อะไรเป็นตัวบอกว่าพื้นที่ไหนเป็นเมือง โดยส่วนใหญ่จะมองระดับการกระจุกตัวทางเศรษฐกิจ (Agglomeration Economic) ที่สูงเป็นสิ่งกำหนดว่าพื้นนั้นๆ เป็นเมือง ซึ่งกิจกรรมทางเศรษฐกิจที่กระจุกตัวหนาแน่นในพื้นที่เมืองเกิดขึ้นได้ในหลากหลายมิติ อาทิ รูปแบบการจ่ายเงินเดือนของแรงงานในพื้นที่ ลักษณะของการดำเนินกิจกรรมในพื้นที่ ลักษณะของการพัฒนาเชิงพื้นที่ การไหลเวียนของทุน ความเข้มข้นของโครงสร้างพื้นฐาน และปัญหาอาชญากรรม
แน่นอนว่า “เมือง” ในทัศนะของหลายๆ คน คือ แหล่งงาน พื้นที่ล่าฝันของคนหนุ่มสาว พื้นที่แห่งโอกาส และพื้นที่แห่งการเรียนรู้ ซึ่งเราสามารถมองเห็นภาพรวมของการจ้างแรงงานในระบบในเขตเมืองได้จากข้อมูลสถิติผู้ประกันตนของกองทุนประกันสังคม ซึ่งจากข้อมูลปี 2560 เราจะเห็นอัตราการกระจุกตัวของการทำงานในเขตกรุงเทพมหานครที่สูงมาก โดยเมืองหลวงของเรานี้มีขนาดเพียงร้อยละ 0.3 ของพื้นที่ทั้งประเทศ แต่มีจ้างงานถึงร้อยละ 31 หรือเกือบ 1 ใน 3 ของระบบการจ้างงานในประเทศเลยทีเดียว
ก่อนจะเริ่มดูความเป็นไปใดๆ ของเมืองนั้น เราจำเป็นที่ต้องเริ่มต้นกำหนดขอบเขตของเมืองให้ชัดเจนก่อน เดิมทีเรามักยึดถือเขตเมืองตามเขตอำนาจปกครอง เช่น แขวง หรืออำเภอ แต่ Cottineau et al., (2016) กลุ่มนักสังคมศาสตร์และนักภูมิศาสตร์ได้ให้ความเห็นในการตีเขตเมืองว่า เราต้องพิจารณาองค์ประกอบหลายๆ ด้าน อาทิ
ยิ่งเราได้ข้อมูลเพื่อตอบมิติของเมืองด้านต่างๆ มากเท่าใด เราจะสามารถกำหนดพื้นที่ย่านเมืองได้ชัดเจนมากขึ้นเท่านั้น
อย่างไรก็ตาม การกำหนดพื้นที่เขตเมืองในปัจจุบันมีความหลากหลายขึ้นอยู่กับความพร้อมของข้อมูล และขึ้นอยู่กับมิติประเด็นที่กำลังจะพูดถึง Baania Insights อยากจะขอนำเสนอมิติมุมมองของเมืองด้านตลาดแรงงาน หรือมิติของการทำงานของคนในเมือง ด้วยความเข้าใจว่าย่านที่มีงานที่จ่ายผลแทนสูงและมีปริมาณงานเหล่านั้นมาก จะถูกนำมาใช้เป็นสิ่งชี้วัดในขอบเขตเมือง
โดยข้อมูลดังกล่าวเป็นการประยุกต์ข้อมูลการฝากประวัติงานผ่านช่องทางอินเตอร์เน็ตในเขตกรุงเทพมหานคร ซึ่งข้อได้เปรียบของฐานข้อมูลนี้คือ เป็นแหล่งข้อมูลละเอียดระดับบุคคล (ซึ่งเป็นการเก็บข้อมูลที่ละเอียดที่สุด) มีปริมาณของข้อมูลผู้ใช้งานที่สูง (สอดคล้องกับเทรนด์ Big Data ใช่ไหมละครับ) และข้อมูลที่เห็นในประวัติการทำงานส่วนใหญ่จะเป็นข้อมูลที่ค่อนข้างสมบูรณ์ ถูกต้อง เพราะด้วยแรงจูงใจในโอกาสของการได้งานจริงเป็นสิ่งล่อใจให้ผู้ใช้บริการใส่ใจในทุกการกดคีย์บอร์ดของตนลงในประวัติงานออนไลน์
Lekfuangfu, Nakavachara และ Sawaengsuksant (2016) นำเสนอบทวิจัยเกี่ยวกับตลาดแรงงานผ่านเว็บไซด์หางานออนไลน์ในเวที BOT Symposium 2016: The Data Revolution: A New Paradigm for Economic Policy ว่า ลักษณะของข้อมูลผู้ใช้งานที่ปรากฏในตลาดแรงงานแบบออนไลน์เป็นการทำงานในระบบ (Formal Sector) และเป็นประเภทงาน Middle-to-Low Skill (งานระดับสูงมีรูปแบบการคัดสรรตำแหน่งที่ค่อนข้างมีลักษณะเฉพาะ ซึ่งเป็นส่วนน้อยที่จะปรากฎในเว็บไซด์หางานโดยทั่วไป) ของตลาดแรงงานในประเทศ อีกทั้งพื้นที่ของผู้ใช้งานจะเป็นผู้ใช้งานที่อยู่ในเขตกรุงเทพฯและปริมณฑลมากกว่าพื้นที่อื่นอย่างเห็นได้ชัด
ทั้งนี้ตลาดแรงงานที่ถูกเก็บโดยออนไลน์ที่เกิดขึ้นจะไม่สามารถฉายภาพงานในลักษณะ
อีกทั้งลักษณะของผู้ใช้งานในตลาดแรงงานออนไลน์คือผู้ใช้อินเทอร์เน็ตมักมีอายุ ในช่วง 20-39 ปี, ระดับการศึกษาสูง, และแน่นอนว่ามีระดับของความสามารถในการใช้เทคโนโลยีที่สูงกว่าประชากรทั่วไป
ภาพพิกัดการจ้างงานในกรุงเทพมหานครจากข้อมูลประวัติงานออนไลน์ 49,730 บัญชีของผู้ใช้งานในปี 2558
ข้อมูลสถานที่ทำงานข้างต้นมีข้อสังเกตในการกระจุกตัวของการจ้างงานเกิดขึ้นในเขตกลางเมืองและเส้นถนนอย่างชัดเจน การประมาณความหนาแน่นเชิงพื้นที่ (map smoothing) ด้วย Kernel density ได้กำหนดชั้นการแบ่งข้อมูลออกเป็น 4 ชั้นข้อมูล ได้แก่
ภายในระดับย่านเมือง Bangkok Zone 4 นั้นพบว่าย่านเมืองที่มีสถานะของการจ้างงานเงินเดือนสูงที่เข้มข้นคือพื้นที่ตามแนวรถไฟฟ้า BTS และ MRT โดยมีย่านต่างๆ ดังนี้
ภาพ ขอบเขตพื้นที่เมืองที่มีการจ้างงานที่รายได้สูง
การเริ่มต้นด้วยการแบ่งพื้นที่เมืองในมิติของตลาดแรงงานเป็นความแปลกใหม่ที่ทาง Baania Insights อยากจะนำเสนอ และทางทีมงานขอทิ้งท้ายโฆษณาเล็กๆให้ท่านผู้อ่านว่า มิติเมืองที่ถูกมองผ่านตลาดแรงงานและเงินเดือนไม่ได้มีเพียงเท่านี้ ยังมีภาคต่อของตลาดแรงงานในเขตเมืองให้ทุกท่านได้ประหลาดใจอีก… โปรดติดตามภาคต่อของเราได้เร็วๆ นี้
อ้างอิง
Cottineau, C., Finance, O., & Hatna, E. (2016). Defining Urban Agglomerations to Detect Agglomeration Economies (arXiv:1601.05664).
Jumpol Goonto. (2017). Intra-Urban Wage Premium and Influence of Urban Characteristics in Bangkok: Evidence from Job Board website. Master degree thesis of faculty of Economics, Chulalongkorn University, Bangkok.
Lekfuangfu N.W., Nakavachara V. and Sawaengsuksant P. (2016). Two sides of the same coin: Glancing at labour market mismatch with user-generated internet data. PIER discussion paper No.53.