ยืนยง นิลสยาม คณะเศรษฐศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย

1. การเจริญเติบโตทางเศรษฐกิจจากการศึกษาในประเทศไทยโดยศึกษาเปรียบเทียบวิธีกำลังสองน้อยที่สุดกับวิธีโครงข่ายประสาทเทียมThe Contribution of Education to Economic Growth in Thailand:Least Square Approach and Neural Network Approach ยืนยง นิลสยาม คณะเศรษฐศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย

2. บทนำ • การเจริญเติบโตทางเศรษฐกิจ = ปัจจัยด้านมนุษย์ + ปัจจัยด้านกายภาพ + ปัจจัยด้านการเงิน • มนุษย์ถือว่าเป็นปัจจัยที่สำคัญอย่างยิ่ง เพราะเป็นทั้งแรงงานและผู้ประกอบการ • การเจริญเติบโตทางเศรษฐกิจไม่สามารถถูกอธิบายด้วยแรงงานและทุน • นักเศรษฐศาสตร์เห็นว่าคุณภาพของแรงงานหรือทุนมนุษย์เป็นองค์ประกอบที่สำคัญ (Griliches, 1997) • โดยเน้นไปที่การศึกษาเป็นสำคัญ

3. บทนำ (ต่อ) • รายได้ที่เพิ่มขึ้นเมื่อแรงงานมีการศึกษาที่สูงขึ้น ดังนั้นถ้าประชากรได้รับการศึกษาโดยเฉลี่ยเพิ่มขึ้นก็น่าจะทำให้การเจริญเติบโตทางเศรษฐกิจเพิ่มขึ้นด้วย • การวิเคราะห์การเจริญเติบโตทางเศรษฐกิจจากการศึกษาในประเทศไทย โดยสุนิสา (2538) ได้เลือกใช้ฟังก์ชันการผลิตแบบ Cobb-Douglas และใช้วิธีกำลังสองน้อยที่สุด (Least Square) ในการประมาณค่าพารามิเตอร์ของสัมประสิทธิ์การถดถอย

4. บทนำ (ต่อ) • ในปัจจุบันได้มีการพัฒนาวิธีการวิเคราะห์ข้อมูลต่างๆ อย่างมากมาย • Qi(1999)ได้ทำการเปรียบเทียบวิธีสมการถดถอยเชิงเส้นกับวิธีโครงข่ายประสาทเทียม • ค่าพยากรณ์ที่ได้จากวิธีโครงข่ายประสาทเทียมมีค่าใกล้เคียงกับค่าที่แท้จริงมากกว่า • วิธีโครงข่ายประสาทเทียมเป็นวิธีที่รองรับทั้งฟังก์ชันแบบเชิงเส้นและไม่เป็นเชิงเส้น อีกทั้งมีความยืดหยุ่นสามารถใช้ได้แม้ไม่ทราบรูปแบบของฟังก์ชันที่แน่นอน

5. บทนำ (ต่อ) • ดังนั้นผู้วิจัยจึงได้ทำการศึกษาโดยมีวัตถุประสงค์เพื่อเปรียบเทียบความแม่นยำในการพยากรณ์ระหว่างวิธีกำลังสองน้อยที่สุดกับวิธีโครงข่ายประสาทเทียมในเรื่องการเจริญเติบโตทางเศรษฐกิจจากการศึกษาในประเทศไทย • โดยใช้ค่า • Root Mean Square Error (RMSE) • Mean Absolute Error (MAE) และ • Mean Absolute Percentage Error (MAPE) • ที่ได้จากข้อมูลชุดทดสอบ (Out of Sample) ในการเปรียบเทียบความแม่นยำ

6. ข้อมูล • ข้อมูลที่ใช้ในการศึกษาครั้งนี้เป็นข้อมูลรายปี ตั้งแต่ปี พ.ศ. 2518-2549 รวมทั้งสิ้น 32 ปี โดยใช้ข้อมูลดังนี้ • ข้อมูลผลิตภัณฑ์มวลรวมภายในประเทศ (Gross Domestic Product) • ข้อมูลสต็อกทุนมวลรวมของประเทศไทย (Capital Stock of Thailand) • ข้อมูลแรงงานผู้มีงานทำแบ่งตามระดับการศึกษา โดยถ่วงน้ำหนักด้วยจำนวนปีการศึกษา • ข้อมูลที่ใช้ในการวิจัยครั้งนี้จะถูกจัดเรียงเป็น 50 แบบ โดยแบบที่ 1 จัดเรียงตามลำดับเวลา ส่วนอีก 49 แบบจัดเรียงโดยการสุ่ม • ใช้ข้อมูลร้อยละ 80 ในการสร้างแบบจำลอง และใช้ข้อมูลร้อยละ 20 ในการทดสอบความแม่นยำของแบบจำลอง

7. วิธีการศึกษา • วิธีกำลังสองน้อยที่สุด • ฟังก์ชันการผลิตแบบ Cobb-Douglas • ทำการวิเคราะห์หาค่าพารามิเตอร์ แล้วทำการพยากรณ์และหาค่าความผิดพลาด

8. วิธีการศึกษา (ต่อ) • ฟังก์ชันการผลิตแบบ Constant Elasticity of Substitution (CES) • ทำการวิเคราะห์หาค่าพารามิเตอร์ แล้วทำการพยากรณ์และหาค่าความผิดพลาด

9. วิธีการศึกษา (ต่อ) • วิธีโครงข่ายประสาทเทียม • วิธีโครงข่ายประสาทเทียม (Neural Network) ที่เลือกใช้ในการศึกษาครั้งนี้เป็นแบบแพร่ย้อนกลับ (Back Propagation) ซึ่งอยู่ในกลุ่มของ Multilayer Feed Forward Neural Networks (MLFF)

10. วิธีการศึกษา (ต่อ) รูปภาพที่ 1 แสดงองค์ประกอบโครงข่ายประสาทเทียมแบบแพร่ย้อนกลับ

11. วิธีการศึกษา (ต่อ) • วิธีโครงข่ายประสาทเทียมแบบเชิงเส้น โดยเลือกใช้ฟังก์ชันถ่ายโอน (Transfer Function) แบบ Pure Linearและทำการปรับจำนวน Layer และ Node ตามความเหมาะสม ทำการสอน (Train) แบบจำลองด้วยข้อมูลสำหรับสร้างแบบจำลอง แล้วใช้แบบจำลองที่ได้หาค่าพยากรณ์และค่าความผิดพลาดจากข้อมูลชุดทดสอบ • วิธีโครงข่ายประสาทเทียมแบบไม่เป็นเชิงเส้น ทั้งนี้เลือกใช้ฟังก์ชันถ่ายโอนแบบ Log-sigmoidกำหนดจำนวน Layer และ Node ตามความเหมาะสม แล้วสอนแบบจำลองด้วยข้อมูลสำหรับสร้างแบบจำลอง เมื่อได้แบบจำลองแล้วหาค่าพยากรณ์และค่าความผิดพลาดจากข้อมูลชุดทดสอบ

12. วิธีการศึกษา (ต่อ) • ขั้นตอนสุดท้ายทำการวิเคราะห์เปรียบเทียบค่าความผิดพลาดที่ได้จากแต่ละแบบจำลอง

13. ผลการศึกษา • แบบจำลองที่ได้จากวิธีกำลังสองน้อยที่สุดแบบ Cobb-Douglas • แบบจำลองที่ได้จากวิธีกำลังสองน้อยที่สุดแบบ CES

14. ผลการศึกษา (ต่อ) • แบบจำลองวิธีโครงข่ายประสาทเทียมแบบเชิงเส้น (Linear NN) เป็นแบบ 2 ชั้น (Layer) ชั้นแรกมี 4 โนด (Node) ชั้นที่สองมี 4 โนด • แบบจำลองวิธีโครงข่ายประสาทเทียมแบบไม่เป็นเชิงเส้น (Nonlinear NN) เป็นแบบ 1 ชั้น โดยมี 8 โนด

15. ผลการศึกษา (ต่อ) ตารางที่ 1 แสดงค่าผิดพลาดเฉลี่ยที่ได้จากแต่ละแบบจำลอง

16. สรุปผลการศึกษา • จากการศึกษาครั้งนี้พบว่าค่าเฉลี่ยความผิดพลาดเรียงจากน้อยไปมากดังนี้ • วิธีกำลังสองน้อยที่สุดแบบ Cobb-Douglas • วิธีกำลังสองน้อยที่สุดแบบ CES • วิธีโครงข่ายประสาทเทียมแบบเชิงเส้น • โครงข่ายประสาทเทียมแบบไม่เป็นเชิงเส้น

17. สรุปผลการศึกษา (ต่อ) • ปัจจัยที่ส่งผลต่อความแม่นยำในการพยากรณ์มีดังนี้ • ปัจจัยการเรียงลำดับข้อมูล • โดยส่งผลเป็นอย่างมากต่อวิธีโครงข่ายประสาทเทียมทั้งแบบเชิงเส้นและไม่เป็นเชิงเส้น แต่ส่งผลน้อยมากสำหรับวิธีกำลังสองน้อยที่สุดทั้งแบบ Cobb-Douglas และ CES • ปัจจัยจำนวนข้อมูล • ข้อมูลที่น้อยส่งผลให้แบบจำลองที่สร้างขึ้นไม่สามารถสะท้อนความเป็นจริงทั้งหมดได้ • ปัจจัยฟังก์ชันการถ่ายโอน (วิธีโครงข่ายประสาทเทียม) • จำเป็นต้องเลือกให้เหมาะสมกับลักษณะของข้อมูล

18. สรุปผลการศึกษา (ต่อ) • ผลการศึกษายังชี้ให้เห็นว่าปัจจัยแรงงานมีความสำคัญอย่างมากต่อการเจริญเติบโตทางเศรษฐกิจของประเทศไทย • ในขณะเดียวกันปัจจัยทุนก็ยังคงมีความสำคัญต่อการเจริญเติบโตทางเศรษฐกิจของประเทศ • ดังนั้นภาครัฐควรให้ความสำคัญกับทั้งสองปัจจัยอย่างเหมาะสม การจัดสรรงบประมาณและการกำหนดนโยบายควรส่งเสริมทั้งสองปัจจัยในสัดส่วนที่เหมาะสมเพื่อให้เกิดการเจริญเติบโตทางเศรษฐกิจมากที่สุด

19. Q & A

20. ขอบคุณครับ