20160308-038

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 รม เวลาทีม่ ีฤดูกาล-ไม่มีฤดกู าล (Seasonal-non-seasonal multiplicative models) ดงั น้ี [2.18] Δd ΔD Yt = (1 – L)d (1 – Ls)D Yt s 2) การแปลงข้อมูลอนกุ รมเวลา กรณีที่ข้อมูลอนุกรมเวลามีความแปรปรวนไม่คงท่ีหรือมีความแปรปรวนสูง สามารถทำ� Natural logarithm ข้อมูลอนุกรมเวลาก่อนนำ�มาใช้ วธิ ีน้ีเป็นวิธีที่นักเศรษฐศาสตร์นยิ มใชล้ ดความแปรปรวนของ ข้อมูลที่ใช้ในการศึกษา นอกจากน้ีในบางกรณีสามารถแปลงข้อมูลอนุกรมเวลาให้เป็นอัตราการเติบโต (Growth rates: GR) โดยทว่ั ไปนิยมใชก้ ารค�ำ นวณอัตราการเตบิ โตแบบเวลาต่อเวลา เช่น ปีต่อปี เป็นต้น โดยมีสูตรการค�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 39 2.3 การตรวจสอบความสมั พนั ธข์ องตวั แปรในแบบจ�ำ ลอง ทฤษฎีทางเศรษฐศาสตร์โดยส่วนใหญ่เป็นการอธิบายความสัมพันธ์ระหว่างตัวแปรทางเศรษฐกิจ โดยมีเศรษฐมิติเป็นหนึ่งในเคร่ืองมือวิเคราะห์ท่ีสำ�คัญ โดยท่ัวไปการวิเคราะห์ความสัมพันธ์ของตัวแปร ในแบบจ�ำ ลองทางเศรษฐศาสตร์นยิ มใช้การวิเคราะหส์ หสัมพนั ธ์ (Correlation analysis) และการวเิ คราะห์ การถดถอย (Regression analysis) โดยการวิเคราะห์สหสัมพันธ์ทำ�ให้ทราบความสัมพันธ์และทิศทาง ของความสมั พนั ธข์ องตวั แปรในแบบจ�ำ ลอง ในขณะทก่ี ารวเิ คราะหก์ ารถดถอย นอกจากทราบความสมั พนั ธ์ และทิศทางของความสัมพนั ธ์ ยงั ทราบขนาดของความสัมพันธ์ของตวั แปรในแบบจำ�ลอง ซ่งึ มีประโยชน์ ในการวเิ คราะห์อิทธพิ ลของตัวแปรอสิ ระที่มตี ่อตัวแปรตาม หรือสามารถใชใ้ นการพยากรณต์ วั แปรตามได้ (รายละเอียดของวิธีการวิเคราะห์ท้ังสองสามารถหาอ่านได้ในหนังสือเศรษฐมิติ) ส่วนใหญ่การวิเคราะห์ ด้วยเศรษฐมิตินิยมใช้การวิเคราะห์การถดถอยมากกว่าการวิเคราะห์สหสัมพันธ์ เนื่องจากทฤษฎีทาง เศรษฐศาสตร์ได้อธิบายความสัมพันธ์และทิศทางของความสัมพันธ์ของแบบจำ�ลองทางเศรษฐศาสตร์ ไว้แล้ว ดังน้ันขนาดของความสัมพันธ์จึงเป็นสิ่งท่ีนักเศรษฐศาสตร์ต้องการทราบจากการวิเคราะห์ด้วย วธิ ีทางเศรษฐมติ ิ ขนาดของความสัมพันธ์ของตัวแปรในแบบจ�ำ ลองทางเศรษฐศาสตรน์ ำ�มาซึ่งการอธิบาย คา่ สว่ นเพม่ิ (Marginal) ของตวั แปรตามเมอื่ ตวั แปรอสิ ระมกี ารเปลยี่ นแปลง โดยคา่ สว่ นเพมิ่ ทน่ี กั เศรษฐศาสตร์ ให้ความสำ�คัญ เช่น ค่าความยดื หยุ่น คา่ ตัวทวี เปน็ ต้น จากข้างต้นจะเห็นได้ว่า หน่ึงในสิ่งท่ีต้องตรวจสอบก่อนการวิเคราะห์ด้วยวิธีทางเศรษฐมิติ คือ การตรวจสอบความสมั พนั ธข์ องตวั แปรตามและตวั แปรอสิ ระในแบบจำ�ลอง(สว่ นการตรวจสอบความสมั พนั ธ์ ระหว่างตัวแปรอิสระในแบบจำ�ลองเป็นเรื่องของการตรวจสอบปัญหา Multicollinearity) แม้ว่าใน แบบจำ�ลองตามทฤษฎีมีการกำ�หนดตัวแปรตามและตัวแปรอิสระไว้อย่างชัดเจน แต่ในความเป็นจริง มักมีคำ�ถามอยู่เสมอว่า ตัวแปรอิสระกำ�หนดตัวแปรตามเพียงทิศทางเดียว หรือตัวแปรท้ังสองกำ�หนด ซ่ึงกันและกันแบบสองทิศทาง (หรือต่างก็เป็นตัวแปรตามท้ังคู่) จากประเด็นปัญหาดังกล่าว สามารถ ประยกุ ต์ใช้วิธตี รวจสอบความเป็นเหตุเปน็ ผลของตัวแปร 2 ตัว ท่เี สนอโดย Granger (1969) หรือเรยี กว่า การทดสอบ Granger causality (Granger causality test) ในการตรวจสอบความเป็นเหตุเป็นผล ของตวั แปรตามและตัวแปรอสิ ระในแบบจ�ำ ลอง การทดสอบGrangercausality เหมาะส�ำ หรบั การตรวจสอบความเปน็ เหตเุ ปน็ ผลของตวั แปร2 ตวั ท่ีเป็นข้อมูลอนุกรมเวลาท่ีคงที่ เม่ือสมมติให้มีตัวแปรท่ีเป็นข้อมูลอนุกรมเวลาที่คงท่ี 2 ตัวแปร คือ X และ Y จากแนวคิดของ Granger ต้องการทดสอบดูวา่ การเปล่ียนแปลงของตัวแปร X เปน็ สาเหตขุ อง การเปล่ยี นแปลงของตัวแปร Y หรือการเปล่ยี นแปลงของตวั แปร Y เปน็ สาเหตุของการเปลี่ยนแปลงของ ตัวแปร 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 Restricted regression [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) หมายความวา่ X เปน็ สาเหตขุ องการเปลย่ี นแปลงของ Y ในท�ำ นองเดยี วกนั จากสมมตฐิ านหลกั ทวี่ า่ “H0: Y ไมเ่ ปน็ สาเหตุ ของ X (Y does not Granger cause X)” ถ้าค่าสถิติ F ทคี่ �ำ นวณไดส้ ูงกวา่ คา่ วกิ ฤติ [Prob. < α] แสดงวา่ ปฏิเสธสมมตฐิ านหลัก (H0) หมายความวา่ Y เป็นสาเหตุของการเปลย่ี นแปลงของ X จากกรณตี วั อยา่ งการทดสอบความเปน็ เหตเุ ปน็ ผลของการขยายตวั ของการทอ่ งเทย่ี วและการเตบิ โต ทางเศรษฐกิจของไทย โดยใช้จำ�นวนและรายได้จากนักท่องเท่ียวต่างชาติ (NTA และ TR) เป็นตัวแทน การขยายตัวของการท่องเที่ยว ส่วนการเติบโตทางเศรษฐกิจใช้ผลิตภัณฑ์มวลรวมประชาชาติ (GDP) เป็นตัวแทน จากการทดสอบ Granger causality พบว่า การเปล่ียนแปลงของจำ�นวนและรายได้จาก นักท่องเที่ยวต่างชาติเป็นสาเหตุของการเปลี่ยนแปลงผลิตภัณฑ์มวลรวมประชาชาติของไทย ในขณะที่ การเปลี่ยนแปลงของผลิตภัณฑ์มวลรวมประชาชาติของไทยเป็นสาเหตุของการเปลี่ยนแปลงรายได้จาก นกั ทอ่ งเทย่ี วตา่ งชาติเท่านัน้ (ตารางท่ี 2.6) ตารางท่ี 2.6 ผลการทดสอบ Granger causality ของการขยายตัวของการท่องเที่ยวและการเติบโตทางเศรษฐกจิ ของไทย สมมติฐานของการทดสอบ (N=53, Lags=3) F-statistic P-value ΔNTA ไมเ่ ปน็ สาเหตุของ ΔGDP 6.2369 0.0013 ΔGDP ไม่เปน็ สาเหตุของ ΔNTA 2.1013 0.1145 ΔTR ไมเ่ ป็นสาเหตุของ ΔGDP 8.5753 0.0001 ΔGDP ไม่เปน็ สาเหตขุ อง ΔTR 7.4854 0.0004 2.4 การตรวจสอบความสมั พนั ธ์เชงิ ดุลยภาพระยะยาว (Co-integration) การใช้ข้อมูลอนุกรมเวลาที่ไม่คงที่ในการวิเคราะห์สมการถดถอยอาจเกิดปัญหาความสัมพันธ์ ท่ีไม่แท้จริงของตัวแปรในแบบจำ�ลอง อย่างไรก็ตามข้อมูลอนุกรมเวลาที่ไม่คงท่ีอาจมีความสัมพันธ์กัน ในระยะยาว (Long run relationships) หากพบว่า ค่าเบ่ียงเบน (Deviation) ที่ออกจากความสัมพันธ์ เชิงดุลยภาพในระยะยาวมีลักษณะนิ่ง ความสัมพันธ์ในลักษณะดังกล่าวเรียกว่า Co-integration (Engle and Granger, 1987) ดังนั้นการทดสอบ Co-integration (Co-integration test) คือ การทดสอบ ความน่ิงของค่าเบี่ยงเบนท่ีได้จากการประมาณค่าความสัมพันธ์เชิงดุลยภาพในระยะยาว (Long-run equilibrium relationship) ของตัวแปรอนกุ รมเวลาท่ีไม่คงท่ี หากตัวแปรอนกุ รมเวลามี Co-integration แสดงวา่ 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 Yt และ Xt มคี ณุ สมบตั ิCo-integration ตวั แปรทง้ั สองจะตอ้ งมอี นั ดบั (Integrated) ของความคงทเี่ ทา่ กนั เชน่ ถา้ 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] ที่อันดับ ของความคงท่ีท่ี d–b โดยที่ b>0 และเวกเตอร์ [β1 , β2 ] คือ เวกเตอรท์ ที่ �ำ ใหเ้ กิด Co-integration (Co-integration vector) โดยผลรวมเชิงเส้นตรงจะต้องมีอันดับความคงท่ีที่ 0 [I(0)] ในขณะเดียวกัน หากในแบบจ�ำ ลองมีตัวแปรจ�ำ นวน n ตวั โดยกำ�หนดให้ X เป็นเวกเตอรข์ องตัวแปรขนาด n×1 และ มอี งคป์ ระกอบดงั น้ี X = (X1t , X2t , … , Xnt) ดงั นน้ั ตวั แปรเหลา่ นมี้ ี Co-integration เมอ่ื ขอ้ มลู อนกุ รมเวลา ของตวั แปรเหลา่ นมี้ อี นั ดบั ความคงทเี่ ดยี วกนั เชน่ X ~ I(d) เปน็ ตน้ และจะตอ้ งมเี วกเตอร์ β ขนาด 1×n β = β1 , β2 , … , βn) ทที่ �ำ ใหผ้ ลรวมเชงิ เสน้ ตรง [βX′= β1 X1t + β2 X2t + … + βn Xnt] มอี นั ดบั ความคงที่ ที่ 0 [I(0)] จากกรณีนี้จะเห็นไดว้ า่ อาจมีจ�ำ นวน Co-integration vector มากกวา่ 1 เวกเตอร์ แต่ไมเ่ กนิ n–1 เวกเตอร์ และในที่นี้จะสนใจเฉพาะ Co-integration vector ที่ทำ�ให้ผลรวมเชิงเส้นตรงมีอันดับ ความคงท่ีที่ I(0) เท่าน้ัน เนอ่ื งจากตัวแปรทางเศรษฐศาสตรส์ ว่ นใหญ่มีอนั ดบั ความคงทท่ี ี่ I(1) และการท่ี ผลรวมเชิงเส้นตรงของตัวแปรเปน็ I(0) ทำ�ให้ค่าสัมประสทิ ธิข์ อง Co-integration vector เป็นค่าเดียวกับ ค่าสัมประสิทธิข์ 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 โดยจะขอกล่าวถึงวิธีทดสอบ ทงั้ 3 วิธี พอสังเขป ดังน้ี 2.4.1 Two-step residual-based (Engle and Granger test) วิธี Engel and Granger เป็นวิธที ดสอบทงี่ ่าย และเหมาะสำ�หรับใชท้ ดสอบสมการความสมั พนั ธ์ เพยี งสมการเดยี ว หรอื ควรมจี �ำ นวนCo-integration ของสมการเพยี ง1 คเู่ ทา่ นนั้ (มตี วั แปรเพยี ง2 ตวั แปร) วิธีน้ีจะพิจารณาคุณสมบัติของค่าคลาดเคล่ือน (εt) ที่ได้จากสมการถดถอยของตัวแปรแต่ละคู่ว่า คงที่ ที่ I(0) หรือไม่ หากพบว่า ค่าคลาดคล่ือนดังกล่าวคงท่ีที่ I(0) แสดงว่า ตัวแปรคู่น้ันมีความสัมพันธ์ เชงิ ดลุ ยภาพในระยะยาว หรอื มีCo-integration กนั ดงั นนั้ หากสมมตวิ า่ มตี วั แปร2 ตวั ทเี่ ปน็ ขอ้ มลู อนกุ รม เวลา คอื Yt และ Xt และตอ้ งการตรวจสอบCo-integration ของตวั แปรคนู่ ี้ สามารถด�ำ เนนิ การตามขนั้ ตอน ได้ดังนี้ (Asteriou and Hall, 2007) ข้ันตอนท่ี 1 ตรวจสอบอันดับความคงทีข่ องตวั แปร Yt และ Xt ด้วยวิธี Unit root test หากตวั แปร ทงั้ สองคงทที่ ี่ I(0) สามารถใชก้ ารวเิ คราะหส์ มการถดถอยวธิ คี ลาสสคิ (Classical regression analysis) ได้ และไมจ่ �ำ เปน็ ต้องตรวจสอบ Co-integration และหากตวั แปรทง้ั สองมีอนั ดับความคงทแี่ ตกต่างกนั ซึง่ มี ความเปน็ ไปไดท้ ่จี ะไม่มี Co-integration (ตามวิธนี ี้จะไมด่ ำ�เนินการทดสอบ Co-integration ต่อ) แต่ถ้า ตวั แปรทัง้ สองมอี นั ดบั ความคงทเี่ ดยี วกัน ซึ่งปกติตวั แปรทางเศรษฐศาสตร์จะคงท่ที ี่ I(1) ใหด้ ำ�เนินการ ต่อในข้นั 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 ยการทดสอบ Unit root ตามวิธี DF-test (กรณีคา่ คลาดเคลื่อนมลี ักษณะ White noise) หรอื ADF-test (กรณีมปี ญั หา Autocorrelation) โดยไมร่ วมคา่ คงท่ี และแนวโนม้ เวลาในสมการทดสอบ เนอ่ื งจาก tเปน็ คา่ คลาดเคลอ่ื นท่ี ไมม่ ี Random walk with drift และ Linear time trend ดังนัน้ สมการท่ีใช้ทดสอบ Unit root ตามวิธี DF-test และ 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 MacKinnon โดยสมมติฐานหลกั และสมมติฐานทางเลือกของการทดสอบ คอื H0 : t= I(1) , Ha : t= I(0) หากปฏิเสธ สมมตฐิ านหลกั แสดงวา่ ตวั แปร Yt และ Xt มีCo-integration หรอื มคี วามสมั พนั ธเ์ ชงิ ดลุ ยภาพในระยะยาว วิธี Engel and Granger มีข้อบกพร่องท่ีส�ำ คัญ 3 ประการ คือ (Asteriou and Hall, 2007) 1. การทดสอบ Co-integration ตามวิธี Engle and Granger จะให้ผลการทดสอบทแ่ี ตกตา่ งกนั หากมีการสลับข้างระหว่างตัวแปรอิสระและตัวแปรตาม โดยเฉพาะกรณีที่กลุ่มตัวอย่างมีขนาดเล็ก เช่น จากสมการ Yt = β1 + β2 Xt + εYt เป็นสมการ Xt = β1 + β2 Yt + εXt ซ่ึงตามแนวคิดพ้ืนฐานของ การทดสอบCo-integration คา่ Yt และ Xt ตอ้ งใหผ้ ลลพั ธท์ เ่ี หมอื นกนั หรอื ผลการทดสอบCo-integration ไม่ควรเปลย่ี นตามสมการท่ีเกดิ จากการสลบั ขา้ งของตวั แปร 2. หากมีตัวแปรมากกว่า 2 ตัวแปร ทำ�ให้มีความเป็นไปได้ท่ีจะมี Co-integration ของตัวแปร มากกว่า 1 คู่ และสามารถสรา้ งสมการได้หลายสมการจากการสลับตัวแปร ซง่ึ วิธี Engle and Granger สามารถทดสอบ 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 นท่ี เกิดขึ้นในขั้นตอนท่ี 1 (การคำ�นวณค่าคลาดเคลื่อนจากสมการถดถอยที่ประมาณค่าได้) จะติดไปใน ขน้ั ตอนท่ี 2 (การทดสอบความคงทข่ี องค่าคลาดเคล่อื น)

44 บทท่ี 2: การตรวจสอบข้อมูลและแบบจำ�ลองทางเศรษฐมิติ 2.4.2 System-based reduced rank regression (Johansen test) จากข้อบกพร่องของวิธี Engle and Granger จึงมีการเสนอวิธี System-based reduced rank regression หรือเรยี กว่า วิธี Johansan (Johansen, 1988, 1995; Johansen and Juselius, 1990) ทเ่ี ปน็ การทดสอบในรูปแบบ Multivariate co-integration แทนการทดสอบในรูปแบบ Univariate co-integration โดยอาศัยแบบจำ�ลอง Vector autoregressive model (VAR) เป็นแบบจำ�ลองพ้ืนฐาน และมีขั้นตอน การด�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 น และแตกต่างกันได้ หลังจากทราบอันดับความคงที่ของตัวแปร ต่อมาประยุกต์ใช้แบบจำ�ลอง VAR เพ่อื คน้ หาจำ�นวน Lag ทเี่ หมาะสมของแบบจำ�ลอง ดังนัน้ เมือ่ สมมติให้ Xt คอื เมตรกิ ซ์ของชดุ ตัวแปร X1t , … , Xnt หรือเขยี นในลกั ษณะของสญั ลักษณ์ทางเมตรกิ ซ์ได้ว่า Xt = [X1t , … , Xnt] และแบบจ�ำ ลอง VAR 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 ลอง VAR 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 องตัวแปร ณ 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 ธ์ิ ดลุ ยภาพทม่ี ีขนาด n×r สว่ น β คอื เมตรกิ ซ์ของค่าสมั ประสิทธร์ิ ะยะยาวที่มีขนาด n×r ส�ำ หรบั r คอื จำ�นวนความสมั พนั ธเ์ ชิงดุลยภาพในระยะยาว แบบจ�ำ ลอง VECM ข้างตน้ เปน็ แบบจ�ำ ลองพลวัต (Dynamic model) ที่มคี วามเปน็ ไปได้ที่จะมี องคป์ ระกอบเชงิ ก�ำ หนด (Deterministic components) ทปี่ ระกอบดว้ ยคา่ คงท่ี และหรอื คา่ แนวโนม้ (Trend) หรืออย่างใดอย่างหน่ึงในแบบจำ�ลองระยะสั้นหรือแบบจำ�ลองระยะยาว (ข้ึนอยู่กับข้อมูล) ดังน้ันรูปแบบ VECM 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 ธ์ของค่าคงที่และแนวโน้มใน แบบจ�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 รมเวลา ทีน่ �ำ มาใช้ ข้นั ตอนที่ 3 กำ�หนด Rank ของ π หรอื จำ�นวนเวกเตอร์ Co-integration (r) โดยค่า Rank ของ เมตริกซ์ 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 Maximum eigenvalue 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 โดยสมมติฐาน ที่ใชท้ ดสอบ คอื Trace test: H0 : จ�ำ นวนเวกเตอร์ Co-integration นอ้ ยกวา่ หรือเทา่ กับ r Ha : จ�ำ นวนเวกเตอร์ Co-integration มากกว่า r และ Maximum eigenvalue test: H0 : จำ�นวนเวกเตอร์ Co-integration น้อยกวา่ หรือเท่ากบั r Ha : จำ�นวนเวกเตอร์ Co-integration มากกว่า r+1 2.4.3 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) และ Johansen and Juselius (1990) ใน 3 ประเดน็ คอื 1) ไม่จำ�เป็นตอ้ งคำ�นงึ ถึงอันดบั ความคงท่ขี องตวั แปร ที่ใชใ้ นการทดสอบวา่ อยู่ในอนั ดบั เดียวกนั หรอื ไม่ 2) เหมาะสมในกรณที ี่มขี นาดจ�ำ นวนตัวอยา่ งน้อย และ 3) 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-integration ดว้ 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* คือ ค่าสัมประสิทธ์ิของความสัมพันธ์เชิงพลวัตในระยะส้ัน ดังนั้นแบบจำ�ลองข้างต้น คือ แบบจำ�ลอง Error correction ที่แสดงถึง ความสัมพันธ์เชิงพลวัตในระยะสั้น (Short-run dynamic) หากตัวแปรใน แบบจ�ำ ลองมคี วามสมั พนั ธ์ในระยะยาว คา่ สมั ประสทิ ธิ์ λ จะมคี า่ แตกตา่ งจาก 0 ดงั นน้ั สามารถประยกุ ต์ใช้ สถิติ F สำ�หรบั ทดสอบสมมตฐิ านหลัก (H0 : λ = 0) และสมมติฐานทางเลือก (Ha : λ ≠ 0) หากคา่ สถิติ F

เศรษฐมติ ิวา่ ดว้ ยการท่องเท่ียว 47 ทคี่ �ำ นวณไดม้ คี า่ สงู กวา่ คา่ วกิ ฤตBounds(Boundscriticalvalue) สมมตฐิ านหลกั ทวี่ า่ ไมม่ ีCo-integration จะถูกปฏิเสธ แสดงว่า ตัวแปรในแบบจำ�ลองมีความสัมพันธ์ในระยะยาว สำ�หรับในกรณีท่ีกลุ่มตัวอย่าง มีขนาดเล็ก (30-80 ตวั อยา่ ง) จะใช้ค่าวิกฤต Bounds ท่เี สนอโดย Narayan (2004) แตถ่ ้ากลมุ่ ตวั อยา่ ง มีขนาดใหญจ่ ะนิยมใช้ค่าวิกฤต Bounds ท่เี สนอโดย Pesaran, Shin and Smith (2001) ซง่ึ พฒั นาจาก กลุ่มตัวอย่างขนาด 500 และ 1,000 ตวั อย่าง 2.5 การตรวจสอบความเหมาะสมและความแม่นย�ำ ในการพยากรณ์ สถิติท่ีใช้ในการตรวจสอบความเหมาะสมของแบบจำ�ลอง หรือค่าสถิติในการตัดสินใจ โดยทั่วไป นยิ มพจิ ารณาจากคา่ R2 , (Adjusted R2), คา่ สถติ ิ F และ AÎC โดยค่าสถติ แิ ตล่ ะตัวมีเง่ือนไขในการ พจิ ารณาดงั น้ี คา่ สถิตใิ นการตดั สนิ ใจ สูตรการค�ำ นวณ เงอ่ื นไข มคี า่ ระหว่าง 0-1 หากมคี ่าเขา้ ใกล้ 1 แสดงว่า ตัวแปรอสิ ระ R2 R2 = 1 – (y – ′ ) สามารถอธิบายตวั แปรตามไดด้ ี แต่หากแบบจ�ำ ลอง )′(y – มฟี งั ก์ชันฟอรม์ ที่แตกตา่ งกันควรใช้ Quasi R2 (Adjusted R2) ในการเปรียบเทียบแทน F–statistic R2 = 1 – (1–R2) T–1 AÎC T–k ควรมีคา่ ใกลเ้ คยี ง R2 ซ่งึ แสดงให้เห็นว่า (Akaike’s information การเพิ่มตวั แปรอสิ ระหรอื จำ�นวนตวั อยา่ งไมม่ ีผลต่อคา่ R2 criterion) 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 เฉล่ียของ คา่ สัมบรู ณข์ องความคลาดเคลอ่ื น (Mean absolute error: MAE) คา่ เฉลย่ี ของค่าสัมบรู ณข์ องเปอร์เซ็นต์ ของความคลาดเคล่ือน (Mean absolute percentage error: MAPE) รากท่ีสองของค่าเฉลี่ยของ ความคลาดเคลอื่ นก�ำ ลงั สอง(Rootmeansquareerror:RMSE) และรากทส่ี องของคา่ เฉลยี่ ของเปอรเ์ ซน็ ต์ ของความคลาดเคลอ่ื นกำ�ลังสอง (Root mean square percentage error: RMSPE) โดยมีสูตรการค�ำ นวณ ดงั 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 ิที่ได้ ควรมีค่านอ้ ย หรือเข้าใกล้ 0 จงึ แสดงว่า แบบจำ�ลองมคี วามแม่นย�ำ ในการพยากรณส์ ูง

เศรษฐมิติวา่ ด้วยการทอ่ งเที่ยว 49 2.6 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 ของการพยากรณ์ ด้วยแบบจำ�ลองที่พัฒนาข้ึนมา แบบจำ�ลองพยากรณ์ส่วนใหญ่พัฒนาจากข้อมูลอนุกรมเวลาท่ีมีลักษณะ แตกต่างกัน ดังน้ันเพื่อให้ผลการพยากรณ์มีความแม่นยำ�มากขึ้นจึงควรตรวจสอบข้อมูลอนุกรมเวลา ก่อนนำ�มาใช้ ซ่ึงในการศึกษาของอัครพงศ์ อั้นทอง และปวีณา คำ�พุกกะ (2553) แสดงให้เห็นว่า การพยากรณ์ภายใต้ข้อมูลอนุเวลาท่ีมีลักษณะแยกย่อย (Disaggregated) หรือใช้ข้อมูลที่มีความถ่ี ที่สูงกว่า 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 นไหว ในเบื้องต้นว่า มีอิทธิพลของแนวโน้ม ฤดูกาล วัฏจักร และเหตุการณ์ความไม่แน่นอนหรือไม่ (เป็นการ พจิ ารณาองคป์ ระกอบของขอ้ มลู อนกุ รมเวลาในเบอื้ งตน้ ) รวมทง้ั ควรพจิ ารณาคา่ สถติ พิ นื้ ฐาน เชน่ คา่ เฉลย่ี ค่าความแปรปรวน ค่าสงู สุด คา่ ตา่ํ สดุ ขนาดตัวอยา่ ง เพือ่ ทราบถงึ การแจกแจง ความโดง่ ความเบ้ และ ค่าสุดโตง่ ของขอ้ มูลท่ีใช้ (2) ตรวจสอบองคป์ ระกอบของขอ้ มลู อนกุ รมเวลาดว้ ยวธิ แี ยกองคป์ ระกอบ เพอ่ื ทราบอทิ ธพิ ลของแนวโนม้ ฤดูกาล วัฏจักร และความไม่แน่นอนท่ีมีอยู่ในข้อมูล วิธีแยกองค์ประกอบที่นิยมใช้มีอยู่ 3 วิธี ได้แก่ วธิ 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-ARIMA เน่ืองจากเป็นวิธีที่เหมาะสมในกรณีที่ไม่สามารถกำ�หนดช่วงเวลาของการหาค่าเฉลี่ยได้แน่นอนและ ในกรณที ข่ี อ้ มลู มคี วามผนั ผวนสงู นอกจากนกี้ ารทราบองคป์ ระกอบของขอ้ มลู อนกุ รมเวลาจะท�ำ ใหส้ ามารถ ก�ำ หนดรูปแบบและตวั แปรในแบบจ�ำ ลองพยากรณ์ไดเ้ หมาะสมและถกู ต้อง (3) ตรวจสอบคุณสมบัติความคงที่ของข้อมูลอนุกรมเวลาว่า มีสภาวะสมดุลเชิงสถิติ หรือไม่มี การเปลย่ี นแปลงคณุ สมบตั ทิ างสถติ เิ มอ่ื เวลามกี ารเปลย่ี นแปลง วธิ ตี รวจสอบความคงทข่ี องขอ้ มลู อนกุ รมเวลา ที่นิยมใช้ในปัจจุบันได้แก่ การทดสอบ Unit root ซ่ึงควรเลือกวิธีทดสอบ Unit root ให้สอดคล้องกับ ลกั ษณะของขอ้ มลู อนกุ รมเวลา กลา่ วคอื หากขอ้ มลู อนกุ รมเวลาเปน็ ขอ้ มลู ที่ไมม่ อี ทิ ธพิ ลฤดกู าล ควรเลอื ก วธิ ที ดสอบUnitroot เชน่ ADF-test,PP-test,KPSS-test เปน็ ตน้ แตถ่ า้ ขอ้ มลู อนกุ รมเวลามอี ทิ ธพิ ลฤดกู าล ควรเลือกวธิ ที ดสอบ Seasonal unit root ที่เรยี กวา่ HEGY-test เชน่ วธิ ีที่เสนอโดย Franses (1991) Beaulieu and Miron (1993) เป็นต้น การตรวจสอบข้อมูลอนุกรมเวลาในเบ้ืองต้น ทำ�ให้ทราบลักษณะพ้ืนฐานของข้อมูลอนุกรมเวลา ท่นี �ำ มาใช้ เช่น องคป์ ระกอบ ความคงท่ี เป็นตน้ และควรเลือกแบบจำ�ลองให้สอดคล้องหรอื เหมาะสมกบั คณุ ลกั ษณะพ้ืนฐานของขอ้ มลู อนกุ รมเวลา เช่น ในกรณขี องการพัฒนาแบบจ�ำ ลองพยากรณ์ตามวธิ ีบอ็ กซ์ และเจนกนิ ส์ (Box andJenkins) หากขอ้ มลู อนกุ รมเวลามอี ทิ ธพิ ลฤดกู าลควรเลอื กใชแ้ บบจ�ำ ลอง SARIMA

50 บทที่ 2: การตรวจสอบข้อมูลและแบบจ�ำ ลองทางเศรษฐมิติ แทนแบบจ�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 Level shifts เขา้ ไปในแบบจำ�ลอง เป็นต้น นอกจากนหี้ ากขอ้ มลู อนกุ รมเวลามลี กั ษณะไมค่ งที่ ตอ้ งแปลงขอ้ มลู อนกุ รมเวลาใหค้ งทก่ี อ่ นนำ�มาใช้ วเิ คราะหด์ ว้ ยวธิ ที างเศรษฐมติ หิ รอื พฒั นาแบบจ�ำ ลองพยากรณ์ โดยเฉพาะแบบจ�ำ ลองทเี่ ปน็ สมการถดถอยท่ี ประมาณคา่ สมั ประสทิ ธด์ิ ว้ ยวธิ ีOLS(อาจเกดิ ปญั หาความสมั พนั ธท์ ่ไี มแ่ ทจ้ รงิ ) หรอื แบบจ�ำ ลองตามวธิ บี อ็ กซ์ และเจนกนิ ส์ นอกจากนี้ความคงท่ีของขอ้ มูลอนกุ รมเวลาเปน็ ขอ้ สมมตเิ บือ้ งตน้ ที่สำ�คญั เมอ่ื ตอ้ งใช้วิธที าง เศรษฐมิติในการวิเคราะห์ โดยทั่วไปใช้การหาผลต่างของข้อมูลในการแปลงข้อมูลอนุกรมเวลาให้คงที่ ซ่ึงสามารถท�ำ ได้ท้ัง Regular difference (ส�ำ หรบั ข้อมลู อนกุ รมเวลาที่ไมม่ ีอทิ ธพิ ลฤดกู าล) และ Seasonal difference (สำ�หรับข้อมูลอนุกรมเวลาท่ีมีอิทธิพลฤดูกาล) (ดูรายละเอียดในหัวข้อ 2.2) นอกจากนี้ หากขอ้ มลู อนุกรมเวลามคี วามแปรปรวนไม่คงทหี่ รอื มีความแปรปรวนสงู สามารถแปลงข้อมูลดว้ ยการทำ� Natural logarithm ซึง่ เปน็ วธิ ที ่นี ักเศรษฐศาสตรน์ ยิ มใช้ลดความแปรปรวนของข้อมลู ที่ใช้ในการศกึ ษา 2.7 ลกั ษณะของข้อมลู อนุกรมเวลาและความแมน่ ย�ำ ในการพยากรณ์ ข้อมูลท่ีใช้พัฒนาแบบจำ�ลองพยากรณ์อุปสงค์การท่องเที่ยวเกือบทั้งหมดเป็นข้อมูลอนุกรมเวลา ที่มีลักษณะแตกต่างกัน โดยท่ัวไปมีการแบ่งประเภทของข้อมูลอุปสงค์การท่องเที่ยวออกตามลักษณะ เฉพาะของนักท่องเท่ยี ว เช่น ประเทศตน้ ทาง (Country of origin) วตั ถุประสงค์ในการเดินทาง (Purpose of the trip) เปน็ ตน้ หรือแบ่งตามความถีข่ องขอ้ มูล เชน่ ขอ้ มูลรายปี รายไตรมาส รายเดือน เปน็ ตน้ เนือ่ งจากอุปสงค์การทอ่ งเทย่ี วมลี กั ษณะไม่เหมอื นกันในแตล่ ะบคุ คล (Heterogeneous or disaggregated individuals) มากกว่าท่ีจะมีลักษณะเหมือนกันทุกๆ คน (Homogeneous or aggregated individuals) ดังนนั้ จึงควรพัฒนาแบบจ�ำ ลองการพยากรณ์ทีแ่ ตกต่างกันตามลักษณะของขอ้ มลู นอกจากน้ีในการศึกษา ของ อัครพงศ์ อ้ันทอง และปวณี า ค�ำ พกุ กะ (2553) ไดแ้ สดงใหเ้ ห็นว่า ความแตกตา่ งของลักษณะขอ้ มูล มีผลต่อความแม่นย�ำ ในการพยากรณ์ ที่ผ่านมามีการศึกษาอย่างกว้างขวางถึงความแม่นยำ�ของการนำ�ข้อมูลที่มีลักษณะแยกย่อย (Disaggregated) และลักษณะรวมกนั (Aggregated) มาใช้ สว่ นใหญ่เปน็ การศกึ ษาโดยใชข้ อ้ มลู เศรษฐกิจ มหภาค เชน่ GrunfeldandGriliches(1960)EdwardsandOrcutt(1969)Rose(1977)TiaoandGuttman (1980) Lütkepohl (1984) Palm and Zellner (1992) Clark (2000) Zellner and Tobias (2000) Espasa and Albacete (2007) เป็นต้น แต่มีการศกึ ษาโดยใช้ข้อมูลอุปสงคก์ ารท่องเท่ียวจำ�นวนนอ้ ย อย่างไรกต็ าม การศึกษาในอดีตให้ข้อสังเกตบางประการในการใช้ข้อมูลอุปสงค์การท่องเท่ียวที่เป็นข้อมูลอนุกรมเวลา เพื่อการพยากรณ์ว่า การใช้ข้อมูลที่มีลักษณะแยกย่อยอาจมีความแม่นยำ�ในการพยากรณ์มากกว่าการใช้ ขอ้ มูลที่มลี กั ษณะรวมกนั เนื่องจากขอ้ มูลลกั ษณะรวมกนั ไม่ได้พจิ ารณาความแตกตา่ งของพฤตกิ รรมและ องคป์ ระกอบย่อยอน่ื ๆ ที่มีอยู่ในอปุ สงค์การทอ่ งเที่ยว จงึ เกดิ ความคลาดเคลอื่ นจากการพยากรณ์มากกว่า อย่างไรก็ตามในบางกรณีข้อมูลที่มีลักษณะรวมกันอาจให้ผลการพยากรณ์ที่แม่นยำ�มากกว่า เช่น การศกึ ษาของ Vu and Turner (2005) Kon and Turner (2005) เป็นต้น โดยเฉพาะในกรณีทอ่ี ปุ สงค์

เศรษฐมิตวิ ่าด้วยการท่องเท่ยี ว 51 การท่องเท่ียวมีลักษณะคล้ายคลึงกัน (Homogeneous) หรือแหล่งท่องเที่ยวมีขนาดเล็กและขาดความ หลากหลายของสิ่งดึงดูดใจทางด้านการท่องเที่ยว ดังนั้นนักท่องเท่ียวท่ีเดินทางมาท่องเท่ียวจึงมี ลกั ษณะเฉพาะท่ีใกลเ้ คยี งกนั เชน่ ในกรณขี องฮอ่ งกงทน่ี กั ทอ่ งเทย่ี วสว่ นใหญเ่ ดนิ ทางไปฮอ่ งกงเพอ่ื ชอ็ ปปงิ้ เป็นส�ำ คญั เปน็ ต้น ดังน้นั จากผลการศึกษาในอดตี จงึ ไมส่ ามารถสรุปไดว้ ่า ขอ้ มูลอนกุ รมเวลาของอุปสงค์ การท่องเทยี่ วทีม่ ีลกั ษณะแยกยอ่ ยหรือรวมกนั แบบไหนใหผ้ ลการพยากรณท์ แ่ี ม่นย�ำ มากกวา่ กัน นอกจากนี้ แม้ว่าในอดีตการพัฒนาแบบจำ�ลองการพยากรณ์อุปสงค์การท่องเท่ียวนิยมใช้ ข้อมูลรายปี แต่ปัจจุบันมีการใช้ข้อมูลรายไตรมาสและรายเดือนเพิ่มข้ึนอย่างต่อเน่ือง เนื่องจากข้อมูล รายไตรมาสและรายเดอื นมอี ทิ ธพิ ลฤดกู าลทเ่ี ปน็ องคป์ ระกอบส�ำ คญั ของอปุ สงคก์ ารทอ่ งเทย่ี ว จากการทบทวน งานวจิ ยั ทางดา้ นอปุ สงคก์ ารทอ่ งเทย่ี วในอดตี พบวา่ งานวจิ ยั สว่ นใหญน่ ยิ มใชข้ อ้ มลู รายปที ม่ี ขี นาดจ�ำ นวน ตวั อยา่ งขนาดเล็กประมาณ 5-28 ตัวอย่างในการวเิ คราะห์ (Lim, 1997) และมงี านวิจยั เพยี งเล็กนอ้ ยท่ีใช้ ขอ้ มูลรายไตรมาสท่ีมขี นาดตวั อยา่ งประมาณ 44-99 ตัวอย่าง (Lim and McAleer, 2003) ดงั น้นั การใช้ ขอ้ มลู รายปีในการประมาณคา่ สมั ประสทิ ธขิ์ องแบบจ�ำ ลองพยากรณ์ดว้ ยวิธถี ดถอย (Regression) อาจได้ คา่ 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 of freedom ของสมการพยากรณ์ Hair et al. (1998) และ Van Voorshis and Morgan (2007) เสนอว่า การวิเคราะห์ข้อมูลหลายตัวแปร (Multivariate analysis) โดยเฉพาะการใช้วิธีถดถอยจะต้องมี ขนาดตวั อย่างอยา่ งน้อย 10-20 ตัวอยา่ งตอ่ ค่าสัมประสิทธ์ทิ ีต่ อ้ งการประมาณคา่ 1 ตวั ดงั น้นั การใชข้ ้อมูล รายไตรมาสหรือรายเดือนสามารถแก้ไขปัญหาดังกล่าวได้ เนื่องจากเป็นการเพิ่มขนาดตัวอย่างที่ใช้ใน การวิเคราะห์ นอกจากนีก้ ารใชข้ อ้ มูลรายไตรมาสหรือรายเดอื นในการพัฒนาแบบจ�ำ ลองพยากรณ์อปุ สงค์ การท่องเที่ยวยังสามารถตรวจสอบผลกระทบจากอิทธิพลฤดูกาลได้อีกด้วย ซึ่งสอดคล้องกับพฤติกรรม โดยทั่วไปของนกั 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 รม เวลาทแี่ ตกตา่ งกนั มผี ลตอ่ ความแมน่ ย�ำ ในการพยากรณอ์ ปุ สงคก์ ารทอ่ งเทย่ี วไทย โดยแบบจ�ำ ลองท่ีใชข้ อ้ มลู ลักษณะแยกย่อยรายประเทศให้ผลการพยากรณ์ท่ีแม่นยำ�กว่าการใช้ข้อมูลลักษณะรวมทั้งหมด (ตัวชี้วัด ท้ัง 4 ตวั ไดแ้ ก่ MAE, MAPE, RMSE, RMSPE ให้ผลลพั ธ์ในทศิ ทางเดยี วกนั ) และแบบจำ�ลองที่ใช้ข้อมูล ลักษณะแยกย่อยรายประเทศ ยังสามารถลดความคลาดเคล่ือนจากการพยากรณ์ได้ดีกว่าการใช้ข้อมูล ลักษณะรวมทั้งหมดประมาณ 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 (Higherfrequency data) ให้ผลการพยากรณ์ที่มคี วามแมน่ ย�ำ มากกว่าการใช้ข้อมูลรายปีหรือขอ้ มลู ทมี่ คี วามถต่ี ่าํ กวา่ (Lower frequency data) โดยแบบจำ�ลองท่ีใช้ข้อมูลรายเดือนสามารถลดความคลาดเคลื่อนจากการพยากรณ์ ได้มากกว่าการใช้ข้อมูลรายปีถึง 113-122% นอกจากนี้เมื่อผสม (Combination) ลักษณะของข้อมูล เข้าด้วยกัน พบว่า แบบจำ�ลองพยากรณ์ท่ีใช้ข้อมูลลักษณะแยกย่อยรายประเทศและเป็นข้อมูลรายเดือน ให้ผลการพยากรณ์ที่แม่นย�ำ กว่าการใช้ขอ้ มูลในลกั ษณะอืน่ ๆ ทง้ั หมด ดังแสดงในตารางที่ 2.7

52 บทที่ 2: การตรวจสอบข้อมลู และแบบจำ�ลองทางเศรษฐมิติ ตารางที่ 2.7 ขนาดของความคลาดเคลื่อนทีเ่ กิดจากการพยากรณภ์ ายใต้ลกั ษณะขอ้ มูลท่ีแตกต่างกัน ลักษณะขอ้ มลู MAE MAPE RMSE RMSPE รวมทง้ั หมด (เฉล่ีย) [Aggregated] 916,789 11.10 944,038 13.05 แยกประเทศ (เฉลี่ย) [Disaggregated] 840,516 10.48 874,435 12.35 อัตราสว่ นความแตกต่าง 1.09 1.06 1.08 1.06 รายปี (เฉลย่ี ) [Annual] 11.74 1,640,666 11.56 1,665,493 รายเดือน (เฉลีย่ ) [Monthly] 5.52 อัตราสว่ นความแตกต่าง 737,838 5.21 780,497 2.13 รวมทง้ั หมด&รายปี [Aggregated & annual] 2.22 2.22 2.13 12.22 รวมทัง้ หมด&รายเดอื น [Aggregated & monthly] 1,717,093 12.09 1,735,279 5.70 อัตราสว่ นความแตกตา่ ง 2.14 แยกประเทศ&รายปี [Disaggregated & annual] 752,401 5.33 802,533 11.26 2.28 2.27 2.16 แยกประเทศ&รายเดอื น [Disaggregated & monthly] 5.34 อตั ราส่วนความแตกตา่ ง 1,564,240 11.03 1,595,707 2.11 รวมทง้ั หมด&รายปี [Aggregated & annual] 12.22 723,275 5.10 758,461 แยกประเทศ&รายปี [Disaggregated & annual] 2.16 2.16 2.10 11.26 อัตราสว่ นความแตกต่าง 1.09 รวมท้งั หมด&รายเดือน [Aggregated & monthly] 1,717,093 12.09 1,735,279 5.70 แยกประเทศ&รายเดอื น [Disaggregated & month] 1,564,240 11.03 1,595,707 5.34 อตั ราส่วนความแตกต่าง 1.10 1.10 1.09 1.07 ท่มี 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 ษณะ แยกย่อยให้ผลการพยากรณ์แม่นยำ�กว่าข้อมูลท่ีมีลักษณะรวมกัน ซ่ึงสอดคล้องกับงานศึกษาของ Kim and Moosa (2005) แต่ขดั แย้งกบั งานศึกษาของ Vu and Turner (2005) และ Kon and Turner (2005) ท่ีแสดงให้เห็นว่า การใช้ข้อมูลท่ีมีลักษณะรวมกันในการพัฒนาแบบจำ�ลองพยากรณ์ให้ผลการพยากรณ์ ที่แม่นยำ�กว่าการใช้ข้อมูลลักษณะแยกย่อย เนื่องจากในกรณีทั้งสองใช้ข้อมูลของประเทศเกาหลีใต้ และสงิ คโปร์ ซง่ึ มสี ง่ิ ดงึ ดดู ใจทางดา้ นการทอ่ งเทย่ี วนอ้ ยกวา่ ประเทศไทย และอปุ สงคก์ ารทอ่ งเทย่ี วมลี กั ษณะ Homogeneous มากกวา่ ประเทศไทย ดงั นนั้ ในกรณขี องประเทศไทยซงึ่ มสี ง่ิ ดงึ ดดู ใจทางดา้ นการทอ่ งเทย่ี ว ทหี่ ลากหลายมากกวา่ และอปุ สงคก์ ารทอ่ งเทย่ี วมลี กั ษณะHeterogeneous การใชข้ อ้ มลู ทมี่ ลี กั ษณะแยกยอ่ ย ในการพฒั นาแบบจ�ำ ลองพยากรณจ์ ะใหผ้ ลการพยากรณท์ แี่ มน่ ยำ�มากกวา่ เนอื่ งจากขอ้ มลู ลกั ษณะแยกยอ่ ย ได้จำ�แนกลักษณะเฉพาะท่ีแตกต่างกันของนักท่องเที่ยว ทำ�ให้การพยากรณ์ภายใต้คุณลักษณะเฉพาะ ทแี่ ตกตา่ งกนั สามารถลดความคลาดเคลอื่ นจากการพยากรณ์ไดด้ กี วา่ กรณที ่ีใชข้ อ้ มลู ลกั ษณะรวมกนั ทเี่ ปน็ การรวมเอาความแตกตา่ งทัง้ หมดของนักทอ่ งเท่ียวไวใ้ นชดุ ของขอ้ มูลเดยี วกนั

เศรษฐมติ ิวา่ ด้วยการท่องเทีย่ ว 53 สำ�หรับการใช้ข้อมูลที่มีความถ่ีสูงกว่าจะให้ผลการพยากรณ์ท่ีแม่นยำ�มากกว่า ซึ่งสอดคล้องกับ ขอ้ สังเกตของ Lim and McAleer (2003) และ Song and Li (2008) ดังน้ันการใช้ขอ้ มลู รายเดือนจึงให้ ผลการพยากรณท์ แ่ี มน่ ย�ำ กวา่ การใชข้ อ้ มลู รายปี เนอ่ื งจากขอ้ มลู รายเดอื นประกอบดว้ ยอทิ ธพิ ลของแนวโนม้ ฤดูกาล วัฏจักร และความไม่แน่นอน ในขณะท่ีข้อมูลรายปีไม่มีอิทธิพลฤดูกาลท่ีมีความสำ�คัญ ตอ่ อปุ สงคก์ ารทอ่ งเทยี่ ว และนกั ทอ่ งเทย่ี วในแตล่ ะตลาดหรอื ในแตล่ ะประเทศมฤี ดกู าลทอ่ งเทยี่ วแตกตา่ งกนั ดังน้ันการพัฒนาแบบจำ�ลองพยากรณ์อุปสงค์การท่องเท่ียวโดยใช้ข้อมูลท่ีปราศจากอิทธิพลฤดูกาล อาจกอ่ ให้เกดิ ความคลาดเคลื่อนในการพยากรณ์มากกว่าการใช้ข้อมลู ที่มอี ทิ ธิพลฤดกู าล นอกจากนขี้ ้อมลู ที่มีความถี่สูง เช่น ข้อมูลรายเดือน เป็นต้น สามารถสะท้อนความผิดปกติหรืออิทธิพลของเหตุการณ์ ความไม่แน่นอนได้ดีกว่า โดยอิทธิพลของเหตุการณ์ความไม่แน่นอนจะมีผลต่ออุปสงค์การท่องเที่ยว ในแตล่ ะประเทศแตกต่างกัน เน่ืองจากนกั ท่องเท่ยี วแต่ละประเทศได้รบั อิทธพิ ลและอ่อนไหวตอ่ เหตกุ ารณ์ ความไมแ่ น่นอนแตกต่างกัน

54 บทท่ี 2: การตรวจสอบข้อมูลและแบบจำ�ลองทางเศรษฐมิติ ค�ำ ถามทา้ ยบท 1. 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 55 บรรณานุกรม ถวิล 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 ลองทางเศรษฐมิติ Johansen, 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): 335-346 Said, E. and Dickey, D.A. 1984. “Testing for unit roots in autoregressive moving average models of unknown order.” Biometrika 71(3): 599-607 Song, 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 3 การวเิ คราะห์ความเปน็ ฤดกู าล ในแหลง่ ทอ่ งเทีย่ ว เนื้อหาในบทนี้เป็นการนำ�เสนอแนวทางการวิเคราะห์ความเป็นฤดูกาลในแหล่งท่องเท่ียวภายใต้ การใช้ข้อมูลอนุกรมเวลาที่ครอบคลุมตั้งแต่ การตรวจสอบการเปล่ียนแปลงและรูปแบบความเป็นฤดูกาล ด้วย Seasonal unit root การวิเคราะห์ความผันผวนตามฤดูกาล และการวัดขนาดและการกระจุกของ ความเป็นฤดูกาล เพ่ือให้ผู้อ่านเข้าใจถึงการวิเคราะห์รูปแบบ อิทธิพล และเสถียรภาพความเป็นฤดูกาล รวมท้ังทราบแนวทางการวิเคราะห์ความเข้มข้นของความเป็นฤดูกาลที่เกิดขึ้นในแหล่งท่องเที่ยว และ การลดความเป็นฤดูกาลด้วยการเพ่ิมส่วนแบ่งการตลาดของนักท่องเที่ยวกลุ่มต่างๆ นอกจากนี้เพื่อให้ ผู้อา่ นเข้าใจแนวทางการวิเคราะหแ์ ละการอธบิ ายผลลัพธท์ ี่ไดจ้ ากการวิเคราะห์ ดังน้ันเนื้อหาในแต่ละตอน จะประกอบดว้ ย แนวทางการประยกุ ตแ์ ละผลลพั ธท์ ไ่ี ดจ้ ากการวเิ คราะห์ โดยใชง้ านศกึ ษาของ อคั รพงศ์ อน้ั ทอง และม่ิงสรรพ์ ขาวสอาด (2554) เปน็ กรณตี ัวอย่างในการอธิบาย 3.1 ความเปน็ ฤดกู าลในแหลง่ ทอ่ งเท่ียว ความเป็นฤดูกาลเป็นปัจจัยสำ�คัญท่ีมีอิทธิพลต่ออุปสงค์การท่องเท่ียว และเป็นคุณลักษณะเฉพาะ ที่โดดเด่นของการท่องเที่ยว แม้ว่าปัจจุบันยังไม่มีการให้ความหมายหรือคำ�จำ�กัดความที่ชัดเจนของ ความเปน็ ฤดกู าลในการทอ่ งเทย่ี ว แตก่ ารศกึ ษาทผี่ า่ นมาแสดงใหเ้ หน็ วา่ ความเปน็ ฤดกู าลเปน็ ปญั หาส�ำ คญั ที่แหล่งท่องเที่ยวแต่ละแห่งเผชิญเป็นประจำ�ทุกปี โดยตลาด (หรือประเทศต้นทาง) และแหล่งท่องเท่ียว ท่ีแตกต่างกันมีฤดูกาลในการท่องเท่ียวแตกต่างกัน ข้ึนอยู่กับปัจจัยหรือสาเหตุของการเกิดฤดูกาลในการ ท่องเทยี่ ว ในระยะแรก Bar-On (1975) เสนอว่า ความเป็นฤดูกาลในการท่องเท่ียวมีสาเหตุหลักมาจาก ปัจจัยทางดา้ นธรรมชาติ (Natural) และสถาบัน (Institutional) ตอ่ มา Butler (1994) ไดแ้ บง่ ปัจจัยทท่ี ำ�ให้ เกิดฤดกู าลในการทอ่ งเทยี่ วออกเปน็ 5 ปจั จยั คอื ปจั จัยทางดา้ นธรรมชาติ สถาบัน แฟชัน่ (Fashion) กฎเกณฑ์ทางสังคม (Social pressure) และงานเทศกาลกีฬา (Sporting calendar) ในปี ค.ศ. 1996 Frechtling(1996) เสนอเพม่ิ เตมิ วา่ ผลกระทบของเวลาในปฏทิ นิ (Calendarseffect) เชน่ วนั หยดุ ตามเวลา ปฏิทิน เป็นต้น เป็นอีกปัจจัยหนึ่งที่ทำ�ให้เกิดฤดูกาลในการท่องเท่ียว จนกระทั่ง Lundtorp, Rassing, andWanhill(1999) ไดส้ รปุ และแบง่ กลมุ่ ของปจั จยั ทที่ �ำ ใหเ้ กดิ ฤดกู าลในการทอ่ งเทย่ี วออกเปน็ 2 กลมุ่ หลกั คือ ปัจจยั ทางดา้ นแรงผลกั (Push factor) เชน่ ความชอบในภมู ิอากาศของนกั ทอ่ งเทย่ี ว การเข้าชมงาน เทศกาลกฬี า เปน็ ตน้ และปัจจยั ทางด้านแรงดึง (Pull factor) เชน่ ขนบธรรมเนียม แฟชัน่ วันหยดุ ตาม ระยะเวลาในปฏิทิน 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 ลกระทบ ท้งั ทางตรงและทางออ้ มต่อสงั คมและเศรษฐกจิ (Socio-economic) ส่วนใหญ่มกั กล่าวถึงผลกระทบเชงิ ลบ เชน่ ผลกระทบตอ่ การจา้ งงาน การลงทนุ การผลติ ของอตุ สาหกรรมตอ่ เนอื่ ง เปน็ ตน้ มากกวา่ ทจี่ ะกลา่ วถงึ ผลกระทบเชงิ บวก เชน่ โอกาสในการฟนื้ ฟหู รอื บรู ณะทรพั ยากรการทอ่ งเทย่ี ว เปน็ ตน้ (Volo,2010) นอกจากนี้ ความเป็นฤดูกาลทีเ่ กดิ ขนึ้ ในแหลง่ ทอ่ งเท่ยี วท�ำ ใหต้ น้ ทนุ เอกชนและต้นทุนทางสงั คม (Private and social costs) สงู กวา่ ผลประโยชน์ท่ีได้รบั ต้นทุนเอกชนทีเ่ กิดขน้ึ เป็นคา่ ใชจ้ า่ ยของผทู้ ่เี ก่ียวข้องกับการทอ่ งเทย่ี ว ทป่ี ระกอบดว้ ย ผผู้ ลิตทเี่ ปน็ ภาคเอกชน (Private producers) เช่น โรงแรม รา้ นอาหาร เปน็ ต้น ผบู้ รโิ ภค ข้ันสดุ ท้าย (Final consumer) เชน่ นักทอ่ งเท่ยี ว คนทอ้ งถ่ิน เป็นต้น และแรงงาน (Workers) ท่ีอยู่ในภาค การทอ่ งเทยี่ ว สว่ นตน้ ทนุ ทางสงั คมสว่ นใหญเ่ ปน็ ตน้ ทนุ ดา้ นสาธารณปู โภคของทอ้ งถน่ิ เชน่ นา้ํ ประปา ไฟฟา้ การจัดการมลภาวะ การจัดการขยะ การจัดการจราจร เปน็ ต้น รวมทั้งต้นทนุ ทางด้านทรัพยากรธรรมชาติ และสงิ่ แวดลอ้ มท่ีมอี ยู่ในแหลง่ ทอ่ งเท่ยี ว (Cuccia and Rizzo, 2011) การศึกษาท่ีผ่านมามีการนำ�เสนอทั้งแบบจำ�ลอง (Model) วิธีการวัด (Measure) และการขบคิด ท่ีจะแก้ไขปัญหาความเป็นฤดูกาลในแหล่งท่องเที่ยว มีท้ังการใช้วิธีเชิงปริมาณและคุณภาพในการศึกษา วธิ เี ชงิ ปรมิ าณทนี่ ยิ มใชม้ ตี งั้ แตก่ ารใชด้ ชั นฤี ดกู าลจนถงึ การใชเ้ ทคนคิ ทางเศรษฐมติ ิในการวเิ คราะห์ ขน้ึ อยกู่ บั วัตถุประสงค์ของการศึกษานั้นๆ และนิยมศึกษาความเป็นฤดูกาลของนักท่องเที่ยวท่ีเดินทางมายัง แหลง่ ทอ่ งเทยี่ วและทเี่ ขา้ พกั ในสถานทพี่ กั แรม นอกจากนก้ี ารศกึ ษาทผี่ า่ นมาไดแ้ สดงใหเ้ หน็ วา่ นกั ทอ่ งเทย่ี ว ภายในประเทศและตา่ งชาตมิ ีรปู แบบความเปน็ ฤดูกาลแตกตา่ งกนั วธิ ีการวัดความเปน็ ฤดกู าลในแหล่งทอ่ งเท่ยี วสามารถท�ำ ได้หลายวิธี ต้ังแต่การใช้ตัวช้วี ัดอย่างง่าย เช่น Coefficient of seasonal variation (CSV), Seasonality indicator (SI), Gini-coefficient (GC) เป็นต้น จนถึงการใช้วิธีทางสถิติหรือเศรษฐมิติ เช่น การวิเคราะห์รูปแบบความเป็นฤดูกาล (Seasonal pattern) การคำ�นวณหาค่าดัชนฤี ดูกาล (Seasonal index) การตรวจสอบ Seasonal unit root การแยก องค์ประกอบด้วยวิธี X-12-ARIMA หรอื TRAMO-SEATS เปน็ ตน้ (Cuccia and Rizzo, 2011) ท้งั น้ี การเลือกวิธีการวัดความเป็นฤดูกาลข้ึนอยู่กับวัตถุประสงค์ของการศึกษาและข้อจำ�กัดของข้อมูลท่ีใช้ ในการศกึ ษา อยา่ งไรกต็ ามการศกึ ษาสว่ นใหญน่ ยิ มวดั ความเปน็ ฤดกู าลของแหลง่ ทอ่ งเทยี่ วผา่ นการวเิ คราะห์ ความเป็นฤดูกาลของนักท่องเที่ยวท่ีเดินทางมายังแหล่งท่องเท่ียวหรือที่เข้าพักในสถานท่ีพักแรม และใชว้ ธิ กี ารวดั ทห่ี ลากหลายในการตรวจสอบความเขม้ แขง็ (Robustness) ของผลลพั ธท์ ่ไี ด้ เพอื่ ใหไ้ ดม้ าซง่ึ คำ�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 ผวน ตามฤดกู าลท่มี ตี ่อจ�ำ นวนนกั ทอ่ งเท่ยี วหรือแหล่งทอ่ งเที่ยว คือ การพิจารณาดัชนีฤดูกาลท่ีได้จากการแยก องคป์ ระกอบความเปน็ ฤดกู าลออกจากขอ้ มลู อนกุ รมเวลา เชน่ วธิ เี ฉลย่ี เคลอื่ นท่ี(Movingaverage) เปน็ ตน้ ส่วนการศึกษาการกระจุกตัวของความเป็นฤดูกาลนิยมวิเคราะห์ด้วยค่าสัมประสิทธิ์จีนี ก่อนท่ีจะวิเคราะห์ องคป์ 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 59 การศึกษาความเป็นฤดูกาลของแหล่งท่องเท่ียวในประเทศไทย ส่วนใหญ่เป็นการวิเคราะห์เพื่อตรวจสอบ รปู แบบความเปน็ ฤดกู าลดว้ ยการพจิ ารณาดชั นฤี ดกู าลหรอื การวเิ คราะหอ์ งคป์ ระกอบของขอ้ มลู อนกุ รมเวลา โดยมกี ารศึกษาท้งั ในระดับประเทศ จงั หวัด และในระดับตลาดนักทอ่ งเท่ียว จากความหลากหลายของวิธีการวิเคราะห์ความเป็นฤดูกาล สามารถแบ่งแนวทางการวิเคราะห์ ความเปน็ ฤดกู าลในแหลง่ ทอ่ งเทยี่ วดว้ ยขอ้ มลู อนกุ รมเวลา ออกเปน็ 2 แนวทาง ตามกรอบแนวคดิ ทแี่ สดงใน รปู ท่ี 3.1 ดังนี้ รูปที่ 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 และการกระจุกตวั ความผันผวนตามฤดูกาล ของความเปนฤดูกาล ใช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 ว ดว้ ยขอ้ มลู อนกุ รมเวลา โดยเรมิ่ จากการตรวจสอบความเปน็ ฤดกู าลของขอ้ มลู อนกุ รมเวลา ดว้ ยวธิ กี ารตา่ งๆ เชน่ การพจิ ารณาจากกราฟเสน้ กราฟคอเรลโลเกรม (Corellogram) การวเิ คราะหด์ ว้ ยดชั นฤี ดกู าล เปน็ ตน้ และการตรวจสอบการเปลย่ี นแปลงและรปู แบบความเปน็ ฤดกู าลดว้ ย Seasonal unit root หากตรวจพบวา่ ขอ้ มลู อนกุ รมเวลามอี งคป์ ระกอบความเปน็ ฤดกู าล ตอ่ มาจะวเิ คราะหค์ วามผนั ผวนตามฤดกู าล และวดั ขนาด และการกระจุกตัวของความเปน็ ฤดูกาลทีม่ อี ยู่ในขอ้ มูล

60 บทท่ี 3: การวิเคราะห์ความเป็นฤดกู าลในแหลง่ ท่องเที่ยว 3.2 การตรวจสอบความเปน็ ฤดกู าลด้วย Seasonal unit root วิธีเบ้ืองต้นท่ีนิยมใช้ตรวจสอบความเป็นฤดูกาลในแหล่งท่องเที่ยว คือ การพิจารณากราฟเส้น ดังกรณีตัวอย่างในรูปท่ี 3.2 ซึ่งเป็นกราฟเส้นท่ีแสดงการเคล่ือนไหวของจำ�นวนนักท่องเท่ียวที่เข้าพัก ในสถานที่พักแรมในจังหวัดเชียงใหม่ระหว่างเดือนมกราคม พ.ศ. 2535-ธันวาคม พ.ศ. 2550 จากการ พิจารณากราฟดังกล่าว ทำ�ให้ทราบว่า นักท่องเที่ยวที่เข้าพักในสถานท่ีพักแรมในจังหวัดเชียงใหม่ มีความผันผวนตามฤดูกาลจริง และมีขนาดความผันผวนเพิ่มข้ึนตลอดช่วงเวลาท่ีพิจารณา โดยเฉพาะ หลงั ปี พ.ศ. 2546 เป็นต้นมา จากการวเิ คราะหเ์ บอื้ งตน้ สามารถตง้ั ขอ้ สงั เกตไดว้ า่ ความเปน็ ฤดกู าลในการทอ่ งเทย่ี วของเชยี งใหม่ อาจเกิดจากปัจจัยหลัก 2 ปัจจัย คือ 1) สภาพภูมิอากาศ เน่ืองจากเชียงใหม่ต้ังอยู่ทางภาคเหนือของ ประเทศซง่ึ มอี ากาศทหี่ นาวเยน็ และมคี วามสวยงามในชว่ งฤดหู นาวของทกุ ปี ท�ำ ใหน้ กั ทอ่ งเทยี่ วทง้ั ชาวไทย และตา่ งชาตนิ ิยมเดินทางมาทอ่ งเทีย่ วเชยี งใหม่ในช่วงดังกล่าวมากกวา่ ชว่ งเวลาอน่ื ๆ ส่วนปัจจัยท่ี 2) คือ งานเทศกาลหรอื งานประเพณีต่างๆ ของเชียงใหม่ เช่น งานลอยกระทงในช่วงประมาณเดอื นพฤศจิกายน งานสงกรานต์ในช่วงเดือนเมษายน งานไม้ดอกไม้ประดับในเดือนมกราคม/กุมภาพันธ์ เป็นต้น ดังนั้น ในชว่ งทม่ี งี านเทศกาลหรอื ประเพณดี งั กลา่ ว จะมนี กั ทอ่ งเทยี่ วทง้ั ชาวไทยและตา่ งชาตเิ ดนิ ทางมาทอ่ งเทย่ี ว เชียงใหม่มากกว่ากรณีปกติเช่นเดียวกัน ปัจจัยท้ังสองทำ�ให้ในช่วงฤดูหนาว และช่วงท่ีมีงานเทศกาล เป็นช่วงฤดูท่องเที่ยวของเชียงใหม่ (High season) ในขณะท่ีเดือนท่ีอยู่นอกช่วงเวลาดังกล่าวเป็นช่วง นอกฤดทู ่องเที่ยว (Low season) ของเชยี งใหม่ เช่น เดือนพฤษภาคม มิถุนายน เปน็ ต้น รูปท่ี 3.2 จำ�นวนนักท่องเทย่ี วทเ่ี ข้าพกั ในสถานท่ีพักแรมของเชยี งใหมร่ ายเดือนระหวา่ งปี พ.ศ 2535-2550 คน มหกรรมพ�ชสวนโลก 600,000 500,000 กฬี าซ�เกมส 9-11 400,000 ว�กฤตเศรษฐกจิ ป 40 300,000 200,000 100,000 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 50 ที่มา: 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(Seasonal index) เพื่อทราบแบบแผนการเคล่ือนไหวตามฤดูกาลของชุดข้อมูลที่ใช้ศึกษา จากชุดข้อมูลเดียวกัน เมอ่ื น�ำ มาวเิ คราะห์ด้วยดัชนีฤดูกาล พบวา่ ระหว่างปี พ.ศ. 2546-2550 ในชว่ งเดอื นตลุ าคม-กุมภาพนั ธ์ และกรกฎาคม-สงิ หาคม เป็นชว่ งฤดูท่องเทีย่ วของเชียงใหม่ (ค่าดชั นฤี ดกู าลมคี า่ มากกวา่ 100) ส่วนเดอื น ท่ีเหลือเป็นชว่ งนอกฤดทู อ่ งเท่ยี วของเชยี งใหม่ (ตารางท่ี 3.1 และรูปท่ี 3.3) โดยสูตรการคำ�นวณคา่ ดชั นี ฤดูกาลมลี ักษณะดงั น้ี [3.1] Si = X i *100 ; i = 1 , 2 , … , 12 Xi โดย Xi คอื ขอ้ มูลจำ�นวนนักท่องเทีย่ วในเดอื นท่ี i ตารางที่ 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 91.83 100.08 114.90 126.98 ทม่ี า: ค�ำ นวณจากขอ้ มูลของการทอ่ งเท่ยี วแห่งประเทศไทย

62 บทที่ 3: การวิเคราะหค์ วามเปน็ ฤดกู าลในแหล่งทอ่ งเทีย่ ว รปู 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 เนื่องจาก ข้อมูลดังกล่าวจะมีการเปลี่ยนแปลงที่มีรูปแบบความเป็นฤดูกาลในลักษณะที่เกิดขึ้นซ้ําๆ กันทุกปี ทำ�ให้ ขอ้ มลู อนกุ รมเวลาไมอ่ ยู่ในสภาวะสมดลุ เชงิ สถติ ิ(Statisticalequilibrium) หรอื มคี ณุ สมบตั ทิ างสถติ ิ(คา่ เฉลยี่ ความแปรปรวน และความแปรปรวนร่วม) ท่ีเปล่ียนแปลงตามเวลา (Ender, 2004) ดังน้ันหากข้อมูล อนกุ รมเวลามี Seasonal unit root แสดงว่า ข้อมลู ดังกล่าวมคี วามเป็นฤดกู าลเป็นองคป์ ระกอบของขอ้ มลู Hylleberg et al. (1990) ได้เสนอวธิ ีทดสอบ Seasonal unit root (โดยท่ัวไปเรียกวา่ HEGY-test) ส�ำ หรบั ทดสอบข้อมูลอนกุ รมเวลาแบบรายไตรมาส ต่อมา Franses (1991) และ Beaulieu and Miron (1993) พฒั นาวิธีดังกลา่ วให้สามารถทดสอบกับขอ้ มูลอนกุ รมเวลาแบบรายเดอื น แบบจำ�ลองพน้ื ฐานที่ใช้ทดสอบ Seasonal 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–1 π 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 + t โดยที ่ 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) ที่ประกอบด้วย คา่ คงที่ (Intercept) ตัวแปรห่นุ ของความเป็นฤดกู าล 11 ตัวแปร (Seasonal dummy) และคา่ แนวโนม้ เวลา (Time trend) เข้าไปในสมการ (3.2) สำ�หรบั จ�ำ นวนตัวแปรลา่ พิจารณาจากค่า Akaike’s information criterion (AIC) Hanan-Quinn criterion (HQC) Schwarz criterion (SC) และ Final prediction error (FPE)(LütkepohlandKrätzing,2004) สว่ นรปู แบบวฏั จกั ร(Cycles) และสมมตฐิ านท่ีใชท้ ดสอบSeasonal unit root แสดงในตารางท่ี 3.2 โดยสมมตฐิ านหลกั คือ H0 : πi = 0 (i = 2 , … , 12) และประยกุ ต์ใช้ คา่ สถติ ิ F(F-statistic) ในการค�ำ นวณและน�ำ คา่ ที่ไดไ้ ปเปรยี บเทยี บกบั คา่ วกิ ฤต(Criticalvalues) ทเ่ี สนอโดย Franses and Hobijn (1997) ตารางท่ี 3.2 การทดสอบ Seasonal unit roots ของขอ้ มูลรายเดอื น No. Transformation Cycles/Year Definition H0: Unit root Ha : No unit root Annual 0 y1,t = (1 + L) (1 + L2) (1 + L4 + L8) Yt 0 Semi-annual π1 = 0 π1 ≠ 0 Quarterly 1 y2,t = – (1 – L) (1 + L2) (1 + L4 + L8) Yt 6/12 Monthly π2 = 0 π2 ≠ 0 Monthly 2 y3,t = – (1 – L2) (1 + L4 + L8) Yt 3/12 (9/12) Monthly π3 ∩ π4= 0 π3 ∩ π4≠ 0 Monthly 3 y4,t = – (1 – L4) (1 – 3L + L2) (1 + L4 + L8) Yt 5/12 (7/12) π5 ∩ π6= 0 π5 ∩ π6≠ 0 4 y5,t = – (1 – L4) (1 + 3L + L2) (1 + L4 + L8) Yt 1/12 (11/12) π7 ∩ π8= 0 π7 ∩ π8≠ 0 5 y6,t = – (1 – L4) (1 – L2 + L4) (1 – L + L2) Yt 4/12 (8/12) π9 ∩ π10= 0 π9 ∩ π10≠ 0 6 y7,t = – (1 – L4) (1 – L2 + L4) (1 + L + L2) Yt 2/12 (10/12) π11 ∩ π12= 0 π11 ∩ π12≠ 0 ทมี่ 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 ฤดูกาล อย่างไร ข้อมลู อนุกรมเวลาแตล่ ะชุดอาจมรี ูปแบบความเป็นฤดกู าลมากกว่า 1 รูปแบบ หากพบวา่ ขอ้ มูล อนุกรมเวลามีความเป็นฤดูกาลเป็นองค์ประกอบของข้อมูล ต่อมาจะนำ�ข้อมูลดังกล่าวมาวิเคราะห์ ความผันผวนตามฤดูกาล และวัดขนาดและการกระจุกตัวของความเป็นฤดูกาลตามแนวทางท่ีเสนอไว้ ในรูปท่ี 3.1 จากกรณตี ัวอย่างในตารางท่ี 3.3 แสดงผลการทดสอบ Seasonal unit root ซึง่ แถวทเ่ี ป็นการ ทดสอบสมมตฐิ านหลกั ทว่ี า่ π1 = 0 เปน็ การทดสอบRegularunitroot(Unitrootatannual) สว่ นสมมตฐิ าน ที่ 1 ถงึ 6 เป็นการทดสอบรูปแบบการเปลย่ี นแปลงของความเป็นฤดกู าล สำ�หรับแถวสุดท้าย เป็นการสรุป ผลการทดสอบ ตารางที่ 3.3 ผลการทดสอบ Seasonal unit root (HEGY-test) ของสถานท่พี ักแรมในแหล่งท่องเทีย่ วท่ีส�ำ คัญของไทย สมมติฐานหลัก 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 งชาติ 0. π1 = 0 -1.11 0.44 -2.10 -2.36 -0.74 -1.93 1.90 1.71 1.37 -3.03 -0.37 -0.89 1. 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 0.84 3. 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 0.56 5. 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 1.58 6. 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 1.59 No. of lags 5 16 13 38 2 14 2 8 1 32 35 15 Deterministic T, C T, C T, C T, C T, C T, C - - - T, C - - component Unit 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 4,5,6 หมายเหตุ : T = Time trend, C = Constant : ***, ** และ * แสดงระดับนัยส�ำ คญั ทางสถิติท่ี 0.01, 0.05, และ 0.10 ตามลำ�ดบั ทมี่ า: อคั รพงศ์ อั้นทอง และมิง่ สรรพ์ ขาวสอาด (2554) ผลลัพธ์ที่ได้จากการทดสอบ แสดงให้เห็นว่า ระหว่างปี พ.ศ. 2535-2550 แหล่งท่องเท่ียวและ ตลาดนกั ทอ่ งเทยี่ วแตล่ ะแหง่ มรี ปู แบบความเปน็ ฤดกู าลแตกตา่ งกนั และมรี ปู แบบความเปน็ ฤดกู าลมากกวา่ 1 รปู แบบ โดยเชยี งใหมม่ รี ปู แบบความเปน็ ฤดกู าลมากทส่ี ดุ (มีUnitroot ที่1-6) โดยเฉพาะตลาดนกั ทอ่ งเทยี่ ว ชาวไทย (มี Unit root ที่ 2-6) ในขณะที่พทั ยามคี วามหลากหลายของรปู แบบความเปน็ ฤดกู าลในตลาด นักท่องเท่ียวชาวไทยมากกว่าต่างชาติ แต่เนื่องจากตลาดนักท่องเท่ียวชาวไทยมีสัดส่วนประมาณ รอ้ ยละ 30 ของจำ�นวนนกั ทอ่ งเทยี่ วทัง้ หมดของพทั ยา ดังน้นั ความผันผวนตามฤดกู าลที่เกิดขึ้นในตลาด นักท่องเท่ียวชาวไทยจึงไม่มีอิทธิพลต่อการกำ�หนดรูปแบบความเป็นฤดูกาลโดยรวมของพัทยา ซึ่งยังคง

เศรษฐมติ ิว่าด้วยการท่องเทย่ี ว 65 มีความผันผวนตามฤดูกาลตํ่าตามตลาดนักท่องเท่ียวต่างชาติ แตกต่างจากภูเก็ตที่มีความผันผวนตาม ฤดกู าลสงู ในตลาดนกั ทอ่ งเทย่ี วตา่ งชาตทิ เ่ี ปน็ ตลาดหลกั ของภเู กต็ (มสี ดั สว่ นมากกวา่ รอ้ ยละ60 ของจ�ำ นวน นกั ท่องเทย่ี วท้งั หมดของภเู กต็ ) ทำ�ให้ภาพรวมของการทอ่ งเทีย่ วของภเู ก็ตมีรูปแบบความเปน็ ฤดกู าลทมี่ ี ความผันผวนมากกวา่ พัทยาและกรงุ เทพฯ แตน่ อ้ ยกวา่ เชยี งใหม่ 3.3 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 รมเวลา มี 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 ความแปรปรวน ภายในปที เ่ี กดิ ขน้ึ ซาํ้ ๆ กนั ทกุ ปี โดยHyllebergandMizon(1989) ไดแ้ บง่ องคป์ ระกอบของความเปน็ ฤดกู าล ออกเปน็ 2 กลุ่ม คือ 1) Deterministic เป็นองค์ประกอบที่ไมม่ กี ารเปล่ียนแปลงตามเวลา เช่น Seasonal dummy เป็นต้น และ 2) Stochastic เปน็ องค์ประกอบที่มกี ารเปลีย่ นแปลงตามเวลา เช่น Seasonal unit root process เปน็ ตน้ การแยกองคป์ ระกอบความเปน็ ฤดกู าลออกจากขอ้ มลู อนกุ รมสามารถท�ำ ไดห้ ลายวธิ ี เชน่ วธิ คี า่ เฉลย่ี อย่างง่าย วธิ ีคา่ เฉล่ยี เคล่ือนท่ี การวิเคราะหก์ ารถดถอย (Regression analysis) เป็นตน้ แตว่ ธิ ีที่ได้รับ ความนิยมมากทสี่ ุด ไดแ้ ก่ วิธี X-12-ARIMA (X-12-Autoregressive Integrated Moving Average) และ TRAMO/SEATS (Time Series Regression with ARIMA Noise, Missing Observations and Outliers/ Signal Extraction in ARIMA Time Series) เนื่องจากมีความเหมาะสมในกรณีท่ีข้อมูลอนุกรมเวลา มีองคป์ 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 ตอนแรก จะใช้ RegARIMA และ TRAMO ปรบั หรอื ขจดั Deterministic effects เชน่ Outliers เปน็ ตน้ ออกจากขอ้ มลู

66 บทที่ 3: การวเิ คราะหค์ วามเปน็ ฤดกู าลในแหลง่ ทอ่ งเที่ยว กอ่ นที่จะใช้ X-12 และ SEATS ในการแยกองค์ประกอบของสว่ นที่เหลือที่เปน็ Stochastic อยา่ งไรก็ตาม วิธี TRAMO/SEATS สามารถใชแ้ ยกองค์ประกอบในรปู แบบผลบวก (Additive) ไดเ้ ท่านน้ั ดังนนั้ จึงนยิ ม ใชว้ ิ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 าล ทค่ี �ำ นวณได้ (St) มาประเมินผลกระทบทเ่ี กิดข้นึ จากความผันผวนตามฤดกู าลในเดือนที่ t (PSt) ด้วยสตู ร การค�ำ นวณดงั นี้ [3.4] (St – 100) 100 PSt = คา่ PSt ที่ค�ำ นวณได้ บอกขนาดการเพ่มิ ขน้ึ หรอื ลดลงของนักท่องเท่ียวทเี่ กดิ ขนึ้ จากความผันผวน ตามฤดกู าลเมอ่ื เทยี บกบั กรณปี กติ โดยเดอื นทม่ี คี า่ PSt มากกวา่ ศนู ย์ (PSt > 0) เปน็ เดอื นทมี่ นี กั ทอ่ งเทยี่ ว มากกวา่ กรณปี กตหิ รอื เปน็ ชว่ งฤดทู อ่ งเทยี่ ว ในทางกลบั กนั เดอื นทมี่ คี า่ PSt นอ้ ยกวา่ ศนู ย์(PSt<0) เปน็ เดอื น ที่มีนกั 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 ว เป็นต้น ดังน้ัน Hui and Yuen (2002) จึงเสนอวิธีตรวจสอบเสถียรภาพ (Stability) ของดัชนีฤดูกาล โดยการทดสอบค่าสัมประสทิ 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 สามารถประยุกต์ใช้ Wald test ในการทดสอบสมมติฐานหลักที่วา่ H0 : ρi = 1 และประยกุ ต์ใช้ค่าสถิติ F ทดสอบสมมติฐาน ดังกลา่ ว หากปฎิเสธสมมติฐานหลัก แสดงวา่ ดัชนฤี ดกู าลของเดอื นทก่ี ำ�ลงั พจิ ารณา (มี 12 เดือน) ในช่วง ระยะเวลาทศี่ กึ ษาไม่มีเสถียรภาพ

เศรษฐมิติวา่ ดว้ ยการท่องเทีย่ ว 67 เม่ือนำ�ข้อมูลท่ีใช้ทดสอบ Seasonal unit root ในส่วนท่ีผ่านมา มาแยกองค์ประกอบด้วยวิธี X-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 (ดูรายละเอียดใน รปู ท่ี3.4) โดยกรงุ เทพฯ และภเู กต็ มคี วามผนั ผวนตามฤดกู าลนอ้ ยกวา่ พทั ยาและเชยี งใหม่ และเปน็ ทส่ี งั เกตวา่ รูปแบบความผันผวนตามฤดูกาลของตลาดนักท่องเท่ียวชาวไทยและต่างชาติมีลักษณะแตกต่างกัน ในบางชว่ งของปี ความแตกตา่ งดงั กลา่ วสะทอ้ นใหเ้ หน็ ถงึ เดอื นทเ่ี ปน็ ชว่ งนอกฤดทู อ่ งเทยี่ วของนกั ทอ่ งเทยี่ ว ชาวไทยและตา่ งชาติ ซึ่งเปรียบเสมือนชว่ งนอกฤดูทอ่ งเที่ยวทแี่ ท้จรงิ ของแหล่งท่องเทย่ี ว รปู ท่ี 3.4 ดัชนีฤดูกาลของสถานทีพ่ กั แรมในแหลง่ ท่องเทย่ี วทส่ี �ำ คัญของไทยค�ำ นวณด้วยวิธี X-12-ARIMA จากรูปแบบความผันผวนตามฤดูกาลที่แตกต่างของตลาดนักท่องเท่ียวท่ีแสดงในรูปท่ี 3.4 ทำ�ให้ ทราบว่า เดอื นทเี่ ปน็ ช่วงนอกฤดูทอ่ งเทยี่ วทีแ่ ทจ้ ริงของแหล่งท่องเทยี่ วทส่ี �ำ คัญแตล่ ะแห่ง คอื กรุงเทพฯ มี 1 เดอื น ได้แก่ เดือนมถิ นุ ายน ภูเก็ต มี 3 เดอื น ไดแ้ ก่ เดือนพฤษภาคม-กรกฎาคม พัทยา มี 2 เดือน ได้แก่ เดือนมิถุนายนและกันยายน และเชยี งใหม่ มี 4 เดอื น ไดแ้ ก่ เดือนพฤษภาคม-มถิ ุนายน และเดอื น กันยายน-ตลุ าคม ความแตกตา่ งของฤดูกาลในแต่ละแหล่งท่องเทย่ี วข้ึนอย่กู บั ความแตกต่างของปจั จยั ท่ี ท�ำ ใหเ้ กดิ ฤดกู าลในแหลง่ ทอ่ งเทย่ี วนนั้ ๆ อยา่ งไรกต็ ามสภาพภมู อิ ากาศ วนั หยดุ ตามเวลาในปฏทิ นิ เทศกาล และช่วงหยุดยาว (Holiday) ของนักท่องเท่ียวต่างชาติ ยังคงเป็นปัจจัยสำ�คัญท่ีทำ�ให้เกิดฤดูกาล ในแหล่งท่องเทีย่ 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 ากสมการที่ 3.4 โดยใชด้ ชั นฤี ดกู าลที่ไดจ้ ากการแยกองคป์ ระกอบดว้ ยวธิ ีX-12-ARIMA ในทน่ี เ้ี พอื่ ความเขา้ ใจการอธบิ าย ผลลพั ธ์ในตารางที่ 3.4 จึงขอยกตวั อยา่ งกรณีของกรุงเทพฯ ที่มคี ่าตวั เลขเท่ากบั 32.01 ในคอลมั นแ์ รก แถว “ฤดูทอ่ งเทย่ี ว” ตัวเลขดังกล่าวสะท้อนใหเ้ ห็นว่า ในชว่ งฤดทู ่องเท่ยี วของกรุงเทพฯ จะมนี ักทอ่ งเท่ียว เดินทางมาทอ่ งเที่ยวมากกว่ากรณปี กติประมาณร้อยละ 32.01% นอกจากนเ้ี พอ่ื ใหส้ ะดวกตอ่ การพจิ ารณา ในตารางจึงมกี ารแรเงาตัวเลขทีเ่ ป็นชว่ งฤดกู าลท่องเทยี่ ว ในขณะทีช่ ว่ งนอกฤดูกาลจะไมแ่ รเงาตวั เลข ตารางที่ 3.4 ค่าเฉลีย่ ของความผันผวนตามฤดูกาลของสถานที่พกั แรมในแหลง่ ท่องเท่ียวทสี่ �ำ คญั ของไทย เดือน  กรุงเทพฯ ภูเกต็ พทั ยา เชียงใหม่ ทั้งหมด ไทย ตา่ งชาติ ทงั้ หมด ไทย ตา่ งชาติ ท้ังหมด ไทย ตา่ งชาติ ทงั้ หมด ไทย ต่างชาติ มกราคม 7.68 4.13 10.43 5.04 -1.91 11.44 24.79 -36.92 40.44 31.35 27.78 28.14 กุมภาพนั ธ์ 2.29 -10.20 9.56 0.69 -7.68 3.91 11.91 -26.97 21.71 0.92 -3.26 9.47 มีนาคม 11.06 11.39 13.60 -0.27 0.38 1.57 4.38 5.80 2.35 3.06 3.86 0.10 เมษายน -0.87 0.89 -1.46 4.35 7.95 1.50 0.87 41.69 -9.96 -4.06 5.51 -12.49 พฤษภาคม 0.22 -8.70 1.79 -4.49 -0.23 -13.01 -4.49 23.63 -10.99 -18.00 -8.52 -34.20 มิถนุ ายน -2.81 -5.55 -2.35 -15.10 -12.40 -15.90 -16.36 -7.34 -19.91 -26.02 -22.83 -28.78 กรกฎาคม -2.39 2.52 -3.69 -9.55 -4.85 -13.64 -14.46 1.31 -19.16 -4.92 -10.12 0.47 สิงหาคม -4.38 0.90 -6.07 -2.81 0.33 -6.48 -14.73 0.26 -18.77 -4.75 -12.97 3.59 กนั ยายน -11.39 3.50 -15.31 -11.64 0.53 -17.67 -30.55 -19.64 -32.57 -18.39 -21.24 -20.20 ตลุ าคม -7.12 0.31 -11.41 8.43 11.36 7.01 -10.21 23.86 -13.07 -7.70 -1.85 -2.98 พฤศจกิ ายน 9.13 3.22 7.08 10.53 -0.01 14.28 16.59 -8.37 22.32 16.25 0.15 28.94 ธันวาคม 1.62 -1.49 0.12 16.33 6.75 29.30 31.83 4.72 35.43 30.83 47.82 21.95 ฤดทู ่องเท่ยี ว 32.01 26.85 35.38 45.38 27.29 69.02 90.37 101.27 122.24 82.41 85.13 92.67 นอกฤดทู ่องเท่ยี ว -28.95 -24.45 -40.29 -43.87 -27.08 -66.69 -90.80 -99.25 -124.43 -83.82 -80.78 -98.65 หมายเหตุ: ขอ้ มูลทแี่ รเงา คอื ช่วงฤดูทอ่ งเทย่ี ว ส่วนขอ้ มูลทไ่ี ม่ไดแ้ รเงา คือ ชว่ งนอกฤดูท่องเที่ยว ทม่ี า: อคั รพงศ์ อัน้ ทอง และมิ่งสรรพ์ ขาวสอาด (2554) ผลการวเิ คราะห์ในตารางท่ี3.4 นอกจากทราบขนาดของอทิ ธพิ ลของความเปน็ ฤดกู าลแลว้ ยงั ทราบ เปอรเ์ ซน็ ตค์ วามแตกตา่ งระหวา่ งชว่ งฤดแู ละนอกฤดกู ารทอ่ งเทย่ี วเมอ่ื พจิ ารณาในภาพรวมทง้ั ปี นอกจากนี้ หากมกี ารพจิ ารณาในระดบั ตลาดกจ็ ะท�ำ ใหท้ ราบชว่ งเวลาหรอื เดอื นทม่ี กี ารซอ้ นทบั (Overlap) ของแตล่ ะตลาด เช่น ในกรณีของกรุงเทพฯ เดือนกุมภาพันธ์เป็นช่วงนอกฤดูของนักท่องเท่ียวชาวไทย แต่กลับเป็นช่วง ฤดกู าลทอ่ งเทย่ี วของชาวตา่ งชาติ เปน็ ตน้ ความแตกตา่ งดงั กลา่ วจะเผยใหเ้ หน็ วา่ การเพม่ิ ขนึ้ ของนกั ทอ่ งเทยี่ ว ในตลาดหนงึ่ สามารถทดแทนการลดลงของนกั ทอ่ งเทย่ี วในอกี ตลาดหนงึ่ ไดห้ รอื ไม่ อยา่ งเชน่ ในกรณขี อง กรงุ เทพฯ ชว่ งเดอื นเมษายนเปน็ ฤดทู อ่ งเทยี่ วของคนไทยซงึ่ มกี ารเพม่ิ ขน้ึ ของจ�ำ นวนนกั ทอ่ งเทย่ี วชาวไทย ประมาณร้อยละ 0.89 จากกรณีปกติ ในขณะเดียวกันช่วงเวลาดังกล่าวเป็นช่วงนอกฤดูท่องเที่ยวของ นักทอ่ งเท่ียวตา่ งชาติซึง่ มกี ารลดลงของนกั ท่องเท่ียวต่างชาตปิ ระมาณร้อยละ 1.46 จากกรณีปกติ เป็นตน้ จากกรณตี วั อยา่ งดงั กลา่ ว แสดงใหเ้ หน็ วา่ การเพมิ่ ขน้ึ ของจ�ำ นวนนกั ทอ่ งเทย่ี วชาวไทยในชว่ งเดอื นเมษายน ไมส่ ามารถชดเชยการลดลงของนักท่องเทย่ี วตา่ งชาติในช่วงเวลาเดียวกันได้

เศรษฐมิตวิ า่ ดว้ ยการท่องเที่ยว 69 จากกรณตี วั อยา่ งขา้ งตน้ จะเหน็ ไดว้ า่ การพจิ ารณาอทิ ธพิ ลของความผนั ผวนตามฤดกู าล ควรพจิ ารณา ในระดบั ตลาดหรอื ประเทศตน้ ทางของนกั ทอ่ งเทย่ี ว รว่ มกบั การตรวจสอบขนาดของอทิ ธพิ ลของความผนั ผวน ตามฤดูกาล จึงจะทำ�ให้ทราบอิทธิพลของความผันผวนตามฤดูกาลและเดือนที่เป็นช่วงนอกฤดูท่องเที่ยว ทแี่ ท้จรงิ สำ�หรับการวิเคราะห์เสถียรภาพของดัชนีฤดูกาลด้วยสมการท่ี 3.5 ทำ�ให้ทราบถึงแนวโน้มการ เคลอ่ื 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 ว ทแี่ ตกต่างกันได้ รวมท้ังการตงั้ ขอ้ สงั เกตและค้นหาเหตุผลเพ่ือสนับสนนุ ผลลัพธท์ ี่ไดจ้ ากการวิเคราะหว์ ่ามี สาเหตมุ าจากปจั จยั ใดบา้ ง ดงั กรณตี วั อยา่ งในตารางที่3.5 ทผ่ี ลการวเิ คราะห์ในภาพรวมทง้ั หมด สะทอ้ นให้ เหน็ ว่า ความเปน็ ฤดูกาลของตลาดนักท่องเทย่ี วชาวไทยมเี สถยี รภาพนอ้ ยกว่าตลาดนกั ท่องเทีย่ วต่างชาติ อาจเป็นไปได้ว่า นักท่องเที่ยวชาวไทยมีความยืดหยุ่น (Flexibility) และสามารถเปล่ียนแปลงพฤติกรรม หรือช่วงเวลาในการท่องเท่ียวได้ง่ายกว่านักท่องเท่ียวต่างชาติ หรือในกรณีของเชียงใหม่ที่แนวโน้ม ความเป็นฤดูกาลของนักท่องเท่ียวชาวไทยลดลงในเดือนกุมภาพันธ์ อาจเป็นผลมาจากปัญหามลภาวะ ทางอากาศทรี่ นุ แรงมากขึน้ ของเชยี งใหมต่ ั้งแต่ปี พ.ศ. 2545 เปน็ ตน้ มา ตารางท่ี 3.5 ผลการวิเคราะหค์ วามเคลอ่ื นไหวของดชั นีฤดูกาลระหว่างปี พ.ศ. 2535-2550 เดอื น กรุงเทพฯ ภเู ก็ต พทั ยา เชียงใหม่ ท้ังหมด ไทย ตา่ งชาติ ท้ังหมด ไทย ต่างชาติ ทั้งหมด ไทย ตา่ งชาติ ทงั้ หมด ไทย ตา่ งชาติ มกราคม SSSDSDSDS I S I กมุ ภาพันธ์ D D S D S D S D S D D S มีนาคม SSSDSDSSS I I S เมษายน DSDSDSSSSSSS พฤษภาคม S D S I D I S S S S S S มิถนุ ายน IDISISSI ISSS กรกฎาคม S I S S S S S S S S S S สงิ หาคม S I SSSSSSSDDS กันยายน S I SSSSSSSDDD ตุลาคม S I S I I I S I S D S S พฤศจิกายน I S I S I D S S S S S S ธันวาคม I S I SDSSDS I ID หมายเหตุ : S = Stable; D = Decrease และ I = Increase : ขอ้ มูลท่ีแรงเงา คอื ช่วงฤดูท่องเทย่ี ว สว่ นข้อมลู ทไี่ มไ่ ด้แรงเงา คอื ช่วงนอกฤดทู อ่ งเท่ียว ท่มี า: อัครพงศ์ อัน้ ทอง และม่งิ สรรพ์ ขาวสอาด (2554)

70 บทท่ี 3: การวิเคราะหค์ วามเป็นฤดกู าลในแหลง่ ท่องเทย่ี ว 3.4 วธิ ีวดั ขนาดของความเปน็ ฤดูกาล วธิ กี ารวัดขนาดของความเปน็ ฤดกู าลท่ีง่ายและนยิ มใช้โดยทว่ั ไป ไดแ้ ก่ Coefficient of seasonal variation (CSV) ท่ีเป็นการวัดการกระจายของข้อมูลในแต่ละเดือนเทียบกับค่าเฉล่ียทั้งปี และดัชนีช้ีวัด ความเปน็ ฤดกู าล(Seasonalityindicator: SI) ทสี่ ะทอ้ นRelativecapacity ที่ไดจ้ ากการเปรยี บเทยี บคา่ เฉลย่ี ท้ังปีกับคา่ สูงสดุ ในชว่ งปีนัน้ โดยสตู รคำ�นวณของวธิ ีทงั้ สองมีลกั ษณะดังนี้ (Lundtorp, 2001) [3.6] และ SIt = t CSVt = SDt Xmax t โดยท ี่ 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 แสดงวา่ จ�ำ นวนนกั ทอ่ งเทยี่ วในแตล่ ะเดอื นของปที ก่ี �ำ ลงั พจิ ารณากระจายอยู่ใกลก้ บั คา่ เฉลยี่ ของปนี นั้ หรอื มคี วามเปน็ ฤดกู าลนอ้ ย ในขณะทค่ี า่ SI มคี า่ ระหวา่ ง1/12 ถงึ 1 หากปใี ดทคี่ า่ SI=1 แสดงวา่ ในปนี นั้ ไมม่ ีPeakseason ดงั นนั้ หากค่า SI มีคา่ เขา้ ใกล้ 1 แสดงว่า ปที ก่ี ำ�ลงั พิจารณามีความผันผวนตามฤดกู าลต่ํา จากขา้ งต้น จะเห็นได้ว่า CSV และ SI มีความสัมพันธ์ท่ีผกผันกัน และสามารถใช้วิธีทั้งสองเปรียบเทียบขนาด ความเปน็ ฤดกู าลระหวา่ งแหลง่ ทอ่ งเทย่ี ว ปี และตลาดนกั ทอ่ งเทยี่ ว (หรอื ประเทศตน้ ทาง) ทแ่ี ตกตา่ งกนั ได้ อยา่ งไรก็ตาม Koenig and Bischoff (2003) เสนอว่า ท้งั สองวธิ ยี งั คงมีข้อจำ�กัดในเรือ่ งของการอ่อนไหว ตอ่ 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 ของข้อมลู ชุดเดียวกันที่ใช้ในส่วนที่ผ่านมา พบว่า ตลาดนักท่องเท่ียวต่างชาติมีขนาดความเป็นฤดูกาลสูง แต่มี ความผนั ผวนของความเปน็ ฤดกู าลนอ้ ยกวา่ ตลาดนกั ทอ่ งเทยี่ วชาวไทย และเปน็ ทน่ี า่ สงั เกตวา่ คา่ CSV และ SI มคี วามผันผวนตามเหตุกการณว์ กิ ฤต เชน่ การระบาดของโรคซารส์ ในปี พ.ศ. 2546 ทำ�ใหข้ นาดความเป็น ฤดกู าลเพม่ิ ขนึ้ ในตลาดนกั ทอ่ งเทย่ี วตา่ งชาตขิ องกรงุ เทพฯ และพทั ยา ในขณะทเี่ หตกุ ารณส์ นึ ามิในปลายปี พ.ศ.2547 ท�ำ ใหต้ ลาดนกั ทอ่ งเทยี่ วชาวตา่ งชาตขิ องภเู กต็ มขี นาดความเปน็ ฤดกู าลเพมิ่ ขนึ้ ในปี พ.ศ.2548 กอ่ นปรับตัวลดลงหลงั จากน้นั สว่ นการจดั งานมหกรรมพืชสวนโลกท่เี ชียงใหม่ในช่วงปลายปี พ.ศ. 2549 ตอ่ เนอื่ งจนถึงต้นปี พ.ศ. 2550 ท�ำ ใหต้ ลาดนกั ทอ่ งเท่ียวชาวไทยของเชยี งใหมม่ ีความเป็นฤดูกาลมากขึน้ เปน็ ตน้

เศรษฐมิตวิ า่ ดว้ ยการท่องเทยี่ ว 71 รปู 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 เกต ของการศกึ ษาในอดตี ดงั นน้ั คา่ CSV และ SI ในปที ม่ี เี หตกุ ารณ์ไมแ่ นน่ อนเกดิ ขน้ึ จงึ ไม่ใชค่ า่ ทส่ี ะทอ้ นขนาด ของความเป็นฤดกู าลเพยี งอยา่ งเดยี ว แตม่ ขี นาดของอทิ ธพิ ลจากเหตกุ ารณ์ไมแ่ นน่ อนอยู่ในคา่ CSV และ SI ด้วย ดังน้ันอาจทำ�ให้ผู้วิจัยเข้าใจผิดว่า ในปีดังกล่าวแหล่งท่องเท่ียวหรือตลาดนักท่องเที่ยวที่กำ�ลัง พิจารณามีขนาดความเปน็ ฤดกู าลเพม่ิ ขนึ้ จากจุดอ่อนของ CSV และ SI ในกรณดี ังกล่าว Akarapong et al. (2011) และ อคั รพงศ์ อั้นทอง และม่ิงสรรพ์ ขาวสอาด (2554) เสนอว่า ในการพิจารณาขนาดความเป็นฤดูกาลของแหล่งท่องเท่ียว ควรใช้ CSV และ SI รว่ มกบั ตวั ชว้ี ดั อนื่ ๆ เชน่ ดชั นฤี ดกู าล ดชั นคี วามไมแ่ นน่ อน เปน็ ตน้ และควรวเิ คราะห์ ในระดับตลาดควบคู่กับการวิเคราะห์ในภาพรวมของแหล่งท่องเที่ยว เนื่องจากการเปล่ียนแปลงขนาด ของความเป็นฤดูกาลในตลาดหนงึ่ โดยเฉพาะตลาดท่มี สี ่วนแบง่ การตลาดสงู จะมีอทิ ธิพลตอ่ ความผันผวน ตามฤดูกาลในภาพรวมของแหล่งท่องเท่ียว อย่างเช่น ในกรณีของภูเก็ตที่แม้ว่าตลาดนักท่องเท่ียว ชาวไทยจะมขี นาดของความผนั ผวนตามฤดกู าลสงู กวา่ ตลาดนกั ทอ่ งเทย่ี วตา่ งชาติ แตด่ ว้ ยสว่ นแบง่ การตลาด เพียงร้อยละ 30 ทำ�ให้ขนาดความผันผวนตามฤดูกาลของตลาดนักท่องเท่ียวชาวไทยไม่มีอิทธิพลต่อ ความเปน็ ฤดูกาลในภาพรวม เป็นต้น ซ่งึ แตกตา่ งจากเชยี งใหมท่ ่ีมสี ัดสว่ นของตลาดนักทอ่ งเที่ยวชาวไทย และต่างชาติใกล้เคียงกัน ดังนั้นการเปลี่ยนแปลงขนาดความเป็นฤดูกาลในตลาดใดตลาดหน่ึงย่อมมี ผลกระทบต่อความเป็นฤดกู าลของการท่องเทย่ี วเชียงใหม่ 3.5 วธิ วี ัดการกระจกุ ตวั ของความเป็นฤดกู าล การวดั การกระจกุ ตวั ของความเปน็ ฤดกู าล หรอื การวดั ความไมเ่ ทา่ เทยี มกนั ในกระจายตวั ของจ�ำ นวน นักท่องเท่ียวที่เกิดข้ึนในรอบปีอันเนื่องมาจากอิทธิพลฤดูกาล 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 และ ไม่สามารถแสดงรูปแบบหรือเสถยี รภาพของความเปน็ ฤดกู าลไดเ้ ชน่ เดยี วกับวิธี CSV และ SI (Koenig and Bischoff, 2003) นอกจากนี้ Lundtorp (2001) ได้แสดงใหเ้ หน็ ถึงความสัมพันธ์ท่ผี กผนั กนั ระหวา่ ง ค่า GC กบั SI [GC = 0.917 เมื่อ SI = 0.083 และ GC = 0 เมื่อ SI = 1] และเสนอวา่ ควรใช้ GC ในการวดั ความเปน็ ฤดกู าลเมอ่ื พบวา่ มคี วามไมเ่ ทา่ เทยี มกนั ของนกั ทอ่ งเทยี่ วในแตล่ ะเดอื น โดยมสี ตู รการ คำ�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 นวณ หาจำ�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 เชน่ นักทอ่ งเทยี่ วทั้งหมดของภเู ก็ต ประกอบดว้ ย กลมุ่ นกั ท่องเท่ียวชาวไทยและตา่ งชาติ เป็นตน้ และจากการ วเิ คราะห์ในเร่อื งของแบบแผนและขนาดของความเปน็ ฤดูกาล ทำ�ให้ทราบว่า การเปลีย่ นแปลงความเป็น ฤดกู าลในแตล่ ะกลมุ่ /ตลาดนกั ทอ่ งเทยี่ วมผี ลตอ่ การเปลย่ี นแปลงความเปน็ ฤดกู าลของนกั ทอ่ งเทยี่ วทง้ั หมด ดงั 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 ว ทง้ั หมด จากแนวคดิ ดงั กลา่ วสามารถประยกุ ต์ใชว้ ธิ กี ารของ Lerman and Yitzaki (1985) แยกองคป์ ระกอบ ของคา่ 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�คัญ 3 องคป์ ระกอบ คอื สว่ นแบง่ การตลาดของนกั ทอ่ งเทยี่ วกลมุ่ k (Sk),Gini-correlation ระหวา่ งนกั ทอ่ งเทย่ี ว กลมุ่ k กบั นกั ทอ่ งเทย่ี วทง้ั หมด (Rk) และคา่ สมั ประสทิ ธจ์ิ นี ขี องนกั ทอ่ งเทย่ี วกลมุ่ k (Gk) จากองคป์ ระกอบ ทั้ง 3 จะเห็นได้ว่า ส่วนแบ่งการตลาดเป็นองค์ประกอบที่สามารถควบคุมและเปล่ียนแปลงได้ง่ายกว่า การเปลี่ยนแปลง Gini-correlation (Rk) และค่าสัมประสิทธิ์จีนี (Gk) ท่ีเป็นการเปลี่ยนแปลงในระดับ โครงสรา้ ง ขณะทกี่ ารเปลยี่ นแปลงสว่ นแบง่ การตลาดขนึ้ อยกู่ บั ความส�ำ เรจ็ ของนโยบายหรอื แผนการตลาด

74 บทท่ี 3: การวเิ คราะห์ความเปน็ ฤดูกาลในแหล่งท่องเท่ยี ว ทแี่ หลง่ ทอ่ งเทย่ี วแตล่ ะแหง่ ใชส้ ง่ เสรมิ การทอ่ งเทยี่ ว การเปลยี่ นแปลงของสว่ นแบง่ การตลาดของนกั ทอ่ งเทยี่ ว แต่ละกลุ่มยังมีผลต่อการกระจุกตัวของความเป็นฤดูกาลของนักท่องเที่ยวท้ังหมด ดังนั้น Fernandez- Morales and Mayorga-Toledano (2008) จึงเสนอ Relative marginal effects (RME) ส�ำ หรับวดั ผล การเปลี่ยนแปลงส่วนแบ่งการตลาดของนักท่องเท่ียวแต่ละกลุ่มท่ีมีต่อการกระจุกตัวของความเป็นฤดูกาล ของนกั 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 ใด จึงจะทำ�ใหก้ ารกระจกุ ตัวของความเปน็ ฤดกู าลของนกั ทอ่ งเทยี่ วท้ังหมดลดลง (ในกรณีน้ีคา่ RMEk< 0) จากจดุ ออ่ นในเรอ่ื งของการออ่ นไหวตอ่ คา่ สดุ โตง่ ของวธิ ี GC และจากคณุ ลกั ษณะเฉพาะของขอ้ มลู จำ�นวนนักท่องเที่ยวท่ีมีความไม่แน่นอนเป็นองค์ประกอบสำ�คัญของข้อมูล ทำ�ให้ค่า GC ที่คำ�นวณได้ อาจไม่สะท้อนการกระจุกตัวของความเป็นฤดูกาลที่แท้จริง ดังน้ัน Akarapong et al. (2011) และ อัครพงศ์ อ้ันทอง และม่ิงสรรพ์ ขาวสอาด (2554) จึงเสนอให้ใช้ดัชนีฤดูกาลแทนจำ�นวนนักท่องเท่ียว เพราะดชั นีดังกล่าวเป็นข้อมลู ท่ขี จัดอทิ ธิพลของแนวโน้ม วฏั จักร และความไมแ่ น่นอนออกจากข้อมูลแล้ว คงเหลือเฉพาะความเป็นฤดูกาลภายในข้อมูลเท่าน้ัน ทำ�ให้ค่า GC ที่คำ�นวณจากข้อมูลนี้สะท้อน การกระจุกตัวของความเปน็ 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 บ กับค่า SI ทน่ี ำ�เสนอกอ่ นหน้านี้ พบวา่ คา่ GC และ SI ไมม่ คี วามสัมพันธท์ ผ่ี กผนั กนั ตามข้อเสนอของ Lundtorp (2001) และให้ภาพการเคล่ือนไหวของความเป็นฤดูกาลท่ีมีความผันผวนน้อยกว่าค่า CSV และ SI อย่างไรก็ตาม แนวโน้มการเคล่ือนไหวของค่า GC มีรูปแบบใกล้เคียงกับค่า CSV และ SI ซงึ่ จากกรณตี วั อยา่ งจะเหน็ ไดว้ า่ ตลาดนกั ทอ่ งเทย่ี วตา่ งชาตยิ งั คงเปน็ ตลาดทม่ี คี วามเปน็ ฤดกู าลสงู กวา่ ตลาด นักท่องเท่ียวชาวไทย และกรุงเทพฯ ยังคงมีความเป็นฤดูกาลน้อยท่ีสุด และมีแนวโน้มลดลงในตลาด นกั ทอ่ งเทย่ี วตา่ งชาตแิ ละภาพรวมตง้ั แตป่ ี พ.ศ. 2543 ในขณะทเี่ ชยี งใหมม่ คี วามเปน็ ฤดกู าลมากทสี่ ดุ และ มแี นวโน้มความเป็นฤดกู าลเพิม่ ข้ึนอย่างตอ่ เนื่องตัง้ แตป่ ี พ.ศ. 2545 จนถงึ ปี พ.ศ. 2550

เศรษฐมิติว่าด้วยการท่องเท่ียว 75 รูปท่ี 3.7 คา่ Gini-coefficient เม่อื ใช้สมการท่ี (3.9) คำ�นวณหาคา่ RME ของกรณีตัวอยา่ งท้ัง 4 แหง่ ซ่ึงแสดงผลการคำ�นวณ ในตารางที่ 3.6 พบวา่ ส่วนใหญ่ตลาดนกั ทอ่ งเท่ียวชาวไทยมคี า่ RME < 0 (ข้อมูลทแ่ี รเงา) แสดงวา่ การเปลี่ยนแปลงส่วนแบ่งการตลาดของนักท่องเท่ียวชาวไทยมีส่วนช่วยลดการกระจุกตัวของความเป็น ฤดูกาลในแหล่งท่องเที่ยว เช่น กรณีของภูเก็ต ในปี พ.ศ. 2550 การเพ่ิมข้ึนของส่วนแบ่งการตลาด นักท่องเที่ยวชาวไทยร้อยละ 1 มีส่วนช่วยลดการกระจุกตัวของความเป็นฤดูกาลของภูเก็ตลงประมาณ ร้อยละ 5.662 (RME = –5.662) เปน็ ต้น

76 บทที่ 3: การวิเคราะหค์ วามเป็นฤดกู าลในแหล่งท่องเท่ียว ตารางที่ 3.6 คา่ Relative marginal effect ปี พ.ศ. กรุงเทพฯ ภูเกต็ พัทยา เชียงใหม่ ไทย ต่างชาติ ไทย ตา่ งชาติ ไทย ต่างชาติ ไทย ต่างชาติ -3.659 3.659 -11.867 11.867 2541 -9.503 9.503 -11.178 11.178 -2.779 2.779 -8.671 8.671 -2.208 2.208 -5.818 5.818 2542 -9.312 9.312 -12.720 12.720 -1.546 1.546 -4.670 4.670 -0.775 0.775 -3.836 3.836 2543 -9.923 9.923 -12.507 12.507 -0.647 0.647 -3.274 3.274 0.293 -0.293 -2.078 2.078 2544 -10.105 10.105 -13.409 13.409 0.642 -0.642 -0.755 0.755 -0.271 0.271 0.313 -0.313 2545 -7.829 7.829 -12.883 12.883 1.140 -1.140 0.928 -0.928 2546 -5.343 5.343 -12.241 12.241 2547 -1.704 1.704 -7.654 7.654 2548 2.202 -2.202 -9.217 9.217 2549 6.924 -6.924 -6.093 6.093 2550 9.146 -9.146 -5.662 5.662 หมายเหตุ: ขอ้ มลู ท่แี รงเงา คือ กรณีที่ RME < 0 ท่ีมา: 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 ว ตา่ งชาติ ทแ่ี สดงในตารางท ่ี 3.7 ท�ำ ใหท้ ราบขอ้ มลู เพม่ิ เตมิ วา่ การเพม่ิ ขน้ึ ของสว่ นแบง่ การตลาดของนกั ทอ่ งเทย่ี ว ในเอเชียและโอซีเนยี มสี ่วนชว่ ยลดการกระจกุ ตัวของความเป็นฤดูกาลในพทั ยาและเชยี งใหม่ ตารางท่ี 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 กลาง กรุงเทพฯ 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 2.800 ภูเกต็ 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 17.191 พทั 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 -0.252 เชยี 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 -0.457 หมายเหตุ: ข้อมูลทแ่ี รงเงา คือ กรณีที่ RME < 0 ทม่ี 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 สดง ในตารางที่ 3.8 ท�ำ ให้ทราบวา่ การเพิ่มขนึ้ ของสว่ นแบ่งการตลาดของกรงุ เทพฯ มสี ่วนช่วยลดความเปน็ ฤดกู าลของสถานทพ่ี กั แรมของไทย ยกเวน้ ในชว่ งปี พ.ศ.2545-2547 ทค่ี วามเปน็ ฤดกู าลของนกั ทอ่ งเทย่ี ว ตา่ งชาติลดลงไม่เพยี งพอกบั การเพ่มิ ขน้ึ ของนกั ทอ่ งเท่ียวชาวไทย ตารางที่ 3.8 สว่ นแบง่ การตลาด และ Relative marginal effect ของทอ่ งเท่ยี วทีส่ ำ�คญั 4 แห่ง ของไทย ปี 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 8.128 2541 0.436 0.124 0.145 0.089 -6.756 4.369 14.189 6.418 0.099 -5.090 2.526 15.415 5.311 2542 0.439 0.138 0.149 0.060 -5.943 0.008 16.241 5.705 0.055 10.167 3.971 22.062 11.933 2543 0.444 0.139 0.147 0.063 11.418 4.252 22.897 17.020 0.098 2.977 4.836 22.548 18.074 2544 0.443 0.147 0.150 0.063 -12.628 0.659 19.850 17.291 0.055 -2.065 4.917 19.948 28.399 2545 0.276 0.090 0.093 -0.627 5.936 23.417 24.189 2546 0.225 0.081 0.083 2547 0.266 0.093 0.093 2548 0.438 0.064 0.148 2549 0.256 0.070 0.098 2550 0.239 0.072 0.105 หมายเหตุ: ข้อมูลทีแ่ รงเงา คอื กรณที ี่ RME < 0 อคั รพงศ์ อ้ันทอง และม่งิ สรรพ์ ขาวสอาด (2554) 3.6 ขอ้ คดิ เห็นบางประการเกี่ยวกับการศึกษาความเปน็ ฤดกู าลในแหลง่ ทอ่ งเทย่ี ว แนวทางการผสมผสานวิธีการวิเคราะห์ความเป็นฤดูกาลในแหล่งท่องเที่ยวตามรูปท่ี 3.1 ทำ�ให้มี ความเขา้ ใจเพม่ิ ขนึ้ เกย่ี วกบั ความเปน็ ฤดกู าลของแหลง่ ทอ่ งเทย่ี ว เนอ่ื งจากการวเิ คราะหต์ ามแนวทางดงั กลา่ ว ทำ�ให้ทราบถึงรูปแบบความผันผวน ขนาด และกระจุกตัวของความเป็นฤดูกาล จากการศึกษาของ อัครพงศ์ อ้ันทอง และมิ่งสรรพ์ ขาวสอาด (2552, 2554) ให้ข้อคิดเห็นบางประการท่ีเป็นประโยชน์ เม่อื ต้องศกึ ษาหรอื วเิ คราะห์ความเป็นฤดูกาลในแหลง่ ท่องเท่ยี ว ดงั น้ี ก. การตรวจสอบรปู แบบการเปล่ยี นแปลงของความเป็นฤดกู าลด้วย Seasonal unit root ควรให้ ความสำ�คัญกับการทดสอบ Unit roots ของ Cycles เพื่อทราบรูปแบบการเปล่ียนแปลงตามฤดูกาล ท่ีแตกต่างกันของแหล่งท่องเท่ียวต่างๆ ซึ่งอาจมีรูปแบบการเปล่ียนแปลงของความเป็นฤดูกาลมากกว่า 1 รปู แบบ ข. การท่ีนักท่องเท่ียวแต่ละกลุ่ม/ตลาดมีความแตกต่างของรูปแบบความเป็นฤดูกาล ทำ�ให้ทราบ เดือนที่เป็นช่วงนอกฤดูท่องเท่ียวท่ีแท้จริงของแหล่งท่องเท่ียวแต่ละแห่ง ซ่ึงเป็นเดือนท่ีเป็นช่วงนอกฤดู ทอ่ งเทยี่ วของนกั ทอ่ งเทย่ี วทกุ กลมุ่ /ตลาด เชน่ กรณขี องภเู กต็ มเี ดอื นพฤษภาคม-กรกฎาคม เปน็ ชว่ งนอกฤดู ทอ่ งเทีย่ วของทัง้ นักท่องเทย่ี วชาวไทยและต่างชาติ เปน็ ตน้

78 บทที่ 3: การวเิ คราะห์ความเป็นฤดกู าลในแหลง่ ทอ่ งเที่ยว ค. หากต้องการทราบอิทธิพลของความผนั ผวนตามฤดูกาลทีเ่ กดิ ขึ้น ควรพจิ ารณาความแตกต่าง ของรูปแบบความเป็นฤดูกาลร่วมกับขนาดของอิทธิพลที่เกิดข้ึน เนื่องจากในช่วงระยะเวลาเดียวกัน ขนาดของอิทธิพลที่เกิดข้ึนในช่วงฤดูท่องเที่ยวและนอกฤดูท่องเที่ยวของแต่ละกลุ่ม/ตลาดนักท่องเที่ยว อาจแตกต่างกันจนทำ�ให้การเพิ่มข้ึนของจำ�นวนนักท่องเท่ียวในช่วงฤดูท่องเที่ยวอาจไม่สามารถชดเชย การลดลงของจ�ำ นวนนกั ท่องเทย่ี วในชว่ งนอกฤดทู อ่ งเทีย่ วได้ ง. ดัชนีฤดูกาลอาจมีการเปลี่ยนแปลงตามเวลาหรือเมื่อปัจจัยต่างๆ มีการเปล่ียนแปลง เช่น การเปลี่ยนแปลงนโยบาย การเกิดเหตุการณ์วิกฤต เป็นต้น ดังน้ันการวิเคราะห์แนวโน้มการเคลื่อนไหว ของดัชนีฤดูกาลจะท�ำ ใหท้ ราบการเปลีย่ นแปลงของรปู แบบความเปน็ ฤดูกาลในการท่องเทยี่ ว รวมทั้งการ ค้นหาสาเหตุท่ีทำ�ให้เกดิ การเปล่ียนแปลงดังกลา่ ว จ. การใช้ตัวชี้วัดและวิธีการวิเคราะห์ความเป็นฤดูกาลกับข้อมูลอนุกรมเวลาที่มีองค์ประกอบ ความไม่แน่นอนหรือมีความผันผวนสูง อาจทำ�ให้ผลลัพธ์ท่ีได้ไม่สะท้อนให้เห็นถึงขนาดหรือการกระจุก ของความเปน็ ฤดกู าลทแ่ี ทจ้ รงิ เนอื่ งจากตวั ชวี้ ดั และวธิ กี ารวเิ คราะหด์ งั กลา่ วออ่ นไหว(Sensitive) ตอ่ คา่ สดุ โตง่ (Extreme values) อย่างไรก็ตาม แม้ว่าการใช้ข้อมูลท่ีมีอิทธิพลความไม่แน่นอนมีขนาดความเป็น ฤดูกาลแตกต่างจากกรณีที่ใช้ข้อมูลดัชนีฤดูกาลท่ีขจัดอิทธิพลดังกล่าวออกจากข้อมูล แต่แนวโน้ม การเปล่ียนแปลงความเป็นฤดูกาลยังคงมีลักษณะเหมือนกัน ดังนั้นควรขจัดอิทธิพลความไม่แน่นอน ออกจากข้อมลู ก่อนทีจ่ ะน�ำ มาใช้ ฉ. ในการศึกษาวิเคราะห์ความเป็นฤดูกาลของแหล่งท่องเที่ยวควรพิจารณาในหลายๆ มิติ (Multi-Dimension) เช่น รูปแบบ แนวโน้ม อิทธิพล ขนาด การกระจุกตัว เป็นต้น เพ่ือให้เข้าใจภาพ ของความเป็นฤดูกาลของการท่องเท่ียวมากข้ึน และควรระมัดระวังการใช้วิธีการวิเคราะห์ เนื่องจากวิธี การวิเคราะห์แต่ละวิธีมีข้อจำ�กัดของการใช้ที่แตกต่างกัน เช่น วิธี CSV, SI, GC เป็นวิธีที่อ่อนไหว ตอ่ คา่ สดุ โตง่ ดงั นนั้ หากตอ้ งใชว้ ธิ ดี งั กลา่ วในการวเิ คราะห์ ควรขจดั อทิ ธพิ ลความไมแ่ นน่ อนออกจากขอ้ มลู กอ่ 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 เสนอ นโยบายท้ังที่เป็นนโยบายการแก้ไขปัญหาความเป็นฤดูกาล ซึ่งอาจเหมือนหรือแตกต่างกันในแต่ละ แหล่งท่องเท่ียว และการนำ�เสนอแนวทางการส่งเสริมกิจกรรมการท่องเที่ยวท่ีสามารถช่วยลดความเป็น ฤดูกาลได้ เช่น หากผลการวเิ คราะห์ พบวา่ RME ของตลาดนกั ทอ่ งเทย่ี วชาวไทยมีคา่ เป็นลบ ดงั นั้น ควรมีนโยบายการส่งเสริมการท่องเที่ยวภายในประเทศ เป็นต้น หรือการส่งเสริมกิจกรรมท่ีไม่อิงกับ ดินฟา้ อากาศและสามารถท่องเทยี่ วไดต้ ลอดท้งั ปี เชน่ เทศกาลอาหาร เทศกาลประเพณวี ถิ ีไทย วถิ ีชวี ิต วิถีไทยบนฤดกู าลท่แี ตกต่าง สวนสตั ว์ พิพธิ ภณั ฑ์ เป็นตน้ นอกจากน้ีหากผลการศกึ ษา GC พบว่า มกี าร กระจุกตัวของความเป็นฤดูกาลสูงมากในช่วงใดช่วงหนึ่ง อาจเสนอเชิงนโยบายว่า ควรระมัดระวังในการ จัดกิจกรรมส่งเสริมการท่องเที่ยวในช่วงฤดูท่องเที่ยว เพราะ อาจทำ�ให้เกิดการกระจุกตัวของความเป็น ฤดกู าลเพิม่ ขนึ้ เปน็ ต้น

เศรษฐมิตวิ ่าดว้ ยการทอ่ งเทยี่ ว 79 คำ�ถามท้ายบท 1. 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 ท่องเที่ยว บรรณานกุ รม อคั 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 81 Hylleberg, 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 4 การประมาณคา่ ความยดื หยนุ่ และการพยากรณ์อุปสงค์การทอ่ งเที่ยว บทนเี้ ปน็ การน�ำ เสนอแนวทางการประยกุ ต์ใชเ้ ศรษฐมติ สิ ำ�หรบั ศกึ ษาอปุ สงคก์ ารทอ่ งเทย่ี ว โดยแบง่ เนือ้ หาออกเปน็ 4 ตอน คือ ตอนที่ 1 เปน็ การทบทวนความรเู้ กี่ยวกับแบบจำ�ลองอปุ สงค์การท่องเทย่ี ว เพื่อวางพ้ืนฐานความเข้าใจเก่ียวกับแบบจำ�ลองอุปสงค์การท่องเท่ียวให้กับผู้อ่าน ส่วนตอนที่ 2 เป็นการ นำ�เสนอวิธีและแนวทางการประยุกต์ใช้เศรษฐมิติประมาณค่าความยืดหยุ่นของแบบจำ�ลองอุปสงค์ ทเ่ี ปน็ สมการเดย่ี ว (Single equation) ซ่งึ ครอบคลมุ ตั้งแตก่ ารทดสอบ Unit root, Co-integration และ การประมาณคา่ ความสมั พนั ธเ์ ชงิ ดลุ ยภาพระยะยาว รวมทงั้ การวเิ คราะหก์ ารเปลยี่ นแปลงโครงสรา้ งอปุ สงค์ ดว้ 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 รมเวลา แบบตัวแปรเดียว (Univariate) วิธี Combine forecasting ที่เป็นการรวมผลลัพธ์จากวิธีพยากรณ์ ท่แี ตกตา่ งกันเขา้ ดว้ ยกนั และแนวคิดของวิธี Hybrid forecasting ทเ่ี กิดจากประยุกต์ใช้แบบจำ�ลองบ็อกซ์ และเจนกินส์ กบั Artificial neural network (ANN) ในขณะทตี่ อนท่ี 4 เป็นกรณตี ัวอย่างแนวทางการพัฒนา แบบจำ�ลองเพื่อการพยากรณ์อุปสงค์การท่องเท่ียวไทย โดยนำ�เสนอแนวทางและข้ันตอนการพัฒนา แบบจ�ำ ลองพยากรณ์ 3 แบบจำ�ลอง คอื แบบจำ�ลองการวิเคราะหเ์ ส้นแนวโน้ม แบบจำ�ลอง ARIMA และ แบบจ�ำ ลอง SARIMA with intervention รวมทั้งตัวอยา่ งการอธบิ ายผลลัพธท์ ่ีได้จากการพยากรณ์ 4.1 แบบจำ�ลองอุปสงคก์ ารทอ่ งเทย่ี ว การศึกษาอุปสงค์การท่องเที่ยวเป็นหนึ่งในงานวิจัยด้านการท่องเที่ยวที่ได้รับความสนใจ และมี การเผยแพรเ่ พม่ิ ข้นึ อยา่ งตอ่ เนือ่ ง จากการส�ำ รวจของ Crouch (1994) พบว่า ระหวา่ งปี พ.ศ. 2504-2536 มงี านวจิ ยั เกย่ี วกบั อปุ สงคก์ ารทอ่ งเทยี่ วมากถงึ 120 เรอื่ ง จากงานวจิ ยั ดา้ นการทอ่ งเทย่ี วทง้ั หมด300 เรอ่ื ง หรือประมาณร้อยละ 40 ของงานวจิ ัยดา้ นการทอ่ งเทีย่ วทง้ั หมด ในขณะท่ี Song and Li (2008) พบวา่ ระหว่างปี พ.ศ. 2543-2550 (ระยะเวลา 8 ปี) มีงานวิจัยด้านอุปสงค์การท่องเท่ียวท่ีตีพิมพ์ในวารสาร นานาชาติถงึ 121 เรอื่ ง ขอ้ มูลดงั กลา่ วสะท้อนว่า การวจิ ยั /ศกึ ษา/พัฒนาแบบจ�ำ ลองอุปสงคก์ ารทอ่ งเท่ยี ว ไดร้ บั ความสนใจเพม่ิ ขน้ึ อยา่ งตอ่ เนอ่ื งในระดบั นานาชาตติ ลอดกง่ึ ศตวรรษทผ่ี า่ นมา เนอ่ื งจากการศกึ ษาอปุ สงค์ การทอ่ งเทย่ี วมคี วามส�ำ คญั ตอ่ การก�ำ หนดก�ำ ลงั การผลติ ของอตุ สาหกรรม หรอื การวางนโยบายพฒั นาอปุ ทาน ทส่ี อดคลอ้ งกบั ความตอ้ งการของอปุ สงค์ ในขณะทกี่ ารศกึ ษาขนาดและพฤตกิ รรมของนกั ทอ่ งเทย่ี วสามารถ ลดความไมแ่ นน่ อนของอปุ สงคก์ ารทอ่ งเทยี่ วได้ นอกจากนย้ี งั สามารถใชผ้ ลลพั ธท์ ี่ไดจ้ ากการศกึ ษาอปุ สงค์ ประเมินผลกระทบดา้ 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 พอื่ ใหไ้ ดแ้ บบจำ�ลองท่เี หมาะสม (Model fit) และมคี วามแมน่ ยำ� (Accuracy) ในการพยากรณ์ (หรือทีเ่ รียกว่า Ex-post forecast) มากกว่าการพัฒนาทฤษฎีอุปสงค์การท่องเท่ียว โดยสามารถแบ่งแนวทางการศึกษา ทผ่ี า่ นมาได ้ 2 แนวทาง คอื 1) การศกึ ษาเพอื่ ประมาณคา่ ความยดื หยนุ่ ของอปุ สงคก์ ารทอ่ งเทยี่ ว โดยเฉพาะ ค่าความยืดหยุ่นในระยะยาว ซึ่งมีประโยชน์ต่อการวางแผน/นโยบายส่งเสริม/รักษาตลาดนักท่องเท่ียว ทเี่ ปน็ กลมุ่ หลกั รวมทงั้ ทราบถงึ ผลกระทบของนโยบายทม่ี ตี อ่ ราคาการทอ่ งเทย่ี ว และ 2) การพฒั นาเทคนคิ การพยากรณ์ที่มุ่งเน้นความแม่นยำ�ในการพยากรณ์ การศึกษาตามแนวทางนี้มีประโยชน์ต่อการวางแผน/ นโยบายสำ�หรบั จัดการอปุ ทานใหส้ อดคล้องและเพียงพอกบั อปุ สงคท์ จ่ี ะเกดิ ขึ้นในอนาคต รวมท้งั ใช้คน้ หา ตลาดนักท่องเที่ยวท่ีมีศกั ยภาพในอนาคต วธิ ที นี่ ิยมใช้พัฒนาแบบจ�ำ ลองอุปสงค์การทอ่ งเทยี่ ว ไดแ้ ก่ วิธีวิเคราะห์ขอ้ มลู อนกุ รมเวลา (Time series analysis) เช่น การวิเคราะหเ์ สน้ แนวโนม้ (Linear time trend) วธิ บี อ็ กซแ์ ละเจนกินส์ (Box and Jenkins) ทงั้ วิธี Autoregressive integrated moving average (ARIMA) และ Seasonal autoregressive integrated moving average (SARIMA) เป็นตน้ วิธีเศรษฐมติ ิ (Econometrics) เช่น Error correction model (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 with intervention, ARIMAX, FARIMA เปน็ ตน้ และที่ไม่ใชว่ ธิ สี ถติ ิ เชน่ Artificial neural network (ANN) เปน็ ตน้ อย่างไรก็ตามวธิ ี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 พยากรณ์ ไปในอนาคต (Ex-ante forecast) และเพ่ือนำ�เสนอแบบจำ�ลองท่ีเหมาะสมและสอดคล้องกับข้อมูล เชิงประจักษ์ (Model fit) ต่อมาหลังปี พ.ศ. 2540 มีการศึกษาจำ�นวนมากให้ความสนใจกับการพัฒนา แบบจำ�ลองท่ีเน้นความแม่นยำ�ในการพยากรณ์ หรือเรียกว่า Ex-post forecast เช่น Combine forecasting, Hybrid forecasting เปน็ ต้น ในการพัฒนาแบบจำ�ลองอุปสงค์การท่องเท่ียวควรให้ความสำ�คัญกับวัตถุประสงค์หรือเป้าหมาย ของการน�ำ มาใชเ้ ปน็ อนั ดบั แรก โดยทวั่ ไปสามารถแบง่ แนวทางการพฒั นาหรอื วตั ถปุ ระสงคข์ องการพฒั นา แบบจำ�ลองอุปสงค์การท่องเท่ียวออกเป็น 3 แนวทาง คือ 1) การพัฒนาแบบจำ�ลองเพ่ือให้สอดคล้อง หรือเหมาะสมกับข้อมูลเชิงประจักษ์ (Model fit) 2) การพัฒนาแบบจำ�ลองเพื่อพยากรณ์ไปในอนาคต (Ex-ante forecast) และ 3) การพัฒนาแบบจำ�ลองเพื่อให้มีความแม่นยำ�ในการพยากรณ์มากท่ีสุด (Ex-post forecast) ดังแสดงในรปู ที่ 4.1

เศรษฐมติ ิว่าด้วยการท่องเที่ยว 85 รูปท่ี 4.1 วตั ถุประสงค์หรือเปา้ หมายของการพัฒนาแบบจ�ำ ลองอุปสงค์การท่องเท่ยี ว Model Fit T1 T0 T1 T2 Ex-ante T0 T’1 T1 คา พยากรณ Ex-ante T0 ขอ มูลจรง� นอกจากการศึกษาเพื่อการพยากรณ์แล้วมีการศึกษาจำ�นวนหน่ึงให้ความสนใจกับการค้นหาปัจจัย ทเี่ ปน็ ตวั ก�ำ หนดอปุ สงคก์ ารทอ่ งเทย่ี ว โดยใชว้ ธิ เี ชงิ ปรมิ าณคน้ หาปจั จยั ทสี่ ามารถอธบิ ายรปู แบบพฤตกิ รรม ของอุปสงคภ์ ายใต้ทฤษฎหี รือกรอบแนวคดิ ทางเศรษฐศาสตร์ หรือการศึกษาความสมั พนั ธ์ระหวา่ งอุปสงค์ การท่องเท่ียวกับปัจจัยที่เป็นตัวกำ�หนดอุปสงค์ สามารถแสดงแบบจำ�ลองอุปสงค์การท่องเท่ียวท่ัวไป ไดด้ ังนี้ TD = 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�หรับวิเคราะห์ อุปสงคก์ ารท่องเท่ียวในกรณหี ลายตวั แปร (Multivariate models of tourism demand) และเป็นการศึกษา ความสัมพันธ์ระหว่างอุปสงค์การท่องเที่ยวกับปัจจัยที่เป็นตัวกำ�หนดอุปสงค์การท่องเท่ียว โดยท่ัวไป มีลกั 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�นวนคืนพกั อยา่ งไรกต็ ามการศกึ ษาทผี่ า่ นมานยิ มใชจ้ �ำ นวนนกั ทอ่ งเทย่ี วเปน็ ตวั แทน (Proxy) อปุ สงคข์ องนกั ทอ่ งเทย่ี ว ต่างชาติ ส่วนรายได้ของนักท่องเที่ยวต่างชาตินิยมใช้ผลิตภัณฑ์มวลรวมประชาชาติ (Gross domestic product: 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 แทนรายได้ เนอื่ งจากสามารถสะทอ้ นอ�ำ นาจซอ้ื /ก�ำ ลงั ซอื้ ทแ่ี ทจ้ รงิ ของแตล่ ะประเทศไดด้ กี วา่ การใช้GDP ในขณะทก่ี ารใช้ GDP สามารถครอบคลุมและสะท้อนผลของการเปลี่ยนแปลงรายได้ต่อหัวและการเพ่ิมขึ้นของประชากร ไดด้ กี ว่า GDP per capita สำ�หรับราคาการทอ่ งเท่ยี ว (Pd) นยิ มใช้ราคาเปรียบเทยี บ (Relative price) เป็นตัวแทน เนอ่ื งจาก เป็นราคาท่ีสะท้อนค่าครองชีพ (Cost of living) ที่นักท่องเท่ียวต่างชาติใช้จ่ายเม่ือเดินทางมาท่องเท่ียว ในแหลง่ 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 โดยมีสูตร การค�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�นวณท่ีมีการ ถ่วงน้าํ 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