จับชีพจร พยากรณ์แนวโน้มเศรษฐกิจไทยไปกับ
บัณณรี ปัณณราช
การพยากรณ์ ในทางวิทยาศาสตร์เป็นการทำนายอนาคตโดยอาศัยหลักการและข้อมูลสถิติ สำหรับการพยากรณ์ในมิติของเศรษฐกิจนั้น คุณบัณณรีได้ให้นิยามไว้ว่า “การพยากรณ์แนวโน้มเศรษฐกิจ (economic forecast) คือ การคาดการณ์อัตราการขยายตัวทางเศรษฐกิจและอัตราเงินเฟ้อ รวมทั้งปัจจัยแวดล้อมสำคัญต่าง ๆ ที่มีผลต่อเศรษฐกิจในระยะข้างหน้า ซึ่งเป็นหนึ่งในส่วนประกอบสำคัญของการดำเนินนโยบายการเงิน โดยประเมินทิศทางเศรษฐกิจอย่างน้อยในอีก 2 ปีข้างหน้า เพื่อให้สอดคล้องกับระยะเวลาในการส่งผ่านผลของนโยบาย
“สำหรับประเทศไทยและธนาคารกลางชั้นนำหลายแห่งในต่างประเทศ ไม่เพียงแต่ใช้การพยากรณ์เศรษฐกิจเพื่อการตัดสินนโยบายของ กนง. เท่านั้น แต่ยังเผยแพร่ตัวเลขคาดการณ์ให้สาธารณชนทราบแนวโน้มเศรษฐกิจและเงินเฟ้อ เพื่อให้เข้าใจที่มาและเหตุผลในการตัดสินใจของ กนง. ในแต่ละครั้ง ทั้งยังเป็นข้อมูลที่มีประโยชน์ต่อการวางแผนของภาคธุรกิจและสาธารณชนทั่วไปด้วย”
ปัจจุบัน กนง. มีการประชุม 6 ครั้งต่อปี โดยแต่ละครั้ง ธปท. จะจัดทำการพยากรณ์เศรษฐกิจและเงินเฟ้อล่วงหน้าไปถึง 8 ไตรมาส หรือเท่ากับ 2 ปี เพื่อให้ กนง. ใช้ประกอบการพิจารณาตัดสินที่จะขึ้น-คง-ลดดอกเบี้ยนโยบาย
ก่อนที่จะออกมาเป็นผลการพยากรณ์เศรษฐกิจ ต้องผ่านการกลั่นกรองข้อมูลที่หลากหลายจากทีมงานต่าง ๆ ที่อยู่ในสายนโยบายการเงิน แต่อีกสิ่งที่สำคัญไม่แพ้ข้อมูลก็คือ ข้อสมมติ หรือ assumption เกี่ยวกับทิศทางในอนาคตของปัจจัยต่าง ๆ ที่จะมีผลกับการขยายตัวทางเศรษฐกิจและเงินเฟ้อของไทย ซึ่งหลัก ๆ ที่ใช้จะมีปัจจัยจากต่างประเทศ อย่างอัตราการขยายตัวของเศรษฐกิจและเงินเฟ้อของประเทศคู่ค้า[1] อัตราดอกเบี้ยนโยบายของธนาคารกลางสหรัฐฯ หรือเฟด (Fed) ราคาน้ำมันดิบดูไบ และปัจจัยเฉพาะภายในประเทศ อย่างเช่น รายได้เกษตรกร และรายจ่ายงบประมาณของภาครัฐ
ตัวอย่างของตัวแปรที่เป็น assumption ในการพยากรณ์ อย่างเช่น ในกรณีที่เศรษฐกิจจีนซึ่งเป็นคู่ค้าหนึ่งที่สำคัญของไทยมีแนวโน้มชะลอตัว หรือขยายตัวได้ไม่ดีเท่าที่เคยคาดไว้ ก็จะส่งผลต่อตัวแปรสำคัญในสมการ เช่น การส่งออกสินค้าของไทย ให้มีแนวโน้มชะลอตัวตามไปด้วย หรือในกรณีที่ราคาน้ำมันดูไบมีแนวโน้มสูงขึ้นจากปัจจัยต่าง ๆ เช่น ความขัดแย้งระหว่างผู้ผลิตน้ำมันในต่างประเทศ หรืออุปสงค์โลกที่ขยายตัวสูง ก็จะทำให้อัตราเงินเฟ้อของไทยในระยะข้างหน้าที่เป็นอีกตัวแปรสำคัญมีแนวโน้มสูงขึ้นไปด้วย
นอกจากนี้ ยังมี assumption อื่น ๆ ที่เป็นตัวแปรอยู่ในแบบจำลองเศรษฐกิจของ ธปท. ด้วย ซึ่งอาจจะเปลี่ยนแปลงไม่บ่อย เช่น อัตราการขยายตัวตามศักยภาพของเศรษฐกิจ อัตราเงินเฟ้อเป้าหมาย อัตราภาษี และค่าจ้างแรงงานขั้นต่ำ ซึ่งปัจจัยเหล่านี้จะมีการกำหนดไว้ล่วงหน้าชัดเจน หรือกำหนดให้สอดคล้องกับแนวโน้มระยะยาวตามโครงสร้างของเศรษฐกิจ
คุณบัณณรียังเล่าถึงข้อมูลชุดอื่นที่ไม่ได้เป็นตัวแปรในแบบจำลองของ ธปท. แต่ถูกนำมาใช้ในการพยากรณ์ด้วยเช่นกัน
“ทุกวันนี้เราใช้ข้อมูลที่หลากหลาย ตั้งแต่ข้อมูลเชิงปริมาณที่ช่วยจับชีพจรเศรษฐกิจ อย่างเช่นดัชนีผลผลิตภาคอุตสาหกรรม จำนวนนักท่องเที่ยวต่างชาติ มูลค่าการส่งออก รวมถึงข้อมูลเร็วรายวันจาก Google mobility และ Facebook mobility ตลอดจนดัชนีชี้นำเศรษฐกิจ[2] เช่น ดัชนีคำสั่งซื้อล่วงหน้า การนำเข้าสินค้าทุน ไปจนถึงข้อมูลเชิงคุณภาพที่ได้จากการสัมภาษณ์ผู้ประกอบการในภาคธุรกิจ ซึ่งเป็นสิ่งที่เราให้น้ำหนักไม่ต่างจากข้อมูลเชิงสถิติเลย เพราะข้อมูลชุดนี้มีบทบาทค่อนข้างมาก โดยเฉพาะอย่างยิ่งในช่วงที่แบบจำลองเศรษฐกิจมีข้อจำกัด ซึ่งที่ผ่านมาเราจะเห็นอยู่ 2 รูปแบบ คือ (1) ช่วงหลังจากเกิดเหตุการณ์ที่รุนแรงรวดเร็ว (shocks) ขนาดใหญ่ เช่น วิกฤตการเงินโลกปี 2551 น้ำท่วมใหญ่ในปี 2554 การระบาดของโควิด 19 ในปี 2563 และวิกฤตราคาพลังงานและอาหารหลังโควิด 19 ในปี 2565-ปัจจุบัน และ (2) ช่วงที่ระบบเศรษฐกิจกำลังเปลี่ยนแปลงเชิงโครงสร้าง เช่น ช่วงที่ชาวจีนเริ่มนิยมมาเที่ยวไทย และช่วงการทวนกระแสโลกาภิวัตน์ (deglobalization) รวมไปถึงการปรับห่วงโซ่อุปทานที่กำลังเกิดขึ้นในปัจจุบัน
“ข้อมูลที่ได้รับจากผู้ประกอบการและภาคธุรกิจโดยตรงเหล่านี้ นอกจากจะช่วยให้การพยากรณ์เศรษฐกิจและเงินเฟ้อมีความน่าเชื่อถือมากขึ้นแล้ว ยังช่วยให้ได้ผลที่แม่นยำมากขึ้น ซึ่งจะทำให้การดำเนินนโยบายเป็นไปอย่างเหมาะสมและทันการณ์อีกด้วย”
ธปท. ใช้ข้อมููลหลากหลายในการพยากรณ์เศรษฐกิจ เช่น การส่งออก-นำเข้า การลงทุนของภาคธุรกิจ และการบริโภคของประชาชน
เมื่อมีข้อมูลแล้วก็ต้องมีเครื่องมือ ซึ่งสิ่งที่ธนาคารกลางหลายแห่งทั่วโลกใช้คือ “แบบจำลองทางเศรษฐกิจ” ที่มีคุณสมบัติในการจำลองความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรต่าง ๆ อย่างครบถ้วนและเป็นเหตุเป็นผล รวมทั้งสามารถพยากรณ์แนวโน้มได้อย่างแม่นยำ เพื่อประโยชน์ด้านการวิเคราะห์และตัดสินใจนโยบายของ กนง. ด้วยความต้องการคุณสมบัติที่ครอบคลุมแบบนี้ ธปท. จึงเลือกใช้แบบจำลองทางเศรษฐกิจหลายประเภทร่วมกัน
“เราคงต้องยอมรับความจริงว่า ไม่มีแบบจำลองประเภทใดที่จะพยากรณ์ทุกเรื่องได้อย่างสมบูรณ์แบบ ธปท. จึงใช้แบบจำลองเศรษฐกิจหลายประเภทที่มีข้อดีแตกต่างกัน มาเสริมซึ่งกันและกัน เพื่อให้การ forecast ของเรามีความน่าเชื่อถือมากที่สุด”
แบบจำลองแรกที่ ธปท. เลือกใช้ชื่อว่า Bank of Thailand’s Macroeconometric Model (BOTMM) ซึ่งถูกใช้มาตั้งแต่เริ่มทำนโยบายการเงินภายใต้กรอบเป้าหมายเงินเฟ้อเมื่อปี 2543 และเป็นแบบจำลองหลักที่เราใช้ในการพยากรณ์เศรษฐกิจ โดยถูกสร้างมาจากวิธีทางเศรษฐมิติ ซึ่งเป็นระบบสมการขนาดใหญ่ที่แสดงความสัมพันธ์ ขนาด และทิศทางของแต่ละตัวแปรว่าจะมีผลต่อเศรษฐกิจอย่างไร ซึ่งของเรามีสมการพฤติกรรม 40 สมการ เพื่อใช้ดูว่าเมื่อตัวแปรหนึ่งเปลี่ยนแปลงไปจะมีผลต่อพฤติกรรมของตัวแปรอื่นอย่างไร และใช้ในการพยากรณ์จีดีพีด้านอุปสงค์ ทำให้ต้องใช้ข้อมูลและตัวแปรที่เกี่ยวข้องจำนวนมาก ซึ่งที่สำคัญก็อย่างเช่น การบริโภคภาคเอกชน การลงทุนภาคเอกชน การส่งออกและนำเข้าสินค้าและบริการ รวมทั้งดัชนีราคาต่าง ๆ ในระบบเศรษฐกิจและตลาดการเงิน ได้แก่ อัตราเงินเฟ้อทั่วไป อัตราเงินเฟ้อพื้นฐาน อัตราดอกเบี้ย และอัตราแลกเปลี่ยน
แบบจำลองที่สองคือ Integrated Policy Macroeconomic Model (IPMM) เป็นแบบจำลองที่สะท้อนความสัมพันธ์ระยะยาวระหว่างตัวแปรหลัก ๆ ทางเศรษฐกิจ กับนโยบายการเงิน รวมถึงใช้ในการพยากรณ์อัตราดอกเบี้ยนโยบายและวิเคราะห์แนวโน้มเศรษฐกิจภายใต้นโยบายเศรษฐกิจมหภาคที่แตกต่างกัน โดยขนาดของแบบจำลองจะเล็กกว่า BOTMM โดยมีสมการพฤติกรรมอยู่ 24 สมการ และจะเน้นความสัมพันธ์ระหว่างตัวแปรหลัก ซึ่งได้แก่ จีดีพีและอัตราเงินเฟ้อ กับผลของการดำเนินนโยบายการเงิน เพื่อให้การวิเคราะห์ผลกระทบของนโยบายมีความคล่องตัวมากกว่า จึงไม่ได้ให้ผลการพยากรณ์ออกมาเป็นการบริโภค การลงทุน และมูลค่าการส่งออกสินค้าและบริการเหมือนกับ BOTMM
นอกจากนี้ ธปท. ยังมีการใช้แบบจำลองอื่น ๆ เสริมเข้ามา เพื่อประกอบการพยากรณ์ และใช้สอบทานแบบจำลองหลัก ไม่ว่าจะเป็น Structural VAR[3] และ I-O matrix[4] รวมถึง Nowcasting model[5]
เมื่อถามถึงธนาคารกลางประเทศอื่น คุณบัณณรีให้ความเห็นว่า “ไม่มีความแตกต่างกันมากนักในภาพรวม เพราะธนาคารกลางของหลายประเทศ อย่างสหรัฐฯ ยุโรป แคนาดา และอังกฤษ ต่างมีการพัฒนาแบบจำลองของตัวเองโดยเฉพาะ และส่วนใหญ่ก็มีการใช้แบบจำลองหลายประเภทร่วมกันคล้ายกับ ธปท. แต่อาจแตกต่างกันในรายละเอียด ขึ้นอยู่กับบริบททางเศรษฐกิจ ข้อจำกัดด้านข้อมูล รวมทั้งน้ำหนักของข้อมูลที่ กนง. ของแต่ละประเทศต้องการใช้ในการทำนโยบายการเงิน”
ผลการพยากรณ์ที่ ธปท. เผยแพร่ให้สาธารณชนนำไปใช้ประโยชน์ มีตั้งแต่อัตราการขยายตัวทางเศรษฐกิจ ไปจนถึงองค์ประกอบต่าง ๆ ที่อยู่ในจีดีพี เช่น การบริโภคภาคเอกชน การลงทุนภาคเอกชน การใช้จ่ายอุปโภคและลงทุนภาครัฐ การส่งออกและนำเข้าสินค้าและบริการ อัตราเงินเฟ้อทั่วไป อัตราเงินเฟ้อพื้นฐาน และยังมีการพยากรณ์ข้อมูลทางเศรษฐกิจอื่น ๆ ที่ภาคเอกชนให้ความสนใจ ได้แก่ อัตราการขยายตัวของมูลค่าการส่งออกและนำเข้าสินค้า จำนวนนักท่องเที่ยวต่างชาติ และดุลบัญชีเดินสะพัด
“แม้ว่าในกระบวนการพยากรณ์แนวโน้มเศรษฐกิจของเราจะใช้ข้อมูลจำนวนมากแค่ไหน หรือโมเดลที่ใช้จะมีการปรับปรุงให้ดีขึ้นเพียงใด แต่เราคงต้องยอมรับว่า การพยากรณ์อนาคตเป็นงานที่มีความไม่แน่นอน อย่างเช่น เศรษฐกิจโลกอาจเติบโตสูงหรือต่ำกว่าที่คาด หรือราคาน้ำมันก็อาจปรับตัวสูงหรือต่ำกว่าที่คิดไว้ ฉะนั้น ตัวเลขการพยากรณ์เศรษฐกิจและเงินเฟ้อที่เราเผยแพร่จึงเป็นค่ากลาง ซึ่งก็คือกรณีฐานที่มีโอกาสเป็นไปได้มากที่สุด” แต่ขณะเดียวกัน เราจะคาดการณ์เศรษฐกิจที่ครอบคลุมกรณีต่าง ๆ ที่อาจเกิดขึ้น เพื่อสะท้อนให้เห็นภาพความเสี่ยงที่อาจเกิดขึ้นในอนาคต (risk scenarios) ตั้งแต่กรณีที่แย่ที่สุด ไปจนถึงกรณีที่ดีที่สุด โดยใช้แผนภูมิรูปพัด (fan chart) ในการสื่อสารเพื่อให้ กนง. เห็นภาพความเป็นไปได้ในด้านสูงและด้านต่ำของผลการพยากรณ์เศรษฐกิจ
“การคาดการณ์เศรษฐกิจของฝ่ายเศรษฐกิจมหภาคมีความสำคัญอย่างยิ่งต่อการตัดสินนโยบาย ซึ่งผลจากการประเมินตัวเองทำให้เราได้ทราบว่า ในช่วงที่เศรษฐกิจเป็นไปตามวัฏจักรปกติ ที่ความผันผวนอยู่ในระดับต่ำ หรือไม่มีสถานการณ์วิกฤตเกิดขึ้น ผลพยากรณ์ทั้งอัตราการขยายตัวของเศรษฐกิจและอัตราเงินเฟ้อ จะค่อนข้างมีความคลาดเคลื่อนน้อย และทำให้เราสามารถมองเห็นทิศทางของตัวแปรต่าง ๆ ได้อย่างแม่นยำ
“อย่างเช่นในการพยากรณ์แนวโน้มการส่งออกในปี 2566 นี้ เราก็ถือเป็นสำนักแรก ๆ ที่พยากรณ์ว่ามูลค่าการส่งออกจะหดตัวจากปีก่อน เนื่องจากเห็นโมเมนตัมการส่งออกที่หดตัวเมื่อเทียบกับไตรมาสก่อนหน้า มาตั้งแต่ครึ่งหลังของปีที่แล้ว เราจึงประเมินว่า จะมีปัจจัยระยะยาวที่จะกดดันภาคการส่งออกไทยไปอีกสักพัก นั่นก็คือการพึ่งพาตนเองของจีนในการผลิตอุตสาหกรรมปิโตรเคมี ซึ่งทำให้เราส่งออกไปจีนได้ลดลง”
สำหรับการพยากรณ์ในช่วงที่มี shocks ขนาดใหญ่ แม้ว่าความแม่นยำในภาพรวมจะลดลงบ้าง แต่เมื่อเทียบกับความผันผวนของข้อมูลเศรษฐกิจที่เกิดขึ้นจริงแล้ว ก็นับว่ายังแม่นยำกว่าการคาดการณ์ของตลาด[6]
“อย่างในช่วงที่มีการระบาดของโควิด 19 อยู่เป็นระลอก ถือว่าการพยากรณ์มีความยาก เพราะมีหลายตัวแปรที่เราคาดไม่ได้ เช่น ความรุนแรงของสายพันธุ์ นโยบายการจัดหาวัคซีนของรัฐบาล รวมทั้งพฤติกรรมของประชาชนในการป้องกันไวรัส ทำให้การพยากรณ์เศรษฐกิจของเราผิดไปจากช่วงก่อนที่จะมีการระบาดของโควิด 19 สายพันธุ์เดลต้าตอนต้นปี 2564 ค่อนข้างมาก จากเดิมที่เราคาดไว้ว่าเศรษฐกิจน่าจะขยายตัวได้ 3% เป็นขยายตัวได้จริงแค่เพียง 1.6% จากผลของการระบาดของโควิด 19”
จากรุ่นพี่ถึงนักพยากรณ์เศรษฐกิจรุ่นใหม่ คุณบัณณรีขอใช้ประสบการณ์ที่ผ่านร้อนผ่านหนาวมาแล้วหลายวัฏจักรและหลายวิกฤต แนะนำถึงคุณสมบัติของผู้ที่อยากมาเป็นนักพยากรณ์
“เป้าหมายสำคัญของเราคือ การพยากรณ์เศรษฐกิจที่แม่นยำเพื่อนำไปสู่การดำเนินนโยบายการเงินที่ไม่ผิดพลาดและน่าเชื่อถือ ขณะที่วิธีการพยากรณ์ที่ดีที่สุดก็ไม่ได้มีรูปแบบที่ตายตัว คนที่สนใจทำงานนี้จึงต้องตื่นรู้ตลอดเวลา และต้องหมั่นสังเกตรูปแบบความสัมพันธ์ระหว่างตัวแปรทางเศรษฐกิจต่าง ๆ เพื่อจับสัญญาณการเปลี่ยนแปลงที่อาจเกิดขึ้น ทั้งยังต้องเพิ่มประสิทธิภาพในการพยากรณ์ของเราให้แม่นยำที่สุด จึงต้องไม่หยุดอยู่กับที่ แต่จะต้องมีการทบทวน ปรับปรุง และพัฒนา ทั้งแบบจำลองและข้อมูลที่ใช้ในการวิเคราะห์อย่างสม่ำเสมอ”
[1] ประเทศคู่ค้าที่สำคัญของไทย ประกอบด้วย สหรัฐฯ กลุ่มยูโร สหราชอาณาจักร ญี่ปุ่น จีน ฮ่องกง เกาหลีใต้ ไต้หวัน สิงคโปร์ มาเลเซีย อินโดนีเซีย ฟิลิปปินส์ และออสเตรเลีย
[2] ดัชนีชี้นำเศรษฐกิจ คือ ข้อมูลทางเศรษฐกิจตัวใดตัวหนึ่งที่นำมาใช้คาดการณ์ข้อมูลทางเศรษฐกิจตัวอื่นได้ เช่น ดัชนีคำสั่งซื้อล่วงหน้าของเดือนนี้ สามารถใช้เป็นดัชนีชี้นำการผลิตภาคอุตสาหกรรมและการส่งออกในเดือนถัดไป
[3] Structural VAR (Vector Autoregressive) model เป็นแบบจำลองขนาดเล็กที่ใช้การเปลี่ยนแปลงของข้อมูลชุดหนึ่งในอดีตมาพยากรณ์ข้อมูลในอนาคต โดยใช้ทฤษฎีเศรษฐศาสตร์กำหนดความสัมพันธ์ไว้บางส่วน และใช้หลายแบบจำลองประกอบกัน
[4] I-O matrix หรือตารางปัจจัยการผลิต (input) และผลผลิต (output) ซึ่งเป็นความเชื่อมโยงระหว่างปัจจัยการผลิต และผลผลิตสินค้าในกลุ่มต่าง ๆ เพื่อวัดความสัมพันธ์ของระบบเศรษฐกิจในด้านอุปทานและโครงสร้างการพึ่งพาสินค้านำเข้า
[5] Nowcasting model เป็นแบบจำลองที่ใช้ข้อมูลรายเดือนของไตรมาสล่าสุด มาคาดการณ์ตัวเลขจีดีพีไตรมาสนั้น ๆ ระหว่างรอตัวเลขจริงที่สภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติจะเผยแพร่
[6] คาดการณ์ของตลาด เป็นการเทียบกับค่าเฉลี่ยของการพยากรณ์จาก Consensus Economics