แบบจำลองการพยากรณ์ราคาสุกรมีชีวิตในประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิจัยนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองการพยากรณ์ราคาสุกรมีชีวิตในประเทศไทย โดยใช้ข้อมูลอนุกรมเวลารายเดือน ตั้งแต่เดือนมกราคม พ.ศ. 2558 ถึงเดือนธันวาคม พ.ศ. 2567 รวมจำนวน 120 เดือน การศึกษาครั้งนี้ การวิเคราะห์ใช้แนวทาง Box-Jenkins ร่วมกับแบบจำลอง ARIMAX (Autoregressive Integrated Moving Average with Exogenous Variables) ตัวแปรอิสระภายนอก ประกอบด้วย ราคาน้ำมันดีเซล ราคาลูกพันธุ์สุกร ราคาอาหารสำเร็จรูป ราคาวัคซีน และดัชนีราคาผู้บริโภค ตัวแปรตาม คือ ราคาสุกรมีชีวิตในประเทศไทย มีขั้นตอนการดำเนินงาน 4 ขั้นตอน คือ 1) การตรวจสอบความนิ่งของข้อมูล 2) การตรวจสอบความสัมพันธ์ระหว่างตัวแปรอิสระ 3) การกำหนดและประมาณค่าแบบจำลอง ARIMAX และ 4) การตรวจสอบความเหมาะสมและประเมินความแม่นยำ ผลการวิจัยพบว่า ราคาสุกรมีชีวิตมีค่าเฉลี่ย 72.764 บาทต่อกิโลกรัม ราคาลูกพันธุ์สุกรมีความผันผวนสูงสุดในกลุ่มตัวแปรอิสระ (CV = ร้อยละ 30.617) รองลงมา คือ ราคาวัคซีน (CV = ร้อยละ 22.135) ผลการวิเคราะห์แบบจำลอง ARIMAX (1,0,0) มีความเหมาะสมสูงสุด โดยมีค่า AIC = -340.909 และ BIC = -318.676 ต่ำที่สุด ส่วนการวิเคราะห์ปัจจัยที่มีอิทธิพลต่อราคาสุกรมีชีวิต ได้แก่ ปัจจัยราคาลูกพันธุ์สุกรและราคาวัคซีนมีอิทธิพลเชิงบวกต่อราคาสุกรมีชีวิตอย่างมีนัยสำคัญทางสถิติที่ระดับ .01 ส่วนปัจจัยด้านราคาน้ำมันดีเซล ราคาอาหารสำเร็จรูป และดัชนีราคาผู้บริโภค ไม่มีอิทธิพลต่อราคาสุกรมีชีวิต ผลการวิเคราะห์ค่าความแม่นยำของแบบจำลองอยู่ในระดับดีมาก (MAPE = ร้อยละ 4.059) และผลการพยากรณ์ชี้ว่าราคาสุกรมีชีวิตในปี พ.ศ. 2568 มีแนวโน้มเพิ่มขึ้นอย่างค่อยเป็นค่อยไป จาก 78.58 บาทต่อกิโลกรัมในเดือนมกราคม เป็น 81.32 บาทต่อกิโลกรัมในเดือนธันวาคม
Article Details
เอกสารอ้างอิง
ทิพศรัณย์ เจาสี และคณะ. (2565). การพยากรณ์ราคาสุกรมีชีวิตของประเทศไทยด้วยวิธีบอกซ์-เจนคินส์. วารสารเกษตรนเรศวร, 19(2), 1-12.
พิมพ์ชนก เกียรติธีรชัย. (2565). โมเดลธุรกิจอัจฉริยะเพื่อการพยากรณ์ราคาเนื้อสุกรในประเทศไทย. ใน วิทยานิพนธ์วิทยาศาสตร์มหาบัณฑิต สาขาวิชาการบริหารเทคโนโลยี. วิทยาลัยนวัตกรรม มหาวิทยาลัยธรรมศาสตร์.
ศูนย์วิจัยกสิกรไทย. (2568). แนวโน้มอุตสาหกรรมเนื้อสุกรไทย (Update). เรียกใช้เมื่อ 19 มีนาคม 2568 จาก https://www.kasikornresearch.com/th/analysis/k-social-media/Pages/Pork-Industry-IAO124-FB-2025-03-19.aspx
อรอุมา ทองหล่อ และคณะ. (2564). การประยุกต์ใช้วิธีการวิเคราะห์อนุกรมเวลาในการพยากรณ์ราคาสุกรพันธุ์ลูกผสมของประเทศไทย. วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ (สาขาวิทยาศาสตร์และเทคโนโลยี), 13(26), 121-133.
Anggraeni, W. et al. (2019). Forecasting the price of Indonesia’s rice using hybrid artificial neural network and autoregressive integrated moving average with exogenous variables. Procedia Computer Science, 161, 677-686. https://doi:10.1016/j.procs.2019.11.171.
Box, G. E. P. et al. (2015). Time series analysis: Forecasting and control. (5th ed.). New Jersey: John Wiley & Sons.
Cui, Y. (2016). The study of prediction of hog price in China. Italy: Istat & FAO.
Dickey D. A. & Fuller W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49(4), 1057-1072.
Hua, J. et al. (2024). The fluctuation of pig prices and the identification of major drivers in China. PLOS ONE, 19(11), e0313982. https://doi.org/10.1371/journal.pone.0313982.
Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and practice. (3rd ed.). Melbourne: OTexts.
Kiattiteerachai, P. & Khongmalai, O. (2023). A study of factors affecting price forecasting in the pork supply chain in Thailand. Suan Dusit Graduate School Academic Journal, 19(1), 147-163.
Liu, X. et al. (2025). Decomposition-reconstruction-optimization framework for hog price forecasting: Integrating STL, PCA, and BWO-optimized BiLSTM. PLOS ONE, 20(6), 1-29, e0324646. https://doi.org/10.1371/journal.pone.0324646.
MacLachlan, M. et al. (2025). Adaptive food price forecasting improves public information in times of rapid economic change. Nature Communications, 16, 1-14. https://doi.org/10.1038/s41467-025-61660-x.
Mason-D’Croz, D. et al. (2020). Modelling the global economic consequences of a major African swine fever outbreak in China. Nature Food, 1(4), 221-228.
Qin, J. et al. (2023). A pork price prediction model based on a combined Sparrow Search Algorithm and Classification and Regression Trees model. Applied Sciences, 13(23), 1-23.
Sun, C. et al. (2024). A study on agricultural commodity price prediction model based on secondary decomposition and long short-term memory network. Agriculture, 14(1), 1-21.
