การพยากรณ์หนี้ครัวเรือนไทยด้วยข้อมูลต่างความถี่จาก Google Trends

การศึกษานี้มีวัตถุประสงค์เพื่อนำข้อมูลที่เผยแพร่อยู่ในอินเตอร์เน็ตมาวิเคราะห์ความสัมพันธ์และพยากรณ์หนี้ครัวเรือนไทย โดยเลือกใช้ข้อมูลจาก Google Trends ที่เกิดจากพฤติกรรมการค้นหาคำที่เกี่ยวข้องกับการเป็นหนี้ของครัวเรือนผ่านเว็บไซต์ Google จำนวน 18 คำได้แก่ คำว่า “รีไฟแนนซ์” “สินเชื่อส่วนบุคคล” “สินเชื่อเงินสด” “บัตรกดเงินสด” “หนี้บัตรเครดิต” “ผ่อน” “จำนำทะเบียนรถ” “เป็นหนี้” “เงินด่วน” “ไม่มีเงิน” “ติดหนี้” “กู้เงิน” “กู้ด่วน” “กู้นอกระบบ” “หนี้นอกระบบ” “หนีหนี้” “เงินชดเชย” และ “ยืมเงิน” ซึ่งเป็นข้อมูลรายเดือนตั้งแต่เดือน มกราคม ปี พ.ศ. 2556 ถึง ธันวาคม ปี พ.ศ. 2565 จำนวน 120 เดือน โดยใช้วิธีการวิเคราะห์องค์ประกอบหลัก (Principal Component Analysis: PCA) เพื่อลดจำนวนตัวแปรให้เหลือตัวแปรเดียวสำหรับนำไปสร้างแบบจำลองพยากรณ์หนี้ครัวเรือนไทยใน 3 รูปแบบ ได้แก่ แบบจำลองพื้นฐานที่ใช้หนี้ครัวเรือนเพียงอย่างเดียว แบบจำลองที่ใช้หนี้ครัวเรือนร่วมกับตัวแปรองค์ประกอบหลักของ Google Trends รายไตรมาส และแบบจำลอง MIDAS ที่ใช้ตัวแปรหนี้ครัวเรือนซึ่งเป็นความถี่รายไตรมาสร่วมกับข้อมูลรายเดือนของตัวแปรองค์ประกอบหลักของ Google Trends โดยพิจารณาทั้ง 2 กรณีคือตัวแปรตามที่เกิดจากการใช้ผลต่างระหว่างไตรมาสเดียวกัน (Year on Year) และผลต่างระหว่างไตรมาส (Quarter on Quarter) รวมทั้งสิ้น 6 แบบจำลอง โดยวัดความสามารถการพยากรณ์จากค่าสัมบูรณ์ของความคลาดเคลื่อน (Mean Absolute Error : MAE) และค่าเฉลี่ยของร้อยละความผิดพลาดสัมบูรณ์ (Mean Absolute Percentage Error : MAPE)ผลการศึกษาพบว่าข้อมูล Google Trends เกือบทั้งหมดมีความสัมพันธ์ไปในทิศทางเดียวกันกับข้อมูลหนี้ครัวเรือนไทยตามสมมติฐาน โดยมีข้อมูล 12 ชุด ได้แก่ ชุดข้อมูลของคำว่า "เป็นหนี้" "ยืมเงิน" "ผ่อน" "ไม่มีเงิน" "เงินด่วน" "ติดหนี้" "รีไฟแนนซ์" "กู้ด่วน" "สินเชื่อส่วนบุคคล" "เงินชดเชย" "กู้เงิน" และ "หนีหนี้" ที่มีความสัมพันธ์ระหว่างตัวแปรกันเองในช่วง 0.474 - 0.947 ซึ่งเหมาะสมในการรวมชุดตัวแปรด้วย PCA โดยเลือกองค์ประกอบหลักที่ได้ค่า Eigenvalue สูงที่สุดจากทั้งข้อมูลรายเดือนและข้อมูลไตรมาสเป็นตัวแปรที่นำไปใช้ในการสร้างแบบจำลองซึ่งจะถูกปรับให้อยู่ในรูปของผลต่างลำดับที่ 1 และลำดับที่ 4 อันได้แก่ ผลต่างรายเดือน (Month on Month) ผลต่างรายไตรมาสกับไตรมาสก่อนหน้า (Quarter on Quarter) และผลต่างไตรมาสกับไตรมาสเดียวกันในปีก่อนหน้า (Year on Year) ในส่วนของการพยากรณ์ พบว่าแบบจำลองที่ใช้เทคนิค MIDAS ซึ่งใช้ตัวแปรผลต่างที่เทียบระหว่างไตรมาสเดียวกันในปีก่อนหน้าของหนี้ครัวเรือนร่วมกับตัวแปรผลต่างระหว่างเดือนขององค์ประกอบหลักของ Google trends เป็นแบบจำลองที่ประสิทธิภาพมากที่สุด จากการพิจารณาค่า MAE และ MAPEการศึกษานี้แสดงให้เห็นว่าแบบจำลองที่มีการใช้ข้อมูล Google Trends ร่วมในการพยากรณ์หนี้ครัวเรือนไทยสามารถลดความคาดเคลื่อนจากการพยากรณ์ลงได้ รวมถึงการใช้ข้อมูลความถี่สูงในการสร้างแบบจำลองด้วยเทคนิค MIDAS ช่วยเพิ่มประสิทธิภาพในการพยากรณ์มากยิ่งขึ้น