วรรณพงษ์ ดุรงคเวโรจน์
PhD Candidate, Australian National University
Photo: Ill. Niklas Elmehed. © Nobel Media.
ประกาศกันไปแล้ว สำหรับรางวัลโนเบล สาขาเศรษฐศาสตร์ ประจำปี 2019 ได้แก่ Professor Abhijit Banerjee (MIT), Professor Esther Duflo (MIT), Professor Michael Kremer (Harvard University) สำหรับการวิจัยเชิงทดลอง (experimental approach) ที่ใช้เพื่อแก้ไขปัญหาความยากจน
โดยความพิเศษของปีนี้คือ Duflo ถือเป็น
(1) นักเศรษฐศาสตร์ที่อายุน้อยที่สุดที่ได้รางวัลดังกล่าว มีอายุเพียง 46 ปีเท่านั้น (เจ้าของสถิติเดิม คือ Kenneth Arrow ได้รางวัลตอนอายุ 51 ปี เมื่อปี 1972) และ
(2) นักเศรษฐศาสตร์ผู้หญิงคนที่สองที่ได้รางวัลโนเบล ต่อจาก Elinor Ostrom ที่ได้รับรางวัลเมื่อปี 2009
ซึ่งศาสตราจารย์ด้านเศรษฐศาสตร์การพัฒนา ทั้ง 3 ท่าน ถือว่า เป็นผู้บุกเบิกการนำเอาเครื่องมือที่ใช้ในวงการแพทย์อย่าง Randomized Controlled Trials (RCTs) มาประยุกต์ใช้กับงานทางด้านเศรษฐศาสตร์
สำหรับ Banerjee และ Duflo นั้น หลายคนอาจจะรู้จักในฐานะผู้เขียนหนังสือชื่อดังอย่าง "Poor Economics" ซึ่งตีพิมพ์ในปี 2011 รวมไปถึงศูนย์ศึกษาความยากจนอย่าง Abdul Latif Jameel Poverty Action Lab (J-PAL) ซึ่งตั้งอยู่ในหลายประเทศ เช่น อินโดนีเซีย และอินเดีย เป็นต้น
สำหรับ Kremer แล้วนั้น โดดเด่นจากงานด้าน Deworming Research (ยาถ่ายพยาธิ) ผมรู้จักจากเปเปอร์ที่เขียนเรื่อง de-worm drug ร่วมกับ Edward Miguel
ที่ผ่านมา มีบทความตามสื่อต่าง ๆ หลายแห่งที่นำเสนอเรื่องของ RCTs เช่น The Standard และ Thai Publica แต่ยังไม่มีบทความไหนที่ออกมาพูดถึงข้อควรระวังจากการใช้ RCTs ในการศึกษาปัญหาทางด้านเศรษฐศาสตร์และสังคมศาสตร์
ซึ่งจริง ๆ แล้ว ข้อวิพากย์ที่มีต่อ RCTs ไม่ใช่เรื่องใหม่อะไรเลย นักเศรษฐศาสตร์หลายคนที่ได้รางวัลโนเบลก็ยังเคยออกมาพูดถึงข้อจำกัดของ RCTs ไม่ว่าจะเป็น Angus Deaton (เจ้าของรางวัลโนเบล ปี 2015) และ Nancy Cartwright (Durham University), Martin Ravallion (Georgetown University) รวมไปถึงบทความเมื่อปี 2018 ใน The Guardian โดยนักเศรษฐศาสตร์หลายท่าน เช่น Sabina Alkire (หนึ่งในผู้คิดค้น Multidimentional Poverty Index, Oxford University), James Heckman (University of Chicago, เจ้าของรางวัลโนเบลปี 2000) รวมไปถึง Joseph Stiglitz (Columbia University, เจ้าของรางวัลโนเบล ปี 2001)
ในบทแรก ๆ ของหนังสือ "Poor Economics" Banerjee และ Duflo ได้ยกข้อถกเถียงที่ยืดเยื้อและดูท่าจะไม่มีวันจบอย่างเรื่อง เงินช่วยเหลือคนจน (aid) ว่าตกลงแล้ว มันดีต่อคนจนจริง ๆ หรือเปล่า โดยฝ่ายซ้าย เป็นผู้เชื่อว่า Aid นั้น มีความจำเป็นในการแก้ไขปัญหาความยากจน นำทีมโดย Jeffrey Sachs ขณะที่ฝ่ายขวา ไม่เชื่อ Aid มีประสิทธิภาพ นำไปสู่ปัญหาคอรัปชั่น นำทีมโดย Williams Easterly
Banerjee และ Duflo มีความเห็นว่า ไม่มีทางเลยที่การถกเถียงจะจบลง หากเรามัวแต่ใช้ทฤษฏีมาถกเถียงกัน โดยที่ไม่มีหลักฐาน หรือ Evidence พิสูจน์ชัด ๆ กันไปเลยว่า จริง ๆ แล้ว เงินช่วยเหลือคนจนมันมีประโยชน์หรือเปล่า เราไม่รู้เลย..ว่าคนจนคิดอย่างไร ใช้ชีวิตอย่างไร มีอุปสรรคปัญหาอะไรที่ต่าง/เหมือน กับเรา ถ้าอยากจะรู้..ก็ต้องลงพื้นที่ไปดูให้เห็นกับตา
ซึ่งสิ่งต่าง ๆ เหล่านี้ มันคือ หลักการเดียวกันกับการประเมินผลกระทบ (impact evaluation) จากการทำโครงการ/นโยบายใด ๆ เราอยากรู้ว่า "ผลกระทบ" ที่เกิดมาจากโครงการ/นโยบายนั้น ๆ เพียงอย่างเดียว ไม่ได้มีผลมาจากอิทธิพลอื่น ๆ เข้ามาปะปน นักเศรษฐศาสตร์เรียกสิ่งนี้ว่า Causal Effect (หรือในทางกลับกัน เราพยายามที่จะขจัดอิทธิพลอื่นที่ไม่เกี่ยว ออกไปให้ได้มากที่สุด)
ตัวอย่างเช่น เราอยากรู้ว่าการดื่มน้ำอัดลม วันละ 2 กระป๋อง เป็นจำนวน 2 สัปดาห์ติดต่อกัน จะทำทำให้น้ำหนักขึ้นหรือไม่ เราอยากวัดน้ำหนักที่เพิ่มเติมที่มาจากการดื่มน้ำอัดลมเพียงอย่างเดียว ไม่ใช่น้ำหนักที่มาจากการบริโภคข้าวมากขึ้น เนื่องจากการดื่มน้ำอัดลมทำให้เจริญอาหาร โดยทั่วไปแล้ว เราจึงสามารถดู “ผล” จาก “เหตุ” ได้โดยการเปรียบเทียบตัวแปรที่สนใจ “ก่อน” และ “หลัง” การดำเนินโครงการ หรือเปรียบเทียบผลจากการ “เข้าร่วม” และ “ไม่ได้เข้าร่วม” โครงการ แต่การเปรียบเทียบเพื่อให้ทราบถึงผลที่แท้จริงของนโยบายนั้น ไม่ได้ง่ายอย่างที่เราคิด เพราะมีปัจจัยภายนอกมากมายที่เราต้องคำนึงถึง
ถ้าเราอยากรู้ว่า "คนจนที่ได้รับเงินช่วยเหลืออย่างไม่มีเงื่อนไข (unconditional cash transfer) จะมีชีวิตเป็นอย่างไร หากพวกเขาไม่ได้รับเงินช่วยเหลือ" เหมือนเป็นการสมมติว่า หากเราไม่ได้ดื่มน้ำอัดลม (ทั้ง ๆ ที่ความจริงแล้วเราดื่ม) น้ำหนักของเราจะเป็นเช่นไร คำนวณได้เท่าไหร่ นั่นก็คือ ผลจากการดื่มน้ำอัดลมของ "คน ๆ นั้น" ทั้งนี้ หากนักวิจัยสามารถสังเกต (observe) ผลลัพธ์ที่ไม่ได้เกิดขึ้นจริงนี้ได้ ก็จะทำให้รู้ effect ที่แท้ทริงของการดื่มน้ำอัดลม เหตุการณ์ที่ตรงข้ามกับความจริงนี้ เรียกว่า “Counterfactual” ในทางปฏิบัติ เราจะต้องทำการเปรียบเทียบ 2 เหตุการณ์ระหว่าง 1) สถานการณ์ที่ถูกสังเกต (observed situation) โดยดูจากการเปลี่ยนแปลงของตัวแปรที่สนใจ (outcome indicator) ของผู้ได้รับประโยชน์ และ 2) สถานการณ์ที่ตรงกันข้ามกับความจริง (counterfactual situation) ซึ่งเป็นการเปลี่ยนแปลงของตัวแปรของผู้ที่ได้รับประโยชน์ ในกรณีที่โครงการไม่เกิดขึ้น ปัญหาสำคัญก็คือ เราไม่สามารถหา counterfactual ได้ เนื่องมาจากมันเป็นสิ่งที่ตรงกันข้ามกับความจริง...
Randomized Controlled Trials (RCTs) เป็นเครื่องมือที่ใช้กันมานานแล้วในวงการแพทย์ เช่น การดูผลของยาชนิดใหม่ หรือ การปฏิบัติแบบใหม่กับคนไข้ โดยแยกเป็นกลุ่มคนไข้ที่ได้รับ/ไม่ได้รับยา เป็นต้น RCTs ถูกประยุกต์กับสายสังคมศาสตร์ไม่นานมานี้ (บุกเบิกโดยนักเศรษฐศาสตร์ทั้ง 3 ที่ได้รางวัลในปีนี้)
ประเด็นสำคัญคือ RCTs ช่วยให้เราตามหา Counterfactual ที่เหมาะสม นั่นคือ หากกลุ่มประชากรที่มีลักษณะเหมือนกันทุกประการ เพื่อให้แน่ใจได้ว่า หากไม่มีอะไรเกิดขึ้น พวกเขาก็จะใช้ชีวิตกันไปตามปกติ เมื่อได้ประชากรมาแล้ว เราก็ทำการแบ่งเป็น 2 กลุ่ม คือ กลุ่มทดลอง (treated group) และกลุ่มควบคุม (control group) จากนั้น ให้กลุ่มทดลองได้รับการทดลอง (treatment) ตามคำถามการวิจัย เช่น กำหนดให้ได้รับตาข่ายกันยุง เอาไปใช้ฟรี ๆ ดูสิว่า จะช่วยลดมาลาเรียได้หรือไม่ พอเสร็จสิ้นระยะเวลาทดลอง ก็ทำการเปรียบเทียบความแตกต่างระหว่างสองกลุ่ม ผลดังกล่าว ก็คือ Effect ที่แท้จริงของโครงการ/นโยบาย ข้อดีก็คือ มันทำให้เรา "มั่นใจ" ได้ว่า โครงการนี้มีประโยชน์ หรือ ไม่มีประโยชน์...
ในทางปฏิบัติแล้วนั้น ประเด็นการคัดเลือกประชากร ก็ขึ้นอยู่กับการออกแบบของนักวิจัยเป็นหลัก ตัวอย่างที่น่าสนใจของงานที่ใช้ RCTs ในปัจจุบัน คือ การสุ่มกลุ่มตัวอย่างหลายชั้น (Multi-armed RCTs) ผสมกับการคัดเลือกประชากรโดยใช้เกณฑ์ต่าง ๆ ยกตัวอย่างเช่น งานของ Bandeira et al. (2017) ซึ่งทำการศึกษาผลกระทบจากการให้เงินและปศุสัตว์แก่ผู้หญิงยากจนในบังคลาเทศ โครงการนี้ได้รับการสนับสนุนจาก BRAC ซึ่งเป็น NGO ขนาดใหญ่ มีชื่อเสียงด้านการบริหารจัดการและทรัพย์สินระดับโลก มี office แพร่กระจายอยู่ในทุกอำเภอของบังคลาเทศ การศึกษานี้ใช้ Large-scale RCT ครอบคลุมประชากรจำนวน 21,000 ครัวเรือน ใน 1,309 หมู่บ้าน นักวิจัย ต้องการหา "Ultra Poor" หรือ คนจนในประเทศที่จนที่สุด ในพื้นที่ที่จนที่สุด และเป็นผู้หญิง ซึ่งได้ชื่อว่าประสบกับความยากจนร้ายแรงที่สุด เนื่องจากบังคลาเทศเป็นหนึ่งในประเทศที่จนที่สุดแล้วนั้น นักวิจัยจึงได้ค้นหา 13 พื้นที่ (อำเภอ) ที่ยากจนที่สุดของบังคลาเทศ โดยใช้เกณฑ์จาก Food security maps ของ The World Food Program จากนั้นแบ่งกลุ่มโดยการสุ่ม sub-district ออกเป็น 2 กลุ่ม แล้วทำการแบ่งกลุ่มโดยการสุ่มเลือกสาขา (Branch) ของ BRAC ออกเป็น สาขาที่จะได้รับเงินช่วยเหลือ (แจกให้กับประชากรที่อยู่ภายใต้ขอบเขตของสาขา) และสาขาที่ไม่ได้รับเงินช่วยเหลือ (ไม่แจก แต่มีการเก็บข้อมูล ประชากรที่อยู่ภายใต้ขอบเขตของสาขา) หมู่บ้านที่อยู่ในพื้นที่ของสาขาที่ได้รับโปรแกรมจะถือว่าเป็น Treated Group ขณะที่หมู่บ้านที่อยู่ในพื้นที่ของสาขาที่ไม่ได้รับโปรแกรมจะกลายเป็น Control Group อย่างไรก็ตาม ไม่ใช่ทุกครัวเรือนในหมู่บ้านที่สามารถเข้าร่วมการศึกษานี้ นักวิจัยได้ทำการคัดเลือกโดยมีเกณฑ์คัดกรองคนจนที่ค่อนข้างละเอียดเพื่อให้ได้มาซึ่งกลุ่มตัวอย่างที่ต้องการ เช่น เป็นผู้หญิงที่ไม่ได้รับความช่วยเหลือจากโครงการอื่น ๆ มีที่ดินจำกัด ไม่มีทรัพย์สิน และทำงานนอกบ้าน เป็นต้น นักวิจัยทำการเปรียบเทียบผลระยะสั้น 5 ปี และระยะยาว 7 ปี นำมาสู่ข้อสรุปว่า การให้เงินช่วยเหลือภายใต้โครงการของ BRAC นั้น ช่วยยกระดับคุณภาพชีวิตของผู้หญิงในบังคลาเทศได้จริง ๆ หรืองานของ Blattman et al. (2017) ที่ค้นพบว่า การให้เงินสนับสนุน (จำนวน 200 ดอลลาร์สหรัฐ) และการบำบัดกลุ่มนักโทษเป็นระยะเวลา 8 สัปดาห์ สามารถช่วยลดอาชญากรรมและความรุนแรงได้ในระยะสั้น ดังนั้น จะเห็นว่า RCT มีรายละเอียดค่อนข้างมาก และมีรูปแบบการดำเนินการที่หลากหลาย ไม่มีสูตรสำเร็จตายตัว นอกจากนั้น นักวิจัยมักทำ Preliminary survey เพื่อให้รู้จักประชากรในพื้นที่ให้ดียิ่งขึ้น
อย่างไรก็ตาม RCTs ไม่ใช่ Magic Bullet
ข้อจำกัดของ RCTs มีดังนี้ (อาจไม่ครบถ้วนทุกประการ/บางข้อ ไม่จำเป็นต้องพบใน RCTs-based work เท่านั้น)
1. ไม่ใช่ "ทุกคำถาม" จะสามารถหา "คำตอบ" ได้ด้วย RCTs
RCTs ให้ความสำคัญกับ "ทางเลือก" ในระดับบุคคลหรือครัวเรือน (Individual/household choice) นั่นแปลว่า อะไรที่นอกเหนือไปจากการตัดสินใจของครัวเรือน ก็ยากที่จะศึกษาด้วย RCTs
เราไม่สามารถ randomize หน่วยเศรษฐกิจใหญ่ ๆ ได้ เช่น จังหวัด ภูมิภาค และประเทศ เป็นต้น
RCTs จึงใช้ตอบคำถามไม่ได้ว่า จะเกิดอะไรขึ้น หากไทยทำ FTA กับ EU, อะไรคือความแตกต่างของการที่หมู่บ้านในอินโดนีเซียเลือกที่จะเป็น "Desa" แทนที่จะเป็น "Kelurahan", จะเกิดอะไรขึ้นกับการส่งออกกระจกรถยนต์ หาก Trade War ไม่จบสักที เป็นต้น
แต่นี่ก็ไม่ใช่ความผิดของ RCTs เพราะไม่มีเครื่องมือไหนที่จะใช้ตอบคำถามได้ทุกอย่างบนโลก
2. แม้ RCTs จะถูกเรียกว่าเป็น Impact Evaluation Tool แต่จริง ๆ แล้ว มัน คือ แนวคิด/วิธีการ ได้มาซึ่ง กลุ่มตัวอย่าง (กลุ่มที่จะได้รับ treatment/กลุ่มที่จะไม่ได้รับ treatment) ที่มีลักษณะเหมือนกัน ผ่านการสุ่มกลุ่มตัวอย่าง (Randomized assignment)
ตัวอย่างในทางปฏิบัติคือ ในบทความวิจัยที่ใช้ RCT นั้น นักวิจัยจะทำการทดสอบความแตกต่างระหว่าง Treated group/Control Group ว่ามีลักษณะเหมือนกันหรือเปล่า พร้อมใช้งานหรือยัง ตัวอย่างตัวแปรที่สนใจ เช่น อายุ รายได้ หนี้ และการศึกษา เป็นต้น เราต้องการให้ตัวอย่างทั้ง 2 กลุ่มมีลักษณะเหมือนกัน หากทดสอบออกมาแล้วพบว่า กลุ่มตัวอย่างมีความแตกต่างกัน ย่อมทำให้เราไม่สามารถอ้างได้ว่า ผลของการเปลี่ยนแปลงของตัวแปรที่สนใจ ระหว่าง 2 กลุ่มนี้ มาจากผลของนโยบายจริง ๆ
ในการประเมินผลของโครงการ/นโยบาย หากกลุ่มตัวอย่างมีการสุ่ม (Randomly assigned) เราสามารถดูผลลัพธ์ของการดำเนินนโยบายโดยดูที่ความแตกต่างของตัวแปรที่สนใจ งานส่วนมากมักใช้ OLS regression ในการดูผลกระทบ โดยมีตัวแปรหุ่นที่เกี่ยวข้องกับโครงการในแบบจำลอง (แช่น ตัวแปรสะท้อนการเข้าร่วม หรือ ไม่ได้เข้าร่วมโครงการ เป็นต้น)
3. หากกลุ่มตัวอย่าง ไม่ได้มาจากการสุ่มนั้น นักวิจัยก็ยังมีอีกหลายสาระพัดวิธีที่จะประเมินผลของโครงการ พูดอีกอย่างก็คือ RCTs ไม่ได้เป็นวิธีการเดียวที่จะได้มาซึ่ง Causal Effect
มีวิธีอีกมากมาย เช่น การหาคนที่มีลักษณะเหมือนกับประชากรที่ต้องการด้วยวิธี Matching (คำนวณ Propensity Score Matching: PSM) ตัวอย่างบทความคือ Sparrow et al. (2013), การทำ Difference-in-difference (หรือในบางสถานการณ์ เป็น Triple Matching) ตัวอย่างบทความคือ Chetty et al. (2009), การใช้ Panel data analysis เพื่อดูการเปลี่ยนแปลงของตัวแปรเดิมข้ามเวลา ตัวอย่างบทความคือ Janvry et al. (2015), และการใช้ Regression Discontinuity Design (RDD) ในกรณีที่นักวิจัยสนใจตัวแปรที่มีค่าอยู่ในช่วงที่กำหนด เช่น พิจารณาผลกระทบของการขยายเวลาของเงินสมทบเมื่อว่างงาน สำหรับคนที่มีอายุ 40 ปีขึ้นไป ตัวอย่างบทความคือ Nekoei and Weber (2017)
4. ปัญหาสำคัญของ RCTs คือ Generalization (ประเด็น External validity)
เนื่องจาก RCTs เป็นการดูว่า "What work, What does not work" ผลการศึกษาด้วย RCTs จึงบอกผลลัพธ์ของนโยบายหนึ่ง ในพื้นที่หนึ่ง ในเวลาใดเวลาหนึ่ง ซึ่งเราไม่สามารถอนุมานผลลัพธ์ว่าจะเกิดขึ้น หาก intervention ไปเกิดในพื้นที่อื่น เช่น เราไม่อาจแน่ใจได้ว่า ผลลัพธ์จากการศึกษาในพื้นที่ชนบทของไนจีเรียจะเหมือนกับชุมชนในจังหวัดสุรินทร
ซึ่งเมื่อมีข้อจำกัดในเรื่องของ External Validity นั่นหมายความว่า เมื่อ Policy Maker อ่านงานวิจัยที่ทำในพื้นที่อื่น ก็อาจจะมีความลังเลใจว่า ควรจะปรับใช้กับประเทศ/พื้นที่ ที่ตนเองรับผิดชอบหรือไม่
5. RCTs ใช้งบประมาณค่อนข้างเยอะ นั่นเป็นเพราะงานทางด้าน RCTs ส่วนใหญ่ มักข้องเกี่ยวกับการพิสูจน์ว่า การช่วยเหลือคนยากจน (ในรูปแบบต่าง ๆ เช่น แจกมุ้ง แจกเงิน แจกวัว) ส่งผลอย่างไรต่อคนจน
งานที่ศึกษาด้วย RCTs ก็มักจะถูก funded ด้วย NGOs ขนาดใหญ่ ซึ่งตรงนี้เอง ก็ "อาจ" ทำให้เกิดปัญหา conflict of interest ว่างานวิจัยถูกบิดเบือน/ชักนำโดย NGOs หรือเปล่า
6. ประเด็น Ethics
RCTs เกี่ยวข้องกับคน เป็นการทดลองเกี่ยวกับคนจริง ๆ ดังนั้น ประเด็นจริยธรรมในการวิจัยจึงมีความสำคัญ
ลองคิดถึงความรู้สึกของคนที่พบว่า ตัวเองถูกจัดให้อยู่ในกลุ่ม "Control" ขณะที่คนอื่น ถูกจัดให้อยู่ในกลุ่ม "Treatment" ขณะที่เพื่อนบ้านได้วัวมาฟรี ๆ เราไม่ได้อะไร แถมยังต้องตอบสาระพัดคำถามจากนักวิจัย
เมื่อกลุ่มทดลองเป็นมนุษย์ เราหลีกเลี่ยง ความอิจฉาริษยา หรือ ความรู้สึกไม่แฟร์ของคนที่ถูกสุ่มออกมาแล้วพบว่า ตัวเองเป็น Control group ไม่ได้ อย่างไรก็ตาม มีหลายงานวิจัยที่ตั้งใจตั้งแต่แรกว่าทุกคนในพื้นที่จะได้รับประโยชน์เหมือนกับกลุ่มทดลอง ซึ่งก็เกิดปัญหาการบิดเบือนพฤติกรรมจากการคาดหวังว่าจะได้รับประโยชน์ในอนาคต
7. ปัญหา Attrition หรือการที่กลุ่มตัวอย่างยกเลิกหรือปฏิเสธการเป็นส่วนหนึ่งของการศึกษา ภายหลังจากที่แบ่งกลุ่มไปแล้ว หรือปัญหา Non-compliance ซึ่งเกิดจากการที่กลุ่มควบคุมพยายามที่จะได้รับประโยชน์จากโครงการ
เนื่องจาก RCTs ในงานทางด้านเศรษฐศาสตร์ มีความเกี่ยวข้องเกี่ยวพันกับมนุษย์ บ่อยครั้งที่พบว่า คนที่ถูกสุ่มนั้น ไม่ได้ให้ความร่วมมือจนตลอดเสร็จสิ้นการศึกษา หรือการที่นักวิจัยเองไม่สามารถกีดกันกลุ่มควบคุมจากนโยบายได้ ผลลัพธ์ของนโยบายจึงดูการเปลี่ยนแปลงของ “ทุกคน” ที่เข้าร่วมโครงการ ซึ่งเรียกผลลัพธ์ดังกล่าวว่า Intent-to-treat (ITT) Effect (เช่น งานของ Gibson et al. 2015)
8. การศึกษาโดยใช้ RCT มักใช้ระยะเวลานานหลายปี ในระยะหลัง งานทางด้านนี้ มักจะทดสอบผลลัพธ์ระยะยาวหลัง intervention บางครั้ง รัฐบาล/ผู้ออกแบบนโยบายก็ไม่สามารถรอได้ หรือเปลี่ยนรัฐบาลไปซะก่อน ความสนใจก็ต่างออกไป
การใช้ RCTs มาศึกษาปัญหาทางด้านเศรษฐศาสตร์ ถือเป็น Revolution ให้กับปรัชญาเศรษฐศาสตร์ โดยเฉพาะอย่างยิ่ง "วิชาเศรษฐศาสตร์การพัฒนา" การทำ RCTs เกี่ยวข้องกับคนนับร้อยนับพัน ทั้งนักวิจัยของ J-PAL เอง รวมไปถึงคนที่เข้าร่วมกลุ่มการทดลอง ซึ่งปฏิเสธไม่ได้ว่า งานของ Abhijit, Duflo และ Kremer มีผลกระทบอย่างมาก ต่อทั้ง "หลักคิด" ของนักเศรษฐศาสตร์ รวมไปถึงคนที่ทำนโยบาย และคนที่เป็นคนจนจริง ๆ จุดนี้เองที่ทำให้ทั้ง 3 คน เหมาะสมอย่างยิ่งสำหรับรางวัลโนเบล...
References
Bandiera, O., Burgess, R., Das, N., Gulesci, S., Rasul, I., and Sulaiman, M. (2017). Labor markets and poverty in village economies. The Quarterly Journal of Economics, 132(2), 811-870.
Banerjee, A. V. and Duflo, E. (2011) Poor Economics: A Radical Rethinking of the Way to Fight Global Poverty. New York: PublishAffairs.
Blattman, C., Jamison, J. C., and Sheridan, M. (2017) Reducing crime and violence: Evidence from cognitive behavioral therapy in Liberia. American Economic Review, 107(4), 1165-1206.
Chetty, R., Looney, A., and Kroft, K. (2009) Salience and Taxation: Theory and evidence. American Economic Review, 99(4), 1145-1177.
de Janvry, A., Emerick, K., Gonzalez-Navarro, M., and Sadoulet, E. Delinking land rights from land use: Certification and migration in Mexico. American Economic Review, 105(10), 3125-3149.
Gibson, J., McKenzie, D., Rohorua, H., and Stillman, S. (2015) The long-term impacts of international migration evidence from a lottery. IZA DP No. 9492. The Institute for the Study of Labor, Bonn.
Sparrow, R., Suryahadi, A., and Widyanti, W. (2013) Social health insurance for the poor: Targeting and impact of Indonesia’s Askeskin programme. Social Science & Medicine, 96, 264-271.
Nekoei, A. and Weber, A. (2017) Does extending unemployment benefits improve job quality?. American Economic Review, 107(2), 527-561.
ความคิดเห็น
แสดงความคิดเห็น