ดาวน์โหลดบทความฉบับเต็มได้ที่นี่
การปรับปรุงและพัฒนาดัชนีผลผลิตภาคบริการ (Service Production Index)
ธนาคารแห่งประเทศไทย (ธปท.) เริ่มจัดทำดัชนีผลผลิตภาคบริการ (Service Production Index : SPI) ซึ่งมีความถี่เป็นรายเดือน เพื่อใช้เป็นเครื่องชี้สำหรับติดตามขนาดและทิศทางของกิจกรรมในภาคบริการ รวมถึงใช้ประกอบการประมาณการภาวะเศรษฐกิจ โดยภายหลังการเผยแพร่ SPI ผ่านเว็บไซต์ของ ธปท. ครั้งแรกตั้งแต่เดือนพฤศจิกายน 2560 เป็นต้นมา ธปท. มีการติดตามความสามารถของ SPI ในการสะท้อนภาวะเศรษฐกิจภาคบริการอย่างสม่ำเสมอ และได้ดำเนินการปรับปรุงไปในเดือนกุมภาพันธ์ 2563 สอดคล้องกับแนวทางมาตรฐานการจัดทำดัชนีขององค์การสหประชาชาติที่แนะนำให้มีการปรับปรุงโครงสร้างน้ำหนักและปีฐานของดัชนีอย่างน้อยทุก 5 ปี[1] แม้การทดสอบทางสถิติพบว่า SPI ฉบับปรับปรุงเมื่อเดือนกุมภาพันธ์ปี 2563 ยังสามารถใช้ชี้ภาวะภาคบริการในภาพรวมได้ค่อนข้างดี แต่ภายใต้บริบททางเศรษฐกิจที่เปลี่ยนแปลงอย่างต่อเนื่องในช่วง 5 ปีที่ผ่านมา ส่งผลให้โครงสร้างภาคบริการไทยเปลี่ยนแปลงไปจากเดิมพอสมควร กิจกรรมในบางหมวดบริการมีความซับซ้อนขึ้น และเครื่องชี้บางตัวที่เคยบ่งชี้ภาวะได้ดีในอดีตเริ่มมีประสิทธิภาพลดลงเมื่อเวลาผ่านไป ในการนี้ ธปท. จึงดำเนินการปรับปรุง SPI อีกครั้ง และจะเผยแพร่ฉบับปรับปรุงใหม่ตั้งแต่งวดข้อมูลเดือนมกราคม 2568 เป็นต้นไป
สำหรับการปรับปรุง SPI ในครั้งนี้ เป็นการพัฒนาเพิ่มเติมจากฉบับปี 2563[2] โดยสาระสำคัญของการปรับปรุงในครั้งนี้มี 3 ส่วนหลัก ได้แก่ (1) การเพิ่มหมวดก่อสร้างเข้ามาในการคำนวณ เพื่อเพิ่มความครอบคลุมของ SPI ให้ใกล้เคียงกับคุ้มรวมของผลิตภัณฑ์มวลรวมในประเทศ (Gross Domestic Product : GDP) ภาคบริการ (2) การปรับเปลี่ยนหรือเพิ่มเติมเครื่องชี้ ตลอดจนการปรับวิธีการคำนวณสำหรับบางหมวดย่อยใน SPI ให้มีความเหมาะสม โดยอ้างอิงระเบียบวิธีทางสถิติ ควบคู่กับการใช้วิทยาการข้อมูล (Data Science) ช่วยในการประมาณการข้อมูลล่าช้าให้มีความแม่นยำยิ่งขึ้น และ (3) การเปลี่ยนโครงสร้างน้ำหนักอ้างอิงและปีฐานในการจัดทำดัชนีจากปี 2559 เป็นปี 2565 เพื่อให้ดัชนีสะท้อนโครงสร้างเศรษฐกิจภาคบริการที่เป็นปัจจุบันมากขึ้น
SPI เป็นหนึ่งในเครื่องชี้สำคัญที่ ธปท. ใช้ในการติดตามขนาดและทิศทางของกิจกรรมในภาคบริการ อย่างไรก็ตาม การจัดทำและพัฒนา SPI ในอดีตของไทยไม่ได้รวมกิจกรรมในภาคก่อสร้างเข้ามาในการคำนวณ เนื่องจากยังให้ความสำคัญกับภาคบริการหมวดใหญ่ที่มีสัดส่วนสูงใน GDP เป็นหลัก และมีข้อจำกัดเรื่องความพร้อมของข้อมูล ณ ขณะนั้น อย่างไรก็ดี ในปัจจุบันข้อมูลมีความสมบูรณ์มากกว่าในอดีต กอปรกับความต้องการขยายขอบเขต SPI ให้ใกล้เคียงกับคุ้มรวมของ GDP ภาคบริการ ดังนั้น ธปท. จึงพิจารณานำหมวดก่อสร้างเข้ามาในการคำนวณ SPI เพื่อให้ SPI ที่ปรับปรุงใหม่ในครั้งนี้สามารถสะท้อนภาพรวมของเศรษฐกิจภาคบริการได้อย่างครอบคลุมและแม่นยำยิ่งขึ้น ส่งผลให้ปัจจุบัน SPI ครอบคลุม GDP ภาคบริการ 12 หมวดย่อย จากทั้งหมด 15 หมวดย่อย (รูปที่ 1) โดยภาคบริการ 12 หมวดย่อยดังกล่าวมีสัดส่วนมูลค่าเพิ่มคิดเป็นร้อยละ 96.6 ของ GDP ภาคบริการ
สำหรับการเพิ่มหมวดก่อสร้างเข้ามาในการคำนวณ SPI จะครอบคลุมทั้งกิจกรรมก่อสร้างของภาครัฐและภาคเอกชน โดยมีเครื่องชี้ ได้แก่ (1) มูลค่าการเบิกจ่ายภาครัฐด้านการก่อสร้าง (2) ยอดขายจากฐานข้อมูลการเสียภาษีมูลค่าเพิ่ม (VAT) ในหมวดก่อสร้าง และ (3) ปริมาณการขนส่งวัสดุก่อสร้างภายในประเทศ โดย SPI หมวดก่อสร้างที่จัดทำขึ้นสามารถสะท้อนกิจกรรมในภาคก่อสร้างได้ดี สะท้อนจากค่าสหสัมพันธ์ (Correlation) กับผลิตภัณฑ์มวลรวมในประเทศ ณ ราคาที่แท้จริง (Real GDP) หมวดก่อสร้างในระดับสูงที่ 0.87
เศรษฐกิจภาคบริการที่มีการเปลี่ยนแปลงอย่างต่อเนื่องในช่วง 5 ปีที่ผ่านมา ส่งผลให้เครื่องชี้ที่เคยใช้อยู่เดิมอาจมีประสิทธิภาพในการสะท้อนภาวะภาคบริการลดลง และอาจยังไม่ครอบคลุมกิจกรรมในบางหมวดย่อยที่ทวีความสำคัญขึ้นจากในอดีต ดังนั้น ธปท. จึงพิจารณาปรับปรุงและเพิ่มเติมเครื่องชี้ในรายหมวดย่อย โดยการคัดเลือกเครื่องชี้เพื่อจัดทำเป็น SPI จะพิจารณาจาก 3 ปัจจัยหลักประกอบกัน ได้แก่ (1) ความสามารถของเครื่องชี้ในการอธิบายภาวะของภาคบริการในรายหมวดย่อย (2) ความสอดคล้องกับคุ้มรวมของข้อมูลที่ใช้จัดทำ GDP ภาคบริการรายหมวดย่อย และ (3) ความถี่ของข้อมูล ซึ่งส่วนใหญ่มักเลือกใช้ข้อมูลที่มีความถี่รายเดือน (ล่าช้า 1 เดือน) (ภาคผนวก 1) อย่างไรก็ตาม กรณีที่ข้อมูลจริงมีความล่าช้ามากกว่า 1 เดือน ธปท. จะอาศัยวิธีทางสถิติควบคู่กับเทคนิค Data Science เพื่อช่วยประมาณการข้อมูลดังกล่าว และจะดำเนินการปรับปรุงข้อมูลให้เป็นปัจจุบันในการเผยแพร่ SPI เดือนถัดไป (ภาคผนวก 2)
นอกเหนือจากนี้ ในการปรับปรุง SPI ครั้งนี้ ได้มีการปรับปรุงเพิ่มเติมในอีก 5 หมวดบริการย่อย โดยมีรายละเอียดดังนี้
นอกจากนี้ ธปท. ยังพิจารณาเปลี่ยนวิธีการคำนวณ SPI สำหรับบางหมวดย่อย ควบคู่กับการปรับปรุงเครื่องชี้ เพื่อเพิ่มประสิทธิภาพการติดตามภาวะภาคบริการ โดยเฉพาะหมวดบริการสำคัญที่มีน้ำหนักใน GDP สูง ได้แก่ หมวดข้อมูลข่าวสารฯ หมวดกิจกรรมทางการเงินฯ และหมวดอสังหาริมทรัพย์ โดย ธปท. ใช้ Regression Model ที่สร้างขึ้นจากเครื่องชี้ต่าง ๆ มาคำนวณ SPI ของแต่ละ 3 หมวดย่อยโดยตรง ขณะที่ยังคงใช้วิธี Composite Index โดยอ้างอิงน้ำหนักที่จัดสรรให้แต่ละเครื่องชี้เพื่อคำนวณ SPI สำหรับ 9 หมวดย่อยที่เหลือ
การจัดสรรน้ำหนักให้กับดัชนีหมวดย่อยหรือเครื่องชี้แต่ละตัวนับเป็นปัจจัยสำคัญในการจัดทำ SPI ภายใต้วิธีการแบบ Composite Index เนื่องจากน้ำหนักจะเป็นตัวสะท้อนถึงความสำคัญของดัชนีหรือเครื่องชี้ในหมวดนั้น ๆ ต่อเศรษฐกิจภาคบริการ ขณะที่การกำหนดปีฐานให้กับดัชนีมีความสำคัญในการเป็นจุดอ้างอิง เพื่อให้ดัชนีแต่ละช่วงเวลาสามารถเปรียบเทียบอยู่บนจุดอ้างอิงเดียวกันได้ ทั้งนี้ การจัดทำ SPI ด้วยวิธี Fixed-base Laspeyres เป็นการนำโครงสร้างกิจกรรมทางเศรษฐกิจ ณ ปีใดปีหนึ่งมาจัดสรรน้ำหนักตามความสำคัญของกิจกรรมและใช้เป็นปีฐาน เมื่อเวลาผ่านไป โครงสร้างเศรษฐกิจภาคบริการอาจมีการเปลี่ยนแปลงไปจากโครงสร้าง ณ ปีฐานเดิม บางกิจกรรมมีความสำคัญเพิ่มขึ้น ขณะที่บางกิจกรรมลดความสำคัญลงจากในอดีต โดยเมื่อพิจารณาสัดส่วนมูลค่าเพิ่มของแต่ละหมวดบริการใน Real GDP ปี 2565 เปรียบเทียบกับปี 2559 พบว่า หมวดการขายส่งและการขายปลีกฯ ยังคงครองสัดส่วนมากที่สุดเป็นอันดับหนึ่ง รองลงมาคือหมวดกิจกรรมทางการเงินและการประกันภัย ขณะที่หมวดที่พักแรมและบริการด้านอาหารที่เคยมีสัดส่วนสูงเป็นอันดับสามในปี 2559 กลับลดลงและถูกแทนที่ด้วยหมวดข้อมูลข่าวสารและการสื่อสาร ดังนั้น การปรับปรุง SPI ครั้งนี้ ธปท. จึงเปลี่ยนโครงสร้างน้ำหนักและปีฐานจากปี 2559 เป็นปี 2565 ซึ่งมีความเหมาะสมเป็นปีฐานใหม่ เนื่องจากเป็นปีที่เป็นข้อมูลโครงสร้างเศรษฐกิจภาคบริการล่าสุดตามการเผยแพร่ของสำนักงานสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ รวมถึงเป็นปีที่ไม่มีเหตุการณ์ผิดปกติมากนัก โดยจัดสรรน้ำหนักกรอบใหญ่จากสัดส่วนมูลค่าเพิ่มของ Real GDP ภาคบริการ ปี 2565 และกรอบย่อยจากสัดส่วนมูลค่าเพิ่มของการสำรวจสำมะโนธุรกิจและอุตสาหกรรมปี 2565 โดยสำนักงานสถิติแห่งชาติ (สำหรับหมวดการค้า) และจาก Regression Model (สำหรับหมวดก่อสร้าง) (รูปที่ 2)
จากการเพิ่มภาคก่อสร้างเข้ามาใน SPI ส่งผลให้ปัจจุบัน SPI ครอบคลุม GDP ภาคบริการ 12 หมวดย่อย จากทั้งหมด 15 หมวดย่อย และเมื่อทำการปรับปรุงและเพิ่มเติมเครื่องชี้เพื่อเพิ่มประสิทธิภาพของ SPI ในการอธิบายภาวะภาคบริการ ส่งผลให้จำนวนเครื่องชี้เพิ่มขึ้นจาก 29 เครื่องชี้ เป็น 33 เครื่องชี้ SPI ที่ปรับปรุงใหม่นี้ ในภาพรวมสามารถสะท้อนกิจกรรมในภาคบริการได้ดี โดยทั้งขนาดและทิศทางการเคลื่อนไหวของ SPI สอดคล้องและใกล้เคียงกับ Real GDP มากกว่า SPI ฉบับก่อนปรับปรุง อย่างไรก็ตาม สำหรับกลุ่ม Non-Market ยังคงมีค่า Correlation ไม่สูงนัก เนื่องจากยังมีข้อจำกัดในการหาเครื่องชี้ที่มีความเหมาะสมมาใช้จัดทำ SPI (รูปที่ 3) (รายละเอียดรายหมวดย่อยในภาคผนวก 3) สำหรับผลการเปรียบเทียบค่า Correlation ระหว่าง Real GDP และ SPI ที่ปรับปรุงใหม่ อยู่ที่ 0.93 เพิ่มขึ้นจาก SPI ก่อนปรับปรุงที่อยู่ที่ 0.88 โดยความสามารถในการสะท้อนกิจกรรมบริการในรายหมวดย่อยก็อยู่ในเกณฑ์ดีเช่นกัน โดยหมวดก่อสร้างที่เพิ่มเข้ามาใหม่ มีค่า Correlation ในระดับสูงที่ 0.87 นอกจากนี้ หมวดการขนส่งฯ และหมวดที่พักแรมและบริการด้านอาหาร ภายหลังการปรับปรุง พบว่าค่า Correlation ยังคงอยู่ในระดับสูงเช่นเดิม ขณะที่หมวดข้อมูลข่าวสารฯ หมวดกิจกรรมทางการเงินฯ และหมวดอสังหาริมทรัพย์ ซึ่งมีการปรับปรุงทั้งเครื่องชี้และเปลี่ยนวิธีการคำนวณมาใช้ Regression model พบว่าค่า Correlation เพิ่มสูงขึ้นกว่าเดิมค่อนข้างมาก (ตารางที่ 1)
SPI ที่ปรับปรุงใหม่ในครั้งนี้สามารถใช้ติดตามและบ่งชี้ภาวะภาคบริการได้อย่างมีประสิทธิภาพและเป็นปัจจุบันยิ่งขึ้น โดย ธปท. จะใช้ดัชนีดังกล่าวประกอบการติดตามเศรษฐกิจภาคบริการในแต่ละเดือน ควบคู่กับการใช้เครื่องชี้เศรษฐกิจอื่น ๆ อาทิ ดัชนีผลผลิตสินค้าเกษตรกรรม และดัชนีผลผลิตอุตสาหกรรม เพื่อให้การประเมินภาวะเศรษฐกิจเป็นไปอย่างรอบด้าน ทั้งนี้ SPI ฉบับที่ปรับปรุงใหม่จะเริ่มเผยแพร่บนเว็บไซต์ ธปท. ตั้งแต่งวดข้อมูลเดือนมกราคม 2568 เป็นต้นไป ในระยะต่อไป ธปท. จะพิจารณาปรับปรุงการจัดทำ SPI อย่างสม่ำเสมอ โดยจะขยายความครอบคลุมไปยังกิจกรรมบริการใหม่ ๆ เพื่อให้สอดรับกับพลวัตทางเศรษฐกิจ รวมถึงวิถีชีวิตของผู้บริโภคที่ปรับเปลี่ยนอย่างรวดเร็ว อาทิ ธุรกิจ
E-Commerce และการท่องเที่ยวมิติใหม่ที่เน้นเชิงอนุรักษ์ (Eco-tourism) เป็นต้น
ภาคผนวก 1 : เครื่องชี้ใน SPI เปรียบเทียบระหว่างก่อน-หลังปรับปรุงเครื่องชี้
ภาคผนวก 2 : ระเบียบวิธีทางสถิติ และ Data Science ที่ใช้ประมาณการข้อมูลที่มีความล่าช้า
เนื่องจาก ธปท. ใช้เครื่องชี้จำนวนมากเพื่อประกอบการจัดทำ SPI ซึ่งมีที่มาจากหลายแหล่งข้อมูล โดยการเผยแพร่ข้อมูลของหน่วยงานต้นทางบางครั้งมีความล่าช้ามากกว่า 1 เดือน จึงจำเป็นต้องอาศัยการประมาณการข้อมูลล่าสุดเพื่อใช้ทดแทน โดยวิธีประมาณการอ้างอิงจากระเบียบวิธีทางสถิติ ควบคู่กับเทคนิค Data Analytics โดยสามารถแบ่งวิธีประมาณการข้อมูลที่ใช้ออกเป็น 2 ประเภทหลัก ดังนี้
1. การประมาณการข้อมูลล่าช้าโดยไม่มี External Factor : วิธีประมาณการข้อมูลโดยอ้างอิงจากรูปแบบข้อมูลของตัวเองที่เกิดขึ้นแล้วในอดีต โดยไม่มีการใช้ข้อมูลหรือปัจจัยอื่นร่วมในการประมาณการ อาทิการประมาณการข้อมูลยอดขายจากฐาน VAT ในหมวดกิจกรรมการบริหารฯ
2. การประมาณการข้อมูลล่าช้า โดยมี External Factor : หากสามารถหาเครื่องชี้เร็ว (Leading Indicator) จากแหล่งข้อมูลอื่น ๆ ที่มีศักยภาพเพียงพอในการช่วยอธิบายภาวะกิจกรรมภาคบริการได้ใกล้เคียงกับข้อมูลที่ต้องประมาณการ ธปท. จะอาศัย Leading Indicator ดังกล่าวเป็น External Factor เพื่อช่วยประมาณการข้อมูลล่าช้า อาทิ การใช้ข้อมูลมูลค่าการใช้จ่ายผ่านบัตรในหมวดโรงแรมและร้านอาหาร (Card Usage Spending) เป็นหนึ่งใน Leading Indicator เพื่อประมาณการข้อมูลยอดขายจากฐาน VAT ในหมวดที่พักแรมและบริการด้านอาหาร เป็นต้น
ภาคผนวกที่ 3 : การขยายตัวเมื่อเทียบกับระยะเดียวกันของปีก่อนของ Real GDP ภาคบริการ และ SPI รายหมวดบริการย่อย
[1]United Nations Statistics Division. (2010). “International Recommendations for the Index of Industrial Production 2010”
[2]การปรับปรุง SPI เมื่อปี 2563 ครอบคลุมภาคบริการสำคัญ 11 หมวด ประกอบด้วยเครื่องชี้จำนวน 29 เครื่องชี้ และมีการจัดสรรน้ำหนักให้แต่ละเครื่องชี้โดยอ้างอิงโครงสร้างน้ำหนักจากสัดส่วนมูลค่าเพิ่มของ GDP ภาคบริการ และสำมะโนธุรกิจและอุตสาหกรรมปี 2559 โดยเครื่องชี้ทั้งหมดถูกนำมาสร้างเป็น Composite Index ด้วยวิธี Fixed-base Laspeyres และใช้ดัชนีราคาแปลงให้อยู่ในรูปมูลค่าที่แท้จริง (Real Term) โดยมีปี 2559 เป็นปีฐาน. พรสวรรค์ และคณะ, “การปรับปรุงดัชนีผลผลิตภาคบริการ (Service Production Index), Stat-Horizon (2563)
Artley, B. (2022). Time Series Forecasting with ARIMA , SARIMA and SARIMAX.
https://towardsdatascience.com/time-series-forecasting-with-arima-sarima-and-sarimax-ee61099e78f6
Bhatnagar, N. (2024). N-BEATS: The Unique Interpretable Deep Learning Model for Time Series Forecasting.
Chaiyadecha, S. (2020). Forecast ราคาน้ำมันจากข้อมูลย้อนหลังด้วย SARIMA Model.
https://lengyi.medium.com/sarima-oil-price-forecast-7f6006562214
Karamchandani, A., Mozo, A., Vakaruk, S. et al. (2023). Using N-BEATS ensembles to predict automated guided vehicle deviation. Appl Intell 53, 26139–26204. https://doi.org/10.1007/s10489-023-04820-0
Kumar, J., Goomer, R., Singh, A. (2018). Long Short Term Memory Recurrent Neural Network (LSTM-RNN) Based Workload Forecasting Model For Cloud Datacenters. Procedia Computer Science, Volume 125, 676-682. https://doi.org/10.1016/j.procs.2017.12.087
Munim, Z. (2022). State-space TBATS model for container freight rate forecasting with improved accuracy. Maritime Transport Research. https://doi.org/10.1016/j.martra.2022.100057
United Nations Statistics Division. (2010). International Recommendations for the Index of Industrial Production 2010. https://unstats.un.org/unsd/statcom/doc10/bg-industrialstats.pdf
พรสวรรค์ รักเป็นธรรม และคณะ. (2563). การพัฒนาดัชนีผลผลิตภาคบริการรายเดือน (Service Production Index: SPI).Stat-Horizon. https://www.bot.or.th/content/dam/bot/documents/th/research-and-publications/research/stat-horizon-and-stat-in-focus/stat-horizon/SPI_20200228.pdf
สำนักงานสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ. คู่มือการประมวลผลสถิติบัญชีประชาชาติ.
งานศึกษานี้สำเร็จลุล่วงได้ด้วยดี ด้วยความอนุเคราะห์ข้อมูลเพื่อใช้ในการศึกษาและจัดทำโครงสร้างน้ำหนักของ SPI จากสำนักงานสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ และคำแนะนำตลอดจนความคิดเห็นที่เป็นประโยชน์จากคุณสุวัชชัย ใจข้อ คุณปุณฑริก ศุภอมรกุล
คุณนัฐพงษ์ เจริญอาภารัศมี คุณปุณฑริก จงประสพลาภ คุณพรสวรรค์ รักเป็นธรรม คุณณฐ์ภัชช์ พงษ์เลื่องธรรม คุณปุณณ์ บุญชูช่วย
และคุณนภสร ประสงค์ศักดิ์ ผู้จัดทำจึงขอขอบพระคุณทุกท่านเป็นอย่างสูงมา ณ ที่นี้
ผู้จัดทำ
จิรพัฒน์ ศิริทัศนกุล
ศศา มนัสบุญเพิ่มพูล
Stat-Horizon
ธนาคารแห่งประเทศไทย
ดาวน์โหลดบทความฉบับเต็มได้ที่นี่