ตัวแบบพยากรณ์ปริมาณการส่งออกมะม่วงของประเทศไทย: Forecasting Model for Mango Export Volumes of Thailand

Boonyarit Choopradit; Saowapa Chaipitak

Authors

Boonyarit Choopradit Faculty of Science and Industrial Technology, Prince of Songkla University
Saowapa Chaipitak Faculty of Science, Kasetsart University

Keywords:

บอกซ์-เจนกินส์, วิธีโฮลต์-วินเตอร์, วิธีแยกตัวประกอบ, ปริมาณการส่งออกมะม่วง, Box-Jenkins, Holt-Winters method, Decomposition method, Mango export volumes

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างตัวแบบพยากรณ์ที่เหมาะสมกับอนุกรมเวลาปริมาณการส่งออกมะม่วงรายเดือนของประเทศไทย โดยใช้ข้อมูลจากสำนักงานเศรษฐกิจการเกษตร กรมส่งเสริมการเกษตร กระทรวงเกษตรและสหกรณ์ ตั้งแต่เดือนมกราคม พ.ศ. 2550 ถึงเดือนธันวาคม พ.ศ. 2559 จำนวนทั้งสิ้น 120 ค่า โดยแบ่งข้อมูลออกเป็น 2 ส่วน ส่วนแรกร้อยละ 90 และส่วนหลังร้อยละ 10 โดยส่วนแรกนำมาสร้างตัวแบบพยากรณ์ด้วยวิธีการพยากรณ์ 3 วิธีได้แก่ วิธีแยกองค์ประกอบ วิธีโฮลต์-วินเตอร์ และวิธีบอกซ์-เจนกินส์ และส่วนหลังนำมาตรวจสอบความถูกต้องของค่าพยากรณ์ โดยใช้เกณฑ์ค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยและเกณฑ์ค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ยต่ำที่สุด ผลจากการวิจัยพบว่าวิธีบอกซ์-เจนกินส์เป็นวิธีที่มีความถูกต้องมากที่สุดโดยมีตัวแบบเป็น SARIMA(0,1,2)(0,1,1)₁₂

The objective of this research was to construct the most suitable forecasting model for the monthly mango export volumes of Thailand. The monthly export volumes were gathered from the Office of Agricultural Economics, Department of Agricultural Extension, Ministry of Agriculture and Cooperatives from January 2007 to December 2016 (120 values) and divided into two parts (90% and 10%). The first part was applied for constructing the forecasting models by three methods consisting of decomposition, Holt-Winters and Box-Jenkins methods. The second part was used for comparing the accuracy of the forecasts by considering the mean absolute percentage error (MAPE) and root mean squared error (RMSE). The results have been shown that Box-Jenkins is the best method to predict the mango export volumes with the lowest MAPE and RMSE and the appropriate forecasting model is SARIMA(0,1,2)(0,1,1)₁₂.

References

Abraham, B., & Ledolter, J. (1983). Statistical Method for Forecasting. New York: John Wiley & Sons.

Bowerman, B. L., & O’Connell, R. T. (1993). Forecasting and Time Series: An Applied Approach (3rd ed.). California: Duxbury Press.

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2016). Time series analysis: forecasting and control (5th ed.). New Jersey: John Wiley & Sons.

Bureau of Farmers Development. (2017). The situation of agricultural production and export of Thailand. Retrieved from http://www.farmdev. doae.go.th/data/4-h/NewFarmers2013/0527-302 013Smart%20Farmer/

Kaewhawong, N. (2013). A comparison of Pegels, ARIMA and Pegels-ARIMA hybrid models in forecasting Thailand’s mango export value. Science and Technology Journal, 21(6), 578-593.

Ket-iam, S. (2005). Forecasting technique (2nd ed.). Songkla: Thaksin University.

Office of Agricultural Economics. (2017). Export volume of mango. Retrieved from http:// www.oae.go.th/oae_report/export_import/export.php

Riansut, W. (2016). Forecasting model for the export values of rubber wood and furniture of Thailand. Naresuan University Journal: Science and Technology, 24(3), 108-122.

Riansut, W., & Nisan, N. (2017). Forecasting the export volume of processed chicken. Naresuan University Journal: Science and Technology, 25(2), 140-152.

Sopipan, N. (2015). Statistical model for forecasting rain fall in Nakhon Ratchasima province. Naresuan University Journal: Science and Technology, 23(2), 56-65.

Taesombat, S. (2006). Quantitative Forecasting. Bangkok: Kasetsart University.