ADB เปิดตัวระบบ AI พยากรณ์วิกฤตเศรษฐกิจแม่นยำขึ้น 23% รับมือความเสี่ยงใหม่

ธนาคารเพื่อการพัฒนาเอเชีย (ADB) ยกระดับการเตือนภัยทางเศรษฐกิจด้วยการนำเทคโนโลยี Machine Learning มาใช้ในระบบเตือนภัยล่วงหน้า (Early Warning System: EWS) รูปแบบใหม่ ซึ่งสามารถพยากรณ์วิกฤตการเงินและหนี้สินได้แม่นยำกว่าระบบเดิมถึง 23% พร้อมครอบคลุมปัจจัยเสี่ยงสมัยใหม่อย่างการเปลี่ยนแปลงสภาพภูมิอากาศและความขัดแย้งทางภูมิรัฐศาสตร์ เพื่อเสริมสร้างความมั่นคงทางเศรษฐกิจในภูมิภาคเอเชียและแปซิฟิกท่ามกลางความผันผวนของโลกยุคปัจจุบัน

นวัตกรรม Machine Learning สยบความผันผวนเศรษฐกิจเอเชีย ความเสียหายจากวิกฤตเศรษฐกิจในอดีตสร้างรอยแผลลึกให้กับภูมิภาคเอเชียและแปซิฟิก ตัวอย่างที่ชัดเจนคือวิกฤตการณ์ทางการเงินในเอเชียปี 2540  ซึ่งทำให้ประเทศอย่างอินโดนีเซีย สาธารณรัฐเกาหลี มาเลเซีย และไทย ต้องสูญเสียผลผลิตมวลรวมภายในประเทศ (GDP) รวมสะสมระหว่าง 8% ถึง 14% ในช่วง 10 ปีต่อมา

ด้วยเหตุนี้ ADB จึงได้พัฒนาและเปิดตัวระบบเตือนภัยล่วงหน้า (EWS) รูปแบบใหม่ในเดือนกันยายน 2568  เพื่อยกระดับขีดความสามารถในการเตรียมความพร้อมรับมือวิกฤต

ระบบ EWS ใหม่นี้ใช้เทคโนโลยี Machine Learning (ML) ที่ล้ำสมัย ซึ่งมีความสามารถในการวิเคราะห์ข้อมูลที่ซับซ้อนและระบุรูปแบบของความเปราะบางได้ดีกว่าโมเดลสถิติแบบเดิม โดยระบบสามารถพยากรณ์วิกฤตได้ 4 ประเภทหลัก ได้แก่ วิกฤตภาคธนาคาร วิกฤตค่าเงิน วิกฤตหนี้สิน และวิกฤตการคลัง จากการทดสอบพบว่าระบบใหม่นี้มีประสิทธิภาพในการพยากรณ์ (Forecasting Accuracy) เพิ่มขึ้นสูงสุดถึง 23% เมื่อเทียบกับระบบเดิม

วิเคราะห์ข้อมูลเชิงลึกกว่า 1,500 รายการ จุดเด่นที่ทำให้ระบบใหม่มีความแม่นยำสูงคือการนำชุดข้อมูลขนาดใหญ่ที่มีดัชนีชี้วัดมากกว่า 1,500 รายการมาวิเคราะห์  ซึ่งครอบคลุมตั้งแต่ข้อมูลมหภาคมาตรฐานไปจนถึงปัจจัยเสี่ยงใหม่ๆ ที่ท้าทายโลกในปัจจุบัน ได้แก่:

• ความเสี่ยงด้านภูมิอากาศ: การประเมินผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศที่อาจส่งผลต่อเสถียรภาพทางการเงิน
• ความตึงเครียดทางภูมิรัฐศาสตร์: การวิเคราะห์ความขัดแย้งระหว่างประเทศและการหยุดชะงักของห่วงโซ่อุปทานโลก
• ความเชื่อมโยงทางการเงินข้ามพรมแดน: การติดตามการแพร่กระจายของความเสี่ยง (Spillovers) ผ่านเครือข่ายตลาดทุนระดับภูมิภาคและระดับโลก

แก้ปัญหา "กล่องดำ" ด้วย Shapley Values แม้ว่าโมเดล Machine Learning จะมีความแม่นยำสูง แต่มักถูกวิจารณ์ว่าเป็น "กล่องดำ" (Black Box) ที่ตีความผลลัพธ์ได้ยาก ADB จึงได้นำแนวคิด "Shapley Values" และ "Shapley Regressions" จากทฤษฎีเกมมาประยุกต์ใช้ วิธีนี้ช่วยให้ผู้กำหนดนโยบายสามารถเข้าใจได้ว่าปัจจัยใดเป็นสาเหตุหลักที่ทำให้ความเสี่ยงของวิกฤตเพิ่มสูงขึ้น ช่วยให้การตัดสินใจเชิงนโยบายมีความชัดเจนและตรงจุดมากขึ้น

สถานการณ์หนี้สาธารณะในเอเชียปี 2568 ความจำเป็นของระบบเตือนภัยนี้สะท้อนผ่านตัวเลขหนี้สาธารณะที่พุ่งสูงขึ้น โดยในปี 2568  ค่าเฉลี่ยของหนี้สาธารณะต่อ GDP ในภูมิภาคเอเชียอยู่ที่ 47% เพิ่มขึ้นอย่างต่อเนื่องจากช่วงก่อนวิกฤตโควิด-19 ที่เคยอยู่ที่ประมาณ 33% ในปี 2551  และ 43% ในปี 2562 ปัจจัยกดดันจากภาระหนี้ที่สูงขึ้นและการเปลี่ยนแปลงทางเทคโนโลยีในระบบการชำระเงิน ทำให้การพยากรณ์ที่แม่นยำเป็นเครื่องมือสำคัญที่จะช่วยป้องกันความเสียหายทางเศรษฐกิจระยะยาว

ADB ยังได้จัดทำแดชบอร์ด (Dashboard) ที่แสดงผลการคาดการณ์แบบเรียลไทม์ เพื่อให้รัฐบาลในประเทศสมาชิกและพันธมิตรเพื่อการพัฒนาสามารถเข้าถึงข้อมูลเชิงลึกและเปิดบทสนทนาเชิงนโยบายได้อย่างทันท่วงที ถือเป็นความมุ่งมั่นของ ADB ในการสร้างภูมิภาคเอเชียและแปซิฟิกที่มั่งคั่ง ทั่วถึง มีความพร้อมรับมือ และยั่งยืน