การพยากรณ์จำนวนนักท่องเที่ยวและการจัดการข้อมูลอนุกรมเวลาที่ไม่ต่อเนื่อง เพื่อพัฒนาการท่องเที่ยวอย่างยั่งยืนในอุทยานแห่งชาติทางทะเล ภาคตะวันออกของประเทศไทย
คำสำคัญ:
การทดแทนค่าสูญหาย , การแพร่ระบาดของโควิด-19 , ข้อมูลอนุกรมเวลา , การแยกส่วนประกอบฤดูกาล , ตัวแบบการพยากรณ์บทคัดย่อ
วัตถุประสงค์และที่มา : ประเทศไทยได้รับการยอมรับในระดับสากลว่าเป็นหนึ่งในจุดหมายปลายทางด้านการท่องเที่ยวที่สำคัญของโลก และการท่องเที่ยวยังถือเป็นปัจจัยสำคัญในการขับเคลื่อนเศรษฐกิจของประเทศอีกด้วย โดยอุตสาหกรรมการท่องเที่ยวไม่เพียงแต่เป็นแหล่งรายได้หลักของประเทศเท่านั้น แต่ยังเป็นกลไกสำคัญในการขับเคลื่อนการจ้างงานและเศรษฐกิจโดยรวม อย่างไรก็ตาม จากสถานการณ์การแพร่ระบาดของโควิด-19 ในช่วงปลายปี พ.ศ. 2562 ส่งผลให้อุตสาหกรรมการท่องเที่ยวภายในประเทศได้รับผลกระทบจากการใช้มาตรการควบคุมทางสาธารณสุขที่เข้มงวด เช่น การล็อกดาวน์ และการจำกัดการเดินทาง ส่งผลให้ไม่มีนักท่องเที่ยวต่างชาติเข้ามาในประเทศไทยตั้งแต่เดือนเมษายน พ.ศ. 2563 เป็นต้นมา ทั้งนี้ แหล่งท่องเที่ยวทางทะเลที่สำคัญของภาคตะวันออกที่ได้รับความนิยมอย่างอุทยานแห่งชาติหมู่เกาะช้าง และอุทยานแห่งชาติเขาแหลมหญ้า – หมู่เกาะเสม็ด ก็ได้รับผลกระทบจากการประกาศปิดการท่องเที่ยวในเขตอุทยานแห่งชาติและวนอุทยานเช่นเดียวกัน ภายหลังการเปิดประเทศในช่วงปลายปี พ.ศ. 2564 อุตสาหกรรมการท่องเที่ยวเริ่มมีการฟื้นตัวอย่างต่อเนื่อง ส่งผลให้จำนวนนักท่องเที่ยวในอุทยานแห่งชาติทางทะเลภาคตะวันออกทั้ง 2 แห่ง เพิ่มขึ้นอย่างชัดเจน ดังนั้น การพยากรณ์จำนวนนักท่องเที่ยวที่มีความแม่นยำ จึงเป็นสิ่งสำคัญในการช่วยหน่วยงานที่เกี่ยวข้องดำเนินการบริหารจัดการการท่องเที่ยวได้อย่างยั่งยืน ทั้งนี้ การพยากรณ์สามารถให้ผลลัพธ์ที่มีความแม่นยำถ้าข้อมูลที่นำมาวิเคราะห์มีความต่อเนื่องและสม่ำเสมอ แต่การแพร่ระบาดของโควิด-19 ส่งผลให้ไม่มีนักท่องเที่ยวเดินทางมายังอุทยานแห่งชาติในช่วงเวลาดังกล่าว จึงทำให้ข้อมูลบางช่วงเป็นศูนย์และเกิดความไม่ต่อเนื่อง ซึ่งอาจส่งผลต่อประสิทธิภาพของตัวแบบการพยากรณ์ ด้วยเหตุนี้ งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อการพยากรณ์จำนวนนักท่องเที่ยวในอุทยานแห่งชาติหมู่เกาะช้าง และอุทยานแห่งชาติ เขาแหลมหญ้า – หมู่เกาะเสม็ด เมื่อข้อมูลได้รับผลกระทบจากสถานการณ์การแพร่ระบาดของโควิด-19 โดยใช้เทคนิคการทดแทนค่าสูญหายมาช่วยในการปรับปรุงคุณภาพข้อมูลให้มีความต่อเนื่อง พร้อมทั้งสร้างตัวแบบการพยากรณ์ที่เหมาะสมด้วยวิธีเชิงสถิติที่เป็นที่รู้จักและใช้กันอย่างแพร่หลายอย่างวิธีบ็อกซ์-เจนกินส์
วิธีดำเนินการวิจัย : ในการศึกษาครั้งนี้ใช้ข้อมูลจำนวนนักท่องเที่ยวที่เดินทางมาท่องเที่ยวในอุทยานแห่งชาติหมู่เกาะช้าง และอุทยานแห่งชาติเขาแหลมหญ้า – หมู่เกาะเสม็ด ตั้งแต่เดือนตุลาคม พ.ศ. 2558 ถึงเดือนมีนาคม พ.ศ. 2568 รวมทั้งสิ้น 114 เดือน จากกรมอุทยานแห่งชาติ สัตว์ป่า และพันธุ์พืช โดยกำหนดรูปแบบของข้อมูลที่ใช้ในการสร้างตัวแบบการพยากรณ์ 3 รูปแบบ คือ 1. ใช้ข้อมูลจริงที่มีค่าศูนย์ 2. กำหนดค่าศูนย์เป็นข้อมูลสูญหาย และ 3. กำหนดข้อมูลช่วงการแพร่ระบาดของโควิด-19 ตั้งแต่เดือนมกราคม พ.ศ. 2563 ถึงเดือนธันวาคม พ.ศ. 2564 เป็นข้อมูลสูญหาย และใช้เทคนิคการแยกส่วนประกอบตามฤดูกาลร่วมกับการประมาณค่าด้วยวิธีค่าเฉลี่ยในการแทนค่าข้อมูล ต่อมาสร้างตัวแบบการพยากรณ์โดยใช้ข้อมูลตั้งแต่เดือนตุลาคม พ.ศ. 2558 ถึงเดือนกันยายน พ.ศ. 2566 ด้วยวิธีบ็อก-เจนกินส์ โดยใช้เกณฑ์สารสนเทศของอะกะอิเกะ (AIC) ในการเลือกตัวแบบที่เหมาะสมภายใต้ตัวแบบ SARIMA หลายตัวแบบที่ใช้ข้อมูลชุดเดียวกัน และใช้รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) เป็นเกณฑ์ในการพิจารณาตัวแบบที่เหมาะสมสำหรับการพยากรณ์จำนวนนักท่องเที่ยวที่เข้ามาท่องเที่ยวในอุทยานแห่งชาติหมู่เกาะช้าง และอุทยานแห่งชาติเขาแหลมหญ้า-หมู่เกาะเสม็ด จากนั้นตรวจสอบความแม่นยำของการพยากรณ์โดยใช้ข้อมูลตั้งแต่เดือนตุลาคม พ.ศ. 2566 ถึงเดือนมีนาคม พ.ศ. 2568 พร้อมทั้งประเมินความแม่นยำของการพยากรณ์ด้วยค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE)
ผลการวิจัย : การประมาณค่าข้อมูลอนุกรมเวลาที่มีความไม่ต่อเนื่องของจำนวนนักท่องเที่ยวในอุทยานแห่งชาติหมู่เกาะช้างและอุทยานแห่งชาติเขาแหลมหญ้า – หมู่เกาะเสม็ด โดยใช้การทดแทนค่าสูญหายด้วยวิธีการแยกส่วนประกอบฤดูกาลร่วมกับขั้นตอนวิธีค่าเฉลี่ย ภายใต้เงื่อนไขการสูญหายของข้อมูล 3 รูปแบบ ได้ผลลัพธ์การแทนค่าที่เป็นบวก ซึ่งเป็นค่าที่สมเหตุสมผลในบริบทของจำนวนนักท่องเที่ยวที่สามารถนำไปใช้ในการสร้างตัวแบบการพยากรณ์ ตัวแบบที่เหมาะสมสำหรับการพยากรณ์จำนวนนักท่องเที่ยวที่เข้ามาท่องเที่ยวในอุทยานแห่งชาติหมู่เกาะช้าง และอุทยานแห่งชาติเขาแหลมหญ้า-หมู่เกาะเสม็ด คือ ตัวแบบ SARIMA(2,1,0)(0,1,1)12 และ SARIMA(0,1,0)(0,1,1)12 ตามลำดับ โดยที่ตัวแบบการพยากรณ์ทั้ง 2 ตัวแบบนี้ เป็น ตัวแบบที่ได้จากชุดข้อมูลที่ทดแทนค่าสูญหายจากการกำหนดช่วงการแพร่ระบาดของโควิด-19 ตั้งแต่เดือนมกราคม พ.ศ. 2563 ถึงธันวาคม พ.ศ. 2564 เป็นข้อมูลสูญหาย ทั้งนี้ ถึงแม้ว่าตัวแบบดังกล่าวจะยังไม่ใช่ตัวแบบที่เหมาะสมที่สุด แต่สามารถนำมาใช้ในการพยากรณ์ได้ โดยที่ตัวแบบ SARIMA(0,1,0)(0,1,1)12 มีความแม่นยำในการพยากรณ์จำนวนนักท่องเที่ยวในอุทยานแห่งชาติหมู่เกาะช้างอยู่ในเกณฑ์ที่สามารถยอมรับได้ ซึ่งมีค่า MAPE เท่ากับ 23.79% ในขณะที่ตัวแบบ SARIMA(0,1,0)(0,1,1)12 มีความแม่นยำในการพยากร์จำนวนนักท่องเที่ยวในอุทยานแห่งชาติเขาแหลมหญ้า-หมู่เกาะเสม็ด อยู่ในเกณฑ์ดี ซึ่งมีค่า MAPE เท่ากับ 12.94% นอกจากนี้ ผลการพยากรณ์จำนวนนักท่องเที่ยวล่วงหน้าในเดือนเมษายนถึงเดือนธันวาคม พ.ศ. 2568 แสดงให้เห็นว่าจำนวนนักท่องเที่ยวที่คาดว่าจะเดินทางมาท่องเที่ยวอุทยานแห่งชาติหมู่เกาะช้าง และอุทยานแห่งชาติเขาแหลมหญ้า – หมู่เกาะเสม็ด ค่อนข้างคงที่ตามรอบฤดูกาล
สรุปผลการวิจัย : แม้ในบางช่วงเวลาจะไม่มีนักท่องเที่ยวเข้ามาท่องเที่ยวในอุทยานแห่งชาติหมู่เกาะช้าง และอุทยานแห่งชาติเขาแหลมหญ้า – หมู่เกาะเสม็ด ซึ่งทำให้เกิดความไม่ต่อเนื่องของข้อมูล แต่เทคนิคการทดแทนค่าสูญหายช่วยให้สามารถใช้ข้อมูลในการสร้างตัวแบบการพยากรณ์เบื้องต้นได้อย่างเหมาะสม ช่วยให้หน่วยงานที่เกี่ยวข้องสามารถวางแผนและจัดการการท่องเที่ยวได้อย่างมีประสิทธิภาพมากขึ้น อย่างไรก็ตาม ผลกระทบจากการแพร่ระบาดของโควิด-19 ยังคงมีอยู่ จนกว่าจะมีข้อมูลที่เพียงพอสำหรับการสร้างตัวแบบการพยากรณ์ที่มีความแม่นยำมากขึ้นในอนาคต
เอกสารอ้างอิง
Anekkunnawut, P. (2020). Forecasting International Tourist Arrivals to Thailand using Time Series and Artificial Neuron Network [Master’s thesis, Chulalongkorn University]. Chula DigiVerse. doi.org/10.58837/ CHULA.THE.2020.1171 (in Thai)
Arttaweekul, S. (2013). Forecasting Amount of Foreign Tourists and Influence of Economy’s Indicator to the Forecasting Amount of Foreign Tourists [Master’s thesis, Thammasat University]. TU Digital Collection. Retrieved from https://digital.library.tu.ac.th/tu_dc/frontend/Info/item/dc:95936 (in Thai)
Boonlha, K. (2019). Forecasting Numbers of Tourists in the Phu Hin Rong Kla National Park. Science and Technology Nakhon Sawan Rajabhat University Journal, 11(14), 1-12. (in Thai)
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics, 9(1), 3-73.
Department of National Parks, Wildlife and Plant Conservation. (2021). Tourist Data in National Parks. April 7, 2025, Retrieved from https://catalog.dnp.go.th/dataset/stat-tourism (in Thai)
Hyndman,R. J., & Rostami-Tabar, B. (2024). Forecasting Interrupted Time Series. Journal of the Operational Research Society, 1-14. doi.org/10.1080/01605682.2024.2395315
Intarapak, S., Supapakorn, T., & Vuthipongse, W. (2022). Classical Forecasting of International Tourist Arrivals to Thailand. Journal of Statistical Theory and Applications, 21(2), 31-43. doi.org/10.1007/s44199-022-00041-5
Kang, H. (2013). The Prevention and Handling of the Missing Data. Korean Journal of Anesthesiology, 64(5), 402-406. doi.org/10.4097/kjae.2013.64.5.402
Keerativibool, W. (2013). Forecasting Model for the Number of International Tourist Arrivals to Thailand. Srinakharinwirot Science Journal, 29(2), 9-26. (in Thai)
Kummong, R., & Homdok, S. (2019). Forecasting Foreign Tourists in Northern Thailand Using Artificial Neural Network. Academic Journal of Science and Applied Science, 3(6),15-31. (in Thai)
Lake, P. (2016). Forecasting International Tourist Arrival to Thailand by Nationality Using Time Series Data Mining Techniques. In KU SRC 1st National Conference 2016. (pp. 453-463). Thailand: Chon Buri. (in Thai)
Lewis, C. D. (1982). Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting. London: Butterwork Scientific.
Lorchirachoonkul, V., & Jitthavech, J. (2005). Forecasting Techniques. Bangkok: National Institute of Development Administration. (in Thai)
Mahavanakul, W., & Prasongsak, N. (2023, June 13). How Has Thai Tourism Recovered Spatially?. Krungthep Thurakit, 1-4. (in Thai)
Manmin, M. (2006). Time Series and Forecasting. Bangkok: Foreprinting (in Thai)
Ministry of Tourism and Sports. (2021). Annual Report 2019. Nonthaburi: Parbpim. (in Thai)
Moritz, S., & Bartz-Beielstein, T. (2017). imputeTS: Time Series Missing Value Imputation in R. R Journal, 9(1), 207-218. doi.org/10.32614/RJ-2017-009
Moritz, S., Gatscha, S., Wang, E., & Hause, R. (2022). Package ‘imputeTS’. [Computer software]. CRAN - R Project. Retrieved from https://cran.rstudio.com/
Mueller, R., & Sobreira, N. (2024). Tourism Forecasts After COVID-19: Evidence of Portugal. Annals of Tourism Research Empirical Insights, 5(1), 1-14. doi.org/10.1016/j.annale.2024.100127
Mukma, M., Chomtee, B., & Payakkapong, P. (2018). Forecasting the Number of Chinese Tourists in Thailand. Thai Science and Technology Journal, 26(3), 417-428. (in Thai)
Saothayanun, L., Taweesakulvatchara, S., Kanjanasakda, Y., & Somrang, B. (2014). A Forecasting Methods for the Number of International Tourists in Thailand: Box-Jenkins Method and Winter’s Method. Thai Science and Technology Journal, 22(1), 89-98. (in Thai)
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 คณะวิทยาศาสตร์ มหาวิทยาลัยบูรพา
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Burapha Science Journal is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information
