Summary วิกฤตการณ์ทางการเงินที่เกิดขึ้นหลายครั้งในอดีตสร้างความเสียหายอย่างมากต่อระบบเศรษฐกิจ ในประเทศและยังส่งผลกระทบไปยังประเทศอื่นๆ ด้วยเหตุนี้ระบบเตือนภัยล่วงหน้าทางการเงิน (Early Warning System: EWSs) จึงได้รับความสนใจและถูกพัฒนามาอย่างต่อเนื่อง บทความนี้ได้ศึกษา รวบรวมวรรณกรรมปริทัศน์ที่เกี่ยวข้องกับระบบ EWSs และได้นำโมเดล EWSs ทั้งในกลุ่ม Non-parametric และกลุ่ม Parametric มาทดสอบใช้กับกรณีศึกษาของไทย โดยใช้ข้อมูลรายเดือนตั้งแต่มกราคม 1994 ถึง ตุลาคม 2013 พบว่า โมเดลทั้งสองกลุ่มสามารถส่งสัญญาณเตือนภัยล่วงหน้าก่อนเกิดวิกฤตปี 1997 ได้ดีในระดับหนึ่ง และในปัจจุบันยังไม่เห็นสัญญาณความเปราะบางที่จะนำไปสู่วิกฤตการเงิน อย่างไรก็ตาม ยังไม่มีระบบเตือนภัยทางการเงินใดที่สมบูรณ์แบบ จึงยังมีความจำเป็นที่ต้องประเมินและพัฒนาระบบ EWSs ให้ทันสมัยอยู่ตลอดเวลาบประเทศกำลังพัฒนา
เคยสงสัยไหมว่าทำไมวิกฤตการณ์ทางการเงินถึงเกิดขึ้นซ้ำแล้วซ้ำเล่า และเราไม่มีเครื่องมืออะไรที่จะมาช่วยป้องกันได้เลยหรือ ตั้งแต่ทศวรรษ ที่ 1990 ถึงปัจจุบันได้เกิดวิกฤตการณ์ทางการเงินขึ้นหลายครั้ง อาทิ วิกฤตยุโรปในปี 1992 เม็กซิโกใน ปี 1994 เอเชียในปี 1997 รัสเซียในปี 1998 บราซิลในปี 1999 อาร์เจนตินาในปี 2002 และวิกฤตการเงินแต่ละครั้งได้สร้างความเสียหายทางเศรษฐกิจต่อประเทศที่เกิดวิกฤตการเงินอย่างมากโดยเฉพาะประเทศกำลังพัฒนา ประสบการณ์ในอดีตที่ผ่านมาแสดงให้เห็นว่า ประเทศกำลังพัฒนามีความเสี่ยงที่จะเกิดวิกฤตการเงินมากกว่าประเทศพัฒนาแล้ว แต่ทว่าวิกฤตการเงินโลกครั้งล่าสุดในปี 2008 ทำให้เราตระหนักได้ว่าวิกฤตทางการเงินสามารถเกิดขึ้นในประเทศพัฒนาแล้วได้เช่นกัน
วิกฤตการเงินที่มีผลกระทบต่อเศรษฐกิจโลกในวงกว้างมักจะเกิดขึ้นในประเทศพัฒนาแล้วเป็นหลัก ผลของวิกฤตการเงินโลกครั้งล่าสุดในปี 2008 ได้ส่งผลกระทบไปยังประเทศอื่นๆ และสร้างความเสียหายทางเศรษฐกิจมากกว่าในอดีตที่ผ่านมา (Claessens และ Kose, 2013) จะเห็นได้ว่าปริมาณการผลิตของโลกลดลงจากผลกระทบของวิกฤตการเงินโลกครั้งล่าสุดถึงร้อยละ 3.3 เทียบกับวิกฤตการเงินในอดีตที่ร้อยละ 0.2 (Claessens และ คณะ, 2011)
บทความนี้มีวัตถุประสงค์เพื่อสร้างความรู้ความเข้าใจเกี่ยวกับระบบเตือนภัยทางการเงินและความสามารถในการเตือนภัยล่วงหน้า โดยแบ่งออกเป็น 4 ส่วนหลักคือ 1) ความหมายของระบบเตือนภัยล่วงหน้าทางการเงิน (Early Warning System:EWSs) 2) โมเดลที่ใช้ในการพยากรณ์วิกฤตการเงิน 3) ความสามารถและประสิทธิภาพของระบบ EWSs รวมทั้งผลการศึกษาในกรณีของไทย และ 4) ความท้าทายในอนาคตต่อประสิทธิภาพของระบบ EWSs
1.ระบบเตือนภัยทางการเงิน
1.1 ระบบเตือนภัยทางการเงินคืออะไร
ระบบเตือนภัยล่วงหน้าทางการเงิน (Early Warning System: EWSs) เป็นเครื่องมือที่คำนวณหาโอกาสที่เศรษฐกิจจะเปราะบางหรือเกิดวิกฤตการเงิน โดยจะทำหน้าที่ส่งสัญญาณเตือนภัยล่วงหน้าถึงความผิดปกติในระบบเศรษฐกิจ อาทิ การเปลี่ยนแปลงของสินเชื่อและราคาสินทรัพย์ที่ เบี่ยงเบนออกจากดุลยภาพ (Misalignment) โดยเฉพาะอัตราแลกเปลี่ยน ความไม่สมดุลด้านต่างประเทศ และความไม่ยั่งยืนทางการคลัง
จุดประสงค์หลักของการสร้าง EWSs ขึ้นเพื่อพยากรณ์โอกาสในการเกิดวิกฤตการเงินและป้องกันวิกฤตการเงินไม่ให้เกิดขึ้น อีกทั้งเพื่อส่งสัญญาณเตือนภัยไปยังผู้ที่เกี่ยวข้อง โดยเฉพาะภาครัฐเพื่อให้ปรับนโยบายบริหารเศรษฐกิจให้มีประสิทธิภาพมากขึ้น รวมถึงออกมาตรการเพื่อลดความเปราะบางและจำกัดความเสี่ยงไม่ให้ลุกลามไปสู่วิกฤตการเงินที่ร้ายแรง
1.2 การเลือกปัจจัยมาเป็นดัชนีชี้นำ
หลากหลายปัจจัยที่น่าจะมีความเกี่ยวข้องกับการเกิดวิกฤตการเงินได้ถูกนำมาศึกษาถึงความสามารถในการส่งสัญญาณเตือนภัยล่วงหน้าทางการเงินแบ่งได้เป็น 3 กลุ่มหลัก คือ 1) กลุ่มปัจจัยพื้นฐานทางเศรษฐกิจมหภาคและการเงินเช่น การขยายตัวของสินเชื่อ การขาดดุลการคลัง การขาดดุลบัญชีเดินสะพัด อัตราแลกเปลี่ยนสูงค่าเกินจริง การขยายตัวของผลผลิต 2) กลุ่มปัจจัยที่ป้องกันความเปราะบางด้านต่างประเทศ เช่น ความเพียงพอของเงินสำรองทางการต่อหนี้ต่างประเทศ ความต้องการเงินทุนหรือการพึ่งพิงแหล่งเงินกู้จากต่างประเทศ และความแข็งแกร่งของภาคการเงินภายในประเทศ และ 3) กลุ่มปัจจัยอื่นๆ ที่สะท้อนการคาดการณ์ของตลาดหรือความเสี่ยงของ นักลงทุน เช่น ส่วนต่างอัตราดอกเบี้ย และความเสี่ยงที่จะได้รับผลกระทบจากวิกฤตที่เกิดขึ้นในประเทศอื่น รวมทั้งระดับการเปิดเสรีการค้าและการเงิน ซึ่งปัจจัยต่างๆ ที่กล่าวมาแล้วข้างต้นนี้มีความเป็นไปได้ที่จะส่งผลหรือนำไปสู่วิกฤตการเงินได้ (KLR, 1998 และ Kaminsky and Reinhart, 1999)
งานศึกษาล่าสุดของ Frankel และ Saravelos (2012) ทบทวนงานวิจัยในอดีตจำนวน 83 ชิ้น พบว่า ในช่วงก่อนปี 2008 ดัชนีชี้นำทางเศรษฐกิจหลักในการส่งสัญญาณเตือนภัยล่วงหน้าวิกฤตการเงินคือ เงินสำรองทางการ อัตราแลกเปลี่ยนที่แท้จริง การขยายตัวของสินเชื่อ การขยายตัวของ GDP และ ดุลบัญชีเดินสะพัดโดยเฉพาะดัชนีชี้นำด้านเงินสำรองทางการ และอัตราแลกเปลี่ยนเป็นตัวแปรที่ส่งสัญญาณเตือนภัยได้ อย่างมีนัยสำคัญ (ตารางที่ 1)
Leading ตัวอย่าง
indicators
Reserves - เงินสำรองทางการต่อ GDP
- เงินสำรองทางการต่อปริมาณเงิน (M2)
- เงินสำรองทางการต่อหนี้ต่างประเทศระยะสั้น
- การเปลี่ยนแปลงของเงินสำรองทางการ (12 เดือน)
Real exchange - การเปลี่ยนแปลงอัตราแลกเปลี่ยนที่rate แท้จริง
GDP - การขยายตัวของ GDP- ระดับของ GDP
- Output gap
Credit - การขยายตัวของสินเชื่อ
Current - ดุลบัญชีเดินสะพัดต่อ GDP
account - ดุลการค้าต่อ GDP
ที่มา Frankel and Saravelos (2012)
2. โมเดลที่ใช้ในการพยากรณ์วิกฤตการเงินและ ผลการทดสอบโมเดลที่ใช้ในการพยากรณ์โอกาสที่จะเกิดวิกฤตการเงิน แบ่งออกเป็น 2 กลุ่มหลักๆ*(1) (Comelli, 2013) คือ 1) โมเดลกลุ่มไม่อิงตัวแปรเสริม (NonParametric Approach) เช่น Signaling Approach และ 2)โมเดลกลุ่มอิงตัวแปรเสริม (Parametric Approach) เช่น Probit และ Logit Regression
2.1 โมเดลกลุ่ม Non-Parametric Approach
วิธี Signaling Approach ของ Kaminsky Lizondo และ Reinhart (1998) เป็นวิธีง่ายๆ ที่นิยมใช้เพื่อตรวจจับความผิดปกติของดัชนีชี้นำที่คัดเลือกจากหลายหมวดเศรษฐกิจโดยใช้หลักการคิดที่ว่า ถ้าดัชนีชี้นำมีพฤติกรรมเปลี่ยนแปลงมากจากอดีตจะสะท้อนให้เห็นถึงความผิดปกติที่อาจนำไปสู่วิกฤตการเงินในอนาคตได้
คือส่งสัญญาณเตือนภัยและคือ ไม่ส่งสัญญาณตามลำดับ คือดัชนีชี้นำเศรษฐกิจ และ คือระดับที่พึงระวัง*(2) ทั้งนี้ การส่งสัญญาณจะเกิดขึ้นเมื่อดัชนีชี้นำเศรษฐกิจมีค่าสูงกว่าระดับที่พึงระวัง สัญญาณเตือนภัยจะแสดงความผิดปกติ ในทางกลับกันถ้าดัชนีชี้นำเศรษฐกิจมีค่าต่ำกว่าระดับที่พึงระวัง สัญญาณเตือนภัยจะไม่แสดงความผิดปกติ เช่น การขาดดุลบัญชีเดินสะพัดมากกว่าระดับที่พึงระวังประมาณร้อยละ 2-3 ต่อ GDP แสดงสัญญาณความเสี่ยงที่การใช้จ่ายของประเทศสูงกว่ารายได้ที่เราหาได้จากการค้าและบริการระหว่างประเทศ
สัญญาณเตือนภัยที่เกิดขึ้นดังกล่าวนั้นจะนำไปเปรียบเทียบกับเหตุการณ์จริงเพื่อแยกประเภทของสัญญาณ ดังนี้ 1)สัญญาณดี คือ กรณีการส่งสัญญาณเตือนภัยและเกิดวิกฤตการเงินตามมาในช่วงเวลาที่กำหนด*(3) (Crisis Window) และ กรณีการไม่ส่งสัญญาณเตือนภัยและไม่เกิดวิกฤตตามมา และ 2) สัญญาณไม่ดีคือความผิดพลาดที่ดัชนีชี้นำเศรษฐกิจไม่ได้ส่งสัญญาณ แต่เกิดวิกฤตตามมา หรือที่เราเรียกว่า "Type I Error" ขณะเดียวกันความผิดพลาดที่ดัชนีชี้นำเศรษฐกิจส่งสัญญาณแต่ไม่เกิดวิกฤตการเงินตามมา หรือที่เราเรียกว่า "Type II Error" สัญญาณไม่ดีดังกล่าวเป็นความผิดพลาดของดัชนีชี้นำเศรษฐกิจในการส่งสัญญาณที่ต้องระมัดระวัง
ในส่วนของ ประสิทธิภาพของดัชนีชี้นำเศรษฐกิจสามารถพิจารณาได้จากการส่งสัญญาณเตือนภัยวิกฤตการเงินที่ถูกต้องที่สุดและมีข้อผิดพลาดน้อยที่สุด สามารถประเมินได้จาก 3 เงื่อนไข คือ 1) Noise to Signal Ratio (NSR) คือสัดส่วนจำนวนสัญญาณไม่ดีต่อสัญญาณดี 2) Conditional Crisis Probability (CP) คือโอกาสที่เกิดวิกฤตภายใต้เงื่อนไขที่วัดจากสัญญาณดีต่อจำนวนสัญญาณทั้งหมดและ 3)Unconditional Crisis Probability (UP) คือโอกาสที่จะเกิดวิกฤตการเงินทั้งหมด*(4)
ผลการศึกษาความสามารถของระบบเตือนภัยล่วงหน้าวิกฤตอัตราแลกเปลี่ยนในกลุ่มประเทศ ตลาดเกิดใหม่ (Emerging Markets: EMs) ที่ใช้ข้อมูลระหว่างปี 2005-2011 พบว่า ในโมเดลแบบ Non-parametric มีดัชนีชี้นำดุลบัญชีเดินสะพัดและสัดส่วนของเงินสำรองทางการต่อหนี้ต่างประเทศระยะสั้นเป็นดัชนีชี้นำที่น่าเชื่อถือ และมีน้ำหนักมากที่สุดในการส่งสัญญาณเตือนภัยวิกฤตการเงิน (Camelli, 2013)*(5)
ในขณะที่ดัชนีชี้นำอื่นๆ เช่น การขยายตัวของ GDP การเปลี่ยนแปลงของเงินสำรองทางการ และสัดส่วนของปริมาณเงินต่อเงินสำรองทางการก็มีส่วนช่วยอธิบายผลของการพยากรณ์ความน่าจะเป็นที่จะเกิดวิกฤตการเงินแต่มีความสำคัญน้อยกว่า (Lower weight) นอกจากนี้ ความน่าเชื่อถือของดัชนีชี้นำในการส่งสัญญาณเตือนภัยวิกฤตลดลงหากรวมช่วงที่เกิดวิกฤตการเงินโลกในปี 2008 เข้าไว้ในโมเดลของการศึกษานี้*(6) ซึ่งสะท้อนให้เห็นว่าโมเดลแบบ Nonparametric นี้ไม่สามารถจับความผิดปกติที่ก่อให้เกิดวิกฤตการเงินครั้งล่าสุดได้ เนื่องจากดัชนีชี้นำที่เลือกใช้ในงานวิจัยนี้ยังไม่ครอบคลุมปัจจัยด้านอื่นๆ เช่น ความเปราะบางด้านการเงิน รสนิยมของนักลงทุน ความเชื่อมโยงทางการเงิน และ financial contagion เป็นต้น
2.2 โมเดลกลุ่ม Parametric Approach เป็นอีกวิธีที่นิยมใช้กันมากและได้รับการพัฒนาขึ้นมาเพื่อแก้ไขข้อจำกัดของ Signaling Approach โดย Probit/Logit Approach เป็นวิธีที่ใช้ Regression เพื่อหาความสัมพันธ์ในทางสถิติของวิกฤตการเงินกับดัชนีชี้นำต่างๆ และประเมินโอกาสที่จะเกิดวิกฤตในอนาคต
โอกาสที่จะเกิดวิกฤตเป็นฟังก์ชันของกลุ่มดัชนีชี้นำต่างๆ โดยวิกฤตการเงิน เป็นตัวแปรตามที่เรากำหนดจากนิยามของวิกฤต*(7) ซึ่งมีค่าเป็น 1 แสดงถึงช่วงเวลาวิกฤต (Crisis Period) และเมื่อมีค่าเป็น 0 แสดงถึงช่วงเวลาปกติ เช่น การขยายตัวของสินเชื่อและการขยายตัวของราคาสินทรัพย์อาจจะส่งผลให้โอกาสที่จะเกิดวิกฤตสูงขึ้น*(8)
ผลการศึกษาล่าสุดของ Camelli (2013) โดยใช้โมเดลกลุ่ม Parametric Approach พบว่า ดัชนีชี้นำสำคัญ คือ 1) การขยายตัวของ GDP 2) สัดส่วนของเงินสำรองทางการต่อหนี้ต่างประเทศระยะสั้น 3) ดุลบัญชีเดินสะพัด 4) เสถียรภาพทางการเมือง และ 5) สัดส่วนของปริมาณเงินต่อเงินสำรองทางการ สามารถช่วยเตือนภัยการเกิดวิกฤตการเงินได้อย่างมีนัยสำคัญ โดยการหดตัวของ GDP สัดส่วนของเงินสำรองทางการต่อหนี้ต่างประเทศระยะสั้นที่ลดลง และการขาดดุลบัญชีเดินสะพัดอย่างต่อเนื่อง ส่งผลต่อโอกาสที่จะเกิดวิกฤตการเงินมากขึ้น เป็นที่น่าสังเกตว่า ดัชนีชี้นำด้านเสถียรภาพการเมืองก่อให้เกิดความไม่แน่นอนต่อนโยบายเศรษฐกิจมหภาคและความเชื่อมั่นของ นักลงทุน ซึ่งเป็นจุดกระตุ้นให้เกิดเงินทุนไหลออก อัตราแลกเปลี่ยนอ่อนค่าลงอย่างรวดเร็วและนำมาสู่วิกฤตการเงินได้ในที่สุด ในทำนองเดียวกันสัดส่วนของปริมาณเงินต่อเงินสำรองทางการที่สูงขึ้นก็เป็นการเพิ่มโอกาสในการเกิดวิกฤตมากขึ้นด้วย โดยการเพิ่มขึ้นของปริมาณเงินในประเทศต่อเงินสำรองทางการสะท้อนให้เห็นถึงการขยายตัวของสินเชื่อที่สูงขึ้น (Credit Expansion)
ประเด็นที่สำคัญในเรื่อง EWSs คือ ผู้กำหนดนโยบายจะให้ความสนใจและระมัดระวังเป็นพิเศษ (More caution) ต่อกรณีที่ดัชนีชี้นำไม่ส่งสัญญาณแต่เกิดวิกฤตตามมา (Type I Error) ซึ่งสร้างความเสียหายให้กับระบบเศรษฐกิจรุนแรงกว่ากรณีที่ดัชนีชี้นำส่งสัญญาณบ่อยแต่ไม่เกิดวิกฤต (Type II Error) ซึ่งนักวิชาการและผู้เชี่ยวชาญด้านนี้ยังคงพัฒนาโมเดลด้านนี้ให้สามารถลดข้อจำกัดด้านนี้ต่อไป
กล่าวโดยสรุป เราจะพบว่าโมเดลกลุ่ม NonParametric จะใช้แต่ละตัวแปรในการทำนายวิกฤตการเงิน ในขณะที่โมเดลกลุ่ม Parametric ใช้หลายตัวแปรในเวลาเดียวกันในการทำนายการเกิดวิกฤต โดยทั้งสองกลุ่มโมเดลต่างมีข้อดีและข้อจำกัดต่างกันดังแสดงใน ตารางที่ 2
ระบบเตือนภัยทางการเงินทั้ง 2 กลุ่มโมเดลได้รับความสนใจจากนักวิจัยด้านนี้และได้พยายามพัฒนาและศึกษาเปรียบเทียบความสามารถในการพยากรณ์วิกฤตล่วงหน้าว่าแบบไหนจะให้ผลที่แม่นยำที่สุด
งานศึกษาในอดีตที่ผ่านมา เช่น Berg และ Pattillo, 1999, Bussiere และ Fratzscher, 2006, Beckmann และคณะ, 2007 และ Camelli, 2013 พบว่า EWSs แบบโมเดล Parametric สามารถ เตือนภัยวิกฤตล่วงหน้าได้ดีกว่าแบบ Nonparametric โดยเฉพาะความสามารถในการพยากรณ์โอกาสที่จะเกิดวิกฤตในช่วง Out-ofsample ถึงแม้ว่าแบบจำลองกลุ่ม NonParametric จะง่ายไม่ซับซ้อน แต่ข้อจำกัดที่มีอยู่ก็ทำให้ความสามารถในการพยากรณ์วิกฤตล่วงหน้าด้อยกว่าแบบจำลองกลุ่ม Parametric
ตารางที่ 2 ข้อดีและข้อจำกัดของระบบเตือนภัยล่วงหน้าทางการเงิน
Non-parametric Parametric ข้อดี - ความไม่ซับซ้อนของระบบทำให้ง่ายต่อการนำไปใช้ - ความไม่ซับซ้อนของระบบทำให้ง่ายต่อการนำไปใช้ - สามารถใช้ได้กับข้อมูลเร็ว (High frequency data) - ระบบวิเคราะห์ความสัมพันธ์ของดัชนีชี้นำต่างๆ ร่วมกันซึ่งช่วย เพื่อเป็นเครื่องมือบ่งชี้ความเปราะบางในระบบเศรษฐกิจ เพิ่มความสามารถในการส่งสัญญาณเตือนภัยล่วงหน้า ข้อจำกัด - ระบบวิเคราะห์ดัชนีชี้นำแยกกัน อาจจะทำให้สูญเสีย - แบบจำลอง Probit และ Logit แสดงความสัมพันธ์แบบมิใช่ ความแม่นยำในการส่งสัญญาณในภาพรวม*(9) อีกทั้ง เชิงเส้นตรง (Nonlinear) ระหว่าง ตัวแปรตามและตัวแปรอิสระ ความสัมพันธ์ระหว่างดัชนีชี้นำอาจจะช่วยอธิบายวิกฤต ดังนั้นอาจจะมีปัญหาที่ตัวแปรอิสระมีความสัมพันธ์กันเอง ส่งผลให้ไม่ ได้ดีขึ้น สามารถอธิบายโอกาสในการเกิดวิกฤตได้ชัดเจน (Glick และ Hutchison, 2011)
- ระบบอาจจะไม่เหมาะสมกับการวิเคราะห์ แบบ
Cross-country data เพราะแต่ละประเทศ
มีความยืดหยุ่นต่อวิกฤตที่ต่างกัน*(10)
- Signaling Approach จะส่งสัญญาณต่อเมื่อ
เป็น Extreme Events ซึ่งอาจจะพลาดการส่งสัญญาณ
เตือนเมื่อความเสี่ยงกำลังเริ่มก่อตัวอย่างช้าๆ
ในกรณีศึกษา EWSs ของไทย ผลการศึกษาเชิงประจักษ์ โดยใช้โมเดลในกลุ่ม Non-parametric ด้วยวิธี Signaling approach (KLR, 1998)*(11) และในกลุ่ม Parametric ด้วยวิธี Logit model (Camelli, 2013)*(12) พบว่า ระบบ EWSs ที่ได้จากทั้ง 2 กลุ่มโมเดลสามารถส่งสัญญาณเตือนภัยล่วงหน้าก่อนเกิดวิกฤตการเงินปี 1997 ได้ดีระดับหนึ่ง เนื่องจากสาเหตุที่นำมาสู่วิกฤตเกิดจากปัญหาความเปราะบางภายในประเทศเป็นหลัก แต่ระบบ EWSs นี้ยังไม่สามารถจับความผิดปกติที่มีสาเหตุมาจากปัจจัยภายนอกประเทศได้ อาทิ ในกรณีของวิกฤตการเงินโลกในปี 2008 ซึ่งวิกฤตดังกล่าวไม่ได้ส่งผลกระทบ (Contagion effect) ต่อพื้นฐานเศรษฐกิจไทยมากนัก รายละเอียดแสดงใน ตารางที่ 3
เป็นที่น่าสังเกตว่า สำหรับดัชนีชี้นำด้านการเปลี่ยนแปลงของเงินสำรองทางการ ทั้ง 2 โมเดลให้ผลที่คล้ายคลึงกัน โดยโมเดลกลุ่มแรกพบว่าสามารถส่งสัญญาณเตือนภัยได้ค่อนข้างช้า และโมเดลกลุ่มหลัง พบว่าไม่มีความสัมพันธ์กับการเกิดวิกฤตการเงินอย่างมีนัยสำคัญ ซึ่งแตกต่างจากผลการศึกษาในอดีต อาจเป็นผลจากหลังวิกฤตเศรษฐกิจปี 1997 ไทยสะสมเงินสำรองทางการอย่างต่อเนื่อง จากการศึกษาในอดีตพบว่าประเทศที่สะสมเงินสำรองทางการในระดับสูงจะมีโอกาสในการเกิดวิกฤตการเงินน้อยลง
ตารางที่ 3 สรุปผลการศึกษาเชิงประจักษ์ของไทย
โมเดล Non-parametric ผลการศึกษา
- ดัชนีชี้นำ 4 ตัวหลัก คือ CA/GDP, REER, M2/Reserve และ Reserve สามารถส่งสัญญาณเตือนภัยล่วงหน้าก่อนเกิดวิกฤตการเงิน
ในปี 1997 ได้ดีแต่ส่งสัญญาณล่วงหน้าได้ช้าเร็วแตกต่างกัน
- ดัชนีชี้นำ CA/GDP และ REER ส่งสัญญาณเตือนภัยล่วงหน้าก่อนเกิดวิกฤต 1997 ค่อนข้างนาน ขณะที่ดัชนี M2/Reserve และ Reserve
ส่งสัญญาณเตือนภัยค่อนข้างช้า
โมเดล Parametric - ดัชนีชี้นำที่มีความสัมพันธ์กับการเกิดวิกฤตการเงินอย่างมีนัยสำคัญ คือ M2/Reserve REER, GDP, และ CA/GDP ยกเว้น
Reserve (ตารางที่ 4) ผลของโมเดลชี้ให้เห็นถึงความเป็นไปได้ที่จะเกิดวิกกฤต (Estimated Probability of Crisis)
ตั้งแต่ปลายปี 1994 ซึ่งถือเป็นการส่งสัญญาณเตือนภัยได้ดี
จากรูปที่ 2 และ 3 ดัชนีดุลบัญชีเดินสะพัดขาดดุลอย่างต่อเนื่องในช่วงก่อนวิกฤตปี 1997 ซึ่งสะท้อนให้เห็นถึงการใช้จ่ายที่เกินตัว ขณะที่การเปลี่ยนแปลงของดัชนี REER เร่งสูงขึ้นต่อเนื่องตั้งแต่ปลายปี 1995 แสดงให้เห็นถึงแรงกดดันต่อค่าเงินบาทที่แข็งค่าขึ้นมากอย่างรวดเร็ว
ส่วนดัชนีชี้นำด้านปริมาณเงินต่อเงินสำรองทางการส่งสัญญาณความผิดปกติไม่ชัดเจนมากนักเนื่องจาก Threshold ที่ใช้สูงเกินไป โดยจะเห็นได้ว่าดัชนีชี้นำขยับสูงแตะระดับที่พึงระวังตั้งแต่ต้นปี 1995 และชะลอลงเล็กน้อยก่อนที่จะเร่งตัวสูงอีกครั้งในปี 1997 ซึ่งอาจทำให้เราประเมินความเสี่ยงผิดพลาดได้ นอกจากนี้ ดัชนีชี้นำนี้ยังสามารถสะท้อนการขยายตัวของเศรษฐกิจ และสินเชื่อที่ร้อนแรงได้ด้วย (รูปที่ 4)ดัชนีชี้นำด้านการเปลี่ยนแปลงของเงินสำรองทางการสามารถส่งสัญญาณเตือนภัยได้ค่อนข้างช้า (รูปที่ 5) เนื่องจากการเปลี่ยนแปลงที่ลดลงมากในช่วงต้นปี 1997 สะท้อนถึงความจำเป็นที่ต้องเข้าแทรกแซงเงินบาทของ ธปท. เพื่อป้องกันค่าเงินบาทที่อ่อนค่าลงอย่างรวดเร็วตามแรงกดดันที่นักลงทุน เทขายบาทจากการคาดการณ์ว่าบาทจะอ่อนค่าลงในอนาคต นอกจากนี้ ในแง่ของการนำดัชนีนี้ไปใช้จริงต้องมีความเข้าใจและระมัดระวังในการกำหนดค่า Threshold ที่ใช้เนื่องจากภายใต้อัตราแลกเปลี่ยนแบบ Managed Float จะทำให้เงินสำรองทางการผันผวนในกรอบที่กว้างขึ้น การตั้ง Threshold ที่ต่ำ เกินไปจะทำให้เกิดการส่งสัญญาณเตือนความผิดปกติที่ผิดพลาดบ่อย
ในแง่ของผลการคำนวณโอกาสที่จะเกิดวิกฤต (Estimated Probability of Crisis) โดยวิธี Logit Model (รูปที่ 6)ชี้ให้เห็นว่า Probability ที่จะเกิดวิกฤตนั้นได้เพิ่มสูงขึ้นอย่างก้าวกระโดด ตั้งแต่ปี 1994 จากร้อยละ 10 มาอยู่สูงถึงร้อยละ 70 ในปี 1995 และเริ่มสูงกว่าจุดที่พึงระวัง (Cut-off point)*(13) ที่ร้อยละ 25 ตั้งแต่ปลายปี 1994 ซึ่งถือเป็นการส่งสัญญาณเตือนภัยล่วงหน้าได้ดีก่อนจะเกิดวิกฤตขึ้นจริง (Crisis date) *(14) ทั้งนี้ หากนำโมเดลทั้งในกลุ่ม Non-parametric และกลุ่ม Parametric มาประเมินความเสี่ยงที่จะเกิดวิกฤตการเงินในปัจจุบัน พบว่ายังไม่เห็นสัญญาณความเปราะบางที่จะนำไปสู่วิกฤตได้ โดยผลจากโมเดล Parametric จะเห็นได้ว่าโอกาสที่จะเกิดวิกฤตยังอยู่ในระดับต่ำ
สาเหตุหลักที่นำมาสู่วิกฤตการณ์ทางการเงินในอดีต อาทิ การเปลี่ยนแปลงของสินเชื่อและราคาสินทรัพย์ที่ขยายตัวเกินจริง Disruption ในระบบการเงินภายในประเทศ และปัญหาด้านงบดุลบัญชี นำมาสู่ความจำเป็นที่ภาครัฐต้องเข้าช่วยเหลือ ซึ่งล้วนมีความคล้ายคลึงกัน แต่เพราะเหตุใด EWSs ที่สามารถอธิบายวิกฤตในอดีตได้แต่กลับไม่สามารถคาดการณ์วิกฤตการเงินในอนาคตได้อย่างแม่นยำ
ประเด็นแรก คือ ความเชื่อมโยงทางการเงินที่สูงและซับซ้อนขึ้น *(15) ส่งผลให้ปัจจัยพื้นฐานทางเศรษฐกิจการเงินและด้านต่างประเทศเปลี่ยนแปลงอย่างรวดเร็วจากอดีต ทำให้เกิดประเด็นคำถามที่ว่า EWSs ยังสามารถก้าวทันกับความเปลี่ยนแปลงที่รวดเร็ว ซับซ้อน และความเชื่อมโยงกันที่เข้มข้นขึ้นได้หรือไม่
ประเด็นที่สอง คือ การใช้นวัตกรรมทางการเงินใหม่ๆ ที่ซับซ้อนอย่างแพร่หลายในปัจจุบัน เช่น Mortgage back securities และ Financial derivatives นั้น สร้างความท้าทายต่อระบบ EWSs ในด้านความสามารถในการวิเคราะห์ความเสี่ยงที่อาจจะเกิดขึ้นภายใต้ระบบการเงินที่มีนวัตกรรมที่ซับซ้อน ทั้งนี้ EWSs จะสามารถจับความเสี่ยงดังกล่าวได้หรือไม่
ประเด็นสุดท้าย คือ "Lucas critique" ประสิทธิภาพของดัชนีชี้นำอาจจะลดลงถ้าพฤติกรรมและการคาดคะเนของคนในการตอบสนองต่อสัญญาณเตือนภัยมีการเปลี่ยนแปลง กล่าวคือ โดยทั่วไปสถาบันการเงินและผู้ดำเนินนโยบายมักจะตอบสนองต่อสัญญาณความผิดปกติที่ถูกส่งออกมาโดยออกมาตรการมาป้องกันไม่ให้เกิดวิกฤต หากเป็นเช่นนั้น จะส่งผลให้ความสามารถในการพยากรณ์วิกฤตค่อยๆ ลดลง (Ito และ Orii, 2009)
ความท้าทายใน 3 ประเด็นหลักดังกล่าวทำให้ การพัฒนาศักยภาพของระบบเตือนภัยทางการเงินยากยิ่งขึ้น ทั้งนี้ EWSs มีความจำเป็นต้องประเมินอย่างสม่ำเสมอเพื่อเป็นการปรับระบบและทดสอบปัจจัยใหม่ๆ เนื่องจากไม่มีหลักประกันว่า EWSs จะสามารถส่งสัญญาณเตือนภัยได้แม่นยำตลอดไป นอกจากนี้ ยังพบว่าไม่มีดัชนีชี้นำหรือระบบเตือนภัยทางการเงินอย่างใดอย่างหนึ่งที่สมบูรณ์แบบ ที่จะสามารถช่วยจับความผิดปกติได้ครอบคลุมทุกรูปแบบ (No one size fits all) ดังนั้น ผู้ดำเนินนโยบายต้องอาศัยการผสมผสานกรอบนโยบายทางการเงินและเครื่องมืออื่นๆ เข้าด้วยกัน เพื่อทำให้เศรษฐกิจมีความแข็งแกร่งมากขึ้นและเป็นการลดความเปราะบางที่จะนำไปสู่วิกฤตการณ์ทางการเงินสรุป
ระบบเตือนภัยล่วงหน้าทางการเงินที่มีอยู่สามารถส่งสัญญาณเตือนภัยได้ในระดับหนึ่ง แต่ก็ยังมีข้อจำกัดอยู่และไม่มีระบบเตือนภัยล่วงหน้าทางการเงินแบบไหนที่สมบูรณ์ที่สุด ดังนั้นผู้ดำเนินนโยบายควรให้ความสนใจติดตามปัจจัยพื้นฐานทางเศรษฐกิจเป็นพิเศษ อีกทั้งเตรียมมาตรการที่เหมาะสมและครอบคลุมเมื่อมีความจำเป็นต้องเข้าดูแลเพื่อเพิ่มความแข็งแกร่งให้กับระบบเศรษฐกิจโดยรวม
ในบริบทโลกที่เปลี่ยนแปลงอย่างรวดเร็ว รวมถึงความเชื่อมโยงทางการค้าและการเงินที่สูงขึ้นอาจจะส่งผลให้ดัชนีชี้นำต่างๆ ผันผวนและซับซ้อนมากขึ้น เป็นการเพิ่มความท้าทายต่อการพัฒนาระบบเตือนภัยล่วงหน้าทางการเงิน ทั้งการเลือกใช้เครื่องมือที่เหมาะสมกับประเทศเพื่อรองรับความเปลี่ยนแปลงในโลกยุคใหม่ อย่างไรก็ตาม ระบบเตือนภัยล่วงหน้าทางการเงินก็ยังไม่ประสบผลสำเร็จนักในการพยากรณ์ช่วงเวลาที่จะเกิดวิกฤตได้อย่างแม่นยำและยังเป็นจุดอ่อนที่ยังคงต้องพัฒนาต่อไป
*(1) นอกจากนี้ ยังมีบางงานศึกษาที่พัฒนาระบบ EWSs โดยใช้alternative econometric specification เช่น Markov-3switching model (Abiad, 2003), Binary recursive tree (David and Karim, 2008) และ Artificial neural network (Nag and Mitra, 1999)
*(2) ระดับที่พึงระวังหรือ Threshold คำนวณเป็น percentile ของการแบ่งการแจกแจงของดัชนีชี้นำรายประเทศ โดย แต่ละประเทศจะใช้ percentile เดียวกันแต่มีค่าจริงต่างกัน นอกจากนี้ ยังใช้ NSR (Noise to Signal Ratio)ที่มีค่าน้อยที่สุดเป็นเกณฑ์ในการเลือก Threshold ที่เหมาะสมที่สุด
*(3) ในงานศึกษาของ KLR (1998) กำหนดหน้าต่างวิกฤตที่ 24 เดือน ถ้าดัชนีชี้นำส่งสัญญาณและเกิดวิกฤตตามมาภายใน 24 เดือน แสดงว่าส่งสัญญาณได้ถูกต้องแม่นยำ นอกจากนี้งานศึกษาในอดีตใช้ช่วงเวลาที่ต่างกันอยู่ระหว่าง 3-36 เดือน
*(4) โดย NSR มีค่ายิ่งน้อยยิ่งดี แสดงให้เห็นว่าดัชนีชี้นำมีความสามารถในการส่งสัญญาณดีสูง ขณะที่ CP และ UP มี
*(5) ดัชนีชี้นำที่ใช้ในงานศึกษาของ Camelli (2013) คือการขยายตัวของ GDP การขยายตัวของเงินสำรองทางการ สัดส่วนเงินสำรองทางการต่อหนี้ต่างประเทศระยะ ดุลบัชีเดินสะพัดต่อ GDP อัตราแลกเปลี่ยนที่แท้จริง (REER) สัดส่วนปริมาณเงินต่อเงินสำรองทางการ สินเชื่อภาคเอกชนต่อ GDP และสินเชื่อของภาครัฐต่อ GDP
*(6) ในงานศึกษานี้แบ่งช่วงการศึกษาออกเป็น 3 ช่วงคือ 1) 1995-2006 2) 1995-2007 3) 1995-2008 เพื่อศึกษาความสามารถของระบบเตือนภัยก่อนและหลังการเกิดวิกฤตการเงินโลกและศึกษาการเปลี่ยนแปลงของ Threshold และน้ำหนักของดัชนีชี้นำ
*(7) นิยามวิกฤตอัตราแลกเปลี่ยน (Currency crisis) ที่นิยมใช้กันทั่วไปคือ นิยามของ Kaminsky, Lizondo และ Reinhart (1998) ซึ่งพัฒนาดัชนีแรงกดดันในตลาดอัตราแลกเปลี่ยน (Exchange Market Pressure Index) จากความสัมพันธ์ระหว่างการเปลี่ยนแปลงของอัตราแลกเปลี่ยนและเงินสำรองทางการเทียบกับช่วงเวลาก่อนหน้า
*(8) ประสิทธิภาพของแบบจำลองนี้ สามารถพิจารณาได้จากความสามารถในการประเมินโอกาสที่จะเกิดวิกฤตล่วงหน้าในกลุ่มตัวอย่างและนอกกลุ่มตัวอย่าง (in-sample and out-of-sample performance)
*(9) บางงานศึกษาแก้ไขข้อจำกัดในเรื่องนี้โดยทำดัชนีรวม Composite Index เพื่อเพิ่มประสิทธิภาพในการส่งสัญญาณเตือนในภาพรวม
*(10) Common threshold อาจจะมีค่าสูงเกินไปเมื่อนำมาใช้เป็นเกณฑ์วัดความเปราะบางภายในประเทศทำให้ระบบไม่ส่งสัญญาณเตือน อีกทั้งอาจจะทำให้ประมาทคิดว่าสถานการณ์ยังดีอยู่เพราะยังห่างไกลจากจุดที่พึงระวัง (Berg และ Pattillo, 1999)
*(11) ข้อมูลรายเดือนตั้งแต่ มกราคม 1994 ถึง ตุลาคม 2013
*(12) ดัชนีชี้นำที่ใช้ในแบบจำลองนี้มี 5 ตัว ดังนี้ ดุลบัญชีเดินสะพัดต่อ GDP การขยายตัวของ GDP ปริมาณเงินต่อเงินสำรองทางการ การเปลี่ยนแปลงของอัตราแลกเปลี่ยนที่แท้จริงจาก Trend และการเปลี่ยนแปลงของเงินสำรองทางการ นอกจากนี้ แบบจำลองนี้ไม่ได้รวมเงินสำรองทางการต่อหนี้ต่างประเทศและปัจจัยด้านการเมืองเนื่องจากข้อจำกัดของข้อมูล
*(13) ตามงานศึกษาของ Camelli (2013) คำนวณ Optimal cut-off point อยู่ระหว่างร้อยละ 25-50 ขึ้นอยู่กับขนาดตัวอย่าง นอกจากนี้ งานศึกษาในอดีตใช้ cut-off point แตกต่างกันขึ้นอยู่แต่ละประเทศอีกด้วย
*(14) ตามงานศึกษาของ Camelli (2013) Crisis date คำนวณจากดัชนีแรงกดดันในตลาดอัตราแลกเปลี่ยนเพื่อนิยามวิกฤตและใช้ค่า Threshold ที่ 3 Standard deviation ซึ่งอาจจะสูงเกินไปสำหรับไทย ทำให้ไม่สามารถจับสัญญาณความผิดปกติจากวิกฤตการเงินโลกในปี 2008 ได้
*(15) งานศึกษาของ Kaminsky and Reinhart (1999) ได้พบว่าการเปิดเสรีทางการเงินสามารถนำไปสู่วิกฤตได้เช่นกัน ถึงแม้การเปิดเสรีทางการเงินจะช่วยส่งเสริมกิจกรรมทางเศรษฐกิจมากขึ้น มีการลงทุนสูงขึ้น สินเชื่อขยายตัวมากขึ้น แต่ถ้าขยายตัวมากเกินไปก็จะเกิดผลกระทบต่อเสถียรภาพของเศรษฐกิจได้
Berg, Andrew, and Catherine Pattillo (1999)
"Predicting Currency Crises: The Indicators Approach and an Alternative", Journal of International Money and Finance, Vol. 18, pp. 561-586. Claessens, Stijn, and Kose M. Ayhan (2013) "Financial
Crises: Explanations, Types, and Implications", CAMA Working paper 06/2013. Claessens, Stijn, Ceyla Pazarbasioglu, Luc Laeven,
Marc Dobler, Fabian Valencia, Oana Nedulescu, and Katharine Seal (2011) "Crisis Management and Resolution: Early Lessons from the Financial Crisis", IMF Staff Discussion Note SDN/11/05. Comelli, Fabio (2013) "Comparing Parametric and
Non-parametric Early Warning Systems for Currency Crises in Emerging Market Economies", IMF Working paper No. WP/13/134. Eichengreen, Barry, Andrew K. Rose, and Charles
Wyplosz (1995) "Exchange Market Mayhem", Economic Policy, Vol. 10, No. 21, pp. 246-312. Frankel, Jeffrey, and George Saravelos (2012) "Can
Leading Indicators Assess Country Vulnerability? Evidence From the 2008-09 Global Financial Crisis", Journal of International Economics, Vol. 87, pp. 216-231. Glick, Reuven, and Hutchison, Michael (2011)
"Currency Crises", Federal Reserve Bank of San Francisco, Working Paper Series 2011-22. Ito, Takatoshi, and Keisuke Orii (2009) "Early Warning
Systems of Currency Crises", Policy Research Institute, Ministry of Finance, Japan, Public Policy
Review, Vol. 5, No. 1. Kaminsky, Graciela L., and Carmen M. Reinhart (1999)
"The Twin Crises: The Causes of Banking and Balance-of-Payments Problems", American Economic Review, Vol. 89, No. 3, pp. 473-500 Kaminsky, Graciela L., Saul Lizondo and Carmen M.
Reinhart (1998) "Leading Indicators for Currency Crisis", IMF Staff Papers, Palgrave Macmillan Journals, 45(1). McKinsey Global Institute (2011) "Mapping Global
Capital Markets", McKinsey and Company.
ผู้เขียนขอขอบคุณหลายท่านในสายนโยบายการเงิน โดยเฉพาะอย่างยิ่งคุณเสาวณี จันทะพงษ์ คุณศุภโชค ถาวรไกรวงศ์ คุณเทียนทิพ สุพานิช และคุณสุรัช แทนบุญ สำหรับหัวข้อ วิธีการในการศึกษา และคำแนะนำและข้อคิดเห็นต่อการพัฒนาบทความนี้ คุณพรวิภา ตั้งเจริญมั่นคง และคุณพสิษฐ์ โชติวัฒนะกุล สำหรับคำแนะนำที่เป็นประโยชน์ ทำให้บทความนี้สมบูรณ์ยิ่งขึ้น Contact authors :
ทิพวรรณ ทนนกลิ่น
เศรษฐกร ฝ่ายนโยบายเศรษฐกิจการเงิน
สายนโยบายการเงิน TippawTa@bot.or.th
ที่มา: ธนาคารแห่งประเทศไทย