รายงานการศึกษาค่าคาดการณ์อัตราการว่างงานของประเทศไทย

32 ให้ค่าเฉลี่ยความคลาดเคลื่อนกำลังสองต่ำที่สุด โดยต่ำกว่าแบบจำลอง ARIMA ที่ประมาณการอัตรา การว่างงานที่ร้อยละ 1.0 ถึง 1.1 เนื่องจากคนส่วนใหญ่ให้ความสนใจในการค้นหาคำว่า “เราไม่ทิ้ง กัน” มากที่สุดในช่วงเวลาดังกล่าว แต่ภายหลังที่มาตรการเยียวยาสิ้นสุดลง กอรปกับสถานการณ์ทาง เศรษฐกิจที่ชะลอตัวลง ภาคธุรกิจได้รับผลกระทบมากขึ้น ประชาชนจึงให้ความสนใจในการค้นหาคำ ว่า “สมัครงาน” และ “หางาน” มากยิ่งขึ้น ตั้งแต่เดือนมิถุนายนเป็นต้นมา ทั้งนี้ แม้ว่าแบบจำลอง กำลังสองน้อยที่สุดประมาณการอัตราการว่างงานไตรมาสที่สอง 2563 ที่ร้อยละ 1.0[2] ต่ำกว่าอัตรา การว่างงานไตรมาสที่สองที่สำนักงานสถิติแห่งชาติเผยแพร่ ที่ร้อยละ 2.0 หรือมีผู้ว่างงานจำนวน 7.45 แสนคน จากจำนวนแรงงาน 38.17 ล้านคน และมีผู้มีงานทำ ซึ่งขณะนี้ไม่ได้ทำงานและไม่ได้รับ เงินเดือน แต่มีงานที่จะกลับไปทำจำนวน 2.08 ล้านคน หากแต่การมีข้อมูลเบื้องต้นที่มีความถี่เป็นราย เดือน ก็มีส่วนช่วยให้ติดตามภาวะเศรษฐกิจได้อย่างทันท่วงที อย่างไรก็ดี การนำข้อมูลปริมาณการ ค้นหาจาก Google Trends มาใช้ จำเป็นต้องมีความระมัดระวังในการคัดเลือกคำค้นหา การเลือกคำ ที่แตกต่างกัน หรือคำเดียวกัน แต่คนละช่วงเวลา ผลลัพธ์ก็จะมีความแตกต่างกัน 2.4.3 การพยากรณ์การว่างงานในต่างประเทศ จากการทบทวนวรรณกรรมที่เกี่ยวข้องกับการพยากรณ์อัตราการว่างงานในบริบทของ ต่างประเทศ พบว่าเทคนิคการพยากรณ์และผลการศึกษาที่น่าสนใจ กล่าวคือ Dritsakis Nikolaos และคณะ ( 2561 ) ศึกษาการพยากรณ์อัตราการว่างงานของประเทศกรีซ โดยใช้ข้อมูลอัตราการ ว่างงานรายปีจากธนาคารแห่งชาติกรีซ ตั้งแต่ปี พ.ศ. 2503 ถึงปี พ.ศ. 2556 เพื่อพยากรณ์อัตราการ ว่างงานล่วงหน้า 3 ปี คือ ปี พ.ศ. 2557 ถึงปี พ.ศ. 2559 และพยากรณ์ข้อมูลอนุกรมเวลาดังกล่าว ด้วยวิธีบอกซ์-เจนกินส์ ( Box - Jenkins method ) ผลการศึกษาพบว่าตัวแบบที่เหมาะสมที่สุดสำหรับ การพยากรณ์อัตราการว่างงานของประเทศกรีซในช่วงเวลาที่ดำเนินการศึกษา คือตัวแบบ ARIMA ( 1,2,1 ) Xitao Liu และ Lihui Li (2565) ศึกษาการพยากรณ์อัตราการว่างงานโดยใช้แบบจำลอง อนุกรมเวลาและแบบจำลองโครงข่ายประสาทเทียม ( Neural Network ) โดยใช้ข้อมูลอัตราการ ว่างงานจากการจดทะเบียนในเขตเมือง และข้อมูลขนาดใหญ่ ( Big Data ) ในการสร้างแบบจำลอง โครงข่ายประสาทเทียม เช่น ข้อมูลการจัดหางานบนอินเตอร์เน็ต ข้อมูลบนโซเชียลมีเดีย และข้อมูล การค้นหางาน เป็นต้น ซึ่งเป็นการศึกษาการพยากรณ์ด้วยการผนวกวิธีสถิติแบบดั้งเดิม ( Traditional Statistical ) เข้ากับวิธีการเรียนรู้ของเครื่อง ( Machine Learning ) เพื่อสร้างแบบจำลองพยากรณ์ อัตราการว่างงานของประเทศจีน โดยในขั้นแรกเป็นการพยากรณ์จำนวนผู้ว่างงานและอัตราการ ว่างงานในประเทศจีนโดยใช้โครงข่ายประสาทเทียมแบบ Two - Weight และแบบจำลองอนุกรมเวลา ด้วยตัวแบบ ARIMA หลังจากนั้นจึงนำผลจากการพยากรณ์ที่ ได้จากสองวิธีมาถ่วงน้ำหนัก เพื่อ พยากรณ์จำนวนผู้ว่างงานและอัตราการว่างงานในประเทศจีนต่อไป Christos Katris ( 2562 ) ศึกษาการพยากรณ์อัตราการว่างงานด้วยวิธีอนุกรมเวลาและวิธีการ เรียนรู้ของเครื่อง ( Machine Learning ) ใน 22 ประเทศ โดยใช้ข้อมูลการว่างรายเดือนจาก Eurostat Database เพื่อศึกษาและเปรียบเทียบตัวแบบในการพยากรณ์ทั้งหมด 7 ตัวแบบ ได้แก่ ARIMA, FARIMA, ARIMA / GARCH, Holt - Winters, Artificial Neural Networks ( ANN ) , Support Vector Regression ( SVR ) และ ตั วแปรพหุ การถดถอยแบบปรั บ Splines ( Multivariate Adaptive