การปรับปรุงและพัฒนาดัชนีผลผลิตภาคบริการ (Service Production Index)

02

1. บทนำ

    

    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

 

2. การปรับปรุงดัชนีผลผลิตภาคบริการ (SPI)

    

    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

 

2.1 การเพิ่มหมวดก่อสร้างเข้ามาในการคำนวณ SPI

    

    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  

2.2 การปรับเปลี่ยนและเพิ่มเติมเครื่องชี้ และการปรับวิธีการคำนวณใน SPI หมวดย่อย

    

    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

 

  • หมวดการขนส่งและสถานที่กักเก็บสินค้า : ปรับปรุงให้ครอบคลุมกิจกรรมการขนส่งผู้โดยสารทั้งแบบ Full service และ Low cost airline สอดคล้องกับความนิยมเดินทางด้วยการสายบินราคาประหยัดที่เพิ่มสูงขึ้นในปัจจุบัน โดยนำข้อมูลปริมาณการขนส่งผู้โดยสารของบริษัทสายการบินต้นทุนต่ำที่มีส่วนแบ่งการตลาดสูงเข้ามารวมคำนวณใน SPI หมวดการขนส่งฯ ซึ่งเดิมในหมวดย่อยการขนส่งผู้โดยสารทางอากาศใช้เพียงข้อมูลปริมาณการขนส่งผู้โดยสารของบริษัทสายการบินที่เป็น Full service เท่านั้น
  • หมวดที่พักแรมและบริการด้านอาหาร : ปรับปรุงให้ครอบคลุมทั้งกิจกรรมการท่องเที่ยวและการรับประทานอาหารนอกบ้าน ต่างจากเดิมที่เน้นกิจกรรมการท่องเที่ยวเป็นหลัก โดยใช้ข้อมูลยอดขายจากฐาน VAT ในหมวดที่พักแรมและบริการด้านอาหาร ทดแทนเครื่องชี้จำนวนนักท่องเที่ยวไทยและจำนวนนักท่องเที่ยวต่างชาติ ซึ่งจะช่วยแก้ปัญหากรณีจำนวนนักท่องเที่ยวไม่สอดคล้องกับกิจกรรมบริการที่เกิดขึ้นจริง เช่น ช่วงที่มีมาตรการปิดเมือง (Lockdown) และการจำกัดการเดินทางของนักท่องเที่ยว ส่งผลให้ไม่มีนักท่องเที่ยวเดินทางเข้าออกประเทศ แต่ค่าใช้จ่ายท่องเที่ยวและกิจกรรมบริการยังคงเกิดขึ้นจากนักท่องเที่ยวที่ตกค้างในไทยจากมาตรการกักตัว (Quarantine) กลุ่มท่องเที่ยวแบบพำนักระยะยาว (Long stay) และประชาชนบางส่วนที่เปลี่ยนพฤติกรรมมาสั่งอาหารผ่านออนไลน์แทนการออกไปรับประทานที่ร้าน
  • หมวดข้อมูลข่าวสารและการสื่อสาร : ใช้ข้อมูลยอดขายจากฐาน VAT ในหมวดข้อมูลข่าวสารและการสื่อสาร ทดแทนเครื่องชี้รายได้ค่าบริการโทรศัพท์เคลื่อนที่ และรายได้ค่าบริการอินเทอร์เน็ตที่ปัจจุบันเริ่มมีประสิทธิภาพลดลงในการบ่งชี้ทิศทางของ GDP หมวดข้อมูลข่าวสารฯ และลดปัญหาความคลาดเคลื่อนในการประมาณการข้อมูลรายเดือนสำหรับการจัดทำ SPI อันเนื่องมาจากเครื่องชี้เดิมมีความถี่เป็นรายไตรมาสและการเผยแพร่ข้อมูลมีความล่าช้า
  • หมวดกิจกรรมทางการเงินและการประกันภัย : ปรับปรุงโดยขยายความครอบคลุมไปยังบริษัทประกันวินาศภัย และตัวกลางทางการเงินอื่น ๆ เพื่อให้คุ้มรวมใกล้เคียงกับ GDP หมวดกิจกรรมทางการเงินฯ โดยใช้ข้อมูลยอดขายจากฐาน VAT ในหมวดประกันวินาศภัย และหมวดการให้สินเชื่อประเภทอื่น ๆ มาใช้ประกอบการจัดทำ SPI เพิ่มเติมจากเดิมที่ครอบคลุมเพียงกิจกรรมบริการของธนาคารพาณิชย์ (ธพ.) สถาบันการเงินเฉพาะกิจ (SFI) บริษัทประกันชีวิต และบริษัทหลักทรัพย์เท่านั้น นอกจากนี้ ธปท. ได้พิจารณาปรับเปลี่ยนเครื่องชี้ใหม่ โดยใช้รายได้จากดอกเบี้ยสุทธิและรายได้ค่าธรรมเนียมและบริการ ซึ่งคำนวณจากข้อมูลงบกำไรขาดทุนของ ธพ. และ SFI เพื่อให้สามารถสะท้อนบทบาทของตัวกลางทางการเงินได้ครอบคลุมยิ่งขึ้น ทั้งบทบาทดั้งเดิมในการรับฝากและปล่อยกู้ ตลอดจนบทบาทด้านการเป็นตัวกลางรับโอนจ่ายเงิน ซึ่งเป็นธุรกรรมที่ทวีความสำคัญเพิ่มขึ้นตามการพัฒนาของระบบการชำระเงินในปัจจุบัน จากเดิมที่ใช้เครื่องชี้รายได้จากดอกเบี้ยสุทธิ (Net Interest Income) ซึ่งคำนวณจากข้อมูลเงินรับฝากเงินให้สินเชื่อ และอัตราดอกเบี้ย ซึ่งเน้นที่กิจกรรมการรับฝากและปล่อยกู้เท่านั้น   
  • หมวดอสังหาริมทรัพย์ : ปรับปรุงและเพิ่มเติมเครื่องชี้ใหม่ให้ครอบคลุมกิจกรรมตามคุ้มรวมของ GDP หมวดอสังหาริมทรัพย์ โดยใช้ข้อมูลมูลค่าการซื้อขายที่ดินและอสังหาริมทรัพย์ เพื่อสะท้อนธุรกิจอสังหาริมทรัพย์ และใช้ข้อมูลค่าเช่าที่อยู่อาศัยและจำนวนครัวเรือนเพื่อสะท้อนกิจกรรมการให้เช่าที่อยู่อาศัย (ทั้งกรณีที่มีการเช่าจริง และค่าเช่าประเมินในกรณีที่เจ้าของอยู่อาศัยเอง) และใช้ข้อมูลดัชนีราคาผู้บริโภค (CPI) ทดแทนการใช้เครื่องชี้เดิม ได้แก่ CPI หมวดค่าเช่าบ้าน และข้อมูลยอดขายจากฐาน VAT ในหมวดอสังหาริมทรัพย์

         

    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

 

2.3 การเปลี่ยนโครงสร้างน้ำหนักอ้างอิงและปีฐานในการจัดทำดัชนี

    

    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)

.

3. ผลการปรับปรุง SPI

    

    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)

1
.

4. สรุปและการดำเนินการต่อไป

    

    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

 

  • Seasonal Auto Regressive Integrated Moving Average (SARIMA) เป็นวิธีการทางสถิติ โดยมีสมมติฐานว่าข้อมูลในปัจจุบันมีความคล้ายคลึงกับทิศทางแนวโน้มของข้อมูลในอดีต 
.
  • Trigonometric seasonality, Box-Cox transformation, ARMA errors, Trend and Seasonal components (TBATS) เป็นวิธีการทางสถิติที่คล้ายคลึงกับ SARIMA แต่สามารถรองรับข้อมูลที่มีรูปแบบซับซ้อนมากกว่า 1 รูปแบบได้ เช่น ข้อมูลที่มีรูปแบบทั้งแบบรายปีและรายเดือน (Pattern within Pattern)
.
.
  • Neural Basis Expansion Analysis for Time Series Forecasting (N-BEATS) เป็นการนำข้อมูล ณ จุดเวลาต่าง ๆ ในอดีตของชุดข้อมูลมาจัดทำเป็น Neural Network โดยอาศัยกระบวนการ Deep Learning เพื่อค้นหารูปแบบและความสัมพันธ์ระหว่างตัวแปรภายใน Neural Network ให้แบบจำลองมีค่าความคลาดเคลื่อนในการทำนายข้อมูลต่ำที่สุด โดยวิธีดังกล่าวสามารถนำมาใช้กับข้อมูลที่ไม่มีรูปแบบชัดเจน หรือ ข้อมูลที่มีความสัมพันธ์แบบไม่เป็นเส้นตรง (Non-Linear) จึงเหมาะสำหรับการใช้ทำนายชุดข้อมูลที่มีความซับซ้อนสูงและไม่สามารถอธิบายด้วยวิธีการทางสถิติได้

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

 

  • Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors (SARIMAX) เป็นวิธีการทางสถิติที่คล้ายคลึงกับ SARIMA แต่มี Leading Indicator ในการช่วยชี้ขนาดและทิศทาง เพื่อช่วยให้การประมาณการข้อมูลมีความแม่นยำมากยิ่งขึ้น
  • Recurrent Neural Network - Long Short Term Memory Network (RNN – LSTM) เป็น Neural Network ที่มีการจัดข้อมูลตัวแปรต่าง ๆ ในแบบจำลอง (ทั้งข้อมูลของตัวเองในอดีต และ Leading Indicators) ให้เป็นแบบลำดับช่วงเวลา (Sequential) และค้นหารูปแบบความสัมพันธ์ต่าง ๆ ของตัวแปรผ่านเทคนิค Deep Learning อย่างไรก็ตาม การใช้ตัวแปรที่มีช่วงเวลายาวเกินควรอาจก่อให้เกิดความคลาดเคลื่อนในการทำนายได้ จึงต้องอาศัยวิธี LSTM เพื่อเลือกความยาวของช่วงระยะเวลาที่เหมาะสมที่สุดสำหรับการทำนาย

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)

เอกสารอ้างอิง

 

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.

https://medium.com/@captnitinbhatnagar/n-beats-the-unique-interpretable-deep-learning-model-for-time-series-forecasting-8dfdefaf0e34

 

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.

https://www.nesdc.go.th/ewt_dl_link.php?nid=3521

    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

 

บทคัดย่อ

ธนาคารแห่งประเทศไทย (ธปท.) ได้ปรับปรุงสถิติเงินให้กู้ยืมแก่ภาคครัวเรือน หรือที่รู้จักกันในชื่อ
“หนี้ครัวเรือน” ให้มีความครอบคลุมเพิ่มมากขึ้นเพื่อให้เครื่องชี้สามารถสะท้อนภาพภาระหนี้ที่ใกล้เคียงความจริงมากที่สุด และยังเป็นข้อมูลสนับสนุนการออกนโยบายหรือมาตรการให้ความช่วยเหลือประชาชนได้ดียิ่งขึ้น โดย
มีการปรับปรุงด้านขอบเขตของผู้ให้กู้ จากเดิมที่ครอบคลุมเฉพาะเงินกู้ยืมจากสถาบันการเงินที่รับฝากเงินและ
ไม่รับฝากเงิน ได้เพิ่มความครอบคลุมไปถึงกลุ่มผู้ให้กู้อื่น ๆ ด้วย ได้แก่ กองทุนเงินให้กู้ยืมเพื่อการศึกษา (กยศ.) การเคหะแห่งชาติ ธุรกิจสินเชื่อรายย่อยระดับจังหวัด (พิโกไฟแนนซ์) และสหกรณ์ประเภทต่าง ๆ ที่นอกเหนือจากสหกรณ์ออมทรัพย์ซึ่งได้รวมอยู่ในสถิติเดิมแล้ว

สถิติเงินให้กู้ยืมแก่ภาคครัวเรือนที่ปรับปรุงแล้วมีข้อมูลย้อนหลังตั้งแต่ไตรมาส 1/2555 เป็นต้นไป โดย
การปรับปรุงครั้งนี้ ทำให้ยอดคงค้างของเงินให้กู้ยืมแก่ภาคครัวเรือน ณ ไตรมาส 1/2566 อยู่ที่ 16.0 ล้านล้านบาท หรือมีสัดส่วนร้อยละ 90.6 ต่อ
GDP เพิ่มขึ้นจากก่อนการปรับปรุง 7.7 แสนล้านบาท หรือร้อยละ 4.3 ของ GDP อย่างไรก็ตาม โครงสร้างสัดส่วนเงินให้กู้ยืมที่จำแนกตามวัตถุประสงค์ยังคงใกล้เคียงกับโครงสร้างเดิมก่อน
การปรับปรุง โดยเป็นการกู้ยืมเพื่อซื้อที่อยู่อาศัยเป็นหลัก รองลงมาคือการกู้ยืมเพื่ออุปโภคบริโภคส่วนบุคคลทั่วไป และการกู้ยืมเพื่อประกอบอาชีพ

 

 

การปรับปรุงความครอบคลุมของสถิติเงินให้กู้ยืมแก่ภาคครัวเรือน*

1.      บทนำ

หนี้ครัวเรือนเป็นตัวชี้วัดทางเศรษฐกิจที่สำคัญตัวหนึ่งที่หน่วยงานภาครัฐทุกประเทศ รวมถึงไทย โดย ธปท. ได้มีการติดตามอย่างใกล้ชิด เนื่องจากเป็นเครื่องชี้ที่สะท้อนถึงความมีเสถียรภาพหรือความเปราะบางทางเศรษฐกิจของครัวเรือน ซึ่งสามารถส่งผลต่อการเติบโตทางเศรษฐกิจของประเทศได้ นอกจากนี้ยังสามารถสะท้อนโครงสร้างของตลาดสินเชื่อภาคครัวเรือน

ประเทศไทยมีระบบการเงินที่พึ่งพิงธนาคารเป็นหลักหรือที่เรียกว่า Bank-based economy ดังนั้นผู้ให้กู้หลักแก่ภาคครัวเรือนจึงเป็นธนาคารพาณิชย์และธนาคารเฉพาะกิจของรัฐ จากรูปที่ 1 เห็นได้ว่าธนาคารเป็นผู้ให้กู้
ที่ครองสัดส่วนตลาดมากกว่าร้อยละ 70 ของเงินให้กู้ยืมแก่ภาคครัวเรือนทั้งหมดมาโดยตลอด อย่างไรก็ดี ในช่วง 10 ปี
ที่ผ่านมา บทบาทของธนาคารมีแนวโน้มค่อย ๆ ลดลง และถูกแทนที่ด้วยเงินให้กู้ยืมจากสหกรณ์ออมทรัพย์และ
สถาบันการเงินอื่น โดยเฉพาะธุรกิจสินเชื่อส่วนบุคคล ลีสซิ่ง และบริษัทบัตรเครดิต ค่อย ๆ เพิ่มบทบาทมากขึ้น สังเกตได้จากสัดส่วนที่เพิ่มขึ้นอย่างต่อเนื่อง

 

รูปที่ 1  แผนภูมิยอดคงค้างเงินให้กู้ยืมแก่ภาคครัวเรือนจำแนกตามผู้ให้กู้และเงินให้กู้ยืมแก่ภาคครัวเรือนต่อ GDP ก่อนการปรับปรุงความครอบคลุม

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

การศึกษาเชิงประจักษ์หลายชิ้นบ่งชี้ว่า การขยายตัวของระดับหนี้ครัวเรือนเป็นการเพิ่มความเสี่ยง
การเกิดวิกฤตการเงินและสามารถนำไปสู่การชะลอตัวของการเติบโตทางเศรษฐกิจ ในบทความเรื่องหนี้ครัวเรือนและเสถียรภาพทางการเงินของ
IMF ปี 2017 ระบุว่า อัตราส่วนหนี้ครัวเรือนต่อ GDP ที่เพิ่มขึ้นมีทั้งผลดีและผลเสีย
อย่างไรก็ตาม ผลดีจะเกิดขึ้นเพียงระยะสั้น แต่กลับส่งผลเสียต่อเศรษฐกิจและเสถียรภาพทางการเงินในระยะกลางและระยะยาว โดยในระยะสั้น หนี้ครัวเรือนที่สูงขึ้นสัมพันธ์กับการบริโภคและการจ้างงานที่สูงขึ้น ซึ่งส่งผลให้เกิดการขยายตัว
ทางเศรษฐกิจ แต่ผลดีเหล่านี้จะกลับสู่สภาพเดิมภายใน 3 - 5 ปี การขยายตัวมากขึ้นของหนี้ครัวเรือนในระยะกลางและระยะยาวนั้นสัมพันธ์กับความเสี่ยงของการเกิดวิกฤตในระบบการเงิน เนื่องจากอาจส่งผลให้ภาคครัวเรือนไม่สามารถ
ชำระหนี้ได้ ยิ่งไปกว่านั้นหากเกิดการผิดนัดชำระหนี้ในวงกว้างอาจนำไปสู่วิกฤตเศรษฐกิจได้ในที่สุด ผลเสียเหล่านี้
จะยิ่งมากขึ้นเมื่อระดับหนี้ครัวเรือนยิ่งสูงและเห็นชัดเจนในเขตเศรษฐกิจพัฒนาแล้ว (
Advanced market economies) มากกว่าเขตเศรษฐกิจตลาดเกิดใหม่ (Emerging market economies) ที่ส่วนใหญ่มีระดับหนี้ครัวเรือนและ
การมีส่วนร่วมในตลาดสินเชื่อต่ำกว่าตามรูปที่ 2

 

%

รูปที่ 2 หนี้ครัวเรือนต่อ GDP ณ ไตรมาส 4/2565 ของเขตเศรษฐกิจพัฒนาแล้วและตลาดเกิดใหม่

ที่มา: BIS (ธนาคารเพื่อการชำระหนี้ระหว่างประเทศ) / จัดทำแผนภูมิ: ธปท.

 

 

 

 

 

 

 

 

 

 

ธปท. รวมทั้งหน่วยงานผู้ให้กู้ต่าง ๆ ที่เกี่ยวข้อง ตระหนักถึงความสำคัญของข้อมูลหนี้ครัวเรือนเช่นเดียวกับ
งานศึกษาตามที่กล่าวมาข้างต้น  ประกอบกับการให้กู้ยืมของผู้ให้กู้กลุ่มอื่น ๆ ที่นอกเหนือจากสถาบันการเงินมีบทบาทและขนาดที่มีนัยสำคัญ รวมถึงหน่วยงานผู้ให้กู้อื่น ๆ มีความพร้อมของข้อมูลมากขึ้น ธปท. จึงได้ทบทวนและปรับปรุงข้อมูลเงินให้กู้ยืมแก่ภาคครัวเรือน ให้ครอบคลุมมากกว่าเงินกู้ยืมจากกลุ่มผู้ให้กู้ที่จัดเก็บอยู่เดิม เพื่อให้ได้ข้อมูลที่
สะท้อนภาพภาระทางการเงินของภาคครัวเรือนให้ครบถ้วนใกล้เคียงจริงมากที่สุด เพื่อใช้ในการดำเนินนโยบาย
ทางเศรษฐกิจ และนโยบายการแก้ปัญหาหนี้ให้แก่ครัวเรือนที่แม่นยำมากยิ่งขึ้น

2.      นิยามและขอบเขตของข้อมูลเงินให้กู้ยืมแก่ภาคครัวเรือน

 ข้อมูลเงินให้กู้ยืมแก่ภาคครัวเรือน (Loans to Household) สถิติทางการที่ ธปท. เผยแพร่ มักถูกนำไปใช้อ้างอิงเป็นข้อมูลหนี้ครัวเรือน (Household debts) จนผู้ใช้บางส่วนเข้าใจว่า ข้อมูลทั้ง 2 ชุด คือข้อมูลเดียวกัน อย่างไรก็ดี ตามมาตรฐานสากลสถิติทั้ง 2 ชุด มีนิยามและองค์ประกอบความครอบคลุมแตกต่างกัน ซึ่งมีรายละเอียดดังนี้

เงินให้กู้ยืมแก่ภาคครัวเรือน ยังมิได้มีนิยามหรือองค์ประกอบที่เป็นสากล ในแต่ละประเทศจึงมีรายละเอียด ความครอบคลุมที่ต่างกันทั้งในมิติของผู้ให้กู้และวัตถุประสงค์การกู้ยืม เนื่องจากข้อจำกัดในการเข้าถึงแหล่งข้อมูล หน่วยงานผู้จัดทำข้อมูลจึงใช้ความพยายามอย่างที่สุด (best effort) ในการรวบรวมจากแหล่งข้อมูลเท่าที่จะทำได้ โดยมิติผู้ให้กู้ ข้อมูลของบางประเทศครอบคลุมแค่สถาบันการเงินหรือธนาคารพาณิชย์เนื่องจากกำกับดูแล
โดยธนาคารกลางซึ่งเป็นผู้จัดทำสถิติ บางประเทศขอความร่วมมือจากภาคเศรษฐกิจอื่น ๆ เช่น สถาบันการเงินอื่น หน่วยงานราชการ หรือภาคธุรกิจร่วมด้วย ทำให้มีความครอบคลุมในมิติของผู้ให้กู้กว้างมากขึ้น สำหรับมิติ
ด้านวัตถุประสงค์ ข้อมูลของบางประเทศครอบคลุมเฉพาะการอุปโภคบริโภคส่วนบุคคล และบางประเทศครอบคลุมถึงการนำไปประกอบอาชีพด้วย ความครอบคลุมของข้อมูลเงินให้กู้ยืมแก่ครัวเรือนของไทย และตัวอย่างคำศัพท์
และนิยามของประเทศต่าง ๆ แสดงดังตารางที่
1

ตารางที่ 1 ตัวอย่างคำศัพท์ที่ใช้เรียกเงินให้กู้ยืมแก่ภาคครัวเรือนของประเทศต่าง ๆ

ประเทศ/
กลุ่มประเทศ

คำศัพท์ที่ใช้เรียก
เงินให้กู้ยืมแก่ภาคครัวเรือน
(Term)

ความหมาย

ไทย

Loans to Households

เงินให้กู้ยืมทุกประเภทที่ให้แก่บุคคลธรรมดาที่อยู่อาศัยในประเทศ (resident) ทั้งเงินเบิกเกินบัญชี เงินให้กู้ยืมทั่วไป ตั๋วเงินที่เปลี่ยนมือไม่ได้ และเงินลงทุนในลูกหนี้ รวมทุกสกุลเงินในทุกวัตถุประสงค์ โดยรวมเฉพาะส่วนที่เป็นเงินต้น (ไม่รวมดอกเบี้ยคงค้าง)

ญี่ปุ่น

Loans to Households

เงินให้กู้ยืมเพื่อที่อยู่อาศัยและเพื่ออุปโภคบริโภค

สหภาพยุโรป

Loans granted to households

เงินให้กู้ยืมแก่ภาคครัวเรือนและองค์กรไม่แสวงหากำไร

มาเลเซีย

Loans to Household sector

เงินให้กู้ยืมแก่บุคคลธรรมดาของธนาคาร (ไม่รวม non-bank)
โดยไม่รวมเงินกู้เพื่อประกอบกิจการ

ฝรั่งเศส

Loans to individuals

เงินให้กู้ยืมแก่บุคคลธรรมดาจากสถาบันการเงินในประเทศ

อังกฤษ

Lending to Individuals (excluding student loans)

เงินให้กู้ยืมแก่บุคคลธรรมดาจากสถาบันการเงิน โดยไม่รวมเงินกู้ยืม
เพื่อการศึกษาและเพื่อประกอบกิจการ

แคนาดา

Credit liabilities of households

เงินให้กู้ยืมแก่ภาคครัวเรือน (รวมกิจการที่ไม่จดทะเบียนเป็น
นิติบุคคล) จากทุกภาคเศรษฐกิจ

เกาหลีใต้

Credit to households

เงินให้กู้ยืมแก่ภาคครัวเรือนจากสถาบันการเงินที่รับฝากเงิน สถาบันการเงินที่ไม่รับฝากเงิน และสินเชื่อการค้า

สิงคโปร์

Consumer loans

เงินให้กู้ยืมและเงินทดรองจากธนาคารแก่บุคคลธรรมดา โดยไม่รวม
เงินให้กู้ยืมเพื่อประกอบกิจการ

สหรัฐอเมริกา

Consumer Credit

เงินให้กู้ยืมแก่บุคคลธรรมดาเพื่ออุปโภคบริโภคในครัวเรือน โดย
ไม่รวมเงินกู้ยืมที่มีอสังหาริมทรัพย์ค้ำประกัน

ขณะที่ หนี้ครัวเรือน (Household debt) ตามนิยามขององค์กรระหว่างประเทศ เช่น BIS (ธนาคาร
เพื่อการชำระหนี้ระหว่างประเทศ)
IMF (กองทุนการเงินระหว่างประเทศ) หรือ OECD (องค์การเพื่อความร่วมมือและการพัฒนาทางเศรษฐกิจ) หมายถึง หนี้สินรวมทั้งหมด ซึ่งประกอบด้วยเครื่องมือทางการเงินทุกประเภท ได้แก่ ตราสารหนี้ (debt securities) เงินกู้ยืม (loans) รวมถึงหนี้สินอื่น ๆ ของภาคครัวเรือน ที่มีต่อทุกภาคเศรษฐกิจ
ทั้งภายในประเทศและต่างประเทศ โดยเงินกู้ยืมเป็นหนี้สินที่รวมทั้งเงินต้นและดอกเบี้ยคงค้าง ส่วนตราสารหนี้
เป็นหนี้สินตามมูลค่าตลาด

หนี้ครัวเรือนที่มีความครอบคลุมครบถ้วนตามนิยามสากลข้างต้น จำเป็นต้องใช้ข้อมูลในระบบบัญชีประชาชาติ หรือ System of National Accounts จากส่วนที่เป็นงบแสดงฐานะการเงินแบบจำแนกภาคเศรษฐกิจของคู่สัญญาของภาคครัวเรือน หรือ Household and NPISHs Sectoral Balance Sheet  อย่างไรก็ตาม ขณะนี้ประเทศไทยยังไม่มีข้อมูลงบแสดงฐานะการเงินดังกล่าวที่สมบูรณ์ ดังนั้น ถึงแม้ว่าความครอบคลุมของข้อมูลชุด
เงินให้กู้ยืมแก่ภาคครัวเรือนจะแคบกว่า แต่ก็เป็นข้อมูลที่มีขอบเขตใกล้เคียงมากที่สุดที่สามารถนำมาใช้ทดแทนได้ ประเทศไทยจึงใช้ข้อมูลสถิติเงินให้กู้ยืมแก่ภาคครัวเรือนและสถิติหนี้ครัวเรือนเป็นข้อมูลชุดเดียวกัน ซึ่ง
การเปรียบเทียบความครอบคลุมของหนี้ครัวเรือน ตามนิยามสากล และเงินให้กู้ยืมแก่ครัวเรือนของไทย
แสดงดังตารางที่
2

ตารางที่ 2 เปรียบเทียบความครอบคลุมของหนี้ครัวเรือน (ตามนิยามสากล) และเงินให้กู้ยืมแก่ภาคครัวเรือน
ของไทย (ก่อนการปรับปรุง)

มิติต่าง ๆ ของความครอบคลุม

หนี้ครัวเรือน

(นิยามสากล)

เงินให้กู้ยืมแก่ภาคครัวเรือน หรือ หนี้ครัวเรือนของไทย
(ก่อนการปรับปรุง)

1.      ผู้กู้

 

 

 

ครัวเรือน

P

P

 

องค์กรไม่แสวงหากำไรที่ให้บริการครัวเรือน (NPISHs*)

P

Î

2.      ผู้ให้กู้

 

 

 

สถาบันการเงิน

P

P

 

ภาครัฐบาล

P

Î

 

ภาคธุรกิจที่ไม่ใช่สถาบันการเงิน

P

Î

 

เจ้าหนี้ต่างประเทศ

P

Î

3.      เครื่องมือทางการเงิน

 

 

 

เงินกู้ยืม

P

P

 

ตราสารหนี้

P

Î

 

หนี้สินอื่น ๆ เช่น หนี้สินทางการค้า

P

Î

4.      การวัดมูลค่า

 

 

 

เงินกู้ยืม

 

 

 

 

เงินต้น

P

P

 

 

ดอกเบี้ยค้างรับ

P

Î

 

ตราสารหนี้

 

 

 

 

มูลค่าตลาด

P

-

*ตัวอย่างขององค์กรไม่แสวงหากำไรที่ให้บริการครัวเรือน หรือ NPISHs ได้แก่ วัด โบสถ์ องค์กรทางศาสนา มูลนิธิเพื่อการกุศล สโมสรกีฬา สหภาพแรงงาน และพรรคการเมือง

ทั้งนี้ แต่ละประเทศมักนำสถิติเงินให้กู้ยืมแก่ภาคครัวเรือนหรือหนี้ครัวเรือนมาจัดทำเป็นอัตราส่วนหนี้สินของภาคครัวเรือนต่อ GDP ของประเทศ เพื่อประเมินระดับหนี้ของภาคครัวเรือนมีมาก-น้อยเพียงใดเมื่อเทียบกับขนาดเศรษฐกิจของประเทศ ซึ่งจากฐานข้อมูลของ BIS ประเทศต่าง ๆ มีอัตราส่วนของหนี้ครัวเรือนต่อ GDP
ตามตารางที่
3

ตารางที่ 3 ตัวอย่างอัตราส่วนหนี้สินของภาคครัวเรือนต่อ GDP ของประเทศต่าง ๆ ณ ไตรมาส 4/2565 จากฐานข้อมูลของ BIS

ประเทศ/กลุ่มประเทศ

หนี้สินของภาคครัวเรือนต่อ GDP*
  ณ ไตรมาส 4/2565

ไทย**

87.7

ญี่ปุ่น

68.2

สหภาพยุโรป

57.4

มาเลเซีย

66.8

ฝรั่งเศส

66.2

สหราชอาณาจักร

83.5

แคนาดา

102.4

เกาหลีใต้

105.0

สิงคโปร์

48.6

สหรัฐอเมริกา

74.4

จีน

61.3

                                   *Total credit to households (core debt) to GDP (BIS) ซึ่งผู้กู้รวมองค์กรไม่แสวงหากำไร
                                   ** ก่อนการปรับปรุง

3.      การปรับปรุงสถิติเงินให้กู้ยืมแก่ภาคครัวเรือน

สถิติเงินให้กู้ยืมแก่ภาคครัวเรือนของ ธปท. ก่อนการปรับปรุง ประกอบด้วย สถิติเงินให้กู้ยืมแก่
ภาคครัวเรือนที่จำแนกตามสถาบันผู้ให้กู้และตามวัตถุประสงค์การกู้ โดยมิติของผู้ให้กู้ ธปท. ได้จัดเก็บและขยายความครอบคลุมข้อมูลการให้กู้ยืมของผู้ให้กู้เพิ่มขึ้นอย่างต่อเนื่อง ซึ่งสถิติชุดล่าสุดก่อนการปรับปรุงมีองค์ประกอบของผู้ให้กู้ ได้แก่ ธนาคารพาณิชย์ สถาบันการเงินเฉพาะกิจของรัฐที่รับฝากเงิน บริษัทเงินทุน บริษัทเครดิตฟองซิเอร์ และสหกรณ์ออมทรัพย์ นอกจากนี้ ธปท. ยังได้รับความร่วมมือเป็นอย่างดีจากหน่วยงานกำกับดูแลอื่นและจากสถาบันการเงินโดยตรง เช่น ธุรกิจสินเชื่อที่ไม่ใช่ธนาคาร (
Non-bank) บริษัทประกันภัยและประกันชีวิต
บริษัทหลักทรัพย์ ธุรกิจบริหารสินทรัพย์ โรงรับจำนำ เป็นต้น ดังรายละเอียดตามตารางที่
4 สถิติชุดนี้เริ่มเผยแพร่ครั้งแรกเมื่อเดือนมีนาคม 2556 โดยมีข้อมูลย้อนหลังเริ่มตั้งแต่ไตรมาส 1 ปี 2546

ส่วนมิติวัตถุประสงค์การกู้ยืม ธปท. เห็นว่า ข้อมูลที่จำแนกวัตถุประสงค์จะช่วยให้ผู้ใช้ข้อมูลทราบถึง
การนำเงินกู้ยืมไปใช้ในวัตถุประสงค์ต่าง ๆ รวมทั้งช่วยในการวิเคราะห์และประเมินความเสี่ยงของสินเชื่อ
แต่ละประเภทได้ดียิ่งขึ้น จึงได้จัดทำและเผยแพร่สถิติเงินให้กู้ยืมแก่ภาคครัวเรือนจำแนกตามวัตถุประสงค์
เมื่อต้นปี
2563 โดยมีข้อมูลย้อนหลังเริ่มตั้งแต่ไตรมาส 1 ปี 2555  โดยวัตถุประสงค์ที่จำแนกได้มีดังต่อไปนี้

Ø เพื่ออุปโภคบริโภค

·      เพื่อซื้ออสังหาริมทรัพย์

·      ซื้อหรือเช่าซื้อรถยนต์และรถจักรยานยนต์

·      เพื่อการศึกษา

·      อุปโภคบริโภคส่วนบุคคลอื่น

§  บัตรเครดิตและสินเชื่อส่วนบุคคลภายใต้การกำกับของ ธปท.

§  สินเชื่อส่วนบุคคลอื่น ๆ (ไม่ได้อยู่ภายใต้การกำกับของ ธปท.)

Ø เพื่อประกอบอาชีพ

Ø อื่น ๆ

สำหรับการปรับปรุงสถิติในครั้งนี้เป็นการขยายความครอบคลุมของผู้ให้กู้เพิ่มเติมจากเดิมที่มีเฉพาะ
สถาบันการเงิน โดยมีปัจจัยหรือเกณฑ์ในการเลือกแหล่งข้อมูล ได้แก่ ความคุ้มค่า (
cost and benefit)
ความมีสาระสำคัญของข้อมูล (
materiality) คุณภาพของข้อมูล ความน่าเชื่อถือของแหล่งข้อมูล ความสม่ำเสมอ
ของการเผยแพร่จากแหล่งข้อมูล ภาระของผู้รายงาน ความต่อเนื่องเพียงพอของข้อมูลสำหรับการวิเคราะห์
อนุกรมเวลา (
time series) รวมถึงการทำประมาณการเพิ่มเติมจากข้อมูลที่ได้รับที่จะต้องสามารถทำได้โดยใช้
หลักสถิติที่สมเหตุสมผล จากการพิจารณาปัจจัยตามที่กล่าวถึงข้างต้น ธปท. ได้เลือกข้อมูลจาก
4 แหล่งเพื่อนำมาปรับปรุงสถิติเงินให้กู้ยืมแก่ภาคครัวเรือน ซึ่งรวมทั้งผู้ให้กู้ที่อยู่ในภาครัฐและภาคเอกชนด้วย ได้แก่

Ø การเคหะแห่งชาติ

Ø กองทุนเงินให้กู้ยืมเพื่อการศึกษา

Ø ธุรกิจสินเชื่อรายย่อยระดับจังหวัด หรือ พิโกไฟแนนซ์

Ø สหกรณ์ประเภทอื่น ๆ นอกเหนือจากสหกรณ์ออมทรัพย์ ได้แก่ สหกรณ์เครดิตยูเนี่ยน
สหกรณ์การเกษตร สหกรณ์ประมง สหกรณ์ร้านค้า สหกรณ์นิคม และสหกรณ์บริการ

กลุ่มผู้ให้กู้เหล่านี้ได้เข้ามามีบทบาทในตลาดสินเชื่อภาคครัวเรือนมากขึ้นเรื่อย ๆ โดยในช่วง 10 ปีที่ผ่านมา มีการให้เงินกู้ยืมแก่ครัวเรือนเพิ่มขึ้นถึงเกือบร้อยละ 50 กล่าวคือเพิ่มขึ้นจากราว 5 แสนล้านบาท ณ ไตรมาส 1
ปี
2555 มาเป็น 7.7 แสนล้านบาท ณ ไตรมาส 1 ปี 2566

ความครอบคลุมของกลุ่มผู้ให้กู้สำหรับสถิติชุดที่ปรับปรุงแล้ว สามารถจำแนกเป็นสถาบันรับฝากเงิน สถาบันการเงินอื่น และภาคเศรษฐกิจอื่น ดังรายละเอียดตามตารางที่ 4 โดยมีข้อมูลย้อนหลังเริ่มตั้งแต่ไตรมาส 1
ปี
2555 ในขณะที่ข้อมูลเงินให้กู้ยืมแก่ภาคครัวเรือนจำแนกตามวัตถุประสงค์ภายหลังการปรับปรุงไม่มี
การเปลี่ยนแปลงรายการวัตถุประสงค์จากเดิม อย่างไรก็ตาม การขยายความครอบคลุมของผู้ให้กู้ทำให้จำเป็นต้องสร้างชุดข้อมูลใหม่อีกหนึ่งชุด โดยมีข้อมูลย้อนหลังเริ่มตั้งแต่ไตรมาส
1 ปี 2555 เช่นกัน เพื่อให้แนวโน้มของข้อมูล
มีความต่อเนื่องและมีข้อมูลในช่วงระยะเวลาที่ยาวเพียงพอสำหรับการวิเคราะห์และการพยากรณ์ได้

ตารางที่ 4 การเปรียบเทียบความครอบคลุมในมิติของผู้ให้กู้ในชุดข้อมูลเงินให้กู้ยืมแก่ภาคครัวเรือน

ความครอบคลุมก่อนปรับปรุง

ความครอบคลุมหลังปรับปรุง

Ø สถาบันการเงินที่รับฝากเงิน

Ø สถาบันการเงินที่รับฝากเงิน

·      ธนาคารพาณิชย์ในประเทศ

·      ธนาคารพาณิชย์ในประเทศ

·      สถาบันการเงินเฉพาะกิจที่รับฝากเงิน

·      สถาบันการเงินเฉพาะกิจที่รับฝากเงิน

·      สหกรณ์ออมทรัพย์

·      สหกรณ์ออมทรัพย์

·      สถาบันรับฝากเงินอื่นๆ

 

·      สถาบันรับฝากเงินอื่นๆ (รวมสหกรณ์เครดิตยูเนี่ยน)

Ø สถาบันการเงินอื่น

Ø สถาบันการเงินอื่น

·      บริษัทบัตรเครดิต ลิสซิ่ง และสินเชื่อส่วนบุคคล

·      บริษัทบัตรเครดิต ลิสซิ่ง และสินเชื่อส่วนบุคคล

·      บริษัทประกันภัยและประกันชีวิต

·      บริษัทประกันภัยและประกันชีวิต

·      บริษัทหลักทรัพย์

·      บริษัทหลักทรัพย์

·      ธุรกิจบริหารสินทรัพย์สถาบันการเงิน

·      ธุรกิจบริหารสินทรัพย์สถาบันการเงิน

·      โรงรับจำนำ

·      โรงรับจำนำ

·      สถาบันการเงินอื่นๆ

 

·      สถาบันการเงินอื่นๆ (รวมธุรกิจสินเชื่อรายย่อยระดับจังหวัด หรือ พิโกไฟแนนซ์)

 

Ø ภาคเศรษฐกิจอื่น 
(กองทุนเงินให้กู้ยืมเพื่อการศึกษา, การเคหะแห่งชาติ, สหกรณ์การเกษตร, สหกรณ์บริการ, สหกรณ์นิคม, สหกรณ์ประมง, สหกรณ์ร้านค้า)

เมื่อปรับปรุงความครอบคลุมของสถาบันผู้ให้กู้แล้ว ยอดคงค้างรวมของเงินให้กู้ยืมแก่ภาคครัวเรือน ณ
ไตรมาส
1 ปี 2566 เพิ่มขึ้น 7.7 แสนล้านบาท ขณะที่อัตราส่วนเงินให้กู้ยืมแก่ภาคครัวเรือนต่อ GDP เพิ่มขึ้นจากร้อยละ 86.3 เป็นร้อยละ 90.6

 

รูปที่ 3  แผนภูมิเปรียบเทียบยอดคงค้างเงินให้กู้ยืมแก่ภาคครัวเรือน และหนี้ครัวเรือนต่อ GDP
ก่อนและหลังการปรับปรุงความครอบคลุม

รูปที่ 4  แผนภูมิเปรียบเทียบสัดส่วนเงินให้กู้ยืมแก่ภาคครัวเรือนจำแนกวัตถุประสงค์ ณ ไตรมาส 1/2566
ก่อนและหลังการปรับปรุงความครอบคลุม

สำหรับวัตถุประสงค์การกู้ยืมที่มีการเปลี่ยนแปลงเพิ่มขึ้นมากที่สุด คือวัตถุประสงค์เพื่อการศึกษา โดย
ณ ไตรมาส 1 ปี
2566 เงินกู้ยืมเพื่อการศึกษาเพิ่มขึ้นจากสถิติชุดเดิม 4.8 แสนล้านบาทหรือมากกว่า 2 เท่า
แต่โดยรวมแล้วสัดส่วนของเงินกู้ยืมแต่ละวัตถุประสงค์ไม่แตกต่างจากเดิมมากนัก โดยวัตถุประสงค์หลักยังคง
เป็นการกู้ยืมเพื่อซื้ออสังหาริมทรัพย์ รองลงมาคือการกู้ยืมเพื่ออุปโภคบริโภคส่วนบุคคล

 

4.      บทสรุป

สถิติเงินให้กู้ยืมแก่ภาคครัวเรือน เป็นข้อมูลที่หลายภาคส่วนให้ความสนใจติดตามอยู่เสมอ เนื่องจากเป็นเครื่องชี้ที่ช่วยสะท้อนถึงเสถียรภาพทางเศรษฐกิจของภาคครัวเรือนในประเทศ ที่ผ่านมา ธปท. จึงมีการปรับปรุงขยายความครอบคลุมสถิติดังกล่าวอยู่เป็นระยะ ๆ สำหรับการปรับปรุงในครั้งนี้ เพื่อให้สถิติดังกล่าวสะท้อนระดับหนี้ของภาคครัวเรือนที่ใกล้เคียงจริงมากที่สุด ธปท. และหน่วยงานผู้ให้กู้มีความพยายามในการจัดเก็บและรวบรวมข้อมูลจากทุกแหล่งที่สามารถเข้าถึงได้ ซึ่งได้เพิ่มความครอบคลุมเงินให้กู้ยืมของกลุ่มผู้ให้กู้อื่น ๆ  ได้แก่ กองทุนเงินให้กู้ยืมเพื่อการศึกษา การเคหะแห่งชาติ ธุรกิจพิโกไฟแนนซ์ และสหกรณ์ประเภทต่าง ๆ เข้ามาด้วย เนื่องจากเป็นแหล่งข้อมูลที่มีบทบาทการให้กู้ยืมแก่ครัวเรือนเพิ่มมากขึ้น รวมทั้งมีความพร้อมทั้งด้านคุณภาพของข้อมูล และ
การให้ข้อมูลที่เพียงพอเพื่อให้สามารถใช้งานและเผยแพร่ได้อย่างต่อเนื่อง อย่างไรก็ดี สถิติเงินให้กู้ยืมแก่

ภาคครัวเรือนของไทยมีนิยามและขอบเขตใกล้เคียงกับข้อมูลของต่างประเทศแต่ยังไม่ครอบคลุมในมิติต่าง ๆ เท่ากับหนี้สินของภาคครัวเรือนตามนิยามสากลขององค์กรระหว่างประเทศ

ข้อมูลเงินให้กู้ยืมแก่ภาคครัวเรือนต่อ GDP หลังการปรับปรุงมีการปรับเพิ่มขึ้นจากข้อมูลก่อนปรับปรุงเฉลี่ยร้อยละ 4.5 ตลอดทั้งชุดข้อมูล โดยในข้อมูลที่จำแนกตามผู้ให้กู้มีการเพิ่มผู้ให้กู้ภาคอื่น ๆ เข้ามาด้วยนอกเหนือจากภาคสถาบันการเงิน ส่วนข้อมูลที่จำแนกตามวัตถุประสงค์การกู้ยืมมีความใกล้เคียงกับสัดส่วนเดิม มีเพียงสัดส่วนของเงินกู้เพื่อการศึกษาที่เพิ่มขึ้นจากร้อยละ 1 เป็นร้อยละ 4 ของเงินให้กู้ยืมแก่ภาคครัวเรือนทั้งหมด

ทั้งนี้ ธปท. กำหนดการเผยแพร่ข้อมูลสถิติชุดใหม่ที่จำแนกตามกลุ่มสถาบันผู้ให้กู้และวัตถุประสงค์การกู้
เป็นรายไตรมาส ล่าช้า
1 ไตรมาส เริ่มตั้งแต่ข้อมูลไตรมาส 1 ปี 2566 โดยมีข้อมูลย้อนหลังถึงงวดไตรมาส 1
ปี 2555 ในวันที่ 30 มิถุนายน 2566 เป็นต้นไป และสำหรับสถิติชุดปัจจุบันจะเผยแพร่จนถึงข้อมูลงวดไตรมาส 4
ปี
2566

 

ภาคผนวก

ตารางที่ 1 การเปรียบเทียบข้อมูลเงินให้กู้ยืมแก่ภาคครัวเรือนจำแนกตามผู้ให้กู้ชุดเดิมกับข้อมูลปัจจุบัน
หลังการปรับปรุงความครอบคลุมสำหรับงวดไตรมาส 1 ปี 2566

(หน่วย: ล้านบาท)

 

 

 

ก่อนปรับปรุง

หลังปรับปรุง

 

 

Q1/2566

Q1/2566

1

สถาบันรับฝากเงิน

12,834,383

12,890,446

2

       ธนาคารพาณิชย์

6,327,510

6,327,510

3

       สถาบันการเงินเฉพาะกิจที่รับฝากเงิน

4,262,938

4,262,938

4

       สหกรณ์ออมทรัพย์

2,241,722

2,241,722

5

       สถาบันรับฝากเงินอื่นๆ

2,213

58,276

6

สถาบันการเงินอื่น

2,359,634

2,366,114

7

       บริษัทบัตรเครดิต ลิสซิ่ง และสินเชื่อส่วนบุคคล

1,848,409

1,848,409

8

       บริษัทประกันภัยและประกันชีวิต

179,401

179,401

9

       บริษัทหลักทรัพย์

116,460

116,460

10

       ธุรกิจบริหารสินทรัพย์สถาบันการเงิน

87,955

87,955

11

       โรงรับจำนำ

82,264

82,264

12

       สถาบันการเงินอื่นๆ

45,145

51,625

13

อื่น ๆ

-

703,741

14

รวม

 15,194,016

 15,960,301

15

เงินให้กู้ยืมแก่ภาคครัวเรือนต่อ GDP (%)

 86.3

90.6

16

เงินให้กู้ยืมแก่ภาคครัวเรือนต่อ GDP ปรับฤดูกาล (%)

86.2

90.6

ตารางที่ 2 การเปรียบเทียบข้อมูลเงินให้กู้ยืมแก่ภาคครัวเรือนจำแนกตามวัตถุประสงค์การกู้ยืมชุดเดิมกับข้อมูลปัจจุบันหลังการปรับปรุงความครอบคลุมสำหรับงวดไตรมาส 1 ปี 2566

(หน่วย: ล้านบาท)

 

 

 

ก่อนปรับปรุง

หลังปรับปรุง

 

 

Q1/2566

Q1/2566

1

เพื่ออุปโภคบริโภคส่วนบุคคล

11,615,763

 12,140,717

2

   เพื่อซื้ออสังหาริมทรัพย์

5,341,316

 5,352,505

3

   ซื้อหรือเช่าซื้อรถยนต์และรถจักรยานยนต์

1,809,336

 1,809,336

4

   เพื่อการศึกษา

211,858

 696,449

5

   อุปโภคบริโภคส่วนบุคคลอื่น

4,253,253

 4,282,427

6

      of which บัตรเครดิตและสินเชื่อส่วนบุคคลภายใต้
      การกำกับของธปท.

1,233,927

 1,233,927

7

เพื่อประกอบอาชีพ

2,714,557

 2,897,568

8

อื่นๆ

863,697

 922,015

9

รวม

15,194,016

 15,960,301

10

เงินให้กู้ยืมแก่ภาคครัวเรือนต่อ GDP (%)

 86.3

 90.6

 

 

เอกสารอ้างอิง

Bank for International Settlements. (2 มิถุนายน 2566). Total credit to households (core debt): BIS. เรียกใช้เมื่อ 20 มิถุนายน 2566 จาก เว็บไซต์ Bank for International Settlements: https://stats.bis.org/statx/srs/table/f3.1

Bank for International Settlements. (ม.ป.ป.). About credit statistics: BIS. เรียกใช้เมื่อ 20 เมษายน 2565 จาก เว็บไซต์ Bank for International Settlements: https://www.bis.org/statistics/about_credit_stats.htm?m=2673

Bank Negara Malaysia. (ม.ป.ป.). Publications - Monthly Highlights & Statistics in April 2022. เรียกใช้เมื่อ 14 มิถุนายน 2565 จาก เว็บไซต์ Bank Negara Malaysia: https://www.bnm.gov.my/-/monthly-highlights-statistics-in-april-2022

Bank of England. (14 กุมภาพันธ์ 2562). Further details about total lending to individuals data. เรียกใช้เมื่อ 14 มิถุนายน 2565 จาก เว็บไซต์ Bank of England: https://www.bankofengland.co.uk/statistics/details/further-details-about-total-lending-to-individuals-data

Bank of Japan. (ม.ป.ป.). [Notes on Statistics] Monetary Aggregates (Market volume, outstanding) / Outstanding of Deposits and Loans. เรียกใช้เมื่อ 28 เมษายน 2565 จาก เว็บไซต์ Bank of Japan: https://www.boj.or.jp/en/statistics/outline/note/notest33.htm/#08

Bank of Korea. (28 พฤษภาคม 2565). Economic Statisitics System - Search Stat. เรียกใช้เมื่อ 14 มิถุนายน 2565 จาก เว็บไซต์ Economic Statisitics System: https://ecos.bok.or.kr/#/SearchStat

Banque de France. (1 เมษายน 2565). Loans to individuals, France 2022Feb. เรียกใช้เมื่อ 20 เมษายน 2565 จาก เว็บไซต์ Banque de France: https://www.banque-france.fr/en/statistics/loans-individuals-france-2022feb

Board of Governors of the Federal Reserve System. (5 มิถุนายน 2563). The Fed - Consumer Credit - G.19 - About. เรียกใช้เมื่อ 13 มิถุนายน 2565 จาก เว็บไซต์ Federal Reserve Board: https://www.federalreserve.gov/releases/g19/about.htm

European Central Bank. (18 สิงหาคม 2563). European Central Bank - Statistical Data Warehouse - Quick View. เรียกใช้เมื่อ 18 เมษายน 2565 จาก เว็บไซต์ European Central Bank: https://sdw.ecb.europa.eu/quickview.do?SERIES_KEY=332.QSA.Q.N.I8.W0.S1M.S1.N.L.LE.F4.T._Z.XDC_R_B1GQ_CY._T.S.V.N._T

Monetary and Financial Dept. International Monetary Fund. . (ตุลาคม 2560). Global Financial Stability Report, October 2017 Is Growth at Risk? Washington, D.C.: International Monetary Fund.

Monetary Authority of Singapore. (26 กุมภาพันธ์ 2563). MAS Monthly Statistical Bulletin - I.5A Commercial Banks: Loans and Advances to Residents by Industry. เรียกใช้เมื่อ 13 มิถุนายน 2565 จาก เว็บไซต์ Monetary Authority of Singapore: https://eservices.mas.gov.sg/statistics/msb-xml/Report.aspx?tableSetID=I&tableID=I.5A

OECD. (ม.ป.ป.). Household accounts - Household debt - OECD Data. เรียกใช้เมื่อ 18 เมษายน 2565 จาก เว็บไซต์ OECD: https://data.oecd.org/hha/household-debt.htm

Statistics Canada. (18 ธันวาคม 2563). Guide to the Monthly Credit Aggregates. เรียกใช้เมื่อ 14 มิถุนายน 2565 จาก เว็บไซต์ Statistics Canada: https://www150.statcan.gc.ca/n1/en/pub/13-605-x/2020001/article/00004-eng.pdf?st=C41h4j3e

Statistics Canada. (13 มิถุนายน 2565). Credit liabilities of households. doi:https://doi.org/10.25318/3610063901-eng

ธนาคารแห่งประเทศไทย.ทีมสถิติการเงินการคลัง 1-2. (ม.ป.ป.). คำอธิบายข้อมูล: EC_MB_039 เงินให้กู้ยืมแก่ภาคครัวเรือน. เรียกใช้เมื่อ 18 เมษายน 2565 จาก เว็บไซต์ธนาคารแห่งประเทศไทย: https://www.bot.or.th/App/BTWS_STAT/statistics/DownloadFile.aspx?file=EC_MB_039_TH.PDF

รชต ตั้งนรารัชชกิจ. (18 มกราคม 2565). หนี้ครัวเรือน: ปัญหาที่ทุกคนต้องร่วมด้วยช่วยกันแก้. เข้าถึงได้จาก เว็บไซต์ธนาคารแห่งประเทศไทย: https://www.bot.or.th/Thai/ResearchAndPublications/articles/Pages/Article_18Jan2022-2.aspx

 

 

ผู้จัดทำ

  พิชามญชุ์ กิตติอัครเสถียร

  ผู้วิเคราะห์อาวุโส

  ธนาคารแห่งประเทศไทย

  PichamKi@bot.or.th

 

 



* ผู้เขียนขอขอบคุณ คุณสุวัชชัย ใจข้อ คุณคุณทิพย์ ตรงธรรมกิจ คุณวิชชวรรณ วรฉัตราวณิช และคุณชญากัญจน์ ประเสริฐบัญชาชัย สำหรับความร่วมมือ การสนับสนุน และคำแนะนำที่มีค่าตลอดระยะเวลาการศึกษาปรับปรุงในครั้งนี้