Page 41 - 60 ปี สศค
P. 41
3.2 การว่เคราะห์เชั่งนโยบายข็องมีาต้รการชั่มีชั้อป้ใชั้
สิำหรับมีาตรการช่ิมีช่้อปใช่้ จัดว่าเป็นมีาตรการแรก ๆ ในการกระต่้นเศรษฐกิจในการจับจ่ายแลัะการท่องเที�ยวที�เป็นที�น่าสินใจมีากจากประช่าช่น
การวิเคราะห์ขึ้้อมีูลัขึ้องผู้ใช่้จ่ายในโครงการทั�ง 3 Phase ที�ทางภาครัฐจัดให้นั�น สิามีารถนำมีาวิเคราะห์ในมี่มีต่าง ๆ ทำให้เห็นบริบทขึ้องการจับจ่าย
ได้ช่ัดเจนขึ้้�น โดยมีีผู้เขึ้้าร่วมีโครงการประมีาณ 12 ลั้านคน สิ่วนใหญ่จะมีีพฤติกรรมีการจ่ายในสิินค้าอ่ปโภคบริโภคที�เป็นสิิ�งจำเป็น ซึ่้�งขึ้้อมีูลัเมี็ดเงิน
การใช่้จ่ายภายใต้มีาตรการช่ิมีช่้อปใช่้สิามีารถจำแนกออกได้ตามีจังหวัด การศ้กษา เพศแลัะช่่วงอาย่ รวมีถ้งอาช่ีพขึ้องผู้ใช่้จ่าย ดังภาพที� 4
ทั�งนี� กระทรวงการคลัังแถลังว่า การใช่้จ่ายผ่าน G-Wallet ช่่องที� 1 (เงินสินับสิน่นจาก
ภาครัฐ 1,000 บาท) จำนวน 11,671.8 ลั้านบาท แลัะการใช่้จ่ายผ่าน G-Wallet
ช่่องที� 2 จำนวน 17,148.1 ลั้านบาท ซึ่้�งเป็นเงินขึ้องประช่าช่นเองอยู่ที�
ร้อยลัะ 60 อย่างไรก็ตามี ขึ้้อมีูลัช่่ดนี�นำมีาซึ่้�งช่่ดขึ้้อมีูลัที�มีีค่ณภาพ
อย่างหน้�งในการต่อยอด Model สิำหรับทำนายหร่อจัดกลั่่มี
ผู้ที�มีีศักยภาพในการจับจ่าย หร่อผู้ที�มีีความีพร้อมีใน
การท่องเที�ยวหากมีีมีาตรการต่าง ๆ ในบริบทใกลั้เคียง
การวางแผนทดสิอบ Model นั�นเป็นการจับเป้าหมีาย
(Target) กลั่่มีผู้มีีศักยภาพในการจับจ่ายแลัะผู้ที�มีีการใช่้จ่าย
ทั�วไป โดยให้ Machine Learning ทำการเรียนรู้บริบทขึ้อง
คนทั�ง 2 กลั่่มี หลัังจากนั�นทำการทดสิอบ Model โดยผ่าน
Algorithm ต่าง ๆ เช่่น Decision Tree , Random Forest,
Gradient Boots Tree เป็นต้น โดย Prototype Model
ได้ให้ค่าความีแมี่นยำประมีาณ 70%
ภาพที่่� 4 แสดง Dashboard รายงานื่การใช่้จ�ายในื่มุ่าตรการช่ิมุ่ช่้อป็ใช่้
60 ปี วิวัฒน์การเงินการคลังไทย สู่ก้าวต่อไปเพื่อเศรษฐกิจสมดุล 39
