การพยากรณ์อนุกรมเวลาสำหรับการวางแผนการผลิตในอุตสาหกรรมน้ำดื่มบรรจุขวด
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อหาวิธีการพยากรณ์ที่เหมาะสมกับอนุกรมเวลาของยอดขายน้ำดื่มบรรจุขวดขนาด 0.33 ลิตร 0.6 ลิตร และ 1.5 ลิตร เพื่อลดขนาดของความผิดพลาดในการวางแผนการผลิตของอุตสาหกรรมน้ำดื่มบรรจุขวด โดยเริ่มศึกษาการวิเคราะห์ความเคลื่อนไหวของอนุกรมเวลาและสร้างสมการพยากรณ์ จำนวน 120 เดือน ตั้งแต่เดือนมกราคม พ.ศ. 2551 ถึง เดือนธันวาคม พ.ศ. 2560 เพื่อหาตัวแบบพยากรณ์ที่เหมาะสมและนำมาพยากรณ์ยอดขายน้ำดื่มบรรจุขวดทั้งสามขนาด จำนวน 36 เดือน ตั้งแต่เดือนมกราคม พ.ศ. 2561 ถึง เดือนธันวาคม พ.ศ. 2563 เพื่อใช้เป็นข้อมูลในการเปรียบเทียบตัวแบบพยากรณ์ ผลการวิจัยพบว่าที่ระดับนัยสำคัญ 0.05 อนุกรมเวลาของยอดขายน้ำดื่มบรรจุขวดทั้งสามขนาด มีแนวโน้มแต่ไม่มีอิทธิพลฤดูกาล วิธีการพยากรณ์ที่นำมาใช้เปรียบเทียบมี 3 วิธี คือ วิธีการปรับเรียบแบบเอ็กซ์โปแนนเชียลสองครั้ง วิธีการวิเคราะห์แนวโน้มเส้นตรง และวิธีการบ๊อกซ์และเจนกินส์ การเปรียบเทียบค่าพยากรณ์ที่ได้จะใช้เกณฑ์ค่าความผิดพลาดสัมบูรณ์เฉลี่ย (MAE) ร้อยละความผิดพลาดสัมบูรณ์เฉลี่ย (MAPE) และรากที่สองของความผิดพลาดกำลังสองเฉลี่ย (RMSE) ต่ำที่สุด วิธีการพยากรณ์ที่เหมาะสมสำหรับน้ำดื่มบรรจุขวดขนาด 0.33 ลิตร คือ วิธีการพยากรณ์แบบบ๊อกซ์และเจนกินส์ ARIMA(1,1,1) น้ำดื่มบรรจุขวดขนาด 0.6 ลิตร คือ วิธีการพยากรณ์แบบการปรับเรียบแบบเอ็กซ์โปแนนเชียลสองครั้ง และน้ำดื่มบรรจุขวดขนาด 1.5 ลิตร คือ วิธีการพยากรณ์แบบวิเคราะห์แนวโน้มเส้นตรง ซึ่งทำให้ขนาดของค่าความผิดพลาดสัมบูรณ์เฉลี่ย (MAE) ของการวางแผนการผลิตของน้ำดื่มบรรจุขวดทั้งสามขนาด ในปี พ.ศ. 2561 ถึงปี พ.ศ. 2563 ลดลงเท่ากับ 1.35, 4.95 และ 1.13 ตามลำดับ (หน่วย: ล้านขวด) อย่างมีนัยสำคัญทางสถิติที่ระดับความเชื่อมั่น 95 เปอร์เซ็นต์
Article Details
เอกสารอ้างอิง
River Plus. แนวโน้มอุตสาหกรรมเครื่องดื่มของไทย ปี 2019-2021. Available from: https://riverplus. com/beverage-industry-2019-2021/ [Accessed 2020 Jun 15].
ชมพูนุท เกษมเศรษฐ์. การพยากรณ์. ใน: ทฤษฎีการจัดการพัสดุคงคลังและการประยุกต์ใช้สำหรับตัวแบบพัสดุคงคลังดีเทอมินิสติคแบบต่อเนื่อง. เชียงใหม่: มหาวิทยาลัย เชียงใหม่. 2559; 31-35.
วิทยา สุหฤทดำรง. การพยากรณ์อุปสงค์ในโซ่อุปทาน. ใน: การจัดการโซ่อุปทาน. พิมพ์ครั้งที่ 2. กรุงเทพ: เพียร์สัน เอ็ดดูเคชั่น อินโดไชน่า. 2546; 72.
จุฑามาศ ศุภนคร. การพยากรณ์อนุกรมเวลาสำหรับการวางแผนการผลิตชิ้นส่วนประกอบผลิตภัณฑ์แบริ่ง. วารสารวิชาการพระจอมเกล้าพระนครเหนือ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. 2554; 21(3): 595-606.
Jeffrey Jarrett. Business Forecasting Methods, 2nd ed. Oxford: Basil Blackwell, 1991.
DeLurgio SA. Forecasting Principles and Applications. Boston, Massachusetts: McGraw-Hill, 1998.
มุกดา แม้นมินทร์. อนุกรมเวลาและการพยากรณ์. กรุงเทพฯ: ประกายพรึก. 2549.
ศศิธร โกฎสืบ, กัลยา บุญหล้า. การสร้างตัวแบบเพื่อการพยากรณ์ราคาข้าวหอมมะลิ 105. วารสารวิชาการวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครสวรรค์. 2559; 8(8): 49–60.
เฉลิมชาติ ธีระวิริยะ. การเปรียบเทียบวิธีการพยากรณ์สำหรับความต้องการใช้พลังงานไฟฟ้าในจังหวัดนครพนมการเปรียบเทียบวิธีการพยากรณ์สำหรับความต้องการใช้พลังงานไฟฟ้าในจังหวัดนครพนม.วารสารวิชาการ วิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยนเรศวร. 2560; 25(4): 24–37.
Zhao L-T, Wang Y, Guo S-Q, Zeng G-R. A novel method based on numerical fitting for oil price trend forecasting. Appl Energy. 2018; 220:154–163.
Kitworawut P, Rungreunganun V. Corn Price Modeling and Forecasting Using Box-Jenkins Model. Appl Sci Eng Prog. 2019; 12(4): 277–285.
ชม ปานตา และ ยุภาวดี สำราญฤทธิ์. การพยากรณ์ปริมาณน้าฝนรายเดือนในจังหวัดนครสวรรค์โดยใช้เทคนิคการพยากรณ์ทางสถิติ.วารสารวิชาการวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครสวรรค์. 2560; 9(10): 127-142.
คชินทร์ โกกนุทาภรณ์. การศึกษาเปรียบเทียบตัวแบบที่เหมาะสมสำหรับการพยากรณ์จำนวนผู้ใช้น้ำประปาของการประปาส่วนภูมิภาค สาขาปทุมธานี. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์. 2564; 29(1): 36-45.
วรางคณา เรียนสุทธิ์. การเลือกตัวแบบพยากรณ์ราคาไก่รุ่นพันธุ์เนื้อที่เหมาะสม. วารสารวิทยาศาสตร์ มข. มหาวิทยาลัยขนแก่น. 2562; 47(3): 563-575.
วรางคณา เรียนสุทธ์ิ. ตัวแบบพยากรณ์ราคามังคุดคละ.
วารสารวิชาการวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี. 2560; 19(2): 31-42.
บุญฤทธิ์ ชูประดิษฐ์, เสาวภา ชัยพิทักษ์. ตัวแบบพยากรณ์ปริมาณการส่งออกมะม่วงของประเทศไทย. วารสารวิชาการวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยนเรศวร. 2561; 26(2): 74–85.
Booranawong T, Booranawong A. Double exponential smoothing and Holt-Winters methods with optimal initial values and weighting factors for forecasting lime, Thai chili and lemongrass prices in Thailand. Eng Appl Sci Res. 2018; 45(1):32–38.
Abdallah FD. Role of Time Series Analysis in Forecasting Egg Production Depending on ARIMA Model. Applied Mathematics. 2019, 9(1): 1-5.
Didi EI, Kingdom N. and Harrison EE. ARIMA Modelling and Forecasting of COVID-19 Daily Confirmed/Death Cases: A Case Study of Nigeria. Probability and Statistics. 2021, 12(3): 59-80.
Fatma Pakdil. Box-and-Whisker-Plot. In: Six Sigma for Students. Cham, Switzerland: Springer; 2020. p. 321. Available from: https://doi.org/ 10. 1007/ 978-3-030-40709-4 [Accessed 2021 Feb 12]
Weisburd D, Britt C. The normal distribution and its application to tests of statistical significance. In: statistics in criminal justice. Boston, MA: USA; 2014. p. 234–268.
Guerard JB, Schwartz E. Regression Analysis and Forecasting Models. In: Quantitative Corporate Finance. Boston, MA: Springer; 2007. p. 277-278. Available from: https://doi.org/10.1007/978-0-387-34465-2_12 [Accessed 2020 Feb 25]
