وقتی داده‌ها زبان هم را نمی‌فهمند

برای تهیه گزارشی درباره وضعیت بیمه و پوشش‌های رفاهی، داده‌های بیمه‌پردازان را در کنار آمارهای رسمی بازار کار قرار دادم. انتظار اولیه چندان پیچیده نبود. در کشوری که نهادهای رسمی سهم اشتغال غیررسمی را حدود ۶۰ درصد بازار کار برآورد می‌کنند، طبیعی است که تعداد بیمه‌پردازان فاصله محسوسی با تعداد شاغلان داشته باشد. اگر فرض کنیم بخش بزرگی از اشتغال خارج از پوشش‌های رسمی قرار دارد، نسبت بیمه‌پردازان به شاغلان نباید به ۱۰۰ درصد نزدیک شود؛ چه برسد به آنکه از این مرز فراتر رود. اما داده‌ها تصویر دیگری نشان می‌دادند. در برخی استان‌ها، تعداد زنان بیمه‌پرداز نه تنها از تعداد زنان شاغل، بلکه گاه از جمعیت فعال نیز بیشتر بود. در سال ۱۴۰۳ نسبت زنان بیمه‌پرداز به زنان شاغل در بعضی استان‌ها به بیش از دو برابر می‌رسید. در نگاه نخست، چنین نسبتی با شهود آماری سازگار نیست. اگر بیمه‌پردازان زیرمجموعه‌ای از شاغلان باشند، چگونه می‌توان تعداد آن‌ها را بیشتر از کل جمعیت شاغل برآورد کرد؟

ابتدا تصور کردم با خطایی در داده‌ها یا محاسبات مواجه شده‌ام. محاسبات چند بار بازبینی شد. منابع آماری دوباره کنترل شدند. اما مسئله باقی ماند. نسبت‌ها اندکی جابه‌جا می‌شدند، اما اصل معما از میان نمی‌رفت.

نکته عجیب آن بود که این نسبت‌های نامتعارف به یک استان یا یک سال محدود نبودند. الگوی مشابهی در نقاط مختلف کشور دیده می‌شد و در برخی موارد حتی روندی صعودی داشت. هرچه بیشتر به داده‌ها نگاه می‌کردم، کمتر به یک اشتباه آماری شباهت داشت و بیشتر به نشانه‌ای از مسئله‌ای پنهان در پسِ داده‌ها تبدیل می‌شد.

در این مرحله هنوز روشن نبود منشأ اختلاف چیست. تنها چیزی که می‌شد با اطمینان گفت این بود که میان آنچه آمار اشتغال روایت می‌کند و آنچه داده‌های بیمه‌ای نشان می‌دهند، شکافی وجود دارد که با شهود متعارف درباره بازار کار سازگار نیست.

یک نسبت ناممکن

روند نسبت زنان بیمه‌پرداز به زنان شاغل در کشور (بیمه اجباری تأمین اجتماعی و کسورپردازان صندوق کشوری)، ۱۳۹۸ تا  ۱۴۰۳

نمودار این نسبت از حدود ۸۵ درصد در سال ۱۳۹۸ به بیش از ۱۴۰ درصد در سال ۱۴۰۳ رسیده است؛ یعنی تعداد زنان ثبت‌شده در این صندوق‌ها از تعداد زنان شاغل برآوردشده در آمار اشتغال فراتر رفته است.

نمودار نشان می‌دهد که این نسبت از حدود ۸۵ درصد در سال ۱۳۹۸ به بیش از ۱۴۰ درصد در سال ۱۴۰۳ رسیده است؛ یعنی حتی در محدودترین تعریف نزدیک به اشتغال رسمی نیز تعداد زنان ثبت‌شده در این صندوق‌ها از تعداد زنان شاغل برآوردشده در آمار بازار کار فراتر رفته است.

این نسبت نامنتظر نقطه آغاز یادداشت حاضر است. اما مسئله اصلی خودِ نسبت نیست. پرسش مهم‌تر این است که چرا دو منبع رسمی که هر دو به نحوی با اشتغال مرتبط‌اند، تصویری تا این اندازه متفاوت از واقعیت ارائه می‌کنند.

فرضیه‌ای که تاب نیاورد

نخستین توضیحی که به ذهن می‌رسید، خودِ ساختار نظام بیمه‌ای کشور بود. بیمه‌پردازان الزاماً معادل شاغلان نیستند. بخشی از پوشش‌های بیمه‌ای ماهیت حمایتی دارند، بخشی با یارانه عمومی برقرار می‌شوند و بخشی نیز به گروه‌هایی مربوط‌اند که لزوماً در رابطه مزدبگیری متعارف قرار ندارند. بنابراین طبیعی بود که ابتدا منشأ نسبت‌های غیرعادی در همین نقطه جست‌وجو شود.

بر این اساس، تحلیل مرحله‌به‌مرحله محدودتر شد. ابتدا پوشش‌های حمایتی از محاسبات کنار گذاشته شدند. سپس صندوق بیمه اجتماعی کشاورزان، روستاییان و عشایر حذف شد. در گام بعد، تمرکز بر بیمه اجباری سازمان تأمین اجتماعی و کسورپردازان صندوق بازنشستگی کشوری قرار گرفت؛ یعنی بخشی از نظام بیمه که بیش از سایر انواع پوشش با اشتغال رسمی و رابطه مزدبگیری پیوند دارد.

انتظار روشن بود. اگر منشأ اصلی نسبت‌های غیرمتعارف، گستردگی چتر بیمه یا حضور پوشش‌های حمایتی باشد، باید با محدود شدن دامنه تحلیل، نسبت‌ها نیز به محدوده‌ای قابل توضیح بازگردند.

نتایج تا حدی همین مسیر را نشان می‌دادند. با هر مرحله از محدودسازی، نسبت‌ها کاهش پیدا می‌کردند. اما مسئله به طور کامل از میان نمی‌رفت. حتی پس از حذف پوشش‌های حمایتی و تمرکز بر نزدیک‌ترین بخش‌های نظام بیمه به اشتغال رسمی، در تعدادی از استان‌ها تعداد زنان بیمه‌پرداز همچنان از تعداد زنان شاغل بیشتر باقی می‌ماند.

استان‌هایی که نسبت زنان بیمه‌پرداز به زنان شاغل در آن‌ها از ۱۰۰ درصد فراتر رفته است ۱۴۰۳

نقاط تیره لوزی نشان‌دهنده نسبت در کل پوشش‌های بیمه‌ای و نقاط روشن (مربع و مثلث) نشان‌دهنده نسبت در محدودترین تعریف نزدیک به اشتغال رسمی هستند.

نمودار بالا نشان می‌دهد که بخشی از شکاف مشاهده‌شده واقعاً به گستردگی چتر بیمه مربوط بوده است. نسبت‌ها با حذف پوشش‌های حمایتی و یارانه‌ای کاهش می‌یابند. اما این کاهش برای توضیح کامل مسئله کافی نیست. در استان‌هایی مانند مرکزی، تهران، کهگیلویه و بویراحمد، فارس و سمنان، نسبت‌ها حتی در محدودترین تعریف نیز از مرز ۱۰۰ درصد عبور می‌کنند.

همین نکته مسیر تحلیل را تغییر داد. اگر تمام شکاف ناشی از پوشش‌های حمایتی بود، باید با حذف آن‌ها مسئله نیز برطرف می‌شد. اگر حضور صندوق‌های یارانه‌ای تنها توضیح ممکن بود، انتظار می‌رفت نسبت‌ها به محدوده‌ای متعارف بازگردند. اما باقی ماندن این اختلاف نشان می‌دهد که دست‌کم بخشی از مسئله منشأ دیگری دارد.

در این مرحله دیگر پرسش اصلی این نبود که کدام صندوق باید از محاسبات حذف شود یا کدام نوع پوشش باعث تورم اعداد شده است. پرسش این بود که چرا دو منبع رسمی که هر دو به نحوی با اشتغال مرتبط‌اند، همچنان روایت‌هایی متفاوت از یک واقعیت واحد ارائه می‌کنند.

مسئله این نیست که کدام داده غلط است. مسئله این است که هنوز نمی‌دانیم منشأ این اختلاف دقیقاً چیست. همین ناتوانی در توضیح شکاف است که یک معمای آماری را به مسئله‌ای روش‌شناختی تبدیل می‌کند.

 آنچه در فاصله میان داده‌ها پنهان می‌ماند

اگر این ماجرا صرفاً به یک اختلاف آماری محدود می‌شد، شاید اهمیت چندانی نداشت. در نظام‌های آماری، تفاوت میان برآوردها و منابع داده امری نامعمول نیست و بسیاری از این اختلاف‌ها نیز در عمل تأثیر چندانی بر تصمیم‌گیری ندارند. اما مسئله‌از جنس دیگری است.

اهمیت این شکاف از آنجا ناشی می‌شود که بسیاری از پرسش‌های مهم سیاست‌گذاری اساساً درون یک پایگاه داده قابل پاسخ نیستند. تقریباً هیچ مسئله مهمی در حوزه رفاه، اشتغال یا حمایت اجتماعی را نمی‌توان صرفاً با مراجعه به یک منبع آماری حل کرد. پاسخ این پرسش‌ها معمولاً در پیوند میان داده‌ها قرار دارد، نه درون هر یک از آن‌ها.

برای مثال، اگر بخواهیم بدانیم چه تعداد از شاغلان کشور تحت پوشش بیمه قرار ندارند، آمار اشتغال به تنهایی کافی نیست. داده‌های بیمه‌ای نیز به تنهایی پاسخ این پرسش را در اختیار نمی‌گذارند. پاسخ واقعی تنها زمانی به دست می‌آید که بتوان اطلاعات مربوط به اشتغال و بیمه را در کنار یکدیگر قرار داد.

همین مسئله درباره بسیاری از پرسش‌های دیگر نیز صادق است. چه کسانی بیمه دارند اما در بازار کار فعال نیستند؟ چه کسانی در اشتغال رسمی حضور دارند اما پوشش بیمه‌ای ندارند؟ زنان خارج از پوشش بیمه دقیقاً چه ویژگی‌هایی دارند؟ کدام استان‌ها واقعاً از اشتغال رسمی بیشتری برخوردارند و کدام استان‌ها صرفاً محل ثبت کارگاه‌ها، شعب بیمه یا دستگاه‌های اداری‌اند؟

هیچ‌یک از این پرسش‌ها را نمی‌توان صرفاً با مراجعه به یک جدول آماری پاسخ داد. آنچه اهمیت دارد نه خود داده‌ها، بلکه نسبت میان داده‌هاست.

از این منظر، مسئله فقط آن نیست که تعداد بیمه‌پردازان در برخی استان‌ها از تعداد شاغلان بیشتر به نظر می‌رسد. مسئله این است که وقتی رابطه میان منابع مختلف داده روشن نباشد، پاسخ دادن به بسیاری از پرسش‌های سیاستی نیز دشوار یا حتی ناممکن می‌شود. در چنین شرایطی، سیاست‌گذار ممکن است به داده‌های فراوانی دسترسی داشته باشد، اما همچنان نتواند تصویری روشن از وضعیت اشتغال رسمی، پوشش بیمه‌ای یا گروه‌های خارج از چتر حمایت اجتماعی به دست آورد.

به همین دلیل، مسئله اصلی را نمی‌توان صرفاً یک معمای آماری دانست. نسبت‌های نامنتظر فقط نشانه‌ای از مسئله‌ای بزرگ‌ترند؛ مسئله‌ای که به قابلیت گفت‌وگو میان داده‌ها مربوط می‌شود. پیش از آنکه بتوان درباره پوشش بیمه، اشتغال رسمی یا گروه‌های محروم از حمایت اجتماعی داوری کرد، باید روشن شود که داده‌های مختلف چگونه واقعیت را ثبت می‌کنند و اساساً تا چه اندازه قابلیت ترجمه به یکدیگر را دارند.

در این مرحله می‌توان وسوسه شد که یکی از دو منبع داده را کنار بگذاریم. شاید آمار اشتغال اشتباه است. شاید داده‌های بیمه‌ای ایراد دارند. اما چنین نتیجه‌ای شتاب‌زده است. واقعیت این است که دو منبع داده ممکن است هم‌زمان معتبر باشند و با این حال در کنار یکدیگر تصویری ناسازگار ایجاد کنند.

دلیل این ناسازگاری آن است که این داده‌ها الزاماً درباره یک چیز واحد سخن نمی‌گویند؛ یا دقیق‌تر بگوییم، درباره یک واقعیت واحد با زبان‌های متفاوت سخن می‌گویند.

آمارهای بازار کار برای سنجش وضعیت فعالیت اقتصادی افراد طراحی شده‌اند. واحد اصلی مشاهده در آن‌ها فرد و خانوار است و افراد بر اساس محل سکونت و وضعیت اشتغال در یک دوره زمانی مشخص طبقه‌بندی می‌شوند. در مقابل، داده‌های بیمه‌ای برای اداره نظام بیمه و بازنشستگی تولید می‌شوند. در اینجا ممکن است واحد ثبت، کارگاه، شعبه بیمه، رابطه بیمه‌ای یا وضعیت صندوقی فرد باشد. در نظام مالیاتی نیز منطق ثبت متفاوت است و حول فعالیت اقتصادی و مؤدی شکل می‌گیرد. هر یک از این نظام‌ها بخشی از واقعیت را می‌بینند، اما هیچ‌کدام نسخه کامل آن نیستند.

از این منظر، تفاوت میان داده‌ها لزوماً نشانه خطا نیست. همان فردی که در آمار اشتغال بر اساس محل سکونت در یک استان ثبت می‌شود، ممکن است در داده بیمه‌ای ذیل کارگاهی در استانی دیگر قرار گیرد. فردی که در پیمایش نیروی کار «شاغل» محسوب می‌شود، ممکن است در داده‌های بیمه‌ای هیچ ردپایی نداشته باشد. در مقابل، فردی که در یک صندوق بیمه‌ای ثبت شده است، الزاماً در زمان اجرای پیمایش در زمره شاغلان قرار نگیرد.

مشکل زمانی آغاز می‌شود که بخواهیم به پرسش‌هایی پاسخ دهیم که هیچ‌یک از این منابع به تنهایی برای پاسخ دادن به آن‌ها طراحی نشده‌اند. برای مثال، چه کسانی شاغل‌اند اما بیمه ندارند؟ چه کسانی بیمه دارند اما در بازار کار فعال نیستند؟ اشتغال رسمی واقعاً در کدام مناطق متمرکز است؟ یا کدام گروه‌های اجتماعی بیشترین فاصله را با نظام حمایت اجتماعی دارند؟

پاسخ این پرسش‌ها نه در داده اشتغال وجود دارد و نه در داده بیمه. این پاسخ‌ها در فاصله میان این دو قرار دارند.

دقیقاً در همین نقطه است که مسئله از یک اختلاف آماری فراتر می‌رود و به مسئله‌ای در معماری داده تبدیل می‌شود. آنچه امروز کم داریم صرفاً داده بیشتر نیست؛ توانایی توضیح رابطه میان داده‌هاست. ما می‌توانیم شکاف میان دو عدد را مشاهده کنیم، اما اغلب نمی‌توانیم با اطمینان بگوییم چه بخشی از آن ناشی از تفاوت جغرافیا، چه بخشی ناشی از تفاوت واحد شمارش، چه بخشی حاصل تفاوت زمان مرجع و چه بخشی نتیجه تفاوت تعریف‌هاست.

به همین دلیل، نسبت‌های نامتعارفی که در بخش‌های قبل مشاهده شد بیش از آنکه درباره بیمه یا اشتغال باشند، درباره محدودیت گفت‌وگو میان نظام‌های مختلف داده‌ای هستند. مسئله این نیست که داده‌ها وجود ندارند؛ مسئله این است که هنوز زبان مشترکی برای فهم رابطه میان آن‌ها در اختیار نداریم.

سرشماری ۱۴۰۵؛ فرصتی برای شمارش بیشتر یا فهم بهتر؟

معمولاً وقتی از سرشماری سخن گفته می‌شود، توجه‌ها به حجم اطلاعاتی جلب می‌شود که قرار است تولید شود؛ تعداد جمعیت، ترکیب خانوارها، وضعیت اشتغال، تحصیلات، مهاجرت و ده‌ها شاخص دیگر. اما تجربه‌ای که در این یادداشت شرح داده شد، از زاویه دیگری به سرشماری نگاه می‌کند.

مسئله اصلی در مثال بیمه و اشتغال، کمبود داده نبود. اتفاقاً داده کم نبود. آمار اشتغال وجود داشت، داده‌های بیمه‌ای وجود داشت و اطلاعات جمعیتی نیز در دسترس بود. مسئله آن بود که روشن نبود این داده‌ها دقیقاً چگونه به یکدیگر مربوط می‌شوند. هر کدام بخشی از واقعیت را ثبت می‌کردند، اما رابطه میان این روایت‌های مختلف از واقعیت به اندازه کافی روشن نبود.

از این منظر، اهمیت سرشماری ۱۴۰۵ فقط در تولید داده‌های تازه نیست. اهمیت آن در فرصتی است که برای روشن‌تر کردن نسبت میان داده‌های موجود فراهم می‌کند.

اگر داده‌های اشتغال بر مبنای محل سکونت تولید می‌شوند و داده‌های بیمه‌ای بر مبنای محل ثبت کارگاه یا شعبه بیمه، لازم است این تفاوت‌ها به‌صورت شفاف مستند شوند. اگر در یک پایگاه داده، واحد مشاهده «فرد» است و در پایگاهی دیگر «رابطه بیمه‌ای»، این تفاوت باید برای استفاده‌کنندگان داده قابل مشاهده باشد. اگر زمان مرجع یا تعاریف نهادی میان منابع مختلف متفاوت است، این تفاوت‌ها نباید در لایه‌های پنهان نظام آماری باقی بمانند.

به همین دلیل، یکی از مهم‌ترین دستاوردهای بالقوه سرشماری می‌تواند نه تولید داده‌های بیشتر، بلکه افزایش «ترجمه‌پذیری» داده‌ها باشد؛ یعنی ایجاد امکان فهم این‌که هر پایگاه داده دقیقاً چه چیزی را اندازه می‌گیرد و چگونه می‌توان نتایج آن را در کنار سایر منابع قرار داد.

این ترجمه‌پذیری الزاماً به معنای ادغام کامل پایگاه‌های اطلاعاتی یا دسترسی گسترده به داده‌های فردی نیست. مسئله بیش از آنکه فنی باشد، مفهومی و نهادی است. سیاست‌گذار باید بتواند بفهمد اختلاف میان دو عدد از کجا ناشی شده است؛ چه بخشی از تفاوت به جغرافیا مربوط می‌شود، چه بخشی به تعریف‌ها، چه بخشی به زمان مرجع و چه بخشی به شیوه ثبت اطلاعات.

در عین حال، هر تلاشی برای بهبود ارتباط میان داده‌ها باید یک ملاحظه مهم را نیز در نظر بگیرد: حفظ حافظه آماری کشور. ارزش بسیاری از داده‌های سرشماری و بیمه‌ای در آن است که امکان مطالعه روندها را در طول زمان فراهم می‌کنند. بنابراین هر تغییر در طبقه‌بندی‌ها، تعاریف یا سازوکارهای اتصال داده‌ها باید به شکلی انجام شود که قابلیت مقایسه تاریخی از میان نرود. هدف آن نیست که نظام آماری از نو ساخته شود؛ هدف آن است که روایت‌های مختلف آن بتوانند با یکدیگر گفت‌وگو کنند.

اگر سرشماری ۱۴۰۵ صرفاً به تولید لایه‌ای تازه از داده‌ها منجر شود، احتمالاً با همان مسئله‌ای روبه‌رو خواهیم بود که در مثال بیمه و اشتغال مشاهده شد: داده‌های بیشتر، اما همچنان دشواری در توضیح رابطه میان آن‌ها. اما اگر بتواند به شفاف‌تر شدن این روابط کمک کند، شاید مهم‌ترین دستاورد آن نه افزایش حجم داده، بلکه افزایش ظرفیت فهم واقعیت اجتماعی باشد.