ตัวแบบพยากรณ์รายได้รัฐบาลของประเทศไทยหลังจากฟื้นตัวของสถานการณ์การแพร่ระบาดโควิด-19
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อหาตัวแบบพยากรณ์ที่เหมาะสมกับอนุกรมเวลารายได้รัฐบาลของประเทศไทยทั้ง 4 ส่วน ได้แก่ กรมสรรพากร กรมสรรพสามิต กรมศุลกากร และหน่วยงานอื่น เช่น รัฐวิสาหกิจและกรมธนารักษ์ เป็นต้น หลังจากฟื้นตัวของสถานการณ์การแพร่ระบาดโควิด-19 โดยใช้ข้อมูลเปิดเผยของกระทรวงการคลังตั้งแต่เดือนตุลาคม พ.ศ. 2555 ถึงเดือนเมษายน พ.ศ. 2566 จำนวน 127 เดือน แบ่งข้อมูลออกเป็น 2 ชุด คือ ชุดข้อมูลฝึกฝนใช้ข้อมูลในช่วงเดือนตุลาคม พ.ศ. 2555 ถึงเดือนเมษายน พ.ศ. 2565 จำนวน 115 เดือน และชุดข้อมูลทดสอบในช่วงเดือนพฤษภาคม พ.ศ. 2565 ถึงเดือนเมษายน พ.ศ. 2566 จำนวน 12 เดือน สร้างตัวแบบพยากรณ์ทางสถิติ 5 วิธี ได้แก่ วิธีแยกส่วนประกอบแนวโน้มเส้นตรงฤดูกาลรูปแบบบวก วิธีแยกส่วนประกอบแนวโน้มลอการิทึมฤดูกาลรูปแบบบวก วิธีการทำให้เรียบของโฮลต์-วินเทอร์รูปแบบบวก วิธีบอกซ์-เจนกินส์ และวิธีพยากรณ์รวมด้วยการถ่วงน้ำหนักด้วยสัมประสิทธิ์การถดถอย มาเปรียบเทียบค่าความคลาดเคลื่อนโดยใช้เกณฑ์ร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยเป็นตัววัดความแม่นเพื่อหาตัวแบบที่เหมาะสมในชุดข้อมูลทดสอบ ผลการศึกษาพบว่า ตัวแบบพยากรณ์โดยวิธีการทำให้เรียบของโฮลต์-วินเทอร์รูปแบบบวกเป็นตัวแบบที่เหมาะสมที่สุด สำหรับกรมสรรพากร กรมสรรพสามิต และหน่วยงานอื่น ส่วนตัวแบบพยากรณ์โดยวิธีบอกซ์-เจนกินส์ตัวแบบ SARIMA(2,1,0)(0,0,2)12 เป็นตัวแบบที่เหมาะสมที่สุดสำหรับกรมศุลกากร
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.