เศรษฐมิติว่าด้วยการท่องเที่ยว

38 บทที่ 2: การตรวจสอบข้อมลู และแบบจำ�ลองทางเศรษฐมิติ เมือ่ D = 1 ดงั น้นั ผลต่างอนั ดับท่ี 1 ของ Yt คอื[2.17] Δs Yt = (1 – Ls) Yt = Yt – Ls Yt = Yt – Yt–s สว่ นผลตา่ งของอนกุ รมเวลาทมี่ ฤี ดกู าลและไมม่ ฤี ดกู าล สว่ นใหญน่ ยิ มใชร้ ปู แบบการคณู ของอนกุ รมเวลาทีม่ ีฤดูกาล-ไม่มีฤดกู าล (Seasonal-non-seasonal multiplicative models) ดงั น้ี[2.18] Δd ΔD Yt = (1 – L)d (1 – Ls)D Yt s2) การแปลงข้อมูลอนกุ รมเวลา กรณีที่ข้อมูลอนุกรมเวลามีความแปรปรวนไม่คงท่ีหรือมีความแปรปรวนสูง สามารถทำ� Naturallogarithm ข้อมูลอนุกรมเวลาก่อนนำ�มาใช้ วธิ ีน้ีเป็นวิธีที่นักเศรษฐศาสตร์นยิ มใชล้ ดความแปรปรวนของข้อมูลที่ใช้ในการศึกษา นอกจากน้ีในบางกรณีสามารถแปลงข้อมูลอนุกรมเวลาให้เป็นอัตราการเติบโต(Growth rates: GR) โดยทว่ั ไปนิยมใชก้ ารค�ำ นวณอัตราการเตบิ โตแบบเวลาต่อเวลา เช่น ปีต่อปี เป็นต้นโดยมีสูตรการค�ำ นวณดงั นี้[2.19] Yt – Yt–1 Yt–1 • ข้อมลู ไมต่ อ่ เนอื่ ง (Discrete): × 100 • ขอ้ มลู ตอ่ เน่อื ง (Continuous): ln Yt × 100 หรือ (ln (Yt) – ln (Yt–1)) × 100 Yt–1

เศรษฐมติ ิวา่ ด้วยการทอ่ งเทีย่ ว 392.3 การตรวจสอบความสมั พนั ธข์ องตวั แปรในแบบจ�ำ ลอง ทฤษฎีทางเศรษฐศาสตร์โดยส่วนใหญ่เป็นการอธิบายความสัมพันธ์ระหว่างตัวแปรทางเศรษฐกิจโดยมีเศรษฐมิติเป็นหนึ่งในเคร่ืองมือวิเคราะห์ท่ีสำ�คัญ โดยท่ัวไปการวิเคราะห์ความสัมพันธ์ของตัวแปรในแบบจ�ำ ลองทางเศรษฐศาสตร์นยิ มใช้การวิเคราะหส์ หสัมพนั ธ์ (Correlation analysis) และการวเิ คราะห์การถดถอย (Regression analysis) โดยการวิเคราะห์สหสัมพันธ์ทำ�ให้ทราบความสัมพันธ์และทิศทางของความสมั พนั ธข์ องตวั แปรในแบบจ�ำ ลอง ในขณะทก่ี ารวเิ คราะหก์ ารถดถอย นอกจากทราบความสมั พนั ธ์และทิศทางของความสัมพนั ธ์ ยงั ทราบขนาดของความสัมพันธ์ของตวั แปรในแบบจำ�ลอง ซ่งึ มีประโยชน์ในการวเิ คราะห์อิทธพิ ลของตัวแปรอสิ ระที่มตี ่อตัวแปรตาม หรือสามารถใชใ้ นการพยากรณต์ วั แปรตามได้(รายละเอียดของวิธีการวิเคราะห์ท้ังสองสามารถหาอ่านได้ในหนังสือเศรษฐมิติ) ส่วนใหญ่การวิเคราะห์ด้วยเศรษฐมิตินิยมใช้การวิเคราะห์การถดถอยมากกว่าการวิเคราะห์สหสัมพันธ์ เนื่องจากทฤษฎีทางเศรษฐศาสตร์ได้อธิบายความสัมพันธ์และทิศทางของความสัมพันธ์ของแบบจำ�ลองทางเศรษฐศาสตร์ไว้แล้ว ดังน้ันขนาดของความสัมพันธ์จึงเป็นสิ่งท่ีนักเศรษฐศาสตร์ต้องการทราบจากการวิเคราะห์ด้วยวธิ ีทางเศรษฐมติ ิ ขนาดของความสัมพันธ์ของตัวแปรในแบบจ�ำ ลองทางเศรษฐศาสตรน์ ำ�มาซึ่งการอธิบายคา่ สว่ นเพม่ิ (Marginal) ของตวั แปรตามเมอื่ ตวั แปรอสิ ระมกี ารเปลยี่ นแปลง โดยคา่ สว่ นเพมิ่ ทน่ี กั เศรษฐศาสตร์ให้ความสำ�คัญ เช่น ค่าความยดื หยุ่น คา่ ตัวทวี เปน็ ต้น จากข้างต้นจะเห็นได้ว่า หน่ึงในสิ่งท่ีต้องตรวจสอบก่อนการวิเคราะห์ด้วยวิธีทางเศรษฐมิติ คือการตรวจสอบความสมั พนั ธข์ องตวั แปรตามและตวั แปรอสิ ระในแบบจำ�ลอง(สว่ นการตรวจสอบความสมั พนั ธ์ระหว่างตัวแปรอิสระในแบบจำ�ลองเป็นเรื่องของการตรวจสอบปัญหา Multicollinearity) แม้ว่าในแบบจำ�ลองตามทฤษฎีมีการกำ�หนดตัวแปรตามและตัวแปรอิสระไว้อย่างชัดเจน แต่ในความเป็นจริงมักมีคำ�ถามอยู่เสมอว่า ตัวแปรอิสระกำ�หนดตัวแปรตามเพียงทิศทางเดียว หรือตัวแปรท้ังสองกำ�หนดซ่ึงกันและกันแบบสองทิศทาง (หรือต่างก็เป็นตัวแปรตามท้ังคู่) จากประเด็นปัญหาดังกล่าว สามารถประยกุ ต์ใช้วิธตี รวจสอบความเป็นเหตุเปน็ ผลของตัวแปร 2 ตัว ท่เี สนอโดย Granger (1969) หรือเรยี กว่าการทดสอบ Granger causality (Granger causality test) ในการตรวจสอบความเป็นเหตุเป็นผลของตวั แปรตามและตัวแปรอสิ ระในแบบจ�ำ ลอง การทดสอบGrangercausality เหมาะส�ำ หรบั การตรวจสอบความเปน็ เหตเุ ปน็ ผลของตวั แปร2 ตวัท่ีเป็นข้อมูลอนุกรมเวลาท่ีคงที่ เม่ือสมมติให้มีตัวแปรท่ีเป็นข้อมูลอนุกรมเวลาที่คงท่ี 2 ตัวแปร คือ Xและ Y จากแนวคิดของ Granger ต้องการทดสอบดูวา่ การเปล่ียนแปลงของตัวแปร X เปน็ สาเหตขุ องการเปล่ยี นแปลงของตัวแปร Y หรือการเปล่ยี นแปลงของตวั แปร Y เปน็ สาเหตุของการเปลี่ยนแปลงของตัวแปร X โดยสมมตฐิ านหลักของการทดสอบทัง้ สองกรณี คอื H0: X ไม่เปน็ สาเหตขุ อง Y (X does not Granger cause Y) H0 : Y ไม่เปน็ สาเหตุของ X (Y does not Granger cause X)

40 บทท่ี 2: การตรวจสอบขอ้ มูลและแบบจำ�ลองทางเศรษฐมติ ิสมการท่ีใชใ้ นการทดสอบสมมตฐิ าน X ไม่เป็นสาเหตุของ Y คือ[2.20] Yt = α + γj Yt–j + βi Xt–i + εUt (Unrestricted regression: U) Yt = α + γj Yt–j + εRt (Restricted regression: R) และสมมติฐาน Y ไม่เปน็ สาเหตขุ อง X คือ[2.21] Xt = α + γj Xt–j + βi Yt–i + εUt (Unrestricted regression: U) Xt = α + γj Xt–j + εRt (Restricted regression: R) สมมตฐิ านหลักของการทดสอบสมการแตล่ ะค่รู ะหว่าง Unrestricted regression กบั Restrictedregression [การทดสอบมี 2 ชุด คือ X ไม่เป็นสาเหตขุ อง Y และ Y ไม่เปน็ สาเหตขุ อง X] คอื[2.22] H0 : β1 = β2 = … = βn = 0 Ha : β1 ≠ β2 ≠ … ≠ βn ≠ 0 ส�ำ หรับสถติ ิทดสอบ (Test statistic) ไดแ้ ก่ สถิติ F (F-statistic) โดยมีสูตรการคำ�นวณ ดังน้ี[2.23] (ε′Rt εRt – ε′Ut εUt)m (RSSR – RSSU)m ε′Ut εUt /(n–k) RSSU /(n–k) Fm, (n–k) = = ;k=m+n+1

เศรษฐมิตวิ า่ ดว้ ยการท่องเทยี่ ว 41 จากสมมติฐานหลักที่ว่า “H0 : X ไม่เป็นสาเหตุของ Y (X does not Granger cause Y)”ถา้ คา่ สถติ ิ F ทคี่ �ำ นวณไดม้ คี า่ สงู กวา่ คา่ วกิ ฤติ[Prob. <α] แสดงวา่ ปฏเิ สธสมมตฐิ านหลกั (H0) หมายความวา่X เปน็ สาเหตขุ องการเปลย่ี นแปลงของ Y ในท�ำ นองเดยี วกนั จากสมมตฐิ านหลกั ทวี่ า่ “H0: Y ไมเ่ ปน็ สาเหตุของ X (Y does not Granger cause X)” ถ้าค่าสถิติ F ทคี่ �ำ นวณไดส้ ูงกวา่ คา่ วกิ ฤติ [Prob. < α] แสดงวา่ปฏิเสธสมมตฐิ านหลัก (H0) หมายความวา่ Y เป็นสาเหตุของการเปลย่ี นแปลงของ X จากกรณตี วั อยา่ งการทดสอบความเปน็ เหตเุ ปน็ ผลของการขยายตวั ของการทอ่ งเทย่ี วและการเตบิ โตทางเศรษฐกิจของไทย โดยใช้จำ�นวนและรายได้จากนักท่องเท่ียวต่างชาติ (NTA และ TR) เป็นตัวแทนการขยายตัวของการท่องเที่ยว ส่วนการเติบโตทางเศรษฐกิจใช้ผลิตภัณฑ์มวลรวมประชาชาติ (GDP)เป็นตัวแทน จากการทดสอบ Granger causality พบว่า การเปล่ียนแปลงของจำ�นวนและรายได้จากนักท่องเที่ยวต่างชาติเป็นสาเหตุของการเปลี่ยนแปลงผลิตภัณฑ์มวลรวมประชาชาติของไทย ในขณะที่การเปลี่ยนแปลงของผลิตภัณฑ์มวลรวมประชาชาติของไทยเป็นสาเหตุของการเปลี่ยนแปลงรายได้จากนกั ทอ่ งเทย่ี วตา่ งชาติเท่านัน้ (ตารางท่ี 2.6)ตารางท่ี 2.6 ผลการทดสอบ Granger causality ของการขยายตัวของการท่องเที่ยวและการเติบโตทางเศรษฐกจิ ของไทยสมมติฐานของการทดสอบ (N=53, Lags=3) F-statistic P-valueΔNTA ไมเ่ ปน็ สาเหตุของ ΔGDP 6.2369 0.0013ΔGDP ไม่เปน็ สาเหตุของ ΔNTA 2.1013 0.1145ΔTR ไมเ่ ป็นสาเหตุของ ΔGDP 8.5753 0.0001ΔGDP ไม่เปน็ สาเหตขุ อง ΔTR 7.4854 0.00042.4 การตรวจสอบความสมั พนั ธ์เชงิ ดุลยภาพระยะยาว (Co-integration) การใช้ข้อมูลอนุกรมเวลาที่ไม่คงที่ในการวิเคราะห์สมการถดถอยอาจเกิดปัญหาความสัมพันธ์ท่ีไม่แท้จริงของตัวแปรในแบบจำ�ลอง อย่างไรก็ตามข้อมูลอนุกรมเวลาที่ไม่คงท่ีอาจมีความสัมพันธ์กันในระยะยาว (Long run relationships) หากพบว่า ค่าเบ่ียงเบน (Deviation) ที่ออกจากความสัมพันธ์เชิงดุลยภาพในระยะยาวมีลักษณะนิ่ง ความสัมพันธ์ในลักษณะดังกล่าวเรียกว่า Co-integration (Engleand Granger, 1987) ดังนั้นการทดสอบ Co-integration (Co-integration test) คือ การทดสอบความน่ิงของค่าเบี่ยงเบนท่ีได้จากการประมาณค่าความสัมพันธ์เชิงดุลยภาพในระยะยาว (Long-runequilibrium relationship) ของตัวแปรอนกุ รมเวลาท่ีไม่คงท่ี หากตัวแปรอนกุ รมเวลามี Co-integrationแสดงวา่ ตัวแปรดังกลา่ วมีความสมั พันธร์ ว่ มกันในระยะยาว

42 บทท่ี 2: การตรวจสอบขอ้ มูลและแบบจ�ำ ลองทางเศรษฐมติ ิ จากขา้ งต้นสามารถนยิ าม Co-integration ของตัวแปร 2 ตวั ทเ่ี ป็นขอ้ มูลอนกุ รมเวลาได้วา่ ถ้า Ytและ Xt มคี ณุ สมบตั ิCo-integration ตวั แปรทง้ั สองจะตอ้ งมอี นั ดบั (Integrated) ของความคงทเี่ ทา่ กนั เชน่ถา้ Yt มีอันดับความคงที่ท่ี d แล้ว Xt จะต้องมอี นั ดบั ความคงที่ที่ d ด้วย [Yt ~ I(d) และ Xt ~ I(d)]และจะต้องมีผลรวมเชิงเส้นตรง (Linear combination) ของตัวแปรทั้งสอง [β1 Xt + β2 Yt] ที่อันดับของความคงท่ีท่ี d–b โดยที่ b>0 และเวกเตอร์ [β1 , β2 ] คือ เวกเตอรท์ ที่ �ำ ใหเ้ กิด Co-integration(Co-integration vector) โดยผลรวมเชิงเส้นตรงจะต้องมีอันดับความคงท่ีที่ 0 [I(0)] ในขณะเดียวกันหากในแบบจ�ำ ลองมีตัวแปรจ�ำ นวน n ตวั โดยกำ�หนดให้ X เป็นเวกเตอรข์ องตัวแปรขนาด n×1 และมอี งคป์ ระกอบดงั น้ี X = (X1t , X2t , … , Xnt) ดงั นน้ั ตวั แปรเหลา่ นมี้ ี Co-integration เมอ่ื ขอ้ มลู อนกุ รมเวลาของตวั แปรเหลา่ นมี้ อี นั ดบั ความคงทเี่ ดยี วกนั เชน่ X ~ I(d) เปน็ ตน้ และจะตอ้ งมเี วกเตอร์ β ขนาด 1×nβ = β1 , β2 , … , βn) ทที่ �ำ ใหผ้ ลรวมเชงิ เสน้ ตรง [βX′= β1 X1t + β2 X2t + … + βn Xnt] มอี นั ดบั ความคงที่ที่ 0 [I(0)] จากกรณีนี้จะเห็นไดว้ า่ อาจมีจ�ำ นวน Co-integration vector มากกวา่ 1 เวกเตอร์ แต่ไมเ่ กนิn–1 เวกเตอร์ และในที่นี้จะสนใจเฉพาะ Co-integration vector ที่ทำ�ให้ผลรวมเชิงเส้นตรงมีอันดับความคงท่ีที่ I(0) เท่าน้ัน เนอ่ื งจากตัวแปรทางเศรษฐศาสตรส์ ว่ นใหญ่มีอนั ดบั ความคงทท่ี ี่ I(1) และการท่ีผลรวมเชิงเส้นตรงของตัวแปรเปน็ I(0) ทำ�ให้ค่าสัมประสทิ ธิข์ อง Co-integration vector เป็นค่าเดียวกับค่าสัมประสิทธิข์ องความสัมพันธ์ในระยาวของตวั แปร (ถวลิ นลิ ใบ, 2544) วธิ ที ดสอบCo-integration ทนี่ ยิ มใช้ ไดแ้ ก่ วธิ ีTwo-stepresidual-based(EngleandGranger,1987)วิธี System-based reduced rank regression (Johansen, 1988, 1995; Johansen and Juselius, 1990)วิธี ARDL bounds test (Pesaran, Shin and Smith, 2001) เป็นต้น โดยจะขอกล่าวถึงวิธีทดสอบทงั้ 3 วิธี พอสังเขป ดังน้ี2.4.1 Two-step residual-based (Engle and Granger test) วิธี Engel and Granger เป็นวิธที ดสอบทงี่ ่าย และเหมาะสำ�หรับใชท้ ดสอบสมการความสมั พนั ธ์เพยี งสมการเดยี ว หรอื ควรมจี �ำ นวนCo-integration ของสมการเพยี ง1 คเู่ ทา่ นนั้ (มตี วั แปรเพยี ง2 ตวั แปร)วิธีน้ีจะพิจารณาคุณสมบัติของค่าคลาดเคล่ือน (εt) ที่ได้จากสมการถดถอยของตัวแปรแต่ละคู่ว่า คงที่ที่ I(0) หรือไม่ หากพบว่า ค่าคลาดคล่ือนดังกล่าวคงท่ีที่ I(0) แสดงว่า ตัวแปรคู่น้ันมีความสัมพันธ์เชงิ ดลุ ยภาพในระยะยาว หรอื มีCo-integration กนั ดงั นนั้ หากสมมตวิ า่ มตี วั แปร2 ตวั ทเี่ ปน็ ขอ้ มลู อนกุ รมเวลา คอื Yt และ Xt และตอ้ งการตรวจสอบCo-integration ของตวั แปรคนู่ ี้ สามารถด�ำ เนนิ การตามขนั้ ตอนได้ดังนี้ (Asteriou and Hall, 2007) ข้ันตอนท่ี 1 ตรวจสอบอันดับความคงทีข่ องตวั แปร Yt และ Xt ด้วยวิธี Unit root test หากตวั แปรทงั้ สองคงทที่ ี่ I(0) สามารถใชก้ ารวเิ คราะหส์ มการถดถอยวธิ คี ลาสสคิ (Classical regression analysis) ได้และไมจ่ �ำ เปน็ ต้องตรวจสอบ Co-integration และหากตวั แปรทง้ั สองมีอนั ดับความคงทแี่ ตกต่างกนั ซึง่ มีความเปน็ ไปไดท้ ่จี ะไม่มี Co-integration (ตามวิธนี ี้จะไมด่ ำ�เนินการทดสอบ Co-integration ต่อ) แต่ถ้าตวั แปรทัง้ สองมอี นั ดบั ความคงทเี่ ดยี วกัน ซึ่งปกติตวั แปรทางเศรษฐศาสตร์จะคงท่ที ี่ I(1) ใหด้ ำ�เนินการต่อในข้นั ตอนตอ่ ไป

เศรษฐมติ ิว่าด้วยการท่องเทยี่ ว 43 ขน้ั ตอนที่ 2 กำ�หนดแบบจ�ำ ลองความสัมพันธ์เชงิ ดุลยภาพในระยะยาว [Yt = β1 + β2 Xt + εt(เรียกว่า Co-integration regression)] แล้วประมาณค่าสัมประสิทธิ์ของแบบจำ�ลองด้วยวิธี OLS(ค่าสัมประสิทธ์ิของตัวแปร Xt เรียกว่า Co-integration parameter) และคำ�นวณหาค่าคลาดเคล่ือน[ t = Yt – 1 – 2 X t] ขัน้ ตอนที่ 3 ตรวจสอบคา่ คลาดเคลื่อน ( t) ว่ามคี ณุ สมบัตคิ งทีท่ ี่ I(0) หรือไม่ ดว้ ยการทดสอบUnit root ตามวิธี DF-test (กรณีคา่ คลาดเคลื่อนมลี ักษณะ White noise) หรอื ADF-test (กรณีมปี ญั หาAutocorrelation) โดยไมร่ วมคา่ คงท่ี และแนวโนม้ เวลาในสมการทดสอบ เนอ่ื งจาก tเปน็ คา่ คลาดเคลอ่ื นท่ีไมม่ ี Random walk with drift และ Linear time trend ดังนัน้ สมการท่ีใช้ทดสอบ Unit root ตามวิธี DF-testและ ADF-test มีลักษณะดงั นี้ [ในทางปฏบิ ัตสิ ามารถใช้วิธีทดสอบ Unit root วิธีอ่ืนๆ ได]้[2.24] ∆ t = φ t–1 + et DF-test: ADF-test: ∆ t = φ t–1 + αj ∆ t–1+et นำ�ค่าสถิติ t ท่คี �ำ นวณไดข้ อง t–1 [เรียกวา่ τ (Tau)] ไปเปรียบเทียบกบั คา่ วิกฤต MacKinnonโดยสมมติฐานหลกั และสมมติฐานทางเลือกของการทดสอบ คอื H0 : t= I(1) , Ha : t= I(0) หากปฏิเสธสมมตฐิ านหลกั แสดงวา่ ตวั แปร Yt และ Xt มีCo-integration หรอื มคี วามสมั พนั ธเ์ ชงิ ดลุ ยภาพในระยะยาววิธี Engel and Granger มีข้อบกพร่องท่ีส�ำ คัญ 3 ประการ คือ (Asteriou and Hall, 2007) 1. การทดสอบ Co-integration ตามวิธี Engle and Granger จะให้ผลการทดสอบทแ่ี ตกตา่ งกนัหากมีการสลับข้างระหว่างตัวแปรอิสระและตัวแปรตาม โดยเฉพาะกรณีที่กลุ่มตัวอย่างมีขนาดเล็ก เช่นจากสมการ Yt = β1 + β2 Xt + εYt เป็นสมการ Xt = β1 + β2 Yt + εXt ซ่ึงตามแนวคิดพ้ืนฐานของการทดสอบCo-integration คา่ Yt และ Xt ตอ้ งใหผ้ ลลพั ธท์ เ่ี หมอื นกนั หรอื ผลการทดสอบCo-integrationไม่ควรเปลย่ี นตามสมการท่ีเกดิ จากการสลบั ขา้ งของตวั แปร 2. หากมีตัวแปรมากกว่า 2 ตัวแปร ทำ�ให้มีความเป็นไปได้ท่ีจะมี Co-integration ของตัวแปรมากกว่า 1 คู่ และสามารถสรา้ งสมการได้หลายสมการจากการสลับตัวแปร ซง่ึ วิธี Engle and Grangerสามารถทดสอบ Co-integration ไดท้ ลี ะคู่ และไมส่ ามารถบอกจ�ำ นวน Co-integration vector ในกรณนี ไ้ี ด้ 3. วธิ ี Engle and Granger เปน็ วธิ แี บบสองขนั้ ตอน (Two step approach) ดงั นน้ั คา่ คลาดเคลอ่ื นท่ีเกิดขึ้นในขั้นตอนท่ี 1 (การคำ�นวณค่าคลาดเคลื่อนจากสมการถดถอยที่ประมาณค่าได้) จะติดไปในขน้ั ตอนท่ี 2 (การทดสอบความคงทข่ี องค่าคลาดเคล่อื น)

44 บทท่ี 2: การตรวจสอบข้อมูลและแบบจำ�ลองทางเศรษฐมิติ2.4.2 System-based reduced rank regression (Johansen test) จากข้อบกพร่องของวิธี Engle and Granger จึงมีการเสนอวิธี System-based reduced rankregression หรือเรยี กว่า วิธี Johansan (Johansen, 1988, 1995; Johansen and Juselius, 1990) ทเ่ี ปน็การทดสอบในรูปแบบ Multivariate co-integration แทนการทดสอบในรูปแบบ Univariate co-integrationโดยอาศัยแบบจำ�ลอง Vector autoregressive model (VAR) เป็นแบบจำ�ลองพ้ืนฐาน และมีขั้นตอนการด�ำ เนินการดงั น้ี (ถวิล นิลใบ, 2544: Asteriou and Hall, 2007) ขน้ั ตอนที่1 ตรวจสอบอนั ดบั ความคงทข่ี องตวั แปรในแบบจ�ำ ลอง ซง่ึ อาจมอี นั ดบั ความคงทท่ี เ่ี หมอื นและแตกต่างกันได้ หลังจากทราบอันดับความคงที่ของตัวแปร ต่อมาประยุกต์ใช้แบบจำ�ลอง VARเพ่อื คน้ หาจำ�นวน Lag ทเี่ หมาะสมของแบบจำ�ลอง ดังนัน้ เมือ่ สมมติให้ Xt คอื เมตรกิ ซ์ของชดุ ตัวแปรX1t , … , Xnt หรือเขยี นในลกั ษณะของสญั ลักษณ์ทางเมตรกิ ซ์ได้ว่า Xt = [X1t , … , Xnt] และแบบจ�ำ ลองVAR ของชุดตัวแปรน้ี คือ[2.25] Xt = A1 Xt–1 + A2 Xt–2 + , … , + Aj Xt–j + εt หรือ Xt = A j Xt–j + εt โดยจำ�นวน Lag ท่ีเหมาะสมของแบบจำ�ลองข้างต้น จะให้ค่าสถิติ LR (Likelihood-ratio)AIC (Akaike’s information criterion) หรอื SC (Schwarz information criterion) ต่ําทส่ี ดุ ขน้ั ตอนท่ี 2 เลอื กแบบจ�ำ ลองVector error correction model (VECM) ทเ่ี หมาะสม จากแบบจ�ำ ลองVAR ที่มีจำ�นวน Lag ทเี่ หมาะสม สามารถปรับใหอ้ ยู่ในรูปแบบ VECM ไดด้ ังน้ี[2.26] ∆Xt = πj ∆Xt–j + πXt–p + εt โดยท ่ี π = – I – Aj πj = – I – A i

เศรษฐมิติว่าดว้ ยการท่องเท่ยี ว 45 p คือ จำ�นวน Lag ทเี่ หมาะสม ส่วน Aj คือ เมตริกซ์ขนาด n×n ของคา่ สมั ประสิทธิข์ องตัวแปรณ ระดบั Lag ต่างๆ ดังนั้น π คอื เมตริกซข์ นาด n×n ทีแ่ สดงความสมั พนั ธ์เชิงดลุ ยภาพในระยะยาว(Long-runrelationships) ทป่ี ระกอบดว้ ย π=αβ′ โดย α คอื คา่ ความเรว็ ในการปรบั ตวั เขา้ สคู่ า่ สมั ประสทิ ธ์ิดลุ ยภาพทม่ี ีขนาด n×r สว่ น β คอื เมตรกิ ซ์ของค่าสมั ประสิทธร์ิ ะยะยาวที่มีขนาด n×r ส�ำ หรบั r คอืจำ�นวนความสมั พนั ธเ์ ชิงดุลยภาพในระยะยาว แบบจ�ำ ลอง VECM ข้างตน้ เปน็ แบบจ�ำ ลองพลวัต (Dynamic model) ที่มคี วามเปน็ ไปได้ที่จะมีองคป์ ระกอบเชงิ ก�ำ หนด (Deterministic components) ทปี่ ระกอบดว้ ยคา่ คงท่ี และหรอื คา่ แนวโนม้ (Trend)หรืออย่างใดอย่างหน่ึงในแบบจำ�ลองระยะสั้นหรือแบบจำ�ลองระยะยาว (ข้ึนอยู่กับข้อมูล) ดังน้ันรูปแบบVECM ท่ีเป็นไปได้จะมลี ักษณะดงั น้ี[2.27] β πj ∆Xt–j + α μ1 (Xt–1 1 t) Xt–1 + μ2 + δ2 t + εt ∆Xt = δ1 โดยที่ μ1 และ δ1 คือ ค่าสัมประสิทธิ์ของค่าคงที่และแนวโน้มในแบบจำ�ลองระยะยาว(หรือ Co-integration equation: CE) สว่ น μ2 และ δ2 คอื ค่าสมั ประสทิ ธ์ของค่าคงที่และแนวโน้มในแบบจ�ำ ลองระยะสนั้ (หรอื แบบจ�ำ ลองVAR) จากรปู แบบดงั กลา่ วมแี บบจ�ำ ลองทเ่ี ปน็ ไปได้5 แบบจ�ำ ลอง คอื (1) ไมม่ ีค่าคงที่หรือแนวโนม้ ใน CE หรือ VAR (δ1 = δ2 = μ1 = μ2 = 0) (2) มีค่าคงท่ี แตไ่ ม่มแี นวโน้มใน CE และไม่มีค่าคงทีห่ รอื แนวโน้มใน VAR (δ1 = δ2 = μ2 = 0) (3) มีคา่ คงที่ใน CE และ VAR แต่ไมม่ ีแนวโน้มใน CE และ VAR (δ1 = δ2 = 0) (4) มีค่าคงที่ใน CE และ VAR และมีแนวโนม้ ใน CE แต่ไม่มแี นวโนม้ VAR (δ2 = 0) (5) มคี า่ คงทีห่ รือแนวโนม้ ใน CE หรือ VAR การพจิ ารณาเลอื กรปู แบบของแบบจ�ำ ลองขน้ึ อยกู่ บั องคป์ ระกอบเชงิ ก�ำ หนดของขอ้ มลู อนกุ รมเวลาทีน่ �ำ มาใช้ ข้นั ตอนที่ 3 กำ�หนด Rank ของ π หรอื จำ�นวนเวกเตอร์ Co-integration (r) โดยค่า Rank ของเมตริกซ์ π คือ จ�ำ นวน Characteristic roots ทีม่ คี า่ แตกตา่ งจากศนู ย์ ซ่ึงมีความเปน็ ไปได้ 3 กรณี คือ(ถวิล นลิ ใบ, 2544) (1) Full rank คอื Rank (π) = n แสดงว่า ตวั แปรทุกตวั คงท่ที ี่ I(0) (2) Rank (π) = 0 แสดงวา่ ตัวแปรทุกตัวมีลกั ษณะไม่คงที่ หรือมี Unit root (3) Rank (π) = r และ 0 < r < n แสดงวา่ มีจ�ำ นวนเวกเตอร์ Co-integration = r

46 บทท่ี 2: การตรวจสอบขอ้ มลู และแบบจำ�ลองทางเศรษฐมติ ิ โดยสถิติท่ีใช้ทดสอบเพ่ือหาจำ�นวนเวกเตอร์ Co-integration คือ Trace test และ Maximumeigenvalue test มีสูตรการค�ำ นวณดงั น้ี[2.28] λtrace (r) = – T ln (1 – i) Trace test: และ Maximum eigenvalue test: λmax (r , r+1) = – T ln (1 – r+1)โดยที่ T คือ จำ�นวนคา่ สงั เกต และ i คือ Eigenvalue สูงสุดของเมตรกิ ซ์ π โดยสมมติฐานที่ใชท้ ดสอบ คอื Trace test: H0 : จ�ำ นวนเวกเตอร์ Co-integration นอ้ ยกวา่ หรือเทา่ กับ r Ha : จ�ำ นวนเวกเตอร์ Co-integration มากกว่า rและ Maximum eigenvalue test: H0 : จำ�นวนเวกเตอร์ Co-integration น้อยกวา่ หรือเท่ากบั r Ha : จำ�นวนเวกเตอร์ Co-integration มากกว่า r+12.4.3 ARDL bounds test (Bounds test) วธิ ี ARDL bounds test (โดยทัว่ ไปเรียกวา่ Bounds test) เสนอโดย Pesaran, Shin and Smith(2001) และมีความไดเ้ ปรยี บกว่าวธิ ขี อง Engle and Granger (1987) Johansen (1988, 1995) และJohansen and Juselius (1990) ใน 3 ประเดน็ คอื 1) ไม่จำ�เป็นตอ้ งคำ�นงึ ถึงอันดบั ความคงท่ขี องตวั แปรที่ใชใ้ นการทดสอบวา่ อยู่ในอนั ดบั เดียวกนั หรอื ไม่ 2) เหมาะสมในกรณที ี่มขี นาดจ�ำ นวนตัวอยา่ งน้อย และ3) สามารถเพมิ่ ตวั แปรหนุ่ เขา้ ไปในกระบวนการทดสอบ Co-integration ได้ (Habibi and Rahim, 2009;Song, Kim and Yang, 2010) โดยรปู แบบของแบบจำ�ลอง ARDL ส�ำ หรบั ใชท้ ดสอบ Co-integrationดว้ ยวิธี Bounds test มลี กั ษณะดังนี้∆[2.29]Yt = β* ∆Xt–i + φ* ∆Yt–i – λECMt–1 + εt โดยท่ี λ = 1 – 1 – 2 , … , – และp–1 ECMt–1 = Yt–1 – X′t–1 สว่ น β* และ φ* คือค่าสัมประสิทธ์ิของความสัมพันธ์เชิงพลวัตในระยะส้ัน ดังนั้นแบบจำ�ลองข้างต้น คือ แบบจำ�ลอง Errorcorrection ที่แสดงถึง ความสัมพันธ์เชิงพลวัตในระยะสั้น (Short-run dynamic) หากตัวแปรในแบบจ�ำ ลองมคี วามสมั พนั ธ์ในระยะยาว คา่ สมั ประสทิ ธิ์ λ จะมคี า่ แตกตา่ งจาก 0 ดงั นน้ั สามารถประยกุ ต์ใช้สถิติ F สำ�หรบั ทดสอบสมมตฐิ านหลัก (H0 : λ = 0) และสมมติฐานทางเลือก (Ha : λ ≠ 0) หากคา่ สถิติ F

เศรษฐมติ ิวา่ ดว้ ยการท่องเท่ียว 47ทคี่ �ำ นวณไดม้ คี า่ สงู กวา่ คา่ วกิ ฤตBounds(Boundscriticalvalue) สมมตฐิ านหลกั ทวี่ า่ ไมม่ ีCo-integrationจะถูกปฏิเสธ แสดงว่า ตัวแปรในแบบจำ�ลองมีความสัมพันธ์ในระยะยาว สำ�หรับในกรณีท่ีกลุ่มตัวอย่างมีขนาดเล็ก (30-80 ตวั อยา่ ง) จะใช้ค่าวิกฤต Bounds ท่เี สนอโดย Narayan (2004) แตถ่ ้ากลมุ่ ตวั อยา่ งมีขนาดใหญจ่ ะนิยมใช้ค่าวิกฤต Bounds ท่เี สนอโดย Pesaran, Shin and Smith (2001) ซง่ึ พฒั นาจากกลุ่มตัวอย่างขนาด 500 และ 1,000 ตวั อย่าง2.5 การตรวจสอบความเหมาะสมและความแม่นย�ำ ในการพยากรณ์ สถิติท่ีใช้ในการตรวจสอบความเหมาะสมของแบบจำ�ลอง หรือค่าสถิติในการตัดสินใจ โดยทั่วไปนยิ มพจิ ารณาจากคา่ R2 , (Adjusted R2), คา่ สถติ ิ F และ AÎC โดยค่าสถติ แิ ตล่ ะตัวมีเง่ือนไขในการพจิ ารณาดงั น้ีคา่ สถิตใิ นการตดั สนิ ใจ สูตรการค�ำ นวณ เงอ่ื นไข มคี า่ ระหว่าง 0-1 หากมคี ่าเขา้ ใกล้ 1 แสดงว่า ตัวแปรอสิ ระR2 R2 = 1 – (y – ′ ) สามารถอธิบายตวั แปรตามไดด้ ี แต่หากแบบจ�ำ ลอง )′(y – มฟี งั ก์ชันฟอรม์ ที่แตกตา่ งกันควรใช้ Quasi R2 (Adjusted R2) ในการเปรียบเทียบแทนF–statistic R2 = 1 – (1–R2) T–1AÎC T–k ควรมีคา่ ใกลเ้ คยี ง R2 ซ่งึ แสดงให้เห็นว่า(Akaike’s information การเพิ่มตวั แปรอสิ ระหรอื จำ�นวนตวั อยา่ งไมม่ ีผลต่อคา่ R2criterion) F= ∑ ( – )2 / k ∑ε2/(n–k–1) คา่ สถติ ิ F ควรมีค่ามากพอท่จี ะท�ำ ให้คา่ P-value ของ คา่ สถิติ F < α จงึ แสดงว่า ค่าสมั ประสิทธิ์ของตัวแปรอสิ ระ AIC = 21T + 2k/T ทกุ ตัวในแบบจ�ำ ลองมคี า่ แตกต่างไปจากศูนย์ เป็นคา่ ที่แสดง ความแปรปรวนของค่าคลาดเคลื่อน ที่เกดิ จากการประมาณคา่ ดังน้นั การเลอื กแบบจ�ำ ลอง ทใี่ ห้คา่ AÎC ต่าํ ท่ีสุด เนือ่ งจากเปน็ แบบจำ�ลอง ที่คา่ คลาดเคลื่อนมีความแปรปรวนน้อยทสี่ ุด

48 บทท่ี 2: การตรวจสอบขอ้ มูลและแบบจำ�ลองทางเศรษฐมติ ิ การตรวจสอบความแม่นย�ำ ของแบบจำ�ลองพยากรณ์มหี ลายวธิ ี แตว่ ธิ ีทีน่ ยิ ม ไดแ้ ก่ คา่ เฉล่ียของคา่ สัมบรู ณข์ องความคลาดเคลอ่ื น (Mean absolute error: MAE) คา่ เฉลย่ี ของค่าสัมบรู ณข์ องเปอร์เซ็นต์ของความคลาดเคล่ือน (Mean absolute percentage error: MAPE) รากท่ีสองของค่าเฉลี่ยของความคลาดเคลอื่ นก�ำ ลงั สอง(Rootmeansquareerror:RMSE) และรากทส่ี องของคา่ เฉลยี่ ของเปอรเ์ ซน็ ต์ของความคลาดเคลอ่ื นกำ�ลังสอง (Root mean square percentage error: RMSPE) โดยมีสูตรการค�ำ นวณดงั นี้• คา่ เฉลยี่ ของค่าสมั บูรณ์ εt ของความคลาดเคล่ือน: MAE = n• คา่ เฉล่ียของค่าสมั บูรณ์ของเปอรเ์ ซน็ ต์ MAPE = Yt × 100 ของความคลาดเคลือ่ น: n• รากที่สองของคา่ เฉลยี่ ของความคลาดเคลือ่ น ( )2 กำ�ลงั สอง: RMSE = n• รากทส่ี องของค่าเฉลีย่ ของเปอร์เซน็ ต์ RMSPE = Yt × 100 ความคลาดเคลื่อนกำ�ลงั สอง: n ค่าสถิติท้งั 4 เป็นค่าสถติ ิทน่ี ยิ มใชพ้ จิ ารณาความคลาดเคลือ่ นของการพยากรณ์ ดงั น้นั ค่าสถติ ิที่ได้ควรมีค่านอ้ ย หรือเข้าใกล้ 0 จงึ แสดงว่า แบบจำ�ลองมคี วามแม่นย�ำ ในการพยากรณส์ ูง

เศรษฐมิติวา่ ด้วยการทอ่ งเที่ยว 492.6 การตรวจสอบขอ้ มลู อนุกรมเวลาท่ใี ช้พัฒนาแบบจ�ำ ลองพยากรณ์ การพฒั นาแบบจ�ำ ลองพยากรณ์โดยสว่ นใหญม่ วี ตั ถปุ ระสงคเ์ พอื่ การพยากรณท์ แ่ี มน่ ย�ำ (Accuracy)และนยิ มใชร้ ูปแบบการวิเคราะหท์ ี่เรียกว่า Ex post forecast ในการตรวจความแมน่ ย�ำ ของการพยากรณ์ด้วยแบบจำ�ลองที่พัฒนาข้ึนมา แบบจำ�ลองพยากรณ์ส่วนใหญ่พัฒนาจากข้อมูลอนุกรมเวลาท่ีมีลักษณะแตกต่างกัน ดังน้ันเพื่อให้ผลการพยากรณ์มีความแม่นยำ�มากขึ้นจึงควรตรวจสอบข้อมูลอนุกรมเวลาก่อนนำ�มาใช้ ซ่ึงในการศึกษาของอัครพงศ์ อั้นทอง และปวีณา คำ�พุกกะ (2553) แสดงให้เห็นว่าการพยากรณ์ภายใต้ข้อมูลอนุเวลาท่ีมีลักษณะแยกย่อย (Disaggregated) หรือใช้ข้อมูลที่มีความถ่ีที่สูงกว่า จะทำ�ให้แบบจำ�ลองสามารถพยากรณ์ได้แม่นยำ�มากข้ึน (ดูรายละเอียดเพ่ิมเติมในหัวข้อ 2.7)อยา่ งไรก็ตามควรมีการตรวจสอบข้อมลู อนุกรมเวลาในเบอื้ งตน้ ก่อนน�ำ มาใช้ ดังนี้ (1) พจิ ารณาขอ้ มลู อนกุ รมเวลาทนี่ �ำ มาใชด้ ว้ ยการเขยี น(Plot) กราฟของขอ้ มลู อนกุ รมเวลาแตล่ ะชดุ(โดยปกตจิ ะใชก้ ราฟเสน้ ) เพอ่ื พจิ ารณาการเคลอื่ นไหวของขอ้ มลู อนกุ รมเวลา และแบบแผนการเคลอ่ื นไหวในเบื้องต้นว่า มีอิทธิพลของแนวโน้ม ฤดูกาล วัฏจักร และเหตุการณ์ความไม่แน่นอนหรือไม่ (เป็นการพจิ ารณาองคป์ ระกอบของขอ้ มลู อนกุ รมเวลาในเบอื้ งตน้ ) รวมทง้ั ควรพจิ ารณาคา่ สถติ พิ นื้ ฐาน เชน่ คา่ เฉลย่ีค่าความแปรปรวน ค่าสงู สุด คา่ ตา่ํ สดุ ขนาดตัวอยา่ ง เพือ่ ทราบถงึ การแจกแจง ความโดง่ ความเบ้ และค่าสุดโตง่ ของขอ้ มูลท่ีใช้ (2) ตรวจสอบองคป์ ระกอบของขอ้ มลู อนกุ รมเวลาดว้ ยวธิ แี ยกองคป์ ระกอบ เพอ่ื ทราบอทิ ธพิ ลของแนวโนม้ฤดูกาล วัฏจักร และความไม่แน่นอนท่ีมีอยู่ในข้อมูล วิธีแยกองค์ประกอบที่นิยมใช้มีอยู่ 3 วิธี ได้แก่วธิ คี า่ เฉลยี่ อยา่ งงา่ ย วธิ คี า่ เฉลยี่ เคลอ่ื นที่ และวธิ ีCensusII อคั รพงศ์ อน้ั ทอง และมง่ิ สรรพ์ ขาวสอาด (2552)เสนอว่า ในกรณีที่ข้อมูลอนุกรมเวลามีความผันผวนสูง ควรใช้วิธี Census II ที่เรียกว่า X-12-ARIMAเน่ืองจากเป็นวิธีที่เหมาะสมในกรณีที่ไม่สามารถกำ�หนดช่วงเวลาของการหาค่าเฉลี่ยได้แน่นอนและในกรณที ข่ี อ้ มลู มคี วามผนั ผวนสงู นอกจากนกี้ ารทราบองคป์ ระกอบของขอ้ มลู อนกุ รมเวลาจะท�ำ ใหส้ ามารถก�ำ หนดรูปแบบและตวั แปรในแบบจ�ำ ลองพยากรณ์ไดเ้ หมาะสมและถกู ต้อง (3) ตรวจสอบคุณสมบัติความคงที่ของข้อมูลอนุกรมเวลาว่า มีสภาวะสมดุลเชิงสถิติ หรือไม่มีการเปลย่ี นแปลงคณุ สมบตั ทิ างสถติ เิ มอ่ื เวลามกี ารเปลย่ี นแปลง วธิ ตี รวจสอบความคงทข่ี องขอ้ มลู อนกุ รมเวลาที่นิยมใช้ในปัจจุบันได้แก่ การทดสอบ Unit root ซ่ึงควรเลือกวิธีทดสอบ Unit root ให้สอดคล้องกับลกั ษณะของขอ้ มลู อนกุ รมเวลา กลา่ วคอื หากขอ้ มลู อนกุ รมเวลาเปน็ ขอ้ มลู ที่ไมม่ อี ทิ ธพิ ลฤดกู าล ควรเลอื กวธิ ที ดสอบUnitroot เชน่ ADF-test,PP-test,KPSS-test เปน็ ตน้ แตถ่ า้ ขอ้ มลู อนกุ รมเวลามอี ทิ ธพิ ลฤดกู าลควรเลือกวธิ ที ดสอบ Seasonal unit root ที่เรยี กวา่ HEGY-test เชน่ วธิ ีที่เสนอโดย Franses (1991)Beaulieu and Miron (1993) เป็นต้น การตรวจสอบข้อมูลอนุกรมเวลาในเบ้ืองต้น ทำ�ให้ทราบลักษณะพ้ืนฐานของข้อมูลอนุกรมเวลาท่นี �ำ มาใช้ เช่น องคป์ ระกอบ ความคงท่ี เป็นตน้ และควรเลือกแบบจำ�ลองให้สอดคล้องหรอื เหมาะสมกบัคณุ ลกั ษณะพ้ืนฐานของขอ้ มลู อนกุ รมเวลา เช่น ในกรณขี องการพัฒนาแบบจ�ำ ลองพยากรณ์ตามวธิ ีบอ็ กซ์และเจนกนิ ส์ (Box andJenkins) หากขอ้ มลู อนกุ รมเวลามอี ทิ ธพิ ลฤดกู าลควรเลอื กใชแ้ บบจ�ำ ลอง SARIMA

50 บทที่ 2: การตรวจสอบข้อมูลและแบบจ�ำ ลองทางเศรษฐมิติแทนแบบจ�ำ ลองARIMA และหากขอ้ มลู อนกุ รมเวลามอี ทิ ธพิ ลของเหตกุ ารณค์ วามไมแ่ นน่ อน หรอื มคี า่ สดุ โตง่(Outlier) ควรเลอื กแบบจ�ำ ลอง Intervention หรอื เพม่ิ ตวั แปร Outlier ทงั้ ทเ่ี ปน็ Additive outlier หรอื Levelshifts เขา้ ไปในแบบจำ�ลอง เป็นต้น นอกจากนหี้ ากขอ้ มลู อนกุ รมเวลามลี กั ษณะไมค่ งที่ ตอ้ งแปลงขอ้ มลู อนกุ รมเวลาใหค้ งทก่ี อ่ นนำ�มาใช้วเิ คราะหด์ ว้ ยวธิ ที างเศรษฐมติ หิ รอื พฒั นาแบบจ�ำ ลองพยากรณ์ โดยเฉพาะแบบจ�ำ ลองทเี่ ปน็ สมการถดถอยท่ีประมาณคา่ สมั ประสทิ ธด์ิ ว้ ยวธิ ีOLS(อาจเกดิ ปญั หาความสมั พนั ธท์ ่ไี มแ่ ทจ้ รงิ ) หรอื แบบจ�ำ ลองตามวธิ บี อ็ กซ์และเจนกนิ ส์ นอกจากนี้ความคงท่ีของขอ้ มูลอนกุ รมเวลาเปน็ ขอ้ สมมตเิ บือ้ งตน้ ที่สำ�คญั เมอ่ื ตอ้ งใช้วิธที างเศรษฐมิติในการวิเคราะห์ โดยทั่วไปใช้การหาผลต่างของข้อมูลในการแปลงข้อมูลอนุกรมเวลาให้คงที่ซ่ึงสามารถท�ำ ได้ท้ัง Regular difference (ส�ำ หรบั ข้อมลู อนกุ รมเวลาที่ไมม่ ีอทิ ธพิ ลฤดกู าล) และ Seasonaldifference (สำ�หรับข้อมูลอนุกรมเวลาท่ีมีอิทธิพลฤดูกาล) (ดูรายละเอียดในหัวข้อ 2.2) นอกจากนี้หากขอ้ มลู อนุกรมเวลามคี วามแปรปรวนไม่คงทหี่ รอื มีความแปรปรวนสงู สามารถแปลงข้อมูลดว้ ยการทำ� Natural logarithm ซึง่ เปน็ วธิ ที ่นี ักเศรษฐศาสตรน์ ยิ มใช้ลดความแปรปรวนของข้อมลู ที่ใช้ในการศกึ ษา2.7 ลกั ษณะของข้อมลู อนุกรมเวลาและความแมน่ ย�ำ ในการพยากรณ์ ข้อมูลท่ีใช้พัฒนาแบบจำ�ลองพยากรณ์อุปสงค์การท่องเที่ยวเกือบทั้งหมดเป็นข้อมูลอนุกรมเวลาที่มีลักษณะแตกต่างกัน โดยท่ัวไปมีการแบ่งประเภทของข้อมูลอุปสงค์การท่องเที่ยวออกตามลักษณะเฉพาะของนักท่องเท่ยี ว เช่น ประเทศตน้ ทาง (Country of origin) วตั ถุประสงค์ในการเดินทาง (Purposeof the trip) เปน็ ตน้ หรือแบ่งตามความถีข่ องขอ้ มูล เชน่ ขอ้ มูลรายปี รายไตรมาส รายเดือน เปน็ ตน้เนือ่ งจากอุปสงค์การทอ่ งเทย่ี วมลี กั ษณะไม่เหมอื นกันในแตล่ ะบคุ คล (Heterogeneous or disaggregatedindividuals) มากกว่าท่ีจะมีลักษณะเหมือนกันทุกๆ คน (Homogeneous or aggregated individuals)ดังนนั้ จึงควรพัฒนาแบบจ�ำ ลองการพยากรณ์ทีแ่ ตกต่างกันตามลักษณะของขอ้ มลู นอกจากน้ีในการศึกษาของ อัครพงศ์ อ้ันทอง และปวณี า ค�ำ พกุ กะ (2553) ไดแ้ สดงใหเ้ ห็นว่า ความแตกตา่ งของลักษณะขอ้ มูลมีผลต่อความแม่นย�ำ ในการพยากรณ์ ที่ผ่านมามีการศึกษาอย่างกว้างขวางถึงความแม่นยำ�ของการนำ�ข้อมูลที่มีลักษณะแยกย่อย(Disaggregated) และลักษณะรวมกนั (Aggregated) มาใช้ สว่ นใหญ่เปน็ การศกึ ษาโดยใชข้ อ้ มลู เศรษฐกิจมหภาค เชน่ GrunfeldandGriliches(1960)EdwardsandOrcutt(1969)Rose(1977)TiaoandGuttman(1980) Lütkepohl (1984) Palm and Zellner (1992) Clark (2000) Zellner and Tobias (2000) Espasaand Albacete (2007) เป็นต้น แต่มีการศกึ ษาโดยใช้ข้อมูลอุปสงคก์ ารท่องเท่ียวจำ�นวนนอ้ ย อย่างไรกต็ ามการศึกษาในอดีตให้ข้อสังเกตบางประการในการใช้ข้อมูลอุปสงค์การท่องเท่ียวที่เป็นข้อมูลอนุกรมเวลาเพื่อการพยากรณ์ว่า การใช้ข้อมูลที่มีลักษณะแยกย่อยอาจมีความแม่นยำ�ในการพยากรณ์มากกว่าการใช้ขอ้ มูลที่มลี กั ษณะรวมกนั เนื่องจากขอ้ มูลลกั ษณะรวมกนั ไม่ได้พจิ ารณาความแตกตา่ งของพฤตกิ รรมและองคป์ ระกอบย่อยอน่ื ๆ ที่มีอยู่ในอปุ สงค์การทอ่ งเที่ยว จงึ เกดิ ความคลาดเคลอื่ นจากการพยากรณ์มากกว่าอย่างไรก็ตามในบางกรณีข้อมูลที่มีลักษณะรวมกันอาจให้ผลการพยากรณ์ที่แม่นยำ�มากกว่า เช่นการศกึ ษาของ Vu and Turner (2005) Kon and Turner (2005) เป็นต้น โดยเฉพาะในกรณีทอ่ี ปุ สงค์

เศรษฐมิตวิ ่าด้วยการท่องเท่ยี ว 51การท่องเท่ียวมีลักษณะคล้ายคลึงกัน (Homogeneous) หรือแหล่งท่องเที่ยวมีขนาดเล็กและขาดความหลากหลายของสิ่งดึงดูดใจทางด้านการท่องเที่ยว ดังนั้นนักท่องเท่ียวท่ีเดินทางมาท่องเท่ียวจึงมีลกั ษณะเฉพาะท่ีใกลเ้ คยี งกนั เชน่ ในกรณขี องฮอ่ งกงทน่ี กั ทอ่ งเทย่ี วสว่ นใหญเ่ ดนิ ทางไปฮอ่ งกงเพอ่ื ชอ็ ปปงิ้เป็นส�ำ คญั เปน็ ต้น ดังน้นั จากผลการศึกษาในอดตี จงึ ไมส่ ามารถสรุปไดว้ ่า ขอ้ มูลอนกุ รมเวลาของอุปสงค์การท่องเทยี่ วทีม่ ีลกั ษณะแยกยอ่ ยหรือรวมกนั แบบไหนใหผ้ ลการพยากรณท์ แ่ี ม่นย�ำ มากกวา่ กัน นอกจากนี้ แม้ว่าในอดีตการพัฒนาแบบจำ�ลองการพยากรณ์อุปสงค์การท่องเท่ียวนิยมใช้ข้อมูลรายปี แต่ปัจจุบันมีการใช้ข้อมูลรายไตรมาสและรายเดือนเพิ่มข้ึนอย่างต่อเน่ือง เนื่องจากข้อมูลรายไตรมาสและรายเดอื นมอี ทิ ธพิ ลฤดกู าลทเ่ี ปน็ องคป์ ระกอบส�ำ คญั ของอปุ สงคก์ ารทอ่ งเทย่ี ว จากการทบทวนงานวจิ ยั ทางดา้ นอปุ สงคก์ ารทอ่ งเทย่ี วในอดตี พบวา่ งานวจิ ยั สว่ นใหญน่ ยิ มใชข้ อ้ มลู รายปที ม่ี ขี นาดจ�ำ นวนตวั อยา่ งขนาดเล็กประมาณ 5-28 ตัวอย่างในการวเิ คราะห์ (Lim, 1997) และมงี านวิจยั เพยี งเล็กนอ้ ยท่ีใช้ขอ้ มูลรายไตรมาสท่ีมขี นาดตวั อยา่ งประมาณ 44-99 ตัวอย่าง (Lim and McAleer, 2003) ดงั น้นั การใช้ขอ้ มลู รายปีในการประมาณคา่ สมั ประสทิ ธขิ์ องแบบจ�ำ ลองพยากรณ์ดว้ ยวิธถี ดถอย (Regression) อาจได้คา่ สมั ประสทิ ธท์ิ อ่ี คติ (Bias) มปี ัญหาความเทย่ี งตรง (Precision problem) และมปี ญั หาความไมส่ อดคลอ้ ง(Non consistent) เนอื่ งจากขนาดของตวั อยา่ งมผี ลต่อคา่ สมั ประสิทธ์ิของวธิ ีถดถอย และค่า Degree offreedom ของสมการพยากรณ์ Hair et al. (1998) และ Van Voorshis and Morgan (2007) เสนอว่าการวิเคราะห์ข้อมูลหลายตัวแปร (Multivariate analysis) โดยเฉพาะการใช้วิธีถดถอยจะต้องมีขนาดตวั อย่างอยา่ งน้อย 10-20 ตัวอยา่ งตอ่ ค่าสัมประสิทธ์ทิ ีต่ อ้ งการประมาณคา่ 1 ตวั ดงั น้นั การใชข้ ้อมูลรายไตรมาสหรือรายเดือนสามารถแก้ไขปัญหาดังกล่าวได้ เนื่องจากเป็นการเพิ่มขนาดตัวอย่างที่ใช้ในการวิเคราะห์ นอกจากนีก้ ารใชข้ อ้ มูลรายไตรมาสหรือรายเดอื นในการพัฒนาแบบจ�ำ ลองพยากรณ์อปุ สงค์การท่องเที่ยวยังสามารถตรวจสอบผลกระทบจากอิทธิพลฤดูกาลได้อีกด้วย ซึ่งสอดคล้องกับพฤติกรรมโดยทั่วไปของนกั ทอ่ งเทยี่ วทน่ี ยิ มทอ่ งเทีย่ วตามฤดกู าล จากการศกึ ษาของ อคั รพงศ์ อน้ั ทอง และปวณี า ค�ำ พกุ กะ (2553) พบวา่ ลกั ษณะของขอ้ มลู อนกุ รมเวลาทแี่ ตกตา่ งกนั มผี ลตอ่ ความแมน่ ย�ำ ในการพยากรณอ์ ปุ สงคก์ ารทอ่ งเทย่ี วไทย โดยแบบจ�ำ ลองท่ีใชข้ อ้ มลูลักษณะแยกย่อยรายประเทศให้ผลการพยากรณ์ท่ีแม่นยำ�กว่าการใช้ข้อมูลลักษณะรวมทั้งหมด (ตัวชี้วัดท้ัง 4 ตวั ไดแ้ ก่ MAE, MAPE, RMSE, RMSPE ให้ผลลพั ธ์ในทศิ ทางเดยี วกนั ) และแบบจำ�ลองที่ใช้ข้อมูลลักษณะแยกย่อยรายประเทศ ยังสามารถลดความคลาดเคล่ือนจากการพยากรณ์ได้ดีกว่าการใช้ข้อมูลลักษณะรวมทั้งหมดประมาณ 6-9% สำ�หรบั ผลการพิจารณาความแมน่ ยำ�ของการพยากรณ์ที่ใช้ขอ้ มูลท่มี ีความถแ่ี ตกตา่ งกนั พบวา่ แบบจ�ำ ลองที่ใชข้ อ้ มลู รายเดอื นหรอื ขอ้ มลู ทมี่ คี วามถสี่ งู กวา่ (Higherfrequencydata) ให้ผลการพยากรณ์ที่มคี วามแมน่ ย�ำ มากกว่าการใช้ข้อมูลรายปีหรือขอ้ มลู ทมี่ คี วามถต่ี ่าํ กวา่ (Lowerfrequency data) โดยแบบจำ�ลองท่ีใช้ข้อมูลรายเดือนสามารถลดความคลาดเคลื่อนจากการพยากรณ์ได้มากกว่าการใช้ข้อมูลรายปีถึง 113-122% นอกจากนี้เมื่อผสม (Combination) ลักษณะของข้อมูลเข้าด้วยกัน พบว่า แบบจำ�ลองพยากรณ์ท่ีใช้ข้อมูลลักษณะแยกย่อยรายประเทศและเป็นข้อมูลรายเดือนให้ผลการพยากรณ์ที่แม่นย�ำ กว่าการใช้ขอ้ มูลในลกั ษณะอืน่ ๆ ทง้ั หมด ดังแสดงในตารางที่ 2.7

52 บทที่ 2: การตรวจสอบข้อมลู และแบบจำ�ลองทางเศรษฐมิติตารางที่ 2.7 ขนาดของความคลาดเคลื่อนทีเ่ กิดจากการพยากรณภ์ ายใต้ลกั ษณะขอ้ มูลท่ีแตกต่างกันลักษณะขอ้ มลู MAE MAPE RMSE RMSPEรวมทง้ั หมด (เฉล่ีย) [Aggregated] 916,789 11.10 944,038 13.05แยกประเทศ (เฉลี่ย) [Disaggregated] 840,516 10.48 874,435 12.35อัตราสว่ นความแตกต่าง 1.09 1.06 1.08 1.06รายปี (เฉลย่ี ) [Annual] 11.74 1,640,666 11.56 1,665,493รายเดือน (เฉลีย่ ) [Monthly] 5.52อัตราสว่ นความแตกต่าง 737,838 5.21 780,497 2.13รวมทง้ั หมด&รายปี [Aggregated & annual] 2.22 2.22 2.13 12.22รวมทัง้ หมด&รายเดอื น [Aggregated & monthly] 1,717,093 12.09 1,735,279 5.70อัตราสว่ นความแตกตา่ ง 2.14แยกประเทศ&รายปี [Disaggregated & annual] 752,401 5.33 802,533 11.26 2.28 2.27 2.16แยกประเทศ&รายเดอื น [Disaggregated & monthly] 5.34อตั ราส่วนความแตกตา่ ง 1,564,240 11.03 1,595,707 2.11รวมทง้ั หมด&รายปี [Aggregated & annual] 12.22 723,275 5.10 758,461แยกประเทศ&รายปี [Disaggregated & annual] 2.16 2.16 2.10 11.26อัตราสว่ นความแตกต่าง 1.09รวมท้งั หมด&รายเดือน [Aggregated & monthly] 1,717,093 12.09 1,735,279 5.70แยกประเทศ&รายเดอื น [Disaggregated & month] 1,564,240 11.03 1,595,707 5.34อตั ราส่วนความแตกต่าง 1.10 1.10 1.09 1.07ท่มี า: อัครพงศ์ อ้ันทอง และปวีณา ค�ำ พกุ กะ (2553) 752,401 5.33 802,533 723,275 5.10 758,461 1.04 1.05 1.06 ผลการศกึ ษาของ อคั รพงศ์ อน้ั ทอง และปวีณา คำ�พกุ กะ (2553) แสดงใหเ้ ห็นว่า ขอ้ มลู ทมี่ ีลกั ษณะแยกย่อยให้ผลการพยากรณ์แม่นยำ�กว่าข้อมูลท่ีมีลักษณะรวมกัน ซ่ึงสอดคล้องกับงานศึกษาของ Kimand Moosa (2005) แต่ขดั แย้งกบั งานศึกษาของ Vu and Turner (2005) และ Kon and Turner (2005)ท่ีแสดงให้เห็นว่า การใช้ข้อมูลท่ีมีลักษณะรวมกันในการพัฒนาแบบจำ�ลองพยากรณ์ให้ผลการพยากรณ์ที่แม่นยำ�กว่าการใช้ข้อมูลลักษณะแยกย่อย เนื่องจากในกรณีทั้งสองใช้ข้อมูลของประเทศเกาหลีใต้และสงิ คโปร์ ซง่ึ มสี ง่ิ ดงึ ดดู ใจทางดา้ นการทอ่ งเทย่ี วนอ้ ยกวา่ ประเทศไทย และอปุ สงคก์ ารทอ่ งเทย่ี วมลี กั ษณะHomogeneous มากกวา่ ประเทศไทย ดงั นนั้ ในกรณขี องประเทศไทยซงึ่ มสี ง่ิ ดงึ ดดู ใจทางดา้ นการทอ่ งเทย่ี วทหี่ ลากหลายมากกวา่ และอปุ สงคก์ ารทอ่ งเทย่ี วมลี กั ษณะHeterogeneous การใชข้ อ้ มลู ทมี่ ลี กั ษณะแยกยอ่ ยในการพฒั นาแบบจ�ำ ลองพยากรณจ์ ะใหผ้ ลการพยากรณท์ แี่ มน่ ยำ�มากกวา่ เนอื่ งจากขอ้ มลู ลกั ษณะแยกยอ่ ยได้จำ�แนกลักษณะเฉพาะท่ีแตกต่างกันของนักท่องเที่ยว ทำ�ให้การพยากรณ์ภายใต้คุณลักษณะเฉพาะทแี่ ตกตา่ งกนั สามารถลดความคลาดเคลอื่ นจากการพยากรณ์ไดด้ กี วา่ กรณที ่ีใชข้ อ้ มลู ลกั ษณะรวมกนั ทเี่ ปน็การรวมเอาความแตกตา่ งทัง้ หมดของนักทอ่ งเท่ียวไวใ้ นชดุ ของขอ้ มูลเดยี วกนั

เศรษฐมติ ิวา่ ด้วยการท่องเทีย่ ว 53 สำ�หรับการใช้ข้อมูลที่มีความถ่ีสูงกว่าจะให้ผลการพยากรณ์ท่ีแม่นยำ�มากกว่า ซึ่งสอดคล้องกับขอ้ สังเกตของ Lim and McAleer (2003) และ Song and Li (2008) ดังน้ันการใช้ขอ้ มลู รายเดือนจึงให้ผลการพยากรณท์ แ่ี มน่ ย�ำ กวา่ การใชข้ อ้ มลู รายปี เนอ่ื งจากขอ้ มลู รายเดอื นประกอบดว้ ยอทิ ธพิ ลของแนวโนม้ฤดูกาล วัฏจักร และความไม่แน่นอน ในขณะท่ีข้อมูลรายปีไม่มีอิทธิพลฤดูกาลท่ีมีความสำ�คัญตอ่ อปุ สงคก์ ารทอ่ งเทยี่ ว และนกั ทอ่ งเทย่ี วในแตล่ ะตลาดหรอื ในแตล่ ะประเทศมฤี ดกู าลทอ่ งเทยี่ วแตกตา่ งกนัดังน้ันการพัฒนาแบบจำ�ลองพยากรณ์อุปสงค์การท่องเท่ียวโดยใช้ข้อมูลท่ีปราศจากอิทธิพลฤดูกาลอาจกอ่ ให้เกดิ ความคลาดเคลื่อนในการพยากรณ์มากกว่าการใช้ข้อมลู ที่มอี ทิ ธิพลฤดกู าล นอกจากนขี้ ้อมลูที่มีความถี่สูง เช่น ข้อมูลรายเดือน เป็นต้น สามารถสะท้อนความผิดปกติหรืออิทธิพลของเหตุการณ์ความไม่แน่นอนได้ดีกว่า โดยอิทธิพลของเหตุการณ์ความไม่แน่นอนจะมีผลต่ออุปสงค์การท่องเที่ยวในแตล่ ะประเทศแตกต่างกัน เน่ืองจากนกั ท่องเท่ยี วแต่ละประเทศได้รบั อิทธพิ ลและอ่อนไหวตอ่ เหตกุ ารณ์ความไมแ่ น่นอนแตกต่างกัน

54 บทท่ี 2: การตรวจสอบข้อมูลและแบบจำ�ลองทางเศรษฐมิติค�ำ ถามทา้ ยบท1. ทำ�ไมต้องมีการตรวจสอบข้อมูลเบ้ืองต้นก่อนนำ�ข้อมูลมาใช้ในการวิเคราะห์ด้วยวิธีทางเศรษฐมิติ? และจงยกตวั อยา่ งวธิ ีตรวจสอบขอ้ มูลเบ้อื งตน้ มาอย่างนอ้ ย 3 วิธี พร้อมค�ำ อธบิ ายพอสงั เขป?2. ขอ้ มลู อนกุ รมเวลาที่ไมค่ งทมี่ คี ณุ สมบตั อิ ยา่ งไร? และกอ่ ใหเ้ กดิ ปญั หาอะไรหากน�ำ มาใชใ้ นการวเิ คราะห?์ พรอ้ มท้ังยกตัวอยา่ งวิธตี รวจสอบ และวิธีแกไ้ ขปัญหาหากข้อมูลไมค่ งทมี่ าพอสังเขป?3. การตรวจสอบความสัมพันธ์ของตัวแปรในแบบจำ�ลองแตกต่างจากการตรวจสอบความสัมพันธ์ เชงิ ดลุ ยภาพระยะยาว (Co-integration) อยา่ งไร? และแตล่ ะการตรวจสอบมีวิธอี ย่างไรบ้าง? (อธิบาย พอสังเขป)4. การตรวจสอบความเหมาะสมและความความแมน่ ย�ำ ในการพยากรณแ์ ตกตา่ งกนั อยา่ งไร? และในแตล่ ะ การตรวจสอบจะต้องพิจารณาจากค่าสถิติใดบ้าง? (อธิบายพร้อมเงอ่ื นไขในการพจิ ารณา)

เศรษฐมติ วิ า่ ด้วยการทอ่ งเทีย่ ว 55บรรณานุกรมถวิล นลิ ใบ. 2544. เศรษฐมิติ 2. กรุงเทพฯ: สำ�นักพมิ พม์ หาวทิ ยาลยั รามคำ�แหง.อัครพงศ์ อ้ันทอง และปวณี า ค�ำ พุกกะ. 2553. “การตรวจสอบลกั ษณะของข้อมลู อนกุ รมเวลาส�ำ หรบั การ พยากรณ์อุปสงค์การท่องเท่ียวในประเทศไทย.” วารสารมนุษยศาสตร์และสังคม มหาวิทยาลัย อบุ ลราชธานี 1(1): 61-86.อคั รพงศ์ อน้ั ทอง และมง่ิ สรรพ์ ขาวสอาด. 2552. “ความเปน็ ฤดกู าลของการทอ่ งเทย่ี วในจงั หวดั เชยี งใหม.่ ” วารสารเศรษฐศาสตร์ มหาวทิ ยาลัยเกษตรศาสตร์ 16(2): 26-38.Asteriou, D. and Hall G.S. 2007. Applied Econometrics: A Modern Approach using EViews and Microfit. New York: Palgrave Macmillan.Beaulieu, J.J. and Miron, J.A. 1993. “Seasonal unit roots in aggregate US data.” Journal of Econometrics 55(1-2): 305-328.Dickey, D.A. and Fuller, W.A. 1979. “Distribution of the estimators for autoregressive time series with a unit root.” Journal of the American Statistical Association 74(366): 427-431.Enders, W. 2004. Applied Econometric Time Series. 2nd ed. New York: John Wiley & Sons.Engle R.F. and Granger, C.W.J. 1987. “Co-integration and error correction: representation, estimation, and testing.” Econometrica 55(2): 251-276.Franses, P.H. 1991. “Seasonality, non-stationarity and the forecasting of monthly time series.” International Journal of Forecasting 7(2): 227-208.Franses, P.H. and Hobijn, B. 1997. “Critical values for unit root tests in seasonal time series.” Journal of Applied Statistics 24(1): 25-48.Granger, C.W.J. 1969. “Investigating causal relations by econometric models and cross-spectral methods.” Econometrica 37(3): 424-438.Granger, C.W.J. and Newbold, P. 1974. “Spurious regressions in econometrics.” Journal of Econometrics 2(2): 111-120.Habibi, F. and Rahim, K.A. 2009. “A bound test approach to cointegration of tourism demand.” American Journal of Economics and Business Administration 1(2): 165-172.Hair, J.F., Anderson, R.E., Tatham, R.L. and Black, W. 1998. Multivariate Data Analysis. 5th ed. London: Prentice-Hall International Inc.Hylleberg, S., Engle, R.F., Granger, C.W.J. and Yoo, B.S. 1990. “Seasonal integration and cointegration.” Journal of Econometrics 44(1-2): 215-238.Johansen, S. 1988. “Statistical analysis of cointegrating vectors.” Journal of Economic Dynamics and Control 12(2/3): 231-254.

56 บทที่ 2: การตรวจสอบขอ้ มลู และแบบจ�ำ ลองทางเศรษฐมิติJohansen, S. 1995. Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. Oxford: Oxford University Press.Johansen, S. and Juselius, K. 1990. “Maximum likelihood estimation and inference on cointegration with applications to the demand for money.” Oxford Bulletin of Economics and Statistics 52(2): 169-210.Kim, J.H. and Moosa, I.A. 2005. “Forecasting international tourist flows to Australia: a comparison between the direct and indirect methods.” Tourism Management 26(1): 69-78.Kon, S.C. and Turner, L. 2005. “Neural network forecasting of tourism demand.” Tourism Economics 11(3): 301-328.Kwiatkowski, D., Phillips, P.C.B., Schmidt, P. and Shin, Y. 1992. “Testing the null hypothesis of stationarity against the alternative of a unit root.” Journal of Econometrics 54(1-3): 159-178.Lim, C. 1997. “Review of international tourism demand models.” Annals of Tourism Research 24(4): 835-849.Lim, C. and McAleer, M. 2003. “Modeling international travel demand from Singapore to Australia.” CIRJE Discussion Papers CIRJE-F-214. http://www.e.u-tokyo.ac.jp/cirje/research/03 research02dp.html, January 13, 2009.Lütkepohl, H. and Krätzing, M. 2004. Applied Time Series Econometrics. Cambridge: Cambridge University Press.MacKinnon, J. G. 1996. “Numerical distribution functions for unit root and cointegration tests.” Journal of Applied Econometrics 11(6): 601-618.Pesaran, M.H., Shin, Y. and Smith, R.J. 2001. “Bounds testing approaches to the analysis of level relationships.” Journal of Applied Econometrics 16(3): 289-326.Phillips, P.C.B and Perron, P. 1988. “Testing for a unit root in time series regression.” Biometrika 75(2): 335-346Said, E. and Dickey, D.A. 1984. “Testing for unit roots in autoregressive moving average models of unknown order.” Biometrika 71(3): 599-607Song, H. and Li, G. 2008. “Tourism demand modelling and forecasting–A review of recent research.” Tourism Management 29(2): 203-220.Song, H., Kim, J.H. and Yang, S. 2010. “Confidence intervals for tourism demand elasticity.” Annals of Tourism Research 37(2): 377-396.VanVoorshis,C.W.andMorgan,L.B.2007. “Understandingpowerandrulesofthumbfordetermining sample sizes.” Tutorials in Quantitative Methods for Psychology 3(2): 43-50.Vu, J.C. and Turner, L. 2005. “Data disaggregation in demand forecasting.” Tourism and Hospitality Research 6(1): 38-52.

บทท่ี 3การวเิ คราะห์ความเปน็ ฤดกู าลในแหลง่ ทอ่ งเทีย่ ว เนื้อหาในบทนี้เป็นการนำ�เสนอแนวทางการวิเคราะห์ความเป็นฤดูกาลในแหล่งท่องเท่ียวภายใต้การใช้ข้อมูลอนุกรมเวลาที่ครอบคลุมตั้งแต่ การตรวจสอบการเปล่ียนแปลงและรูปแบบความเป็นฤดูกาลด้วย Seasonal unit root การวิเคราะห์ความผันผวนตามฤดูกาล และการวัดขนาดและการกระจุกของความเป็นฤดูกาล เพ่ือให้ผู้อ่านเข้าใจถึงการวิเคราะห์รูปแบบ อิทธิพล และเสถียรภาพความเป็นฤดูกาลรวมท้ังทราบแนวทางการวิเคราะห์ความเข้มข้นของความเป็นฤดูกาลที่เกิดขึ้นในแหล่งท่องเที่ยว และการลดความเป็นฤดูกาลด้วยการเพ่ิมส่วนแบ่งการตลาดของนักท่องเที่ยวกลุ่มต่างๆ นอกจากนี้เพื่อให้ผู้อา่ นเข้าใจแนวทางการวิเคราะหแ์ ละการอธบิ ายผลลัพธท์ ี่ไดจ้ ากการวิเคราะห์ ดังน้ันเนื้อหาในแต่ละตอนจะประกอบดว้ ย แนวทางการประยกุ ตแ์ ละผลลพั ธท์ ไ่ี ดจ้ ากการวเิ คราะห์ โดยใชง้ านศกึ ษาของ อคั รพงศ์ อน้ั ทองและม่ิงสรรพ์ ขาวสอาด (2554) เปน็ กรณตี ัวอย่างในการอธิบาย3.1 ความเปน็ ฤดกู าลในแหลง่ ทอ่ งเท่ียว ความเป็นฤดูกาลเป็นปัจจัยสำ�คัญท่ีมีอิทธิพลต่ออุปสงค์การท่องเท่ียว และเป็นคุณลักษณะเฉพาะที่โดดเด่นของการท่องเที่ยว แม้ว่าปัจจุบันยังไม่มีการให้ความหมายหรือคำ�จำ�กัดความที่ชัดเจนของความเปน็ ฤดกู าลในการทอ่ งเทย่ี ว แตก่ ารศกึ ษาทผี่ า่ นมาแสดงใหเ้ หน็ วา่ ความเปน็ ฤดกู าลเปน็ ปญั หาส�ำ คญัที่แหล่งท่องเที่ยวแต่ละแห่งเผชิญเป็นประจำ�ทุกปี โดยตลาด (หรือประเทศต้นทาง) และแหล่งท่องเท่ียวท่ีแตกต่างกันมีฤดูกาลในการท่องเท่ียวแตกต่างกัน ข้ึนอยู่กับปัจจัยหรือสาเหตุของการเกิดฤดูกาลในการท่องเทยี่ ว ในระยะแรก Bar-On (1975) เสนอว่า ความเป็นฤดูกาลในการท่องเท่ียวมีสาเหตุหลักมาจากปัจจัยทางดา้ นธรรมชาติ (Natural) และสถาบัน (Institutional) ตอ่ มา Butler (1994) ไดแ้ บง่ ปัจจัยทท่ี ำ�ให้เกิดฤดกู าลในการทอ่ งเทยี่ วออกเปน็ 5 ปจั จยั คอื ปจั จัยทางดา้ นธรรมชาติ สถาบัน แฟชัน่ (Fashion)กฎเกณฑ์ทางสังคม (Social pressure) และงานเทศกาลกีฬา (Sporting calendar) ในปี ค.ศ. 1996Frechtling(1996) เสนอเพม่ิ เตมิ วา่ ผลกระทบของเวลาในปฏทิ นิ (Calendarseffect) เชน่ วนั หยดุ ตามเวลาปฏิทิน เป็นต้น เป็นอีกปัจจัยหนึ่งที่ทำ�ให้เกิดฤดูกาลในการท่องเท่ียว จนกระทั่ง Lundtorp, Rassing,andWanhill(1999) ไดส้ รปุ และแบง่ กลมุ่ ของปจั จยั ทที่ �ำ ใหเ้ กดิ ฤดกู าลในการทอ่ งเทย่ี วออกเปน็ 2 กลมุ่ หลกัคือ ปัจจยั ทางดา้ นแรงผลกั (Push factor) เชน่ ความชอบในภมู ิอากาศของนกั ทอ่ งเทย่ี ว การเข้าชมงานเทศกาลกฬี า เปน็ ตน้ และปัจจยั ทางด้านแรงดึง (Pull factor) เชน่ ขนบธรรมเนียม แฟชัน่ วันหยดุ ตามระยะเวลาในปฏิทิน เป็นตน้

58 บทท่ี 3: การวิเคราะห์ความเป็นฤดูกาลในแหลง่ ท่องเทีย่ ว โดยทว่ั ไปแหลง่ ท่องเทยี่ วแต่ละแหง่ มีรปู แบบของวัฎจกั รฤดกู าล 2 รูปแบบ คือ ชว่ งฤดูท่องเท่ยี ว(Highseason) และนอกฤดทู อ่ งเทย่ี ว(Lowseason) วฎั จกั รฤดกู าลทเี่ กดิ ขนึ้ ในแหลง่ ทอ่ งเทยี่ วมผี ลกระทบท้งั ทางตรงและทางออ้ มต่อสงั คมและเศรษฐกจิ (Socio-economic) ส่วนใหญ่มกั กล่าวถึงผลกระทบเชงิ ลบเชน่ ผลกระทบตอ่ การจา้ งงาน การลงทนุ การผลติ ของอตุ สาหกรรมตอ่ เนอื่ ง เปน็ ตน้ มากกวา่ ทจี่ ะกลา่ วถงึผลกระทบเชงิ บวก เชน่ โอกาสในการฟนื้ ฟหู รอื บรู ณะทรพั ยากรการทอ่ งเทย่ี ว เปน็ ตน้ (Volo,2010) นอกจากนี้ความเป็นฤดูกาลทีเ่ กดิ ขนึ้ ในแหลง่ ทอ่ งเท่ยี วท�ำ ใหต้ น้ ทนุ เอกชนและต้นทุนทางสงั คม (Private and socialcosts) สงู กวา่ ผลประโยชน์ท่ีได้รบั ต้นทุนเอกชนทีเ่ กิดขน้ึ เป็นคา่ ใชจ้ า่ ยของผทู้ ่เี ก่ียวข้องกับการทอ่ งเทย่ี วทป่ี ระกอบดว้ ย ผผู้ ลิตทเี่ ปน็ ภาคเอกชน (Private producers) เช่น โรงแรม รา้ นอาหาร เปน็ ต้น ผบู้ รโิ ภคข้ันสดุ ท้าย (Final consumer) เชน่ นักทอ่ งเท่ยี ว คนทอ้ งถ่ิน เป็นต้น และแรงงาน (Workers) ท่ีอยู่ในภาคการทอ่ งเทยี่ ว สว่ นตน้ ทนุ ทางสงั คมสว่ นใหญเ่ ปน็ ตน้ ทนุ ดา้ นสาธารณปู โภคของทอ้ งถน่ิ เชน่ นา้ํ ประปา ไฟฟา้การจัดการมลภาวะ การจัดการขยะ การจัดการจราจร เปน็ ต้น รวมทั้งต้นทนุ ทางด้านทรัพยากรธรรมชาติและสงิ่ แวดลอ้ มท่ีมอี ยู่ในแหลง่ ทอ่ งเท่ยี ว (Cuccia and Rizzo, 2011) การศึกษาท่ีผ่านมามีการนำ�เสนอทั้งแบบจำ�ลอง (Model) วิธีการวัด (Measure) และการขบคิดท่ีจะแก้ไขปัญหาความเป็นฤดูกาลในแหล่งท่องเที่ยว มีท้ังการใช้วิธีเชิงปริมาณและคุณภาพในการศึกษาวธิ เี ชงิ ปรมิ าณทนี่ ยิ มใชม้ ตี งั้ แตก่ ารใชด้ ชั นฤี ดกู าลจนถงึ การใชเ้ ทคนคิ ทางเศรษฐมติ ิในการวเิ คราะห์ ขน้ึ อยกู่ บัวัตถุประสงค์ของการศึกษานั้นๆ และนิยมศึกษาความเป็นฤดูกาลของนักท่องเที่ยวท่ีเดินทางมายังแหลง่ ทอ่ งเทยี่ วและทเี่ ขา้ พกั ในสถานทพี่ กั แรม นอกจากนก้ี ารศกึ ษาทผี่ า่ นมาไดแ้ สดงใหเ้ หน็ วา่ นกั ทอ่ งเทย่ี วภายในประเทศและตา่ งชาตมิ ีรปู แบบความเปน็ ฤดูกาลแตกตา่ งกนั วธิ ีการวัดความเปน็ ฤดกู าลในแหล่งทอ่ งเท่ยี วสามารถท�ำ ได้หลายวิธี ต้ังแต่การใช้ตัวช้วี ัดอย่างง่ายเช่น Coefficient of seasonal variation (CSV), Seasonality indicator (SI), Gini-coefficient (GC)เป็นต้น จนถึงการใช้วิธีทางสถิติหรือเศรษฐมิติ เช่น การวิเคราะห์รูปแบบความเป็นฤดูกาล (Seasonalpattern) การคำ�นวณหาค่าดัชนฤี ดูกาล (Seasonal index) การตรวจสอบ Seasonal unit root การแยกองค์ประกอบด้วยวิธี X-12-ARIMA หรอื TRAMO-SEATS เปน็ ตน้ (Cuccia and Rizzo, 2011) ท้งั น้ีการเลือกวิธีการวัดความเป็นฤดูกาลข้ึนอยู่กับวัตถุประสงค์ของการศึกษาและข้อจำ�กัดของข้อมูลท่ีใช้ในการศกึ ษา อยา่ งไรกต็ ามการศกึ ษาสว่ นใหญน่ ยิ มวดั ความเปน็ ฤดกู าลของแหลง่ ทอ่ งเทยี่ วผา่ นการวเิ คราะห์ความเป็นฤดูกาลของนักท่องเที่ยวท่ีเดินทางมายังแหล่งท่องเท่ียวหรือที่เข้าพักในสถานท่ีพักแรมและใชว้ ธิ กี ารวดั ทห่ี ลากหลายในการตรวจสอบความเขม้ แขง็ (Robustness) ของผลลพั ธท์ ่ไี ด้ เพอื่ ใหไ้ ดม้ าซง่ึคำ�ตอบท่ีนา่ เช่อื ถอื และความเขา้ ใจเก่ยี วกับความเปน็ ฤดูกาลทีเ่ กดิ ขึน้ ในแหล่งท่องเทยี่ ว แมว้ า่ มวี ธิ กี ารวเิ คราะหค์ วามเปน็ ฤดกู าลหลายวธิ ี แตว่ ธิ ที นี่ ยิ มใชศ้ กึ ษาผลกระทบของความผนั ผวนตามฤดกู าลท่มี ตี ่อจ�ำ นวนนกั ทอ่ งเท่ยี วหรือแหล่งทอ่ งเที่ยว คือ การพิจารณาดัชนีฤดูกาลท่ีได้จากการแยกองคป์ ระกอบความเปน็ ฤดกู าลออกจากขอ้ มลู อนกุ รมเวลา เชน่ วธิ เี ฉลย่ี เคลอื่ นท่ี(Movingaverage) เปน็ ตน้ส่วนการศึกษาการกระจุกตัวของความเป็นฤดูกาลนิยมวิเคราะห์ด้วยค่าสัมประสิทธิ์จีนี ก่อนท่ีจะวิเคราะห์องคป์ ระกอบของการกระจุกตวั ของความเปน็ ฤดูกาล เพอ่ื คน้ หา Marginal effect ของตลาดนกั ท่องเท่ยี ว(หรือประเทศต้นทาง) ตามวิธที ี่เสนอโดย Fernandez-Morales and Mayorga-Toledano (2008) สำ�หรับ

เศรษฐมิตวิ า่ ดว้ ยการท่องเท่ียว 59การศึกษาความเป็นฤดูกาลของแหล่งท่องเท่ียวในประเทศไทย ส่วนใหญ่เป็นการวิเคราะห์เพื่อตรวจสอบรปู แบบความเปน็ ฤดกู าลดว้ ยการพจิ ารณาดชั นฤี ดกู าลหรอื การวเิ คราะหอ์ งคป์ ระกอบของขอ้ มลู อนกุ รมเวลาโดยมกี ารศึกษาท้งั ในระดับประเทศ จงั หวัด และในระดับตลาดนักทอ่ งเท่ียว จากความหลากหลายของวิธีการวิเคราะห์ความเป็นฤดูกาล สามารถแบ่งแนวทางการวิเคราะห์ความเปน็ ฤดกู าลในแหลง่ ทอ่ งเทยี่ วดว้ ยขอ้ มลู อนกุ รมเวลา ออกเปน็ 2 แนวทาง ตามกรอบแนวคดิ ทแี่ สดงในรปู ท่ี 3.1 ดังนี้รูปที่ 3.1 แนวทางการวิเคราะห์ความเป็นฤดกู าลในแหล่งท่องเที่ยวดว้ ยขอ้ มลู อนกุ รมเวลา ขอ มูลอนกุ รมเวลา (Time series data) ตรวจสอบการเปลีย่ นแปลงและรูปแบบ ความเปน ฤดูกาลดว ย Seasonal unit root การว�เคราะห การวัดขนาด และการกระจุกตวัความผันผวนตามฤดูกาล ของความเปนฤดูกาลใชดชั นีฤดูกาลวเ� คราะห•รูปแบบ (Pattern) แนวทางการวเ� คราะห•อิทธพิ ล (Impact) •วัดขนาดจาก CSV และ SI•เสถยี รภาพ (Stability) •วดั การกระจกุ ตวั จาก GC •ประเมิน Marginal effect รปู ท ่ี 3.1 แสดงแนวทางการประยกุ ต์ใชว้ ธิ เี ชงิ ปรมิ าณในการวเิ คราะหค์ วามเปน็ ฤดกู าลในแหลง่ ทอ่ งเทย่ี วดว้ ยขอ้ มลู อนกุ รมเวลา โดยเรมิ่ จากการตรวจสอบความเปน็ ฤดกู าลของขอ้ มลู อนกุ รมเวลา ดว้ ยวธิ กี ารตา่ งๆเชน่ การพจิ ารณาจากกราฟเสน้ กราฟคอเรลโลเกรม (Corellogram) การวเิ คราะหด์ ว้ ยดชั นฤี ดกู าล เปน็ ตน้และการตรวจสอบการเปลย่ี นแปลงและรปู แบบความเปน็ ฤดกู าลดว้ ย Seasonal unit root หากตรวจพบวา่ขอ้ มลู อนกุ รมเวลามอี งคป์ ระกอบความเปน็ ฤดกู าล ตอ่ มาจะวเิ คราะหค์ วามผนั ผวนตามฤดกู าล และวดั ขนาดและการกระจุกตัวของความเปน็ ฤดูกาลทีม่ อี ยู่ในขอ้ มูล

60 บทท่ี 3: การวิเคราะห์ความเป็นฤดกู าลในแหลง่ ท่องเที่ยว3.2 การตรวจสอบความเปน็ ฤดกู าลด้วย Seasonal unit root วิธีเบ้ืองต้นท่ีนิยมใช้ตรวจสอบความเป็นฤดูกาลในแหล่งท่องเที่ยว คือ การพิจารณากราฟเส้นดังกรณีตัวอย่างในรูปท่ี 3.2 ซึ่งเป็นกราฟเส้นท่ีแสดงการเคล่ือนไหวของจำ�นวนนักท่องเท่ียวที่เข้าพักในสถานที่พักแรมในจังหวัดเชียงใหม่ระหว่างเดือนมกราคม พ.ศ. 2535-ธันวาคม พ.ศ. 2550 จากการพิจารณากราฟดังกล่าว ทำ�ให้ทราบว่า นักท่องเที่ยวที่เข้าพักในสถานท่ีพักแรมในจังหวัดเชียงใหม่มีความผันผวนตามฤดูกาลจริง และมีขนาดความผันผวนเพิ่มข้ึนตลอดช่วงเวลาท่ีพิจารณา โดยเฉพาะหลงั ปี พ.ศ. 2546 เป็นต้นมา จากการวเิ คราะหเ์ บอื้ งตน้ สามารถตง้ั ขอ้ สงั เกตไดว้ า่ ความเปน็ ฤดกู าลในการทอ่ งเทย่ี วของเชยี งใหม่อาจเกิดจากปัจจัยหลัก 2 ปัจจัย คือ 1) สภาพภูมิอากาศ เน่ืองจากเชียงใหม่ต้ังอยู่ทางภาคเหนือของประเทศซง่ึ มอี ากาศทหี่ นาวเยน็ และมคี วามสวยงามในชว่ งฤดหู นาวของทกุ ปี ท�ำ ใหน้ กั ทอ่ งเทยี่ วทง้ั ชาวไทยและตา่ งชาตนิ ิยมเดินทางมาทอ่ งเทีย่ วเชยี งใหม่ในช่วงดังกล่าวมากกวา่ ชว่ งเวลาอน่ื ๆ ส่วนปัจจัยท่ี 2) คืองานเทศกาลหรอื งานประเพณีต่างๆ ของเชียงใหม่ เช่น งานลอยกระทงในช่วงประมาณเดอื นพฤศจิกายนงานสงกรานต์ในช่วงเดือนเมษายน งานไม้ดอกไม้ประดับในเดือนมกราคม/กุมภาพันธ์ เป็นต้น ดังนั้นในชว่ งทม่ี งี านเทศกาลหรอื ประเพณดี งั กลา่ ว จะมนี กั ทอ่ งเทยี่ วทง้ั ชาวไทยและตา่ งชาตเิ ดนิ ทางมาทอ่ งเทย่ี วเชียงใหม่มากกว่ากรณีปกติเช่นเดียวกัน ปัจจัยท้ังสองทำ�ให้ในช่วงฤดูหนาว และช่วงท่ีมีงานเทศกาลเป็นช่วงฤดูท่องเที่ยวของเชียงใหม่ (High season) ในขณะท่ีเดือนท่ีอยู่นอกช่วงเวลาดังกล่าวเป็นช่วงนอกฤดทู ่องเที่ยว (Low season) ของเชยี งใหม่ เช่น เดือนพฤษภาคม มิถุนายน เปน็ ต้นรูปท่ี 3.2 จำ�นวนนักท่องเทย่ี วทเ่ี ข้าพกั ในสถานท่ีพักแรมของเชยี งใหมร่ ายเดือนระหวา่ งปี พ.ศ 2535-2550 คน มหกรรมพ�ชสวนโลก600,000500,000 กฬี าซ�เกมส 9-11400,000 ว�กฤตเศรษฐกจิ ป 40300,000200,000100,000 ว�กฤตการณโรค SARS 0 ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. ม.ค. 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50ที่มา: อคั รพงศ์ อ้ันทอง และมง่ิ สรรพ์ ขาวสอาด (2552)

เศรษฐมิตวิ า่ ด้วยการทอ่ งเที่ยว 61 นอกจากการพจิ ารณากราฟเสน้ โดยทวั่ ไปยงั วเิ คราะหค์ วามเปน็ ฤดกู าลดว้ ยดชั นฤี ดกู าล(Seasonalindex) เพื่อทราบแบบแผนการเคล่ือนไหวตามฤดูกาลของชุดข้อมูลที่ใช้ศึกษา จากชุดข้อมูลเดียวกันเมอ่ื น�ำ มาวเิ คราะห์ด้วยดัชนีฤดูกาล พบวา่ ระหว่างปี พ.ศ. 2546-2550 ในชว่ งเดอื นตลุ าคม-กุมภาพนั ธ์และกรกฎาคม-สงิ หาคม เป็นชว่ งฤดูท่องเทีย่ วของเชียงใหม่ (ค่าดชั นฤี ดกู าลมคี า่ มากกวา่ 100) ส่วนเดอื นท่ีเหลือเป็นชว่ งนอกฤดทู อ่ งเท่ยี วของเชยี งใหม่ (ตารางท่ี 3.1 และรูปท่ี 3.3) โดยสูตรการคำ�นวณคา่ ดชั นีฤดูกาลมลี ักษณะดงั น้ี[3.1] Si = X i *100 ; i = 1 , 2 , … , 12 Xi โดย Xi คอื ขอ้ มูลจำ�นวนนักท่องเทีย่ วในเดอื นท่ี iตารางที่ 3.1 ดชั นีฤดูกาลของนักท่องเท่ียวทเ่ี ขา้ พกั ในสถานทีพ่ ักแรมของเชียงใหม่ระหว่างปี พ.ศ. 2546-2550 ปี พ.ศ. ม.ค. ก.พ. มี.ค. เม.ย. พ.ค. มิ.ย. ก.ค. ส.ค. ก.ย. ต.ค. พ.ย. ธ.ค. 2546 118.58 120.28 102.51 56.06 48.15 70.36 100.02 111.07 98.64 106.74 126.88 140.71 2547 124.82 92.27 88.98 89.43 82.93 89.33 104.42 106.40 92.35 99.47 111.42 118.17 2548 89.64 93.15 97.21 83.65 84.17 93.39 107.43 109.99 95.29 105.78 115.63 124.68 2549 109.71 102.85 102.24 93.54 85.18 91.28 100.95 105.66 84.99 91.25 107.28 125.07 2550 108.99 106.55 102.30 91.38 82.20 85.57 96.71 101.70 87.88 97.15 113.32 126.25 เฉลีย่ 110.35 103.02 98.65 82.81 76.53 85.99 101.91 106.96 91.83 100.08 114.90 126.98ทม่ี า: ค�ำ นวณจากขอ้ มูลของการทอ่ งเท่ยี วแห่งประเทศไทย

62 บทที่ 3: การวิเคราะหค์ วามเปน็ ฤดกู าลในแหล่งทอ่ งเทีย่ วรปู ที่ 3.3 ดัชนฤี ดูกาลเฉลยี่ ของนกั ทอ่ งเท่ียวทีเ่ ขา้ พักในสถานท่พี ักแรมของเชยี งใหม่ระหว่างปี พ.ศ. 2546-2550 % 140 120 100 80 60 40 มกราคม กุมภาพันธ มนี าคม เมษายน พฤษภาคม มถิ นุ ายน กรกฎาคม สงิ หาคม กันยายน ตลุ าคม พฤศจ�กายน ธันวาคม ข้อมูลอนกุ รมเวลาทมี่ ีองคป์ ระกอบฤดูกาลจะมลี กั ษณะไม่น่ิงหรอื มี Seasonal unit root เนื่องจากข้อมูลดังกล่าวจะมีการเปลี่ยนแปลงที่มีรูปแบบความเป็นฤดูกาลในลักษณะที่เกิดขึ้นซ้ําๆ กันทุกปี ทำ�ให้ขอ้ มลู อนกุ รมเวลาไมอ่ ยู่ในสภาวะสมดลุ เชงิ สถติ ิ(Statisticalequilibrium) หรอื มคี ณุ สมบตั ทิ างสถติ ิ(คา่ เฉลยี่ความแปรปรวน และความแปรปรวนร่วม) ท่ีเปล่ียนแปลงตามเวลา (Ender, 2004) ดังน้ันหากข้อมูลอนกุ รมเวลามี Seasonal unit root แสดงว่า ข้อมลู ดังกล่าวมคี วามเป็นฤดกู าลเป็นองคป์ ระกอบของขอ้ มลูHylleberg et al. (1990) ได้เสนอวธิ ีทดสอบ Seasonal unit root (โดยท่ัวไปเรียกวา่ HEGY-test) ส�ำ หรบัทดสอบข้อมูลอนกุ รมเวลาแบบรายไตรมาส ต่อมา Franses (1991) และ Beaulieu and Miron (1993)พฒั นาวิธีดังกลา่ วให้สามารถทดสอบกับขอ้ มูลอนกุ รมเวลาแบบรายเดอื น แบบจำ�ลองพน้ื ฐานที่ใช้ทดสอบSeasonal unit root ของข้อมูลรายเดอื นมีลกั ษณะดงั น้ี (Franses, 1990)∆ π π π π π π π[3.2] 12 Yt = 1 y1,t–1 + 2 y2,t–1 + 3 y3,t–1 + 4 y3,t–2 + 5 y4,t–1 + 6 y4,t–2 + y7 5,t–1π π π π π φ ∆ ε + 8 y5,t–2 + 9 y6,t–1 + 10 y6,t–2 + 11 y7,t–1 + 12 y7,t–2 + j Y12 t–j + tโดยที ่ y1,t = (1 + L) (1 + L2) (1 + L4 + L8) Yt = – (1 – L) (1 + L2) (1 + L4 + L8) Yt y2,t

เศรษฐมติ วิ า่ ดว้ ยการท่องเท่ียว 63 y3,t = – (1 – L2) (1 + L4 + L8) Yt y4,t = – (1 – L4) (1 – 3L + L2) (1 + L4 + L8) Yt y5,t = – (1 – L4) (1 + 3L + L2) (1 + L4 + L8) Yt y6,t = – (1 – L4) (1 – L2 + L4) (1 – L + L2) Yt y7,t = – (1 – L4) (1 – L2 + L4) (1 + L + L2) Yt ∆12 Yt–j คอื ตวั แปรลา่ (Lags) ของอนุกรมเวลา ∆12 Yt ณ เวลาท่ี t–j π1 , ... , π12 , φj คอื ค่าพารามิเตอร์ εt คอื กระบวนการ White noise [εt ~ N (0 , σ2εt)] นอกจากน้ีสามารถเพิ่มองค์ประกอบเชิงกำ�หนด (Deterministic components) ที่ประกอบด้วยคา่ คงที่ (Intercept) ตัวแปรห่นุ ของความเป็นฤดกู าล 11 ตัวแปร (Seasonal dummy) และคา่ แนวโนม้เวลา (Time trend) เข้าไปในสมการ (3.2) สำ�หรบั จ�ำ นวนตัวแปรลา่ พิจารณาจากค่า Akaike’s informationcriterion (AIC) Hanan-Quinn criterion (HQC) Schwarz criterion (SC) และ Final prediction error(FPE)(LütkepohlandKrätzing,2004) สว่ นรปู แบบวฏั จกั ร(Cycles) และสมมตฐิ านท่ีใชท้ ดสอบSeasonalunit root แสดงในตารางท่ี 3.2 โดยสมมตฐิ านหลกั คือ H0 : πi = 0 (i = 2 , … , 12) และประยกุ ต์ใช้คา่ สถติ ิ F(F-statistic) ในการค�ำ นวณและน�ำ คา่ ที่ไดไ้ ปเปรยี บเทยี บกบั คา่ วกิ ฤต(Criticalvalues) ทเ่ี สนอโดยFranses and Hobijn (1997)ตารางท่ี 3.2 การทดสอบ Seasonal unit roots ของขอ้ มูลรายเดอื นNo. Transformation Cycles/Year Definition H0: Unit root Ha : No unit root Annual0 y1,t = (1 + L) (1 + L2) (1 + L4 + L8) Yt 0 Semi-annual π1 = 0 π1 ≠ 0 Quarterly1 y2,t = – (1 – L) (1 + L2) (1 + L4 + L8) Yt 6/12 Monthly π2 = 0 π2 ≠ 0 Monthly2 y3,t = – (1 – L2) (1 + L4 + L8) Yt 3/12 (9/12) Monthly π3 ∩ π4= 0 π3 ∩ π4≠ 0 Monthly3 y4,t = – (1 – L4) (1 – 3L + L2) (1 + L4 + L8) Yt 5/12 (7/12) π5 ∩ π6= 0 π5 ∩ π6≠ 04 y5,t = – (1 – L4) (1 + 3L + L2) (1 + L4 + L8) Yt 1/12 (11/12) π7 ∩ π8= 0 π7 ∩ π8≠ 05 y6,t = – (1 – L4) (1 – L2 + L4) (1 – L + L2) Yt 4/12 (8/12) π9 ∩ π10= 0 π9 ∩ π10≠ 06 y7,t = – (1 – L4) (1 – L2 + L4) (1 + L + L2) Yt 2/12 (10/12) π11 ∩ π12= 0 π11 ∩ π12≠ 0ทมี่ า: ดดั แปลงมาจาก Rodrigues and Franses (2003) และ Sørensen (1999)

64 บทท่ี 3: การวิเคราะหค์ วามเปน็ ฤดกู าลในแหล่งทอ่ งเทีย่ ว ผลการทดสอบ Seasonal unit root เผยใหเ้ หน็ ว่า ขอ้ มลู อนุกรมเวลามรี ูปแบบความเปน็ ฤดูกาลอย่างไร ข้อมลู อนุกรมเวลาแตล่ ะชุดอาจมรี ูปแบบความเป็นฤดกู าลมากกว่า 1 รูปแบบ หากพบวา่ ขอ้ มูลอนุกรมเวลามีความเป็นฤดูกาลเป็นองค์ประกอบของข้อมูล ต่อมาจะนำ�ข้อมูลดังกล่าวมาวิเคราะห์ความผันผวนตามฤดูกาล และวัดขนาดและการกระจุกตัวของความเป็นฤดูกาลตามแนวทางท่ีเสนอไว้ในรูปท่ี 3.1 จากกรณตี ัวอย่างในตารางท่ี 3.3 แสดงผลการทดสอบ Seasonal unit root ซึง่ แถวทเ่ี ป็นการทดสอบสมมตฐิ านหลกั ทว่ี า่ π1 = 0 เปน็ การทดสอบRegularunitroot(Unitrootatannual) สว่ นสมมตฐิ านที่ 1 ถงึ 6 เป็นการทดสอบรูปแบบการเปลย่ี นแปลงของความเป็นฤดกู าล สำ�หรับแถวสุดท้าย เป็นการสรุปผลการทดสอบตารางที่ 3.3 ผลการทดสอบ Seasonal unit root (HEGY-test) ของสถานท่พี ักแรมในแหล่งท่องเทีย่ วท่ีส�ำ คัญของไทยสมมติฐานหลัก กรงุ เทพฯ ภูเก็ต พทั ยา เชยี งใหม่(H0 : Unit root) ทั้งหมด ไทย ตา่ งชาติ ทั้งหมด ไทย ตา่ งชาติ ทง้ั หมด ไทย ตา่ งชาติ ทงั้ หมด ไทย ตา่ งชาติ0. π1 = 0 -1.11 0.44 -2.10 -2.36 -0.74 -1.93 1.90 1.71 1.37 -3.03 -0.37 -0.891. π2 = 0 -0.64 -0.35 -0.11 0.42 -2.37** 0.25 -0.86 0.75 -2.07** -0.28 -3.36*** -1.77*2. π3 ∩ π4= 0 0.49 1.43 1.23 0.48 0.44 0.80 4.38** 1.25 7.56*** 0.67 0.89 0.843. π5 ∩ π6= 0 10.76*** 0.08 5.48*** 0.66 6.40*** 3.54** 3.79** 3.63** 7.58*** 0.34 0.11 3.18**4. π7 ∩ π8= 0 2.73* 2.37 2.09 0.82 5.42*** 1.25 0.87 1.15 0.25 2.36 0.17 0.565. π9 ∩ π10= 0 10.31*** 3.44** 2.73* 1.70 4.55*** 2.60* 4.55** 2.34 5.26*** 1.58 1.63 1.586. π11 ∩ π12= 0 13.07*** 4.34** 4.51** 3.90** 0.56 1.52 4.08** 0.85 2.09 0.76 1.44 1.59No. of lags 5 16 13 38 2 14 2 8 1 32 35 15Deterministic T, C T, C T, C T, C T, C T, C - - - T, C - -componentUnit roots at 0,1,2, 0,1,2, 0,1,2, 0,1,2, 0,2,6 0,1,2, 0,1,4 0,1,2, 0,4,6 0 to 6 0,2,3, 0,1,2, 4 3,4 4,5 3,4,5 4,5,6 4,5,6 4,5,6 4,5,6หมายเหตุ : T = Time trend, C = Constant : ***, ** และ * แสดงระดับนัยส�ำ คญั ทางสถิติท่ี 0.01, 0.05, และ 0.10 ตามลำ�ดบัทมี่ า: อคั รพงศ์ อั้นทอง และมิง่ สรรพ์ ขาวสอาด (2554) ผลลัพธ์ที่ได้จากการทดสอบ แสดงให้เห็นว่า ระหว่างปี พ.ศ. 2535-2550 แหล่งท่องเท่ียวและตลาดนกั ทอ่ งเทยี่ วแตล่ ะแหง่ มรี ปู แบบความเปน็ ฤดกู าลแตกตา่ งกนั และมรี ปู แบบความเปน็ ฤดกู าลมากกวา่1 รปู แบบ โดยเชยี งใหมม่ รี ปู แบบความเปน็ ฤดกู าลมากทส่ี ดุ (มีUnitroot ที่1-6) โดยเฉพาะตลาดนกั ทอ่ งเทยี่ วชาวไทย (มี Unit root ที่ 2-6) ในขณะที่พทั ยามคี วามหลากหลายของรปู แบบความเปน็ ฤดกู าลในตลาดนักท่องเท่ียวชาวไทยมากกว่าต่างชาติ แต่เนื่องจากตลาดนักท่องเท่ียวชาวไทยมีสัดส่วนประมาณรอ้ ยละ 30 ของจำ�นวนนกั ทอ่ งเทยี่ วทัง้ หมดของพทั ยา ดังน้นั ความผันผวนตามฤดกู าลที่เกิดขึ้นในตลาดนักท่องเท่ียวชาวไทยจึงไม่มีอิทธิพลต่อการกำ�หนดรูปแบบความเป็นฤดูกาลโดยรวมของพัทยา ซึ่งยังคง

เศรษฐมติ ิว่าด้วยการท่องเทย่ี ว 65มีความผันผวนตามฤดูกาลตํ่าตามตลาดนักท่องเท่ียวต่างชาติ แตกต่างจากภูเก็ตที่มีความผันผวนตามฤดกู าลสงู ในตลาดนกั ทอ่ งเทย่ี วตา่ งชาตทิ เ่ี ปน็ ตลาดหลกั ของภเู กต็ (มสี ดั สว่ นมากกวา่ รอ้ ยละ60 ของจ�ำ นวนนกั ท่องเทย่ี วท้งั หมดของภเู กต็ ) ทำ�ให้ภาพรวมของการทอ่ งเทีย่ วของภเู ก็ตมีรูปแบบความเปน็ ฤดกู าลทมี่ ีความผันผวนมากกวา่ พัทยาและกรงุ เทพฯ แตน่ อ้ ยกวา่ เชยี งใหม่3.3 การวเิ คราะหค์ วามผนั ผวนตามฤดูกาล ข้อมลู อนุกรมเวลา (Time series) มสี ่วนประกอบ 4 สว่ น ไดแ้ ก่ แนวโน้ม (Trend: T) ฤดกู าล(Seasonal: S) วฏั จกั ร (Cycle: C) และความไมแ่ นน่ อน (Irregular: I) โดยทั่วไปรปู แบบของอนกุ รมเวลามี 2 รปู แบบ คอื[3.3] รูปแบบบวก Y = T + S + C + I และ รูปแบบคณู Y = T × S × C × I โดยที ่ Y คือ อนุกรมเวลา T คอื อทิ ธพิ ลของแนวโนม้ S คอื อทิ ธิพลของฤดูกาล C คอื อิทธพิ ลของวัฏจักร I คอื อิทธพิ ลของความไมแ่ นน่ อน ดงั นนั้ ความผนั ผวนตามฤดกู าลจงึ เปน็ องคป์ ระกอบหนงึ่ ของขอ้ มลู อนกุ รมเวลาทเ่ี ปน็ ความแปรปรวนภายในปที เ่ี กดิ ขน้ึ ซาํ้ ๆ กนั ทกุ ปี โดยHyllebergandMizon(1989) ไดแ้ บง่ องคป์ ระกอบของความเปน็ ฤดกู าลออกเปน็ 2 กลุ่ม คือ 1) Deterministic เป็นองค์ประกอบที่ไมม่ กี ารเปล่ียนแปลงตามเวลา เช่น Seasonaldummy เป็นต้น และ 2) Stochastic เปน็ องค์ประกอบที่มกี ารเปลีย่ นแปลงตามเวลา เช่น Seasonal unitroot process เปน็ ตน้ การแยกองคป์ ระกอบความเปน็ ฤดกู าลออกจากขอ้ มลู อนกุ รมสามารถท�ำ ไดห้ ลายวธิ ี เชน่ วธิ คี า่ เฉลย่ีอย่างง่าย วธิ ีคา่ เฉล่ยี เคล่ือนท่ี การวิเคราะหก์ ารถดถอย (Regression analysis) เป็นตน้ แตว่ ธิ ีที่ได้รับความนิยมมากทสี่ ุด ไดแ้ ก่ วิธี X-12-ARIMA (X-12-Autoregressive Integrated Moving Average) และTRAMO/SEATS (Time Series Regression with ARIMA Noise, Missing Observations and Outliers/Signal Extraction in ARIMA Time Series) เนื่องจากมีความเหมาะสมในกรณีท่ีข้อมูลอนุกรมเวลามีองคป์ ระกอบของความเปน็ ฤดูกาลทงั้ แบบ Deterministic และ Stochastic รวมทง้ั สามารถใช้ในกรณที ่ีไม่สามารถกำ�หนดชว่ งเวลาของการหาคา่ เฉลย่ี ไดแ้ น่นอนและขอ้ มูลมคี วามผนั ผวนสูง Koc and Altinay(2007) อธบิ ายวา่ วธิ ที ง้ั สองมกี ระบวนการในการแยกองคป์ ระกอบทคี่ ลา้ ยคลงึ กนั กลา่ วคอื ในขน้ั ตอนแรกจะใช้ RegARIMA และ TRAMO ปรบั หรอื ขจดั Deterministic effects เชน่ Outliers เปน็ ตน้ ออกจากขอ้ มลู

66 บทที่ 3: การวเิ คราะหค์ วามเปน็ ฤดกู าลในแหลง่ ทอ่ งเที่ยวกอ่ นที่จะใช้ X-12 และ SEATS ในการแยกองค์ประกอบของสว่ นที่เหลือที่เปน็ Stochastic อยา่ งไรก็ตามวิธี TRAMO/SEATS สามารถใชแ้ ยกองค์ประกอบในรปู แบบผลบวก (Additive) ไดเ้ ท่านน้ั ดังนนั้ จึงนยิ มใชว้ ิธี X-12-ARIMA ในการแยกองคป์ ระกอบของขอ้ มลู อนุกรมเวลามากกวา่ วิธี TRAMO/SEATS เมอ่ื ไดด้ ชั นฤี ดกู าล(St) จากการแยกองคป์ ระกอบของขอ้ มลู อนกุ รมเวลาแลว้ ตอ่ มาจะน�ำ ดชั นฤี ดกู าลทค่ี �ำ นวณได้ (St) มาประเมินผลกระทบทเ่ี กิดข้นึ จากความผันผวนตามฤดกู าลในเดือนที่ t (PSt) ด้วยสตู รการค�ำ นวณดงั นี้[3.4] (St – 100) 100 PSt = คา่ PSt ที่ค�ำ นวณได้ บอกขนาดการเพ่มิ ขน้ึ หรอื ลดลงของนักท่องเท่ียวทเี่ กดิ ขนึ้ จากความผันผวนตามฤดกู าลเมอ่ื เทยี บกบั กรณปี กติ โดยเดอื นทม่ี คี า่ PSt มากกวา่ ศนู ย์ (PSt > 0) เปน็ เดอื นทมี่ นี กั ทอ่ งเทยี่ วมากกวา่ กรณปี กตหิ รอื เปน็ ชว่ งฤดทู อ่ งเทยี่ ว ในทางกลบั กนั เดอื นทมี่ คี า่ PSt นอ้ ยกวา่ ศนู ย์(PSt<0) เปน็ เดอื นที่มีนกั ท่องเท่ียวนอ้ ยกวา่ กรณีปกตหิ รือเปน็ ช่วงนอกฤดูทอ่ งเทยี่ ว จากวธิ แี ยกองคป์ ระกอบจะไดด้ ชั นฤี ดกู าลในแตล่ ะเดอื นในชว่ งเวลาทศ่ี กึ ษา ซงึ่ อาจไมค่ งทหี่ รอื ไมม่ ีเสถยี รภาพ (Instability) เนอื่ งจากสาเหตหุ ลายประการ เชน่ การเปลย่ี นแปลงนโยบายของแหลง่ ทอ่ งเทย่ี ว/ประเทศตน้ ทาง/คแู่ ขง่ การเกดิ เหตกุ ารณว์ กิ ฤต/ความไมแ่ นน่ อน การเปลย่ี นแปลงพฤตกิ รรมของนกั ทอ่ งเทยี่ วเป็นต้น ดังน้ัน Hui and Yuen (2002) จึงเสนอวิธีตรวจสอบเสถียรภาพ (Stability) ของดัชนีฤดูกาลโดยการทดสอบค่าสัมประสทิ ธทิ์ ี่ไดจ้ ากการถดถอยสมการน้ี[3.5] Si,t = ρi Si,t–1 + εi,t ; i = 1 , … , 12 ; t = 1 , … , T โดยที่ Si,t คือ ดัชนฤี ดกู าลในเดือนที่ i ปีท่ี t จากสมการที่ (3.5) หากดัชนีฤดกู าลมเี สถียรภาพ ค่า ρi มคี ่าเท่ากับ 1 ดงั นนั้ สามารถประยุกต์ใช้Wald test ในการทดสอบสมมติฐานหลักที่วา่ H0 : ρi = 1 และประยกุ ต์ใช้ค่าสถิติ F ทดสอบสมมติฐานดังกลา่ ว หากปฎิเสธสมมติฐานหลัก แสดงวา่ ดัชนฤี ดกู าลของเดอื นทก่ี ำ�ลงั พจิ ารณา (มี 12 เดือน) ในช่วงระยะเวลาทศี่ กึ ษาไม่มีเสถียรภาพ

เศรษฐมิติวา่ ดว้ ยการท่องเทีย่ ว 67 เม่ือนำ�ข้อมูลท่ีใช้ทดสอบ Seasonal unit root ในส่วนท่ีผ่านมา มาแยกองค์ประกอบด้วยวิธีX-12-ARIMA และค�ำ นวณหาคา่ ดชั นฤี ดกู าลเฉลย่ี ของชดุ ขอ้ มลู ดงั กลา่ ว(เปน็ ขอ้ มลู ระหวา่ งปี พ.ศ.2535-2550)พบว่า แหล่งท่องเที่ยวแต่ละแห่งมีรูปแบบความผันผวนตามฤดูกาลแตกต่างกัน (ดูรายละเอียดในรปู ท่ี3.4) โดยกรงุ เทพฯ และภเู กต็ มคี วามผนั ผวนตามฤดกู าลนอ้ ยกวา่ พทั ยาและเชยี งใหม่ และเปน็ ทส่ี งั เกตวา่รูปแบบความผันผวนตามฤดูกาลของตลาดนักท่องเท่ียวชาวไทยและต่างชาติมีลักษณะแตกต่างกันในบางชว่ งของปี ความแตกตา่ งดงั กลา่ วสะทอ้ นใหเ้ หน็ ถงึ เดอื นทเ่ี ปน็ ชว่ งนอกฤดทู อ่ งเทยี่ วของนกั ทอ่ งเทยี่ วชาวไทยและตา่ งชาติ ซึ่งเปรียบเสมือนชว่ งนอกฤดูทอ่ งเที่ยวทแี่ ท้จรงิ ของแหล่งท่องเทย่ี วรปู ท่ี 3.4 ดัชนีฤดูกาลของสถานทีพ่ กั แรมในแหลง่ ท่องเทย่ี วทส่ี �ำ คัญของไทยค�ำ นวณด้วยวิธี X-12-ARIMA จากรูปแบบความผันผวนตามฤดูกาลที่แตกต่างของตลาดนักท่องเท่ียวท่ีแสดงในรูปท่ี 3.4 ทำ�ให้ทราบว่า เดอื นทเี่ ปน็ ช่วงนอกฤดูทอ่ งเทยี่ วทีแ่ ทจ้ ริงของแหล่งท่องเทยี่ วทส่ี �ำ คัญแตล่ ะแห่ง คอื กรุงเทพฯมี 1 เดอื น ได้แก่ เดือนมถิ นุ ายน ภูเก็ต มี 3 เดอื น ไดแ้ ก่ เดือนพฤษภาคม-กรกฎาคม พัทยา มี 2 เดือนได้แก่ เดือนมิถุนายนและกันยายน และเชยี งใหม่ มี 4 เดอื น ไดแ้ ก่ เดือนพฤษภาคม-มถิ ุนายน และเดอื นกันยายน-ตลุ าคม ความแตกตา่ งของฤดูกาลในแต่ละแหล่งท่องเทย่ี วข้ึนอย่กู บั ความแตกต่างของปจั จยั ท่ีท�ำ ใหเ้ กดิ ฤดกู าลในแหลง่ ทอ่ งเทย่ี วนนั้ ๆ อยา่ งไรกต็ ามสภาพภมู อิ ากาศ วนั หยดุ ตามเวลาในปฏทิ นิ เทศกาลและช่วงหยุดยาว (Holiday) ของนักท่องเท่ียวต่างชาติ ยังคงเป็นปัจจัยสำ�คัญท่ีทำ�ให้เกิดฤดูกาลในแหล่งท่องเทีย่ วท้ัง 4 แหง่ ของไทย

68 บทที่ 3: การวิเคราะหค์ วามเป็นฤดกู าลในแหล่งท่องเทยี่ ว ส�ำ หรบั ตารางท ่ี 3.4 เปน็ ผลการประเมนิ อทิ ธพิ ลของความผนั ผวนตามฤดกู าล(PSt) ทไี่ ดจ้ ากสมการที่3.4 โดยใชด้ ชั นฤี ดกู าลที่ไดจ้ ากการแยกองคป์ ระกอบดว้ ยวธิ ีX-12-ARIMA ในทน่ี เ้ี พอื่ ความเขา้ ใจการอธบิ ายผลลพั ธ์ในตารางที่ 3.4 จึงขอยกตวั อยา่ งกรณีของกรุงเทพฯ ที่มคี ่าตวั เลขเท่ากบั 32.01 ในคอลมั นแ์ รกแถว “ฤดูทอ่ งเทย่ี ว” ตัวเลขดังกล่าวสะท้อนใหเ้ ห็นว่า ในชว่ งฤดทู ่องเท่ยี วของกรุงเทพฯ จะมนี ักทอ่ งเท่ียวเดินทางมาทอ่ งเที่ยวมากกว่ากรณปี กติประมาณร้อยละ 32.01% นอกจากนเ้ี พอ่ื ใหส้ ะดวกตอ่ การพจิ ารณาในตารางจึงมกี ารแรเงาตัวเลขทีเ่ ป็นชว่ งฤดกู าลท่องเทยี่ ว ในขณะทีช่ ว่ งนอกฤดูกาลจะไมแ่ รเงาตวั เลขตารางที่ 3.4 ค่าเฉลีย่ ของความผันผวนตามฤดูกาลของสถานที่พกั แรมในแหลง่ ท่องเท่ียวทสี่ �ำ คญั ของไทยเดือน  กรุงเทพฯ ภูเกต็ พทั ยา เชียงใหม่ ทั้งหมด ไทย ตา่ งชาติ ทงั้ หมด ไทย ตา่ งชาติ ท้ังหมด ไทย ตา่ งชาติ ทงั้ หมด ไทย ต่างชาติมกราคม 7.68 4.13 10.43 5.04 -1.91 11.44 24.79 -36.92 40.44 31.35 27.78 28.14กุมภาพนั ธ์ 2.29 -10.20 9.56 0.69 -7.68 3.91 11.91 -26.97 21.71 0.92 -3.26 9.47มีนาคม 11.06 11.39 13.60 -0.27 0.38 1.57 4.38 5.80 2.35 3.06 3.86 0.10เมษายน -0.87 0.89 -1.46 4.35 7.95 1.50 0.87 41.69 -9.96 -4.06 5.51 -12.49พฤษภาคม 0.22 -8.70 1.79 -4.49 -0.23 -13.01 -4.49 23.63 -10.99 -18.00 -8.52 -34.20มิถนุ ายน -2.81 -5.55 -2.35 -15.10 -12.40 -15.90 -16.36 -7.34 -19.91 -26.02 -22.83 -28.78กรกฎาคม -2.39 2.52 -3.69 -9.55 -4.85 -13.64 -14.46 1.31 -19.16 -4.92 -10.12 0.47สิงหาคม -4.38 0.90 -6.07 -2.81 0.33 -6.48 -14.73 0.26 -18.77 -4.75 -12.97 3.59กนั ยายน -11.39 3.50 -15.31 -11.64 0.53 -17.67 -30.55 -19.64 -32.57 -18.39 -21.24 -20.20ตลุ าคม -7.12 0.31 -11.41 8.43 11.36 7.01 -10.21 23.86 -13.07 -7.70 -1.85 -2.98พฤศจกิ ายน 9.13 3.22 7.08 10.53 -0.01 14.28 16.59 -8.37 22.32 16.25 0.15 28.94ธันวาคม 1.62 -1.49 0.12 16.33 6.75 29.30 31.83 4.72 35.43 30.83 47.82 21.95ฤดทู ่องเท่ยี ว 32.01 26.85 35.38 45.38 27.29 69.02 90.37 101.27 122.24 82.41 85.13 92.67นอกฤดทู ่องเท่ยี ว -28.95 -24.45 -40.29 -43.87 -27.08 -66.69 -90.80 -99.25 -124.43 -83.82 -80.78 -98.65หมายเหตุ: ขอ้ มูลทแี่ รเงา คอื ช่วงฤดูทอ่ งเทย่ี ว ส่วนขอ้ มูลทไ่ี ม่ไดแ้ รเงา คือ ชว่ งนอกฤดูท่องเที่ยวทม่ี า: อคั รพงศ์ อัน้ ทอง และมิ่งสรรพ์ ขาวสอาด (2554) ผลการวเิ คราะห์ในตารางท่ี3.4 นอกจากทราบขนาดของอทิ ธพิ ลของความเปน็ ฤดกู าลแลว้ ยงั ทราบเปอรเ์ ซน็ ตค์ วามแตกตา่ งระหวา่ งชว่ งฤดแู ละนอกฤดกู ารทอ่ งเทย่ี วเมอ่ื พจิ ารณาในภาพรวมทง้ั ปี นอกจากนี้หากมกี ารพจิ ารณาในระดบั ตลาดกจ็ ะท�ำ ใหท้ ราบชว่ งเวลาหรอื เดอื นทม่ี กี ารซอ้ นทบั (Overlap) ของแตล่ ะตลาดเช่น ในกรณีของกรุงเทพฯ เดือนกุมภาพันธ์เป็นช่วงนอกฤดูของนักท่องเท่ียวชาวไทย แต่กลับเป็นช่วงฤดกู าลทอ่ งเทย่ี วของชาวตา่ งชาติ เปน็ ตน้ ความแตกตา่ งดงั กลา่ วจะเผยใหเ้ หน็ วา่ การเพม่ิ ขนึ้ ของนกั ทอ่ งเทยี่ วในตลาดหนงึ่ สามารถทดแทนการลดลงของนกั ทอ่ งเทย่ี วในอกี ตลาดหนงึ่ ไดห้ รอื ไม่ อยา่ งเชน่ ในกรณขี องกรงุ เทพฯ ชว่ งเดอื นเมษายนเปน็ ฤดทู อ่ งเทยี่ วของคนไทยซงึ่ มกี ารเพม่ิ ขน้ึ ของจ�ำ นวนนกั ทอ่ งเทย่ี วชาวไทยประมาณร้อยละ 0.89 จากกรณีปกติ ในขณะเดียวกันช่วงเวลาดังกล่าวเป็นช่วงนอกฤดูท่องเที่ยวของนักทอ่ งเท่ียวตา่ งชาติซึง่ มกี ารลดลงของนกั ท่องเท่ียวต่างชาตปิ ระมาณร้อยละ 1.46 จากกรณีปกติ เป็นตน้จากกรณตี วั อยา่ งดงั กลา่ ว แสดงใหเ้ หน็ วา่ การเพมิ่ ขน้ึ ของจ�ำ นวนนกั ทอ่ งเทย่ี วชาวไทยในชว่ งเดอื นเมษายนไมส่ ามารถชดเชยการลดลงของนักท่องเทย่ี วตา่ งชาติในช่วงเวลาเดียวกันได้

เศรษฐมิตวิ า่ ดว้ ยการท่องเที่ยว 69 จากกรณตี วั อยา่ งขา้ งตน้ จะเหน็ ไดว้ า่ การพจิ ารณาอทิ ธพิ ลของความผนั ผวนตามฤดกู าล ควรพจิ ารณาในระดบั ตลาดหรอื ประเทศตน้ ทางของนกั ทอ่ งเทย่ี ว รว่ มกบั การตรวจสอบขนาดของอทิ ธพิ ลของความผนั ผวนตามฤดูกาล จึงจะทำ�ให้ทราบอิทธิพลของความผันผวนตามฤดูกาลและเดือนที่เป็นช่วงนอกฤดูท่องเที่ยวทแี่ ท้จรงิ สำ�หรับการวิเคราะห์เสถียรภาพของดัชนีฤดูกาลด้วยสมการท่ี 3.5 ทำ�ให้ทราบถึงแนวโน้มการเคลอ่ื นไหวของดชั นฤี ดูกาลในช่วงเวลาที่ศกึ ษาว่า คงที่ (Stable: S) เพ่มิ ขึน้ (Increase: I) หรอื ลดลง(Decrease: D) และสามารถน�ำ แนวโนม้ ดงั กลา่ วมาเปรยี บเทยี บระหวา่ งตลาดนกั ทอ่ งเทย่ี ว หรอื แหลง่ ทอ่ งเทย่ี วทแี่ ตกต่างกันได้ รวมท้ังการตงั้ ขอ้ สงั เกตและค้นหาเหตุผลเพ่ือสนับสนนุ ผลลัพธท์ ี่ไดจ้ ากการวิเคราะหว์ ่ามีสาเหตมุ าจากปจั จยั ใดบา้ ง ดงั กรณตี วั อยา่ งในตารางที่3.5 ทผ่ี ลการวเิ คราะห์ในภาพรวมทง้ั หมด สะทอ้ นให้เหน็ ว่า ความเปน็ ฤดูกาลของตลาดนักท่องเทย่ี วชาวไทยมเี สถยี รภาพนอ้ ยกว่าตลาดนกั ท่องเทีย่ วต่างชาติอาจเป็นไปได้ว่า นักท่องเที่ยวชาวไทยมีความยืดหยุ่น (Flexibility) และสามารถเปล่ียนแปลงพฤติกรรมหรือช่วงเวลาในการท่องเท่ียวได้ง่ายกว่านักท่องเท่ียวต่างชาติ หรือในกรณีของเชียงใหม่ที่แนวโน้มความเป็นฤดูกาลของนักท่องเท่ียวชาวไทยลดลงในเดือนกุมภาพันธ์ อาจเป็นผลมาจากปัญหามลภาวะทางอากาศทรี่ นุ แรงมากขึน้ ของเชยี งใหมต่ ั้งแต่ปี พ.ศ. 2545 เปน็ ตน้ มาตารางท่ี 3.5 ผลการวิเคราะหค์ วามเคลอ่ื นไหวของดชั นีฤดูกาลระหว่างปี พ.ศ. 2535-2550เดอื น กรุงเทพฯ ภเู ก็ต พทั ยา เชียงใหม่ ท้ังหมด ไทย ตา่ งชาติ ท้ังหมด ไทย ต่างชาติ ทั้งหมด ไทย ตา่ งชาติ ทงั้ หมด ไทย ตา่ งชาติมกราคม SSSDSDSDS I S Iกมุ ภาพันธ์ D D S D S D S D S D D Sมีนาคม SSSDSDSSS I I Sเมษายน DSDSDSSSSSSSพฤษภาคม S D S I D I S S S S S Sมิถนุ ายน IDISISSI ISSSกรกฎาคม S I S S S S S S S S S Sสงิ หาคม S I SSSSSSSDDSกันยายน S I SSSSSSSDDDตุลาคม S I S I I I S I S D S Sพฤศจิกายน I S I S I D S S S S S Sธันวาคม I S I SDSSDS I IDหมายเหตุ : S = Stable; D = Decrease และ I = Increase : ขอ้ มูลท่ีแรงเงา คอื ช่วงฤดูท่องเทย่ี ว สว่ นข้อมลู ทไี่ มไ่ ด้แรงเงา คอื ช่วงนอกฤดทู อ่ งเท่ียวท่มี า: อัครพงศ์ อัน้ ทอง และม่งิ สรรพ์ ขาวสอาด (2554)

70 บทท่ี 3: การวิเคราะหค์ วามเป็นฤดกู าลในแหลง่ ท่องเทย่ี ว3.4 วธิ ีวดั ขนาดของความเปน็ ฤดูกาล วธิ กี ารวัดขนาดของความเปน็ ฤดกู าลท่ีง่ายและนยิ มใช้โดยทว่ั ไป ไดแ้ ก่ Coefficient of seasonalvariation (CSV) ท่ีเป็นการวัดการกระจายของข้อมูลในแต่ละเดือนเทียบกับค่าเฉล่ียทั้งปี และดัชนีช้ีวัดความเปน็ ฤดกู าล(Seasonalityindicator: SI) ทสี่ ะทอ้ นRelativecapacity ที่ไดจ้ ากการเปรยี บเทยี บคา่ เฉลย่ีท้ังปีกับคา่ สูงสดุ ในชว่ งปีนัน้ โดยสตู รคำ�นวณของวธิ ีทงั้ สองมีลกั ษณะดังนี้ (Lundtorp, 2001)[3.6] และ SIt = t CSVt = SDt Xmax tโดยท ี่ SDt คอื ค่าคลาดเคลอ่ื นมาตรฐานของข้อมลู จ�ำ นวนนกั ท่องเท่ยี วในปที ่ี t t คอื คา่ เฉลยี่ ของข้อมูลจ�ำ นวนนักทอ่ งเทีย่ วในปีที่ t Xmax คอื ข้อมลู จ�ำ นวนนกั ทอ่ งเท่ยี วทม่ี คี า่ สงู สุดในปีท่ี t คา่ CSV และ SI ทค่ี �ำ นวณไดแ้ สดงขนาดของความผนั ผวนตามฤดกู าล หาก CSV มคี า่ ตา่ํ แสดงวา่จ�ำ นวนนกั ทอ่ งเทยี่ วในแตล่ ะเดอื นของปที ก่ี �ำ ลงั พจิ ารณากระจายอยู่ใกลก้ บั คา่ เฉลยี่ ของปนี นั้ หรอื มคี วามเปน็ฤดกู าลนอ้ ย ในขณะทค่ี า่ SI มคี า่ ระหวา่ ง1/12 ถงึ 1 หากปใี ดทคี่ า่ SI=1 แสดงวา่ ในปนี นั้ ไมม่ ีPeakseasonดงั นนั้ หากค่า SI มีคา่ เขา้ ใกล้ 1 แสดงว่า ปที ก่ี ำ�ลงั พิจารณามีความผันผวนตามฤดกู าลต่ํา จากขา้ งต้นจะเห็นได้ว่า CSV และ SI มีความสัมพันธ์ท่ีผกผันกัน และสามารถใช้วิธีทั้งสองเปรียบเทียบขนาดความเปน็ ฤดกู าลระหวา่ งแหลง่ ทอ่ งเทย่ี ว ปี และตลาดนกั ทอ่ งเทยี่ ว (หรอื ประเทศตน้ ทาง) ทแ่ี ตกตา่ งกนั ได้อยา่ งไรก็ตาม Koenig and Bischoff (2003) เสนอว่า ท้งั สองวธิ ยี งั คงมีข้อจำ�กัดในเรือ่ งของการอ่อนไหวตอ่ คา่ สดุ โต่ง (Extreme values) และการไม่ค�ำ นึงถงึ ความเบ้ (Skewness) ของขอ้ มูลท่ีใชใ้ นการศึกษา รปู ที่ 3.5 และ 3.6 เปน็ ผลการประเมนิ ขนาดของความเปน็ ฤดกู าลด้วยวิธี CSV และ SI ของข้อมลูชุดเดียวกันที่ใช้ในส่วนที่ผ่านมา พบว่า ตลาดนักท่องเท่ียวต่างชาติมีขนาดความเป็นฤดูกาลสูง แต่มีความผนั ผวนของความเปน็ ฤดกู าลนอ้ ยกวา่ ตลาดนกั ทอ่ งเทยี่ วชาวไทย และเปน็ ทน่ี า่ สงั เกตวา่ คา่ CSV และ SIมคี วามผันผวนตามเหตุกการณว์ กิ ฤต เชน่ การระบาดของโรคซารส์ ในปี พ.ศ. 2546 ทำ�ใหข้ นาดความเป็นฤดกู าลเพม่ิ ขนึ้ ในตลาดนกั ทอ่ งเทย่ี วตา่ งชาตขิ องกรงุ เทพฯ และพทั ยา ในขณะทเี่ หตกุ ารณส์ นึ ามิในปลายปีพ.ศ.2547 ท�ำ ใหต้ ลาดนกั ทอ่ งเทยี่ วชาวตา่ งชาตขิ องภเู กต็ มขี นาดความเปน็ ฤดกู าลเพมิ่ ขนึ้ ในปี พ.ศ.2548กอ่ นปรับตัวลดลงหลงั จากน้นั สว่ นการจดั งานมหกรรมพืชสวนโลกท่เี ชียงใหม่ในช่วงปลายปี พ.ศ. 2549ตอ่ เนอื่ งจนถึงต้นปี พ.ศ. 2550 ท�ำ ใหต้ ลาดนกั ทอ่ งเท่ียวชาวไทยของเชยี งใหมม่ ีความเป็นฤดูกาลมากขึน้เปน็ ตน้

เศรษฐมิตวิ า่ ดว้ ยการท่องเทยี่ ว 71รปู ที่ 3.5 คา่ Coefficient of seasonal variation (CSV)รปู ท่ี 3.6 ค่า Seasonality indicator (SI)

72 บทท่ี 3: การวเิ คราะห์ความเป็นฤดกู าลในแหล่งทอ่ งเทย่ี ว จากขอ้ สงั เกตขา้ งตน้ จะเหน็ ไดว้ า่ CSV และ SI มคี วามออ่ นไหวตอ่ เหตกุ ารณ์ไมแ่ นน่ อนตามขอ้ สงั เกตของการศกึ ษาในอดตี ดงั นน้ั คา่ CSV และ SI ในปที ม่ี เี หตกุ ารณ์ไมแ่ นน่ อนเกดิ ขน้ึ จงึ ไม่ใชค่ า่ ทส่ี ะทอ้ นขนาดของความเป็นฤดกู าลเพยี งอยา่ งเดยี ว แตม่ ขี นาดของอทิ ธพิ ลจากเหตกุ ารณ์ไมแ่ นน่ อนอยู่ในคา่ CSV และSI ด้วย ดังน้ันอาจทำ�ให้ผู้วิจัยเข้าใจผิดว่า ในปีดังกล่าวแหล่งท่องเท่ียวหรือตลาดนักท่องเที่ยวที่กำ�ลังพิจารณามีขนาดความเปน็ ฤดกู าลเพม่ิ ขนึ้ จากจุดอ่อนของ CSV และ SI ในกรณดี ังกล่าว Akarapong et al. (2011) และ อคั รพงศ์ อั้นทองและม่ิงสรรพ์ ขาวสอาด (2554) เสนอว่า ในการพิจารณาขนาดความเป็นฤดูกาลของแหล่งท่องเท่ียวควรใช้ CSV และ SI รว่ มกบั ตวั ชว้ี ดั อนื่ ๆ เชน่ ดชั นฤี ดกู าล ดชั นคี วามไมแ่ นน่ อน เปน็ ตน้ และควรวเิ คราะห์ในระดับตลาดควบคู่กับการวิเคราะห์ในภาพรวมของแหล่งท่องเที่ยว เนื่องจากการเปล่ียนแปลงขนาดของความเป็นฤดูกาลในตลาดหนงึ่ โดยเฉพาะตลาดท่มี สี ่วนแบง่ การตลาดสงู จะมีอทิ ธิพลตอ่ ความผันผวนตามฤดูกาลในภาพรวมของแหล่งท่องเท่ียว อย่างเช่น ในกรณีของภูเก็ตที่แม้ว่าตลาดนักท่องเท่ียวชาวไทยจะมขี นาดของความผนั ผวนตามฤดกู าลสงู กวา่ ตลาดนกั ทอ่ งเทย่ี วตา่ งชาติ แตด่ ว้ ยสว่ นแบง่ การตลาดเพียงร้อยละ 30 ทำ�ให้ขนาดความผันผวนตามฤดูกาลของตลาดนักท่องเท่ียวชาวไทยไม่มีอิทธิพลต่อความเปน็ ฤดูกาลในภาพรวม เป็นต้น ซ่งึ แตกตา่ งจากเชยี งใหมท่ ่ีมสี ัดสว่ นของตลาดนักทอ่ งเที่ยวชาวไทยและต่างชาติใกล้เคียงกัน ดังนั้นการเปลี่ยนแปลงขนาดความเป็นฤดูกาลในตลาดใดตลาดหน่ึงย่อมมีผลกระทบต่อความเป็นฤดกู าลของการท่องเทย่ี วเชียงใหม่3.5 วธิ วี ัดการกระจกุ ตวั ของความเป็นฤดกู าล การวดั การกระจกุ ตวั ของความเปน็ ฤดกู าล หรอื การวดั ความไมเ่ ทา่ เทยี มกนั ในกระจายตวั ของจ�ำ นวนนักท่องเท่ียวที่เกิดข้ึนในรอบปีอันเนื่องมาจากอิทธิพลฤดูกาล นิยมประเมินด้วย Gini-coefficient (GC)เน่ืองจากเป็นวธิ ีทมี่ ีความไดเ้ ปรยี บกวา่ วิธวี ดั ความเปน็ ฤดูกาลวธิ ีอน่ื ๆ เชน่ CSV, SI, HHI (Hirschman-Herfindahl index) เป็นต้น (Tsitouras, 2004) อย่างไรก็ตามวิธีนี้ยังคงอ่อนไหวต่อค่าสุดโต่ง และไม่สามารถแสดงรูปแบบหรือเสถยี รภาพของความเปน็ ฤดกู าลไดเ้ ชน่ เดยี วกับวิธี CSV และ SI (Koenigand Bischoff, 2003) นอกจากนี้ Lundtorp (2001) ได้แสดงใหเ้ หน็ ถึงความสัมพันธ์ท่ผี กผนั กนั ระหวา่ งค่า GC กบั SI [GC = 0.917 เมื่อ SI = 0.083 และ GC = 0 เมื่อ SI = 1] และเสนอวา่ ควรใช้ GCในการวดั ความเปน็ ฤดกู าลเมอ่ื พบวา่ มคี วามไมเ่ ทา่ เทยี มกนั ของนกั ทอ่ งเทยี่ วในแตล่ ะเดอื น โดยมสี ตู รการคำ�นวณ GC ดงั น้ี[3.7] n + 1 – 2 iSi G= n โดยท่ี G คือ ค่าสัมประสิทธ์ิจีนี

เศรษฐมิตวิ า่ ด้วยการทอ่ งเทีย่ ว 73 i คอื อนั ดับของสัดส่วนของเดือนที่ i Si คือ สดั ส่วนจ�ำ นวนนักทอ่ งเทย่ี วของเดอื นท่ี i n คอื จำ�นวนเดือนในรอบปี (12 เดอื น) ค่าสัมประสทิ ธจ์ิ นี ที ค่ี ำ�นวณได้มคี า่ ระหว่าง 0 (ไม่มีความเปน็ ฤดูกาล) ถึง G → (n–1) /n(≈ 0.9167) (มฤี ดูทอ่ งเทีย่ ว 1 เดือน หรอื มีความเป็นฤดูกาลสงู ) (Tsitouras, 2004) และสามารถค�ำ นวณหาจำ�นวนเดือน (n) ทเี่ ปน็ ฤดทู ่องเทยี่ ว (Tourist season) ไดจ้ ากสูตรท่เี สนอโดย Tsitouras (2004) ดังนี้ n = 12 (1 – G) นกั ทอ่ งเทย่ี วทง้ั หมดของแหลง่ ทอ่ งเทยี่ วแตล่ ะแหง่ ประกอบดว้ ยกลมุ่ นกั ทอ่ งเทยี่ วทแ่ี ตกตา่ งกนั เชน่นักทอ่ งเทยี่ วทั้งหมดของภเู ก็ต ประกอบดว้ ย กลมุ่ นกั ท่องเท่ียวชาวไทยและตา่ งชาติ เป็นตน้ และจากการวเิ คราะห์ในเร่อื งของแบบแผนและขนาดของความเปน็ ฤดูกาล ทำ�ให้ทราบว่า การเปลีย่ นแปลงความเป็นฤดกู าลในแตล่ ะกลมุ่ /ตลาดนกั ทอ่ งเทยี่ วมผี ลตอ่ การเปลย่ี นแปลงความเปน็ ฤดกู าลของนกั ทอ่ งเทยี่ วทง้ั หมดดงั นนั้ คา่ สมั ประสทิ ธจ์ิ นี ขี องกลมุ่ /ตลาดนกั ทอ่ งเทย่ี วกย็ อ่ มมอี ทิ ธพิ ลตอ่ คา่ สมั ประสทิ ธจ์ิ นี ขี องนกั ทอ่ งเทย่ี วทง้ั หมด จากแนวคดิ ดงั กลา่ วสามารถประยกุ ต์ใชว้ ธิ กี ารของ Lerman and Yitzaki (1985) แยกองคป์ ระกอบของคา่ สัมประสิทธ์ิจีนีของนักทอ่ งเทยี่ วทง้ั หมด ภายใต้สูตรการคำ�นวณดังนี้[3.8] G = Sk Rk Gk โดยท ี่ G คอื ค่าสมั ประสทิ ธจ์ิ นี ขี องนักท่องเที่ยวทั้งหมด Sk คือ สว่ นแบ่งการตลาดของนักทอ่ งเท่ียวกลุ่ม k Rk คอื Gini-correlation ระหว่างนักทอ่ งเทยี่ วกลมุ่ k กบั นักท่องเทีย่ วทัง้ หมด Gk คือ คา่ สมั ประสทิ ธจ์ิ ีนีของนักทอ่ งเทย่ี วกลมุ่ k n คอื จำ�นวนกลุ่มนักท่องเทย่ี วที่พิจารณา จากสมการท่ี (3.8) ค่าสัมประสิทธิ์จีนีของนักท่องเท่ียวท้ังหมดข้ึนอยู่กับองค์ประกอบที่สำ�คัญ3 องคป์ ระกอบ คอื สว่ นแบง่ การตลาดของนกั ทอ่ งเทยี่ วกลมุ่ k (Sk),Gini-correlation ระหวา่ งนกั ทอ่ งเทย่ี วกลมุ่ k กบั นกั ทอ่ งเทย่ี วทง้ั หมด (Rk) และคา่ สมั ประสทิ ธจ์ิ นี ขี องนกั ทอ่ งเทย่ี วกลมุ่ k (Gk) จากองคป์ ระกอบทั้ง 3 จะเห็นได้ว่า ส่วนแบ่งการตลาดเป็นองค์ประกอบที่สามารถควบคุมและเปล่ียนแปลงได้ง่ายกว่าการเปลี่ยนแปลง Gini-correlation (Rk) และค่าสัมประสิทธิ์จีนี (Gk) ท่ีเป็นการเปลี่ยนแปลงในระดับโครงสรา้ ง ขณะทกี่ ารเปลยี่ นแปลงสว่ นแบง่ การตลาดขนึ้ อยกู่ บั ความส�ำ เรจ็ ของนโยบายหรอื แผนการตลาด

74 บทท่ี 3: การวเิ คราะห์ความเปน็ ฤดูกาลในแหล่งท่องเท่ยี วทแี่ หลง่ ทอ่ งเทย่ี วแตล่ ะแหง่ ใชส้ ง่ เสรมิ การทอ่ งเทยี่ ว การเปลยี่ นแปลงของสว่ นแบง่ การตลาดของนกั ทอ่ งเทยี่ วแต่ละกลุ่มยังมีผลต่อการกระจุกตัวของความเป็นฤดูกาลของนักท่องเที่ยวท้ังหมด ดังนั้น Fernandez-Morales and Mayorga-Toledano (2008) จึงเสนอ Relative marginal effects (RME) ส�ำ หรับวดั ผลการเปลี่ยนแปลงส่วนแบ่งการตลาดของนักท่องเท่ียวแต่ละกลุ่มท่ีมีต่อการกระจุกตัวของความเป็นฤดูกาลของนกั ทอ่ งเที่ยวทั้งหมด โดยมีสตู รการคำ�นวณดงั น้ี[3.9] Rk Gk G RMEk = Sk • –1 โดยที ่ RMEk คือ Relative marginal effects ของนกั ทอ่ งเทีย่ วกลุ่ม k Sk คอื สว่ นแบง่ การตลาดของนักท่องเท่ียวกลุม่ k Rk คือ Gini-correlation ระหวา่ งนกั ทอ่ งเท่ียวกลุ่ม k กับนักท่องเท่ยี วท้ังหมด Gk คือ คา่ สัมประสทิ ธิ์จนี ีของนกั ท่องเทย่ี วกลมุ่ k G คอื คา่ สมั ประสทิ ธจ์ิ ีนีของนักท่องเทยี่ วทง้ั หมด คา่ RMEk ทค่ี ำ�นวณได้เป็นขอ้ มูลทช่ี ้ีใหเ้ หน็ ว่า ควรเพ่มิ ส่วนแบง่ การตลาดในนกั ทอ่ งเที่ยวกล่มุ ใดจึงจะทำ�ใหก้ ารกระจกุ ตัวของความเปน็ ฤดกู าลของนกั ทอ่ งเทยี่ วท้ังหมดลดลง (ในกรณีน้ีคา่ RMEk< 0) จากจดุ ออ่ นในเรอ่ื งของการออ่ นไหวตอ่ คา่ สดุ โตง่ ของวธิ ี GC และจากคณุ ลกั ษณะเฉพาะของขอ้ มลูจำ�นวนนักท่องเที่ยวท่ีมีความไม่แน่นอนเป็นองค์ประกอบสำ�คัญของข้อมูล ทำ�ให้ค่า GC ที่คำ�นวณได้อาจไม่สะท้อนการกระจุกตัวของความเป็นฤดูกาลที่แท้จริง ดังน้ัน Akarapong et al. (2011) และอัครพงศ์ อ้ันทอง และม่ิงสรรพ์ ขาวสอาด (2554) จึงเสนอให้ใช้ดัชนีฤดูกาลแทนจำ�นวนนักท่องเท่ียวเพราะดชั นีดังกล่าวเป็นข้อมลู ท่ขี จัดอทิ ธิพลของแนวโน้ม วฏั จักร และความไมแ่ น่นอนออกจากข้อมูลแล้วคงเหลือเฉพาะความเป็นฤดูกาลภายในข้อมูลเท่าน้ัน ทำ�ให้ค่า GC ที่คำ�นวณจากข้อมูลนี้สะท้อนการกระจุกตัวของความเปน็ ฤดกู าลท่ีแทจ้ รงิ ทเ่ี หลอื อยู่ภายในข้อมูล กรณตี วั อยา่ งในรปู ที่3.7 เปน็ การเคลอื่ นไหวของคา่ GC ทคี่ �ำ นวณจากดชั นฤี ดกู าล ซง่ึ เมอื่ เปรยี บเทยี บกับค่า SI ทน่ี ำ�เสนอกอ่ นหน้านี้ พบวา่ คา่ GC และ SI ไมม่ คี วามสัมพันธท์ ผ่ี กผนั กนั ตามข้อเสนอของLundtorp (2001) และให้ภาพการเคล่ือนไหวของความเป็นฤดูกาลท่ีมีความผันผวนน้อยกว่าค่า CSVและ SI อย่างไรก็ตาม แนวโน้มการเคล่ือนไหวของค่า GC มีรูปแบบใกล้เคียงกับค่า CSV และ SIซงึ่ จากกรณตี วั อยา่ งจะเหน็ ไดว้ า่ ตลาดนกั ทอ่ งเทย่ี วตา่ งชาตยิ งั คงเปน็ ตลาดทม่ี คี วามเปน็ ฤดกู าลสงู กวา่ ตลาดนักท่องเท่ียวชาวไทย และกรุงเทพฯ ยังคงมีความเป็นฤดูกาลน้อยท่ีสุด และมีแนวโน้มลดลงในตลาดนกั ทอ่ งเทย่ี วตา่ งชาตแิ ละภาพรวมตง้ั แตป่ ี พ.ศ. 2543 ในขณะทเี่ ชยี งใหมม่ คี วามเปน็ ฤดกู าลมากทสี่ ดุ และมแี นวโน้มความเป็นฤดกู าลเพิม่ ข้ึนอย่างตอ่ เนื่องตัง้ แตป่ ี พ.ศ. 2545 จนถงึ ปี พ.ศ. 2550

เศรษฐมิติว่าด้วยการท่องเท่ียว 75รูปท่ี 3.7 คา่ Gini-coefficient เม่อื ใช้สมการท่ี (3.9) คำ�นวณหาคา่ RME ของกรณีตัวอยา่ งท้ัง 4 แหง่ ซ่ึงแสดงผลการคำ�นวณในตารางที่ 3.6 พบวา่ ส่วนใหญ่ตลาดนกั ทอ่ งเท่ียวชาวไทยมคี า่ RME < 0 (ข้อมูลทแ่ี รเงา) แสดงวา่การเปลี่ยนแปลงส่วนแบ่งการตลาดของนักท่องเท่ียวชาวไทยมีส่วนช่วยลดการกระจุกตัวของความเป็นฤดูกาลในแหล่งท่องเที่ยว เช่น กรณีของภูเก็ต ในปี พ.ศ. 2550 การเพ่ิมข้ึนของส่วนแบ่งการตลาดนักท่องเที่ยวชาวไทยร้อยละ 1 มีส่วนช่วยลดการกระจุกตัวของความเป็นฤดูกาลของภูเก็ตลงประมาณร้อยละ 5.662 (RME = –5.662) เปน็ ต้น

76 บทที่ 3: การวิเคราะหค์ วามเป็นฤดกู าลในแหล่งท่องเท่ียวตารางที่ 3.6 คา่ Relative marginal effectปี พ.ศ. กรุงเทพฯ ภูเกต็ พัทยา เชียงใหม่ ไทย ต่างชาติ ไทย ตา่ งชาติ ไทย ต่างชาติ ไทย ต่างชาติ -3.659 3.659 -11.867 11.8672541 -9.503 9.503 -11.178 11.178 -2.779 2.779 -8.671 8.671 -2.208 2.208 -5.818 5.8182542 -9.312 9.312 -12.720 12.720 -1.546 1.546 -4.670 4.670 -0.775 0.775 -3.836 3.8362543 -9.923 9.923 -12.507 12.507 -0.647 0.647 -3.274 3.274 0.293 -0.293 -2.078 2.0782544 -10.105 10.105 -13.409 13.409 0.642 -0.642 -0.755 0.755 -0.271 0.271 0.313 -0.3132545 -7.829 7.829 -12.883 12.883 1.140 -1.140 0.928 -0.9282546 -5.343 5.343 -12.241 12.2412547 -1.704 1.704 -7.654 7.6542548 2.202 -2.202 -9.217 9.2172549 6.924 -6.924 -6.093 6.0932550 9.146 -9.146 -5.662 5.662หมายเหตุ: ขอ้ มลู ท่แี รงเงา คือ กรณีที่ RME < 0ท่ีมา: อคั รพงศ์ อนั้ ทอง และม่งิ สรรพ์ ขาวสอาด (2554) ในกรณเี ดยี วกนั เมอ่ื น�ำ สมการท ่ี (3.9) มาค�ำ นวณหาคา่ RME ในระดบั รายละเอยี ดของตลาดนกั ทอ่ งเทย่ี วตา่ งชาติ ทแ่ี สดงในตารางท ่ี 3.7 ท�ำ ใหท้ ราบขอ้ มลู เพม่ิ เตมิ วา่ การเพม่ิ ขน้ึ ของสว่ นแบง่ การตลาดของนกั ทอ่ งเทย่ี วในเอเชียและโอซีเนยี มสี ่วนชว่ ยลดการกระจกุ ตัวของความเป็นฤดูกาลในพทั ยาและเชยี งใหม่ตารางท่ี 3.7 สว่ นแบ่งการตลาด และ Relative marginal effect ของตลาดนักทอ่ งเท่ียวตา่ งชาตใิ นแต่ละภูมิภาค Market share Relative marginal effect (RME)จงั หวัด ปี พ.ศ. เอเชีย ยุโรป อเมรกิ า ตะวนั ออก โอซเี นีย เอเชยี ยโุ รป อเมริกา ตะวันออก โอซเี นยี กลาง กลางกรุงเทพฯ 2541 0.379 0.181 0.054 0.020 0.035 7.828 0.659 3.868 2.685 3.417 2550 0.299 0.153 0.049 0.030 0.038 -6.526 20.311 4.229 10.774 2.800ภูเกต็ 2541 0.223 0.411 0.028 0.016 0.046 -12.876 38.657 -0.140 -0.113 -0.024 2550 0.200 0.246 0.031 0.010 0.098 4.737 43.757 1.194 2.604 17.191พทั ยา 2541 0.401 0.220 0.026 0.017 0.015 -11.399 12.156 0.519 0.663 -0.511 2550 0.291 0.117 0.016 0.027 0.014 -9.018 7.749 0.453 0.300 -0.252เชยี งใหม่ 2541 0.147 0.252 0.057 0.010 0.027 -3.301 13.674 2.003 1.344 0.132 2550 0.137 0.154 0.071 0.009 0.026 -4.780 1.751 5.194 1.845 -0.457หมายเหตุ: ข้อมูลทแ่ี รงเงา คือ กรณีที่ RME < 0ทม่ี า: อคั รพงศ์ อัน้ ทอง และม่งิ สรรพ์ ขาวสอาด (2554)

เศรษฐมิตวิ า่ ดว้ ยการท่องเทีย่ ว 77 เช่นเดียวกบั กรณขี า้ งตน้ เมอ่ื ค�ำ นวณคา่ RME ของแหล่งทอ่ งเทย่ี วทีส่ ำ�คญั ท้ัง 4 แหง่ ทีแ่ สดงในตารางที่ 3.8 ท�ำ ให้ทราบวา่ การเพิ่มขนึ้ ของสว่ นแบ่งการตลาดของกรงุ เทพฯ มสี ่วนช่วยลดความเปน็ฤดกู าลของสถานทพ่ี กั แรมของไทย ยกเวน้ ในชว่ งปี พ.ศ.2545-2547 ทค่ี วามเปน็ ฤดกู าลของนกั ทอ่ งเทย่ี วตา่ งชาติลดลงไม่เพยี งพอกบั การเพ่มิ ขน้ึ ของนกั ทอ่ งเท่ียวชาวไทยตารางที่ 3.8 สว่ นแบง่ การตลาด และ Relative marginal effect ของทอ่ งเท่ยี วทีส่ ำ�คญั 4 แห่ง ของไทยปี พ.ศ. กรุงเทพฯ Market share เชยี งใหม่ Relative marginal effect (RME) ภเู กต็ พัทยา 0.094 กรุงเทพฯ ภูเกต็ พทั ยา เชียงใหม่ 0.092 -8.078 7.037 12.980 8.1282541 0.436 0.124 0.145 0.089 -6.756 4.369 14.189 6.418 0.099 -5.090 2.526 15.415 5.3112542 0.439 0.138 0.149 0.060 -5.943 0.008 16.241 5.705 0.055 10.167 3.971 22.062 11.9332543 0.444 0.139 0.147 0.063 11.418 4.252 22.897 17.020 0.098 2.977 4.836 22.548 18.0742544 0.443 0.147 0.150 0.063 -12.628 0.659 19.850 17.291 0.055 -2.065 4.917 19.948 28.3992545 0.276 0.090 0.093 -0.627 5.936 23.417 24.1892546 0.225 0.081 0.0832547 0.266 0.093 0.0932548 0.438 0.064 0.1482549 0.256 0.070 0.0982550 0.239 0.072 0.105หมายเหตุ: ข้อมูลทีแ่ รงเงา คอื กรณที ี่ RME < 0อคั รพงศ์ อ้ันทอง และม่งิ สรรพ์ ขาวสอาด (2554)3.6 ขอ้ คดิ เห็นบางประการเกี่ยวกับการศึกษาความเปน็ ฤดกู าลในแหลง่ ทอ่ งเทย่ี ว แนวทางการผสมผสานวิธีการวิเคราะห์ความเป็นฤดูกาลในแหล่งท่องเที่ยวตามรูปท่ี 3.1 ทำ�ให้มีความเขา้ ใจเพม่ิ ขนึ้ เกย่ี วกบั ความเปน็ ฤดกู าลของแหลง่ ทอ่ งเทย่ี ว เนอ่ื งจากการวเิ คราะหต์ ามแนวทางดงั กลา่ วทำ�ให้ทราบถึงรูปแบบความผันผวน ขนาด และกระจุกตัวของความเป็นฤดูกาล จากการศึกษาของอัครพงศ์ อ้ันทอง และมิ่งสรรพ์ ขาวสอาด (2552, 2554) ให้ข้อคิดเห็นบางประการท่ีเป็นประโยชน์เม่อื ต้องศกึ ษาหรอื วเิ คราะห์ความเป็นฤดูกาลในแหลง่ ท่องเท่ยี ว ดงั น้ี ก. การตรวจสอบรปู แบบการเปล่ยี นแปลงของความเป็นฤดกู าลด้วย Seasonal unit root ควรให้ความสำ�คัญกับการทดสอบ Unit roots ของ Cycles เพื่อทราบรูปแบบการเปล่ียนแปลงตามฤดูกาลท่ีแตกต่างกันของแหล่งท่องเท่ียวต่างๆ ซึ่งอาจมีรูปแบบการเปล่ียนแปลงของความเป็นฤดูกาลมากกว่า1 รปู แบบ ข. การท่ีนักท่องเท่ียวแต่ละกลุ่ม/ตลาดมีความแตกต่างของรูปแบบความเป็นฤดูกาล ทำ�ให้ทราบเดือนที่เป็นช่วงนอกฤดูท่องเท่ียวท่ีแท้จริงของแหล่งท่องเท่ียวแต่ละแห่ง ซ่ึงเป็นเดือนท่ีเป็นช่วงนอกฤดูทอ่ งเทยี่ วของนกั ทอ่ งเทย่ี วทกุ กลมุ่ /ตลาด เชน่ กรณขี องภเู กต็ มเี ดอื นพฤษภาคม-กรกฎาคม เปน็ ชว่ งนอกฤดูทอ่ งเทีย่ วของทัง้ นักท่องเทย่ี วชาวไทยและต่างชาติ เปน็ ตน้

78 บทที่ 3: การวเิ คราะห์ความเป็นฤดกู าลในแหลง่ ทอ่ งเที่ยว ค. หากต้องการทราบอิทธิพลของความผนั ผวนตามฤดูกาลทีเ่ กดิ ขึ้น ควรพจิ ารณาความแตกต่างของรูปแบบความเป็นฤดูกาลร่วมกับขนาดของอิทธิพลที่เกิดข้ึน เนื่องจากในช่วงระยะเวลาเดียวกันขนาดของอิทธิพลที่เกิดข้ึนในช่วงฤดูท่องเที่ยวและนอกฤดูท่องเที่ยวของแต่ละกลุ่ม/ตลาดนักท่องเที่ยวอาจแตกต่างกันจนทำ�ให้การเพิ่มข้ึนของจำ�นวนนักท่องเท่ียวในช่วงฤดูท่องเที่ยวอาจไม่สามารถชดเชยการลดลงของจ�ำ นวนนกั ท่องเทย่ี วในชว่ งนอกฤดทู อ่ งเทีย่ วได้ ง. ดัชนีฤดูกาลอาจมีการเปลี่ยนแปลงตามเวลาหรือเมื่อปัจจัยต่างๆ มีการเปล่ียนแปลง เช่นการเปลี่ยนแปลงนโยบาย การเกิดเหตุการณ์วิกฤต เป็นต้น ดังน้ันการวิเคราะห์แนวโน้มการเคลื่อนไหวของดัชนีฤดูกาลจะท�ำ ใหท้ ราบการเปลีย่ นแปลงของรปู แบบความเปน็ ฤดูกาลในการท่องเทยี่ ว รวมทั้งการค้นหาสาเหตุท่ีทำ�ให้เกดิ การเปล่ียนแปลงดังกลา่ ว จ. การใช้ตัวชี้วัดและวิธีการวิเคราะห์ความเป็นฤดูกาลกับข้อมูลอนุกรมเวลาที่มีองค์ประกอบความไม่แน่นอนหรือมีความผันผวนสูง อาจทำ�ให้ผลลัพธ์ท่ีได้ไม่สะท้อนให้เห็นถึงขนาดหรือการกระจุกของความเปน็ ฤดกู าลทแ่ี ทจ้ รงิ เนอื่ งจากตวั ชวี้ ดั และวธิ กี ารวเิ คราะหด์ งั กลา่ วออ่ นไหว(Sensitive) ตอ่ คา่ สดุ โตง่(Extreme values) อย่างไรก็ตาม แม้ว่าการใช้ข้อมูลท่ีมีอิทธิพลความไม่แน่นอนมีขนาดความเป็นฤดูกาลแตกต่างจากกรณีที่ใช้ข้อมูลดัชนีฤดูกาลท่ีขจัดอิทธิพลดังกล่าวออกจากข้อมูล แต่แนวโน้มการเปล่ียนแปลงความเป็นฤดูกาลยังคงมีลักษณะเหมือนกัน ดังนั้นควรขจัดอิทธิพลความไม่แน่นอนออกจากข้อมลู ก่อนทีจ่ ะน�ำ มาใช้ ฉ. ในการศึกษาวิเคราะห์ความเป็นฤดูกาลของแหล่งท่องเที่ยวควรพิจารณาในหลายๆ มิติ(Multi-Dimension) เช่น รูปแบบ แนวโน้ม อิทธิพล ขนาด การกระจุกตัว เป็นต้น เพ่ือให้เข้าใจภาพของความเป็นฤดูกาลของการท่องเท่ียวมากข้ึน และควรระมัดระวังการใช้วิธีการวิเคราะห์ เนื่องจากวิธีการวิเคราะห์แต่ละวิธีมีข้อจำ�กัดของการใช้ที่แตกต่างกัน เช่น วิธี CSV, SI, GC เป็นวิธีที่อ่อนไหวตอ่ คา่ สดุ โตง่ ดงั นนั้ หากตอ้ งใชว้ ธิ ดี งั กลา่ วในการวเิ คราะห์ ควรขจดั อทิ ธพิ ลความไมแ่ นน่ อนออกจากขอ้ มลูกอ่ นน�ำ ข้อมลู ดงั กล่าวมาวเิ คราะหด์ ว้ ยวธิ กี ารท้งั สาม สงิ่ หนง่ึ ทสี่ �ำ คญั หลงั จากการวเิ คราะหห์ รอื ศกึ ษาความเปน็ ฤดกู าลของแหลง่ ทอ่ งเทย่ี ว คอื การน�ำ เสนอนโยบายท้ังที่เป็นนโยบายการแก้ไขปัญหาความเป็นฤดูกาล ซึ่งอาจเหมือนหรือแตกต่างกันในแต่ละแหล่งท่องเท่ียว และการนำ�เสนอแนวทางการส่งเสริมกิจกรรมการท่องเที่ยวท่ีสามารถช่วยลดความเป็นฤดูกาลได้ เช่น หากผลการวเิ คราะห์ พบวา่ RME ของตลาดนกั ทอ่ งเทย่ี วชาวไทยมีคา่ เป็นลบ ดงั นั้นควรมีนโยบายการส่งเสริมการท่องเที่ยวภายในประเทศ เป็นต้น หรือการส่งเสริมกิจกรรมท่ีไม่อิงกับดินฟา้ อากาศและสามารถท่องเทยี่ วไดต้ ลอดท้งั ปี เชน่ เทศกาลอาหาร เทศกาลประเพณวี ถิ ีไทย วถิ ีชวี ิตวิถีไทยบนฤดกู าลท่แี ตกต่าง สวนสตั ว์ พิพธิ ภณั ฑ์ เป็นตน้ นอกจากน้ีหากผลการศกึ ษา GC พบว่า มกี ารกระจุกตัวของความเป็นฤดูกาลสูงมากในช่วงใดช่วงหนึ่ง อาจเสนอเชิงนโยบายว่า ควรระมัดระวังในการจัดกิจกรรมส่งเสริมการท่องเที่ยวในช่วงฤดูท่องเที่ยว เพราะ อาจทำ�ให้เกิดการกระจุกตัวของความเป็นฤดกู าลเพิม่ ขนึ้ เปน็ ต้น

เศรษฐมิตวิ ่าดว้ ยการทอ่ งเทยี่ ว 79คำ�ถามท้ายบท1. ท�ำ ไมต้องใหค้ วามส�ำ คัญกับความเป็นฤดูกาลในแหล่งทอ่ งเท่ียว?2. ความเป็นฤดกู าลในการท่องเทยี่ วเกดิ จากสาเหตหุ รอื ปัจจัยใดบา้ ง?3. การวเิ คราะหค์ วามผนั ผวนตามฤดูกาลควรพจิ ารณาในเร่ืองใดบา้ ง? (อธิบายมาพอสงั เขป)4. การวดั ขนาดและการกระจกุ ตวั ของความเปน็ ฤดกู าลมคี วามแตกตา่ งกนั อยา่ งไร? และวธิ ที ง้ั สองมจี ดุ ออ่ น จุดแขง็ ที่แตกตา่ งและเหมอื นกันอยา่ งไร?5. จงอธิบายผลการวิเคราะห์ Relative marginal effects (RME) ของตลาดเอเชียในจังหวัดเชียงใหม่ ทพ่ี บวา่ มีค่าเทา่ กบั -4.78 มาพอสงั เขป?6. จงให้เหตุผลถึงความสำ�คัญท่ีต้องวิเคราะห์ความเป็นฤดูกาลในระดับตลาด และระดับแหล่งท่องเที่ยว มาพอสังเขป?

80 บทที่ 3: การวิเคราะหค์ วามเปน็ ฤดกู าลในแหลง่ ท่องเที่ยวบรรณานกุ รมอคั รพงศ์ อน้ั ทอง และมงิ่ สรรพ์ ขาวสอาด. 2552. “ความเปน็ ฤดกู าลของการทอ่ งเทย่ี วในจงั หวดั เชยี งใหม.่ ” วารสารเศรษฐศาสตร์ มหาวทิ ยาลยั เกษตรศาสตร์ 16(2): 32-47.อัครพงศ์ อั้นทอง และมิ่งสรรพ์ ขาวสอาด. 2554. การวิเคราะห์ความเป็นฤดูกาลของแหล่งท่องเที่ยว ทส่ี �ำ คญั ของไทย. สถาบันศึกษานโยบายสาธารณะ มหาวิทยาลยั เชยี งใหม่. (เอกสารอดั ส�ำ เนา)Akarapong Untong and Mingsarn Kaosa-ard. 2009. “Seasonality analysis of tourist arrivals at accommodation establishments in Chiang Mai, Thailand.” Proceeding 15th Asia Pacific Tourism Association Annual Conference. July 9-12 2009. Inchon, Korea.Akarapong Untong, Vicente Ramos, Mingsarn Kaosa-ard and Javier Rey-Maquieira. 2011. The seasonal pattern and the effects of unexpected events on outbound Chinese tourism: the case of Chinese tourist arrivals to Thailand. The second international conference on tourism between China-Spain (ICTCHS2011), March 27-31, 2011, Palma de Mallorca, Spain.Bar-On, R.V. 1975. Seasonality in Tourism: A Guide to the Analysis of Seasonality and Trends for Policy Making. Technical Series No 2. London: The Economist Intelligence Unit.Beaulieu, J.J. and Miron, J.A. 1993. “Seasonal unit roots in aggregate US data.” Journal of Econometrics 55(1-2): 305-328.Butler, R.W. 1994. “Seasonality in tourism: issues and problems.” In A.V. Seaton (ed.). Tourism the State of the Art. Chichester: John Wiley & Sons: 332-340.Cuccia, T. and Rizzo, I. 2011. “Tourism seasonality in cultural destinations: empirical evidence from Sicily.” Tourism Management 32(3): 589-595.Enders, W. 2004. Applied Econometric Time Series. 2nd ed. New York: John Wiley & Sons.Fernández-Morales, A. and Mayorga-Toledano, M.C. 2008. “Seasonal concentration of the hotel demand in Costa del Sol: a decomposition by nationalities.” Tourism Management 29(5): 940-949.Franses, P.H. 1990. “Testing for seasonal unit root in month data.” Econometric Institute Report 9032A Erasmus University, Rotterdam.Franses, P.H. 1991. “Seasonality, non-stationarity and the forecasting of monthly time series.” International Journal of Forecasting 7(2): 227-208.Franses, P.H. and Hobijn, B. 1997. “Critical values for unit root tests in seasonal time series.” Journal of Applied Statistics 24(1): 25-48.Frechtling, D.C. 1996. Practical Tourism Forecasting. Oxford: Butterworth-Heinemann.Hui, T-K. and Yuen, C.C. 2002. “A study in the seasonal variation of Japanese tourist arrivals in Singapore.” Tourism Management 23(2): 127-131.

เศรษฐมิติว่าดว้ ยการทอ่ งเท่ยี ว 81Hylleberg, S. and Mizon, G.E. 1989. “Cointegration and error correction mechanisms.” The Economic Journal 99(335), Supplement: Conference Papers (1989): 113-125.Hylleberg, S., Engle, R.F., Granger, C.W.J. and Yoo, B.S. 1990. “Seasonal integration and cointegration.” Journal of Econometrics 44(1-2): 215-238.Koc, E. and Altinay, G. 2007. “An analysis of seasonality in monthly per person tourist spending in Turkish inbound tourism from a market segmentation perspective.” Tourism Management 28(1): 227-237.Koenig, N. and Bischoff, E.E. 2003. “Seasonality of tourism in Wales: a comparative analysis.” Tourism Economics 9(3): 229-254.Lerman, R.I. and Yitzaki, S. 1985. “Income inequality effects by income.” The Review of Economics and Statistics 67(1): 151-156.Lundtorp, S. 2001. “Measuring tourism seasonality.” In T. Baum and S. Lundtorp (eds.). Seasonality in Tourism. Oxford: Pergamon: 23-50.Lundtorp, S., Rassing, C.R. and Wanhill, S. 1999. “The off-season is ‘No season’: the case of Danish island of Bornholm.” Tourism Economics 5(1): 49-68.Lütkepohl, H. and M. Krätzing. 2004. Applied Time Series Econometrics. Cambridge: Cambridge University Press.Rodrigues, P.M.M. and Franses, P.H. 2003. “A sequential approach to testing seasonal unit roots in high frequency data.” Econometric Institute Report 2003-14 Erasmus University, Rotterdam.Sørensen, N.K. 1999. “Modelling the seasonality of hotel nights in Denmark.” Tourism Economics 5(1): 9-24.Tsitouras, A. 2004. “AdjustedGini coefficient and ‘months equivalent’degree of tourism seasonality: a research note.” Tourism Economics 10(1): 95-100.Volo,S. 2010. “SeasonalityinSiciliantourismdemand –anexploratorystudy.” TourismEconomics 16(4): 1073-1080.



บทท่ี 4การประมาณคา่ ความยดื หยนุ่และการพยากรณ์อุปสงค์การทอ่ งเที่ยว บทนเี้ ปน็ การน�ำ เสนอแนวทางการประยกุ ต์ใชเ้ ศรษฐมติ สิ ำ�หรบั ศกึ ษาอปุ สงคก์ ารทอ่ งเทย่ี ว โดยแบง่เนือ้ หาออกเปน็ 4 ตอน คือ ตอนที่ 1 เปน็ การทบทวนความรเู้ กี่ยวกับแบบจำ�ลองอปุ สงค์การท่องเทย่ี วเพื่อวางพ้ืนฐานความเข้าใจเก่ียวกับแบบจำ�ลองอุปสงค์การท่องเท่ียวให้กับผู้อ่าน ส่วนตอนที่ 2 เป็นการนำ�เสนอวิธีและแนวทางการประยุกต์ใช้เศรษฐมิติประมาณค่าความยืดหยุ่นของแบบจำ�ลองอุปสงค์ทเ่ี ปน็ สมการเดย่ี ว (Single equation) ซ่งึ ครอบคลมุ ตั้งแตก่ ารทดสอบ Unit root, Co-integration และการประมาณคา่ ความสมั พนั ธเ์ ชงิ ดลุ ยภาพระยะยาว รวมทงั้ การวเิ คราะหก์ ารเปลยี่ นแปลงโครงสรา้ งอปุ สงค์ดว้ ยแบบจำ�ลอง Time varying parameter เชิงสถิตในระยะยาว (TVP-LRM) ส�ำ หรบั ตอนท่ี3 เปน็ การน�ำ เสนอการพยากรณอ์ ปุ สงคก์ ารทอ่ งเทย่ี วทเ่ี ปน็ วธิ วี เิ คราะหข์ อ้ มลู อนกุ รมเวลาแบบตัวแปรเดียว (Univariate) วิธี Combine forecasting ที่เป็นการรวมผลลัพธ์จากวิธีพยากรณ์ท่แี ตกตา่ งกันเขา้ ดว้ ยกนั และแนวคิดของวิธี Hybrid forecasting ทเ่ี กิดจากประยุกต์ใช้แบบจำ�ลองบ็อกซ์และเจนกินส์ กบั Artificial neural network (ANN) ในขณะทตี่ อนท่ี 4 เป็นกรณตี ัวอย่างแนวทางการพัฒนาแบบจำ�ลองเพื่อการพยากรณ์อุปสงค์การท่องเท่ียวไทย โดยนำ�เสนอแนวทางและข้ันตอนการพัฒนาแบบจ�ำ ลองพยากรณ์ 3 แบบจำ�ลอง คอื แบบจำ�ลองการวิเคราะหเ์ ส้นแนวโน้ม แบบจำ�ลอง ARIMA และแบบจ�ำ ลอง SARIMA with intervention รวมทั้งตัวอยา่ งการอธบิ ายผลลัพธท์ ่ีได้จากการพยากรณ์4.1 แบบจำ�ลองอุปสงคก์ ารทอ่ งเทย่ี ว การศึกษาอุปสงค์การท่องเที่ยวเป็นหนึ่งในงานวิจัยด้านการท่องเที่ยวที่ได้รับความสนใจ และมีการเผยแพรเ่ พม่ิ ข้นึ อยา่ งตอ่ เนือ่ ง จากการส�ำ รวจของ Crouch (1994) พบว่า ระหวา่ งปี พ.ศ. 2504-2536มงี านวจิ ยั เกย่ี วกบั อปุ สงคก์ ารทอ่ งเทยี่ วมากถงึ 120 เรอื่ ง จากงานวจิ ยั ดา้ นการทอ่ งเทย่ี วทง้ั หมด300 เรอ่ื งหรือประมาณร้อยละ 40 ของงานวจิ ัยดา้ นการทอ่ งเทีย่ วทง้ั หมด ในขณะท่ี Song and Li (2008) พบวา่ระหว่างปี พ.ศ. 2543-2550 (ระยะเวลา 8 ปี) มีงานวิจัยด้านอุปสงค์การท่องเท่ียวท่ีตีพิมพ์ในวารสารนานาชาติถงึ 121 เรอื่ ง ขอ้ มูลดงั กลา่ วสะท้อนว่า การวจิ ยั /ศกึ ษา/พัฒนาแบบจ�ำ ลองอุปสงคก์ ารทอ่ งเท่ยี วไดร้ บั ความสนใจเพม่ิ ขน้ึ อยา่ งตอ่ เนอ่ื งในระดบั นานาชาตติ ลอดกง่ึ ศตวรรษทผ่ี า่ นมา เนอ่ื งจากการศกึ ษาอปุ สงค์การทอ่ งเทย่ี วมคี วามส�ำ คญั ตอ่ การก�ำ หนดก�ำ ลงั การผลติ ของอตุ สาหกรรม หรอื การวางนโยบายพฒั นาอปุ ทานทส่ี อดคลอ้ งกบั ความตอ้ งการของอปุ สงค์ ในขณะทกี่ ารศกึ ษาขนาดและพฤตกิ รรมของนกั ทอ่ งเทย่ี วสามารถลดความไมแ่ นน่ อนของอปุ สงคก์ ารทอ่ งเทยี่ วได้ นอกจากนย้ี งั สามารถใชผ้ ลลพั ธท์ ี่ไดจ้ ากการศกึ ษาอปุ สงค์ประเมินผลกระทบดา้ นเศรษฐกจิ ของการทอ่ งเที่ยวทเ่ี กิดขนึ้ ทงั้ ทางตรงและทางออ้ ม

84 บทที่ 4: การประมาณคา่ ความยืดหย่นุ และการพยากรณอ์ ปุ สงคก์ ารทอ่ งเทีย่ ว การศกึ ษาสว่ นใหญ่ในชว่ งกงึ่ ศตวรรษทผี่ า่ นมาใหค้ วามสนใจกบั การพฒั นาเทคนคิ การวเิ คราะหเ์ พอื่ใหไ้ ดแ้ บบจำ�ลองท่เี หมาะสม (Model fit) และมคี วามแมน่ ยำ� (Accuracy) ในการพยากรณ์ (หรือทีเ่ รียกว่าEx-post forecast) มากกว่าการพัฒนาทฤษฎีอุปสงค์การท่องเท่ียว โดยสามารถแบ่งแนวทางการศึกษาทผ่ี า่ นมาได ้ 2 แนวทาง คอื 1) การศกึ ษาเพอื่ ประมาณคา่ ความยดื หยนุ่ ของอปุ สงคก์ ารทอ่ งเทยี่ ว โดยเฉพาะค่าความยืดหยุ่นในระยะยาว ซึ่งมีประโยชน์ต่อการวางแผน/นโยบายส่งเสริม/รักษาตลาดนักท่องเท่ียวทเี่ ปน็ กลมุ่ หลกั รวมทงั้ ทราบถงึ ผลกระทบของนโยบายทม่ี ตี อ่ ราคาการทอ่ งเทย่ี ว และ 2) การพฒั นาเทคนคิการพยากรณ์ที่มุ่งเน้นความแม่นยำ�ในการพยากรณ์ การศึกษาตามแนวทางนี้มีประโยชน์ต่อการวางแผน/นโยบายสำ�หรบั จัดการอปุ ทานใหส้ อดคล้องและเพียงพอกบั อปุ สงคท์ จ่ี ะเกดิ ขึ้นในอนาคต รวมท้งั ใช้คน้ หาตลาดนักท่องเที่ยวท่ีมีศกั ยภาพในอนาคต วธิ ที นี่ ิยมใช้พัฒนาแบบจ�ำ ลองอุปสงค์การทอ่ งเทยี่ ว ไดแ้ ก่ วิธีวิเคราะห์ขอ้ มลู อนกุ รมเวลา (Timeseries analysis) เช่น การวิเคราะหเ์ สน้ แนวโนม้ (Linear time trend) วธิ บี อ็ กซแ์ ละเจนกินส์ (Box andJenkins) ทงั้ วิธี Autoregressive integrated moving average (ARIMA) และ Seasonal autoregressiveintegrated moving average (SARIMA) เป็นตน้ วิธีเศรษฐมติ ิ (Econometrics) เช่น Error correctionmodel (ECM) Autoregressive distributed lag (ARDL) Almost idea demand system (AIDS)Time varying parameter (TVP) เปน็ ต้น รวมท้งั วธิ เี ชิงปริมาณใหมๆ่ ทั้งท่เี ป็นวธิ สี ถติ ิ เช่น SARIMA withintervention, ARIMAX, FARIMA เปน็ ตน้ และที่ไม่ใชว่ ธิ สี ถติ ิ เชน่ Artificial neural network (ANN) เปน็ ตน้อย่างไรก็ตามวธิ ีวิเคราะหอ์ นุกรมเวลายงั คงเปน็ วธิ ที นี่ ยิ มใชศ้ กึ ษาอปุ สงคก์ ารท่องเทย่ี วมากกวา่ วิธอี ืน่ ๆ กอ่ นปี พ.ศ. 2540 การศึกษาอุปสงค์การทอ่ งเทยี่ วส่วนใหญน่ ยิ มพัฒนาแบบจ�ำ ลองเพอ่ื พยากรณ์ไปในอนาคต (Ex-ante forecast) และเพ่ือนำ�เสนอแบบจำ�ลองท่ีเหมาะสมและสอดคล้องกับข้อมูลเชิงประจักษ์ (Model fit) ต่อมาหลังปี พ.ศ. 2540 มีการศึกษาจำ�นวนมากให้ความสนใจกับการพัฒนาแบบจำ�ลองท่ีเน้นความแม่นยำ�ในการพยากรณ์ หรือเรียกว่า Ex-post forecast เช่น Combineforecasting, Hybrid forecasting เปน็ ต้น ในการพัฒนาแบบจำ�ลองอุปสงค์การท่องเท่ียวควรให้ความสำ�คัญกับวัตถุประสงค์หรือเป้าหมายของการน�ำ มาใชเ้ ปน็ อนั ดบั แรก โดยทวั่ ไปสามารถแบง่ แนวทางการพฒั นาหรอื วตั ถปุ ระสงคข์ องการพฒั นาแบบจำ�ลองอุปสงค์การท่องเท่ียวออกเป็น 3 แนวทาง คือ 1) การพัฒนาแบบจำ�ลองเพ่ือให้สอดคล้องหรือเหมาะสมกับข้อมูลเชิงประจักษ์ (Model fit) 2) การพัฒนาแบบจำ�ลองเพื่อพยากรณ์ไปในอนาคต(Ex-ante forecast) และ 3) การพัฒนาแบบจำ�ลองเพื่อให้มีความแม่นยำ�ในการพยากรณ์มากท่ีสุด(Ex-post forecast) ดังแสดงในรปู ที่ 4.1

เศรษฐมติ ิว่าด้วยการท่องเที่ยว 85รูปท่ี 4.1 วตั ถุประสงค์หรือเปา้ หมายของการพัฒนาแบบจ�ำ ลองอุปสงค์การท่องเท่ยี วModel Fit T1 T0 T1 T2Ex-ante T0 T’1 T1 คา พยากรณEx-ante T0 ขอ มูลจรง� นอกจากการศึกษาเพื่อการพยากรณ์แล้วมีการศึกษาจำ�นวนหน่ึงให้ความสนใจกับการค้นหาปัจจัยทเี่ ปน็ ตวั ก�ำ หนดอปุ สงคก์ ารทอ่ งเทย่ี ว โดยใชว้ ธิ เี ชงิ ปรมิ าณคน้ หาปจั จยั ทสี่ ามารถอธบิ ายรปู แบบพฤตกิ รรมของอุปสงคภ์ ายใต้ทฤษฎหี รือกรอบแนวคดิ ทางเศรษฐศาสตร์ หรือการศึกษาความสมั พนั ธ์ระหวา่ งอุปสงค์การท่องเท่ียวกับปัจจัยที่เป็นตัวกำ�หนดอุปสงค์ สามารถแสดงแบบจำ�ลองอุปสงค์การท่องเท่ียวท่ัวไปไดด้ ังนี้TD = ƒ(X1 , … , Xn , ε)โดยท ี่ TD คือ อปุ สงคก์ ารทอ่ งเทย่ี ว เชน่ จ�ำ นวนนกั ทอ่ งเทยี่ ว รายไดจ้ ากการทอ่ งเทย่ี ว เปน็ ต้น X1, … , Xn คือ ปัจจัยที่เป็นตัวกำ�หนดอุปสงค์ เช่น ราคาการท่องเที่ยว รายได้ของ นักท่องเท่ียว เป็นตน้ ε คือ ตวั แปรเฟ้นสุ่ม (Stochastic term)จากการศึกษาในอดตี สามารถแบ่งแบบจ�ำ ลองอุปสงคก์ ารทอ่ งเท่ยี วออกเปน็ 3 ประเภท ดังน้ี ก. แบบจำ�ลองเชิงสาเหตุ (Causal or explanatory models) เป็นแบบจำ�ลองสำ�หรับวิเคราะห์อุปสงคก์ ารท่องเท่ียวในกรณหี ลายตวั แปร (Multivariate models of tourism demand) และเป็นการศึกษาความสัมพันธ์ระหว่างอุปสงค์การท่องเที่ยวกับปัจจัยที่เป็นตัวกำ�หนดอุปสงค์การท่องเท่ียว โดยท่ัวไปมีลกั ษณะดงั น้ี

86 บทที่ 4: การประมาณค่าความยืดหยุ่นและการพยากรณ์อปุ สงคก์ ารท่องเท่ียว[4.1] TD = ƒ(Y , Pd , Tc , Po , O) โดยท ่ี TD คือ อุปสงคก์ ารท่องเทีย่ ว Y คอื รายได้ Pd คือ ราคาของแหลง่ ทอ่ งเทีย่ ว  Tc คอื ต้นทนุ ในการเดนิ ทาง เชน่ ค่าเครอื่ งบนิ เปน็ ต้น Po คือ ราคาของแหล่งทอ่ งเที่ยวทดแทนหรอื ท่ีเปน็ คแู่ ข่ง O คือ ปจั จัยกำ�หนดอน่ื ๆ เชน่ เหตกุ ารณค์ วามไม่แน่นอน อิทธพิ ลฤดกู าล เปน็ ตน้ อปุ สงคก์ ารทอ่ งเทีย่ ว (TD) ที่นิยมใช้ ได้แก่ จำ�นวนนักท่องเท่ียว ค่าใช้จ่าย และจำ�นวนคืนพกัอยา่ งไรกต็ ามการศกึ ษาทผี่ า่ นมานยิ มใชจ้ �ำ นวนนกั ทอ่ งเทย่ี วเปน็ ตวั แทน (Proxy) อปุ สงคข์ องนกั ทอ่ งเทย่ี วต่างชาติ ส่วนรายได้ของนักท่องเที่ยวต่างชาตินิยมใช้ผลิตภัณฑ์มวลรวมประชาชาติ (Gross domesticproduct: GDP) และผลติ ภณั ฑม์ วลรวมประชาชาตติ อ่ หวั (GDP per capita) เปน็ ตวั แทน Narayan (2004)และ อคั รพงศ์ อนั้ ทอง และมง่ิ สรรพ์ ขาวสอาด (2554) เสนอวา่ ควรใช้ GDP per capita เปน็ ตวั แทนรายได้เนอื่ งจากสามารถสะทอ้ นอ�ำ นาจซอ้ื /ก�ำ ลงั ซอื้ ทแ่ี ทจ้ รงิ ของแตล่ ะประเทศไดด้ กี วา่ การใช้GDP ในขณะทก่ี ารใช้GDP สามารถครอบคลุมและสะท้อนผลของการเปลี่ยนแปลงรายได้ต่อหัวและการเพ่ิมขึ้นของประชากรไดด้ กี ว่า GDP per capita สำ�หรับราคาการทอ่ งเท่ยี ว (Pd) นยิ มใช้ราคาเปรียบเทยี บ (Relative price) เป็นตัวแทน เนอ่ื งจากเป็นราคาท่ีสะท้อนค่าครองชีพ (Cost of living) ที่นักท่องเท่ียวต่างชาติใช้จ่ายเม่ือเดินทางมาท่องเท่ียวในแหลง่ ท่องเทย่ี วน้นั ๆ โดยมีสูตรการค�ำ นวณดงั นี้[4.2] CPId CPIor • ERor / d RPTd /or = โดยที ่ RPTd / or คือ ราคาการท่องเทยี่ วของประเทศปลายทางเทียบกบั ประเทศตน้ ทาง CPId คอื ดชั นีราคาผู้บริโภค (Consumer price index) ของประเทศปลายทาง CPIor คือ ดชั นีราคาผบู้ รโิ ภคของประเทศตน้ ทาง EXor / d คอื อัตราแลกเปลี่ยน (Exchange rate) ระหว่างประเทศตน้ ทางกบั ประเทศ ปลายทาง

เศรษฐมิตวิ ่าดว้ ยการทอ่ งเท่ียว 87 ส่วนราคาของแหล่งท่องเท่ียวท่ีเป็นคู่แข่ง (Po) นิยมใช้ราคาเปรียบเทียบเช่นเดียวกัน โดยมีสูตรการค�ำ นวณในลกั ษณะเดียวกนั ดงั นี้[4.3a] CPIsd CPIor • ERor / sd RPTsd /or = โดยท ่ี RPTsd/or คอื ราคาการท่องเที่ยวของประเทศท่ีเป็นแหล่งท่องเท่ียวทดแทนเทียบกับ ประเทศตน้ ทาง CPIsd คอื ดชั นีราคาผูบ้ ริโภคของประเทศคู่แขง่ CPIor คอื ดัชนรี าคาผูบ้ รโิ ภคของประเทศตน้ ทาง EXor/sd คอื อตั ราแลกเปล่ยี นระหว่างประเทศต้นทางกบั ประเทศคูแ่ ขง่ หากมีประเทศที่เป็นแหล่งท่องเที่ยวทดแทนมากกว่า 1 ประเทศ ควรใช้สูตรการคำ�นวณท่ีมีการถ่วงน้าํ หนักราคาเปรยี บเทียบของแหลง่ ทอ่ งเทยี่ วทดแทน ดังนี้[4.3b] Woi CPIid CPIor • ERor / id RPTsd /or = โดยที่ CPIid คอื ดัชนรี าคาผู้บรโิ ภคของประเทศคูแ่ ขง่ ท่ี i EXor/id คือ อัตราแลกเปลยี่ นระหวา่ งประเทศต้นทางกับประเทศค่แู ขง่ ที่ i n คอื จำ�นวนประเทศคแู่ ขง่ ทีเ่ ป็นแหลง่ ท่องเท่ยี วทดแทน Wi คอื ค่าถ่วงน้าํ หนกั ของประเทศคแู่ ขง่ ที่ i โดยทว่ั ไปท่ีนิยมใช้ส่วนแบ่งตลาดของจ�ำ นวนหรือรายได้จากนกั ทอ่ งเทีย่ วเป็นค่าถ่วงนํา้ หนัก ดงั น้ี Woi = TAoi TAoi โดยท่ี TAoi คือ จำ�นวนหรือรายได้จากประเทศตน้ ทางของประเทศ i