การวางแผนเพื่อรองรับความต้องการถุงธารน้ำใจของสถานีกาชาดในหลายพื้นที่สำหรับสภากาชาดไทย

ชิติภัควัฒน์ เครือวงศ์; เจริญชัย  โขมพัตราภรณ์

ผู้แต่ง

ชิติภัควัฒน์ เครือวงศ์ นักศึกษา ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
เจริญชัย โขมพัตราภรณ์ รองศาสตราจารย์ ภาควิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี

คำสำคัญ:

การจัดกลุ่มคลัสเตอร์, การเตรียมการระดับสินค้าคงคลัง, การพยากรณ์ความต้องการ, การเรียนรู้ของเครื่อง, ถุงธารน้ำใจ

บทคัดย่อ

การเตรียมสิ่งของบรรเทาทุกข์ล่วงหน้ามีบทบาทสำคัญต่อการจัดการภัยพิบัติ เนื่องจากความต้องการมักมีความไม่แน่นอนและแตกต่างกันตามพื้นที่ งานวิจัยนี้นำเสนอแนวทางการวิเคราะห์ข้อมูลและการพยากรณ์ความต้องการถุงธารน้ำใจของสภากาชาดไทย เพื่อสนับสนุนการกำหนดระดับการเตรียมทรัพยากรในระดับกลุ่มสถานีกาชาด ซึ่งช่วยเพิ่มประสิทธิภาพของการจัดเก็บและการกระจายสิ่งของบรรเทาทุกข์ การศึกษาใช้ข้อมูลความต้องการรายเดือนจากสถานีกาชาดและฝ่ายบรรเทาทุกข์ทั่วประเทศในช่วงปี พ.ศ. 2554–2566 โดยชุดข้อมูลมีข้อจำกัดจากช่วงเวลาที่ขาดการบันทึกและการเปลี่ยนแปลงพื้นที่รับผิดชอบของสถานี จึงมีการปรับโครงสร้างข้อมูลเชิงพื้นที่ด้วยการกระจายข้อมูลย้อนหลังไปยังพื้นที่เดิม เพื่อให้ชุดข้อมูลมีความต่อเนื่องก่อนนำไปวิเคราะห์ การตรวจสอบรูปแบบการกระจายของข้อมูลด้วยการทดสอบ Kolmogorov–Smirnov (KS) พบว่าความต้องการมีลักษณะเบ้ขวาและสอดคล้องกับการแจกแจงแบบ Lognormal จากนั้นจึงนำผลไปใช้ประเมินปริมาณความต้องการที่ระดับความเชื่อมั่นร้อยละ 80 และเปรียบเทียบแนวทางการสำรองระหว่างการจัดเก็บแบบแยกสถานีกับการบริหารร่วมในระดับคลัสเตอร์ ซึ่งพบว่าการรวมความต้องการในระดับกลุ่มช่วยลดปริมาณการสำรองรวมของระบบได้ ในขั้นตอนการพยากรณ์ ได้ประยุกต์ใช้เทคนิค Machine Learning หลายรูปแบบ โดยใช้ตัวแปรด้านเวลา พื้นที่ และปริมาณน้ำฝนเป็นข้อมูลนำเข้า ทั้งนี้ปริมาณน้ำฝนถูกใช้เป็นตัวถ่วงน้ำหนักของข้อมูลในกระบวนการฝึกแบบจำลอง เพื่อสะท้อนความเสี่ยงของเหตุการณ์ภัยพิบัติ ผลการทดลองแสดงให้เห็นว่าการบริหารคงคลังในระดับคลัสเตอร์สามารถลดปริมาณการสำรองรวมของระบบได้อย่างมีนัยสำคัญเมื่อเทียบกับการจัดเก็บแบบแยกรายสถานี ขณะเดียวกันแบบจำลองการพยากรณ์สามารถประมาณแนวโน้มความต้องการได้ในระดับที่เหมาะสม และเมื่อนำผลพยากรณ์ไปประเมินร่วมกับฟังก์ชันการแจกแจงสะสม (CDF) พบว่าสามารถกำหนดระดับการเตรียมทรัพยากรที่รองรับความต้องการได้ในช่วงประมาณร้อยละ 80–90 ในระดับคลัสเตอร์ และประมาณร้อยละ 60–80 ในระดับสถานี

เอกสารอ้างอิง

สภากาชาดไทย, “วิสัยทัศน์ พันธกิจ และยุทธศาสตร์,” สภากาชาดไทย. [Online]. Available: https://redcross.or.th/aboutus/vision/. [วันที่เข้าถึง 10 เมษายน 2568].

สภากาชาดไทย, “การให้ความช่วยเหลือ (relief),” สภากาชาดไทย. [Online]. Available: https://redcross.or.th/mission/relief/. [วันที่เข้าถึง 12 เมษายน 2568].

L. Li and Z. B. Zabinsky, “Incorporating uncertainty into a supplier selection problem,” International Journal of Production Economics., vol. 134, no. 2, pp. 344–356, 2011.

P. W. Murray, B. Agard, and M. A. Barajas, “Forecasting supply chain demand by clustering customers,” IFAC-PapersOnLine., vol. 48, no. 3, pp. 1834–1839, 2015.

C. H. Paramaiah, M. Jayanth, M. Sharma, M. P. Dande, K. D. Pipalia, and S. Kumar, “Machine learning in demand forecasting for supply chain management,” in 2025 International Conference on Technology Enabled Economic Changes (InTech), 2025.

W. Leelawan and C. Khompatraporn, “Multi-period pre-positioning stock model with fuzzy demands of humanitarian relief aids network,” in Asia Pacific Industrial Engineering and Management Systems Conference (APIEMS 2019), Bangkok, Thailand, 2019.

A. Yariv, Optical Electronics in Modern Communications, New York: Oxford University Press, 1997.

F. J. Massey, Jr., “The Kolmogorov–Smirnov test for goodness of fit,” Journal of the American Statistical Association., vol. 46, no. 253, pp. 68–78, 1951.

T. M. Mitchell, Machine Learning, New York: McGraw-Hill, 1997.

L. Breiman, “Random forests,” Univ. California, Berkeley, CA, USA, Tech. Rep., 2001. [Online]. Available: https://www.stat.berkeley.edu/~bre iman/randomforest2001.pdf. [Accessed 25 August 2025].

J. H. Friedman, “Greedy function approximation: A gradient boosting machine,” The Annals of Statistics., vol. 29, no. 5, pp. 1189–1232, 2001.

J. Nelder and R. W. M. Wedderburn, “Generalized linear models,” Journal of the Royal Statistical Society: Series A., vol.135, no.3, pp. 370-384, 1972.

Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature., vol. 521, no. 7553, pp. 436–444, 2015.

The Thai Red Cross Society, “Relief supply warehouse guidelines,” [Online]. Available: https://rtrc.redcross.or.th/ewt/rtrc_web/article_attach/article_20141016161806.pdf. [Accessed 20 April 2025].

สำนักงานบรรเทาทุกข์และประชานามัยพิทักษ์ สภากาชาดไทย, “รายงานการดำเนินงานด้านการบรรเทาทุกข์และประชานามัย,” สภากาชาดไทย, 2567. [ออนไลน์]. แหล่งที่มา: https://rtrc.redcross.or.th/ewt/rtrc_web/download/article/article_20240521163713.pdf. [วันที่เข้าถึง 19 เมษายน 2568].

Thai Meteorological Department, “Average monthly rainfall in Thailand (mm) over a 30-year period (1991–2020),” [Online]. Available: https://www.tmd.go.th/ClimateChart/monthly-mean-rainfall-in-thailand-mm-30-years [Accessed 25 August 2025].