สวัสดิการเกี่ยวข้องกับประชาชนตลอดทุกช่วงชีวิต ตั้งแต่วัยเด็ก วัยเรียน และวัยทำงาน ไปจนถึงการดูแลผู้สูงอายุ คนพิการ และกลุ่มเปราะบาง ด้วยความต้องการที่แตกต่างกันในแต่ละช่วงชีวิต คนหนึ่งคนจึงอาจได้รับสวัสดิการมากกว่าหนึ่งประเภทในช่วงเวลาเดียวกัน
ภายใต้การดำเนินงานตามมติคณะรัฐมนตรีด้านการเชื่อมโยงและปรับปรุงฐานข้อมูลประชาชนกลุ่มเปราะบางและกลุ่มคนพิการ และการจัดทำฐานข้อมูลผู้สูงอายุตามสิทธิ/สวัสดิการที่ได้รับรายบุคคลเพื่อบูรณาการข้อมูลจากทุกภาคส่วนที่ขับเคลื่อนงานด้านผู้สูงอายุ สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI ร่วมกับกระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์ (พม.) เชื่อมโยงและวิเคราะห์ข้อมูลจากหน่วยงานที่เกี่ยวข้อง โดยนำข้อมูลเบื้องต้นที่ได้รับ ณ เดือนธันวาคม 2568 จำนวน 23 ชุดข้อมูล มาศึกษาภาพรวมการได้รับสวัสดิการของประชาชน
ข้อมูลที่เชื่อมโยงกันช่วยให้เรามองเห็นว่า “ใครได้รับอะไร” ไม่ว่าจะเป็นจำนวนผู้ได้รับสวัสดิการ จำนวนผู้ได้รับในแต่ละประเภท หรือจำนวนสวัสดิการที่ประชาชนแต่ละคนได้รับ
อย่างไรก็ตาม เมื่อประชาชนคนหนึ่งคนสามารถได้รับสวัสดิการหลายประเภท อีกคำถามที่น่าสนใจจึงไม่ได้มีเพียงว่าใครได้รับสวัสดิการอะไร แต่รวมถึง
“สวัสดิการอะไรบ้างที่มักได้รับร่วมกัน?”
คำถามนี้นำไปสู่การประยุกต์ใช้ Basket Analysis ซึ่งเป็นเทคนิคด้าน Data Mining สำหรับค้นหารูปแบบของรายการที่มักปรากฎร่วมกัน โดยใช้ Association Rule วิเคราะห์ความสัมพันธ์ระหว่างสวัสดิการในรูปแบบที่เรียกว่า “Welfare Basket Analysis”
จาก “ตะกร้าสินค้า” สู่ “ตะกร้าสวัสดิการ”
Basket Analysis เป็นเทคนิคที่นิยมใช้ในการวิเคราะห์พฤติกรรมการซื้อสินค้า เพื่อค้นหาว่าสินค้าประเภทใดมักถูกซื้อร่วมกัน เช่น เมื่อลูกค้าซื้อสินค้า A แล้ว มีแนวโน้มซื้อสินค้า B ร่วมด้วยหรือไม่
เมื่อวิเคราะห์ข้อมูลธุรกรรมจำนวนมาก เราอาจพบรูปแบบความสัมพันธ์ที่มองไม่เห็นจากการพิจารณาสินค้าแต่ละชนิดแยกจากกัน ข้อมูลเหล่านี้สามารถนำไปใช้ประกอบการจัดวางสินค้า การออกแบบโปรโมชัน หรือการแนะนำสินค้าที่เกี่ยวข้อง
เมื่อนำแนวคิดเดียวกันมาประยุกต์ใช้กับข้อมูลสวัสดิการ เราเปลี่ยนจาก “สินค้าในตะกร้า” มาเป็น “สวัสดิการที่ประชาชนแต่ละคนได้รับ” โดยเปรียบประชาชนหนึ่งคนเสมือนหนึ่งตะกร้า ซึ่งภายในอาจประกอบด้วยสวัสดิการหลายประเภท
อย่างไรก็ตาม การพบว่าสวัสดิการสองประเภทได้รับร่วมกันบ่อย ยังไม่เพียงพอที่จะบอกว่าทั้งสองมีความสัมพันธ์ที่โดดเด่น เนื่องจากสวัสดิการบางประเภทอาจมีผู้ได้รับจำนวนมากอยู่แล้ว จึงมีโอกาสปรากฎร่วมกับสวัสดิการประเภทอื่นสูงตามไปด้วย
เราจะรู้ได้อย่างไรว่า “มักได้รับร่วมกัน”
การวิเคราะห์ Association Rule ใช้ตัวชี้วัดสำคัญ 3 ตัวในการพิจารณาความสัมพันธ์ ได้แก่ Support, Confidence และ Lift เพื่อช่วยตอบคำถามในมุมที่แตกต่างกัน
- Support บอกว่าสวัสดิการคู่นั้นปรากฏร่วมกันบ่อยเพียงใด เมื่อเทียบกับประชากรทั้งหมดที่นำมาวิเคราะห์
- Confidence บอกว่า เมื่อประชาชนได้รับสวัสดิการประเภทหนึ่งแล้ว มีสัดส่วนเท่าใดที่ได้รับอีกประเภทหนึ่งร่วมด้วย
- Lift เปรียบเทียบการได้รับสวัสดิการร่วมกันกับระดับที่ควรเกิดขึ้น หากสวัสดิการทั้งสองเป็นอิสระต่อกัน
ค่า Lift จึงเป็นตัวชี้วัดสำคัญสำหรับพิจารณาทิศทางของความสัมพันธ์ โดยสามารถตีความเบื้องต้นได้ดังนี้
- Lift มากกว่า 1 หมายถึง สวัสดิการสองประเภทมีแนวโน้มได้รับร่วมกันมากกว่าระดับที่คาด
- Lift เท่ากับ 1 หมายถึง การได้รับสวัสดิการทั้งสองร่วมกันไม่ได้แตกต่างจากระดับที่คาด
- Lift น้อยกว่า 1 หมายถึง สวัสดิการสองประเภทมีแนวโน้มได้รับร่วมกันน้อยกว่าระดับที่คาด
ทั้งสามตัวชี้วัดควรถูกพิจารณาร่วมกัน เพราะคู่สวัสดิการที่มีค่า Lift สูงอาจเกิดขึ้นในประชาชนเพียงจำนวนน้อย ขณะที่คู่ที่พบในประชาชนจำนวนมากอาจไม่ได้มีความสัมพันธ์ที่โดดเด่นเมื่อเปรียบเทียบกับฐานผู้ได้รับทั้งหมด

ภาพที่ 1 ตัวอย่างการประยุกต์ใช้ Basket Analysis กับข้อมูลสวัสดิการ
จากข้อมูลสวัสดิการ สู่คู่ความสัมพันธ์ที่น่าสนใจ
ในการวิเคราะห์ครั้งนี้ ข้อมูลสวัสดิการจาก 23 ชุดข้อมูลถูกจัดให้อยู่ในรูปแบบเดียวกัน เพื่อให้สามารถวิเคราะห์การได้รับสวัสดิการร่วมกันได้ จากนั้นจึงคัดเลือกเฉพาะประชาชนที่ได้รับสวัสดิการตั้งแต่ 2 สวัสดิการขึ้นไป
ภายหลังคัดกรอง เหลือประชากรสำหรับการวิเคราะห์ประมาณ 1.18 ล้านคน จากประชากรในชุดข้อมูลทั้งหมด 13.3 ล้านคน และมีสวัสดิการ 18 รายการที่ผ่านเกณฑ์สำหรับนำมาหาความสัมพันธ์ เมื่อนำสวัสดิการทั้ง 18 รายการมาจับคู่ พบคู่ที่เป็นไปได้ทั้งหมด 153 คู่ และมี 60 คู่ ที่ผ่านเกณฑ์สำหรับการวิเคราะห์ในขั้นต่อไป
ข้อมูลบอกอะไรเรา

ภาพที่ 2 กราฟแสดงความสัมพันธ์เชิงบวกของภาพรวมสวัสดิการ (Lift > 1)
เมื่อพิจารณาค่า Lift ของทั้ง 60 คู่ พบว่า
- 23 คู่มี Lift มากกว่า 1 หรือมีแนวโน้มได้รับร่วมกันมากกว่าระดับที่คาด
- 37 คู่มี Lift ต่ำกว่า 1 หรือมีแนวโน้มได้รับร่วมกันน้อยกว่าระดับที่คาด
คู่ที่โดดเด่นที่สุดคือ การสงเคราะห์ผู้สูงอายุในภาวะยากลำบาก กับการปรับปรุงที่อยู่อาศัยสำหรับผู้สูงอายุ ซึ่งมีค่า Lift เท่ากับ 8.164 หมายความว่า ภายในชุดข้อมูลที่นำมาวิเคราะห์ การได้รับสวัสดิการทั้งสองประเภทร่วมกันเกิดขึ้นประมาณ 8.2 เท่าของระดับที่คาด หากการได้รับสวัสดิการทั้งสองเป็นอิสระต่อกัน
อย่างไรก็ตาม คู่ดังกล่าวนี้มีค่า Support เพียง 0.004 หรือคิดเป็นสัดส่วนประมาณร้อยละ 0.4 ของประชากรที่นำมาวิเคราะห์ ผลลัพธ์นี้จึงสะท้อนว่า ความสัมพันธ์ที่สูงไม่ได้หมายความว่าจะพบในประชาชนจำนวนมากเสมอไป
เมื่อพิจารณาภาพรวมของการเชื่อมโยง ยังพบว่า
- การช่วยเหลือผู้ประสบปัญหาทางสังคมกรณีฉุกเฉิน ปรากฏในหลายคู่ที่มี Lift สูง แสดงให้เห็นว่าสวัสดิการประเภทนี้มักปรากฎร่วมกับความช่วยเหลือประเภทอื่นในสัดส่วนที่สูงกว่าระดับที่คาด
- ประกันสังคม ม.40 เชื่อมโยงกับสวัสดิการอื่นมากที่สุดถึง 9 คู่ แสดงให้เห็นถึงความกว้างของการเชื่อมโยง แม้ว่าความสัมพันธ์แต่ละคู่อาจไม่ได้มีค่า Lift สูงทีสุดก็ตาม
ผลลัพธ์ดังกล่าวสะท้อนความแตกต่างระหว่าง “ความเข้มข้นของความสัมพันธ์” กับ “ความกว้างของการเชื่อมโยง” กล่าวคือ สวัสดิการบางประเภทอาจมีความสัมพันธ์สูงกับสวัสดิการเพียงไม่กี่รายการ ขณะที่บางประเภทอาจเชื่อมโยงกับสวัสดิการหลายรายการ แต่มีระดับความสัมพันธ์แตกต่างกันออกไป
ดังนั้น การอ่านผลจึงไม่ควรพิจารณาเพียงว่า “คู่ใดมีค่า Lift สูงที่สุด” แต่ควรมองทั้งความถี่ แนวโน้ม และรูปแบบการเชื่อมโยงร่วมกัน เพื่อให้เห็นภาพการได้รับสวัสดิการที่รอบด้านมากขึ้น
เมื่อเจาะลึก “ตะกร้าสวัสดิการ” ของผู้สูงอายุ

ภาพที่ 3 กราฟแสดงความสัมพันธ์เชิงบวกของสวัสดิการผู้สูงอายุและสวัสดิการที่เกี่ยวข้อง (Lift > 1)
เมื่อเจาะลึกเฉพาะสวัสดิการของกรมกิจการผู้สูงอายุและสวัสดิการประเภทอื่นที่พบร่วมกัน พบคู่ความสัมพันธ์ที่ผ่านเกณฑ์ 32 คู่ โดย การสงเคราะห์ผู้สูงอายุในภาวะยากลำบาก ปรากฏในหลายคู่ที่มี Lift สูง เช่น
- การปรับปรุงที่อยู่อาศัย
- การช่วยเหลือฉุกเฉินทางสังคม
- การฟื้นฟูสมรรถภาพคนพิการ
รูปแบบดังกล่าวนำไปสู่ข้อสังเกตว่า การสงเคราะห์ผู้สูงอายุในภาวะยากลำบากอาจมีศักยภาพในการเป็น “จุดเชื่อมโยง” หรือ Referral Hub ไปยังความช่วยเหลือด้านอื่นที่เกี่ยวข้อง
ตัวอย่างเช่น เมื่อพบผู้สูงอายุที่ขอรับการสงเคราะห์ในภาวะยากลำบาก หน่วยงานอาจพิจารณาตรวจสอบต่อว่าบุคคลดังกล่าวมีความจำเป็นด้านที่อยู่อาศัย การช่วยเหลือฉุกเฉิน หรือการฟื้นฟูสมรรถภาพเพิ่มเติมหรือไม่ อย่างไรก็ตาม แนวคิดนี้เป็นเพียงข้อสังเกตจากรูปแบบในข้อมูล และจำเป็นต้องศึกษาเงื่อนไขการให้บริการ กระบวนการทำงาน และบริบทของกลุ่มเป้าหมายเพิ่มเติมก่อนนำไปใช้จริง

ภาพที่ 4 กราฟแสดงความสัมพันธ์เชิงลบของสวัสดิการผู้สูงอายุและสวัสดิการที่เกี่ยวข้อง (Lift < 1)
ในอีกด้านหนึ่ง การกู้ยืมเงินทุนประกอบอาชีพจากกองทุนผู้สูงอายุ ปรากฏอยู่ในหลายคู่ที่มีค่า Lift ต่ำ โดยคู่ที่มีค่าต่ำที่สุด ได้แก่
- Long Term Care (LTC) ในชุมชน กับการกู้ยืมเงินทุนประกอบอาชีพจากกองทุนผู้สูงอายุ
- ภาวะพึ่งพิงในชุมชน–กับการกู้ยืมเงินทุนประกอบอาชีพจากกองทุนผู้สูงอายุ
ทั้งสองคู่มีค่า Lift เท่ากับ 0.222 สะท้อนว่า ภายในชุดข้อมูลนี้ สวัสดิการดังกล่าวมีแนวโน้มได้รับร่วมกันค่อนข้างน้อยเมื่อเทียบกับระดับที่คาด
อย่างไรก็ตาม ข้อสังเกตดังกล่าวยังเป็นเพียงสมมติฐานสำหรับการศึกษาต่อ เนื่องจากค่าความสัมพันธ์เพียงอย่างเดียวยังไม่สามารถอธิบายได้ว่า “เพราะเหตุใด” รูปแบบนั้นจึงเกิดขึ้น การตีความจึงต้องพิจารณาร่วมกับเงื่อนไขการได้รับสิทธิ ลักษณะกลุ่มเป้าหมาย กระบวนการให้บริการ และปัจจัยด้านประชากรอื่น ๆ
จากความสัมพันธ์ในข้อมูล สู่คำถามเชิงนโยบาย
Welfare Basket Analysis ช่วยให้เราเห็น รูปแบบและโครงข่ายของการได้รับสวัสดิการร่วมกัน ผลการวิเคราะห์สามารถใช้เป็นข้อมูลตั้งต้นสำหรับตั้งคำถามต่อยอดได้หลายประเด็น เช่น
- สวัสดิการใดอาจทำหน้าที่เป็นจุดเริ่มต้นในการค้นหาความต้องการด้านอื่น
- เมื่อประชาชนได้รับสวัสดิการประเภทหนึ่งแล้ว ควรมีการตรวจสอบสิทธิหรือความจำเป็นด้านใดเพิ่มเติม
- สวัสดิการที่มักได้รับร่วมกันมีขั้นตอนการสมัครหรือการส่งต่อที่สามารถเชื่อมโยงกันได้หรือไม่
- คู่สวัสดิการที่แทบไม่พบร่วมกันเกิดจากความแตกต่างของกลุ่มเป้าหมาย หรือเกิดจากข้อจำกัดในการเข้าถึงบริการ
- การเชื่อมโยงข้อมูลระหว่างหน่วยงานจะช่วยลดภาระของประชาชนในการยื่นข้อมูลซ้ำได้อย่างไร
คำถามเหล่านี้ยังไม่ใช่ข้อสรุปเชิงนโยบาย แต่เป็นจุดเริ่มต้นของการศึกษาร่วมกับหน่วยงานเจ้าของสวัสดิการและผู้ปฏิบัติงานที่เข้าใจบริบทของแต่ละบริการ
ความสัมพันธ์ไม่เท่ากับเหตุและผล
อย่างไรก็ตาม Association ไม่ใช่ Causation หรือการพบว่าสวัสดิการสองประเภทมักได้รับร่วมกัน ไม่ได้หมายความว่าสวัสดิการหนึ่งเป็นสาเหตุของอีกสวัสดิการหนึ่ง นอกจากนี้ การวิเคราะห์ยังมีข้อจำกัดด้านขนาดและช่วงเวลาของข้อมูล รวมถึงยังไม่ได้พิจารณาปัจจัยด้านประชากร เช่น เพศ อายุ และพื้นที่ ซึ่งสามารถนำมาต่อยอดเพื่อทำความเข้าใจความสัมพันธ์ให้ลึกขึ้นได้
มองสวัสดิการจากมุมของประชาชน
Welfare Basket Analysis เป็นตัวอย่างของการประยุกต์ใช้ Machine Learning และ Data Mining ที่ไม่ได้มุ่งเน้นการ “ทำนาย” แต่ใช้เพื่อ ค้นหารูปแบบที่ซ่อนอยู่ในข้อมูลจำนวนมาก จากเดิมที่ข้อมูลช่วยตอบว่า “ใครได้รับอะไร” การเชื่อมโยงและวิเคราะห์ข้อมูลช่วยให้เราตั้งคำถามต่อได้ว่า “อะไรที่มักได้รับร่วมกัน”
ผลการวิเคราะห์อาจยังไม่ใช่คำตอบสุดท้ายของการออกแบบสวัสดิการ แต่ช่วยเปิดอีกมุมมองให้เราเห็นความสัมพันธ์ของสวัสดิการจาก “มุมของประชาชนหนึ่งคน” มากกว่าการมองสวัสดิการแต่ละโครงการแยกจากกัน และเป็นจุดเริ่มต้นสำหรับการศึกษาและพัฒนาการเชื่อมโยงสวัสดิการให้เหมาะสมกับประชาชนแต่ละกลุ่มต่อไป

Pittayaporn Musika
Data Scientist, Big Data Institute (Public Organization), BDI
- This author does not have any more posts.


