Google mobility กับอัตราการแพร่ระบาด Covid-19 ในประเทศไทย

28 เม.ย. 2564 | 14:30 น.
1.8 k

Google mobility กับอัตราการแพร่ระบาด Covid-19 ในประเทศไทย : คอลัมน์เศรษฐเสวนา จุฬาฯทัศนะ  โดย  ผศ.ดร.พงศ์ศักดิ์ เหลืองอร่าม คณะเศรษฐศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย หนังสือพิมพ์ฐานเศรษฐกิจ ฉบับ 3,674 หน้า 5 วันที่ 29 เมษายน - 1 พฤษภาคม 2564

“ข้อมูลการเดินทางไม่เพียงแต่สะท้อนภาพกิจกรรมทางเศรษฐกิจ แต่ยังสามารถใช้ ชี้วัดแนวโน้มอัตราการแพร่เชื้อได้” 

ที่ผ่านมา เราคงพอได้ยินนักเศรษฐ ศาสตร์จากหน่วยงานวิจัยต่างๆ นำข้อมูลการเดินทางของคนในประเทศ หรือที่เรียกว่า Google mobility มาสะท้อนวัดกิจกรรมทางเศรษฐกิจอยู่บ่อยครั้ง เนื่องจากสถานการณ์ การแพร่ระบาดของโควิดที่เปลี่ยนแปลงไปอย่างรวดเร็วจำเป็นต้องอาศัยเครื่องชี้วัดความ ถี่สูงมาช่วยจับชีพจรทางเศรษฐกิจ แต่ในบทความนี้ ผมอยากจะชวนผู้อ่านมาวิเคราะห์ ข้อมูลการเดินทางในอีกมิติหนึ่งที่สำคัญ คือ ข้อมูล Google mobility บอกอะไรเราเกี่ยวกับการแพร่ระบาดโควิดที่กำลังเข้าสู่ระลอกที่สามในขณะนี้

Google mobility กับอัตราการแพร่ระบาด Covid-19 ในประเทศไทย

 

Google mobility คืออะไร หลายท่านคงเคยใช้ Google map จากโทรศัพท์มือถือเพื่อบอกทิศทางและระยะเวลาการเดินทาง รวมทั้งข้อมูลตำแหน่งสถานที่ที่เรายอมให้มือถือของเราเข้าถึงในช่วงเวลาหนึ่งๆ เช่น location services ข้อมูลดังกล่าวนี้ทางบริษัท Google Inc. นำมารวมรวมและแบ่งการเดินทางของคนในประเทศไปยังสถานที่ต่างๆ ออกเป็นทั้งหมด 6 ด้านคือ (1) ร้านค้าปลีกและนันทนาการ (2) ตลาดสด (3) สวนสาธารณะ (4) สถานีขนส่ง (5) สถานที่ทำงาน (6) ที่พักอาศัย

หลังจากนั้นทำการประมวลเปรียบเทียบระดับการเคลื่อนย้ายของคน (mobility) ว่าเปลี่ยนแปลงอย่างไรเมื่อเทียบกับช่วงปกติก่อนเกิดการแพร่กระจายเชื้อโควิดในช่วงต้นปีที่แล้ว ภาพที่ 1 แสดงค่าเฉลี่ย 5 ด้าน (ไม่รวมด้านที่พักอาศัย) เราจะเห็นระลอกการเคลื่อนไหวของคนที่เปลี่ยนแปลงสอดคล้องกับความรุนแรงของสถานการณ์การแพร่กระจายในแต่ละช่วงเวลา โดยระลอกแรกในเดือนมีนาคมถึงเมษายนของปีที่แล้ว

การออกมาตรการล็อกดาวน์อย่างเข้มข้นส่งผลให้การเคลื่อนไหวของคนลดลงมากกว่า 40 เปอร์เซ็นต์ ต่อมาระลอกที่สองในเดือนมกราคมของปีนี้ การเคลื่อนไหวของคนลดลงโดยเฉลี่ย 26 เปอร์เซ็นต์ และกลับมาฟื้นตัวจนแทบจะเรียกได้ว่าผู้คน กลับมาเดินทางกันเป็นปกติในปลายเดือนมีนาคม จนกระทั่งระลอกที่สามที่เกิดขึ้นตอนต้นเดือนเมษายน แม้ว่ามาตรการล็อกดาวน์จะไม่ได้เข้มข้นเท่าที่ผ่านมา แต่ความกังวลของคนส่วนใหญ่ในเรื่องอัตราการแพร่ระบาดที่รวดเร็วอย่างมากส่งผลให้การเดินทางไปทำกิจกรรมต่างๆ ลด ลงไปถึง 24% (ข้อมูลถึงวันที่ 21 เมษายน) ซึ่งเป็นการลดลงในระดับที่ใกล้เคียงกับช่วงเดือนมกราคมที่ผ่านมา 

 

Google mobility กับอัตราการแพร่ระบาด Covid-19 ในประเทศไทย

 

อย่างไรก็ตาม จำนวนผู้ติดเชื้อโควิดที่พุ่งสูงเกินกว่า 2,000 รายต่อวันในระลอกที่สามนี้ ได้สะท้อนให้เห็นถึงอัตราการติดเชื้อโควิดสายพันธุ์อังกฤษที่แพร่กระจายได้อย่างรวดเร็วและรุนแรง อัตราการแพร่กระจายที่ เรียกว่า “Effective reproduction rate” หรือเรียกย่อๆ ว่าค่า R เป็นตัวเลขที่บ่งชี้ถึงความรวดเร็วของอัตราการแพร่กระจายว่าคน 1 คนสามารถแพร่กระจายเชื้อติดต่อไปที่คนอื่นๆ ได้โดยเฉลี่ยกี่คน ค่าที่สูงกว่า 1 จำนวนผู้ติดเชื้อใหม่จะเพิ่มสูงขึ้นได้เรื่อยๆ และในทางกลับกันค่า R ที่ตํ่ากว่า 1 จำนวนผู้ติดเชื้อใหม่ก็จะทยอยลดลง

ดังที่ นายแพทย์โอภาส การย์กวินพงศ์ อธิบดีกรมควบคุมโรค กล่าวในการแถลงข่าวเมื่อวันที่ 18 เมษายน ว่าในทางระบาดวิทยา ต้องควบคุมสถานการณ์ให้ค่า R น้อยกว่า 1 ให้มากที่สุด คำถามคืออะไรเป็นปัจจัยสำคัญที่จะช่วยลดอัตราการแพร่เชื้อลงได้ เพราะหากอัตราการแพร่เชื้อยังคงอยู่ในระดับที่สูง จำนวนผู้ติดเชื้อใหม่อาจเพิ่มขึ้นอย่างทวีคูณ ถ้าการจัดหาและฉีดวัคซีนไม่ทันการณ์ ก็อาจทำให้เกิดวิกฤติในระบบการสาธารณสุขของไทยได้ 

ในระลอกที่สามนี้ ค่า R ได้พุ่งขึ้นไปแตะที่ระดับสูงสุดที่ 2.23 ในวันที่ 10 เมษายน ซึ่งเป็นระดับที่สูงยิ่งกว่าระลอกก่อนหน้า (ภาพที่ 2) แต่หลังจากนั้นค่า R ได้เริ่มลดลงมาที่ระดับ 1.65 ในวันที่ 24 เมษายน หากเรามาตรวจสอบว่าอะไรที่อาจจะเป็นสาเหตุที่ทำให้ค่า R ลดลง ก็จะพบว่าการเคลื่อนไหวของคนที่ลดลงเป็นปัจจัยที่สำคัญที่ส่งผลให้อัตราการแพร่เชื้อชะลอตัวลง

ภาพที่ 3 แสดงความสัมพันธ์ระหว่าง google mobility และค่า effective reproduction rate ซี่งพบว่าข้อมูลการเคลื่อนไหวของคนชี้นำแนวโน้มค่า R ว่าจะเคลื่อนไหวไป ในทิศทางใดในอีกสองสัปดาห์ถัดไป โดยมีค่าสัมประสิทธิ์สหสัมพันธ์ (correlation) อยู่ที่ 0.69 ผลการศึกษาในกรณีของประเทศไทยนี้สอดคล้องกับงานศึกษาของ Arroyo-Marioli et al. (2021)  ที่ใช้จำนวนประเทศกว่า 100 ประเทศ ซึ่งพบ ว่าค่าสัมประสิทธิ์สหสัมพันธ์อยู่ที่ 0.63

 

Google mobility กับอัตราการแพร่ระบาด Covid-19 ในประเทศไทย

 

คำถามถัดมาคือการเคลื่อนไหวของคนควรลดลงมาในระดับใดที่จะส่งผลให้ค่า R ลดลงตํ่ากว่า 1 หากเราพิจารณากรณีของไทยจากภาพที่ 3 จะพบว่าค่า google mobility ควรจะต้องลดลงตํ่ากว่า 20% ถึงจะทำให้ค่า R ตํ่ากว่า 1 ได้  ข้อค้นพบนี้ก็มีความสอดคล้องกับงานศึกษาของ Nouvellet et al. (2021)  ที่ตีพิมพ์ในวารสาร Nature Communications ในกรณีของอังกฤษ ค่าการเคลื่อนย้ายของคนโดยเฉลี่ยควรจะต้องลดลงกว่า 18% จึงจะทำให้ค่า R ลดลงตํ่ากว่า 1 ได้ 

 

Google mobility กับอัตราการแพร่ระบาด Covid-19 ในประเทศไทย

 

โดยสรุป ถึงแม้ว่าจำนวนผู้ติดเชื้อรายใหม่ของไทยในปัจจุบันจะยังคงสูงในระดับที่สูง แต่อัตราการแพร่เชื้อที่เริ่มปรับตัวลดลงน่าจะส่งผลทำให้ตัวเลขผู้ติดเชื้อใหม่เริ่มนิ่งและอาจมีแนวโน้มลดลงชัดเจนมากขึ้นในอีกสองสัปดาห์ข้างหน้า อาจถือเป็นสัญญาณที่ทำให้เราบรรเทาความกังวลในแง่ความทวีคูณของผู้ติดเชื้อรายใหม่ต่อวันกันได้บ้าง

อย่างไรก็ตาม มาตรการเพื่อรักษาระยะห่างทางสังคมเป็นสิ่งที่จำเป็นอย่างยิ่ง เพราะจะส่งผลโดยตรงต่อการเคลื่อนไหวหรือการเดินทางของผู้คน ซึ่งในที่สุดก็จะนำมาซึ่งการลดลงของอัตราการแพร่กระจายโควิด ผมขอเป็นกำลังใจให้พวกเราทุกคนสามารถผ่านพ้นวิกฤติรอบนี้ไปได้ครับ 

1 ที่มา: http://www.globalrt.live

2 Arroyo-Marioli F, Bullano F, Kucinskas S, Rondo, n-Moreno C (2021) Tracking R of COVID- 19: A new real-time estimation using the Kalman filter. PLoS ONE 16(1): e0244474. https://doi.org/ 10.1371/journal.pone.0244474

3 Nouvellet, P., Bhatia, S., Cori, A. et al. Reduction in mobility and COVID-19 transmission. Nat Commun 12, 1090 (2021). https://doi.org/10.1038/s41467-021-21358-2