การวิเคราะห์โดยใช้แบบจำลองการพยากรณ์เพื่อเปรียบเทียบกับแนวโน้มในภาวะปกติ 

ความขัดแย้งในตะวันออกกลางเป็นหนึ่งในปัจจัยที่อาจส่งผลต่อการเดินทางระหว่างประเทศ ทั้งในด้านความเชื่อมั่นของนักเดินทางและการปรับเส้นทางการบินของสายการบิน 

คำถามสำคัญจึงไม่ใช่เพียงว่า “จำนวนผู้โดยสารที่เดินทางเข้าไทยลดลงหรือไม่” แต่คือ “ลดลงมากน้อยเพียงใดเมื่อเทียบกับภาวะปกติ” 

เนื่องจากตัวเลขผู้โดยสารขาเข้าโดยปกติมีความผันผวนอยู่แล้ว จากปัจจัยอย่างฤดูกาล วันหยุด และพฤติกรรมการเดินทางที่เปลี่ยนแปลงไปในแต่ละช่วงเวลา การจะพิจารณาว่าความเปลี่ยนแปลงที่เกิดขึ้นเป็นผลจากความขัดแย้งในตะวันออกกลางหรือไม่ จึงต้องเปรียบเทียบกับแนวโน้มในภาวะปกติ ไม่ใช่ดูเพียงจำนวนผู้เดินทางที่เพิ่มขึ้นหรือลดลงในแต่ละวัน 

คำศัพท์สำคัญในการวิเคราะห์ 

Baseline 
คือตัวเลขอ้างอิงของภาวะปกติ ในบทความนี้หมายถึงค่าพยากรณ์ที่ใช้เปรียบเทียบกับตัวเลขจริง เพื่อประเมินว่าจำนวนผู้โดยสารแตกต่างจากภาวะปกติมากน้อยเพียงใด 

Prophet 
เป็นโมเดลพยากรณ์ข้อมูลตามเวลา (Forecasting Model) ที่เหมาะกับข้อมูลซึ่งมีทั้งแนวโน้ม ฤดูกาล และเหตุการณ์เฉพาะ 

MAPE (Mean Absolute Percentage Error) 
เป็นตัวชี้วัดความคลาดเคลื่อนของการพยากรณ์ในรูปเปอร์เซ็นต์ ค่ายิ่งต่ำยิ่งสะท้อนว่าโมเดลพยากรณ์ได้ใกล้เคียงกับข้อมูลจริงมากขึ้น 

Shock Regressor 
เป็นตัวแปรที่ใช้ระบุช่วงเวลาที่มีเหตุการณ์ผิดปกติ เพื่อช่วยให้โมเดลไม่ตีความข้อมูลช่วงดังกล่าวเป็นภาวะปกติ 

แนวคิด Baseline ในการประเมินผลกระทบ 

การประเมินผลกระทบของเหตุการณ์ระดับโลกต่อการเดินทางเข้าไทย ไม่สามารถพิจารณาจากจำนวนผู้โดยสารเพียงอย่างเดียวได้ เนื่องจากตัวเลขดังกล่าวมีความผันผวนตามปัจจัยในภาวะปกติอยู่แล้ว 

ในบทความนี้ Baseline หมายถึง ค่าพยากรณ์ของจำนวนผู้โดยสารในภาวะปกติ ซึ่งสร้างขึ้นจากโมเดลพยากรณ์ (Forecasting Model) โดยใช้ข้อมูลย้อนหลัง ก่อนนำมาเปรียบเทียบกับตัวเลขจริงที่เกิดขึ้นในช่วงเวลาศึกษา 

การเปรียบเทียบดังกล่าวช่วยให้เห็นว่าตัวเลขจริงแตกต่างจากแนวโน้มในภาวะปกติมากน้อยเพียงใด และทำให้สามารถประเมินได้ชัดขึ้นว่าความเปลี่ยนแปลงที่เกิดขึ้นอาจเกี่ยวข้องกับเหตุการณ์ที่กำลังศึกษาเพียงใด 

ภาพอธิบายหลักการของ Baseline 

การใช้โมเดลพยากรณ์เพื่อประมาณแนวโน้มในภาวะปกติ 

เพื่อสร้าง Baseline ดังกล่าว งานนี้จึงเลือกใช้โมเดลพยากรณ์ (Forecasting Model) ชื่อ Prophet เป็นเครื่องมือหลักในการประมาณจำนวนผู้โดยสารขาเข้ารายวันในภาวะปกติ โดยใช้ข้อมูลย้อนหลังตั้งแต่ปี 2023 ถึง 28 กุมภาพันธ์ 2026 ซึ่งเป็นช่วงก่อนเกิดเหตุการณ์ผิดปกติ 

เหตุผลที่เลือกใช้ Prophet คือข้อมูลผู้โดยสารมีทั้งแนวโน้มระยะยาว ฤดูกาล และอิทธิพลจากวันหยุดหรือเหตุการณ์เฉพาะ ทำให้โมเดลสามารถสะท้อนรูปแบบของข้อมูลได้เหมาะสม 

ในภาพรวม โมเดลจะเรียนรู้รูปแบบจากข้อมูลในอดีต และประมาณค่าที่ควรเกิดขึ้นในแต่ละวันภายใต้ภาวะปกติ 

ภาพแสดงส่วนประกอบของการพยากรณ์ผลของโมเดล Prophet  

การออกแบบการทดลองและชุดข้อมูล 

การวิเคราะห์ครอบคลุม 4 สนามบินหลัก ได้แก่ สุวรรณภูมิ (BKK), ภูเก็ต (HKT), เชียงใหม่ (CNX) และกระบี่ (KBV) โดยใช้ช่วงวันที่ 11–17 มีนาคม 2026 เป็นช่วงทดสอบ ซึ่งเป็นช่วงที่มีข้อมูลจริงสำหรับใช้เปรียบเทียบกับผลพยากรณ์ 

มีการทดลองทั้งหมด 6 รูปแบบ โดยใช้ชุดข้อมูลที่แตกต่างกัน เช่น การใช้เฉพาะจำนวนผู้โดยสาร การใช้ข้อมูลผู้โดยสารเฉพาะบางสัญชาติ และการใช้ข้อมูลผู้โดยสารร่วมกับข้อมูลเที่ยวบิน เช่น จำนวนเที่ยวบินในช่วงเดียวกันของปีก่อน หรือค่าเฉลี่ยเที่ยวบินในช่วงวันที่ 1–10 มีนาคม 2026 

แนวทางนี้ไม่ได้ตั้งสมมติฐานล่วงหน้าว่าการมีข้อมูลมากขึ้นจะทำให้ผลพยากรณ์ดีขึ้นเสมอไป แต่ใช้ผลลัพธ์จริงเป็นตัวพิจารณาว่าวิธีใดเหมาะสมกับแต่ละสนามบิน 

ตารางสรุป 6 รูปแบบการทดสอบเพื่อทดสอบว่าแต่ละสนามบินเหมาะกับข้อมูลแบบใด 

ผลการประเมินความแม่นยำของโมเดล 

การประเมินความแม่นยำของโมเดลในงานนี้ใช้ค่า MAPE ซึ่งสะท้อนว่าผลพยากรณ์คลาดเคลื่อนจากข้อมูลจริงโดยเฉลี่ยกี่เปอร์เซ็นต์ โดยค่ายิ่งต่ำยิ่งแสดงว่าโมเดลให้ผลใกล้เคียงกับข้อมูลจริงมากขึ้น 

ตารางเปรียบเทียบประสิทธิภาพการพยากรณ์ 

ผลการทดสอบแสดงให้เห็นว่าความแม่นยำของโมเดลแตกต่างกันในแต่ละสนามบิน และในบางกรณีตัวเลขจริงมีความเบี่ยงเบนจากแนวโน้มในภาวะปกติอย่างชัดเจนจากเหตุการณ์เฉพาะ 

สำหรับ BKK โมเดลที่ใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ผลดีที่สุด โดยมีค่าความคลาดเคลื่อน 1.87% สะท้อนว่าข้อมูลมีรูปแบบค่อนข้างสม่ำเสมอและสามารถพยากรณ์แนวโน้มได้ดี 

ขณะที่ CNX ได้ผลดีที่สุดที่ 3.62% เมื่อใช้ข้อมูลผู้โดยสารร่วมกับจำนวนเที่ยวบิน แสดงให้เห็นว่าข้อมูลเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารในพื้นที่นี้ 

ในทางกลับกัน KBV ยังคงเป็นสนามบินที่พยากรณ์ได้ยากที่สุด โดยค่าความคลาดเคลื่อนที่ดีที่สุดยังอยู่ในช่วงประมาณ 22.46–22.51% สะท้อนถึงความผันผวนของข้อมูลที่สูงกว่าสนามบินอื่นอย่างชัดเจน 

กรณีของ HKT ควรพิจารณาแยกต่างหาก เนื่องจากเมื่อวันที่ 11 มีนาคม 2026 สนามบินภูเก็ตเกิดเหตุเครื่องบินลงจอดกระแทกพื้น ส่งผลให้รันเวย์ต้องปิดชั่วคราวและกระทบต่อเที่ยวบินจำนวนมาก เหตุการณ์ดังกล่าวทำให้ค่าความคลาดเคลื่อนเพิ่มขึ้นเป็น 21.76% เมื่อรวมวันเกิดเหตุไว้ในการประเมิน 

อย่างไรก็ตาม เมื่อทดลองตัดช่วงวันที่ 11–12 มีนาคมออก ค่าความคลาดเคลื่อนลดลงเหลือ 4.59% ทันที สะท้อนว่าในภาวะปกติ โมเดลยังสามารถพยากรณ์แนวโน้มของ HKT ได้ในระดับที่ใกล้เคียงกับสนามบินหลักอื่น และค่าความคลาดเคลื่อนที่สูงขึ้นก่อนหน้านั้นมีสาเหตุหลักจากเหตุการณ์เฉพาะดังกล่าว ไม่ใช่ข้อจำกัดของโมเดลเอง 

กราฟเปรียบเทียบค่า MAPE ของ BKK, CNX, HKT (ไม่รวมวันที่เกิดเหตุการณ์), HKT และ KBV โดยเรียงลำดับจากค่าต่ำไปสูง 

ผลของการเพิ่มตัวแปรต่อความแม่นยำของโมเดล 

ผลการทดลองแสดงให้เห็นอย่างชัดเจนว่า การเพิ่มข้อมูลไม่ได้ทำให้ความแม่นยำของโมเดลดีขึ้นเสมอไป และลักษณะของข้อมูลในแต่ละสนามบินมีผลต่อประสิทธิภาพของโมเดลอย่างมีนัยสำคัญ 

สำหรับ BKK โมเดลที่ใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ผลลัพธ์ดีที่สุด โดยมีค่าความคลาดเคลื่อนต่ำสุดที่ 1.87% ขณะที่การเพิ่มข้อมูลเที่ยวบินเข้ามา กลับทำให้ค่าความคลาดเคลื่อนสูงขึ้น แสดงให้เห็นว่าข้อมูลผู้โดยสารเพียงอย่างเดียวเพียงพอในการอธิบายแนวโน้มของสนามบินนี้ 

ในกรณีของ HKT มีลักษณะคล้ายกัน คือการใช้ข้อมูลผู้โดยสารเพียงอย่างเดียวให้ผลลัพธ์ที่แม่นยำที่สุด อย่างไรก็ตาม หากรวมช่วงวันที่เกิดเหตุการณ์ผิดปกติ ค่าความคลาดเคลื่อนจะเพิ่มขึ้นอย่างมีนัยสำคัญ เนื่องจากตัวเลขจริงได้รับผลกระทบจากการหยุดชะงักของเที่ยวบิน 

สำหรับ CNX ผลลัพธ์แตกต่างออกไป โดยโมเดลที่ใช้ข้อมูลเที่ยวบินเฉลี่ยร่วมกับจำนวนผู้โดยสารให้ค่าความคลาดเคลื่อนต่ำสุดที่ 3.62% สะท้อนว่าข้อมูลเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารในพื้นที่นี้มากกว่าสนามบินอื่น 

ส่วน KBV ยังคงเป็นกรณีที่มีความผันผวนสูง แม้จะทดลองหลายรูปแบบแล้ว ค่าความคลาดเคลื่อนยังอยู่ในระดับสูงในทุกวิธี โดยค่าที่ดีที่สุดอยู่ที่ประมาณ 22.46% แสดงให้เห็นว่าการเพิ่มข้อมูลไม่สามารถลดความไม่แน่นอนของข้อมูลได้อย่างมีนัยสำคัญ 

ผลลัพธ์ทั้งหมดสะท้อนว่า ไม่มีวิธีการหรือชุดข้อมูลใดที่เหมาะสมกับทุกสนามบิน การเลือกใช้ตัวแปรจึงควรสอดคล้องกับลักษณะของข้อมูลในแต่ละพื้นที่ และควรพิจารณาจากผลลัพธ์เชิงประจักษ์มากกว่าการตั้งสมมติฐานล่วงหน้า 

บทบาทของ Shock Regressor ในการพยากรณ์ 

อีกองค์ประกอบสำคัญของการวิเคราะห์นี้คือการใส่ Shock Regressor ลงในโมเดล เพื่อระบุช่วงเวลาที่มีเหตุการณ์ผิดปกติและอาจทำให้รูปแบบของข้อมูลแตกต่างจากภาวะปกติ 

ในบริบทของงานนี้ Baseline แสดงถึงแนวโน้มของจำนวนผู้โดยสารในภาวะปกติ ขณะที่ Shock Regressor ทำหน้าที่ระบุช่วงเวลาที่ข้อมูลไม่เป็นไปตามแนวโน้มดังกล่าว เช่น ช่วงที่ได้รับผลกระทบจากความขัดแย้งในตะวันออกกลาง 

หากไม่ใส่ตัวแปรนี้ โมเดลจะตีความข้อมูลเหมือนเป็นภาวะปกติ และยังคงพยากรณ์ตามแนวโน้มเดิม ซึ่งอาจทำให้ค่าพยากรณ์สูงกว่าความเป็นจริงในช่วงที่เกิดเหตุการณ์ผิดปกติ แต่เมื่อใส่ Shock Regressor เข้าไป โมเดลจะสามารถปรับค่าพยากรณ์ให้สอดคล้องกับข้อมูลจริงได้มากขึ้น 

ตัวอย่างจาก BKK และ HKT แสดงให้เห็นว่า เมื่อไม่ใส่ Shock Regressor โมเดลมีแนวโน้มพยากรณ์จำนวนผู้โดยสารสูงเกินจริงในช่วงที่ได้รับผลกระทบ แต่เมื่อใส่ตัวแปรดังกล่าว ค่าพยากรณ์จะปรับลดลงและสอดคล้องกับข้อมูลจริงมากขึ้น สะท้อนว่าโมเดลสามารถรับรู้ผลกระทบจากเหตุการณ์ได้ดีขึ้น 

ประเด็นนี้ชี้ให้เห็นว่า โมเดลพยากรณ์โดยทั่วไปเรียนรู้จากข้อมูลในภาวะปกติเป็นหลัก ดังนั้นเมื่อเกิดเหตุการณ์ที่อยู่นอกแนวโน้มเดิม การระบุช่วงเวลาที่ “ไม่ปกติ” ให้กับโมเดลจึงเป็นขั้นตอนสำคัญในการทำให้ผลการพยากรณ์สะท้อนสถานการณ์ได้แม่นยำขึ้น 

กราฟเปรียบเทียบจำนวนผู้โดยสารจริง (Actual) กับค่าพยากรณ์ที่ไม่ใช้ Shock Regressor  
และค่าพยากรณ์ที่ใช้ Shock Regressor ของ BKK หรือ HKT 

การวิเคราะห์ผลลัพธ์รายสนามบิน 

เมื่อพิจารณาผลลัพธ์แยกตามสนามบิน จะเห็นว่ารูปแบบของข้อมูลและการตอบสนองต่อเหตุการณ์แตกต่างกันอย่างชัดเจน 

สำหรับ BKK จำนวนผู้โดยสารมีรูปแบบค่อนข้างสม่ำเสมอเมื่อเทียบกับสนามบินอื่น ทำให้โมเดลสามารถพยากรณ์แนวโน้มได้ใกล้เคียงกับข้อมูลจริง โดยการใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ค่าความคลาดเคลื่อนต่ำที่สุด สะท้อนว่าข้อมูลมีเสถียรภาพและสามารถอธิบายได้ด้วยแนวโน้มพื้นฐาน 

ในกรณีของ HKT แม้โดยรวมจะสามารถพยากรณ์แนวโน้มในภาวะปกติได้ดี แต่ข้อมูลได้รับผลกระทบจากเหตุการณ์เฉพาะในช่วงเวลาสั้น ๆ อย่างชัดเจน โดยเหตุการณ์เครื่องบินลงจอดกระแทกพื้นในวันที่ 11 มีนาคม 2026 ทำให้จำนวนผู้โดยสารและเที่ยวบินเบี่ยงเบนจากแนวโน้มปกติอย่างมีนัยสำคัญ เมื่อแยกช่วงเวลาดังกล่าวออก รูปแบบของข้อมูลจะกลับมาใกล้เคียงกับแนวโน้มเดิม 

สำหรับ CNX ลักษณะของข้อมูลแตกต่างออกไป โดยจำนวนเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารมากกว่าสนามบินอื่น ทำให้โมเดลที่ใช้ข้อมูลเที่ยวบินร่วมด้วยให้ผลลัพธ์ที่แม่นยำกว่า สะท้อนว่าความสัมพันธ์ระหว่างเที่ยวบินและจำนวนผู้โดยสารมีความชัดเจนในพื้นที่นี้ 

ส่วน KBV เป็นกรณีที่แสดงให้เห็นถึงความผันผวนของข้อมูลอย่างชัดเจน จำนวนผู้โดยสารในแต่ละวันมีการเปลี่ยนแปลงในช่วงกว้าง และมีการขึ้นลงอย่างรวดเร็วในบางช่วง แม้จะทดลองหลายรูปแบบแล้ว โมเดลยังไม่สามารถพยากรณ์แนวโน้มได้ใกล้เคียงกับข้อมูลจริงเท่าสนามบินอื่น สะท้อนว่าลักษณะของข้อมูลมีความไม่แน่นอนสูงและคาดการณ์ได้ยากกว่า 

ภาพรวมของทั้ง 4 สนามบินแสดงให้เห็นว่า เหตุการณ์เดียวกันอาจปรากฏในข้อมูลแตกต่างกันไปตามลักษณะของแต่ละพื้นที่ ทั้งในแง่ของความสม่ำเสมอของข้อมูล ระดับความผันผวน และความไวต่อเหตุการณ์เฉพาะ 

กราฟแสดงจำนวนผู้โดยสารจากสนามบิน BKK / HKT / CNX / KBV 

ข้อสรุปและข้อสังเกตจากการวิเคราะห์ 

การวิเคราะห์นี้ไม่ได้มุ่งตอบเพียงว่าจำนวนผู้โดยสารลดลงหรือไม่ แต่เน้นทำความเข้าใจว่าความเปลี่ยนแปลงดังกล่าวแตกต่างจากแนวโน้มในภาวะปกติมากน้อยเพียงใด 

ผลลัพธ์แสดงให้เห็นว่า การพิจารณาตัวเลขผู้โดยสารเพียงอย่างเดียวอาจไม่เพียงพอในการอธิบายผลกระทบของเหตุการณ์ภายนอก เนื่องจากตัวเลขดังกล่าวมีความผันผวนตามปัจจัยปกติอยู่แล้ว การเปรียบเทียบกับ Baseline ซึ่งเป็นค่าพยากรณ์ในภาวะปกติจึงเป็นวิธีที่ช่วยแยก “ความผันผวนตามธรรมชาติ” ออกจาก “ความเปลี่ยนแปลงที่อาจเกิดจากเหตุการณ์” ได้ชัดเจนขึ้น 

ในเชิงวิธีการ ผลการทดลองชี้ให้เห็นว่า การเพิ่มข้อมูลไม่ได้ทำให้ความแม่นยำของโมเดลดีขึ้นเสมอไป และไม่มีรูปแบบข้อมูลเดียวที่เหมาะกับทุกสนามบิน บางพื้นที่สามารถอธิบายแนวโน้มได้ด้วยข้อมูลผู้โดยสารเพียงอย่างเดียว ขณะที่บางพื้นที่ต้องอาศัยข้อมูลเที่ยวบินเพิ่มเติม และบางกรณีความผันผวนของข้อมูลยังทำให้การพยากรณ์เป็นไปได้ยาก แม้จะเพิ่มข้อมูลแล้วก็ตาม 

อีกประเด็นสำคัญคือ บทบาทของ Shock Regressor ซึ่งช่วยให้โมเดลสามารถสะท้อนช่วงเวลาที่ไม่อยู่ในภาวะปกติได้ดีขึ้น โดยเฉพาะในช่วงที่ได้รับผลกระทบจากเหตุการณ์เฉพาะ การระบุช่วงเวลาที่ “ไม่ปกติ” ให้กับโมเดลจึงมีความสำคัญไม่น้อยไปกว่าการเลือกตัวแปรหรือโมเดลที่ใช้ 

เมื่อพิจารณาในระดับพื้นที่ พบว่าเหตุการณ์เดียวกันไม่ได้ส่งผลต่อทุกสนามบินในลักษณะเดียวกัน สนามบินที่มีข้อมูลสม่ำเสมอสามารถรักษาแนวโน้มได้ค่อนข้างชัด ขณะที่สนามบินที่มีความผันผวนสูงหรือได้รับผลกระทบจากเหตุการณ์เฉพาะจะมีรูปแบบที่แตกต่างออกไปอย่างมีนัยสำคัญ 

ในสถานการณ์ที่มีความไม่แน่นอนสูง ผลกระทบอาจไม่ได้ปรากฏอย่างชัดเจนในทันที แต่อาจค่อย ๆ ปรากฏผ่านการเปลี่ยนแปลงของเส้นทางการบิน การตัดสินใจเดินทางที่ชะลอลง หรือจำนวนผู้โดยสารที่เริ่มเบี่ยงเบนจากแนวโน้มในภาวะปกติทีละน้อย 

ในหลายกรณี สิ่งที่ช่วยอธิบายสถานการณ์ได้ชัดเจนจึงไม่ใช่ตัวเลขที่เกิดขึ้นเพียงลำพัง แต่คือความแตกต่างระหว่าง “ตัวเลขที่เกิดขึ้นจริง” กับ “แนวโน้มในภาวะปกติ” ซึ่งเป็นกรอบสำคัญในการทำความเข้าใจผลกระทบของเหตุการณ์ได้อย่างมีความหมายมากขึ้น 

ผู้เขียน: กัญจน์ชยาภรณ์ แซ่จุง และ ธนกฤต คล้ายแก้ว