Forecasting Model for Thailand's Government Revenue During the Recovery of the COVID-19 Situation
Article Sidebar
Main Article Content
Abstract
The objective of this research is to identify an appropriate forecasting model for government revenue time series data across four sectors in Thailand: the Revenue Department, the Excise Department, the Customs Department, and the other agencies such as the Stat Enterprises and the Treasury Department. The study utilizes publicly available data from the website Ministry of Finance Open Data, covering the period from October 2012 to April 2023, totaling 127 months. The data set is divided into two subsets: a training data set spanning from October 2012 to April 2022 (115 months) and a testing data set from May 2022 to April 2023 (12 months). Five statistical forecasting methods are employed: additive trend-based linear with seasonal decomposition, additive trend-based logarithmic with seasonal decomposition, smoothing with Holt-Winters' additive method, the Box-Jenkins method, and a combined forecasting approach using regression analysis. The performance of these models is evaluated using the Mean Absolute Percentage Error (MAPE) metric applied to the testing data set. The findings of the study reveal that smoothing with Holt-Winters' additive method is the most suitable model for forecasting the Revenue Department, the Excise Department, and the other agencies. Additionally, the Box-Jenkins method with a SARIMA(2,1,0)(0,0,2)12 model is identified as the most appropriate choice for forecasting the Customs Department.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Ministry of Finance Operation Center. 2023. Ministry of Finance. Available at: https://dataservices.mof.go.th/menu3?id=2&page=&freq=month&mf=10&yf=2565&mt=4&yt=2566&sort=asc&search_text=. Retrieved 1 May 2023.
Tax Planning Office. 2023. The Excise Department. Available at: https://www.excise.go.th/cs/groups/public/documents/document/dwnt/ndcw/~edisp/uatucm470306.pdf. Retrieved 2 May 2023.
Benvenuto, D. et al. 2020. Application of the ARIMA model on the COVID-2019 epidemic data set. Data in Brief, 29, 1-4, https://doi.org/10.1016/j.dib.2020.105340.
Sen, J. and Chaudhuri, T. 2017. A Predictive Analysis of the Indian FMCG Sector using Time Series Decomposition-based Approach. Available at: http://dx.doi.org/10.2139/ssrn.2992051. Retrieved 4 May 2023.
Xiao, L., Wang, J., Dong, Y. and Wu, J. 2015. Combined forecasting models for wind energy forecasting: A case study in China. Renewable and Sustainable Energy Reviews, 44, 271–288, https://doi.org/10.1016/j.rser.2014.12.012.
สมบูรณ์ ศิริสรรหิรัญ, สิทธิศักดิ์ ไชยสุข, ยุรีพรรณ วณิชโยบล และกัญญ์ภัคพิมพ์. 2565. การฟื้นตัวของประเทศไทยสู่ความยั่งยืนทางการคลังภายหลังสถานการณ์การแพร่ระบาดของโรคโควิด-19. วารสารคุณภาพชีวิตกับกฎหมาย, 18(1), 121-145. [Somboon Sirisunhirun, Sitthisal Chaiyasuk, Yureephan Vanichayobol and Kanphakphim Manoonphol. 2022. Thailand’s recovering post-COVID-19 pandemic better for fiscal sustainability. Quality of Life and Law Journal, 18(1), 121-145. (in Thai)]
Tibulca, I.L. 2022. The impact of the COVID-19 pandemic on tax revenues in the EU. Economic Research-Ekonomska Istraživanja, 35(1), 2442-2459, https://doi.org/10.1080/1331677X.2021.1954967.
Abraham, B. and Ledolter, J. 1983. Statistical Method for Forecasting. John Wiley & Sons, New York.
ทรงศิริ แต้สมบัติ. 2549. การพยากรณ์เชิงปริมาณ. พิมพ์ครั้งที่ 1, สำนักพิมพ์มหาวิทยาลัย เกษตรศาสตร์, กรุงเทพฯ. [Songsiri Taesombat. 2006. Quantitative Forecasting. 1st ed., Kasetsart University Press, Bangkok. (in Thai)]
Box, G.E.P., Jenkins, G.M. and Reinsel, G.C. 1994. Time Series Analysis: Forecasting and Control. 3rd ed., Prentice Hall, New Jersey.
อินทิรา เนขุนทด และเขตสิริ คำขอด. 2555. ตัวแบบพยากรณ์อนุกรมเวลาของอัตราผู้ป่วยโรคปอดอักเสบในจังหวัดลำปาง. การประชุมวิชาการนำเสนอผลงานวิจัยระดับชาติ เครือข่ายบัณฑิตศึกษามหาวิทยาลัยราชภัฏภาคเหนือครั้งที่ 18 และลำปางวิจัยครั้งที่ 4, ลำปาง, 340-358. [Intira Nakunthod and Ketsiri Khamkhod. 2018. Time series modeling for the pneumonia rate of patients in Lampang province. Proceeding of the 18th Graduate Studies of Northern Rajabhat, University Network Conference and the 4th Lampang Research, Lampang, 340-358. (in Thai)]
จิโรจน์ แซ่ยิ่ง, วฐา มินเสน และพิมผกา ธานินพงศ์. 2566. ตัวแบบพยากรณ์ปริมาณน้ำไหลเข้าอ่างเก็บน้ำของการไฟฟ้าฝ่ายผลิตแห่งประเทศไทย (กฟผ.). วารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย. 15(2), 494-510. [Jiroge Saeying, Watha Minsan and Phimphaka Taninpong. 2023. Forecasting model for the amount of water flowing into the reservoirs of the electricity generating authority of Thailand (EGAT). RMUTSV Research Journal, 15(2). 494-510. (in Thai)]
ติณห์ณภัทร ตุ่นแก้ว, ปรารถนา มินเสน, เฉลิมรัช นนทะภา และวฐา มินเสน. 2023. ตัวแบบพยากรณ์ที่เหมาะสมของอัตราแลกเปลี่ยนสกุลเงินต่างประเทศ 10 สกุลที่คนไทยนิยมไปท่องเที่ยวมากที่สุดเทียบกับค่าเงินบาท. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์. 31(3). 1-21. [Tinnaphat Tunkaew, Pradthana Minsan, Chalermrat Nontapa and Watha Minsan. 2023. A suitable forecasting model for exchange rates of the top 10 foreign currencies most preferred by Thai tourists compared to the Thai baht. Thai Science and Technology Journal, 31(3). 1-21. (in Thai)]
Montgomery, D.C., Peck, E.A. and Vining, G.G. 2006. Introduction to Linear Regression Analysis. 4th ed., Wiley, New York.
Hochreiter, S. and Schmidhuber, J. 1997. Long short-term memory. Neural Comput, 9(8), 1735–1780, https://doi.org/10.1162/neco.1997.9.8.1735.
Cho, K. et al. 2014. Learning phrase representations using RNN encoder–decoder for statistical machine translation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), Doha, Qatar, 1724–1734, https://doi.org/10.3115/v1/D14-1179.