วารสารวิจัย

การพยากรณ์ปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์
Forecasting the export quantity of squid and products

วรางคณา เรียนสุทธิ์
Warangkhana Riansut

สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์ มหาวิทยาลัยทักษิณ วิทยาเขตพัทลุง

Department of Mathematics and Statistics, Faculty of Science, Thaksin University, Phatthalung Campus
E-mail: warang27@gmail.com

บทคัดย่อ
วัตถุประสงค์ของการศึกษาครั้งนี้คือ การสร้างและคัดเลือกตัวแบบพยากรณ์ที่เหมาะสมกับอนุกรมเวลา
ปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์ โดยใช้ข้อมูลจากเว็บไซต์ของสานัก งานเศรษฐกิจการเกษตร ตั้งแต่
เดือนมกราคม 2554 ถึงเดือนพฤศจิกายน 2561 จานวน 95 ค่า ข้อมูลถูกแบ่งออกเป็น 2 ชุด ชุดที่ 1 ตั้งแต่เดือน
มกราคม 2554 ถึงเดือนกันยายน 2561 จานวน 93 ค่า สาหรับการสร้างตัวแบบพยากรณ์ด้วยวิธีบ็อกซ์-เจนกินส์
วิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์แบบบวก และวิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของ
วินเทอร์แบบคูณ ชุดที่ 2 ตั้งแต่เดือนตุลาคมถึงเดือนพฤศจิกายน 2561 จานวน 2 ค่า สาหรับการเปรียบเทียบ
ความถูกต้องของค่าพยากรณ์ โดยใช้เกณฑ์เปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) และเกณฑ์รากที่
สองของความคลาดเคลื่อนกาลังสองเฉลี่ย (RMSE) ที่ต่าที่สุด ผลการศึกษาพบว่า จากวิธีการพยากรณ์ทั้งหมดที่
ได้ศึกษา วิธีที่มปี ระสิทธิภาพสูงสุด คือ วิธีบ็อกซ์-เจนกินส์ (MAPE = 4.64, RMSE = 215,204)
คาสาคัญ: การพยากรณ์ ตัวแบบพยากรณ์ การส่งออก ปลาหมึกและผลิตภัณฑ์

ABSTRACT
The objective of this study was to construct and select the appropriate forecasting models for the
export quantity of squid and products. The data gathered from the website of the Office of Agricultural
Economics from January 2011 to November 2018 of 95 values were used and divided into 2 sets. The first
set had 93 values from January 2011 to September 2018 for constructing the forecasting models by Box-
Jenkins method, Winters’ additive exponential smoothing method, and Winters’ multiplicative exponential
smoothing method. The second set had 2 values from October to November 2018 for comparing the
accuracy of the forecasts via the criteria of the lowest mean absolute percentage error (MAPE) and root
mean squared error (RMSE). Research findings indicated that for all forecasting methods that had been
studied, the most accurate method was Box-Jenkins method (MAPE = 4.64, RMSE = 215,204).
Keywords: Forecast, Forecasting model, Export, Squid and products

Received 08-01-2019
Revised 28-02-2019
Accepted 28-02-2019
วารสารวิจัย
1. บทนา
อาหารทะเลนั บ เป็ น อาหารประเภทหนึ่ งที่
ส าคั ญ ของมนุ ษ ย์ แ ละกลายเป็ น แหล่ ง ส าคั ญ ทาง
เศรษฐกิจมากยิ่งขึ้น โดย 10 ประเทศที่มีการส่งออก
ผลิตภัณฑ์อาหารทะเลจานวนมาก รวมทั้งปลา กุ้ง
เปลือกหอย และอื่น ๆ ได้แก่ ประเทศจีน นอร์เวย์
เวียดนาม สหรัฐอเมริกา อินเดีย แคนาดา ชิลี สวีเดน
เนเธอร์แลนด์ และอินโดนีเซีย ตามลาดับ [1] สาหรับ
ประเทศไทยสามารถจับสัตว์น้าทะเลได้เป็นจานวน
มากในแต่ละปีและมีการนาไปใช้เพื่อการบริโภคใน
รูปแบบต่าง ๆ กัน ทั้งการบริโภคสด และการนาเข้าสู่
ภาคอุตสาหกรรมการผลิตประเภทต่าง ๆ เช่น อาหาร
ทะเลแช่เย็นแช่แข็ง อาหารทะเลกระป๋อง ทาเค็มและ
ตากแห้ ง เป็ น ต้ น [2] โดยปลาหมึ ก เป็ น สั ต ว์ น้ า
ประเภทหนึ่ ง ที่ มี ค วามส าคั ญ ทางเศรษฐกิ จ ของ
ประเทศไทยรองลงมาจากกุ้ ง ซึ่งกองควบคุมการค้า
สัตว์น้าและปัจจัยการผลิต กรมประมง ได้รายงานว่า
ผลิตภัณฑ์สัตว์น้าจาพวกปลาหมึกในรูปแบบต่าง ๆ ที่
บริ โ ภคภายในประเทศและถู ก ส่ ง ออกไปยั ง ตลาด
ต่างประเทศมีปริมาณและมูลค่าเพิ่มขึ้นมาก สาหรับ
การส่ ง ออกปลาหมึ ก ผ่ า นทางด่ า นตรวจสั ต ว์ น้ า
ท่ า อากาศยานสุว รรณภูมิ ใ นปี 2560 ส่ ว นใหญ่ เป็น
ปลาหมึ ก สดแช่ เ ย็ น โดยส่ ง ออกไปยั ง ประเทศ
เกาหลีใต้ คิดเป็นร้อยละ 97 ของปริมาณการส่งออก
ปลาหมึ ก ทั้ ง ปี [3] อย่ า งไรก็ ต าม จากการศึ ก ษา
ปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์เฉลี่ยต่อ
เดือนจากเว็บไซต์ของสานักงานเศรษฐกิจการเกษตร
ย้อนหลังตั้งแต่ปี 2554 ถึงปัจจุบันกลับพบว่า ปริมาณ
การส่งออกปลาหมึกและผลิตภัณฑ์มีแนวโน้ม ลดลง
และมีความผันผวนสูง โดยเฉพาะตั้งแต่ปี 2558 ถึงปี
2561 ปริมาณการส่งออกลดลงเมื่อเทียบกับปีก่อนคิด
เ ป็ น ร้ อ ย ล ะ 11.97, 13.33, 12.57 แ ล ะ 6.61
 132  ปีที่ 13 ฉบับที่ 2 กรกฏาคม - ธันวาคม 2562
ตามลาดับ [4] อุตสาหกรรมการส่งออกปลาหมึกและ
ผลิตภัณฑ์ จะยังคงมีปริมาณการส่งออกลดลงและมี
ความผันผวนสูงเช่นนี้ตลอดไปหรือไม่ การพยากรณ์
ทางสถิตินับเป็นเครื่องมือหนึ่งที่ช่วยตอบคาถามนี้ได้
ด้ ว ยเหตุ ผ ลดั งกล่ า ว ผู้ วิ จั ย จึ งเริ่ ม สื บ ค้ น งานวิ จั ย ที่
เกี่ยวกับการพยากรณ์ปริมาณการส่งออกปลาหมึ ก
และผลิ ต ภั ณ ฑ์ พบว่ า สุ ภ าภรณ์ กอสู งเนิ น [2] ได้
ศึ ก ษาการส่ ง ออกปลาหมึ ก แห้ ง ไปยั ง สาธารณรั ฐ
ประชาธิ ป ไตยประชาชนลาว โดยการศึ ก ษาครั้ งนี้
ไม่ ไ ด้ ใ ช้ วิ ธี ก ารพยากรณ์ ท างสถิ ติ ใ นการสร้ า งตั ว
แบบพยากรณ์ แต่เป็นเพียงการเก็บรวบรวมข้อ มู ล
เชิงคุณภาพเท่านั้น ดังนั้นผู้วิจัยจึงมีความสนใจที่จะ
ศึกษาการสร้างตัวแบบพยากรณ์ ปริมาณการส่งออก
ปลาหมึก และผลิตภัณฑ์ด้ว ยวิ ธีก ารทางสถิ ติ ได้แก่
วิธีบ็อกซ์-เจนกินส์ (Box-Jenkins method) วิธีการ
ปรับเรียบด้วยเส้ นโค้งเลขชี้กาลั งของวินเทอร์ แ บบ
บวก (Winters’ additive exponential smoothing
method) และวิ ธี ก ารปรั บ เรี ย บด้ ว ยเส้ น โค้ ง เลขชี้
ก า ลั ง ข อ ง วิ น เ ท อ ร์ แ บ บ คู ณ (Winters’
multiplicative exponential smoothing method)
เนื่องจากได้พิจารณาจากลักษณะการเคลื่อนไหวของ
ข้ อ มู ล ชุ ด ที่ 1 แล้ ว พบว่ า วิ ธี ก ารเหล่ า นี้ เ ป็ น วิ ธี ที่ มี
ความเหมาะสมกับอนุกรมเวลาชุดนี้มากกว่าวิธีก าร
พยากรณ์อื่น ๆ เช่น วิธีการปรับเรียบด้วยเส้นโค้งเลข
ชี้กาลังของโฮลต์ (Holt’s exponential smoothing
method) วิ ธี ก ารปรั บ เรี ยบด้ว ยเส้ นโค้งเลขชี้กาลัง
ของบราวน์ (Brown’s exponential smoothing
method) วิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลังที่มี
แนวโน้ ม แบบแดม (Damped trend exponential
smoothing method) วิธีการปรับเรียบด้วยเส้นโค้ง
เลขชี้กาลังที่มีฤดูกาลอย่างง่าย (Simple seasonal
exponential smoothing method) แ ล ะ วิ ธี ก าร

พยากรณ์ ร วม (Combined forecasting method)
เป็น ต้น หลังจากที่ได้ตัวแบบพยากรณ์แล้ว ผู้วิจัยจะ
คัดเลือกตัวแบบพยากรณ์ที่มีประสิทธิภาพสูงสุด 1
ตั ว แบบ ด้ ว ยเกณฑ์ เ ปอร์ เ ซ็ น ต์ ค วามคลาดเคลื่ อ น
สัมบูรณ์เฉลี่ย (Mean absolute percentage error,
MAPE) และเกณฑ์รากที่สองของความคลาดเคลื่อน
ก า ลั ง ส อ ง เ ฉ ลี่ ย (Root mean squared error,
RMSE) ที่ต่าที่สุด
ด้ ว ยเหตุ ผ ลของความผั น ผวนในปริ ม าณ
การส่งออกปลาหมึกและผลิตภัณฑ์ ดังกล่าว จึงเป็น
ประเด็ น ที่ น่ า สนใจที่ ค วรมี ก ารศึ ก ษาถึ ง ปริ ม าณ
การส่ ง ออกปลาหมึ ก และผลิ ต ภั ณ ฑ์ ใ นอนาคต
เพื่ อ ที่ จ ะหาแนวทางในการเพิ่ ม ศั ก ยภาพและขี ด
ความสามารถของผู้ประกอบการการส่งออกปลาหมึก
และผลิตภัณฑ์ของประเทศไทยให้สามารถแข่งขันกับ
ประเทศอื่น ๆ ได้มากยิ่งขึ้น รวมถึงเป็นแนวทางให้
รั ฐ บาลสามารถออกนโยบายในการสนั บ สนุ น
การส่งออกปลาหมึกและผลิตภัณฑ์ได้อย่างเหมาะสม
ซึ่งจะนารายได้มาสู่ประเทศไทยมากยิ่งขึ้น และทาให้
เกิดการเจริญเติบโตทางเศรษฐกิจของประเทศต่อไป
2. วัสดุ อุปกรณ์ และวิธีการทดลอง
การวิ จั ย ครั้ ง นี้ ด าเนิ น การสร้ า งตั ว แบบ
พยากรณ์ ด้ ว ยโปรแกรม SPSS โดยใช้ อ นุ ก รมเวลา
ปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์ (กิโลกรัม)
จากเว็บไซต์ของสานักงานเศรษฐกิจการเกษตร [4]
ตั้ ง แต่ เ ดื อ นมกราคม 2554 ถึ ง เดื อ นพฤศจิ ก ายน
2561 จ านวน 95 ค่ า ผู้ วิ จั ย ได้แ บ่งข้ อ มู ลออกเป็น
2 ชุด ชุดที่ 1 คือ ข้อมูลตั้งแต่เดือนมกราคม 2554 ถึง
เดือนกันยายน 2561 จานวน 93 ค่า สาหรับการสร้าง
ตั ว แบบพยากรณ์ ด้ ว ยวิ ธี ก ารทางสถิ ติ 3 วิ ธี ได้ แ ก่
วิธีบ็อกซ์-เจนกินส์ วิธีการปรับเรียบด้วยเส้นโค้งเลข
วารสารวิจัย
ชี้กาลังของวินเทอร์แบบบวก และวิธีการปรับเรียบ
ด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์แบบคูณ ข้อมูล
ชุ ด ที่ 2 คื อ ข้ อ มู ล ตั้ ง แต่ เ ดื อ นตุ ล าคมถึ ง เดื อ น
พ ฤ ศ จิ ก า ย น 2 5 6 1 จ า น ว น 2 ค่ า ส า ห รั บ
การเปรียบเทียบความถูกต้องของค่าพยากรณ์ โดยใช้
เกณฑ์ MAPE และ RMSE ที่ ต่ าที่ สุ ด โดยสาเหตุ ที่
ผู้วิจัยแบ่งข้อมูลชุดที่ 2 ไว้เพียง 2 ค่า เนื่องจากใน
การทดลองวิเคราะห์ข้อมูลครั้งแรกได้เก็บข้อมูลชุดที่
2 ไว้ จ านวน 11 ค่ า ตั้ ง แต่ เ ดื อ นมกราคมถึ ง เดื อ น
พฤศจิกายน 2561 พบว่า ตัวแบบพยากรณ์ที่ได้จาก
ข้ อ มู ล ชุ ด ที่ 1 จ านวน 84 ค่ า ตั้ งแต่ เ ดื อ นมกราคม
2554 ถึงเดือนธันวาคม 2560 มีประสิทธิภาพในการ
พยากรณ์ข้อมูลชุดที่ 2 ไม่ดีเท่าที่ควร โดยมีค่า MAPE
ของข้ อ มู ล ชุ ด ที่ 2 สู ง ถึ ง ร้ อ ยละ 32.61 และมี ค่ า
RMSE ของข้อมูลชุดที่ 2 สูงถึง 1,301,629 กิโลกรัม
การตรวจสอบว่ า อนุ ก รมเวลาปริ ม าณ
การส่งออกปลาหมึกและผลิตภัณฑ์มีส่วนประกอบ
ของแนวโน้มหรือไม่ ดาเนินการดังนี้
1. ตรวจสอบข้ อ สมมุ ติ (Assumption) คื อ
อนุ ก รมเวลาในแต่ ล ะปี มี ก ารแจกแจงปรกติ โดยใช้
การทดสอบคอลโมโกรอฟ-สมีร์นอฟ (Kolmogorov-
Smirnov test)
2. ต ร วจ ส อบ ค วา ม เ ท่ า กั น ของ ค วาม -
แปรปรวนโดยใช้ ก ารทดสอบของเลวี น ภายใต้
การใช้มัธยฐาน (Levene’s test based on median)
3. เลือกใช้สถิติสาหรับการทดสอบค่าเฉลี่ ย
ของอนุกรมเวลาในแต่ละปี โดยถ้าอนุกรมเวลาในแต่
ละปีมีการแจกแจงปรกติและมีความแปรปรวนเท่ากัน
จะใช้สถิติอิงพารามิเตอร์ (Parametric statistics) ซึ่ง
คื อ การวิ เ คราะห์ ค วามแปรปรวน (Analysis of
variance, ANOVA) แต่ถ้าอนุกรมเวลาในแต่ละปีไม่มี
การแจกแจงปรกติหรือมีความแปรปรวนไม่เ ท่ากั น
Vol.13 No.2 July - December 2019  133 
วารสารวิจัย
จะใช้ ส ถิ ติ ไ ม่ อิ ง พารามิ เ ตอร์ (Nonparametric
statistics) ซึ่งคือ การวิเคราะห์ความแปรปรวนทาง
เดี ย วโดยล าดั บ ที่ ข องครั ส คอล-วอลลิ ส (Kruskal-
Wallis’s one-way analysis of variance by rank)
ถ้าผลการทดสอบค่าเฉลี่ยของอนุกรมเวลาในแต่ละปี
มีนัยสาคัญ หมายความว่า ในแต่ละปีอนุกรมเวลามี
ค่ า เ ฉ ลี่ ย แ ต กต่ า งกั น นั่ น คื อ อนุ ก ร ม เ วล า มี
ส่วนประกอบของแนวโน้ม
การตรวจสอบว่ า อนุ ก รมเวลาปริ ม าณ
การส่ งออกปลาหมึ กและผลิ ตภัณฑ์มี ความผันแปร
ตามฤดูกาลหรือไม่ ดาเนินการดังนี้
1. พิ จ ารณาว่ า อนุ ก รมเวลามี ส่ ว นประกอบ
ของแนวโน้ ม หรื อ ไม่ ถ้ า มี ต้ อ งก าจั ด แนวโน้ ม ออก
ก่อนที่จะทดสอบค่าเฉลี่ยของอนุกรมเวลาในแต่ละ
เดือน ซึ่งวิธีการกาจัดแนวโน้มมี 2 วิธี คือ ถ้าพิจารณา
ที่ ก ราฟของอนุ ก รมเวลาเที ย บกั บ เวลาแล้ ว พบว่ า
อนุ ก รมเวลามี ก ารเคลื่ อ นไหวหรื อ มี ก ารแกว่ ง ตั วที่
ค่ อ นข้ า งคงที่ เ มื่ อ เวลาเปลี่ ย นแปลงไป กล่ า วได้ ว่ า
อนุกรมเวลามีความเหมาะสมกับตั วแบบบวก ควร
กาจัดแนวโน้มออกด้วยการลบ แต่ถ้าอนุกรมเวลามี
การเคลื่อนไหวหรือมีการแกว่งตัวที่เพิ่มขึ้นหรือลดลง
เมื่อเวลาเปลี่ยนแปลงไป กล่าวได้ว่า อนุกรมเวลามี
ความเหมาะสมกั บตั ว แบบคูณ ควรก าจั ด แนวโน้ม
ออกด้วยการหาร
2. ตรวจสอบข้อสมมุติ คือ อนุกรมเวลาในแต่
ละเดือนหลังจากกาจัดแนวโน้มออกแล้วมีการแจก
แจงปรกติ แ ละมี ค วามแปรปรวนเท่ า กั น หรื อ ไม่
เช่นเดียวกับข้อ 1 และ 2 ของการตรวจสอบแนวโน้ม
3. เลือกใช้สถิติทดสอบเช่นเดียวกับข้อ 3 ของ
การตรวจสอบแนวโน้ม โดยถ้าผลการทดสอบค่าเฉลี่ย
ของอนุกรมเวลาในแต่ละเดือนหลังจากกาจัดแนวโน้ม
 134  ปีที่ 13 ฉบับที่ 2 กรกฏาคม - ธันวาคม 2562
ออกแล้ วมีนัยสาคัญ หมายความว่า ในแต่ละเดือ น
อนุ ก รมเวลาที่ ไ ม่ มี แ นวโน้ ม มี ค่ า เฉลี่ ย แตกต่ า งกั น
นั่นคือ อนุกรมเวลามีส่วนประกอบของความผันแปร
ตามฤดูกาล
สั ญ ลั ก ษณ์ ท่ี ใ ช้ ส าหรั บ วิ ธี ก ารสร้ า งตั ว แบบ
พยากรณ์ในหัวข้อที่ 2.1 – 2.3 แสดงดังนี้
Yt แทนอนุกรมเวลา ณ เวลา t
 t แทนอนุ ก รมเวลาของความคลาด
เคลื่อนที่มีการแจกแจงปรกติและเป็นอิสระกันด้วย
ค่าเฉลี่ยเท่ากับศูนย์ และความแปรปรวนเท่ากันทุก
ช่วงเวลา
Ŷ แทนค่าพยากรณ์ ณ เวลา t + m โดย
t m
ที่ m แทนจ านวนช่ ว งเวลาที่ ต้ อ งการพยากรณ์ ไ ป
ข้างหน้า
a , b และ Ŝ แทนค่าประมาณ ณ เวลา t
t t t
แสดงระยะตัด แกน Y, ความชั น ของแนวโน้ ม และ
ความผันแปรตามฤดูกาล ตามลาดับ
 ,  และ  แทนค่ า คงตั ว การปรั บ เรี ย บ
โดยที่ 0    1 , 0    1 และ 0    1
t แทนช่ ว งเวลา ซึ่ งมี ค่ า ตั้ ง แต่ 1 ถึ ง n1
เมื่อ n1 แทนจานวนข้อมูลในอนุกรมเวลาชุดที่ 1
s แทนจานวนคาบของฤดูกาล
2.1 การพยากรณ์โดยวิธีบ็อกซ์-เจนกินส์
การพยากรณ์ โ ดยวิ ธี บ็ อ กซ์ - เจนกิ น ส์ มี
ความเหมาะสมกับอนุกรมเวลาที่มีทั้งส่วนประกอบ
ของแนวโน้ ม และความผั น แปรตามฤดู ก าล มี
ตั ว แ บ บ ใ น รู ป ทั่ ว ไ ป (General model) คื อ
SARIMA(p, d, q)(P, D, Q)s แสดงดังนี้ [5]
 วารสารวิจัย

p  B P  Bs  1  B 1  Bs  Yt ความผั น แปรตามฤดู ก าลต่ อ ค่ า แนวโน้ ม มี ค่ า คงที่

d D

   q  B  Q  Bs   t (1) กล่าวคือ อัตราส่วนของความผันแปรตามฤดูกาลต่อ

ค่ า แนวโน้ ม มี ค่ า ไม่ เ พิ่ ม ขึ้ น และไม่ ล ดลงตามเวลาที่
เมื่อ     B   B  แทนค่าคงตัว (Constant)
p P
s เปลี่ยนแปลงไป ตัวแบบพยากรณ์แสดงดังนี้ [6]
โดยที่  แทนค่ า เฉลี่ ย ของอนุ ก รมเวลาที่ ค งที่
(Stationary) Ŷt  m  a t  bt m  Sˆ t (2)
  B  1   B   B  …  B แ ท น
p 1 2
2
p
p

ตัวดาเนินการสหสัมพันธ์ในตัวอันดับ ที่ p กรณีไม่มี เมื่อ  

a t   Yt  Sˆ t s  1   a t 1  bt 1  ,

ฤดู ก าล (Non-seasonal autoregressive operator bt    a t  a t 1   1    bt 1 ,

of order p, AR(p)) Sˆ t    Yt  a t   1    Sˆ t s

  B   1   B   B  …  B
P
s
1
s
2
2s
P
Ps 2.3 การพยากรณ์โดยวิธีการปรับเรียบด้วย
แทนตัวดาเนินการสหสัมพันธ์ในตัวอันดับที่ P กรณีมี เส้นโค้งเลขชี้กาลังของวินเทอร์แบบคูณ
ฤดู ก าล (Seasonal autoregressive operator of การปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของ
order P, SAR(P)) วินเทอร์แบบคูณมีความเหมาะสมกับอนุกรมเวลาที่มี
  B  1   B   B  …  B แ ท น
q 1 2
2
q
q ส่ ว นประกอบของแนวโน้ ม ที่ เ ป็ น เส้ น ตรงและมี
ตั ว ด าเนิ น การเฉลี่ ย เคลื่ อ นที่ อั น ดั บ ที่ q กรณี ไ ม่ มี ความผั น แปรตามฤดู ก าล โดยที่ อั ต ราส่ ว นของ
ฤดูกาล (Non-seasonal moving average operator of ความผันแปรตามฤดูกาลต่อค่าแนวโน้มมีค่าเพิ่ม ขึ้น
order q, MA(q)) หรื อ ลดลงตามเวลาที่ เ ปลี่ ย นแปลงไป ตั ว แบบ
  B   1   B   B  …  B
Q
s
1
s
2
2s
Q
Qs พยากรณ์แสดงดังนี้ [6]
แทนตัวดาเนินการเฉลี่ยเคลื่อนที่อันดับที่ Q กรณีมี
ฤดูกาล (Seasonal moving average operator of Ŷt 
m  a t  bt m  Sˆ t (3)
order Q, SMA(Q))
Yt
d และ D แทนลาดับที่ของการหาผลต่าง เมื่อ at    1    a t 1  b t 1  ,
Ŝt s
และผลต่างฤดูกาล ตามลาดับ
bt    a t  a t 1   1    bt 1 ,
B แทนตัวดาเนินการถอยหลัง (Backward Y
Sˆ t   t  1    Sˆ t s
operator) โดยที่ B Y  Y s
t t s
at

2.2 การพยากรณ์โดยวิธีการปรับเรียบด้วย 2.4 การเปรี ย บเที ย บความถู ก ต้ อ งของ

เส้นโค้งเลขชี้กาลังของวินเทอร์แบบบวก
การปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของ
วินเทอร์แบบบวกมีความเหมาะสมกับอนุกรมเวลาที่มี
ส่ ว นประกอบของแนวโน้ ม ที่ เ ป็ น เส้ น ตรงและมี
ความผั น แปรตามฤดู ก าล โดยที่ อั ต ราส่ ว นของ
ค่าพยากรณ์
ก า ร วิ จั ย ค รั้ ง นี้ ไ ด้ คั ด เ ลื อกตั วแ บ บ
พยากรณ์ ที่ เ หมาะสมกั บ อนุ ก รมเวลาปริ ม าณ
ก า ร ส่ ง อ อ ก ป ล า ห มึ ก แ ล ะ ผ ลิ ต ภั ณ ฑ์ โ ด ย
การเปรียบเทียบค่าจริงของข้อมูลชุดที่ 2 ตั้งแต่เดือน

Vol.13 No.2 July - December 2019  135 

วารสารวิจัย

ตุลาคมถึงเดือนพฤศจิกายน 2561 กับค่าพยากรณ์ พบว่า อนุกรมเวลาชุดนี้มีส่วนประกอบของแนวโน้ม

จากวิธีการพยากรณ์ 3 วิธี ได้แก่ วิธีบ็อกซ์ -เจนกินส์ เพิ่มขึ้นเล็กน้อยในช่วงเดือนมกราคม 2554 ถึงเดือน
วิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์ ธั น วาคม 2557 หลั ง จากนั้ น พบว่ า อนุ ก รมเวลามี
แบบบวก และวิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลัง แนวโน้มลดลงอย่างชัดเจน อีกทั้งอนุกรมเวลาชุดนี้ยัง
ของวิ น เทอร์ แ บบคู ณ จากนั้ น น าค่ า ความแตกต่ า ง มีความผันแปรตามฤดูกาลรวมอยู่ด้วย นอกเหนือจาก
ระหว่างค่าจริงและค่าพยากรณ์มาคานวณค่า MAPE การพิจารณากราฟของอนุกรมเวลาเทียบกับเวลาแล้ว
และ RMSE ซึ่ ง วิ ธี ก ารพยากรณ์ ที่ มี ค่ า MAPE และ ผู้ วิ จั ย ยั งได้ ตรว จสอบ ว่ า อนุ ก รม เว ลาชุ ด นี้ มี
RMSE ต่าที่สุด จัดเป็นวิธีที่มีประสิทธิภาพสูงสุด จึงมี ส่ ว นประกอบของแนวโน้ ม และความผั น แปรตาม
ความเหมาะสมกับอนุกรมเวลาชุดนี้ มากที่สุด เกณฑ์ ฤดูกาลจริงหรือไม่ ดังนี้
MAPE และ RMSE แสดงดังนี้ [6] ปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์ใน
แต่ละปีไม่มีการแจกแจงปรกติ แต่มีความแปรปรวน
100 n 2 e t 1 n2 2 เท่ากัน ที่ระดับนัยสาคัญ 0.01 จึงตรวจสอบค่าเฉลี่ย
MAPE  
n 2 t 1 Yt
และ RMSE   et
n 2 t 1
ในแต่ ล ะปี โดยใช้ ส ถิ ติ ไ ม่ อิ ง พารามิ เ ตอร์ พบว่ า
(4) ปริมาณการส่งออกในแต่ละปีมีค่าเฉลี่ย แตกต่างกัน
อย่างมีนัยสาคัญที่ระดับ 0.01 (Kruskal-Wallis:  2

เมื่อ e ˆ
Yt  Yแทนความคลาดเคลื่ อ นจาก
t t
= 51.636, p-value < 0.0001) ห ม า ย ค ว า ม ว่ า
การพยากรณ์ ณ เวลา t อนุกรมเวลาชุดนี้มีส่วนประกอบของแนวโน้ม
Y แทนอนุกรมเวลา ณ เวลา t
t
ปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์ใน
Ŷ แทนค่าพยากรณ์ ณ เวลา t
t
แต่ ล ะเดื อ นเมื่ อ ปรั บ แนวโน้ ม ออกด้ ว ยการหารมี
t แทนช่วงเวลา ซึ่งมีค่าตั้งแต่ 1 ถึง n2 โดยที่ การแจกแจงปรกติและมีความแปรปรวนเท่ากัน ที่
n2 แทนจานวนข้อมูลในอนุกรมเวลาชุดที่ 2 ระดับนัยสาคัญ 0.01 จึงตรวจสอบค่าเฉลี่ยในแต่ละ
เดื อ น โดยใช้ ส ถิ ติ อิ ง พารามิ เ ตอร์ พบว่ า ปริ ม าณ
3. ผลการทดลองและอภิปรายผล การส่งออกในแต่ละเดือนเมื่อปรับแนวโน้มออกด้วย
จากการพิจารณาลักษณะการเคลื่อนไหวของ การหารมีค่าเฉลี่ยแตกต่างกันอย่างมีนัยสาคัญที่ระดับ
อนุ ก รมเวลาชุ ด ที่ 1 ซึ่ ง คื อ ปริ ม าณการส่ ง ออก 0.01 (ANOVA: F = 5.813, p-value < 0.0001)
ปลาหมึกและผลิตภัณฑ์ ตั้งแต่เดือนมกราคม 2554 หมายความว่า อนุกรมเวลาชุดนี้มีส่วนประกอบของ
ถึงเดือนกันยายน 2561 จานวน 93 ค่า ดังภาพที่ 1 ความผันแปรตามฤดูกาล

 136  ปีที่ 13 ฉบับที่ 2 กรกฏาคม - ธันวาคม 2562

 วารสารวิจัย

ภาพที่ 1 ลั ก ษณะการเคลื่ อ นไหวของอนุ ก รมเวลาปริ ม าณการส่ ง ออกปลาหมึ ก และผลิ ต ภั ณ ฑ์ ตั้ ง แต่

เดือนมกราคม 2554 ถึงเดือนกันยายน 2561

3.1 ผลการพยากรณ์โดยวิธีบ็อกซ์-เจนกินส์ ความคลาดเคลื่ อ นจากการพยากรณ์ ที่ ร ะดั บ

เนื่องจากอนุกรมเวลาชุดนี้มีส่วนประกอบ
ของแนวโน้มและความผันแปรตามฤดูกาล ผู้วิจัยจึง
กาจัดแนวโน้มออกโดยการหาผลต่างลาดับที่ 1 (d =
1) และกาจัดความผันแปรตามฤดูกาลออกโดยการหา
ผ ล ต่ า ง ฤ ดู ก า ล ล า ดั บ ที่ 1 (D = 1) ไ ด้ กรา ฟ
Autocorrelation function (ACF) แ ล ะ Partial
autocorrelation function ( PACF) ห ลั ง จ า ก
การแปลงข้อมูลแสดงดัง ภาพที่ 2 ซึ่งพบว่า อนุกรม
เวลามี ลั ก ษณะคงที่ จึ ง ก าหนดตั ว แบบพยากรณ์ ที่
เป็ น ไปได้ เ ริ่ ม ต้ น คื อ ตั ว แบบ SARIMA (3, 1, 2)
(1, 1, 1)12 พร้อมกับประมาณค่าพารามิเตอร์ โดยตัว
แบบพยากรณ์ ที่ มี พ ารามิ เ ตอร์ ทุ ก ตั ว มี นั ย ส าคั ญ ที่
นัยสาคัญ 0.01 พบว่า ความคลาดเคลื่อนมีการแจก
แจงปรกติ (Kolmogorov-Smirnov Z = 0.984, p-
value = 0.287) มี ก ารเคลื่ อ นไหวเป็ น อิ ส ระกั น
( Runs test: Z = 0.225, p-value = 0.822) มี
ค่าเฉลี่ยเท่ากับศูนย์ (t = 0.007, p-value = 0.994)
และมีความแปรปรวนเท่ากันทุกช่วงเวลา (Levene
statistic = 2.145, p-value = 0.028) ดังนั้นตัวแบบ
SARIMA(2, 1, 1)(1, 1, 0)12 ไม่ มี พ จน์ ค่ า คงตั ว มี
ความเหมาะสม ซึ่งจากสมการที่ (1) สามารถเขียน
เป็นตัวแบบได้ดังนี้
1   B   B 1   B  1  B 1  B  Y
1 2
2
1
12 12
t

ระดับ 0.01 มีค่า BIC ต่าที่สุด (BIC = 27.184) และมี  1  1B t

ค่ า สถิ ติ Ljung-Box Q ไม่ มี นั ย ส าคั ญ ที่ ร ะดั บ 0.01 1   B   B    B
1
12
1 1 1
13
 2 B2  21B14 

(Ljung-Box Q ณ lag 18 = 16.718, p-value =  1  B  B  B  Y

12 13
t

0.272) คือ ตัวแบบ SARIMA(2, 1, 1)(1, 1, 0)12 ไม่มี   t  1 t 1

พจน์ ค่ า คงตั ว เมื่ อ ตรวจสอบคุ ณ ลั ก ษณะของ

Vol.13 No.2 July - December 2019  137 

วารสารวิจัย

1  B12
 B  B13  1B12  1B24  1B13  1B25 จากการแทนค่าประมาณพารามิเตอร์ จะได้ตัวแบบ
1B  1B13  1B2  1B14 พยากรณ์แสดงดังนี้
11B13  11B25  11B14  11B26
Ŷt  0.06654Yt 1  0.45543Yt  2  0.47803Yt  3
2 B2  2 B14  2 B3  2 B15
0.647Yt 12  0.04305Yt 13
21B14  21B26  21B15  21B27  Yt
0.29466Yt 14  0.30929Yt 15
  t  1 t 1
0.353Yt  24  0.02349Yt  25
Yt  1  1  Yt 1   1  2  Yt 2  2Yt 3
0.16077Yt  26  0.16874Yt  27
 1  1  Yt 12  1  1 1  1  Yt 13
0.58932e t 1 (5)
  1  2 1  1  Yt 14  2 1  1  Yt 15
เมื่อ แทนค่าพยากรณ์ ณ เวลา t
Ŷt
1Yt  24  1  1  1Yt  25
Y แทนอนุกรมเวลา ณ เวลา t – j
  1  2  1Yt  26  21Yt 27  t  1t 1 t j

e แทนความคลาดเคลื่อนจากการพยากรณ์
t j

ณ เวลา t – j

ภาพที่ 2 กราฟ ACF และ PACF ของอนุกรมเวลาปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์ เมื่อแปลงข้อมูล

ด้วยการหาผลต่างและผลต่างฤดูกาลลาดับที่ 1

3.2 ผลการพยากรณ์โดยวิธีการปรั บ เรี ย บ การพยากรณ์ ที่ ร ะดั บ นั ย ส าคั ญ 0.01 พบว่ า

ด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์แบบบวก
จากการสร้างตัวแบบพยากรณ์โดยวิธีการ
ปรับเรียบด้วยเส้นโค้งเลขชี้กาลั งของวินเทอร์ แ บบ
บวก พบว่า BIC มีค่าเท่ากับ 26.568 และมีค่าสถิติ
Ljung-Box Q ไม่ มี นั ย ส าคั ญ ที่ ร ะดั บ 0.01 (Ljung-
Box Q ณ lag 18 = 20.280, p-value = 0.161) เมื่อ
ตรวจสอบคุ ณ ลั ก ษณะของความคลาดเคลื่ อ นจาก
ค ว า ม ค ล า ด เ ค ลื่ อ น มี ก า ร แ จ ก แ จ ง ป ร ก ติ
(Kolmogorov-Smirnov Z = 0.690, p-value =
0.727) มีการเคลื่อนไหวเป็นอิสระกัน (Runs test: Z
= -0.937, p-value = 0.349) มีค่าเฉลี่ยเท่ากับศูนย์
(t = 0.135, p-value = 0.893) และมีความแปรปรวน
เท่ า กั น ทุ ก ช่ ว งเวลา (Levene statistic = 1.784,

 138  ปีที่ 13 ฉบับที่ 2 กรกฏาคม - ธันวาคม 2562

 วารสารวิจัย

p-value = 0.074) ดั ง นั้ น ตั ว แบบพยากรณ์ ที่ ไ ด้ มี คุณลักษณะของความคลาดเคลื่อนจากการพยากรณ์

ความเหมาะสม ตัวแบบพยากรณ์แสดงดังนี้ ที่ ร ะดั บ นั ย ส าคั ญ 0.01 พบว่ า ความคลาดเคลื่ อน
มี ก ารแจกแจงปรกติ (Kolmogorov-Smirnov Z =
Ŷt  m   3,601,684.78404  25,382.07623m   Sˆ t 0.593, p-value = 0.873) มี ก ารเคลื่ อ นไหวเป็ น
(6) อิ ส ร ะ กั น ( Runs test: Z = -0.520, p-value =
0.603) มีค่าเฉลี่ยเท่ากับศูนย์ (t = -0.067, p-value
เมื่อ Ŷ แทนค่าพยากรณ์ ณ เวลา t + m โดยที่
t m = 0.946) และมีความแปรปรวนเท่ากันทุกช่วงเวลา
m = 1 แทนเดือนตุลาคม 2561 (Levene statistic = 1.984, p-value = 0.044)
Ŝ แทนค่ า ดั ช นี ฤ ดู ก าล รายละเอี ย ดแสดงดั ง
t ดังนั้นตัวแบบพยากรณ์ที่ได้มีความเหมาะสม ตัวแบบ
ตารางที่ 1 ซึ่ ง สามารถอธิ บ ายได้ ว่ า ปริ ม าณการ พยากรณ์แสดงดังนี้
ส่งออกปลาหมึกและผลิตภัณฑ์ของเดือนมีนาคมถึง
เดื อ นมิ ถุ น ายน และเดื อ นตุ ล าคมของทุ ก ปี มี ค่ า Ŷ 3,573,819.15467  24,886.28799m Sˆ
t m t

มากกว่าเดือนอื่น ๆ เนื่องจากมีค่าดัชนีฤดูกาลมากกว่า 0 (7)

ตารางที่ 1 ดั ช นี ฤ ดู ก าลของอนุ ก รมเวลาปริ ม าณ

เมื่อ Ŷ แทนค่าพยากรณ์ ณ เวลา t + m โดยที่
t m
การส่งออกปลาหมึกและผลิตภัณฑ์ จากวิธีการปรับ
m = 1 แทนเดือนตุลาคม 2561
เรียบด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์แบบบวก
tŜ แทนค่ า ดั ช นี ฤ ดู ก าล รายละเอี ย ดแสดง
ดัชนี ดัชนี
เดือน เดือน ดั ง ตารางที่ 2 ซึ่ ง สามารถอธิ บ ายได้ ว่ า ปริ ม าณ
ฤดูกาล ฤดูกาล
การส่งออกปลาหมึกและผลิตภัณฑ์ของเดือนมีนาคม
ม.ค. -851,223 ก.ค. -198,123 ถึ งเดื อ นมิ ถุน ายน และเดือ นตุ ลาคมของทุ กปี มี ค่า
ก.พ. -386,391 ส.ค. -598,025 มากกว่าเดือนอื่น ๆ เนื่องจากมีค่าดัชนีฤดูกาลมากกว่า 1
มี.ค. 821,344 ก.ย. -285,239
เม.ย. 54,215 ต.ค. 348,383 ตารางที่ 2 ดั ช นี ฤ ดู ก าลของอนุ ก รมเวลาปริ ม าณ
พ.ค. 816,657 พ.ย. -89,044 การส่งออกปลาหมึกและผลิตภัณฑ์ จากวิธีการปรับ
มิ.ย. 645,889 ธ.ค. -278,411 เรียบด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์แบบคูณ
ดัชนี ดัชนี
เดือน เดือน
3.3 ผลการพยากรณ์โดยวิธีการปรั บ เรี ย บ ฤดูกาล ฤดูกาล
ด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์แบบคูณ ม.ค. 0.82067 ก.ค. 0.96400
จากการสร้างตัวแบบพยากรณ์โดยวิธีการ ก.พ. 0.92776 ส.ค. 0.88691
ปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์แบบคูณ มี.ค. 1.16841 ก.ย. 0.94229
พบว่า BIC มีค่าเท่ากับ 26.580 และมีค่าสถิติ Ljung- เม.ย. 1.01273 ต.ค. 1.06003
Box Q ไม่มีนัยสาคัญที่ระดับ 0.01 (Ljung-Box Q ณ พ.ค. 1.16783 พ.ย. 0.95155
lag 18 = 20.625, p-value = 0.149) เมื่อตรวจสอบ มิ.ย. 1.13810 ธ.ค. 0.91386

Vol.13 No.2 July - December 2019  139 

วารสารวิจัย
3.4 ผลการเปรี ยบเทีย บความถูกต้องของ
ค่าพยากรณ์
จากการใช้ตัวแบบพยากรณ์ของวิธีบ็อกซ์-
เจนกินส์ ในสมการที่ (5) วิธีการปรับเรียบด้วยเส้นโค้ง
เลขชี้กาลังของวินเทอร์แบบบวก ในสมการที่ (6) และ
วิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์
แบบคู ณ ในสมการที่ (7) ได้ ค่ า พยากรณ์ ส าหรั บ
อนุ ก รมเวลาชุ ด ที่ 2 ซึ่ ง คื อ ปริ ม าณการส่ ง ออก
ปลาหมึกและผลิตภัณฑ์ ตั้งแต่เดือนตุลาคมถึงเดือน
พฤศ จิ ก า ย น 2561 แ ส ด งดั งต า ร า งที่ 3 ผล
การเปรี ย บเที ย บความถู ก ต้ อ งระหว่ า งค่ า จริ ง และ
ค่ า พยากรณ์ พบว่ า วิ ธี บ็ อ กซ์ - เจนกิ น ส์ เ ป็ น วิ ธี ที่ มี
ประสิทธิภาพสูงสุด เนื่องจากมีค่า MAPE และ RMSE
ต่ าที่ สุ ด หรื อ ให้ ค่ า พยากรณ์ ที่ มี ค วามแตกต่ า งกั บ
ข้ อ มู ล จริ ง น้ อ ยที่ สุ ด โดยวิ ธี ก ารพยากรณ์ นี้ มี
ความผิดพลาดจากการพยากรณ์ เพียงร้อยละ 4.64
( MAPE = 4.64) ห รื อ มี ค ว า ม ผิ ด พ ล า ด จ า ก
การพยากรณ์ 215,204 กิโลกรัม (RMSE = 215,204)
ซึ่งทั้ง 2 เกณฑ์ที่ใช้ในการเปรียบเทียบความถูกต้อง
ของค่าพยากรณ์ให้ผลเป็นไปในทิศทางเดียวกัน จึงทา
ให้น่าเชื่อถือได้มากยิ่งขึ้นว่าวิธีบ็อกซ์ -เจนกินส์เป็นวิธี
ที่ มี ค วามเหมาะสมกั บ อนุ ก รมเวลาชุ ด นี้ ม ากที่ สุ ด
สาหรับผลการศึกษาครั้งนี้ที่พบว่า วิธีบ็อกซ์-เจนกินส์
เป็ น วิ ธี ที่ มี ป ระสิ ท ธิ ภ าพสู ง สุ ด อาจเนื่ อ งมาจาก
ตารางที่ 3 ค่าจริงและค่าพยากรณ์ของปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์ (กิโลกรัม) ตั้งแต่เดือนตุลาคม
ถึงเดือนพฤศจิกายน 2561 ค่า MAPE และ RMSE ของวิธีการพยากรณ์ที่ศึกษา
ปริมาณ ปริมาณการส่งออก จากการพยากรณ์โดยวิธี
ช่วงเวลา
การส่งออก บ็อกซ์-เจนกินส์
ต.ค. 2561 3,537,156 3,500,058
พ.ย. 2561 3,668,723 3,366,648
MAPE 4.64
RMSE 215,204
 140  ปีที่ 13 ฉบับที่ 2 กรกฏาคม - ธันวาคม 2562
วิ ธี บ็ อ ก ซ์ -เจนกิ น ส์ เ ป็ น วิ ธี ที่ มี ค วามแม่ น ย าในการ
พยากรณ์สูง เพราะมีการสร้างตัวแบบพยากรณ์โดยใช้
ทั้ ง ข้ อ มู ล และค่ า คลาดเคลื่ อ นในอดี ต ซึ่ ง มี ห ลาย
ง า น วิ จั ย ที่ ยื น ยั น ผ ล ว่ า วิ ธี ก า ร นี้ เ ป็ น วิ ธี ที่ มี
ความเหมาะสม เช่ น การศึ ก ษาของวรางคณา
กี ร ติ วิ บู ล ย์ [7] ได้ ศึ ก ษาการพยากรณ์ ป ริ ม าณ
การส่ งออกยางคอมปาวด์ โดยวิ ธี บ็ อ กซ์ - เจนกิ น ส์
วิ ธี ก ารปรั บ เรี ย บด้ ว ยเส้ น โค้ งเลขชี้ ก าลั งของโฮลต์
และวิ ธี ก ารปรั บ เรี ย บด้ ว ยเส้ น โค้ ง เลขชี้ ก าลั ง ที่ มี
แ น วโ น้ ม แ บ บ แ ด ม ผ ล การศึ ก ษาพบว่ า วิ ธี บ็ อ กซ์ -
เ จ น กิ น ส์ มี ค วามถู ก ต้ อ งในการพยากรณ์ มากที่ สุ ด
การศึกษาของดนุสรณ์ ธนะปาละ, ธันวา เจริญศิริ และ
ชนาธิป โสภณพิมล [8] ได้ศึกษาการพยากรณ์ราคา
สั บ ปะรดที่ ส่ ง เข้ า โรงงานด้ ว ยวิ ธี บ็ อ กซ์ - เจนกิ น ส์
ผลการศึกษาพบว่าตัวแบบพยากรณ์ที่มีความถูกต้อง
ในการพยากรณ์มากที่สุด คือ ตัวแบบ SARIMA (0, 1, 1)
(0, 1, 1)12 และการศึก ษาของวรางคณา เรีย นสุทธิ์
และน้าอ้อย นิสัน [9] ได้ศึกษาการพยากรณ์ปริมาณ
การส่งออกไก่แปรรูป โดยวิธีบ็อกซ์ -เจนกินส์ วิธีการ
ปรั บ เรี ย บด้ ว ยเส้ น โค้ ง เลขชี้ ก าลั ง ของวิ น เทอร์
แบบบวก วิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของ
วิ น เ ทอร์ แ บ บ คู ณ แ ล ะ วิ ธี กา ร พย า กร ณ์ ร วม
ผลการศึกษาพบว่า วิธีบ็อกซ์-เจนกินส์มีความถูกต้อง
ในการพยากรณ์มากที่สุด
วินเทอร์แบบบวก วินเทอร์แบบคูณ
3,924,686 3,761,979
3,461,876 3,353,308
8.30 7.48
310,616 273,890
 วารสารวิจัย

เมื่ อ ใช้ ว ิธ ีบ ็อ กซ์ - เจนกิ น ส์ ใ นการพยากรณ์
ปริ ม าณการส่ งออกปลาหมึก และผลิต ภัณ ฑ์ ตั้ งแต่
เดือนธันวาคม 2561 ถึงเดือนธันวาคม 2562 ได้ผล
แสดงดังตารางที่ 4 และภาพที่ 3 ซึ่งพบว่า ปริมาณ
การส่งออกปลาหมึกและผลิตภัณฑ์ ยังคงมีแนวโน้ม
ลดลง อย่างไรก็ตาม การเปลี่ยนแปลงของปริม าณ
การส่งออกปลาหมึกและผลิตภัณฑ์อาจเกิดจากหลาย
สาเหตุ เช่น สถานการณ์การผลิต สถานการณ์ตลาด
ปริมาณความต้องการบริโภคภายในและต่างประเทศ
สภาวะเศรษฐกิ จ การน าเข้ า และส่ ง ออกระหว่ า ง
ประเทศ หรือปัจจัยอื่นๆ ที่เกี่ยวข้อง ดังนั้นจึงควร
พิ จ ารณาตั ว แปรเหล่า นี้ เ พื่ อ ใช้ ใ นการสร้า งตั วแบบ
พยากรณ์ให้มีประสิทธิภาพมากยิ่งขึ้น โดยการสร้าง
เป็นตัวแบบถดถอย (Regression model) ซึ่งผู้อ่าน
สามารถศึกษาวิธีการสร้างตัวแบบลักษณะนี้ได้จาก
Montgomery, Peck และ Vining [10] อีกทั้งเมื่อมี
ปริ ม าณการส่ ง ออกปลาหมึ ก และผลิ ต ภั ณ ฑ์ ที่ เ ป็ น
ปัจจุบันมากยิ่งขึ้นหรือปริมาณการส่งออกมีความผั น
ผวนเพิ่มขึ้น ผู้วิจัยควรนาข้อมูล มาปรับปรุง ตัวแบบ
เพื่อให้ได้ตัวแบบพยากรณ์ที่มีความเหมาะสมสาหรับ
การพยากรณ์ค่าในอนาคตต่อไป

ตารางที่ 4 ค่าพยากรณ์ของปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์ (กิโลกรัม) ตั้งแต่เดือนธันวาคม 2561 ถึง

เดือนธันวาคม 2562 โดยวิธีบ็อกซ์-เจนกินส์
ช่วงเวลา ค่าพยากรณ์ ช่วงเวลา ค่าพยากรณ์ ช่วงเวลา ค่าพยากรณ์
ธ.ค. 2561 3,326,869 พ.ค. 2562 4,083,162 ต.ค. 2562 2,954,628
ม.ค. 2562 3,124,350 มิ.ย. 2562 3,702,523 พ.ย. 2562 2,778,520
ก.พ. 2562 3,255,654 ก.ค. 2562 3,117,912 ธ.ค. 2562 2,820,509
มี.ค. 2562 3,792,140 ส.ค. 2562 2,909,699
เม.ย. 2562 3,100,761 ก.ย. 2562 2,833,075

ภาพที่ 3 การเปรี ย บเที ย บอนุ ก รมเวลาปริ ม าณการส่ ง ออกปลาหมึ ก และผลิ ต ภั ณ ฑ์ กั บ ค่ า พยากรณ์ จ าก

วิธีบ็อกซ์-เจนกินส์

Vol.13 No.2 July - December 2019 141 

วารสารวิจัย
4. สรุปผลการทดลอง
การวิ จั ย ครั้ ง นี้ ไ ด้ น าเสนอวิ ธี ก ารสร้ า งและ
คัดเลือกตัวแบบพยากรณ์ที่เหมาะสมกับอนุกรมเวลา
ปริมาณการส่งออกปลาหมึกและผลิตภัณฑ์ โดยใช้
ข้อมูลจากเว็บไซต์ของสานักงานเศรษฐกิจการเกษตร
ตั้ ง แต่ เ ดื อ นมกราคม 2554 ถึ ง เดื อ นพฤศจิ ก ายน
2561 จานวน 95 ค่า ผู้วิจัยได้ แบ่งข้อมูลออกเป็น 2
ชุด ชุดที่ 1 คือข้อมูลตั้งแต่เดือนมกราคม 2554 ถึง
เดือนกันยายน 2561 จานวน 93 ค่า ส าหรับ การ
สร้า งตัว แบบพยากรณ์ด ้ว ย วิ ธี บ็ อ กซ์ - เจนกิ น ส์
วิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลังของวินเทอร์
แบบบวก และวิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กาลัง
ของวินเทอร์แบบคูณ ชุดที่ 2 คือข้อมูลตั้งแต่เดื อ น
ตุ ล าคมถึ ง เดื อ นพฤศจิ ก ายน 2561 จ านวน 2 ค่ า
สาหรับการเปรียบเทียบความถูกต้องของค่าพยากรณ์
ด้วยเกณฑ์เปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย
(MAPE) และเกณฑ์รากที่สองของความคลาดเคลื่อน
กาลังสองเฉลี่ย (RMSE) ที่ต่าที่สุด ผลการศึกษาพบว่า
วิธีบ็อกซ์-เจนกินส์เป็นวิธีที่มีประสิทธิภาพสูงสุด
5. อ้างอิง
[1] Shanghai Yangqi อุ ต สาหกรรมและการค้ า
Corp. 10 ประเทศที่ มี ชื่ อ เสี ย งในการส่ ง ออก
อาหารทะเล. [Internet]. Shanghai Yangqi
Industry & Trade Corp ;2559 [เข้ า ถึ ง เมื่ อ 4
มกราคม 2562]. จาก http://th.fishroe.net
/news/10-famous-seafood-exportingcountries
-11005161. html
[2] สุภาภรณ์ กอสูงเนิน. การส่งออกปลาหมึกแห้ง
ไปยังสาธารณรัฐประชาธิปไตยประชาชนลาว.
วิทยานิพนธ์ป ริญญาโท. มหาวิทยาลัยบูรพา;
2558.
 142  ปีที่ 13 ฉบับที่ 2 กรกฏาคม - ธันวาคม 2562
[3] การวิเคราะห์เส้นทางการส่งออกปลาหมึกสด
แช่เ ย็น ไปยัง ประเทศเกาหลีใ ต้ . [Internet].
กรุง เทพมหานคร : กองควบคุม การค้า สัต ว์
น้าและปัจ จัย การผลิต กรมประมง. ม.ป.ป.
[เ ข ้า ถ ึง เ มื ่อ 4 ม ก ร า ค ม 2562]. จ า ก :
https://www4.fisheries.go.th/local/file
_document/20180226115600_1_file.
pdf
[4] สถิติการส่งออกปลาหมึกและผลิตภัณฑ์ (รวม)
ตั้งแต่ปี 2554 ถึง 2561. [Internet]. สานักงาน
เศรษฐกิ จ การเกษตร : กรุ ง เทพมหานคร ;
2561. [เข้ า ถึ ง เมื่ อ 4 มกราคม 2562]. จาก:
http://impexp.oae.go.th/service/export.
php?S_YEAR=2554&E_YEAR=2561&PROD
UCT_GROUP=5368&PRODUCT_ID=&wf_s
earch=&WF_SEARCH=Y
[5] Box GEP, Jenkins GM, Reinsel GC. Time
Series Analysis: Forecasting and Control.
3rd ed. New Jersey: Prentice Hall; 1994.
[6] สมเกี ย รติ เกตุ เ อี่ ย ม. เทคนิ ค การพยากรณ์ .
พิ ม พ์ ค รั้ งที่ 2. สงขลา: มหาวิ ท ยาลั ย ทั ก ษิ ณ ;
2548.
[7] วรางคณา กีรติวิบูลย์. การพยากรณ์ปริมาณการ
ส่ งออกยางคอมปาวด์ . ว.วิ ท ยาศาสตร์ มศว.
2557; 30(2): 41-56.
[8] ดนุสรณ์ ธนะปาละ, ธันวา เจริญศิริ , ชนาธิป
โสภณพิ ม ล. การพยากรณ์ ร าคาสั บ ปะรด
ที่ ส่ ง เข้ า โรงงานด้ ว ยวิ ธี บ็ อ กซ์ - เจนกิ น ส์ .
ว.วิทยาศาสตร์บูรพา 2559; 21(1):110-118.
 วารสารวิจัย

[9] ว ร า ง ค ณ า เ รี ย น สุ ท ธิ์ , น้ า อ้ อ ย นิ สั น . [10] Montgomery DC, Peck EA, Vining GG.

การพยากรณ์ ป ริ ม าณการส่ ง ออกไก่ แ ปรรู ป . Introduction to Linear Regression
ว.มหาวิ ท ยาลั ย นเรศวร: วิ ท ยาศาสตร์ แ ละ Analysis. 4th ed. New York: John Wiley
เทคโนโลยี 2560; 25(2):140-152. and Sons; 2006.

Vol.13 No.2 July - December 2019  143 