การพยากรณ์ความต้องการแรงงานในอาชีพงานพื้นฐาน โดยใช้เทคนิคห่วงโซ่มาร์คอฟ
คำสำคัญ:
การพยากรณ์, ตัวแบบห่วงโซ่มาร์คอฟ, ระดับอันตรภาคชั้น, ความคลาดเคลื่อนเฉลี่ยสัมบูรณ์บทคัดย่อ
งานวิจัยนี้เป็นการศึกษาหารูปแบบของการพยากรณ์ด้วยตัวแบบห่วงโซ่มาร์คอฟของข้อมูลจำนวนความต้องการแรงงานในอาชีพงานพื้นฐานของตลาดแรงงานในประเทศไทย ด้วยการนำข้อมูลจากจำนวนความต้องการแรงงานในอดีตมาทำการวิเคราะห์ลักษณะของข้อมูลเพื่อสร้างตัวแบบการพยากรณ์ที่เหมาะสมที่สุด โดยผู้วิจัยดำเนินการเก็บรวบรวมข้อมูลจากกรมการจัดหางาน กระทรวงแรงงานถึงจำนวนความต้องการแรงงานและจำนวนผู้ลงทะเบียนสมัครงานโดยจำแนกตามอาชีพในประเทศไทยตั้งแต่มกราคม พ.ศ. 2559 จนถึงธันวาคม พ.ศ. 2566 รวมทั้งสิ้นเป็น 96 เดือน พบว่าในอาชีพงานพื้นฐานนั้นมีความขาดแคลนบุคลากรสูงที่สุดซึ่งคิดเป็นร้อยละ 43.08 ของความขาดแคลนบุคลากรทั้งหมดที่เกิดขึ้น ผู้วิจัยจึงมีแนวคิดในการสร้างแบบจำลองที่ใช้ในการพยากรณ์ความต้องการแรงงานในอาชีพงานพื้นฐานของตลาดแรงงานในประเทศไทย เพื่อนำมาวางแผนการผลิตบุคลากรและกำลังแรงงานของธุรกิจให้มีความสอดคล้องกับความต้องการของตลาดแรงงานในอนาคตได้อย่างมีประสิทธิภาพ โดยข้อมูลความขาดแคลนแรงงานมีการเปลี่ยนแปลงอย่างรวดเร็วในช่วงเวลาตั้งแต่ปี พ.ศ. 2563 เป็นต้นไป เนื่องจากทั่วโลกมีสถานการณ์การแพร่ระบาดโควิด-19 ซึ่งทำให้เกิดปัญหาเกี่ยวกับความขาดแคลนแรงงานในอุตสาหกรรม ผู้วิจัยจึงแบ่งชุดข้อมูลออกเป็น 2 ชุด เพื่อทำการพยากรณ์เปรียบเทียบระหว่างข้อมูลทั้ง 2 ชุด โดยข้อมูลชุดที่ 1 มีขนาดข้อมูลเป็น 96 เดือน และข้อมูลชุดที่ 2 มีขนาดข้อมูลเป็น 48 เดือน โดยในแต่ละชุดข้อมูลจะประกอบไปด้วยตัวแบบจำลองในการพยากรณ์ด้วยห่วงโซ่มาร์คอฟเพื่อวิเคราะห์หาจำนวนความต้องการแรงงานทั้งหมด 5 ตัวแบบ จำนวน 3 ช่วงเวลา (ตั้งแต่ปี พ.ศ. 2564 ถึงพ.ศ. 2566) และกำหนดจำนวนอันตรภาคชั้นเป็น 10, 15, 20, 25 และ 30 ตามลำดับ เมื่อพิจารณาในแต่ละชุดข้อมูลพบว่าข้อมูลชุดที่ 1 มีค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยที่สูงกว่าข้อมูลชุดที่ 2 เนื่องจากข้อมูลชุดที่ 1 มีลักษณะผันผวนโดยจำนวนความต้องการแรงงานในช่วงแรกต่ำและเมื่อเวลาผ่านไปจึงมีแนวโน้มเพิ่มสูงขึ้น จึงทำให้การพยากรณ์ ณ ชุดข้อมูลดังกล่าวให้ค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยสูงซึ่งแตกต่างจากข้อมูลชุดที่ 2 ที่มีลักษณะผันผวนน้อยกว่าโดยจำนวนความต้องการแรงงานมีแนวโน้มเพิ่มสูงขึ้นตามลำดับจึงทำให้การพยากรณ์ ณ ชุดข้อมูลดังกล่าวให้ค่า เปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยต่ำกว่า อีกทั้งการแบ่งอันตรภาคชั้นที่ระดับแตกต่างกันมีผลทำให้ค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยที่แตกต่างกันด้วย โดยเมื่อทำการแบ่งอันตรภาคชั้นที่เพิ่มขึ้นพบว่าค่าความแม่นยำจะดีขึ้นตามลำดับ โดยอันตรภาคชั้นที่ดีที่สุดสำหรับข้อมูลทั้ง 2 ชุดนี้มีค่าเท่ากับ 30 อันตรภาคชั้น โดยข้อมูลชุดที่ 1 มีค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยเท่ากับ 17.84% และสำหรับข้อมูลชุดที่ 2 มีค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยเท่ากับ 9.44%
References
Unseri, K. (2554). ASEAN Economic Community. Institute of Damrong Rajanupab Documents, (15th ed.). http://www.stabundamrong.go.th/web/book54.html. (in Thai)
Sumanat, K. (2017). Stochastic Petri Net to Markov Chain Conversion [Unpublished master's thesis]. Chulalongkorn University. (in Thai)
Bureau of Data Management and Statistics, Strategic and Planning Division, Department of Employment. (2023). Labor Statistics 2023. Department of Employment, Ministry of Labor, (8th ed.).https://lib.doe.go.th. (in Thai)
Labor Statistics Group, Social Statistics Bureau, National Statistical Office. (2022). Impact of COVID-19 Pandemic on Employment Survey. (6th ed.). https://www.nso.go.th/sites/Full_report_covid (in Thai)
Kasemsub, W. (2021). Is Thailand Ready for an Aged Society? Office of Organizational Communication, General Administration Division, Mahidol University. https://op.mahidol.ac.th/ga/posttoday-22-2/#. (in Thai)
Phumkesorn, P. (2019). Forecasting the Price of RSS3 Rubber Using Markov Chain Models. Journal of King Mongkut's University of Technology North Bangkok, 29(1), 34-45. https://DOI:10.14416/j.kmutnb.2018.11.008. (in Thai)
Wichachai, P. (1983). Forecasting the Labor Demand in Thailand’s Automobile Manufacturing Industry [Unpublished master's thesis]. Chulalongkorn University. (in Thai)
Riansut, W. (2016). Forecasting Unemployment Rate in Thailand. Journal of Science and Technology, Naresuan University, 24(1), 102–114. https://www.thaiscience.info/Journals/Article/NUST/10981784.pdf (in Thai)
Usahakit, V. (2021). Forecasting Unemployment Rates in Thailand. In A. Sawatsathithi (Ed.), National Research Conference on Science and Technology (NCST) 2021 (pp. 324–329). Graduate School, Chandrakeasem Rajabhat University. https://sci.chandra.ac.th/ncst2021/jdownloads/99/3/9.P-63.pdf (in Thai)
Jaijit, S. (2015). Prioritizing Medicines with Multi-Criteria Decision Models Using Markov Chains: A Case Study of a Pharmaceutical Distributor in Thailand. Journal of Engineering, Siam University, 15(2), 13–23. (in Thai)
Chaiaphorn, N. (1998). Markov Chain Processes and Applications [Unpublished master's thesis]. Chiang Mai University. https://ph01.tci-thaijo.org/index.php/IT_Journal/article/view/74103/59826. (in Thai)
Vithayaprakorn, A. (2017). Analyzing Gold Price with Markov Chain Methods. Journal of Industrial Technology, King Mongkut's University of Technology North Bangkok, 13(3), 48–58. (in Thai)
Beaumont, C., et al. (1978). Forecasting Methods and Applications. (2nd ed.) America: Carolyn Geiger.
Eroglu, M., & Servi, T. (2012). A New Approach for Determining Number of Clusters. Pakistan Journal of Statistics, 28(1), 141–158. https://www.researchgate.net/publication/263747242
Lian, Z., et al. (2019). A perishable inventory model with Markovian renewal demands. International Journal of Production Economics, 121(1), 176–182.
Vidyadhar, G. Kulkarni. (2009). Modeling and Analysis of Stochastic Systems. (2nd ed.) CRC Press Taylor&Francis group.
Voskoglou MGr. (2016). Applications of finite Markov chain models to management. American Journal of Computational and Applied Mathematics, 6(1), 7–13.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2024 วารสารพัฒนาธุรกิจและอุตสาหกรรม
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.