจากภาพถ่ายดาวเทียม ก็พบว่า จำนวนหลังคาสังกะสี “สอดคล้อง” กับจำนวนคนยากจน เช่นเดียวกันกับที่ศรีลังกา

“ในประเทศไทยเรามีภาพถ่ายดาวเทียมความละเอียดสูงเก็บไว้อยู่แล้ว แต่ยังไม่มีใครนำออกมาใช้ติดตามพื้นที่ยากจนอย่างจริงจัง แม้จะมีการศึกษาว่าด้วยภาพถ่ายดาวเทียมกับความยากจนอยู่บ้าง แต่ยังไม่มีงานชิ้นไหนที่ใช้เทคนิค Machine Learning เข้ามาจำแนกภาพถ่ายเพื่อใช้ประโยชน์อย่างจริงจัง” ชยธร กล่าว

เช่นเดียวกับกรณี โรงเรียนขนาดเล็ก ที่ขาดแคลนครู วิชสิณี วิบุลผลประเสริฐ นักวิจัยอีกรายของ TDRI ยกตัวอย่าง “แก่งจันทร์โมเดล”ต.หาดคัมภีร์ อ.ปากชม จ.เลย เครือข่ายโรงเรียน 4 แห่ง ที่ตั้งอยู่ใกล้กัน ในอดีต “ทั้ง 4 โรงเรียนต่างมีครูไม่ครบชั้น” จึงแก้ปัญหาด้วยการแบ่งว่าโรงเรียนไหนจะสอนชั้นอะไร แล้วนำนักเรียนในชั้นนั้นของทั้ง 4 โรงเรียนไปเรียน ณ ที่เดียวกัน ผลคือ
เมื่อเด็กๆ ได้เรียนกับครูที่ชำนาญการสอนตรงตามชั้น ผลคะแนนสอบประเมินระดับประเทศ “O-NET” ก็ดีขึ้นกว่าเดิมอย่างเห็นได้ชัด

วิชสิณี กล่าวต่อไปว่า “การเดินทาง” เป็นอีกปัจจัยที่ต้องคำนึงหากจะใช้วิธีแบบแก่งจันทร์โมเดล ซึ่งการศึกษาที่ TDRI ทำร่วมกับธนาคารโลก (World Bank) ในพื้นที่ จ.อุบลราชธานี เก็บข้อมูลที่ตั้งของโรงเรียนต่างๆ แล้วทำแบบจำลอง “ลากเส้นจัดกลุ่ม” โรงเรียนที่อยู่ห่างกัน “ไม่เกิน 10 กิโลเมตร” ซึ่งระยะทางขนาดนี้คงไม่ลำบากในการเดินทาง พบว่า จากจำนวนโรงเรียนขนาดเล็ก 210 แห่งใน จ.อุบลราชธานี จะเหลือเพียง “10 โรงเรียน” เท่านั้น ที่ไม่สามารถจัดกลุ่มแบ่งชั้นเรียนได้ เนื่องจากอยู่ไกลจากโรงเรียนอื่นๆ

“จากเดิมที่ครู 1,300 คน ต้องดูแล 1,500 ห้องเรียน หากมีการจัดการเรียนร่วมในลักษณะนี้ ครูจำนวนเท่าเดิมจะดูแลแค่ห้าร้อยกว่าห้องเรียนเท่านั้น นักเรียนก็ไม่น่าจะประสบปัญหาในการเดินทางมากนัก” วิชสิณี ระบุ

นอกจากความเหลื่อมล้ำ แม้กระทั่งเรื่องของ คอร์รัปชั่น ก็อาจใช้เทคโนโลยีเข้ามาช่วยระบุพื้นที่ที่มีปัญหารุนแรงได้ ผศ.ดร.ธานี ชัยวัฒน์ อาจารย์คณะเศรษฐศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ยกตัวอย่างแอพพลิเคชั่น “ยุพิน” (Youpin) ที่ให้ประชาชนแจ้งว่าจุดไหนใน กทม. มีเรื่องให้ต้องแก้ไข อาทิ กองขยะส่งกลิ่นเหม็น ฝาท่อชำรุด หลอดไฟส่องสว่างติดๆ ดับๆ ฯลฯ พร้อมภาพถ่ายในจุดนั้น และมีให้รายงานด้วยว่าปัญหาถูกแก้ไขแล้วหรือยัง

อาจารย์ธานี กล่าวว่า หากมีแอพพลิเคชั่นหน้าตาแบบนี้ แต่นอกจากจะให้แจ้งพื้นที่สาธารณูปโภคชำรุดแล้ว ยังให้แจ้งได้ด้วยว่าหน่วยงานใดเป็นคนสร้าง ใช้งบประมาณเท่าใด และสร้างเมื่อไร เช่น ถนนสายหนึ่งสร้างโดยองค์กรปกครองส่วนท้องถิ่น เพิ่งสร้างไม่ถึงปีทรุดอีกแล้ว หากท้องที่ไหนมีปัญหาแบบนี้มาก ก็อาจเป็น “จุดต้องสงสัย” หน่วยงานที่เกี่ยวข้องควรเข้าไปตรวจสอบ

“ถ้าทุกคนช่วยกันดูแค่หลุมถนนหน้าบ้าน สุดท้ายเราจะได้ข้อมูลจำนวนมาก ดูไว้ว่าสำนักงานเขตแต่ละเขต สร้างถนนด้วยงบประมาณเฉลี่ยเท่าไรต่อกิโลเมตร และนานเท่าไรกว่าจะพัง ไม่ต้องไปโจมตีใครผิดใครถูก แต่เราวัดประสิทธิภาพของรัฐจากการสร้างถนน จะโดยกรมทางหลวง กรมโยธาธิการ หรือหน่วยงานอื่นๆ ถ้าเราช่วยกันตรงนี้แล้วเอาข้อมูลขึ้นมาบนเว็บไซต์เพื่อเปรียบเทียบระหว่างหน่วยงานก็สามารถทำได้วิธีหนึ่ง” อาจารย์ธานี ยกตัวอย่าง

ทั้งหมดนี้อาจสรุปได้ว่า…ปัจจุบันมีเทคโนโลยีมากมายที่ช่วยให้รัฐหาข้อมูล รวมถึงการนำข้อมูลจากหลายๆ แหล่งมารวมกันเป็น ฐานข้อมูลเดียว (Big Data) สำหรับวิเคราะห์หานโยบายลดความเหลื่อมล้ำที่ลงไปถึง “เป้าหมาย” จริงๆ ไม่จำเป็นต้องออกนโยบาย “เหวี่ยงแห” อย่างในอดีต ช่วยให้ประหยัดทั้ง…

งบประมาณและบุคลากร!!!