ความเสี่ยงด้านสภาพภูมิอากาศ: ตัวเร่งความเปราะบางของระบบการเงินไทย

การเปลี่ยนแปลงสภาพภูมิอากาศและเหตุการณ์สภาพอากาศสุดขั้วก่อให้เกิดความท้าทายอย่างมีนัยสำคัญต่อทั้งระบบเศรษฐกิจและระบบการเงินของประเทศไทย เหตุการณ์สภาพอากาศสุดขั้วที่เกิดขึ้นในอดีต เช่น มหาอุทกภัยที่เกิดขึ้นในปี 2554 เหตุการณ์น้ำท่วมหาดใหญ่ในปี 2569 ส่งผลให้กิจกรรมทางเศรษฐกิจและห่วงโซ่อุปทานของสินค้าหลายชนิดหยุดชะงัก และเพิ่มความผันผวนทางเศรษฐกิจ ในขณะเดียวกัน ความเสี่ยงจากสภาพภูมิอากาศ (climate risks) ยังส่งผลกระทบโดยตรงต่อภาคการเงิน ผ่านการลดลงของกระแสเงินสดของภาคธุรกิจและครัวเรือน การลดลงของมูลค่าหลักประกัน และการเพิ่มขึ้นของความเสี่ยงด้านสินเชื่อและความผันผวนของตลาดการเงิน ประเทศไทยมีความเปราะบางต่อเหตุการณ์สภาพอากาศสุดขั้วโดยเฉพาะน้ำท่วมและภัยแล้ง มีขีดความสามารถในการปรับตัวที่จำกัด และโครงสร้างระบบการเงินที่พึ่งพาภาคธนาคารค่อนข้างสูง ส่งผลให้ความเสี่ยงด้านสภาพภูมิอากาศมีแนวโน้มที่จะส่งผ่านสู่ระบบการเงินจากการที่รายได้ของภาคธุรกิจและครัวเรือนและมูลค่าหลักประกันลดลง ซึ่งกระทบต่อความสามารถในการชำระหนี้และคุณภาพสินทรัพย์ของธนาคาร (Battiston et al., 2017; Bolton et al., 2020; Kahn et al., 2021)

งานศึกษานี้ให้ความสำคัญกับกลไกความเชื่อมโยงระหว่างความเสี่ยงด้านสภาพภูมิอากาศและเสถียรภาพของภาคการเงินไทย โดยบทความนี้ชวนหาคำตอบให้กับคำถามที่ว่าความเสี่ยงด้านสภาพภูมิอากาศ ส่งผลต่อความเสี่ยงเชิงระบบของภาคธนาคารไทยอย่างไร ผ่านช่องทางใด และควรยกระดับระบบการกำกับดูแลอย่างไรเพื่อให้สามารถจัดการความเสี่ยงเหล่านี้ได้ล่วงหน้า โดยบทความนี้ครอบคลุมความเสี่ยงด้านสภาพภูมิอากาศทั้ง 2 ประเภท ได้แก่ ความเสี่ยงทางกายภาพ (physical risks) ซึ่งเกิดจากสภาพอากาศสุดขั้ว เช่น น้ำท่วมหรือภัยแล้ง และความเสี่ยงจากการเปลี่ยนผ่านสู่เศรษฐกิจคาร์บอนต่ำ (transition risks) ซึ่งเกิดจากการเปลี่ยนแปลงทางด้านนโยบาย เทคโนโลยี และความต้องการของผู้บริโภคที่เกี่ยวข้องกับการเปลี่ยนผ่านสู่เศรษฐกิจคาร์บอนต่ำ ซึ่งการเปลี่ยนแปลงเหล่านี้กระทบราคาของสินทรัพย์ การลงทุนที่สูญค่า (stranded investments) รวมถึงการเปลี่ยนแปลงเชิงโครงสร้างในภาคเศรษฐกิจที่ใช้พลังงานเข้มข้น

บทความนี้ช่วยเติมเต็มช่องว่างงานศึกษาที่มีอยู่ในปัจจุบันใน 3 มิติหลัก ทั้งการใช้ดัชนี SPEI ซึ่งเป็นตัวชี้วัดความเสี่ยงทางกายภาพ การวิเคราะห์กลไกการส่งผ่านผลกระทบของ climate risk ต่อภาคการเงินโดยใช้ mediation analysis และการเชื่อมโยง climate risk เข้ากับมาตรวัดความเสี่ยงเชิงระบบ โดยบทความนี้ใช้ดัชนี Brown-minus-Green (BMG) หรือ ส่วนต่างของผลตอบแทนระหว่างกลุ่มธุรกิจที่ปล่อยคาร์บอนสูง (brown) และกลุ่มธุรกิจที่เป็นมิตรต่อสิ่งแวดล้อม (green) เพื่อสะท้อนความเสี่ยงจากการเปลี่ยนผ่านสู่เศรษฐกิจคาร์บอนต่ำ และดัชนี Standardized Precipitation Evapotranspiration Index (SPEI) สะท้อนความเสี่ยงทางกายภาพ ในส่วนของการวัดความเสี่ยงเชิงระบบ (systemic risks) บทความนี้ใช้ Conditional Value-at-Risk (CoVaR) ซึ่งสะท้อนผลกระทบของภาวะวิกฤติของสถาบันการเงินรายหนึ่งต่อความเสี่ยงของระบบโดยรวม โดยอาศัยข้อมูลราคาหลักทรัพย์ของธนาคารพาณิชย์ในตลาดหลักทรัพย์แห่งประเทศไทยในการวิเคราะห์ และใช้แบบจำลอง panel regression เพื่อวิเคราะห์ผลกระทบความเสี่ยงทางกายภาพและความเสี่ยงจากการเปลี่ยนผ่านสู่เศรษฐกิจคาร์บอนต่ำต่อความเสี่ยงเชิงระบบของภาคธนาคาร ซึ่งผลการศึกษาดังกล่าวช่วยให้สามารถเข้าใจผลกระทบของ climate risk ต่อเสถียรภาพของระบบการเงินได้ชัดเจนมากขึ้น ซึ่งจะนำไปสู่การพัฒนาข้อเสนอแนะเชิงนโยบายที่ตรงจุดต่อไป

Climate risks ที่ส่งผ่านมายังภาคธนาคารสะท้อนออกมาในรูปของความเสี่ยงทางการเงินหลายมิติ โดยแบ่งเป็นสี่มิติหลัก ได้แก่ ความเสี่ยงด้านสินเชื่อ ตลาด สภาพคล่อง และการดำเนินงาน รูปที่ 1 สรุปช่องทางการส่งผ่านผลกระทบ (transmission channels) ของ climate risk ต่อภาคธนาคารและภาคการเงิน เมื่อความเสี่ยงเหล่านี้เกิดขึ้นพร้อมกันและเชื่อมโยงกันในระบบการเงิน ผลกระทบจะไม่จำกัดอยู่ในระดับสถาบัน แต่สามารถขยายตัวเป็นความเสี่ยงเชิงระบบ (systemic risks) ของภาคธนาคารได้

เหตุการณ์สภาพอากาศสุดขั้วส่งผลให้รายได้ กระแสเงินสด และมูลค่าหลักประกันของครัวเรือนและภาคธุรกิจลดลง ทำให้ความสามารถในการชำระหนี้ลดลงและเพิ่มโอกาสในการผิดนัดชำระหนี้ นอกจากนี้ นโยบายราคาคาร์บอน เช่น ภาษีคาร์บอนหรือระบบซื้อขายใบอนุญาตการปล่อยก๊าซเรือนกระจก (ETS) ตลอดจนมาตรการทางการค้าด้านสิ่งแวดล้อม อาจเพิ่มต้นทุนและบั่นทอนความสามารถในการแข่งขันของธุรกิจ โดยเฉพาะธุรกิจในอุตสาหกรรมหนักและอุตสาหกรรมที่พึ่งพาเชื้อเพลิงฟอสซิลสูง เช่น น้ำมัน ปิโตรเคมี เหล็ก ซีเมนต์ เป็นต้น ทำให้คุณภาพสินเชื่อของธนาคารลดลง นอกจากนี้ หากผลกระทบจากนโยบายราคาคาร์บอนและมาตรการทางการค้าด้านสิ่งแวดล้อมส่งผลให้เศรษฐกิจชะลอตัว รายได้ของประชาชนและธุรกิจลดลง และความสามารถในการชำระหนี้ถดถอย ความเสี่ยงด้านสินเชื่อก็จะยิ่งทวีความรุนแรงขึ้น

เหตุการณ์สภาพอากาศสุดขั้วและการเปลี่ยนแปลงนโยบายเพื่อรองรับการผ่านสู่เศรษฐกิจคาร์บอนต่ำอาจส่งผลให้ราคาสินทรัพย์ผันผวนมากขึ้นและทำให้ความเสี่ยงด้านตลาดเพิ่มขึ้น นำไปสู่การปรับมูลค่าของสินทรัพย์อย่างฉับพลัน โดยเฉพาะสินทรัพย์ที่เกี่ยวข้องกับกิจกรรมที่มีการปล่อยก๊าซเรือนกระจกสูง เช่น โรงกลั่นน้ำมัน แท่นขุดเจาะก๊าซ โรงไฟฟ้าถ่านหิน เป็นต้น ซึ่งการเปลี่ยนแปลงมูลค่าสินทรัพย์ดังกล่าวส่งผลกระทบต่อฐานะทางการเงินของธนาคารพาณิชย์ผ่านพอร์ตการลงทุน ขณะเดียวกัน ประเทศที่มีความเสี่ยงต่อภัยธรรมชาติสูงอาจเผชิญต้นทุนการกู้ยืมที่เพิ่มขึ้นและข้อจำกัดในการเข้าถึงตลาดทุน ซึ่งสะท้อนกลับมายังภาคธนาคารผ่านต้นทุนการระดมทุนและมูลค่าสินทรัพย์

ความเสี่ยงทางกายภาพยังส่งผลกระทบต่อสภาพคล่องของธนาคารพาณิชย์ เนื่องจากเหตุการณ์สภาพอากาศสุดขั้วอาจส่งผลให้ครัวเรือนและธุรกิจมีการถอนเงินมากขึ้นและเพิ่มความต้องการสินเชื่อฉุกเฉินเพื่อฟื้นฟูที่พักอาศัยและสถานประกอบการที่ได้รับผลกระทบจากเหตุการณ์สภาพอากาศสุดขั้ว นอกจากนี้ เหตุการณ์สภาพอากาศสุดขั้วอาจกระทบการระดมทุนในตลาดทุนหรือกระทบความสามารถในการขายสินทรัพย์ ทำให้เกิดสภาวะสภาพคล่องตึงตัว

เหตุการณ์สภาพอากาศสุดขั้วโดยเฉพาะภัยน้ำท่วมและลมพายุรุนแรงส่งผลกระทบต่อการดำเนินงานของธนาคารพาณิชย์ ทำให้อาคารสำนักงานของธนาคาร โครงสร้างพื้นฐาน ระบบโทรคมนาคม และระบบสาธารณูปโภคได้รับความเสียหาย ส่งผลให้ธนาคารต้องแบกรับต้นทุนเพิ่มขึ้นและประสิทธิภาพการดำเนินงานลดลง ขณะที่ transition risk ซึ่งเกิดจากการปรับมาตรการหรือนโยบายของภาครัฐอาจเพิ่มภาระและต้นทุนให้กับธนาคารพาณิชย์ในการปฏิบัติตามกฎระเบียบ (compliance costs) เช่น การปรับเปลี่ยนอุปกรณ์ไฟฟ้า และการปรับปรุงอาคารให้ประหยัดพลังงานมากขึ้นและลดการปล่อยก๊าซเรือนกระจก

ทั้งนี้ จะเห็นได้ว่า climate risks ส่งผลกระทบต่อเสถียรภาพของระบบการเงินผ่านช่องทางความผันผวนในตลาดทุน และความเสี่ยงจากการผิดนัดชำระหนี้ ซึ่ง climate risks ส่งผลให้เกิดความผันผวนในตลาดเพิ่มขึ้น (Barnett, 2019; Van der Ploeg & Rezai, 2020) และทำให้หนี้ที่ไม่ก่อให้เกิดรายได้ (NPL) เพิ่มขึ้น (Xie & Duan, 2010; Zhang et al., 2024) งานศึกษาของ Wu et al. (2023) ใช้ mediation analysis เพื่อแยกบทบาทของช่องทางเหล่านี้ โดยผลการศึกษาพบว่าช่องทางสินเชื่อมีบทบาทสำคัญกว่าในการส่งผ่านผลกระทบ

ระหว่างปี 2014–2022 ประเทศไทยเผชิญเหตุการณ์น้ำท่วมรุนแรง 2 ครั้ง แต่ไม่เกิดเหตุการณ์น้ำแล้งรุนแรง จากการวิเคราะห์ดัชนี Standardized Precipitation Evapotranspiration Index (SPEI) ซึ่งเป็นดัชนีที่ใช้ชี้วัดความเสี่ยงทางกายภาพ เนื่องจากสามารถสะท้อนความผิดปกติของสมดุลน้ำในระบบภูมิอากาศ โดย SPEI พิจารณาทั้งปริมาณฝนและการระเหยของน้ำจากอุณหภูมิ ทำให้สามารถจับทั้งภาวะแห้งแล้งและภาวะฝนตกหนักผิดปกติได้ในตัวชี้วัดเดียว จากรูปที่ 2 พบว่าในช่วงที่ศึกษา เกิดเหตุการณ์น้ำท่วมรุนแรง (SPEI > 1.6) สองครั้ง คือช่วงกลางปี 2017 และปลายปี 2022 แต่ไม่พบเหตุการณ์แล้งรุนแรง (SPEI < -2) ในช่วงปีที่ศึกษา

ในบทความนี้สะท้อนผ่านดัชนี Brown-minus-Green (BMG) ซึ่งเป็นมาตรวัดส่วนต่างของผลตอบแทนระหว่างกลุ่มธุรกิจที่ปล่อยคาร์บอนสูง (brown firms) และกลุ่มธุรกิจที่ปล่อยคาร์บอนต่ำหรือเป็นมิตรต่อสิ่งแวดล้อม (green firms) ดัชนีดังกล่าวจึงสะท้อนว่าตลาดทุนประเมินและให้ราคา (pricing) กับความเสี่ยงด้านการเปลี่ยนผ่านในแต่ละช่วงเวลาอย่างไร โดยหากนักลงทุนมองว่าธุรกิจคาร์บอนสูงเผชิญความเสี่ยงเพิ่มขึ้นจากนโยบายด้านสภาพภูมิอากาศ การเปลี่ยนแปลงทางเทคโนโลยี หรือแรงกดดันด้านความยั่งยืน ราคาหุ้นและผลตอบแทนของธุรกิจกลุ่มดังกล่าวจะมีแนวโน้มด้อยกว่าธุรกิจที่ปล่อยคาร์บอนต่ำ ผลการศึกษาพบว่า ดัชนี BMG มีความผันผวนอย่างมากตามกาลเวลา (รูปที่ 3)

• ในช่วงที่ดัชนี BMG มีค่าติดลบ สะท้อนว่าธุรกิจกลุ่มคาร์บอนสูงมีผลตอบแทนต่ำกว่าธุรกิจกลุ่มที่ปล่อยคาร์บอนต่ำ ซึ่งเห็นได้ชัดเจนมากขึ้นหลังปี 2018 สอดคล้องกับช่วงที่นักลงทุนทั่วโลกเริ่มให้ความสำคัญกับความเสี่ยงด้านสภาพภูมิอากาศมากขึ้น และเริ่มปรับลดมูลค่าของสินทรัพย์ที่ปล่อยคาร์บอนสูง
• ช่วงที่ดัชนี BMG มีค่าเป็นบวก สะท้อนว่าธุรกิจกลุ่มคาร์บอนสูงยังคงให้ผลตอบแทนสูงกว่าธุรกิจกลุ่มที่ปล่อยคาร์บอนต่ำ

งานศึกษานี้ไม่ได้ใช้ระดับราคาหุ้นโดยตรงในการวัดความเสี่ยงจากการเปลี่ยนผ่านสู่เศรษฐกิจคาร์บอนต่ำ แต่ใช้ความผันผวนของดัชนี BMG $(ΔVaR(BMG))$ ซึ่งแสดงความผันผวนของผลตอบแทนระหว่างธุรกิจกลุ่ม brown และ green เพื่อสะท้อนการเปลี่ยนแปลงของความเสี่ยงด้านการเปลี่ยนผ่านที่ถูกสะท้อนผ่านการกำหนดราคาของตลาดทุนในแต่ละช่วงเวลา

บทความนี้วัดความเสี่ยงเชิงระบบของภาคธนาคารไทยโดยใช้เครื่องมือที่เรียกว่า $\Delta CoVaR$ (Conditional Value-at-Risk) เพื่อเป็นตัวชี้วัดว่าหากสถาบันการเงินรายหนึ่งเผชิญภาวะวิกฤต ความเสี่ยงดังกล่าวจะส่งผลกระทบต่อความเสี่ยงของระบบธนาคารโดยรวมมากน้อยเพียงใด โดยเริ่มจากการคำนวณค่า VaR หรือมูลค่าที่ระดับความเชื่อมั่น 95% สำหรับธนาคารแต่ละแห่ง ซึ่งสะท้อนความสูญเสียสูงสุดที่อาจเกิดขึ้นภายในระยะเวลา 1 เดือน ภายใต้ภาวะตลาดปกติ จากนั้นจึงคำนวณ CoVaR เพื่อวัดความเสี่ยงของระบบการเงินในกรณีที่ธนาคารแห่งนั้นเผชิญภาวะวิกฤต และคำนวณ $\Delta CoVaR$ เพื่อสะท้อนว่าธนาคารแต่ละแห่งมีผลกระทบต่อความเสี่ยงเชิงระบบของภาคธนาคารโดยรวมอย่างไร โดยการศึกษานี้ใช้ผลตอบแทนของหุ้นธนาคารพาณิชย์ 11 แห่งในตลาดหลักทรัพย์แห่งประเทศไทยเป็นตัวแทนความเสี่ยงรายสถาบัน และใช้ดัชนีหุ้นกลุ่มธนาคาร (SET Banking Sector Index) เป็นตัวแทนความเสี่ยงของระบบโดยรวม

ข้อมูลจากรูปที่ 4 สะท้อนให้เห็นว่าระบบธนาคารไทยมีความเชื่อมโยงกันในระดับที่สูง จากการที่ค่า $\Delta CoVaR$ แต่ละธนาคารมีการเคลื่อนไหวไปในทิศทางเดียวกันอย่างชัดเจน และชี้ให้เห็นว่าความเสี่ยงเชิงระบบของภาคธนาคารได้พุ่งสูงขึ้นอย่างรุนแรงในช่วงการแพร่ระบาดของโควิด-19 ก่อนจะเริ่มปรับตัวดีขึ้นอย่างค่อยเป็นค่อยไปเมื่อภาวะการเงินกลับเข้าสู่ภาวะปกติ เหตุการณ์ดังกล่าวนี้เป็นตัวอย่างเปรียบเทียบให้เห็นถึงความเชื่อมโยงของระบบธนาคารเมื่อเผชิญกับสภาวะวิกฤต (systemic shock) ช่วยให้เราเข้าใจความเปราะบางของระบบได้ชัดเจนขึ้น ก่อนจะนำไปวิเคราะห์ร่วมกับปัจจัย climate risks ในลำดับถัดไป

ความเสี่ยงจากการเปลี่ยนผ่านไปสู่เศรษฐกิจคาร์บอนต่ำและความเสี่ยงทางกายภาพส่งผลกระทบต่อเสถียรภาพของภาคธนาคารไทยอย่างมีนัยสำคัญ บทความนี้ใช้ panel regression ในการวิเคราะห์ผลกระทบของ transition risks และ physical risks ต่อความเสี่ยงเชิงระบบของภาคธนาคาร เพื่อให้การประมาณค่าผลกระทบของ climate risks มีความแม่นยำมากขึ้น บทความนี้ควบคุมปัจจัยอื่น ๆ ที่อาจมีผลต่อความเสี่ยงเชิงระบบของภาคธนาคาร¹ โดยเฉพาะปัจจัยด้านตลาดการเงินและปัจจัยด้านเศรษฐกิจมหภาค การใส่ตัวแปรควบคุมในแบบจำลองทางเศรษฐมิติเหล่านี้ช่วยให้สามารถแยกผลกระทบของ climate risk ออกจากปัจจัยหลักที่มีผลต่อความเสี่ยงเชิงระบบได้อย่างชัดเจนมากขึ้น

เมื่อ transition risks เพิ่มขึ้น ความเสี่ยงเชิงระบบของภาคธนาคารสูงขึ้น ผลจากการประมาณค่าแบบจำลอง panel regression ซึ่งมี $\Delta CoVaR_{i,t}$ ซึ่งใช้วัดผลกระทบของธนาคาร $i$ ต่อความเสี่ยงเชิงระบบของภาคธนาคาร ณ เวลา $t$ เป็นตัวแปรตาม และมี ตัวแปรอิสระใน panel regression ประกอบด้วย ปัจจัยความเสี่ยงในตลาดการเงิน ปัจจัยความเสี่ยงด้านเศรษฐกิจมหภาคและความเสี่ยงการเงินโลก transition risks และ physical risks

ผลการประมาณค่าแบบจำลองพบว่าเมื่อ $\Delta VaR_{BMG,t}$ ซึ่งสะท้อน transition risks เพิ่มขึ้น ความเสี่ยงเชิงระบบของภาคธนาคารเพิ่มขึ้นอย่างมีนัยสำคัญ ผลดังกล่าวสะท้อนว่าการเปลี่ยนแปลงเชิงนโยบาย เช่น นโยบายภาษีคาร์บอนหรือ ETS นโยบายสนับสนุนการเปลี่ยนผ่านพลังงานไปสู่พลังงานหมุนเวียน การเปลี่ยนแปลงทางด้านเทคโนโลยีลดการปล่อยก๊าซเรือนกระจก และการเปลี่ยนแปลงพฤติกรรมของผู้บริโภคโดยสนับสนุนสินค้าที่ปล่อยก๊าซเรือนกระจกต่ำ ฯลฯ ซึ่งส่งผลกระทบต่อความผันผวนในมูลค่าของบริษัทที่ปล่อยก๊าซเรือนกระจกสูง สามารถส่งผ่านผลกระทบดังกล่าวมายังภาคธนาคารในรูปของความเสี่ยงเชิงระบบที่เพิ่มขึ้น

เหตุการณ์น้ำท่วมหรือฝนตกหนักส่งผลทำให้ความเสี่ยงเชิงระบบของภาคธนาคารเพิ่มขึ้น ในส่วนของ physical risks ซึ่งวัดผ่านดัชนี SPEI ผลจากการประมาณค่าแบบจำลอง panel regression พบว่าเหตุการณ์ที่มีความชื้นสูงผิดปกติ (ค่า SPEI สูง) เช่น น้ำท่วมหรือฝนตกหนัก ส่งผลให้ความเสี่ยงเชิงระบบเพิ่มขึ้นอย่างมีนัยสำคัญ ขณะที่เหตุการณ์ภัยแล้ง (ค่า SPEI ต่ำ) ไม่ส่งผลกระทบต่อความเสี่ยงเชิงระบบของภาคธนาคารอย่างมีนัยสำคัญในช่วงเวลาที่ศึกษา

ข้อค้นพบดังกล่าวสะท้อนว่า physical risks ไม่ได้ส่งผลอย่างสมมาตรต่อความเสี่ยงเชิงระบบ โดยเหตุการณ์ที่สร้างความเสียหายเฉียบพลันและรุนแรง เช่น น้ำท่วม มีผลต่อความเสี่ยงในระบบการเงินมากกว่าเหตุการณ์ภัยแล้ง ทั้งนี้ ข้อค้นพบดังกล่าวอาจสะท้อนโครงสร้างการปล่อยสินเชื่อของระบบธนาคารพาณิชย์ไทย ซึ่งมี exposure ต่อภาคเศรษฐกิจที่อ่อนไหวต่อภัยแล้ง เช่น ภาคเกษตร ค่อนข้างจำกัด ผลกระทบจากภัยแล้งจึงอาจไม่ส่งผ่านไปสู่เสถียรภาพของระบบธนาคารพาณิชย์อย่างชัดเจน ในทางกลับกัน เหตุการณ์น้ำท่วมมักส่งผลกระทบต่อภาคเศรษฐกิจในวงกว้างมากกว่า ทั้งภาคอุตสาหกรรม การค้า อสังหาริมทรัพย์ และกิจกรรมทางเศรษฐกิจในเขตเมือง ซึ่งเป็นภาคส่วนที่ธนาคารพาณิชย์มีการปล่อยสินเชื่อในสัดส่วนสูง จึงทำให้เหตุการณ์น้ำท่วมสามารถส่งผ่านมายังคุณภาพสินเชื่อ มูลค่าหลักประกัน และความผันผวนของตลาดการเงินได้ชัดเจนกว่า

ในภาพรวม climate risks ทั้งสองประเภทมีบทบาทสำคัญในการกำหนดความเสี่ยงเชิงระบบของภาคธนาคาร และช่วยอธิบายความผันผวนของความเสี่ยงเชิงระบบที่สะท้อนผ่านค่า $\Delta CoVaR$ ซึ่งแบบจำลองพื้นฐานไม่สามารถจับได้ ผลการศึกษาดังกล่าวชี้ให้เห็นว่า climate risks เป็นหนึ่งในปัจจัยเสี่ยงเชิงระบบซึ่งส่งผลต่อระบบการเงินในลักษณะกว้าง อย่างไรก็ดี จากการวิเคราะห์กลไกการส่งผ่านผลกระทบ (mediation analysis) ซึ่งเป็นการวิเคราะห์เพื่อระบุว่าผลกระทบดังกล่าวส่งผ่านไปยังระบบการเงินผ่านช่องทางใด การศึกษาพบว่าผลกระทบของ transition risks และ physical risks อาจมีลักษณะที่แตกต่างกัน โดย transition risks ส่งผลกระทบต่อความเสี่ยงเชิงระบบผ่านช่องทางสินเชื่อเป็นหลัก โดยทำให้หนี้ที่ไม่ก่อให้เกิดรายได้ (NPL) เพิ่มขึ้น ขณะที่ physical risks ส่งผลกระทบต่อความเสี่ยงเชิงระบบผ่านความผันผวนของราคาสินทรัพย์เป็นสำคัญ และมีลักษณะของผลกระทบที่เกิดขึ้นล่าช้า (delayed impact)

ผลกระทบของ climate risks ต่อความเสี่ยงเชิงระบบของภาคธนาคารมีความแตกต่างกันตามกลุ่มของธนาคารพาณิชย์ โดยมีความรุนแรงในกลุ่มธนาคารขนาดใหญ่มากกว่าธนาคารขนาดเล็ก นอกจากนี้ ธนาคารที่มีการปล่อยสินเชื่อไปยังภาคเศรษฐกิจที่อ่อนไหวต่อสภาพภูมิอากาศ เช่น ภาคเกษตร ได้รับผลกระทบที่แรงกว่าธนาคารเฉพาะด้านที่มีการปล่อยสินเชื่อให้กับภาคเศรษฐกิจเหล่านี้ในสัดส่วนที่น้อยกว่า ซึ่งผลการศึกษาข้างต้นสะท้อนบทบาทของกลไกการส่งผ่านของ climate risk สู่ความเสี่ยงเชิงระบบในระบบธนาคารพาณิชย์ผ่านช่องทางด้านสินเชื่อ

นอกจากปัจจัยด้าน climate risks แล้ว ปัจจัยด้านตลาดการเงินและปัจจัยด้านเศรษฐกิจมหภาคมีบทบาทสำคัญในการอธิบายความเสี่ยงเชิงระบบของภาคธนาคารไทย ผลการวิเคราะห์ พบว่าการเปลี่ยนแปลงของค่า VAR ของปัจจัย market risk premium ปัจจัย value premium และปัจจัย profitability premium เป็นปัจจัยที่กระทบต่อความเสี่ยงเชิงระบบของภาคธนาคารอย่างมีนัยสำคัญ สำหรับปัจจัยด้านเศรษฐกิจมหภาค พบว่าอัตราดอกเบี้ยนโยบาย ค่าส่วนต่างอัตราดอกเบี้ยระยะสั้นและระยะยาว (term spread) รวมถึงดัชนีความไม่แน่นอนของนโยบายเศรษฐกิจโลก (EPU) มีผลต่อความเสี่ยงเชิงระบบของภาคธนาคารไทยเช่นกัน

รูปที่ 5 สรุปผลการวิเคราะห์ panel regression โดยแสดงผลเฉพาะตัวแปรที่ส่งผลกระทบต่อความเสี่ยงเชิงระบบของภาคธนาคารแบบมีนัยสำคัญเท่านั้น กราฟแท่งแสดงค่าสัมประสิทธิ์ของแต่ละตัวแปรที่ประมาณค่าได้จากแบบจำลอง รูปที่ 5A และ 5B มีความแตกต่างกันในส่วนของปัจจัย physical risks โดยรูปที่ 5A พิจารณาความรุนแรงของความผิดปกติของสภาพอากาศโดยรวม โดยไม่ได้สนใจเรื่องทิศทาง ในขณะที่รูปที่ 5B เป็นกรณีที่พิจารณาเหตุการณ์สภาพอากาศสุดขั้ว

การบูรณาการ climate risks ในกรอบการกำกับดูแลด้านเสถียรภาพการเงินอย่างเป็นระบบเป็นสิ่งที่มีความสำคัญอย่างยิ่ง บทความนี้พบว่า climate risks ทั้ง physical risks และ transition risks กระทบความเสี่ยงเชิงระบบของภาคธนาคาร ระบบการกำกับดูแลจำเป็นต้องได้รับการยกระดับให้สามารถมองเห็นและจัดการกับความเสี่ยงเหล่านี้ได้ล่วงหน้า โดยมีข้อเสนอดังนี้

ประการที่หนึ่ง หน่วยงานกำกับดูแลควรเร่งพัฒนาเครื่องมือกำกับดูแลให้สามารถสะท้อน climate risks ได้อย่างครอบคลุมมากขึ้น โดยควรผนวกทั้ง transition risks และ physical risks เข้าไปในกรอบ stress testing เพื่อประเมินความเปราะบางของสถาบันการเงินและความสามารถในการรับมือของระบบการเงินต่อ shocks ในอนาคต (International Monetary Fund, 2023)

ประการที่สอง หน่วยงานกำกับดูแลควรเร่งปิดช่องว่างด้านข้อมูล (data gaps) โดยส่งเสริมการพัฒนาโครงสร้างพื้นฐานด้านข้อมูล (data infrastructure) ที่รองรับการกำกับและติดตามข้อมูลด้าน climate ของภาคธุรกิจและสถาบันการเงิน เช่น ข้อมูลการปล่อยก๊าซเรือนกระจก ระดับความเปราะบางต่อสภาพภูมิอากาศ ฯลฯ ซึ่งข้อมูลเหล่านี้เป็นเงื่อนไขสำคัญสำหรับการกำกับดูแลที่มีประสิทธิภาพ

ประการที่สาม หน่วยงานกำกับดูแลควรบูรณาการ climate risk เข้ากับเครื่องมือกำกับเชิง มหภาค (macroprudential policies) และการกำกับรายธนาคาร นอกจากนี้ อาจพิจารณาปรับแนวทางในการกำกับดูแลแบบ reactive ไปสู่แนวทางเชิงป้องกันที่มุ่งลดการสะสมของความเสี่ยงเชิงระบบล่วงหน้า เช่น การพัฒนา early warning indicators สำหรับ systemic climate risk การใช้เครื่องมือ macroprudential ที่เจาะจง มากขึ้น

บทความนี้วิเคราะห์ผลกระทบของ transition risks และ physical risks ต่อความเสี่ยงเชิงระบบของภาคธนาคารโดยใช้แบบจำลอง panel regression โดยพิจารณาแบบจำลอง 2 รูปแบบดังนี้

โดยที่ $\Delta VaR_{BMG,t}$ สะท้อน transition risk โดยคำนวณจากการเปลี่ยนแปลงของ tail risks ของปัจจัย Brown-minus-Green (BMG) $|SPEI_t|$ ใช้วัดขนาดของการเบี่ยงเบนของสภาพภูมิอากาศในเชิงกายภาพ โดยไม่คำนึงถึงทิศทาง ซึ่งหมายถึงไม่คำนึงว่าเป็นกรณีที่สภาพอากาศแห้งแล้งผิดปกติ (เกิดเหตุการณ์น้ำแล้ง) หรือสภาพอากาศชื้นมากผิดปกติ (เหตุการณ์น้ำท่วม) $\Delta VaR_{j,t}$ สะท้อนการเปลี่ยนแปลงของค่า Value-at-Risk (VAR) ของปัจจัยความเสี่ยงในตลาดการเงิน $\mu_i$ แทน fixed effects ของธนาคารแต่ละแห่ง $X_{k,t}$ แทนปัจจัยด้านเศรษฐกิจมหภาคและความเสี่ยงทางการเงินระดับโลก

ภายใต้แบบจำลองที่ 2 ความเสี่ยงเชิงระบบของภาคธนาคารอาจตอบสนองต่อการเกิดเหตุการณ์สภาพอากาศสุดขั้ว เช่น น้ำท่วม น้ำแล้ง เป็นต้น