……….

เวลาที่พูดถึงโจรสลัด หลายคนคงนึกไปถึงสิ่งที่มีอยู่ในภาพยนตร์ โดยเฉพาะเรื่องดังอย่าง Pirates of the Caribbean ที่มีจำนวนผู้ชมมากมายและมีการสร้างอย่างยิ่งใหญ่ถึงสามภาค แต่เคยนึกกันไหมว่าสถานการณ์การโจมตีของโจรสลัดนั้นเป็นเรื่องจริง และยังมีอยู่จริงในปัจจุบัน

“ภาพยนตร์เรื่อง Pirates of the Caribbean” (ที่มาของภาพ)

ในช่วงปี 1984 ถึง 2010 จำนวนครั้งของการโจมตีของโจรสลัด(เท่าที่มีการบันทึกอย่างเป็นทางการโดย International Maritime Organization: IMO)มีจำนวนมากถึง 6,078 ครั้ง และเพิ่มขึ้นมากในช่วงทศวรรษ 1990s ประมาณ 2.7 เท่า ช่วงที่เพิ่มมากที่สุดคือจากปี 1998 ไปยังปี 2000 ถึงเกือบ 2 เท่า (ดูภาพที่ ๑)

“ภาพที่ ๑ จำนวนครั้งในการโจมตีของโจรสลัด”

จากข้อมูลของ IMO พบว่า ในช่วงปี 1991 ถึง 2010 มีคนถูกฆ่า 390 คน บาดเจ็บ 945 คน ถูกลักพาตัว 7,111 คน และหายสาบสูญ 203 คน นี่ยังไม่นับการรายงานที่ว่ายอดตัวเลขอย่างเป็นทางการอาจจะต่ำกว่าตัวเลขจริงกว่า 50% เลยทีเดียว อย่างไรก็ดี ตัวเลขของจำนวนครั้งในการโจมตีจริงและความพยายามจะโจมตี(แต่ยังไม่ได้ลงมือจริง)นั้นมีส่วนต่างที่มากขึ้นเรื่อยๆ ซึ่งอาจจะเป็นเรื่องดี (ดูภาพที่ ๒)

“ภาพที่ ๒ จำนวนครั้งของความพยายามและการโจมตีจริงของโจรสลัด”

ในปี 2009 พื้นที่ที่มีการโจมตีของโจรสลัดนั้น กว่า 50% (จำนวน 266 ครั้งจาก 406 ครั้ง) กระจุกตัวอยู่ในทวีปแอฟริกา และส่วนใหญ่เป็นโจรสลัดสัญชาติโซมาเลีย (Somali Pirates) ทั้งนี้ เพราะประเทศโซมาเลียไม่มีรัฐบาลปกครองมาตั้งแต่ปี 1993 รองลงมาคือ แถบเอเชียตะวันออกเฉียงใต้จำนวน 70 ครั้งจาก 406 ครั้ง ภาพที่ ๓ แสดงพื้นที่ที่โจรสลัดเข้าโจมตี โดยจุดสีแดงคือเกิดการโจมตีจริง จุดสีเหลืองคือพยายามเข้าโจมตี

“ภาพที่ ๓ ทำเลที่มีการโจมตีของโจรสลัด (สีแดง=โจมตีจริง สีเหลือง=พยายาม)”

“โจรสลัดโซมาเลียขณะถูกจับ” (ที่มาของภาพ)

……….

Watcharapong (2012) ทำการศึกษาสาเหตุของการกระทำที่เป็นโจรสลัด โดยใช้ข้อมูลสถิติที่มีการเก็บอย่างเป็นระบบจำนวน 3,362 ครั้งในช่วงปี 1998 ถึง 2007 ที่ระบุถึงช่วงเวลาของการโจมตี จำนวนโจรสลัด ลักษณะของเรือ ผลของการโจมตี (ความรุนแรง มูลค่าสินค้าที่เอาไปได้) ทำเลที่โจมตี และประเภทของการโจมตี

ข้อมูลเบื้องต้นที่น่าสนใจ พบว่า โจรสลัดมักจะทำการโจมตีในเดือนเมษายน พฤษภาคม และตุลาคม (ดูตารางที่ ๑) ซึ่งเป็นช่วงต้นและปลายฤดูหนาวที่ทะเลมีหมอกค่อนข้างมาก การโจมตีของโจรสลัดส่วนมากไม่ได้สินค้าอะไรไปเลย รองลงมาก็ได้เพียงอาหาร น้ำดื่มและยารักษาโรค (ดูตารางที่ ๒) และโจรสลัดก็มักจะไม่ทำร้ายลูกเรือ ส่วนใหญ่จะปลอดภัยหรือเพียงถูกจับมัดเท่านั้น (ดูตารางที่ ๓)

“ตารางที่ ๑-๓ รายละเอียดเกี่ยวกับเดือน สินค้าที่ได้ และการทำร้ายจากการโจมตีของโจรสลัด”

Watcharapong (2012) ทำการประมาณค่าสมการจำนวนครั้งของการโจมตีจากโจรสลัด (ดังตารางที่ ๔) พบว่าปัจจัยที่มีผลต่อจำนวนครั้งของการโจมตีประกอบด้วยรายได้ที่แท้จริงต่อหัว (Real GDP per Capita) อัตราการว่างงาน (Unemployment) เสรีภาพทางการเมืองของประเทศเจ้าของน่านน้ำ (Freedom House Status) และขนาดของเรือ (Tonnage)

“ตารางที่ ๔ ผลการประมาณค่าปัจจัยกำหนดจำนวนครั้งในการโจมตีของโจรสลัด”

[ในบทความมีการประมาณค่าด้วยเทคนิค Instrumental Variables ซึ่งได้ข้อสรุปไม่ต่างกันมากกับผลที่นำเสนอในตาราง Reduced Form Estimation ที่นำเสนอในบล็อกนี้ครับ ^^]

……….

จากผลการประมาณค่าแบบจำลองสามารถสรุปในเบื้องต้นได้ว่า ปัจจัยที่มีผลต่อจำนวนครั้งของการโจมตีของโจรสลัดประกอบด้วย

• รายได้ที่แท้จริงต่อหัว และอัตราการว่างงาน เนื่องจากถ้าแรงงานตกงานในระบบ หรือมีรายได้น้อยลง พวกเขาย่อมหางานอื่นที่ให้ผลตอบแทนสูงกว่า นั่นก็คือเป็นโจรสลัด ซึ่งสอดคล้องกับข้อสรุปของงานศึกษาที่ผ่านๆ มาว่า จำนวนโจรสลัดที่เพิ่มสูงขึ้นนั้นเกิดจากการจับปลาที่มากเกินไป (Overfishing) ของบริษัทขนาดใหญ่ ทำให้ชาวประมงขนาดเล้กไม่มีปลาให้จับ จึงไม่มีรายได้พอเพียงกับการยังชีพ และไม่สามารถไปหางานทำในระบบได้ เพราะอัตราการว่างงานสูง พวกเขาจึงต้องใช้ความสามารถพิเศษ (Specialization) ที่มีอยู่ในการเดินเรือมาประกอบอาชีพโจรสลัดแทน
• เสรีภาพทางการเมืองของประเทศเจ้าของน่านน้ำ เป็นผลมาจากลักษณะการพัฒนาทางการเมืองของประเทศนั้นๆ โครงสร้างทางการเมืองที่มีเสรีภาพมากขึ้น(พัฒนามากขึ้น) กระบวนการกำกับดูแลการกระทำที่ผิดกฎหมาย เช่น โจรสลัด ก็จะมีประสิทธิภาพมากขึ้น จำนวนครั้งของการโจมตีจะลดลง
• ขนาดของเรือ เป็นต้นทุนของการโจมตี เพราะหากเรือมีขนาดใหญ่เกินไป หรือลูกเรือมีจำนวนมากเกินไป โจรสลัดจะเอาชนะลำบาก และสินค้าที่มีขนาดใหญ่ก็จะขนได้ยากด้วย การโจมตีจะลดลง

“ขนาดของเรือโจรสลัดเมือ่เปรียบเทียบกับเรือขนสินค้า” (ที่มาของภาพ)

……….

กล่าวโดยสรุปก็คือ การกระทำที่เป็นโจรสลัดนั้นเกิดจากผลกระทบทางเศรษฐกิจ โดยเฉพาะเศรษฐกิจทางทะเลที่ทำให้ชาวประมงซึ่งมีความเชี่ยวชาญในการเดินเรือไม่มีงานทำ จึงใช้ความเชี่ยวชาญของตนเองแสวงหารายได้ในวิถีที่เป็นไปได้ รวมถึงปัจจัยทางการเมืองเองก็มีความสำคัญไม่น้อยไปกว่ากัน เพราะเกี่ยวข้องกับประสิทธิภาพของบทลงโทษผู้ที่กระทำผิดกฎหมาย

การแก้ไขปัญหาโจรสลัดจึงไม่ใช่แค่เรื่องการปราบปรามหรือจับกุมเท่านั้น แต่เป็นเรื่องของการพัฒนาเศรษฐกิจ หรือการใช้ทรัพยากรธรรมชาติในระดับที่เหมาะสมของประเทศนั้นๆ ด้วย

ขอขอบคุณ อ.ดร.วัชรพงศ์ รติสุขพิมล คณะเศรษฐศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ที่ส่งเอกสารการบรรยายในงานสัมมนามาให้ครับ ^^

ที่มา: Watcharapong Ratisukpimol (2012) A Theory and Some Empirics on Modern Maritime Piracy, เอกสารนำเสนอในงานสัมมนาประจำปีศูนย์ศึกษาเศรษฐศาสตร์การเมือง จุฬาลงกรณ์มหาวิทยาลัย มิถุนายน 2012.

featured image from here

……….

ขอเริ่มจากการทำความเข้าใจคำว่า “แตกต่าง” กับ “แตกแยก” ก่อน คำว่าแตกต่างมักเป็นการเปรียบเทียบระหว่างตัวบุคคล เช่น คนที่หนึ่งแตกต่างจากคนที่สอง ขณะที่คำว่าแตกแยกมักใช้กับพฤติกรรมกลุ่ม เช่น มีการแตกแยกกันภายในกลุ่ม หรือมีการแตกแยกกันระหว่างกลุ่ม ดังนั้น “แตกต่าง” จึงเป็นคำอธิบายในระดับจุลภาค (Micro Aspect) ขณะที่ “แตกแยก” เป็นคำอธิบายระดับมหภาค (Macro Aspect)

Thomas Schelling นักเศรษฐศาสตร์รางวัลโนเบลปี 2005 ได้นำเสนอแบบจำลองการแบ่งแยก (Segregation Model) ซึ่งในตอนที่เขานำเสนอนั้น เขามุ่งไปที่การทำความเข้าใจสถานการณ์การแบ่งแยกสีผิวในสหรัฐอเมริกา โดยด้วยการหาความสัมพันธ์ระหว่างความแตกต่างของบุคคล(ในระดับจุลภาค)กับความแตกแยกในสังคม(ในระดับมหภาค) แต่คุณูปการของแบบจำลองนี้กลับสามารถประยุกต์กับกรณีอื่นที่เป็นการรวมกันของความแตกต่างในสังคมได้มากกว่าแค่การแบ่งแยกสีผิว เช่น ความคิดทางการเมืองที่แตกต่าง หรือฐานะความเป็นอยู่ที่แตกต่างได้ด้วยเช่นกัน

“Thomas Schelling นักเศรษฐศาสตร์รางวัลโนเบล” (ที่มาของภาพ)

……….

ในโลกความเป็นจริง เรามองเห็นภาพความขัดแย้งได้เฉพาะภาพของ”ความแตกแยก”ในระดับมหภาค และเราก็มักเชื่อหรือถือเอาว่าสถานการณ์ว่าความแตกแยกในระดับมหภาคดังกล่าวสะท้อนมาจากความขัดแย้งอันเกิดจาก”ความแตกต่าง”ในระดับจุลภาคด้วยความรุนแรงที่เหมือนๆ กัน ทั้งนี้เป็นเพราะเราไม่สามารถวัดความขัดแย้งอันเกิดจากความแตกต่างในระดับจุลภาคได้

บทความจะขอเริ่มอธิบายจากภาพจุลภาคไปสู่มหภาค ซึ่งจะทำให้เข้าใจความสัมพันธ์ตามแนวคิดของ Schelling ได้ง่ายกว่า แล้วจะทำการสรุปจากภาพมหภาคกลับไปสู่จุลภาคอีกครั้งหนึ่ง

เริ่มต้นจากการสมมติว่าในสังคมมีคนอยู่ 2 แบบ ได้แก่ คนสีฟ้า และ คนสีแดง ซึ่งคนทั้งสองแบบมีความคิดที่ไม่ตรงกัน คนทั้งสองแบบจึงมี”ความแตกต่าง” แต่ต้องมาอยู่รวมกันในสังคมเดียวกัน

สมมติว่าเราเป็นคนสีแดงที่มีบ้านอยู่ในชุมชนแห่งหนึ่ง โดยมีเพื่อนบ้านล้อมรอบ 7 คนจาก 8 ทิศ [1 ทิศที่เว้นไว้ เพื่อให้มีพื้นที่ว่างสำหรับย้ายบ้านไปมาได้] หากเพื่อนบ้าน 7 คนเป็นสีแดงเหมือนกับเรา ความขัดแย้งจะไม่เกิดขึ้น เพราะไม่มีใครแตกต่างจากเราเลย ขณะที่หากเพื่อนบ้าน 7 คนใน 8 ทิศ เป็นสีฟ้าทั้งหมด ความขัดแย้งก็จะมากที่สุด เพราะไม่มีใครเหมือนเราเลย (ดูรูปที่ ๑)

“ภาพที่ ๑ ตัวเราและเพื่อนบ้านที่มีความเหมือนและแตกต่างแบบสุดขั้ว”

ในความจริงอาจไม่มีกรณีสุดขั้วดังตัวอย่างข้างต้น แต่จะเป็นกรณีที่มีเพื่อนบ้านคละสีกัน ประเด็นจึงอยู่ที่ว่า คนแต่ละสีจะสามารถอดทนต่อความแตกต่างจากคนสีอื่นได้ในสัดส่วนเท่าไหร่กัน

เริ่มต้นจากการมี “ดุลยภาพเชิงพื้นที่” (Spatial Equilibrium) ตามรูปที่ ๒ นั่นคือ เรา(สีแดง)รับได้กับการอยู่ร่วมกับเพื่อนบ้านที่มีสีแดง(อย่างน้อย)ในสัดส่วน 3 คนใน 7 คน หรือต้องมีความชอบต่อความเหมือนกัน (Similarity Preference) ที่ 3/7 นัยยะก็คือถ้ามีสีแดงด้วยกันสักเกือบครึ่งหนึ่งก็สามารถอยู่ร่วมกันได้แล้ว (แน่นอนว่าในโลกความเป็นจริงความสามารถในการรับความแตกต่างได้ของแต่ละคนไม่เท่ากัน แต่ในที่นี้สมมติว่าทุกคนมีเท่ากันคือ 3/7)

“ภาพที่ ๒ ดุลยภาพเชิงพื้นที่ก่อนการเริ่มแบบจำลอง”

เมื่อเกณฑ์ความชอบต่อความเหมือนกันที่รับได้คือ 3/7 การย้ายบ้านหนีของเราสามารถเกิดได้จาก 2 กรณี หนึ่งคือ เราจะย้ายออก ถ้ามีเพื่อนบ้านสีแดงคนหนึ่งย้ายออก เพราะความเหมือนจะกลายเป็น 2/6 < 3/7 กรณีนี้เรียกว่า Exodus Tip หรือเราก็จะย้ายออกเช่นกัน ถ้ามีเพื่อนบ้านสีฟ้าย้ายเข้า ความเหมือนจะกลายเป็น 3/8 < 3/7 กรณีนี้เรียกว่า Genesis Tip (ดูรูปที่ ๓) ก็คือถ้าเมื่อไรก็ตามที่ความเหมือนต่ำกว่า 3/7 เราจะย้ายออก

“ภาพที่ ๓ ปัจจัยที่ส่งผลให้เกิดการย้ายออกสองรูปแบบ”

……….

กลับมาพิจารณาดุยภาพเชิงพื้นที่ ซึ่งทุกคนจะมีเพื่อนบ้านสีเดียวกันจำนวน 3/7 อยู่ในชุมชนเสมอ และมีอีกชุมชนที่เหมือนกันอยู่ข้างๆ ลองสมมติว่าเกิดมีเพื่อนบ้านสีแดงคนหนึ่งย้ายออกจากชุมชนบนไปยังชุมชนล่างด้วยเหตุผลอะไรก็ตาม เช่น น้ำท่วม เจ้าหนี้ทวง เบื่อรถติด ฯลฯ ผลก็คือในชุมชนล่างจะมีสีแดงเพิ่มขึ้นเป็น 4/8 (> 3/7) ส่งผลให้คนสีฟ้าที่มีความอดทนต่ำที่สุดย้ายออกจากชุมชนล่างไปบน ขณะที่ในชุมชนบนจะมีสีแดงลดลงเหลือ 2/7 (< 3/7) ทำให้คนสีแดงที่มีความอดทนต่ำที่สุดก็จะย้ายออกจากชุมชนบนไปยังล่างเช่นกัน ซึ่งก็จะยิ่งทำให้ชุมชนบนมีสีแดงเพียง 2/8 (< 2/7 << 3/7) และชุมชนล่างมีสีแดงถึง 5/7 (> 4/8 >> 3/7) และก็เป็นเช่นนี้ไปเรื่อยๆ จนสุดท้ายสองชุมชนจะกลายเป็นชุมชนสีแดงและชุมชนสีฟ้าทั้งหมด (ดูรูปที่ ๔)

“ภาพที่ ๔ กระบวนการและผลลัพธ์ของ Segregation Model”

สิ่งที่เราเห็นในโลกความจริงคือภาพมหภาค(ภาพสุดท้าย) ซึ่งมีความแตกแยกอย่างสุดขั้ว เพราะคนสีแดงและคนสีฟ้าจะแยกกันอยู่โดยสมบูรณ์ (Absolute Separation) ทั้งๆ ที่พวกเขาชอบความเหมือนไม่ถึงครึ่ง (=3/7) หรือเรียกว่ารับความแตกต่างได้มากกว่าครึ่งด้วยซ้ำไป

……….

กระบวนการใน Segregation Model ของ Schelling นั้นสามารถประยุกต์ให้ยากขึ้นได้ เช่น มีจำนวนคนมากขึ้น พื้นที่ใหญ่ขึ้น ช่องว่างมากขึ้น/ลดลง สัดส่วนของคนสองสีที่แตกต่างออกไป ภาพที่ ๕ เป็นกระบวนการของ Segregation Model ในระดับที่ซับซ้อนมากขึ้นด้วยโปรแกรมคอมพิวเตอร์

“ภาพที่ ๕ กระบวนการและผลลัพธ์ของ Segregation Model ที่ซับซ้อนมากขึ้น”

……….

ข้อสรุปของ Schelling ก็คือ “Micro Incentive ≠ Macro Aggregate” ระดับความแตกแยกในมหภาคไม่เหมือนกับระดับความแตกต่าง(ที่รับได้)ของจุลภาค

ภาพที่ ๖ เป็นการอยู่รวมกันของคนแต่ละผิวสีใน Chicago ที่ดูแตกแยกกันอย่างชัดเจน และอาจถูกทำให้เชื่อว่าสังคมจะรับได้กับความแตกต่างที่ต่ำมากๆ ซึ่ง Schelling ชี้ว่ามันไม่ได้เป็นเช่นนั้น (อย่างน้อยในระยะสั้น แต่ถ้าอยู่รวมกันเองมากเกินไป ความสามารถในการรับความแตกต่างได้จะลดลงเรื่อยๆ)

“ภาพที่ ๖ ความแตกแยกในระดับมหภาคของเมือง Chicago ซึ่งอาจไม่ได้เกิดจากความไม่ยอมรับความแตกต่างมากอย่างที่เห็น”

……….

“แตกต่าง ไม่แตกแยก” เป็นอุดมการณ์ที่ต้องพยายามทำให้ได้ในทุกสังคม แต่ความเป็นจริง สิ่งที่เกิดขึ้นก็คือ “(ดูเหมือน)แตกแยก (ทั้งที่)ไม่แตกต่าง” ทำให้เรามองโลกในแง่ดีได้ว่า คนไทยอาจไม่ได้แตกแยกมากอย่างที่เราเห็นกันในภาพรวมก็ได้ และแน่นอนว่า หากเราส่งเสริมให้ประชาชนสามารถรับความแตกต่างได้มากขึ้นไปอีก เช่น จากที่ต้องมีเพื่อนบ้านสีเดียวกันอย่างน้อย 3/7 กลายเป็น 2/7 หรือ 1/7 ก็ได้ ภาพความแตกแยกก็จะยิ่งน้อยลงกว่าที่เห็นไปอีก และนี่คือสิ่งที่เราทุกคนต้องช่วยกัน ^^

featured image from here

……….

ก่อนยุคสมัยของการล่าอาณานิคมของยุโรป ทวีปแอฟริกาซึ่งประกอบด้วยกลุ่มชาติพันธุ์ต่างๆ เป็นจำนวนมากได้แบ่งพื้นที่กันอยู่อย่างชัดเจน ซึ่งอาจนับได้ว่าเป็นข้อตกลงโดยนัยรูปแบบหนึ่งของการป้องกันสงคราม กล่าวง่ายๆ ก็คือพื้นที่ของใครของมันที่รู้กันเอง ภาพที่ ๑ เป็นแผนที่ที่จัดทำโดยนักมานุษยวิทยาชื่อว่า Murdock ในปี 1959 ที่แสดงถึงแต่ละอาณาเขตของแต่ละกลุ่มชาติพันธุ์

“ภาพที่ ๑ อาณาเขตของกลุ่มชาติพันธุ์ในแอฟริกาก่อนการล่าอาณานิคม”

ต่อมาในช่วงปี 1884-1885 มีการประชุมเพื่อทำการตกลงแบ่งพื้นที่ปกครองไปเป็นของประเทศต่างๆ ในยุโรปขึ้น หรือที่เรียกว่า (The Berlin Conference) [หากใครเคยได้ยินคำว่า ทฤษฎีสมคบคิด (Conspiracy Theory) แล้วนึกไม่ออกว่ามันเป็นอย่างไร เหตุการณ์นี้เป็นตัวอย่างหนึ่ง] กล่าวคือ ประเทศต่างๆ ที่เป็นผู้ล่าอาณานิคมประชุมร่วมกันเพื่อแบ่งพื้นที่ของทวีปแอฟริกาออกเป็นส่วนๆ ทั้งๆ ที่ผู้ที่ประชุมกันนั้นยังไม่เคยเข้าไปถึงดินแดนภายในทวีปแอฟริกาด้วยซ้ำ ดังจะเห็นได้จากเส้นพรมแดนของประเทศโดยเฉพาะส่วนที่อยู่ลึกเข้าไปในแผ่นดิน(เข้าถึงได้ยากกว่าริมทะเล)ส่วนมากเป็นเส้นตรง และนี่คือมรดกจากประเทศผู้ล่าอาณานิคมที่แบ่งแยกประเทศแอฟริกาด้วยการขีดเส้นพรมแดนประเทศ (Artificial Border Design) โดยไม่สนใจกลุ่มชาติพันธุ์ที่อาศัยอยู่ในพื้นที่หรือแม้แต่พรมแดนธรรมชาติ ณ ที่แห่งนั้น ภาพที่ ๒ แสดงให้เห็นถึงพรมแดนของประเทศต่างๆ ที่จำนวนมากถูกลากแบ่งผ่านกลุ่มชาติพันธุ์ที่อาศัยอยู่เดิม

“ภาพที่ ๒ พรมแดนของประเทศในแอฟริกาที่ถูกลากเส้นแบ่งผ่านดินแดนที่กลุ่มชาติพันธุ์เคยอาศัยอยู่”

……….

ปัจจุบัน แอฟริกาเป็นทวีปที่มีการพัฒนาช้าและล้าหลังกว่าทวีปอื่นๆ ทั่วโลก งานในกลุ่มของ Acemoglu et al. (2001, 2002); La Porta et al. (1998, 1999) ชี้ให้เห็นว่าเป็นเพราะการล่าอาณานิคมที่แบ่งเส้นแดนประเทศอย่างไม่คำนึงถึงการอาศัยอยู่ของกลุ่มชาติพันธุ์ต่างๆ และรวมไปถึงยังทำให้ระบบตรวจสอบถ่วงดุล (Checks and Balances) และกระบวนการทางกฎหมาย (Legal Systems) ของประเทศนั้นๆ อ่อนแอภายหลังการประกาศอิสรภาพ เพราะประเทศยุโรปยังคงเข้าแทรกแซงในทางลับอยู่ต่อไป

ขณะที่งานในกลุ่มของ Herbst (2000); Gennaioli and Rainer (2006, 2007) กลับชี้ว่าสาเหตุของความไม่พัฒนาไม่ได้เกิดจากการล่าอาณานิคม เนื่องจากระยะเวลาของการปกครองของยุโรปเป็นไปเพียงช่วงสั้นๆ รวมทั้งพื้นที่ที่ยุโรปเข้าครอบงำนั้นค่อนข้างจำกัดในส่วนที่ใกล้กับทะเลเท่านั้น พวกเขาจึงเชื่อว่าความไม่พัฒนาของแอฟริกาเกิดจากโครงสร้างสถาบันที่ไม่มีประสิทธิภาพของกลุ่มชาติพันธุ์ตั้งแต่ก่อนล่าอาณานิคม หรือพูดง่ายๆ ก็คือ มีหรือไม่มีการล่าอาณานิคมก็ไม่พัฒนาอยู่แล้ว

“ประเทศต่างๆ ที่ได้ถือครองดินแดนในแอฟริกา และทำเลที่ตั้งที่พวกเขาแบ่งกัน” (ที่มาของภาพ)

แล้วตกลงว่ามันเป็นเพราะการแบ่งพรมแดนประเทศที่ไม่เหมาะสมอันเนื่องจากการล่าอาณานิคมหรือเป็นเพราะโครงสร้างสถาบันแต่เก่าก่อนที่ไม่มีประสิทธิภาพกันแน่ การตอบคำถามเรื่องนี้อาจไม่ง่ายนัก เนื่องจากทวีปแอฟริกาไม่พัฒนา และทั้งสองปัจจัยก็ยังคงดำรงอยู่ในเวลาเดียวกัน (Causality Problem)

……….

Michalopoulos and Papaioannou (2012) ประเมินผลของระดับการพัฒนาของแอฟริกาจากปัจจัยทางด้านสถาบันระดับชาติ (national contemporary institutional structures) กับวิถีชีวิตของกลุ่มชาติพันธุ์ต่างๆ ที่มีมาตั้งแต่ก่อนการล่าอาณานิคม (ethnicity-specific pre-colonial institutional traits)

ในการหาค่าความสัมพันธ์ทางเดียวของโครงสร้างสถาบันระดับชาติที่มีต่อระดับการพัฒนานั้น จำเป็นต้องควบคุมผลของความแตกต่างระหว่างชาติพันธุ์ออกไป แนวคิดก็คือต้องพิจารณาพื้นที่ของกลุ่มชาติพันธุ์เดียวกัน แต่ถูกแบ่งแยกออกเป็นส่วนๆ ในสอง(หรือมากกว่าสอง)ประเทศ เพราะจะทำให้พื้นที่เหล่านี้เป็นของชาติพันธุ์ที่มีวิถีชีวิตเดียวกัน แต่อยู่ภายใต้โครงสร้างสถาบันระดับชาติต่างกัน ภาพที่ ๓ แสดงพื้นที่ของชาติพันธุ์ Ababda ที่ถูกแบ่งไปเป็นของ Sudan และ Egypt นอกจากนี้ ยังมีกลุ่มชาติพันธุ์อื่นๆ อีก เช่น the Maasai อยู่ที่ Kenya (62%) และ Tanzania (38%), the Anyi อยู่ที่ Ghana (58%) and the Ivory Coast (42%), และ the Chewa อยู่ที่ Mozambique (50%), Malawi (34%), และ Zimbabwe (16%)

“ภาพที่ ๓ ตัวอย่างของกลุ่มชาติพันธุ์ Ababda ที่ถูกแบ่งออกเป็นสองส่วนในสองประเทศ”

การประมาณค่าทางเศรษฐมิติจะเปรียบเทียบระดับการพัฒนาที่วัดจากค่าความส่องสว่างของแสงไฟยามค่ำคืนในพื้นที่ของกลุ่มชาติพันธุ์เดียวกัน [ความแม่นยำของการวัดด้วยวิธีนี้ขอให้ดูที่นี่] เช่น ระดับการพัฒนาของกลุ่มชาติพันธุ์ the Maasai ในประเทศ Kenya จะถูกเปรียบเทียบกับกลุ่มชาติพันธุ์ the Maasai เช่นเดิมแต่อยู่ในประเทศ Tanzania หรือระดับการพัฒนาของกลุ่ม the Anyi อยู่ที่ Ghana จะถูกเปรียบเทียบกับที่อยู่ใน the Ivory Coast เป็นคู่ๆ ไปเรื่อยๆ วิธีการเช่นนี้เรียกว่า (Matching) Regression Discontinuity Design โดยจะทำให้ปัจจัยทางด้านวัฒนธรรม เช่น ความเชื่อ ศาสนา หรือวิถีชีวิต โรคระบาด สภาพอากาศ สิ่งแวดล้อม หรือแม้กระทั่งวิถีชีวิตของทั้งสองประเทศแทบจะไม่มีความแตกต่างกันเลย โดยหากข้อสรุปออกมาว่าระดับการพัฒนาของสองพื้นที่ที่ว่ามามีความแตกต่างกัน ก็น่าจะเป็นเพราะโครงสร้างสถาบันระดับชาติเป็นหลัก

ในระดับชาติแล้ว ระดับการพัฒนาที่วัดจากค่าความส่องสว่างของแสงไฟยามค่ำคืนจะถูกกำหนดจากปััจจัยทางด้านกลุ่มชาติพันธุ์ ควบคู่ไปกับระดับคอรัปชั่นหรือการบังคับใช้กฎหมาย ตารางที่ ๑ แสดงให้เห็นว่า หากไม่ได้ควบคุมปัจจัยทางด้านกลุ่มชาติพันธุ์ให้เหมือนกันแล้ว ระดับคอรัปชั่นและการบังคับใช้กฎหมายดูเหมือนว่าจะมีผลต่อการพัฒนาประเทศในแอฟริกา แต่เมื่อควบคุมปัจจัยทางเหล่านี้แล้ว ทั้งระดับคอรัปชั่นและการบังคับใช้กฎหมายกลับไม่มีผลเลย นั่นหมายความว่า โครงสร้างทางสถาบันหรือวิถีชีวิตของกลุ่มชาติพันธุ์น่าจะมีผล

“ตารางที่ ๑ ผลการประมาณค่าระดับการพัฒนาที่แตกต่างกันของกลุ่มชาติพันธุ์เดียวกันในสองประเทศ”

……….

Michalopoulos and Papaioannou (2012) ได้ทำการประมาณค่าในทิศทางตรงกันข้ามด้วย คือวิเคราะห์กลุ่มชาติพันธุ์ที่ต่างกัน แต่อยู่ในประเทศเดียวกัน เพื่อควบคุมปัจจัยทางด้านสถาบันระดับประเทศให้เหมือนกัน โดยวิเคราะห์ระดับการพัฒนาที่วัดจากค่าความส่องสว่างของแสงไฟยามค่ำคืนจากปััจจัยของด้านสถาบันระดับประเทศ เช่น ระดับคอรัปชั่นและการบังคับใช้กฎหมาย ควบคู่ไปกับระดับของการกระจายอำนาจ (Jurisdictional Hierarchy) ตั้งแต่ก่อนตกเป็นอาณานิคม [ข้อมูลปี 1967 และน่าจะเป็นข้อมูลเดียวเท่าที่หาได้]

ตารางที่ ๒ แสดงผลการประมาณค่า ซึ่งพบว่า ระดับของการกระจายอำนาจ (Jurisdictional Hierarchy) ตั้งแต่ก่อนตกเป็นอาณานิคมของแต่ละกลุ่มชาติพันธุ์มีความสัมพันธุ์ในทางบวกอย่างมีนัยสำคัญกับระดับการพัฒนา นั่นเท่ากับยืนยันผลว่า โครงสร้างสถาบันแต่เก่าก่อนมีผลต่อเนื่องมายังการพัฒนาในปัจจุบัน

“ตารางที่ ๒ ผลการประมาณค่าระดับการพัฒนาที่แตกต่างกันของคนละกลุ่มชาติพันธุ์ในประเทศเดียวกัน”

……….

กล่าวโดยสรุปจากบทความนี้ก็คือ โครงสร้างทางสถาบันและวิถีชีวิตของกลุ่มชาติพันธุ์ในแอฟริกาเป็นปัจจัยกำหนดระดับการพัฒนาของแต่ละประเทศ โดยไม่เกี่ยวกับว่าจะมีการล่าอาณานิคมและทำการแบ่งเส้นเขตแดนประเทศหรือไม่ก็ตาม อย่างไรก็ดี ข้อสรุปเช่นนี้อาจมีข้อโต้แย้งตามมาอีกมาก ซึ่งก็เป็นสิ่งที่ดีต่อความก้าวหน้าทางวิชาการ แต่วิธีมองและการวิเคราะห์ของบทความนี้ก็น่าจะทำให้ได้มุมมองใหม่ๆ ที่สามารถนำไปต่อยอดกับเรื่องอื่นๆ ได้อีกมากนะครับ ^^

ที่มา: Stelios Michalopoulos and Elias Papaioannou (2012) Pre-colonial Ethnic Institutions and Contemporary African Development, Econometrica (forthcoming).

featured image from here

……….

การลอบสังหาร (Assassination) ผู้นำประเทศเป็นสิ่งที่เกิดขึ้นมาอย่างต่อเนื่องตั้งแต่ในอดีต ไม่ว่าจะเป็น Julius Caesar, Abraham Lincoln, John F.Kennedy, Yitzhak Rabin และคนอื่นๆ อีกมาก นอกจากนี้ ยังมีการลอบสังหารที่ไม่สำเร็จอีก เช่น ในปี 1939 Hitler ออกจากโรงเบียร์ที่ Munich ก่อนจะเกิดระเบิดขึ้นเพียง 13 นาทีเท่านั้น ส่งผลให้เขารอดตายไปได้ ที่น่าสนใจก็คือ จากสถิติบอกเราว่า ตั้งแต่ 1950 เป็นต้นมา จะมีการลอบสังหารผู้นำประเทศประมาณสองคนในทุกๆ 3 ปี

Benjamin Disraeli (1965) เคยกล่าวภายหลังการเสียชีวิตของ Abraham Lincoln ไว้ว่า “การลอบสังหารไม่มีวันจะทำให้ประวัติศาสตร์เปลี่ยนแปลงไปได้” แม้คำพูดนี้จะดูกินใจ แต่มันนำมาสู่คำถามสำคัญทางเศรษฐศาสตร์ว่า ประวัติศาสตร์จะเปลี่ยนหรือไม่เปลี่ยนกันแน่ แม้ว่าการศึกษาในทางรัฐศาสตร์ที่เป็นกรณีๆ ไปจะมีอยู่จำนวนมาก แต่การศึกษาด้วยชุดข้อมูลตามแนวทางของเศรษฐศาสตร์ยังแทบไม่มีให้เห็น

“สถานการณ์การเสียชีวิตของ Julius Caesar” (ที่มาของภาพ)

……….

ในบทความนี้ [เสด-ถะ-สาด].com ขอผนวกเอาบทความวิชาการสองชิ้นเข้าด้วยกัน บทความแรกศึกษาผลกระทบของการลอบสังหารผู้นำประเทศที่มีต่อการเปลี่ยนแปลงสถาบันและโอกาสเกิดสงคราม กับบทความที่สองว่าด้วยอัตราการเติบโตทางเศรษฐกิจ ซึ่งทั้งสองบทความใช้วิธีการศึกษาแบบเดียวกัน

บทความแรกของ Jones and Olken (2007) ใช้ข้อมูลปี 1875 – 2004 จากความพยายามลอบสังหาร 298 ครั้ง และทำได้สำเร็จ 59 ครั้ง โดยแบบจำลองของเขาใช้การลอบสังหารที่ไม่สำเร็จเป็นตัวแปรควบคุม (Controls) (เนื่องจากการลอบสังหารเกิดขึ้นแล้ว บทความจึงมุ่งไปที่การเปรียบเทียบผลของการลอบสังหารสำเร็จและไม่สำเร็จ ไม่ใช่การเปรียบเทียบระหว่างมีหรือไม่มีการลอบสังหาร) นอกจากนี้ คำว่าผู้นำประเทศจะหมายถึงตัวผู้นำสูงสุดของประเทศนั้นๆ เท่านั้น ไม่รวมถึงผู้นำระดับสูงอื่นๆ เช่น รัฐมนตรี

“สถานการณ์การลอบสังหาร Abraham Lincoln” (ที่มาของภาพ)

ตัวแปรที่ใช้วัดสถาบันมีสองตัว ตัวแปรแรกเป็นตัวแปรหุ่น (Dummy Variable) โดยวัดจากระบอบการปกครอง ซึ่ง 1 คือประชาธิปไตย และ 0 คือระบอบเผด็จการ (Autocracy) ใช้ข้อมูล POLITY2 และตัวแปรที่สองเป็นสัดส่วนของผู้นำประเทศที่มาตามวิถีทางปกติ(ตามกฎหมาย) (Regular Change) กับวิถีทางที่ไม่ปกติ(เช่น การรัฐประหาร) (Irregular Change) โดยใช้ข้อมูล Archigos ขณะที่ตัวแปรที่ใช้วัดสงครามมีสองตัวเช่นกันคือ ตัวแปรหุ่นจากฐานข้อมูล Correlates of War ที่จะนับความเป็นสงครามเมื่อมีผู้เสียชีวิตเกิน 1,000 คน และตัวแปรหุ่นจากฐานข้อมูล PRIO ที่จะนับว่าเป็นความขัดแย้ง (Conflict) (ถือเป็นสงครามอย่างอ่อนๆ) (Moderate War) เมื่อมีผู้เสียชีวิตเกิน 25 คน และนับเป็นสงคราม (Intense War) เมื่อมีผู้เสียชีวิตเกิน 1,000 คน

ข้อมูลพื้นฐานในตารางที่ ๑ แสดงให้เห็นว่า อาวุธหลักที่ใช้ในการลอบสังหารผู้นำคือ ปืน (55%) รองลงมาคืออุปกรณ์จำพวกระเบิด (31%) โดยปืนจะมีโอกาสลอบสังหารสำเร็จ 30% ขณะที่ระเบิดมีโอกาสเพียง 7% เท่านั้น และส่วนใหญ่การลอบสังหารจะเกิดขึ้นในประเทศตัวเองมากกว่าจะเกิดในต่างประเทศ

“ตารางที่ ๑ ค่าสถิติเชิงพรรณนาของการลอบสังหารผู้นำ”

การประมาณค่าผลกระทบของการลอบสังหาร อยู่ภายใต้ข้อสมมติสำคัญที่ว่า ความสำเร็จของการลอบสังหารเป็นแบบสุ่ม ดังนั้น ประเทศที่มีการลอบสังหารไม่สำเร็จ จะเป็นตัวควบคุม (Controls) ผลของการลอบสังหารสำเร็จ (Treatments) รูปแบบสมการที่ใช้ในการประมาณค่าคือ และ ซึ่งหมายถึงผลกระทบต่อตัวแปร y ในกรณีที่ลอบสังหารสำเร็จหรือไม่สำเร็จ

ผลการประมาณค่าการลอบสังหารผู้นำประเทศที่มีต่อการเปลี่ยนแปลงสถาบันแสดงได้ตามตารางที่ ๒ Panel A พิจารณารวมกันทั้งประเทศที่เป็นเผด็จการและประชาธิปไตย คอลัมน์ที่ 1 แสดงให้เห็นว่า หากการลอบสังหารผู้นำสำเร็จ จะมีโอกาสที่ระบอบการปกครองจะเปลี่ยนแปลงไป คอลัมน์ที่ 2 พิจารณาเพิ่มเติมถึงทิศทางการเปลี่ยนแปลง และพบว่าการลอบสังหารผู้นำสำเร็จมีแนวโน้มที่จะทำให้ประเทศมีความเป็นประชาธิปไตยมากขึ้น สอดคล้องกับผลที่ได้ในคอลัมน์ 3 ที่พบว่า การลอบสังหารผู้นำสำเร็จจะทำให้ประเทศมีแนวโน้มเข้าสู่ระบบการเปลี่ยนผู้นำให้เป็นไปตามวิถีทางปกติ(ตามกฎหมาย)มากขึ้น

ขณะที่ใน Panel B แยกพิจารณาผลของประเทศที่เป็นเผด็จการและประชาธิปไตยออกจากกัน ทั้งคอลัมน์ 2 และ 3 ชี้ให้เห็นว่า การลอบสังหารผู้นำที่สำเร็จนั้น มีแนวโน้มที่จะเปลี่ยนจากประเทศที่มีระบอบเผด็จการไปเป็นประชาธิปไตย แต่กลับไม่มีผลอย่างมีนัยสำคัญกับกรณีที่ประเทศเป็นประชาธิปไตยอยู่แล้ว

“ตารางที่ ๒ ผลการประมาณค่าการลอบสังหารผู้นำประเทศที่มีต่อการเปลี่ยนแปลงสถาบัน”

ผลการประมาณค่าการลอบสังหารผู้นำประเทศที่มีต่อโอกาสในการเกิดสงครามแสดงได้ตามตารางที่ ๓ คอลัมน์แรกใช้ข้อมูลตั้งแต่ 1875-2002 และคอลัมน์ที่สองใช้ข้อมูลหลังสงครามโลกช่วง 1946-2002 พบว่า ความสำเร็จของการลอบสังหารผู้นำมีผลไม่ชัดเจนนักต่อโอกาสการเกิดสงคราม แต่เมื่อพิจารณาในคอลัมน์ที่สาม ซึ่งใช้ข้อมูลช่วง 1946-2002 และจำแนกระดับของสงครามออกเป็นความรุนแรงระดับกลาง (จำนวนผู้เสียชีวิต 26-999 คน) กับระดับสูง (จำนวนผู้เสียชีวิตมากกว่า 1,000 คน) โดยพบว่าความสำเร็จจากการลอบสังหารผู้นำจะมีผลต่อการเกิดความขัดแย้ง (สงครามอย่างอ่อน) แต่ไม่ถึงขั้นเกิดสงครามขั้นรุนแรง

“ตารางที่ ๓ ผลการประมาณค่าการลอบสังหารผู้นำประเทศที่มีต่อโอกาสเกิดสงคราม”

……….

นอกจากผลกระทบที่มีต่อสถาบันและสงครามแล้ว Gilbert, Sylwester and Gao (2011) ใช้วิธีเดียวกันกับ Jones and Olken (2007) เพื่อวิเคราะห์ผลกระทบที่มีต่ออัตราการเติบโตทางเศรษฐกิจ โดยใช้ข้อมูลอัตราการเติบโตทางเศรษฐกิจจากแหล่งข้อมูลสองแหล่งคือ Penn World กับ Maddison และพิจารณาส่วนต่างของอัตราการเติบโตทางเศรษฐกิจ ทั้งแบบเส้นตรง และแบบกำลังสอง เพื่อตรวจสอบว่ามีการเปลี่ยนแปลงหรือไม่โดยไม่สนใจทิศทางว่าอัตราการเติบโตเพิ่มขึ้นหรือลดลง

ผลการประมาณค่า แสดงได้ตามตารางที่ ๔ ซึ่งพบว่า ไม่ว่าจะเป็นข้อมูลอัตราการเติบโตทางเศรษฐกิจที่มาจาก Penn World หรือ Maddison และไม่ว่าจะเป็นตัวแปรแบบเส้นตรงหรือกำลังสอง ความสำเร็จในการลอบสังหารผู้นำก็ไม่มีผลต่อการเปลี่ยนแปลงอัตราการเติบโตทางเศรษฐกิจต่างไปจากกรณีที่ลอบสังหารไม่สำเร็จ นั่นหมายถึงอัตราการเติบโตทางเศรษฐกิจน่าจะอ่อนไหวต่อสถานการณ์ลอบสังหาร แต่ชัดเจนว่าไม่อ่อนไหวต่อความสำเร็จของการลอบสังหาร

“ตารางที่ ๔ ผลการประมาณค่าการลอบสังหารผู้นำประเทศที่มีต่ออัตราการเติบโตทางเศรษฐกิจ”

……….

ข้อสรุปของประเด็นการลอบสังหารผู้นำที่มีต่อประเทศนั้นคือ ความสำเร็จของการลอบสังหารมีผลเฉพาะในประเทศเผด็จการ ซึ่งจะนำประเทศไปสู่ความเป็นประชาธิปไตยมากขึ้น โดยอาจก่อให้เกิดความขัดแย้งบ้าง แต่ไม่ถึงขั้นก่อให้เกิดสงคราม ขณะที่ในประเทศที่เป็นประชาธิปไตยอยู่แล้วนั้น ความสำเร็จของการลอบสังหารผู้นำไม่ได้ก่อให้เกิดการเปลี่ยนแปลงกลับไปสู่ระบอบเผด็จการแต่อย่างใด นอกจากนี้ ความสำเร็จหรือล้มเหลวของการลอบสังหารผู้นำก็ไม่ได้ส่งผลกระทบใดใดต่ออัตราการเติบโตทางเศรษฐกิจของประเทศอีกด้วย

ขอขอบคุณ อาจารย์กฤษฎ์เลิศ สัมพันธารักษ์ ที่แนะนำหัวข้อและบทความที่น่าสนใจของ Jones and Olken ครับ ^^

ที่มา:
- Benjamin F. Jones & Benjamin A. Olken, 2007. “Hit or Miss? The Effect of Assassinations on Institutions and War,” NBER Working Papers 13102, National Bureau of Economic Research.
- Scott Gilbert, Kevin Sylwester, and Wei Gao, 2011. “Leader Assassination and Economic Growth” Discussion Paper for 2011, Southern Illinois University.

featured image from here

……….

“การเมือง” กับ “เศรษฐกิจ” เป็นสิ่งที่ดูเหมือนว่ามีความสัมพันธ์กัน ในด้านหนึ่ง การเปลี่ยนแปลงทางการเมืองส่งผลให้เกิดความไม่มั่นใจในการลงทุน และทำให้การดำเนินนโยบายบางส่วนต้องหยุดชะงัก จึงทำให้การพัฒนาเศรษฐกิจต้องชะงักไปด้วย ในอีกด้านหนึ่ง เศรษฐกิจที่ย่ำแย่ก็อาจนำไปสู่ความไม่พอใจ หรือความรุนแรงทางการเมือง รวมทั้งการแพ้เลือกตั้งในครั้งต่อไปของรัฐบาลชุดปัจจุบัน

งานศึกษาสามฉบับในเรื่องเดียวกันที่ [เสด-ถะ-สาด].com จะนำมาเล่าให้ฟังนี้ไม่ใช่งานรุ่นบุกเบิก (Pioneer) เพราะงานศึกษาที่อาจจะนับได้ว่าเป็นการกรุยทางของหัวข้อนี้จริงๆ คงเป็น Robert Barro (1991) ที่พบว่า สถานการณ์ไม่สงบทางการเมือง (Political Unrest) ซึ่งวัดจากการลอบสังหาร การเดินขบวน และการปฏิวัติ ทำให้อัตราการเติบโตทางเศรษฐกิจลดลงอย่างมีนัยสำคัญ

“Florence ที่ครั้งหนึ่งเคยเป็นตัวแทนของความรุ่งเรืองทางการเมืองและเศรษฐกิจของยุโรปในเวลาเดียวกัน” (ที่มาของภาพ)

……….

Alesina, Roubini and Swagel (1996) ทำการศึกษาในประเด็นที่กว้างขึ้น คือ ความสัมพันธ์ระหว่างความไม่มีเสถียรภาพทางการเมือง (Political Instability) กับการเติบโตทางเศรษฐกิจ แต่เขานิยามคำว่า “ความไม่มีเสถียรภาพทางการเมือง” คือแนวโน้มที่จะมีการเปลี่ยนแปลงฝ่ายบริหาร ทั้งโดยวิถีทางตามรัฐธรรมนูญและไม่ใช่ (the propensity of a change in the executive, either by constitutional and unconstitutional means.)

อย่างไรก็ตาม ความไม่มีเสถียรภาพทางการเมือง ไม่เหมือนกับ “ความไม่มีเสถียรภาพของรัฐบาล” (Government Instability) เพราะโดยนิยามแล้ว มันหมายถึง แนวโน้มที่จะมีการเปลี่ยนแปลงรัฐบาล โดยอาจจะไม่ได้มีการแต่งตั้งหรือเลือกตั้งฝ่ายบริหารใหม่ (เช่น การเปลี่ยนตัวนายก หรือการปรับคณะรัฐมนตรี ฝ่ายบริหารชุดเดิมยังมีอำนาจ แต่เปลี่ยนรัฐบาล) อิตาลีและญี่ปุ่นเป็นตัวอย่างที่ดีของประเทศที่มีเสถียรภาพทางการเมือง แต่ไม่มีเสถียรภาพของรัฐบาล

Alesina et al. (1996) ใช้ข้อมูลจาก 113 ประเทศในช่วงปี 1950-1982 และ 1960-1982 (ขึ้นอยู่กับว่าจะหาข้อมูลของแต่ละประเทศได้นานขนาดไหน) มาประมาณค่าด้วยแบบจำลองหลายสมการ (Simultaneous Equations) เนื่องจากตัวแปรหลักเป็นตัวแปรต้นและตัวแปรตามของกันและกัน

ผลการศึกษาประเด็นความสัมพันธ์ระหว่างความสัมพันธ์ระหว่างความไม่มีเสถียรภาพทางการเมืองกับการเติบโตทางเศรษฐกิจ (ดูตารางที่ ๑) พบว่า การเปลี่ยนแปลงทางการเมืองมีผลทางลบต่อการเติบโตทางเศรษฐกิจ แต่เศรษฐกิจที่ไม่เติบโตกลับไม่ส่งผลให้การเมืองเปลี่ยนแปลง

“ตารางที่ ๑ ผลการประมาณค่าความไม่มีเสถียรภาพทางการเมืองกับการเติบโตทางเศรษฐกิจของ Alesina et al. (1996)”

……….

ข้อสรุปของ Alesina et al. (1996) ถือได้ว่าเป็นจริงเป็นการทั่วไป แต่หากพิจารณาให้เฉพาะเจาะจงแล้ว ผลที่ได้บางส่วนอาจจะต่างออกไปหากพิจารณางานของ Dimitraki (2010) และ Chaiwat (2012) ประกอบกัน

Dimitraki (2010) ทำการหาความสัมพันธ์ระหว่างความไม่มีเสถียรภาพทางการเมืองกับการเติบโตทางเศรษฐกิจ เช่นเดียวกับ Alesina et al. (1996) แต่จำกัดเฉพาะประเทศในยุโรปตะวันตก [ซึ่งหมายถึงเฉพาะประเทศพัฒนาแล้วเท่านั้น] และใช้แบบจำลอง IV/GMM เพราะเป็นกรณีของความสัมพันธ์แบบสองทาง

ข้อสรุปของ Dimitraki (2010) (ดูตารางที่ ๒) ไม่เหมือนกับ Alesina et al. (1996) เพราะเขาพบว่าทั้งการเมืองและเศรษฐกิจต่างก็มีความสัมพันธ์ซึ่งกันและกัน นั่นคือ อัตราการเติบโตทางเศรษฐกิจที่ต่ำอาจเป็นเหตุให้รัฐบาลต้องพังลงได้ แต่เขาก็ศึกษาเฉพาะกรณีของประเทศพัฒนาแล้ว

“ตารางที่ ๒ ผลการประมาณค่าความไม่มีเสถียรภาพทางการเมืองกับการเติบโตทางเศรษฐกิจของ Dimitraki (2010)”

……….

แล้วประเทศกำลังพัฒนาล่ะ? แม้จะไม่มีการศึกษาทางด้านนี้โดยตรง แต่หากเรานับเอาว่าแอฟริกาเป็นภูมิภาคที่ประกอบด้วยประเทศกำลังพัฒนา(เกือบ)ทั้งหมด ผลการศึกษาของ Chaiwat (2012) ด้วยแบบจำลอง IV-2SLS ในพื้นที่นี้ก็น่าจะเป็นข้อสรุปบางส่วนได้

Chaiwat (2012) จำแนกดัชนีชี้วัดความไม่มีเสถียรภาพทางการเมือง ออกเป็นโอกาสในการเกิดปฏิวัติ สงครามกลางเมือง และการเปลี่ยนพรรคแกนนำจัดตั้งรัฐบาล (ดูตารางที่ ๓) พบว่า ในกรณีของประเทศกำลังพัฒนานั้น อัตราการเติบโตทางเศรษฐกิจจะช่วยลดโอกาสในการเกิดสงครามกลางเมืองเท่านั้น แต่ไม่ได้มีผลใดใดต่อความไม่เสถียรภาพทางการเมืองในด้านอื่นๆ

“ตารางที่ ๓ ผลการประมาณค่าความไม่มีเสถียรภาพทางการเมืองกับการเติบโตทางเศรษฐกิจของ Chaiwat (2012)”

……….

ข้อสรุปก็คือ ความไม่มีเสถียรภาพทางการเมืองส่งผลให้การเติบโตทางเศรษฐกิจลดลงแน่ๆ แต่การเติบโตทางเศรษฐกิจที่ต่ำจะส่งผลให้เกิดการเปลี่ยนแปลงทางการเมืองหรือไม่นั้น ขึ้นอยู่กับระดับการพัฒนาของประเทศ หากเป็นประเทศพัฒนาแล้ว กลไกกำกับดูแลการทำงานทางการเมืองจะทำงานอย่างมีประสิทธิภาพ ทำให้ประชาชนสามารถให้คุณให้โทษกับนักการเมืองได้ เศรษฐกิจตกต่ำจึงเป็นสาเหตุให้เกิดการเปลี่ยนแปลงทางการเมือง แต่หากเป็นประเทศกำลังพัฒนา แม้เศรษฐกิจจะไม่ดี ประชาชนก็ไม่สามารถลงโทษนักการเมืองได้

หรือให้ง่ายกว่านั้นก็คือ ในประเทศพัฒนาแล้ว เศรษฐกิจนำการเมือง (หรืออย่างน้อยก็เสมอภาคกัน) แต่ในประเทศกำลังพัฒนา การเมืองนำเศรษฐกิจ นั่นเอง

ที่มา:
- Alesina, Alberto, Sule Ozler, Nouriel Roubini, and Phillip Swagel. (1996). Political instability and economic growth. Journal of Economic Growth 1(2): 189-211.
- Ourania Dimitraki. (2010). Political Instability and Economic Growth in Western Europe: A Causality Analysis for 55 Years. Conference Name: 3rd PHD CONFERENCE IN ECONOMICS 2010.
- Thanee Chaiwat. (2012). The Heterogenous Growth Effect of Ethnic Fractionalization on Political Instability in Sub-Saharan Africa. Mimeo.

featured image from here

……….

การปฏิวัติ การรัฐประหาร หรือการยึดอำนาจ (Coup d’etat) เป็นสิ่งที่เกิดขึ้นทั่วโลก โดยมักมีวัตถุประสงค์หลักเพื่อนำไปสู่การเปลี่ยนแปลงตัวผู้นำ (Change in Leader) แต่การศึกษาเชิงประจักษ์ในทางเศรษฐศาสตร์ที่เกี่ยวข้องการปฏิวัติโดยตรงนั้นก็ยังไม่มีให้เห็นมากนัก ยกเว้นงานตีพิมพ์ของ Londregan and Poole (1990) ที่ให้ข้อสรุปว่า “ประเทศที่มีรายได้เฉลี่ยต่อหัวต่ำจะมีโอกาสในการเกิดปฏิวัติที่สูงขึ้น”

“รถถังที่กลายเป็นสัญลักษณ์ของการปฏิวัติไปเสียแล้ว” (ที่มาของภาพ)

แม้ว่าในเชิงประจักษ์จะมีไม่มากนัก แต่ในทางทฤษฎีก็มีให้เห็นอยู่พอสมควร โดยเฉพาะในประเด็นเรื่องรายจ่ายทางการทหาร (Military Spending) งานวิจัยที่ตีพิมพ์เมื่อเร็วๆ นี้ก็คือ Acemoglu, Ticchi and Vindigni (2010) Besley and Robinson (2010) และ Leon (2009) ที่ให้ข้อสรุปตรงกันว่า “การปฏิวัติสามารถถูกซื้อเก็บไว้ (Bought off) ได้ด้วยรายจ่ายทางการทหารของรัฐบาลที่สูงพอ”

……….

Leon (2012) นำเอาแนวคิดทางทฤษฎีนี้มาวิเคราะห์เชิงประจักษ์ โดยใช้ข้อมูลการปฏิวัติ ทั้งสำเร็จและล้มเหลว รายจ่ายทางการทหาร และตัวแปรควบคุมอื่นๆ จาก 153 ประเทศในช่วงปี 1963-1999 เพื่อศึกษาความสัมพันธ์ของรายจ่ายทางการทหารและการปฏิวัติในสองช่วงเวลา คือ ก่อนและหลังเหตุการณ์ปฏิวัติ

ตารางที่ ๑ แสดงให้เห็นว่า จากการปฏิวัติจำนวน 232 ครั้ง จำนวนการปฏิวัติที่สำเร็จและล้มเหลวมีสัดส่วนใกล้เคียงกันประมาณครึ่งต่อครึ่ง เช่นเดียวกับจากจำนวน 153 ประเทศ เกือบครึ่งหนึ่งเคยเกิดปฏิวัติภายในประเทศของตนเองอย่างน้อย 1 ครั้ง

“ตารางที่ ๑ การปฏิวัติที่สำเร็จและล้มเหลว (บน) ประเทศที่เคยเกิดการปฏิวัติ (ล่าง)”

สถานการณ์หลังการปฏิวัตินั้น Leon (2012) ใช้เทคนิคการวิเคราะห์ที่เรียกว่า Difference-in-Differences โดยทำการพิจารณาแนวโน้มของรายจ่ายทางการทหารก่อนปฏิวัติ เปรียบเทียบกับหลังการปฏิวัติในสถานการณ์ที่การปฏิวัติประสบความสำเร็จ (Treatment Group) และล้มเหลว (Control Group)

“ทหารถือปืนท่ามกลางฝูงชนก็เป็นอีกสัญลักษณ์หนึ่งเช่นกัน (ภาพนี้ที่ Honduras)” (ที่มาของภาพ)

จากภาพที่ ๑ ที่แสดงความสัมพันธ์ระหว่างช่วงเวลา 5 ปีก่อนและหลังการปฏิวัติ (แกนนอน) และสัดส่วนรายจ่ายทางการทหารต่อ GDP (Military Spending/GDP) (แกนตั้ง) พบว่า ประเทศที่มีการปฏิวัติสำเร็จ (เส้นทึบ) มีแนวโน้มของรายจ่ายทางการทหารไม่ต่างไปจากประเทศที่มีการปฏิวัติล้มเหลว (เส้นประ) อันที่จริงรายจ่ายทางการทหารของประเทศที่ปฏิวัติล้มเหลวสูงกว่าของประเทศที่ปฏิวัติสำเร็จด้วยซ้ำ นั่นหมายความว่ารายจ่ายทางการทหารก่อนการปฏิวัตินั้นไม่มีผลต่อความสำเร็จหรือล้มเหลวของการปฏิวัตินั่นเอง แต่หลังจากการปฏิวัติเสร็จสิ้น ประเทศที่มีการปฏิวัติสำเร็จจะมีสัดส่วนรายจ่ายทางการทหารต่อ GDP เพิ่มสูงขึ้นกว่าเดิม 25% เมื่อเปรียบเทียบกับการเปลี่ยนแปลงรายจ่ายทางการทหารของประเทศที่ล้มเหลว

“ภาพที่ ๑ แนวโน้มของสัดส่วนรายจ่ายทางการทหารต่อ GDP”

นอกจากนี้ หากพิจารณาในเชิงของแบบจำลอง เพื่อควบคุมปัจจัยอื่นๆ ได้แก่ GDP ต่อหัว มูลค่า GDP จำนวนประชากร จำนวนทหาร ประชาธิปไตย บทบาทของทหาร (Military Regime) ความไม่มีเสถียรภาพ (Instability) ให้คงที่แล้ว ผลจะออกมาตามตารางที่ ๒ ซึ่งตัวแปรตามในคอลัมน์ (1)-(3) คือสัดส่วนรายจ่ายทางการทหารต่อ GDP และในคอลัมน์ (4)-(6) คือมูลค่ารายจ่ายทางการทหาร จะพบว่า Post-Coup Dummy แสดงรายจ่ายทางการทหารระหว่างก่อนกับหลังการปฏิวัติ (เฉพาะกรณีที่ล้มเหลว) มีค่าเป็นลบ Success Dummy แสดงรายจ่ายทางการทหารระหว่างก่อนปฏิวัติกรณีสำเร็จกับล้มเหลวมีค่าเป็นลบ ขณะที่ Post-Coup Dummy x Success Dummy แสดงรายจ่ายทางการทหารหลังปฏิวัติกรณีสำเร็จมีค่าเป็นบวก ซึ่งหมายความว่าหากปฏิวัติสำเร็จ “สัดส่วนรายจ่ายทางการทหารต่อ GDP” จะเพิ่มสูงขึ้นอย่างมีนัยสำคัญทางสถิติ

“ตารางที่ ๒ Difference-in-Differences ก่อนและหลังการปฏิวัติ 1 ปี”

ขณะที่สถานการณ์ก่อนการปฏิวัตินั้น Leon (2012) ได้ใช้แบบจำลองข้อมูลเชิงระนาบ (Panel Data) ทำการวิเคราะห์ผลกระทบของสัดส่วนรายจ่ายทางการทหารต่อ GDP ที่มีต่อการปฏิวัติ โดยเขาใช้ทั้งแบบจำลองกำลังสองน้อยที่สุด (Least Squared), Fixed Effects และ Logit ดังตารางที่ ๓ พบว่า การเพิ่มสัดส่วนรายจ่ายทางการทหารต่อ GDP 1% จะลดโอกาสของการเกิดปฏิวัติในช่วง 5 ปีไป 1.5% จากค่าเฉลี่ยของโอกาสที่จะเกิดอยู่ที่ 18% หรือกล่าวอีกด้านหนึ่งได้ว่า การปฏิวัติจะมีโอกาสเกิดมากในประเทศที่มีสัดส่วนรายจ่ายทางการทหารต่อ GDP ต่ำ

“ตารางที่ ๓ รายจ่ายทางการทหารกับการปฏิวัติ”

……….

ข้อสรุปของ Leon (2012) จึงสอดคล้องกับแนวคิดทางทฤษฎีด้านเศรษฐศาสตร์การเมืองเกี่ยวกับความสัมพันธ์ระหว่างรายจ่ายทางการทหารกับการปฏิวัติ โดย ๑) การปฏิวัติที่สำเร็จจะทำให้รายจ่ายทางการทหารต่อ GDP เพิ่มสูงขึ้นมากกว่าการปฏิวัติที่ล้มเหลว และ ๒) รายจ่ายทางการทหารที่สูงขึ้นมีผลทำให้การปฏิวัติลดลง นั่นหมายความว่า ราคาของการ(ไม่ถูก)ยึดอำนาจก็คืองบประมาณทางการทหารหรือรายจ่ายทางการทหารที่สูงขึ้น

อย่างไรก็ตาม ข้อสรุปของ Leon (2012) นั้นเป็นข้อสรุปในภาพรวมของโลก ซึ่งการปฏิวัติ รวมทั้งการเมืองด้านอื่นๆ ของแต่ละประเทศก็ย่อมมีความแตกต่างกันไป และก็คงต้องศึกษาลงลึกเป็นกรณีๆ ไปด้วยเช่นกัน แต่กระบวนการหาคำตอบของเขานั้นก็นับเป็นวิธีคิดที่จะทำให้การเมืองเป็นวิทยาศาสตร์ที่สามารถอธิบายได้อย่างน่าสนใจในอนาคต

ที่มา: Leon, G., 2012. “Loyalty for Sale? Military Spending and Coups d’Etat,” Cambridge Working Papers in Economics 1209, Faculty of Economics, University of Cambridge.

featured image from thehindu.com

……….

นานมาแล้วที่เราเชื่อ และถูกทำให้เชื่อว่า เมื่อประชาชนในประเทศมีรายได้สูงขึ้น หรือระบบเศรษฐกิจในประเทศเติบโตขึ้น ประชาธิปไตยก็จะดีขึ้นๆ เรื่อยๆ ทั้งนี้ก็เพราะเรามองเห็นว่า ประเทศที่ร่ำรวยก็จะมีระดับการพัฒนาประชาธิปไตยที่สูงกว่า สำทับด้วยงานวิชาการที่มีชื่อเสียงอย่างน้อยสองฉบับที่ให้ข้อสรุปว่า “การพัฒนาเศรษฐกิจจะก่อให้เกิดความต้องการประชาธิปไตยที่สูงขึ้น” (Economic development generate increased demand for democracy.) ได้แก่ งานของ Lipset (1959) และ Huntington (1991)

ข้อสรุปของ Lipset และ Huntington ในทางเศรษฐศาสตร์อาจเรียกได้ว่า ประชาธิปไตยในความเห็นของนักวิชาการทั้งสองท่านมีลักษณะเป็นสินค้าปกติ (Normal Good) เนื่องจากหากประชาชนมีรายได้สูงขึ้น ความต้องการประชาธิปไตยก็จะเพิ่มสูงขึ้น

“อนุสาวรีย์ประชาธิปไตย สัญลักษณ์หนึ่งของประชาธิปไตยไทย”

ตามมาด้วยงานวิจัยเชิงประจักษ์ของนักเศรษฐศาสตร์อย่าง Barro (1996) ที่ประมาณค่าสมการที่มีตัวแปรตามคือระดับการพัฒนาประชาธิปไตย และพบว่าระดับ GDP ที่สูงขึ้น 1% จะทำให้ระดับการพัฒนาประชาธิปไตยสูงขึ้น 5.1% อย่างมีนัยสำคัญทางสถิติ ดังนั้น Barro (1996) จึงให้ข้อสรุปที่ชัดเจนไปอีกว่า นอกจากประชาธิปไตยจะเป็นสินค้าปกติแล้ว ยังเป็นสินค้าฟุ่มเฟือย (Luxury Good) ประเภทหนึ่งอีกด้วย

อย่างไรก็ตาม การตีความของ Barro มีข้อบกพร่องอยู่สองประการ หนึ่งคือ Barro ประมาณค่าสมการระดับ GDP กับระดับประชาธิปไตย ซึ่งการที่ระดับ GDP ที่ต่ำ อย่างเช่นในประเทศที่เป็นระบอบเผด็จการนั้น ที่จริงแล้วมันบอกไม่ได้ว่าประชาชนไม่ต้องการประชาธิปไตย สองคือ ต้นทุนและผลได้ของการเรียกร้องประชาธิปไตยของประชาชนในประเทศที่เป็นเผด็จการหรือเป็นประชาธิปไตยอยู่แล้วนั้นมีความแตกต่างกันสูงมาก เช่น ในจีนหรือในสหรัฐอเมริกา ซึ่ง Barro ไม่ได้คำนึงถึงประเด็นนี้

……….

Minier (2001) ตั้งคำถามต่อว่า หากเราเชื่อว่าประชาชนในประเทศที่เป็นเผด็จการก็มีความต้องการประชาธิปไตยไม่ต่างจากประเทศที่เป็นประชาธิปไตยแล้ว ประชาธิปไตยยังมีลักษณะเป็นสินค้าปกติ และสินค้าฟุ่มเฟือยดังเช่นที่นักวิชาการทั้งสามคนข้างต้นว่ามาหรือไม่ ซึ่งลึกๆ ในใจเขาแล้ว ประชาชนเหล่านี้เสียอีกที่มีความต้องการประชาธิปไตยที่มากกว่า

นิยามของ “ความต้องการประชาธิปไตย” ถูกวัดโดยการเคลื่อนไหวเพื่อเรียกร้องประชาธิปไตย (Democratic Movement) ประกอบด้วยสามเกณฑ์ ได้แก่ หนึ่ง ต้องมีจำนวนคนที่มาร่วมเคลื่อนไหวมากพอ เมื่อเปรียบเทียบกับจำนวนประชากรของประเทศนั้นๆ สอง ต้องมีการแสดงออกทางกายภาพที่ชัดเจน เช่น ลงคะแนนเสียงต่อต้านระบอบเผด็จการทหาร งดเว้นการใช้สิทธิหากมีพรรคการเมืองเพียงพรรคเดียวลงเลือกตั้ง ออกมาชุมนุมหรือเดินขบวนประท้วง และสาม ต้องมีเป้าประสงค์ชัดเจนว่าเพื่อประชาธิปไตย การเลือกตั้ง หรือเสรีภาพทางการเมือง ซึ่งได้ข้อมูลการเคลื่อนไหวทั้งสิ้น 32 ครั้ง จาก 22 ประเทศ ในช่วง 1960-1990

“Nelson Mandela กับคุกที่เขาเคยถูกกักขัง” (ที่มาของภาพ)

Minier (2001) ยังได้เพิ่มเติมในประเด็นที่ Barro ละเลยไป คือเรื่องของผลได้และต้นทุนของประชาชนที่ออกมาทำการเคลื่อนไหวให้เกิดการเปลี่ยนแปลงด้วย

• ในประเด็นของผลได้นั้น ประชาชนย่อมรู้ดีว่า การที่พวกเขายิ่งออกมาเคลื่อนไหวจำนวนมากเท่าไหร่ ก็จะยิ่งเพิ่มโอกาสที่จะได้รับชัยชนะในการเป็นประชาธิปไตยมากขึ้น (Increase Probability) และหากได้รับชัยชนะ เสรีภาพทางการเมือง (เพิ่ม utility) และผลประโยชน์ทางเศรษฐกิจที่สูงขึ้นจากการเป็นประชาธิปไตยก็จะตามมา แน่นอนว่า อาจมีคนจำนวนหนึ่งที่ไม่ออกมาเคลื่อนไหว เนื่องจากประชาธิปไตยเป็นสินค้าสาธารณะ (Public Good) ย่อมมีปัญหาการบริโภคของฟรี (Free-Rider) เกิดขึ้น แต่หากผู้นำในการเคลื่อนไหวมีพลังดึงดูด (Charisma) มากพอ อย่างเช่น ออง ซาน ซู จี หรือ เนลสัน แมนเดลลา ปัญหานี้ก็จะลดลงไป
• ขณะที่ต้นทุนของการเคลื่อนไหวมีสองส่วน ต้นทุนทางตรงของการเคลื่อนไหว (Direct Cost) เช่น ความเสี่ยงที่จะเกิดการปะทะ บาดเจ็บ หรือตาย ซึ่งพิจารณาได้จากวิธีการปฏิบัติของรัฐบาลประเทศนั้นๆ ในช่วงเวลาที่ผ่านมา และต้นทุนทางอ้อม หรือค่าเสียโอกาสของการเคลื่อนไหว (Opportunity Cost) เช่น ค่าจ้างที่เสียไปอันเนื่องจากหยุดงาน โอกาสที่จะตกงาน หรือความเปลี่ยนแปลงที่ไม่อาจคาดการณ์ได้ในอนาคต เป็นต้น

……….

ความน่าจะเป็นของการเคลื่อนไหวเพื่อประชาธิปไตย (Probability of Democratic Movement Occurring) เป็นตัวแปรตามในแบบจำลอง Logit โดยจากตารางที่ ๑ สมการที่ 1 เป็นสมการที่อ้างอิงงานของ Barro ขณะที่สมการที่ 2 เพิ่มปัจจัยที่เกี่ยวข้องกับผลได้และต้นทุนเข้าไป

ตัวแปรที่สนใจคือ GDP และ GDP² เพราะเป็นตัวแปรที่อธิบายความต้องการประชาธิปไตยที่ถูกแสดงออกด้วยการเคลื่อนไหว ซึ่งทั้งสองสมการให้ผลที่ไม่แตกต่างกันมากนัก โดยค่าสัมประสิทธิ์หน้า GDP เป็นบวก และค่าสัมประสิทธิ์หน้า GDP² เป็นลบ ซึ่งหมายความว่า ผลของ GDP ที่มีต่อความน่าจะเป็นของการเคลื่อนไหวเพื่อประชาธิปไตยมีลักษณะเป็นโค้งคว่ำ และมีจุดสูงสุดอยู่ที่ $4,973 และ $4,799 ตามลำดับ [ตัวเลขกลมๆ ก็คือ $5,000]

“ตารางที่ ๑ ผลการประมาณค่าแบบจำลอง Logit ของความน่าจะเป็นในการเคลื่อนไหวเพื่อประชาธิปไตย”

……….

เมื่อประชาชนมีรายได้เพิ่มสูงขึ้นเรื่อยๆ จากที่เคยยากจน พวกเขาจะออกมาเคลื่อนไหวเพื่อเรียกร้องประชาธิปไตยเพิ่มสูงขึ้น นั่นคือ ประชาธิปไตยเป็นสินค้าปกติ (Positive Income Effect Dominates) จนกระทั่งหากประเทศยังไม่เป็นประชาธิปไตย แต่รายได้เฉลี่ยของประชาชนสูงเกินกว่า $5,000 ความน่าจะเป็นที่พวกเขาจะออกมาเคลื่อนไหวเพื่อเรียกร้องประชาธิปไตยจะค่อยๆ ลดลง (Negative Substitution Effect Dominates) หรืออาจเรียกว่า ประชาธิปไตยคล้ายกับเป็นสินค้าด้อยแทน (Inferior Good) เนื่องจากต้นทุนของการเรียกร้องประชาธิปไตยจะสูงเกินไปสำหรับคนส่วนใหญ่ ทั้งค่าจ้าง เงินเดือน โอกาสที่จะตกงาน หรือแม้กระทั่ง ความเปลี่ยนแปลงที่จะเกิดขึ้นตามมาในอนาคตหากเป็นประชาธิปไตยแล้ว

ความหมายโดยนัยที่น่าสนใจของบทความนี้ก็คือ ประเทศใดก็ตามที่ไม่สามารถเปลี่ยนแปลงเป็นประชาธิปไตยอย่างเต็มรูปแบบในช่วงที่รายได้เฉลี่ยของประชาชนต่ำกว่า $5,000 แล้ว หลังจากนั้น การเปลี่ยนแปลงจะเริ่มทำได้ยากขึ้น เพราะต้นทุนค่าเสียโอกาสและความกลัวการเปลี่ยนแปลงของคนจำนวนหนึ่ง(และมากขึ้นเรื่อยๆ)ในการเรียกร้องจะสูงขึ้นจนชดเชยผลได้จากการเป็นประชาธิปไตยจนหมด และเมื่อนั้นก็ยากที่จะเปลี่ยนแปลงเป็นประชาธิปไตยได้

แนวคิดเรื่องต้นทุนค่าเสียโอกาสนี้ยังสอดคล้องกับประวัติศาสตร์การพัฒนาประชาธิปไตยไทยที่ผ่านมาในบางมุม ซึ่งการเรียกร้องครั้งใหญ่ในอดีตนั้นกระทำโดยนักศึกษา และนักศึกษาที่มีบทบาทอย่างมากก็เพราะพวกเขามีต้นทุนค่าเสียโอกาสที่ต่ำ หมายความว่า พวกเขายังไม่ได้ทำงาน ไม่ต้องกลัวการเปลี่ยนแปลง และหากเรียกร้องสำเร็จ อนาคตของเขาก็จะดีขึ้นด้วย แต่ต้องยอมรับว่า บทบาทของนักศึกษาในปัจจุบันที่ลดลงไปก็อาจด้วยสาเหตุหลายประการ ตามแนวคิดนี้ก็คือ พวกเขาได้รับเงินใช้จ่ายจากพ่อแม่ที่มีฐานะดีขึ้นกว่าในอดีตมาก การเคลื่อนไหวใดก็ตามที่อาจส่งผลต่อความไม่แน่นอนของครอบครัว ย่อมส่งผลต่อตัวเขาเองด้วย และนี่คือแรงกดดันหนึ่งจากความกลัวการเปลี่ยนแปลงที่ส่งผลให้การเคลื่อนไหวของนักศึกษาลดลงไป

ที่มา: Minier, Jenny, Is Democracy a Normal Good? Evidence from Democratic Movements. Southern Economic Journal.

featured image from

……….

การวัด GDP ให้ผลที่คลาดเคลื่อนค่อนข้างมากในหลายประเทศ (Johnson, Larson, Papageorgiou, and Subramanian, 2009) โดยเฉพาะกับประเทศในกลุ่ม Sub-Saharan Africa ซึ่งมีความคลาดเคลื่อนสูงถึง 30-40% (Deaton and Heston, 2008) นอกจากนี้ หากต้องการใช้ข้อมูลที่ละเอียดมากขึ้น เช่น ในระดับเมือง หรือจังหวัด ก็อาจจะไม่มีข้อมูล หรือไม่ก็กลับยิ่งพบปัญหาปัญหาความคลาดเคลื่อนมากขึ้นไปอีก

Henderson, Storeygard and Weil (2009) ได้เสนอวิธีวัด GDP ด้วยวิธีที่แม่นยำกว่าการเก็บข้อมูลสถิติตามปกติ นั่นก็คือ ใช้ข้อมูลจากดาวเทียมเกี่ยวกับความส่องสว่างของแสงไฟยามค่ำคืน (satellite data on lights at night) โดยวิธีนี้จะใช้ได้ดีกับการวัด “อัตราการเติบโต” (growth rate) ของ GDP มากกว่าการวัด “ระดับ” (level) ของ GDP เพราะพฤติกรรมการใช้การใช้ไฟยามค่ำคืนของแต่ละประเทศมีความแตกต่างกัน เช่น บางประเทศมีนิสัยประหยัดไฟกว่าบางประเทศ หรือค่าไฟฟ้าที่ไม่เท่ากันก็มีผลทำให้ระดับปริมาณการใช้ไม่เท่ากันในแต่ละประเทศ ดังนั้น การวัดความส่องสว่างของแสงไฟยามค่ำคืนจึงบอกถึงระดับ GDP ได้ไม่แม่นยำเท่าอัตราการเติบโต เพราะจะอยู่บนพื้นฐานของนิสัยผู้ใช้แบบเดียวกัน

งานศึกษาชิ้นนี้เริ่มต้นจากการพิจารณาอัตราการเติบโตทางเศรษฐกิจเปรียบเทียบกับการเติบโตของค่าการส่องสว่างของแสงไฟยามค่ำคืนในช่วงปี 1992-2003 โดยค่าความส่องสว่างของทั้งโลกในปี 2003 แสเดงได้ตามภาพที่ ๑

“ภาพที่ ๑ ภาพจากดาวเทียมของความสว่างของแสงไฟในยามค่ำคืนในปี 2003 (คลิ๊กที่ภาพเพื่อขยายใหญ่มากๆ ได้) (ภาพจากบทความ)”

การพิจารณาจะมุ่งไปที่การเปลี่ยนแปลงของค่าความส่องสว่างของแสงไฟ ดังเช่นตัวอย่างของประเทศในยุโรปตะวันออกตามภาพที่ ๒ ซึ่งมีการเปลี่ยนแปลงของการส่องสว่างอย่างชัดเจนของ Poland, Hungary และ Romania เปรียบเทียบกับประเทศที่มีการเปลี่ยนแปลงน้อยมากอย่าง Moldova และ Ukraine โดยข้อมูลอัตราการเติบโตของ GDP ที่เป็นทางการก็ให้ผลสอดคล้องกัน

“ภาพที่ ๒ ภาพจากดาวเทียมของความสว่างของแสงไฟในยามค่ำคืนในกลุ่มประเทศยุโรปตะวันออก (ภาพจากบทความ)”

……….

อย่างไรก็ตาม เมื่อพิจารณาข้อมูลอัตราการเติบโตทางเศรษฐกิจ (แกนตั้ง) และการเติบโตของค่าการส่องสว่างของแสงไฟยามค่ำคืน (แกนนอน) จะพบว่าปัจจัยทั้งสองความสัมพันธ์มีความเป็นบวกอย่างชัดเจน ดังภาพที่ ๓ เหตุผลก็คือว่า ถ้าประเทศมีระดับการเติบโตที่สูงกว่า ความเข้มของระดับการส่องสว่างของแสงไฟยามค่ำคืนก็ย่อมมีแนวโน้มสูงขึ้นด้วย ทั้งจากความเป็นเมืองที่สูงขึ้น และกิจกรรมยามค่ำคืนที่มีมากขึ้น

“ภาพที่ ๓ ความสัมพันธ์ระหว่างความสว่างของแสงไฟในยามค่ำคืนกับอัตราการเติบโตทางเศรษฐกิจ (ภาพจากบทความ)”

และหากพิจารณาความสัมพันธ์ในระยะยาวแล้ว ยิ่งพบว่า การเติบโตของค่าการส่องสว่างของแสงไฟยามค่ำคืน (แกนนอน) มีความสัมพันธ์ที่เป็นบวกชัดเจนมากขึ้นกับอัตราการเติบโตทางเศรษฐกิจ (แกนตั้ง) ดังภาพที่ ๔ (จะเห็นได้ว่าการกระจายตัวของข้อมูลลดลง)

“ภาพที่ ๔ ความสัมพันธ์ระหว่างความสว่างของแสงไฟในยามค่ำคืนกับอัตราการเติบโตทางเศรษฐกิจในระยะยาว (ภาพจากบทความ)”

……….

สิ่งที่น่าสนใจเมื่อนำเอาวิธีนี้มาเปรียบเทียบกับการประมาณการอัตราการเติบโตทางเศรษฐกิจของธนาคารโลกในกลุ่มที่คุณภาพข้อมูล GDP ค่อนข้างต่ำ (จากข้อมูลของ Penn World) พบว่าค่อนข้างมีความแตกต่างกันมาก เช่น

• กรณีของประเทศ Democratic Republic of Congo ค่าการส่องสว่างของแสงไฟยามค่ำคืนประมาณการอัตราการเติบโตทางเศรษฐกิจต่อปีไว้ที่ 2.4% ต่อปี ขณะที่ข้อมูลการเติบโตทางเศรษฐกิจที่เป็นทางการอยู่ที่ – 2.6% ต่อปีในช่วงเวลาเดียวกัน นั่นหมายความว่า ที่จริง Democratic Republic of Congo น่าจะมีอัตราการเติบโตมากกว่าที่ข้อมูลสถิติว่าไว้
• อีกกรณีหนึ่งคือ Myanmar ที่มีอัตราการเติบโตของตัวเลขทางการอยู่ที่ 8.6% ต่อปี แต่ค่าการส่องสว่างของแสงไฟยามค่ำคืนประมาณการอัตราการเติบโตทางเศรษฐกิจต่อปีไว้ที่เพียง 3.4% ต่อปีเท่านั้น ซึ่งก็น่าจะต่ำกว่าข้อมูลทางการที่ว่าไว้

แม้ว่าอัตราการเติบโตของ GDP ที่แท้จริงควรจะเป็นเท่าไหร่ (ในประเทศที่คุณภาพของการวัด GDP ค่อนข้างต่ำ) อาจจะระบุอย่างแจ้งชัดไม่ได้ แต่ด้วยวิธีนี้ก็ถือเป็นอีกแนวคิดหนึ่งในการประมาณการที่ดูสมเหตุสมผล โดยเฉพาะคุณูปการในเรื่องของการประมาณค่าอัตราการเติบโตของ GDP ในประเทศที่มีคุณภาพข้อมูลต่ำมาก และยังสามารถให้รายละเอียดถึงการประมาณค่าอัตราการเติบโตของ GDP ในระดับเมืองของแต่ละประเทศที่เราสนใจได้อีกด้วย เพียงเท่านี้ก็น่าจะเกิดประโยชน์ต่อเนื่องกับงานวิจัยจำนวนมาก โดยเฉพาะวิธีการนี้กำลังถูกใช้อย่างแพร่หลายในกรณีของการวัดอัตราการเติบโตทางเศรษฐกิจของประเทศในแอฟริกา

ที่มา: Henderson, J. Vernon, Adam Storeygard, and David N. Weil (2009). “Measuring Economic Growth from Outer Space.” NBER Working Paper 15199.

……….

โลกของเราเกิดภัยพิบัติขึ้นหลายครั้งในช่วงไม่กี่ปีที่ผ่านมา เช่น ในปี 2009 เกิดสึนามิที่หมู่เกาะซามัว (Samoa) ไต้ฝุ่นสองครั้งที่ฟิลิปปินส์ แผ่นดินไหวที่หมู่เกาะสุมาตรา และพายุเฮอร์ริเคนที่ชายฝั่งเม็กซิโก ปี 2010 เกิดแผ่นดินไหวครั้งใหญ่ที่เฮย์ติ และชิลี และในปี 2011 นี้ก็เกิดแผ่นดินไหวครั้งใหญ่ที่ญี่ปุ่น และน้ำท่วมใหญ่ในเอเชียตะวันออกเฉียงใต้[รวมทั้งประเทศไทย]

งานศึกษาจำนวนมากมักมุ่งไปที่การพยากรณ์ และการเพิ่มศักยภาพในการป้องกันภัยพิบัติ แต่งานวิจัยจำนวนไม่มากนักที่พูดถึงผลกระทบทางเศรษฐกิจ ทั้งที่งานศึกษาที่มีชื่อเสียงของ Barro (2006, 2009) ที่เคยชี้ให้เห็นแล้วว่าภัยพิบัติและเหตุการณ์ที่เกิดขึ้นไม่บ่อย (รวมไปถึงสงครามและวิกฤตเศรษฐกิจ) เป็นต้นทุนของระบบเศรษฐกิจสูงถึงประมาณร้อยละ 20 ของ GDP ซึ่งหากเปรียบเทียบกับความผันผวนทางเศรษฐกิจที่เกิดขึ้นอยู่เสมอๆ ที่เป็นต้นทุนของระบบเพียงร้อยละ 1.5 กลับมีงานศึกษาเป็นจำนวนมาก

……….

มีงานศึกษาที่น่าสนใจชิ้นหนึ่งของ Cavallo and Noy (2010) ภายใต้การสนับสนุนของ Inter-American Development Bank ได้ทำการสำรวจภัยพิบัติ และผลกระทบจากภัยพิบัติที่มีต่อระบบเศรษฐกิจทั่วโลก ^[1]

เริ่มจาก พวกเขาจะนับว่า สถานการณ์นั้นเป็น “ภัยพิบัติ” จำเป็นต้องมีองค์ประกอบอย่างน้อย 1 ข้อจาก 4 ข้อต่อไปนี้ ๑) มีผู้เสียชีวิตมากกว่า 10 คน ๒) มีผู้ได้รับผลกระทบมากกว่า 100 คน ๓) มีการประกาศสถานการณ์/ภาวะฉุกเฉิน หรือ ๔) มีการขอความช่วยเหลือจากภายนอก

ภัยพิบัติประกอบไปด้วย 3 ประเภท ได้แก่ ๑) ภัยพิบัติที่เกิดจากสภาพอากาศหรือน้ำ (hydro-meteorological) ซึ่งเป็นสถานการณ์ส่วนใหญ่ที่เกิดขึ้น และมีผลกระทบต่อมนุษยชาติมากที่สุด เช่น น้ำท่วม พายุ ความแห้งแล้ง ดินถล่ม และหิมะถล่ม ๒) ภัยพิบัติที่เกิดจากธรณีฟิสิกส์ (geophysical) เช่น แผ่นดินไหว สึนามิ และการระเบิดของภูเขาไฟ และ ๓) ภัยพิบัติทางชีวภาพ (biological) เช่น โรคระบาด การติดเชื้อปรสิต เป็นต้น

ภาพรวมของภัยพิบัติที่เกิดขึ้นในพื้นที่ต่างๆ ของโลก พบว่า ในแถบเอเชีย-แปซิฟิคมีจำนวนครั้งของภัยพิบัติคิดเฉลี่ยต่อประเทศสูงที่สุด และสูงกว่าภูมิภาคอื่นๆ มาก [รูปที่ 1] แต่เมื่อพิจารณาเฉพาะภัยพิบัติ “ครั้งใหญ่” ซึ่งหมายถึง ภัยพิบัติครั้งที่มีจำนวนผู้เสียชีวิตมากกว่าจำนวนผู้เสียชีวิตเฉลี่ยของภัยพิบัติ กลับพบว่า ภัยพิบัติครั้งใหญ่นั้น ส่วนใหญ่จะเกิดขึ้นที่ลาตินอเมริกาและแถบคาริบเบียน [รูปที่ 2] นั่นคือ เอเชีย-แปซิฟิคเกิดภัยพิบัติบ่อยครั้ง แต่มักไม่ใหญ่ ขณะที่ลาตินอเมริกาและแถบคาริบเบียน เกิดภัยพิบัติจำนวนน้อยครั้งกว่า แต่มักเป็นครั้งใหญ่ [เนื่องจากการสำรวจนี้กระทำถึงปี 2008 จึงยังไม่ได้รวมสึนามิที่ญี่ปุ่นเข้าไปด้วย] ^[2]

“รูปที่ 1 จำนวนครั้งของภัยพิบัติจำแนกตามทวีปในช่วง 1970-2008 (ภาพประกอบจากบทความ)”

“รูปที่ 2 จำนวนครั้งของภัยพิบัติครั้งใหญ่จำแนกตามภูมิภาคในช่วง 1970-2008 (ภาพประกอบจากบทความ)”

ขณะที่การรวบรวมข้อมูลของ Cavallo and Noy (2010) แสดงโดยแผนภาพแท่งเทียน (Candlestick Chart) ซึ่งเส้นที่อยู่ตรงกลางภายในกล่องคือค่าเฉลี่ย ขอบของกล่องบนและล่างคือค่าเปอร์เซ็นไทล์ที่ 75 และ 25 ตามลำดับ และขอบของเส้นที่อยู่นอกกล่องคือค่าสูงสุดและค่าต่ำสุด พบว่า แอฟริกาและลาตินอเมริกาและแถบคาริบเบียนเป็นภูมิภาคที่มีสัดส่วนผู้เสียชีวิตมากที่สุด ขณะที่เอเชีย-แปซิฟิค ซึ่งเกิดภัยพิบัติอยู่บ่อยครั้งกลับมีสัดส่วนผู้เสียชีวิตไม่มากนัก [รูปที่ 3] ขณะที่สัดส่วนผู้ได้รับผลกระทบก็ยังคงเป็นลาตินอเมริกาและแอฟริกา รองลงมาคือเอเชีย-แปซิฟิค ประมาณ 100 คนต่อประชากร 1 ล้านคน [รูปที่ 4]

“รูปที่ 3 จำนวนผู้เสียชีวิตจากภัยพิบัติต่อประชากร 1 ล้านคน ในช่วง 1970-2008 (ภาพจากบทความ)”

“รูปที่ 4 จำนวนผู้ได้รับผลกระทบจากภัยพิบัติต่อประชากร 1 ล้านคน ในช่วง 1970-2008 (ภาพจากบทความ)”

……….

ที่น่าสนใจคือ Cavallo and Noy (2010) พบว่า ผลกระทบจากภัยพิบัติที่เกิดขึ้นกับเศรษฐกิจของแต่ละประเทศนั้น ส่วนมากมีผลกระทบเฉลี่ยเพียง 0.1% เท่านั้น ขณะที่เอเชีย-แปซิฟิคมีผลกระทบอยู่ที่ประมาณ 0.05% ของ GDP [รูปที่ 5] ทั้งนี้ การที่ภัยพิบัติมีผลกับระบบเศรษฐกิจไม่มากนักก็เพราะว่า ภายหลังจากภัยพิบัติแล้ว จะเกิดกิจกรรมทางเศรษฐกิจจำนวนมากตามมา เช่น การซ่อมแซมบ้าน การสร้างอาคารใหม่ การสร้างถนนใหม่ หรือการสร้างเขื่อนกั้นน้ำ ซึ่งกิจกรรมเหล่านี้ก่อให้เกิดการจ้างงานและการใช้จ่ายทางเศรษฐกิจ และนำไปสู่การขยายตัวของกิจกรรมทางเศรษฐกิจอื่นๆ ในระบบด้วย จึงเข้าไปชดเชยความเสียหายที่เกิดขึ้น

“รูปที่ 5 สัดส่วนของ GDP ที่ได้รับผลกระทบจากภัยพิบัติ ในช่วง 1970-2008 (ภาพจากบทความ)”

ประเด็นสำคัญก็คือว่า แท้จริงแล้ว ภัยพิบัติมีผลกระทบต่อระบบเศรษฐกิจน้อยมาก เพราะมันเป็นสิ่งที่สามารถฟื้นฟูให้กลับมาเหมือนดังเดิมได้ ขณะที่ชีวิตมนุษย์ที่ต้องสูญเสียไปมากมาย กลับเป็นสิ่งมีค่ามากกว่า แต่ก็ไม่สามารถนำกลับมาได้ ดังนั้น เมื่อเกิดภัยพิบัติใดใด อย่าลืมช่วยกันนึกถึงชีวิตของคนเรา ก่อนผลกระทบทางเศรษฐกิจนะครับ

สำหรับตอนที่ ๒ เราจะมาดูภาพรวมของงานศึกษาอื่นๆ ที่เกี่ยวกับผลกระทบทางเศรษฐกิจอันเกิดจากภัยพิบัติโดยใช้แบบจำลองกันดูบ้างว่า งานเหล่านั้นให้ข้อสรุปว่าอย่างไร และปัจจัยที่มีผลต่อการฟื้นตัวของภัยพิบัติอย่างรวดเร็วและมีประสิทธิภาพนั้นขึ้นอยู่กับอะไรบ้าง

ที่มา: Cavallo, Eduardo and Ilan Noy (2010) “The Economics of Natural Disasters: A Survey” Inter-American Development Bank WORKING PAPER SERIES No. IDB-WP-124.

featured image from here