SlideShare a Scribd company logo
1 of 49
Download to read offline
-จัดกลุ่มครัวเรือนไทยตามรายได้ ค่าใช้จ่าย หนี้สิน การออม
และความเป็นอยู่ของครัวเรือน ได้กี่กลุ่ม?
-การจัดกลุ่มตัวแปรที่เป็นทั้งตัวแปรต่อเนื่องและตัวแปรจัดประเภททาได้อย่างไร?
-ระดับการศึกษาและอาชีพมีความสัมพันธ์กับกลุ่มครัวเรือนและความเหลื่อมล้าหรือไม่?
The First NIDA Business Analytics and Data Sciences Contest/Conference
วันที่ 1-2 กันยายน 2559 ณ อาคารนวมินทราธิราช สถาบันบัณฑิตพัฒนบริหารศาสตร์
https://businessanalyticsnida.wordpress.com
https://www.facebook.com/BusinessAnalyticsNIDA/
ความเหลื่อมล้าระหว่างกลุ่มครัวเรือนไทยตามสถานะทางเศรษฐกิจ: การวิเคราะห์จัดกลุ่ม
ประภาศรี เลิศเลอเกียรติ วทม (NIDA)
ส่วนงานเทคนิคพัฒนาและสนับสนุนระบบปฏิบัติการรับประกัน
บริษัท ไทยประกันชีวิต จากัด
อาจารย์ ดร.อานนท์ ศักดิ์วรวิชญ์
สาขาวิชา Business Analytics and Intelligence
สาขาวิชาวิทยาการประกันภัยและการบริหารความเสี่ยง
คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์
นวมินทราธิราช 4001 วันที่ 2 กันยายน 2559 11.30-12.00 น.
Thailand household's disparity of socioeconomic status:
A cluster analysis
นางสาวประภาศรี เลิศเลอเกียรติ, วทม. (NIDA)
Arnond Sakworawich, MA., MBA., Ph.D.
Cluster Analysis
K-mean clustering
Hierarchical Clustering
Two-step cluster analysis
• Capable of handling both categorical and continuous
clustering variables.
• Two-steps 1. Pre-clustering 2. Clustering
• Pre-clustering creates cluster feature tree and cluster
centers. It adds up leaves to node based on distance.
• Distance measure is log-likelihood distance. Continuous
variables are assumed normality while categorical
variables are assumed to have multinomial distribution.
• Clustering uses agglomerative hierarchical clustering
based on results step 1: Pre-clustering.
Examples of cluster analysis
1. Disease clustering and classification
2. Hospital clustering
3. Claim control with cluster analysis
4. Market segmentation
5. Students clustering
6. Country clustering
0
100
200
300
400
500
600
700
800
900
1000
0-1k
10k-11k
20k-21k
30k-31k
40k-41k
50k-51k
60k-61k
70k-71k
80k-81k
90k-91k
100k-101k
110k-111k
120k-121k
130k-131k
140k-142k
151k-152k
161k-162k
172k-173k
185k-186k
รายได้ทั้งสิ้นที่ครัวเรือนส่วนมากได้รับ = 10,000-11,000
รายได้ทั้งสิ้นของครัวเรือนกึ่งกลาง = 18,000
บาท
รายได้ทั้งสิ้นเฉลี่ยของครัวเรือน = 26,000
บาท
ความเป็ นมา
รายได ้ทั้งสิ้นเฉลี่ยต่อเดือนของครัวเรือน (บาท)
จานวนครัวเรือนตัวอย่าง
การกระจายรายได้ของครัวเรือนตัวอย่าง ปี 2558
แผนภูมิ รายได ้ค่าใช ้จ่าย และสัมประสิทธิ์ความไม่เสมอภาค
(Gini coefficient) ของรายได ้ปี 2531-2556
0.513 0.507 0.522 0.508 0.493 0.514 0.499 0.49 0.4840.465
0
0.1
0.2
0.3
0.4
0.5
0.6
0
5,000
10,000
15,000
20,000
25,000
30,000
2539 2541 2543 2545 2547 2549 2550 2552 2554 2556
Giniบาท
ค่าใช ้จ่าย รายได ้ ส.ป.ส ความไม่เสมอภาคของรายได ้
ที่มา: ข ้อมูลจากการสารวจภาวะเศรษฐกิจและสังคมของครัวเรือน สานักงานสถิติแห่งชาติ
ประมวลผลโดย สานักพัฒนาฐานข ้อมูลและตัวชี้วัดภาวะสังคม สศช.
1. เพื่อจัดกลุ่มครัวเรือนไทยตามสถานะทางเศรษฐกิจ
ด ้านรายได ้ค่าใช ้จ่าย หนี้สิน การออม
และความเป็นอยู่ของครัวเรือน
2. เพื่อศึกษาโปรไฟล์ของกลุ่มครัวเรือนไทย
ตามสถานะทางเศรษฐกิจ ด ้านรายได ้ค่าใช ้จ่าย
หนี้สิน การออม และความเป็นอยู่ของครัวเรือน
3. เพื่อศึกษาความเหลื่อมล้าระหว่างกลุ่มครัวเรือนไทย
จาแนกตามสถานะทางเศรษฐกิจ ด ้านรายได ้ค่าใช ้จ่าย
หนี้สิน การออม และความเป็นอยู่ของครัวเรือน
วัตถุประสงค์
ข ้อมูลจากการสารวจภาวะเศรษฐกิจและสังคม
ของครัวเรือน พ.ศ. 2558 (6 เดือนแรก)
โดยสานักงานสถิติแห่งชาติ
ขอบเขตการวิจัย
นาไปใช ้เป็ นแนวทางในการวางแผนพัฒนา และ
กาหนดนโยบายที่มีความเหมาะสมและสอดคล ้องกับบริบท
ของสังคมไทย เพื่อให ้บรรลุเป้าหมายในการพัฒนาประเทศที่
ต ้องการลดระดับความเหลื่อมล้าของสังคมไทย
ประโยชน์ที่คาดว่าจะได้รับ
จานวนกลุ่ม
และ
คุณลักษณะ
ของแต่ละ
กลุ่ม
วิเคราะห์
การจัดกลุ่ม
Two-Step
Cluster
Analysis
ด้านรายได้
ด้านค่าใช้จ่าย
ด้านการออม
ด้านหนี้สิน
ด้านความเป็ นอยู่
Input Process Output
กรอบแนวคิดในการศึกษา
(Conceptual Framework)
ตัวแปร ระดับของข้อมูล
ด้านรายได้
ค่าจ ้างและเงินเดือนเฉลี่ยต่อเดือน อันตรภาค (Interval)
รายได ้ที่ไม่ได ้เป็นตัวเงินเฉลี่ยต่อเดือน อันตรภาค (Interval)
กาไรสุทธิจากการประกอบธุรกิจเฉลี่ยต่อเดือน อันตรภาค (Interval)
กาไรสุทธิจากการประกอบการเกษตรเฉลี่ยต่อเดือน อันตรภาค (Interval)
ด้านค่าใช้จ่าย
ค่าใช ้จ่ายอุปโภคบริโภคเฉลี่ยต่อเดือนของครัวเรือน อันตรภาค (Interval)
ค่าใช ้จ่ายอาหาร เครื่องดื่มและยาสูบเฉลี่ยต่อเดือน
ของครัวเรือน
อันตรภาค (Interval)
ค่าใช ้จ่ายที่ไม่เกี่ยวกับการอุปโภคบริโภคต่อเดือน
ของครัวเรือน
อันตรภาค (Interval)
ด้านการออม
สินทรัพย์ทางการเงินเพื่อการออม อันตรภาค (Interval)
สินทรัพย์ทางการเงินเพื่อการลงทุน อันตรภาค (Interval)
ตัวแปรที่ใช้ในการศึกษา
ตัวแปร ระดับของข้อมูล
ด้านหนี้สิน
การชาระหนี้เฉลี่ยต่อเดือนของครัวเรือน อันตรภาค (Interval)
หนี้ในระบบ อันตรภาค (Interval)
หนี้นอกระบบ อันตรภาค (Interval)
ด้านความเป็ นอยู่
มูลค่าบ ้านที่ใช ้เป็นที่อยู่อาศัย อันตรภาค (Interval)
สถานภาพการครอบครองที่อยู่อาศัย นามบัญญัติ(Nominal)
ความสามารถในการกู้หรือยืมเงิน นามบัญญัติ(Nominal)
(12 เดือนที่แล ้ว) ครัวเรือนมีปัญหา
เรื่องค่าใช ้จ่ายหรือไม่
นามบัญญัติ(Nominal)
ตัวแปรที่ใช้ในการศึกษา
Analytic Strategies for Clustering SES
and Exploring disparity
1. Exploring and interpreting cluster profile
1. Cluster profile plot
2. Comparing interval clustering variables’ means among
cluster membership
3. Associating categorical clustering variables with cluster
membership
Analytic Strategies for Clustering SES
and Exploring disparity
2. Validating cluster results with other variables
1. Associating other categorical variables with cluster
membership
3. Measuring disparity
1. Gini coefficient within and between cluster
2. Normalized entropy within and between cluster
กลุ่มที่ จานวน
ครัวเรือน
ร้อยละ
1 1,241 5.7
2 8,004 36.9
3 6,891 31.8
4 5,566 25.6
รวม 21,702 100.0
4 กลุ่มครัวเรือนไทย
ผลจากการวิเคราะห์ Cluster Analysis
จากข ้อมูลสารวจภาวะเศรษฐกิจและสังคมของครัวเรือน พ.ศ. 2558
ผลการศึกษา
1.1Cluster Profile
-1
0
1
1
2
2
3
ค่าจ้างและเงินเดือนเฉลี่ยต่อเดือน
รายได้ที่ไม่ได้เป็นตัวเงินเฉลี่ยต่อเดือน
กาไรสุทธิจากการประกอบธุรกิจเฉลี่ยต่อ
เดือน
กาไรสุทธิจากการประกอบการเกษตร
เฉลี่ยต่อเดือน
ค่าใช้จ่ายอุปโภคบริโภคเฉลี่ยต่อเดือน
ของครัวเรือน
ค่าใช้จ่ายอาหารเครื่องดื่มและยาสูบ
เฉลี่ยต่อเดือนของครัวเรือน
ค่าใช้จ่ายที่ไม่เกี่ยวกับการอุปโภค
บริโภคต่อเดือนของครัวเรือน
สินทรัพย์ทางการเงินเพื่อการออม
สินทรัพย์ทางการเงินเพื่อการลงทุน
มูลค่าบ้านที่ใช้เป็นที่อยู่อาศัย
การชาระหนี้ต่อเดือนของครัวเรือน
หนี้ในระบบ
หนี้นอกระบบ
z-score
ครัวเรือนกลุ่มที่1 ครัวเรือนกลุ่มที่2 ครัวเรือนกลุ่มที่3 ครัวเรือนกลุ่มที่4
1.2 Comparing interval clustering variables’ means among cluster
membership
ตัวแปร M SD Minimum Maximum F p-value
ค่าจ้างและเงินเดือนเฉลี่ยต่อเดือน 10,668.26 19,327.99 0 411,500 1,789.94 .000
กลุ่มที่ 1 45,066.53 50,233.55 0 411,500
กลุ่มที่ 2 10,208.82 12,941.43 0 120,833
กลุ่มที่ 3 8,555.55 13,593.39 0 110,000
กลุ่มที่ 4 6,275.11 11,656.08 0 91,200
รายได้ที่ไม่ได้เป็นตัวเงิน
เฉลี่ยต่อเดือน
3,518.69 3,365.65 0 152,473 1,277.46 .000
กลุ่มที่ 1 8,318.50 9,665.10 0 152,473
กลุ่มที่ 2 2,524.03 2,186.03 0 21,037
กลุ่มที่ 3 3,746.13 2,037.40 488 20,952
กลุ่มที่ 4 3,597.30 2,171.51 300 19,341
1.2 Comparing interval clustering variables’ means among cluster
membership
ตัวแปร M SD Minimum Maximum F p-value
กาไรสุทธิจากการประกอบธุรกิจ
เฉลี่ยต่อเดือน
5,697.92 33,262.93 0 2,616,667 254.58 .000
กลุ่มที่ 1 30,531.21 130,781.11 0 2,616,667
กลุ่มที่ 2 4,390.68 10,004.01 0 152,800
กลุ่มที่ 3 4,582.79 10,361.93 0 157,077
กลุ่มที่ 4 3,421.48 8,939.96 0 124,075
กาไรสุทธิจากการประกอบ
การเกษตรเฉลี่ยต่อเดือน
2,650.06 11,876.41 0 891,192 239.28 .000
กลุ่มที่ 1 9,290.01 43,503.30 0 891,192
กลุ่มที่ 2 1,052.66 3,399.76 0 51,417
กลุ่มที่ 3 4,188.04 7,591.27 0 58,504
กลุ่มที่ 4 1,562.59 4,769.32 0 59,372
1.2 Comparing interval clustering variables’ means among cluster
membership
ตัวแปร M SD Minimum Maximum F p-value
ค่าใช้จ่ายอุปโภคบริโภค
เฉลี่ยต่อเดือนของครัวเรือน
18,195.87 15,985.83 1,037 494,210 2,918.37 .000
กลุ่มที่ 1 52,437.44 38,982.14 5,007 494,210
กลุ่มที่ 2 15,238.06 9,246.88 1,037 92,541
กลุ่มที่ 3 18,312.13 10,928.41 2,485 99,530
กลุ่มที่ 4 14,670.76 10,029.61 1,350 80,871
ตัวแปร M SD Minimum Maximum F p-value
ค่าใช้จ่ายอาหาร เครื่องดื่ม และยาสูบ
เฉลี่ยต่อเดือนของครัวเรือน
7,145.98 4,098.19 0 66,035 1,325.58 .000
กลุ่มที่ 1 13,403.55 7,685.33 1,161 66,035
กลุ่มที่ 2 6,582.98 3,370.50 0 27,503
กลุ่มที่ 3 7,422.62 3,379.03 0 29,575
กลุ่มที่ 4 6,217.92 3,422.71 0 28,006
ค่าใช้จ่ายที่ไม่เกี่ยวกับการอุปโภค
บริโภคต่อเดือนของครัวเรือน
2,641.07 4,966.52 0 171,412 2,102.34 .000
กลุ่มที่ 1 12,087.09 14,126.36 0 171,412
กลุ่มที่ 2 2,234.00 3,061.85 0 29,118
กลุ่มที่ 3 2,383.29 3,094.00 0 27,330
กลุ่มที่ 4 1,439.51 2,173.95 0 22,840
1.2 Comparing interval clustering variables’ means among cluster
membership
ตัวแปร M SD Minimum Maximum F p-value
สินทรัพย์ทางการเงินเพื่อการออม 145,749.90 685,991.43 0 48,700,000 947.33 .000
กลุ่มที่ 1 1,088,602.01 2,565,463.54 0 48,700,000
กลุ่มที่ 2 57,757.67 149,924.90 0 2,800,000
กลุ่มที่ 3 106,171.30 224,932.14 0 3,000,000
กลุ่มที่ 4 111,065.48 247,104.74 0 3,000,000
สินทรัพย์ทางการเงินเพื่อการลงทุน 6,982.53 127,437.62 0 13,200,000 230.02 .000
กลุ่มที่ 1 97,825.14 521,131.07 0 13,200,000
กลุ่มที่ 2 1,264.01 12,371.95 0 400,000
กลุ่มที่ 3 1,593.76 16,096.78 0 400,000
กลุ่มที่ 4 1,623.12 17,996.65 0 500,000
มูลค่าบ้านที่ใช้เป็นที่อยู่อาศัย 769,542.60 2,279,941.56 0 200,000,000 819.84 .000
กลุ่มที่ 1 3,568,305.40 8,373,073.11 0 200,000,000
กลุ่มที่ 2 302,431.02 600,049.31 0 9,000,000
กลุ่มที่ 3 763,052.84 918,303.09 1,900 10,000,000
กลุ่มที่ 4 825,276.93 1,011,500.61 1,000 12,000,000
1.2 Comparing interval clustering variables’ means among cluster
membership
ตัวแปร M SD Minimum Maximum F p-value
หนี้ในระบบ 168,351.03 572,836.14 0 30,000,000 1,779.21 .000
กลุ่มที่ 1 1,177,566.13 1,895,471.38 0 30,000,000
กลุ่มที่ 2 92,883.31 238,684.02 0 2,350,400
กลุ่มที่ 3 180,002.97 316,163.79 0 2,872,319
กลุ่มที่ 4 37,433.72 143,976.18 0 2,200,000
หนี้นอกระบบ 3,664.87 49,156.78 0 3,500,000 250.04 .000
กลุ่มที่ 1 40,068.43 197,379.83 0 3,500,000
กลุ่มที่ 2 1,963.43 12,132.87 0 200,000
กลุ่มที่ 3 1,672.98 12,144.64 0 200,000
กลุ่มที่ 4 461.08 5,728.04 0 200,000
การชาระหนี้เฉลี่ยต่อเดือนของ
ครัวเรือน
3,837.93 11,232.04 0 583,333 1,359.03 .000
กลุ่มที่ 1 20,926.71 38,161.85 0 583,333
กลุ่มที่ 2 2,277.19 4,400.00 0 52,000
กลุ่มที่ 3 4,847.62 6,467.90 0 56,700
กลุ่มที่ 4 1,022.14 3,163.55 0 35,050
1.2 Comparing interval clustering variables’ means among cluster
membership
1.3 Associating categorical clustering variables with cluster membership
ตัวแปร
กลุ่ม
รวม 
2
p-value
1 2 3 4
ครัวเรือนทั้งหมด 1,241 8,004 6,891 5,566 21,702
สถานภาพการครอบ
ครองที่อยู่อาศัย
เป็นเจ้าของบ้านและที่ดิน 978 2,637 6,891 5,566 16,072 11,421.18 0.000
เป็นเจ้าของบ้านแต่เช่าที่ดิน 42 955 0 0 997
เช่า 145 3,044 0 0 3,189
อยู่โดยไม่เสียค่าเช่าเพราะเป็น
ส่วนหนึ่งของค่าจ้าง/ผู้อื่นเสียค่า
เช่าให้/ให้อยู่เปล่า
76 1,368 0 0 1,444
ความสามารถในการกู้
หรือยืมเงินเพื่อทาธุรกิจหรือ
ทาการเกษตร
กู้/ยืมไม่ได้ 72 1,651 45 0 1,768 21,733.63 0.000
กู้/ยืมได้แต่ไม่ครบ 62 2,025 94 0 2,181
กู้/ยืมได้ครบ 648 1,547 6,741 0 8,936
ไม่ต้องการ/ไม่คิดจะกู้ 459 2,781 11 5,566 8,817
(ในรอบ 12 เดือนที่แล้ว)
ครัวเรือนมีปัญหาในการจ่าย
ค่าเช่าบ้าน ค่าน้า
ค่าไฟ ค่าเล่าเรียนบ้างหรือไม่
ไม่มีปัญหา 1,199 6,965 6,478 5,566 20,208 907.879 0.000
มีปัญหา 42 1,039 413 0 1,494
ปัจจัยส่วนบุคคล
กลุ่ม
รวม 2
p-
value1 2 3 4
สถานะทางเศรษฐสังคม
ผู้ท้าการเกษตรและเพาะเลี้ยงสัตว์น้้า ที่ดินถือครองเป็นของตนเอง 7.3 6.1 22.7 9.5 12.3 4,200.76 .000
ผู้ท้าการเกษตรและเพาะเลี้ยงสัตว์น้้า ที่ดินถือครองไม่ใช่ของตนเอง 1.5 2.3 4.3 1.6 2.7
ผู้ท้าประมง ป่าไม้ ล่าสัตว์ หาของป่า และบริการทางการเกษตร 0.6 1.8 1.5 2.1 1.7
ผู้ประกอบธุรกิจของตนเองที่ไม่ใช่การเกษตร 24.6 21.8 19.5 17.6 20.2
ผู้จัดการ นักวิชาการ และผู้ปฏิบัติงานวิชาชีพ 44.1 8.6 9.3 6.6 10.3
คนงานเกษตร ป่าไม้ และประมง 0.2 3.5 2.3 2.2 2.6
คนงานด้านการขนส่งและงานพื้นฐาน 0.1 2.7 1.2 1.3 1.7
เสมียน พนักงานขายและให้บริการ 7.4 18.6 11.4 10.1 13.5
ผู้ปฏิบัติงานในกระบวนการผลิต ก่อสร้าง และเหมืองแร่ 2.5 18.0 10.9 10.5 13.0
ผู้ไม่ปฏิบัติงานในเชิงเศรษฐกิจ 11.7 16.5 16.8 38.5 22.0
2. Validating cluster results with other variables
ปัจจัยส่วนบุคคล
กลุ่ม
รวม 2
p-
value1 2 3 4
เพศ
ชาย 68.6 61.6 66.2 54.3 61.6 213.37 0.000
หญิง 31.4 38.4 33.8 45.7 38.4
อายุ
ต่้ากว่า 20 ปี 0.1 1.4 0.0 0.3 0.6 2,918.96 0.000
20 - 29 ปี 1.2 10.3 1.2 1.4 4.6
30 - 39 ปี 8.3 18.3 8.4 5.7 11.3
40 - 49 ปี 22.3 23.7 23.6 14.2 21.2
50 - 59 ปี 39.8 21.9 31.8 23.0 26.3
60 ปีขึ้นไป 28.3 24.4 35.0 55.5 35.9
2. Validating cluster results with other variables
ปัจจัยส่วนบุคคล
กลุ่ม
รวม 2 p-value
1 2 3 4
ระดับการศึกษา
ไม่เคยเรียน 1.5 7.4 2.9 7.4 5.6 3,610.05 .000
ก่อนประถมศึกษา 17.6 33.3 50.2 55.0 43.3
ประถมศึกษา 8.0 17.1 17.8 11.8 15.4
มัธยมศึกษาตอนต้น 6.4 12.3 9.0 7.7 9.8
มัธยมศึกษาตอนปลาย 6.6 11.3 7.5 5.9 8.4
อาชีวศึกษา/อนุปริญญา 10.0 8.4 5.0 4.7 6.5
ปริญญาตรี 35.1 9.2 6.7 6.6 9.2
สูงกว่าปริญญาตรี 14.7 1.0 0.9 0.8 1.7
2. Validating cluster results with other variables
ปัจจัยส่วนบุคคล
กลุ่ม
รวม 2 p-value
1 2 3 4
สถานภาพการสมรส
โสด 6.3 17.4 3.8 8.0 10.0 1,592.36 .000
สมรส 78.4 59.6 75.9 56.3 65.0
ม่าย 11.2 14.7 15.9 29.4 18.6
หย่า 3.1 3.8 2.4 2.9 3.1
แยกกันอยู่ 1.0 4.4 2.1 3.4 3.2
ภาค
กรุงเทพมหานคร 20.2 8 2 4 5.8 1,625.385 .000
ภาคกลาง(ไม่รวม
กรุงเทพมหานคร)
27.7 35.4 20.4 30.9 29.0
ภาคเหนือ 14.7 18.9 28.7 26.2 23.6
ภาคตะวันออกเฉียงเหนือ 23.9 20.6 36.1 24.5 26.7
ภาคใต้ 13.5 17.1 12.8 14.5 14.8
2. Validating cluster results with other variables
ปัจจัยส่วนบุคคล
กลุ่ม
รวม 2 p-value
1 2 3 4
เขตการปกครอง
ในเขตเทศบาล 78.2 69.2 52.3 57.6 61.4 631.55 .000
นอกเขตเทศบาล 21.8 30.8 47.7 42.4 38.6
ประเภทที่อยู่อาศัย
บ้านเดี่ยว 71.5 56.9 93.9 89.7 77.9 3,937.55 .000
ห้องแถว/ตึกแถว/อาคารพาณิชย์ 18.2 31.4 3.7 6.3 15.4
ทาวน์เฮ้าส์/บ้านแฝด 9.5 5.6 2.3 3.8 4.3
อื่นๆ ระบุ 0.8 6.1 0.1 0.2 2.4
แหล่งเงินกู้ต่างๆ
มีหนี้สิน 72.9 45.0 75.6 20.2 49.2 4,123.707 .000
หนี้ในระบบ 69.1 40.5 73.7 19.3 47.2 4,066.83 .000
หนี้นอกระบบ 8.6 6.2 4.3 1.4 4.5 225.78 .000
2. Validating cluster results with other variables
ปัจจัยส่วนบุคคล
กลุ่ม
รวม 2 p-value
1 2 3 4
จาแนกตามแหล่งเงินกู้
ธนาคารพาณิชย์ 22.1 4.0 6.5 1.5 5.2 673.81 .000
ธนาคารเพื่อการเกษตรและสหกรณ์ 8.0 7.9 30.4 4.1 14.1 2,273.89 .000
ธนาคารอาคารสงเคราะห์/ธนาคารออมสิน 16.7 4.5 5.3 1.3 4.6 557.05 .000
สถาบันการเงินและแหล่งเงินทุนอื่นๆ 25.9 16.3 17.6 7.2 14.9 427.46 .000
สหกรณ์ออมทรัพย์/สวัสดิการของหน่วยงาน 22.1 4.0 6.5 1.5 5.2 926.46 .000
กองทุนหมู่บ้านและชุมชนเมือง 1.3 7.2 17.5 4.7 9.5 809.44 .000
บุคคลอื่นภายนอกครัวเรือน 7.8 6.0 3.9 1.4 4.3 208.45 .000
2. Validating cluster results with other variables
ปัจจัยส่วนบุคคล
กลุ่ม
รวม 2 p-value
1 2 3 4
วัตถุประสงค์ของการกู้ยืม
เพื่อใช้ซื้อ/เช่าซื้อบ้าน และ/หรือที่ดิน 26.9 5.4 7.5 1.9 6.4 1,092.37 .000
เพื่อใช้ในการศึกษา 2.2 2.2 2.3 0.5 1.8 69.81 .000
เพื่อใช้จ่ายอุปโภคบริโภคอื่นๆในครัวเรือน 50.5 33.1 48.3 14.8 34.2 1,693.41 .000
เพื่อใช้ในการท้าธุรกิจ(ที่ไม่ใช่การเกษตร) 14.1 5.5 10.0 1.9 6.5 466.85 .000
เพื่อใช้ในการท้าการเกษตร (ปลูกพืช/เลี้ยงสัตว์/
เพาะเลี้ยง/ประมง ฯลฯ)
8.5 8.0 32.3 4.1 14.8 2,514.41 .000
อื่นๆ เช่น หนี้จากการค้้าประกัน หนี้ค่าปรับ/
จ่ายค่าเสียหาย ฯลฯ
1.0 0.4 0.4 0.3 0.4 15.53 .000
2. Validating cluster results with other variables
Gini Coefficient
Gini Coefficient วัดการกระจายหรือความหลากหลายของตัวแปร
Interval โดยพิจารณาจาก relative mean difference
หากมีค่าเข ้าใกล ้1 แสดงว่ามีการกระจายหรือความหลากหลายใน
ระดับต่ามากมีเพียงคนเดียวครอบครองทุกอย่าง ส่วนที่เหลือไม่ได ้อะไร
เลย แต่หากมีค่าเข ้าใกล ้ 0 แสดงว่าไม่มีความเหลื่อมล้าเลย ทุกคนมี
รายได ้หรือตัวเลขเท่าๆ กันหมดซึ่งคานวณค่าจากสูตร ดังนี้
Gini Coefficient
โดยแบ่งกลุ่มเป็น n กลุ่ม เรียงตัวแปรจากน้อยไปหามาก
หรือจนสุดไปรวยสุด
โดยที่ คือ หรือเปอร์เซ็นต์สะสมของประชากร
(cumulative percentage of population)
คือ เปอร์เซ็นต์สะสมของรายได ้
(cumulative percentage of income)
สูตรคานวณ (Gini Coefficient)
1
n
iX
))((2 1
1


  iii
n
i
i XXYXtcoefficienGini
iY
3.1 Gini coefficient within and between cluster
ตัวแปร
กลุ่ม
รวม 1 2 3 4
ด้านรายได้
ค่าจ้างและเงินเดือนเฉลี่ยต่อเดือน 0.729 0.566 0.631 0.725 0.782
รายได้ที่ไม่ได้เป็นตัวเงินเฉลี่ยต่อเดือน 0.388 0.461 0.452 0.278 0.307
ก้าไรสุทธิจากการประกอบธุรกิจเฉลี่ยต่อเดือน 0.869 0.872 0.832 0.830 0.867
ก้าไรสุทธิจากการประกอบการเกษตรเฉลี่ยต่อเดือน 0.879 0.937 0.910 0.759 0.893
ด้านค่าใช้จ่าย
ค่าใช้จ่ายอุปโภคบริโภคเฉลี่ยต่อเดือนของครัวเรือน 0.374 0.328 0.315 0.312 0.351
ค่าใช้จ่ายอาหาร เครื่องดื่ม และยาสูบเฉลี่ยต่อเดือนของครัวเรือน 0.290 0.301 0.273 0.246 0.294
ค่าใช้จ่ายที่ไม่เกี่ยวกับการอุปโภคบริโภคต่อเดือนของครัวเรือน 0.651 0.519 0.619 0.562 0.618
ด้านการออม
สินทรัพย์ทางการเงินเพื่อการออม 0.822 0.698 0.780 0.733 0.767
สินทรัพย์ทางการเงินเพื่อการลงทุน 0.992 0.942 0.988 0.990 0.991
ด้านหนี้สิน
การช้าระหนี้เฉลี่ยต่อเดือนของครัวเรือน 0.793 0.643 0.782 0.631 0.904
หนี้ในระบบ 0.858 0.671 0.854 0.721 0.929
หนี้นอกระบบ 0.988 0.953 0.971 0.980 0.993
ด้านความเป็นอยู่
มูลค่าบ้านที่ใช้เป็นที่อยู่อาศัย 0.648 0.596 0.744 0.482 0.505
Normalized Entropy
Normalized Entropy วัดการกระจายหรือความหลากหลายของตัว
แปรนามบัญญัติ (Nominal Variable) ว่ามีการกระจายหรือความ
หลากหลายมากน้อยเพียงใด โดยมีค่าอยู่ระหว่าง 0 ถึง 1
หากมีค่าเข ้าใกล ้1 แสดงว่ามีการกระจายหรือความหลากหลายใน
ระดับสูง แต่หากมีค่าเข ้าใกล ้ 0 แสดงว่าไม่มีการกระจายหรือความหลาย
หลาย ซึ่งคานวณค่าจากสูตร ดังนี้
2 2
1
/ ( ) ( ) / ( )
C
i i
i
NH H Max H PLog P Log C

  
Normalized Entropy (NH)
ตัวแปร
กลุ่ม
รวม
1 2 3 4
เพศ 0.898 0.961 0.922 0.995 0.961
อายุ 0.739 0.906 0.746 0.660 0.819
ระดับการศึกษา 0.868 0.884 0.741 0.722 0.825
ภาค 0.977 0.939 0.865 0.911 0.932
สถานภาพการสมรส 0.474 0.719 0.494 0.685 0.648
สถานะทางเศรษฐสังคม 0.672 0.872 0.870 0.796 0.876
เขตการปกครอง 0.757 0.890 0.999 0.983 0.962
ประเภทที่อยู่อาศัย 0.586 0.733 0.199 0.293 0.510
สถานภาพการครอบครองที่อยู่อาศัย 0.522 0.930 0.000 0.000 0.596
ความสามารถในการกู้หรือยืมเงินเพื่อทาธุรกิจหรือทาการเกษตร 0.737 0.980 0.089 0.000 0.841
(ในรอบ 12 เดือนที่แล้ว) ครัวเรือนมีปัญหาในการจ่ายบ้างหรือไม่ 0.213 0.557 0.327 0.000 0.362
3.2 Normalized entropy within and between cluster
Normalized Entropy (NH)
ตัวแปร
กลุ่ม
รวม
1 2 3 4
แหล่งเงินกู้ต่างๆ
ธนาคารพาณิชย์ 0.704 0.27 0.267 0.133 0.274
ธนาคารเพื่อการเกษตรและสหกรณ์ 0.401 0.398 0.886 0.246 0.586
ธนาคารอาคารสงเคราะห์/ธนาคารออมสิน 0.650 0.264 0.299 0.100 0.270
สถาบันการเงินและแหล่งเงินทุนอื่นๆ 0.826 0.642 0.670 0.375 0.608
สหกรณ์ออมทรัพย์/สวัสดิการของหน่วยงาน 0.762 0.241 0.349 0.111 0.294
กองทุนหมู่บ้านและชุมชนเมือง 0.099 0.372 0.669 0.275 0.453
บุคคลอื่นภายนอกครัวเรือน 0.396 0.327 0.239 0.107 0.254
3.2 Normalized entropy within and between cluster
กลุ่มที่ 1 ครัวเรือนคนรวย
มีลักษณะอย่างไร
รายได ้เฉลี่ยต่อครัวเรือน
53,000 บาท ต่อเดือน
มีหนี้สินเฉลี่ย
1 ล้านบาท
ต่อครัวเรือน
71.5% เป็นเจ ้าของบ ้านและที่ดิน
ราคาเฉลี่ย 3.5 ล้านบาท
หัวหน้าครัวเรือน
จบปริญญาตรีขึ้นไป
49.8%
อาชีพผู้จัดการ
นักวิชาการ
ธุรกิจส่วนตัว
44.1%
กลุ่มที่ 2 ครัวเรือนคนชั้นกลาง หนี้น้อย
มีลักษณะอย่างไร
รายได้เฉลี่ยต่อครัวเรือน
12,732 บาท ต่อเดือน
มีหนี้สินเฉลี่ย
94,000 บาท
ต่อครัวเรือน
2 ใน 5 ของครัวเรือนเป็น
หนี้ในระบบ
40.5% เป็นหนี้จากการใช ้
จ่ายอุปโภคบริโภคอื่นๆในครัวเรือน
10% ของหัวหน้าครัวเรือน
จบการศึกษา
ปริญญาตรีขึ้นไป
36% มีอาชีพ
เสมียน
พนักงานขาย
คนทางาน
ด้านการผลิต
กลุ่มที่ 3 ครัวเรือนคนชั้นกลาง หนี้เยอะ
มีลักษณะอย่างไร
รายได ้เฉลี่ยต่อครัวเรือน
12,301 บาท ต่อเดือน
หนี้มากที่สุด
โดยมีหนี้เฉลี่ย
181,000 บาทต่อ
ครัวเรือน
27% ของหัวหน้าครัวเรือน
ทางานด้านการเกษตร
เกือบครึ่งหนึ่งมี
หนี้จากการทาเกษตร
และ ใช้จ่ายเพื่ออุปโภค
บริโภค
2 ใน 5
มีหนี้จากการ
กู้ยืม ธกส.
7 ใน 10 ของครัวเรือน
หัวหน้าครัวเรือน จบ
การศึกษาไม่เกิน
ประถมศึกษา
มากกว่าครึ่ง
มีหัวหน้าครัวเรือนเป็ น
คนชรา
ครัวเรือนมากกว่าครึ่ง
รายได้จากลูกหลาน
ส่งกลับมาให้
กลุ่มที่ 4 ครัวเรือนค่อนข้างจน
มีลักษณะอย่างไร
รายได้เฉลี่ยต่อครัวเรือน
9,800 บาท ต่อเดือน
ทรัพย์สินทางการออม
ที่สะสมไว ้
ประมาณ110,000บาท
55% ของหัวหน้า
ครัวเรือน
จบประถมและ
ก่อนประถมศึกษา
38.5%
ไม่ได้ทางาน
มีเพียง 1 ใน 10
ของครัวเรือนที่เป็ นหนี้
-ความเหลื่อมล้าทางเศรษฐกิจไม่ได ้เกิดจากตัวเอง
-เกิดจากโอกาสในการเข ้าถึงการศึกษา
-การศึกษาทาให ้มีอาชีพแตกต่างกัน เพราะมี human capital มาไม่
เท่ากัน
-อาชีพแตกต่างกันสัมพันธ์กับรายได ้แตกต่างกัน
-ภูมิภาคหรือภูมิศาสตร์มีความสัมพันธ์กับ cluster ดังนั้นความเหลื่อม
ล้าไม่ได ้อาจจะเกิดจากการกระจายทรัพยากรหรือทุนและปัจจัยทาง
ธรรมชาติด ้วยเช่นกัน
สรุปผลการศึกษา
- บางกลุ่มเป็นผู้สูงอายุและมีรายได ้น้อยมาก ไม่สามารถพึ่งพาตนเอง
ได ้เพราะไม่สามารถหารายได ้หลังเกษียณ
-คนมีฐานะดีมีหนี้มาก เพราะมีความสามารถในการจ่ายหนี้และมีโอกาส
ในการเข ้าถึงแหล่งเงินชั้นดีในระบบที่มีต ้นทุนทางการเงินต่ากว่า
-คนยากจนจริง ไม่ได ้มีหนี้มาก เพราะไม่มีโอกาสในการก่อหนี้ หากก่อ
หนี้ก็มักจะเป็นหนี้นอกระบบ
สรุปผลการศึกษา
1. รัฐบาลควรเปิดโอกาสทางการศึกษาให ้กับคนยากจน เพื่อ
ยกระดับเศรษฐฐานะและลดความเหลื่อมล้าที่ยั่งยืน
2. รัฐสนับสนุนและผลักดันให ้มีกระบวนการสร ้างรายได ้และสร ้างอาชีพ
ให ้กับครัวเรือน โดยเฉพาะการสร ้างงานในเขตชนบทหรือนอกเขต
เทศบาล
3. พัฒนาและยกระดับฝีมือแรงงานเพื่อให ้เกิดการยกระดับรายได ้โดย
เร่งด่วน
4. กระจายอานาจ ทรัพยากร และทุน ลงไปในภูมิภาคที่มีเศรษฐฐานะไม่ดี
หรือมีความเหลื่อมล้าสูง เน้นการลงทุนในโครงสร ้างพื้นฐาน
(Infrastructure) ที่เป็นการลงทุนระยะยาวและก่อให ้เกิดการกระจาย
รายได ้และการพัฒนาไปตามภูมิภาคต่างๆ
ข้อเสนอแนะ
5. ส่งเสริมการจ ้างงานผู้สูงอายุ และการขยายอายุเกษียณเพื่อให ้คน
สูงอายุพึ่งพาตนเองได ้และไม่ต ้องพึ่งพาลูกหลาน
6. กาหนดนโยบายเพื่อให ้เข ้าถึงแหล่งเงินทุนอย่างทั่วถึง เพิ่ม
ความสามารถในการเข ้าถึงแหล่งเงินทุนในกลุ่มครัวเรือนที่มีระดับรายได ้
น้อย เพราะหนี้นอกระบบทาให ้ต ้นทุนการเงินสูงและมีปัญหา หนี้ท่วมท ้น
ธนาคารคนจนหรือกรามีนแบงค์ เป็นต ้นแบบที่น่าศึกษา ส่งเสริมระบบ
สหกรณ์ให ้เข ้มแข็งมีธรรมาภิบาลและขยายวงออกไปให ้มากขึ้น
7. การพิจารณปล่อยกู้หรือสร ้างหนี้ต ้องคานึงถึงความสามารถในการชาระ
หนี้คืนเป็นสาคัญ ไม่ใช่การปล่อยกู้แบบประชานิยมถมไม่เต็ม
8.การกาหนดนโยบายเกี่ยวกับหนี้ครัวเรือนควรพิจารณาว่าหนี้เป็นกี่เท่า
ของรายได ้(หรือความสามารถในการจ่ายหนี้)
ข้อเสนอแนะ
9. หากเป็นไปได ้ควรเปลี่ยนหลักสูตรการศึกษาให ้เด็กไทยทุกคนเรียนการ
วางแผนการเงินและการเงินส่วนบุคคล (ตั้งแต่ระดับชั้นประถมศึกษาหรือ
มัธยมศึกษา) เพื่อให ้มี financial literacy สูงขึ้นมีนิสัยในการออมการ
ลงทุนและการก่อหนี้อย่างมีเหตุผลและเท่าทันมากขึ้น
10. ให ้ความสาคัญกับระบบบานาญ และส่งเสริมให ้เกิดการออมและการ
ลงทุน เพราะสังคมไทยเข ้าสู่สังคมผู้สูงอายุ หากปลดเกษียณออกไปก็จะ
ไม่มีรายได ้รับรองในที่สุดจะกลายเป็นคนจน ยิ่งทาให ้เกิดความเหลื่อมล้า
มากขึ้น
ข้อเสนอแนะ

More Related Content

Viewers also liked

Agile Development for Startup โดย ผศ.ดร.รัฐกร พูลทรัพย์
Agile Development for Startup โดย ผศ.ดร.รัฐกร  พูลทรัพย์Agile Development for Startup โดย ผศ.ดร.รัฐกร  พูลทรัพย์
Agile Development for Startup โดย ผศ.ดร.รัฐกร พูลทรัพย์BAINIDA
 
DevOps : Integrate, Deliver and Deploy continuously with Visual Studio Team S...
DevOps : Integrate, Deliver and Deploy continuously with Visual Studio Team S...DevOps : Integrate, Deliver and Deploy continuously with Visual Studio Team S...
DevOps : Integrate, Deliver and Deploy continuously with Visual Studio Team S...BAINIDA
 
Proportional Hazard Model for Predicting Stroke Mortality โดย พิมพ์ชนก พุฒขาว...
Proportional Hazard Model for Predicting Stroke Mortality โดย พิมพ์ชนก พุฒขาว...Proportional Hazard Model for Predicting Stroke Mortality โดย พิมพ์ชนก พุฒขาว...
Proportional Hazard Model for Predicting Stroke Mortality โดย พิมพ์ชนก พุฒขาว...BAINIDA
 
Data Analytics in your IoT Solution Fukiat Julnual, Technical Evangelist, Mic...
Data Analytics in your IoT SolutionFukiat Julnual, Technical Evangelist, Mic...Data Analytics in your IoT SolutionFukiat Julnual, Technical Evangelist, Mic...
Data Analytics in your IoT Solution Fukiat Julnual, Technical Evangelist, Mic...BAINIDA
 
Face recognition and modeling โดย ผศ.ดร.ธนาสัย สุคนธ์พันธุ์
Face recognition and modeling โดย ผศ.ดร.ธนาสัย สุคนธ์พันธุ์Face recognition and modeling โดย ผศ.ดร.ธนาสัย สุคนธ์พันธุ์
Face recognition and modeling โดย ผศ.ดร.ธนาสัย สุคนธ์พันธุ์BAINIDA
 
สถิติทางการกับการพัฒนาประเทศ บทบาทของสำนักงานสถิติแห่งชาติ โดย นางหทัยชนก พรร...
สถิติทางการกับการพัฒนาประเทศ บทบาทของสำนักงานสถิติแห่งชาติ โดย นางหทัยชนก พรร...สถิติทางการกับการพัฒนาประเทศ บทบาทของสำนักงานสถิติแห่งชาติ โดย นางหทัยชนก พรร...
สถิติทางการกับการพัฒนาประเทศ บทบาทของสำนักงานสถิติแห่งชาติ โดย นางหทัยชนก พรร...BAINIDA
 
From fraudulence to adversarial learning จรัล งามวิโรจน์เจริญ chief data sci...
From fraudulence to adversarial learning  จรัล งามวิโรจน์เจริญ chief data sci...From fraudulence to adversarial learning  จรัล งามวิโรจน์เจริญ chief data sci...
From fraudulence to adversarial learning จรัล งามวิโรจน์เจริญ chief data sci...BAINIDA
 
วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร โดย พุฒนา รุ่งระวี วทม. (NIDA)
วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร โดย พุฒนา  รุ่งระวี วทม. (NIDA)  วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร โดย พุฒนา  รุ่งระวี วทม. (NIDA)
วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร โดย พุฒนา รุ่งระวี วทม. (NIDA) BAINIDA
 
Internet of Things and Complex event processing (CEP)/Data fusion
Internet of Things and Complex event processing (CEP)/Data fusionInternet of Things and Complex event processing (CEP)/Data fusion
Internet of Things and Complex event processing (CEP)/Data fusionBAINIDA
 
Face recognition and deep learning โดย ดร. สรรพฤทธิ์ มฤคทัต NECTEC
Face recognition and deep learning  โดย ดร. สรรพฤทธิ์ มฤคทัต NECTECFace recognition and deep learning  โดย ดร. สรรพฤทธิ์ มฤคทัต NECTEC
Face recognition and deep learning โดย ดร. สรรพฤทธิ์ มฤคทัต NECTECBAINIDA
 
Big data technology by Data Sciences Thailand ในงาน THE FIRST NIDA BUSINESS A...
Big data technology by Data Sciences Thailand ในงาน THE FIRST NIDA BUSINESS A...Big data technology by Data Sciences Thailand ในงาน THE FIRST NIDA BUSINESS A...
Big data technology by Data Sciences Thailand ในงาน THE FIRST NIDA BUSINESS A...BAINIDA
 
Big Data Analytics to Enhance Security คุณอนพัทย์ พิพัฒน์กิติบดี Technical Ma...
Big Data Analytics to Enhance Security คุณอนพัทย์ พิพัฒน์กิติบดี Technical Ma...Big Data Analytics to Enhance Security คุณอนพัทย์ พิพัฒน์กิติบดี Technical Ma...
Big Data Analytics to Enhance Security คุณอนพัทย์ พิพัฒน์กิติบดี Technical Ma...BAINIDA
 

Viewers also liked (12)

Agile Development for Startup โดย ผศ.ดร.รัฐกร พูลทรัพย์
Agile Development for Startup โดย ผศ.ดร.รัฐกร  พูลทรัพย์Agile Development for Startup โดย ผศ.ดร.รัฐกร  พูลทรัพย์
Agile Development for Startup โดย ผศ.ดร.รัฐกร พูลทรัพย์
 
DevOps : Integrate, Deliver and Deploy continuously with Visual Studio Team S...
DevOps : Integrate, Deliver and Deploy continuously with Visual Studio Team S...DevOps : Integrate, Deliver and Deploy continuously with Visual Studio Team S...
DevOps : Integrate, Deliver and Deploy continuously with Visual Studio Team S...
 
Proportional Hazard Model for Predicting Stroke Mortality โดย พิมพ์ชนก พุฒขาว...
Proportional Hazard Model for Predicting Stroke Mortality โดย พิมพ์ชนก พุฒขาว...Proportional Hazard Model for Predicting Stroke Mortality โดย พิมพ์ชนก พุฒขาว...
Proportional Hazard Model for Predicting Stroke Mortality โดย พิมพ์ชนก พุฒขาว...
 
Data Analytics in your IoT Solution Fukiat Julnual, Technical Evangelist, Mic...
Data Analytics in your IoT SolutionFukiat Julnual, Technical Evangelist, Mic...Data Analytics in your IoT SolutionFukiat Julnual, Technical Evangelist, Mic...
Data Analytics in your IoT Solution Fukiat Julnual, Technical Evangelist, Mic...
 
Face recognition and modeling โดย ผศ.ดร.ธนาสัย สุคนธ์พันธุ์
Face recognition and modeling โดย ผศ.ดร.ธนาสัย สุคนธ์พันธุ์Face recognition and modeling โดย ผศ.ดร.ธนาสัย สุคนธ์พันธุ์
Face recognition and modeling โดย ผศ.ดร.ธนาสัย สุคนธ์พันธุ์
 
สถิติทางการกับการพัฒนาประเทศ บทบาทของสำนักงานสถิติแห่งชาติ โดย นางหทัยชนก พรร...
สถิติทางการกับการพัฒนาประเทศ บทบาทของสำนักงานสถิติแห่งชาติ โดย นางหทัยชนก พรร...สถิติทางการกับการพัฒนาประเทศ บทบาทของสำนักงานสถิติแห่งชาติ โดย นางหทัยชนก พรร...
สถิติทางการกับการพัฒนาประเทศ บทบาทของสำนักงานสถิติแห่งชาติ โดย นางหทัยชนก พรร...
 
From fraudulence to adversarial learning จรัล งามวิโรจน์เจริญ chief data sci...
From fraudulence to adversarial learning  จรัล งามวิโรจน์เจริญ chief data sci...From fraudulence to adversarial learning  จรัล งามวิโรจน์เจริญ chief data sci...
From fraudulence to adversarial learning จรัล งามวิโรจน์เจริญ chief data sci...
 
วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร โดย พุฒนา รุ่งระวี วทม. (NIDA)
วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร โดย พุฒนา  รุ่งระวี วทม. (NIDA)  วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร โดย พุฒนา  รุ่งระวี วทม. (NIDA)
วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร โดย พุฒนา รุ่งระวี วทม. (NIDA)
 
Internet of Things and Complex event processing (CEP)/Data fusion
Internet of Things and Complex event processing (CEP)/Data fusionInternet of Things and Complex event processing (CEP)/Data fusion
Internet of Things and Complex event processing (CEP)/Data fusion
 
Face recognition and deep learning โดย ดร. สรรพฤทธิ์ มฤคทัต NECTEC
Face recognition and deep learning  โดย ดร. สรรพฤทธิ์ มฤคทัต NECTECFace recognition and deep learning  โดย ดร. สรรพฤทธิ์ มฤคทัต NECTEC
Face recognition and deep learning โดย ดร. สรรพฤทธิ์ มฤคทัต NECTEC
 
Big data technology by Data Sciences Thailand ในงาน THE FIRST NIDA BUSINESS A...
Big data technology by Data Sciences Thailand ในงาน THE FIRST NIDA BUSINESS A...Big data technology by Data Sciences Thailand ในงาน THE FIRST NIDA BUSINESS A...
Big data technology by Data Sciences Thailand ในงาน THE FIRST NIDA BUSINESS A...
 
Big Data Analytics to Enhance Security คุณอนพัทย์ พิพัฒน์กิติบดี Technical Ma...
Big Data Analytics to Enhance Security คุณอนพัทย์ พิพัฒน์กิติบดี Technical Ma...Big Data Analytics to Enhance Security คุณอนพัทย์ พิพัฒน์กิติบดี Technical Ma...
Big Data Analytics to Enhance Security คุณอนพัทย์ พิพัฒน์กิติบดี Technical Ma...
 

Similar to Thailand household's disparity of socioeconomic statust: A cluster analysis โดย ประภาศรี เลิศเลอเกียรติ อาจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์

Similar to Thailand household's disparity of socioeconomic statust: A cluster analysis โดย ประภาศรี เลิศเลอเกียรติ อาจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์ (10)

12 งานนำสนอ cluster analysis
12 งานนำสนอ cluster analysis12 งานนำสนอ cluster analysis
12 งานนำสนอ cluster analysis
 
หัวอกคนจน ว่ากันด้วยค่าใช้จ่ายแต่ละเดือน
หัวอกคนจน ว่ากันด้วยค่าใช้จ่ายแต่ละเดือนหัวอกคนจน ว่ากันด้วยค่าใช้จ่ายแต่ละเดือน
หัวอกคนจน ว่ากันด้วยค่าใช้จ่ายแต่ละเดือน
 
คู่มือ PCA เล่มฟ้า
คู่มือ PCA  เล่มฟ้าคู่มือ PCA  เล่มฟ้า
คู่มือ PCA เล่มฟ้า
 
1111111111111111111
11111111111111111111111111111111111111
1111111111111111111
 
หน่วยที่๕
หน่วยที่๕หน่วยที่๕
หน่วยที่๕
 
Communty diagnosis
Communty diagnosisCommunty diagnosis
Communty diagnosis
 
551212 moph policy
551212 moph policy551212 moph policy
551212 moph policy
 
โครงงาน เลขที่-4-8 คู่
โครงงาน เลขที่-4-8 คู่โครงงาน เลขที่-4-8 คู่
โครงงาน เลขที่-4-8 คู่
 
รายงาน
รายงานรายงาน
รายงาน
 
Social Enterprise: World & Thailand
Social Enterprise: World & ThailandSocial Enterprise: World & Thailand
Social Enterprise: World & Thailand
 

More from BAINIDA

Mixed methods in social and behavioral sciences
Mixed methods in social and behavioral sciencesMixed methods in social and behavioral sciences
Mixed methods in social and behavioral sciencesBAINIDA
 
Advanced quantitative research methods in political science and pa
Advanced quantitative  research methods in political science and paAdvanced quantitative  research methods in political science and pa
Advanced quantitative research methods in political science and paBAINIDA
 
Latest thailand election2019report
Latest thailand election2019reportLatest thailand election2019report
Latest thailand election2019reportBAINIDA
 
Data science in medicine
Data science in medicineData science in medicine
Data science in medicineBAINIDA
 
Nursing data science
Nursing data scienceNursing data science
Nursing data scienceBAINIDA
 
Financial time series analysis with R@the 3rd NIDA BADS conference by Asst. p...
Financial time series analysis with R@the 3rd NIDA BADS conference by Asst. p...Financial time series analysis with R@the 3rd NIDA BADS conference by Asst. p...
Financial time series analysis with R@the 3rd NIDA BADS conference by Asst. p...BAINIDA
 
Statistics and big data for justice and fairness
Statistics and big data for justice and fairnessStatistics and big data for justice and fairness
Statistics and big data for justice and fairnessBAINIDA
 
Data science and big data for business and industrial application
Data science and big data  for business and industrial applicationData science and big data  for business and industrial application
Data science and big data for business and industrial applicationBAINIDA
 
Update trend: Free digital marketing metrics for start-up
Update trend: Free digital marketing metrics for start-upUpdate trend: Free digital marketing metrics for start-up
Update trend: Free digital marketing metrics for start-upBAINIDA
 
Advent of ds and stat adjustment
Advent of ds and stat adjustmentAdvent of ds and stat adjustment
Advent of ds and stat adjustmentBAINIDA
 
เมื่อ Data Science เข้ามา สถิติศาสตร์จะปรับตัวอย่างไร
เมื่อ Data Science เข้ามา สถิติศาสตร์จะปรับตัวอย่างไร เมื่อ Data Science เข้ามา สถิติศาสตร์จะปรับตัวอย่างไร
เมื่อ Data Science เข้ามา สถิติศาสตร์จะปรับตัวอย่างไร BAINIDA
 
Data visualization. map
Data visualization. map Data visualization. map
Data visualization. map BAINIDA
 
Dark data by Worapol Alex Pongpech
Dark data by Worapol Alex PongpechDark data by Worapol Alex Pongpech
Dark data by Worapol Alex PongpechBAINIDA
 
Deepcut Thai word Segmentation @ NIDA
Deepcut Thai word Segmentation @ NIDADeepcut Thai word Segmentation @ NIDA
Deepcut Thai word Segmentation @ NIDABAINIDA
 
Professionals and wanna be in Business Analytics and Data Science
Professionals and wanna be in Business Analytics and Data ScienceProfessionals and wanna be in Business Analytics and Data Science
Professionals and wanna be in Business Analytics and Data ScienceBAINIDA
 
Deep learning and image analytics using Python by Dr Sanparit
Deep learning and image analytics using Python by Dr SanparitDeep learning and image analytics using Python by Dr Sanparit
Deep learning and image analytics using Python by Dr SanparitBAINIDA
 
Visualizing for impact final
Visualizing for impact finalVisualizing for impact final
Visualizing for impact finalBAINIDA
 
Python programming workshop
Python programming workshopPython programming workshop
Python programming workshopBAINIDA
 
Second prize business plan @ the First NIDA business analytics and data scien...
Second prize business plan @ the First NIDA business analytics and data scien...Second prize business plan @ the First NIDA business analytics and data scien...
Second prize business plan @ the First NIDA business analytics and data scien...BAINIDA
 
Second prize data analysis @ the First NIDA business analytics and data scie...
Second prize data analysis @ the First NIDA  business analytics and data scie...Second prize data analysis @ the First NIDA  business analytics and data scie...
Second prize data analysis @ the First NIDA business analytics and data scie...BAINIDA
 

More from BAINIDA (20)

Mixed methods in social and behavioral sciences
Mixed methods in social and behavioral sciencesMixed methods in social and behavioral sciences
Mixed methods in social and behavioral sciences
 
Advanced quantitative research methods in political science and pa
Advanced quantitative  research methods in political science and paAdvanced quantitative  research methods in political science and pa
Advanced quantitative research methods in political science and pa
 
Latest thailand election2019report
Latest thailand election2019reportLatest thailand election2019report
Latest thailand election2019report
 
Data science in medicine
Data science in medicineData science in medicine
Data science in medicine
 
Nursing data science
Nursing data scienceNursing data science
Nursing data science
 
Financial time series analysis with R@the 3rd NIDA BADS conference by Asst. p...
Financial time series analysis with R@the 3rd NIDA BADS conference by Asst. p...Financial time series analysis with R@the 3rd NIDA BADS conference by Asst. p...
Financial time series analysis with R@the 3rd NIDA BADS conference by Asst. p...
 
Statistics and big data for justice and fairness
Statistics and big data for justice and fairnessStatistics and big data for justice and fairness
Statistics and big data for justice and fairness
 
Data science and big data for business and industrial application
Data science and big data  for business and industrial applicationData science and big data  for business and industrial application
Data science and big data for business and industrial application
 
Update trend: Free digital marketing metrics for start-up
Update trend: Free digital marketing metrics for start-upUpdate trend: Free digital marketing metrics for start-up
Update trend: Free digital marketing metrics for start-up
 
Advent of ds and stat adjustment
Advent of ds and stat adjustmentAdvent of ds and stat adjustment
Advent of ds and stat adjustment
 
เมื่อ Data Science เข้ามา สถิติศาสตร์จะปรับตัวอย่างไร
เมื่อ Data Science เข้ามา สถิติศาสตร์จะปรับตัวอย่างไร เมื่อ Data Science เข้ามา สถิติศาสตร์จะปรับตัวอย่างไร
เมื่อ Data Science เข้ามา สถิติศาสตร์จะปรับตัวอย่างไร
 
Data visualization. map
Data visualization. map Data visualization. map
Data visualization. map
 
Dark data by Worapol Alex Pongpech
Dark data by Worapol Alex PongpechDark data by Worapol Alex Pongpech
Dark data by Worapol Alex Pongpech
 
Deepcut Thai word Segmentation @ NIDA
Deepcut Thai word Segmentation @ NIDADeepcut Thai word Segmentation @ NIDA
Deepcut Thai word Segmentation @ NIDA
 
Professionals and wanna be in Business Analytics and Data Science
Professionals and wanna be in Business Analytics and Data ScienceProfessionals and wanna be in Business Analytics and Data Science
Professionals and wanna be in Business Analytics and Data Science
 
Deep learning and image analytics using Python by Dr Sanparit
Deep learning and image analytics using Python by Dr SanparitDeep learning and image analytics using Python by Dr Sanparit
Deep learning and image analytics using Python by Dr Sanparit
 
Visualizing for impact final
Visualizing for impact finalVisualizing for impact final
Visualizing for impact final
 
Python programming workshop
Python programming workshopPython programming workshop
Python programming workshop
 
Second prize business plan @ the First NIDA business analytics and data scien...
Second prize business plan @ the First NIDA business analytics and data scien...Second prize business plan @ the First NIDA business analytics and data scien...
Second prize business plan @ the First NIDA business analytics and data scien...
 
Second prize data analysis @ the First NIDA business analytics and data scie...
Second prize data analysis @ the First NIDA  business analytics and data scie...Second prize data analysis @ the First NIDA  business analytics and data scie...
Second prize data analysis @ the First NIDA business analytics and data scie...
 

Thailand household's disparity of socioeconomic statust: A cluster analysis โดย ประภาศรี เลิศเลอเกียรติ อาจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์

  • 1. -จัดกลุ่มครัวเรือนไทยตามรายได้ ค่าใช้จ่าย หนี้สิน การออม และความเป็นอยู่ของครัวเรือน ได้กี่กลุ่ม? -การจัดกลุ่มตัวแปรที่เป็นทั้งตัวแปรต่อเนื่องและตัวแปรจัดประเภททาได้อย่างไร? -ระดับการศึกษาและอาชีพมีความสัมพันธ์กับกลุ่มครัวเรือนและความเหลื่อมล้าหรือไม่? The First NIDA Business Analytics and Data Sciences Contest/Conference วันที่ 1-2 กันยายน 2559 ณ อาคารนวมินทราธิราช สถาบันบัณฑิตพัฒนบริหารศาสตร์ https://businessanalyticsnida.wordpress.com https://www.facebook.com/BusinessAnalyticsNIDA/ ความเหลื่อมล้าระหว่างกลุ่มครัวเรือนไทยตามสถานะทางเศรษฐกิจ: การวิเคราะห์จัดกลุ่ม ประภาศรี เลิศเลอเกียรติ วทม (NIDA) ส่วนงานเทคนิคพัฒนาและสนับสนุนระบบปฏิบัติการรับประกัน บริษัท ไทยประกันชีวิต จากัด อาจารย์ ดร.อานนท์ ศักดิ์วรวิชญ์ สาขาวิชา Business Analytics and Intelligence สาขาวิชาวิทยาการประกันภัยและการบริหารความเสี่ยง คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์ นวมินทราธิราช 4001 วันที่ 2 กันยายน 2559 11.30-12.00 น.
  • 2. Thailand household's disparity of socioeconomic status: A cluster analysis นางสาวประภาศรี เลิศเลอเกียรติ, วทม. (NIDA) Arnond Sakworawich, MA., MBA., Ph.D.
  • 5. Two-step cluster analysis • Capable of handling both categorical and continuous clustering variables. • Two-steps 1. Pre-clustering 2. Clustering • Pre-clustering creates cluster feature tree and cluster centers. It adds up leaves to node based on distance. • Distance measure is log-likelihood distance. Continuous variables are assumed normality while categorical variables are assumed to have multinomial distribution. • Clustering uses agglomerative hierarchical clustering based on results step 1: Pre-clustering.
  • 6.
  • 7. Examples of cluster analysis 1. Disease clustering and classification 2. Hospital clustering 3. Claim control with cluster analysis 4. Market segmentation 5. Students clustering 6. Country clustering
  • 8. 0 100 200 300 400 500 600 700 800 900 1000 0-1k 10k-11k 20k-21k 30k-31k 40k-41k 50k-51k 60k-61k 70k-71k 80k-81k 90k-91k 100k-101k 110k-111k 120k-121k 130k-131k 140k-142k 151k-152k 161k-162k 172k-173k 185k-186k รายได้ทั้งสิ้นที่ครัวเรือนส่วนมากได้รับ = 10,000-11,000 รายได้ทั้งสิ้นของครัวเรือนกึ่งกลาง = 18,000 บาท รายได้ทั้งสิ้นเฉลี่ยของครัวเรือน = 26,000 บาท ความเป็ นมา รายได ้ทั้งสิ้นเฉลี่ยต่อเดือนของครัวเรือน (บาท) จานวนครัวเรือนตัวอย่าง การกระจายรายได้ของครัวเรือนตัวอย่าง ปี 2558
  • 9. แผนภูมิ รายได ้ค่าใช ้จ่าย และสัมประสิทธิ์ความไม่เสมอภาค (Gini coefficient) ของรายได ้ปี 2531-2556 0.513 0.507 0.522 0.508 0.493 0.514 0.499 0.49 0.4840.465 0 0.1 0.2 0.3 0.4 0.5 0.6 0 5,000 10,000 15,000 20,000 25,000 30,000 2539 2541 2543 2545 2547 2549 2550 2552 2554 2556 Giniบาท ค่าใช ้จ่าย รายได ้ ส.ป.ส ความไม่เสมอภาคของรายได ้ ที่มา: ข ้อมูลจากการสารวจภาวะเศรษฐกิจและสังคมของครัวเรือน สานักงานสถิติแห่งชาติ ประมวลผลโดย สานักพัฒนาฐานข ้อมูลและตัวชี้วัดภาวะสังคม สศช.
  • 10. 1. เพื่อจัดกลุ่มครัวเรือนไทยตามสถานะทางเศรษฐกิจ ด ้านรายได ้ค่าใช ้จ่าย หนี้สิน การออม และความเป็นอยู่ของครัวเรือน 2. เพื่อศึกษาโปรไฟล์ของกลุ่มครัวเรือนไทย ตามสถานะทางเศรษฐกิจ ด ้านรายได ้ค่าใช ้จ่าย หนี้สิน การออม และความเป็นอยู่ของครัวเรือน 3. เพื่อศึกษาความเหลื่อมล้าระหว่างกลุ่มครัวเรือนไทย จาแนกตามสถานะทางเศรษฐกิจ ด ้านรายได ้ค่าใช ้จ่าย หนี้สิน การออม และความเป็นอยู่ของครัวเรือน วัตถุประสงค์
  • 11. ข ้อมูลจากการสารวจภาวะเศรษฐกิจและสังคม ของครัวเรือน พ.ศ. 2558 (6 เดือนแรก) โดยสานักงานสถิติแห่งชาติ ขอบเขตการวิจัย
  • 12. นาไปใช ้เป็ นแนวทางในการวางแผนพัฒนา และ กาหนดนโยบายที่มีความเหมาะสมและสอดคล ้องกับบริบท ของสังคมไทย เพื่อให ้บรรลุเป้าหมายในการพัฒนาประเทศที่ ต ้องการลดระดับความเหลื่อมล้าของสังคมไทย ประโยชน์ที่คาดว่าจะได้รับ
  • 14. ตัวแปร ระดับของข้อมูล ด้านรายได้ ค่าจ ้างและเงินเดือนเฉลี่ยต่อเดือน อันตรภาค (Interval) รายได ้ที่ไม่ได ้เป็นตัวเงินเฉลี่ยต่อเดือน อันตรภาค (Interval) กาไรสุทธิจากการประกอบธุรกิจเฉลี่ยต่อเดือน อันตรภาค (Interval) กาไรสุทธิจากการประกอบการเกษตรเฉลี่ยต่อเดือน อันตรภาค (Interval) ด้านค่าใช้จ่าย ค่าใช ้จ่ายอุปโภคบริโภคเฉลี่ยต่อเดือนของครัวเรือน อันตรภาค (Interval) ค่าใช ้จ่ายอาหาร เครื่องดื่มและยาสูบเฉลี่ยต่อเดือน ของครัวเรือน อันตรภาค (Interval) ค่าใช ้จ่ายที่ไม่เกี่ยวกับการอุปโภคบริโภคต่อเดือน ของครัวเรือน อันตรภาค (Interval) ด้านการออม สินทรัพย์ทางการเงินเพื่อการออม อันตรภาค (Interval) สินทรัพย์ทางการเงินเพื่อการลงทุน อันตรภาค (Interval) ตัวแปรที่ใช้ในการศึกษา
  • 15. ตัวแปร ระดับของข้อมูล ด้านหนี้สิน การชาระหนี้เฉลี่ยต่อเดือนของครัวเรือน อันตรภาค (Interval) หนี้ในระบบ อันตรภาค (Interval) หนี้นอกระบบ อันตรภาค (Interval) ด้านความเป็ นอยู่ มูลค่าบ ้านที่ใช ้เป็นที่อยู่อาศัย อันตรภาค (Interval) สถานภาพการครอบครองที่อยู่อาศัย นามบัญญัติ(Nominal) ความสามารถในการกู้หรือยืมเงิน นามบัญญัติ(Nominal) (12 เดือนที่แล ้ว) ครัวเรือนมีปัญหา เรื่องค่าใช ้จ่ายหรือไม่ นามบัญญัติ(Nominal) ตัวแปรที่ใช้ในการศึกษา
  • 16. Analytic Strategies for Clustering SES and Exploring disparity 1. Exploring and interpreting cluster profile 1. Cluster profile plot 2. Comparing interval clustering variables’ means among cluster membership 3. Associating categorical clustering variables with cluster membership
  • 17. Analytic Strategies for Clustering SES and Exploring disparity 2. Validating cluster results with other variables 1. Associating other categorical variables with cluster membership 3. Measuring disparity 1. Gini coefficient within and between cluster 2. Normalized entropy within and between cluster
  • 18. กลุ่มที่ จานวน ครัวเรือน ร้อยละ 1 1,241 5.7 2 8,004 36.9 3 6,891 31.8 4 5,566 25.6 รวม 21,702 100.0 4 กลุ่มครัวเรือนไทย ผลจากการวิเคราะห์ Cluster Analysis จากข ้อมูลสารวจภาวะเศรษฐกิจและสังคมของครัวเรือน พ.ศ. 2558 ผลการศึกษา
  • 19. 1.1Cluster Profile -1 0 1 1 2 2 3 ค่าจ้างและเงินเดือนเฉลี่ยต่อเดือน รายได้ที่ไม่ได้เป็นตัวเงินเฉลี่ยต่อเดือน กาไรสุทธิจากการประกอบธุรกิจเฉลี่ยต่อ เดือน กาไรสุทธิจากการประกอบการเกษตร เฉลี่ยต่อเดือน ค่าใช้จ่ายอุปโภคบริโภคเฉลี่ยต่อเดือน ของครัวเรือน ค่าใช้จ่ายอาหารเครื่องดื่มและยาสูบ เฉลี่ยต่อเดือนของครัวเรือน ค่าใช้จ่ายที่ไม่เกี่ยวกับการอุปโภค บริโภคต่อเดือนของครัวเรือน สินทรัพย์ทางการเงินเพื่อการออม สินทรัพย์ทางการเงินเพื่อการลงทุน มูลค่าบ้านที่ใช้เป็นที่อยู่อาศัย การชาระหนี้ต่อเดือนของครัวเรือน หนี้ในระบบ หนี้นอกระบบ z-score ครัวเรือนกลุ่มที่1 ครัวเรือนกลุ่มที่2 ครัวเรือนกลุ่มที่3 ครัวเรือนกลุ่มที่4
  • 20. 1.2 Comparing interval clustering variables’ means among cluster membership ตัวแปร M SD Minimum Maximum F p-value ค่าจ้างและเงินเดือนเฉลี่ยต่อเดือน 10,668.26 19,327.99 0 411,500 1,789.94 .000 กลุ่มที่ 1 45,066.53 50,233.55 0 411,500 กลุ่มที่ 2 10,208.82 12,941.43 0 120,833 กลุ่มที่ 3 8,555.55 13,593.39 0 110,000 กลุ่มที่ 4 6,275.11 11,656.08 0 91,200 รายได้ที่ไม่ได้เป็นตัวเงิน เฉลี่ยต่อเดือน 3,518.69 3,365.65 0 152,473 1,277.46 .000 กลุ่มที่ 1 8,318.50 9,665.10 0 152,473 กลุ่มที่ 2 2,524.03 2,186.03 0 21,037 กลุ่มที่ 3 3,746.13 2,037.40 488 20,952 กลุ่มที่ 4 3,597.30 2,171.51 300 19,341
  • 21. 1.2 Comparing interval clustering variables’ means among cluster membership ตัวแปร M SD Minimum Maximum F p-value กาไรสุทธิจากการประกอบธุรกิจ เฉลี่ยต่อเดือน 5,697.92 33,262.93 0 2,616,667 254.58 .000 กลุ่มที่ 1 30,531.21 130,781.11 0 2,616,667 กลุ่มที่ 2 4,390.68 10,004.01 0 152,800 กลุ่มที่ 3 4,582.79 10,361.93 0 157,077 กลุ่มที่ 4 3,421.48 8,939.96 0 124,075 กาไรสุทธิจากการประกอบ การเกษตรเฉลี่ยต่อเดือน 2,650.06 11,876.41 0 891,192 239.28 .000 กลุ่มที่ 1 9,290.01 43,503.30 0 891,192 กลุ่มที่ 2 1,052.66 3,399.76 0 51,417 กลุ่มที่ 3 4,188.04 7,591.27 0 58,504 กลุ่มที่ 4 1,562.59 4,769.32 0 59,372
  • 22. 1.2 Comparing interval clustering variables’ means among cluster membership ตัวแปร M SD Minimum Maximum F p-value ค่าใช้จ่ายอุปโภคบริโภค เฉลี่ยต่อเดือนของครัวเรือน 18,195.87 15,985.83 1,037 494,210 2,918.37 .000 กลุ่มที่ 1 52,437.44 38,982.14 5,007 494,210 กลุ่มที่ 2 15,238.06 9,246.88 1,037 92,541 กลุ่มที่ 3 18,312.13 10,928.41 2,485 99,530 กลุ่มที่ 4 14,670.76 10,029.61 1,350 80,871
  • 23. ตัวแปร M SD Minimum Maximum F p-value ค่าใช้จ่ายอาหาร เครื่องดื่ม และยาสูบ เฉลี่ยต่อเดือนของครัวเรือน 7,145.98 4,098.19 0 66,035 1,325.58 .000 กลุ่มที่ 1 13,403.55 7,685.33 1,161 66,035 กลุ่มที่ 2 6,582.98 3,370.50 0 27,503 กลุ่มที่ 3 7,422.62 3,379.03 0 29,575 กลุ่มที่ 4 6,217.92 3,422.71 0 28,006 ค่าใช้จ่ายที่ไม่เกี่ยวกับการอุปโภค บริโภคต่อเดือนของครัวเรือน 2,641.07 4,966.52 0 171,412 2,102.34 .000 กลุ่มที่ 1 12,087.09 14,126.36 0 171,412 กลุ่มที่ 2 2,234.00 3,061.85 0 29,118 กลุ่มที่ 3 2,383.29 3,094.00 0 27,330 กลุ่มที่ 4 1,439.51 2,173.95 0 22,840 1.2 Comparing interval clustering variables’ means among cluster membership
  • 24. ตัวแปร M SD Minimum Maximum F p-value สินทรัพย์ทางการเงินเพื่อการออม 145,749.90 685,991.43 0 48,700,000 947.33 .000 กลุ่มที่ 1 1,088,602.01 2,565,463.54 0 48,700,000 กลุ่มที่ 2 57,757.67 149,924.90 0 2,800,000 กลุ่มที่ 3 106,171.30 224,932.14 0 3,000,000 กลุ่มที่ 4 111,065.48 247,104.74 0 3,000,000 สินทรัพย์ทางการเงินเพื่อการลงทุน 6,982.53 127,437.62 0 13,200,000 230.02 .000 กลุ่มที่ 1 97,825.14 521,131.07 0 13,200,000 กลุ่มที่ 2 1,264.01 12,371.95 0 400,000 กลุ่มที่ 3 1,593.76 16,096.78 0 400,000 กลุ่มที่ 4 1,623.12 17,996.65 0 500,000 มูลค่าบ้านที่ใช้เป็นที่อยู่อาศัย 769,542.60 2,279,941.56 0 200,000,000 819.84 .000 กลุ่มที่ 1 3,568,305.40 8,373,073.11 0 200,000,000 กลุ่มที่ 2 302,431.02 600,049.31 0 9,000,000 กลุ่มที่ 3 763,052.84 918,303.09 1,900 10,000,000 กลุ่มที่ 4 825,276.93 1,011,500.61 1,000 12,000,000 1.2 Comparing interval clustering variables’ means among cluster membership
  • 25. ตัวแปร M SD Minimum Maximum F p-value หนี้ในระบบ 168,351.03 572,836.14 0 30,000,000 1,779.21 .000 กลุ่มที่ 1 1,177,566.13 1,895,471.38 0 30,000,000 กลุ่มที่ 2 92,883.31 238,684.02 0 2,350,400 กลุ่มที่ 3 180,002.97 316,163.79 0 2,872,319 กลุ่มที่ 4 37,433.72 143,976.18 0 2,200,000 หนี้นอกระบบ 3,664.87 49,156.78 0 3,500,000 250.04 .000 กลุ่มที่ 1 40,068.43 197,379.83 0 3,500,000 กลุ่มที่ 2 1,963.43 12,132.87 0 200,000 กลุ่มที่ 3 1,672.98 12,144.64 0 200,000 กลุ่มที่ 4 461.08 5,728.04 0 200,000 การชาระหนี้เฉลี่ยต่อเดือนของ ครัวเรือน 3,837.93 11,232.04 0 583,333 1,359.03 .000 กลุ่มที่ 1 20,926.71 38,161.85 0 583,333 กลุ่มที่ 2 2,277.19 4,400.00 0 52,000 กลุ่มที่ 3 4,847.62 6,467.90 0 56,700 กลุ่มที่ 4 1,022.14 3,163.55 0 35,050 1.2 Comparing interval clustering variables’ means among cluster membership
  • 26. 1.3 Associating categorical clustering variables with cluster membership ตัวแปร กลุ่ม รวม  2 p-value 1 2 3 4 ครัวเรือนทั้งหมด 1,241 8,004 6,891 5,566 21,702 สถานภาพการครอบ ครองที่อยู่อาศัย เป็นเจ้าของบ้านและที่ดิน 978 2,637 6,891 5,566 16,072 11,421.18 0.000 เป็นเจ้าของบ้านแต่เช่าที่ดิน 42 955 0 0 997 เช่า 145 3,044 0 0 3,189 อยู่โดยไม่เสียค่าเช่าเพราะเป็น ส่วนหนึ่งของค่าจ้าง/ผู้อื่นเสียค่า เช่าให้/ให้อยู่เปล่า 76 1,368 0 0 1,444 ความสามารถในการกู้ หรือยืมเงินเพื่อทาธุรกิจหรือ ทาการเกษตร กู้/ยืมไม่ได้ 72 1,651 45 0 1,768 21,733.63 0.000 กู้/ยืมได้แต่ไม่ครบ 62 2,025 94 0 2,181 กู้/ยืมได้ครบ 648 1,547 6,741 0 8,936 ไม่ต้องการ/ไม่คิดจะกู้ 459 2,781 11 5,566 8,817 (ในรอบ 12 เดือนที่แล้ว) ครัวเรือนมีปัญหาในการจ่าย ค่าเช่าบ้าน ค่าน้า ค่าไฟ ค่าเล่าเรียนบ้างหรือไม่ ไม่มีปัญหา 1,199 6,965 6,478 5,566 20,208 907.879 0.000 มีปัญหา 42 1,039 413 0 1,494
  • 27. ปัจจัยส่วนบุคคล กลุ่ม รวม 2 p- value1 2 3 4 สถานะทางเศรษฐสังคม ผู้ท้าการเกษตรและเพาะเลี้ยงสัตว์น้้า ที่ดินถือครองเป็นของตนเอง 7.3 6.1 22.7 9.5 12.3 4,200.76 .000 ผู้ท้าการเกษตรและเพาะเลี้ยงสัตว์น้้า ที่ดินถือครองไม่ใช่ของตนเอง 1.5 2.3 4.3 1.6 2.7 ผู้ท้าประมง ป่าไม้ ล่าสัตว์ หาของป่า และบริการทางการเกษตร 0.6 1.8 1.5 2.1 1.7 ผู้ประกอบธุรกิจของตนเองที่ไม่ใช่การเกษตร 24.6 21.8 19.5 17.6 20.2 ผู้จัดการ นักวิชาการ และผู้ปฏิบัติงานวิชาชีพ 44.1 8.6 9.3 6.6 10.3 คนงานเกษตร ป่าไม้ และประมง 0.2 3.5 2.3 2.2 2.6 คนงานด้านการขนส่งและงานพื้นฐาน 0.1 2.7 1.2 1.3 1.7 เสมียน พนักงานขายและให้บริการ 7.4 18.6 11.4 10.1 13.5 ผู้ปฏิบัติงานในกระบวนการผลิต ก่อสร้าง และเหมืองแร่ 2.5 18.0 10.9 10.5 13.0 ผู้ไม่ปฏิบัติงานในเชิงเศรษฐกิจ 11.7 16.5 16.8 38.5 22.0 2. Validating cluster results with other variables
  • 28. ปัจจัยส่วนบุคคล กลุ่ม รวม 2 p- value1 2 3 4 เพศ ชาย 68.6 61.6 66.2 54.3 61.6 213.37 0.000 หญิง 31.4 38.4 33.8 45.7 38.4 อายุ ต่้ากว่า 20 ปี 0.1 1.4 0.0 0.3 0.6 2,918.96 0.000 20 - 29 ปี 1.2 10.3 1.2 1.4 4.6 30 - 39 ปี 8.3 18.3 8.4 5.7 11.3 40 - 49 ปี 22.3 23.7 23.6 14.2 21.2 50 - 59 ปี 39.8 21.9 31.8 23.0 26.3 60 ปีขึ้นไป 28.3 24.4 35.0 55.5 35.9 2. Validating cluster results with other variables
  • 29. ปัจจัยส่วนบุคคล กลุ่ม รวม 2 p-value 1 2 3 4 ระดับการศึกษา ไม่เคยเรียน 1.5 7.4 2.9 7.4 5.6 3,610.05 .000 ก่อนประถมศึกษา 17.6 33.3 50.2 55.0 43.3 ประถมศึกษา 8.0 17.1 17.8 11.8 15.4 มัธยมศึกษาตอนต้น 6.4 12.3 9.0 7.7 9.8 มัธยมศึกษาตอนปลาย 6.6 11.3 7.5 5.9 8.4 อาชีวศึกษา/อนุปริญญา 10.0 8.4 5.0 4.7 6.5 ปริญญาตรี 35.1 9.2 6.7 6.6 9.2 สูงกว่าปริญญาตรี 14.7 1.0 0.9 0.8 1.7 2. Validating cluster results with other variables
  • 30. ปัจจัยส่วนบุคคล กลุ่ม รวม 2 p-value 1 2 3 4 สถานภาพการสมรส โสด 6.3 17.4 3.8 8.0 10.0 1,592.36 .000 สมรส 78.4 59.6 75.9 56.3 65.0 ม่าย 11.2 14.7 15.9 29.4 18.6 หย่า 3.1 3.8 2.4 2.9 3.1 แยกกันอยู่ 1.0 4.4 2.1 3.4 3.2 ภาค กรุงเทพมหานคร 20.2 8 2 4 5.8 1,625.385 .000 ภาคกลาง(ไม่รวม กรุงเทพมหานคร) 27.7 35.4 20.4 30.9 29.0 ภาคเหนือ 14.7 18.9 28.7 26.2 23.6 ภาคตะวันออกเฉียงเหนือ 23.9 20.6 36.1 24.5 26.7 ภาคใต้ 13.5 17.1 12.8 14.5 14.8 2. Validating cluster results with other variables
  • 31. ปัจจัยส่วนบุคคล กลุ่ม รวม 2 p-value 1 2 3 4 เขตการปกครอง ในเขตเทศบาล 78.2 69.2 52.3 57.6 61.4 631.55 .000 นอกเขตเทศบาล 21.8 30.8 47.7 42.4 38.6 ประเภทที่อยู่อาศัย บ้านเดี่ยว 71.5 56.9 93.9 89.7 77.9 3,937.55 .000 ห้องแถว/ตึกแถว/อาคารพาณิชย์ 18.2 31.4 3.7 6.3 15.4 ทาวน์เฮ้าส์/บ้านแฝด 9.5 5.6 2.3 3.8 4.3 อื่นๆ ระบุ 0.8 6.1 0.1 0.2 2.4 แหล่งเงินกู้ต่างๆ มีหนี้สิน 72.9 45.0 75.6 20.2 49.2 4,123.707 .000 หนี้ในระบบ 69.1 40.5 73.7 19.3 47.2 4,066.83 .000 หนี้นอกระบบ 8.6 6.2 4.3 1.4 4.5 225.78 .000 2. Validating cluster results with other variables
  • 32. ปัจจัยส่วนบุคคล กลุ่ม รวม 2 p-value 1 2 3 4 จาแนกตามแหล่งเงินกู้ ธนาคารพาณิชย์ 22.1 4.0 6.5 1.5 5.2 673.81 .000 ธนาคารเพื่อการเกษตรและสหกรณ์ 8.0 7.9 30.4 4.1 14.1 2,273.89 .000 ธนาคารอาคารสงเคราะห์/ธนาคารออมสิน 16.7 4.5 5.3 1.3 4.6 557.05 .000 สถาบันการเงินและแหล่งเงินทุนอื่นๆ 25.9 16.3 17.6 7.2 14.9 427.46 .000 สหกรณ์ออมทรัพย์/สวัสดิการของหน่วยงาน 22.1 4.0 6.5 1.5 5.2 926.46 .000 กองทุนหมู่บ้านและชุมชนเมือง 1.3 7.2 17.5 4.7 9.5 809.44 .000 บุคคลอื่นภายนอกครัวเรือน 7.8 6.0 3.9 1.4 4.3 208.45 .000 2. Validating cluster results with other variables
  • 33. ปัจจัยส่วนบุคคล กลุ่ม รวม 2 p-value 1 2 3 4 วัตถุประสงค์ของการกู้ยืม เพื่อใช้ซื้อ/เช่าซื้อบ้าน และ/หรือที่ดิน 26.9 5.4 7.5 1.9 6.4 1,092.37 .000 เพื่อใช้ในการศึกษา 2.2 2.2 2.3 0.5 1.8 69.81 .000 เพื่อใช้จ่ายอุปโภคบริโภคอื่นๆในครัวเรือน 50.5 33.1 48.3 14.8 34.2 1,693.41 .000 เพื่อใช้ในการท้าธุรกิจ(ที่ไม่ใช่การเกษตร) 14.1 5.5 10.0 1.9 6.5 466.85 .000 เพื่อใช้ในการท้าการเกษตร (ปลูกพืช/เลี้ยงสัตว์/ เพาะเลี้ยง/ประมง ฯลฯ) 8.5 8.0 32.3 4.1 14.8 2,514.41 .000 อื่นๆ เช่น หนี้จากการค้้าประกัน หนี้ค่าปรับ/ จ่ายค่าเสียหาย ฯลฯ 1.0 0.4 0.4 0.3 0.4 15.53 .000 2. Validating cluster results with other variables
  • 34. Gini Coefficient Gini Coefficient วัดการกระจายหรือความหลากหลายของตัวแปร Interval โดยพิจารณาจาก relative mean difference หากมีค่าเข ้าใกล ้1 แสดงว่ามีการกระจายหรือความหลากหลายใน ระดับต่ามากมีเพียงคนเดียวครอบครองทุกอย่าง ส่วนที่เหลือไม่ได ้อะไร เลย แต่หากมีค่าเข ้าใกล ้ 0 แสดงว่าไม่มีความเหลื่อมล้าเลย ทุกคนมี รายได ้หรือตัวเลขเท่าๆ กันหมดซึ่งคานวณค่าจากสูตร ดังนี้
  • 36. โดยแบ่งกลุ่มเป็น n กลุ่ม เรียงตัวแปรจากน้อยไปหามาก หรือจนสุดไปรวยสุด โดยที่ คือ หรือเปอร์เซ็นต์สะสมของประชากร (cumulative percentage of population) คือ เปอร์เซ็นต์สะสมของรายได ้ (cumulative percentage of income) สูตรคานวณ (Gini Coefficient) 1 n iX ))((2 1 1     iii n i i XXYXtcoefficienGini iY
  • 37. 3.1 Gini coefficient within and between cluster ตัวแปร กลุ่ม รวม 1 2 3 4 ด้านรายได้ ค่าจ้างและเงินเดือนเฉลี่ยต่อเดือน 0.729 0.566 0.631 0.725 0.782 รายได้ที่ไม่ได้เป็นตัวเงินเฉลี่ยต่อเดือน 0.388 0.461 0.452 0.278 0.307 ก้าไรสุทธิจากการประกอบธุรกิจเฉลี่ยต่อเดือน 0.869 0.872 0.832 0.830 0.867 ก้าไรสุทธิจากการประกอบการเกษตรเฉลี่ยต่อเดือน 0.879 0.937 0.910 0.759 0.893 ด้านค่าใช้จ่าย ค่าใช้จ่ายอุปโภคบริโภคเฉลี่ยต่อเดือนของครัวเรือน 0.374 0.328 0.315 0.312 0.351 ค่าใช้จ่ายอาหาร เครื่องดื่ม และยาสูบเฉลี่ยต่อเดือนของครัวเรือน 0.290 0.301 0.273 0.246 0.294 ค่าใช้จ่ายที่ไม่เกี่ยวกับการอุปโภคบริโภคต่อเดือนของครัวเรือน 0.651 0.519 0.619 0.562 0.618 ด้านการออม สินทรัพย์ทางการเงินเพื่อการออม 0.822 0.698 0.780 0.733 0.767 สินทรัพย์ทางการเงินเพื่อการลงทุน 0.992 0.942 0.988 0.990 0.991 ด้านหนี้สิน การช้าระหนี้เฉลี่ยต่อเดือนของครัวเรือน 0.793 0.643 0.782 0.631 0.904 หนี้ในระบบ 0.858 0.671 0.854 0.721 0.929 หนี้นอกระบบ 0.988 0.953 0.971 0.980 0.993 ด้านความเป็นอยู่ มูลค่าบ้านที่ใช้เป็นที่อยู่อาศัย 0.648 0.596 0.744 0.482 0.505
  • 38. Normalized Entropy Normalized Entropy วัดการกระจายหรือความหลากหลายของตัว แปรนามบัญญัติ (Nominal Variable) ว่ามีการกระจายหรือความ หลากหลายมากน้อยเพียงใด โดยมีค่าอยู่ระหว่าง 0 ถึง 1 หากมีค่าเข ้าใกล ้1 แสดงว่ามีการกระจายหรือความหลากหลายใน ระดับสูง แต่หากมีค่าเข ้าใกล ้ 0 แสดงว่าไม่มีการกระจายหรือความหลาย หลาย ซึ่งคานวณค่าจากสูตร ดังนี้ 2 2 1 / ( ) ( ) / ( ) C i i i NH H Max H PLog P Log C    
  • 39. Normalized Entropy (NH) ตัวแปร กลุ่ม รวม 1 2 3 4 เพศ 0.898 0.961 0.922 0.995 0.961 อายุ 0.739 0.906 0.746 0.660 0.819 ระดับการศึกษา 0.868 0.884 0.741 0.722 0.825 ภาค 0.977 0.939 0.865 0.911 0.932 สถานภาพการสมรส 0.474 0.719 0.494 0.685 0.648 สถานะทางเศรษฐสังคม 0.672 0.872 0.870 0.796 0.876 เขตการปกครอง 0.757 0.890 0.999 0.983 0.962 ประเภทที่อยู่อาศัย 0.586 0.733 0.199 0.293 0.510 สถานภาพการครอบครองที่อยู่อาศัย 0.522 0.930 0.000 0.000 0.596 ความสามารถในการกู้หรือยืมเงินเพื่อทาธุรกิจหรือทาการเกษตร 0.737 0.980 0.089 0.000 0.841 (ในรอบ 12 เดือนที่แล้ว) ครัวเรือนมีปัญหาในการจ่ายบ้างหรือไม่ 0.213 0.557 0.327 0.000 0.362 3.2 Normalized entropy within and between cluster
  • 40. Normalized Entropy (NH) ตัวแปร กลุ่ม รวม 1 2 3 4 แหล่งเงินกู้ต่างๆ ธนาคารพาณิชย์ 0.704 0.27 0.267 0.133 0.274 ธนาคารเพื่อการเกษตรและสหกรณ์ 0.401 0.398 0.886 0.246 0.586 ธนาคารอาคารสงเคราะห์/ธนาคารออมสิน 0.650 0.264 0.299 0.100 0.270 สถาบันการเงินและแหล่งเงินทุนอื่นๆ 0.826 0.642 0.670 0.375 0.608 สหกรณ์ออมทรัพย์/สวัสดิการของหน่วยงาน 0.762 0.241 0.349 0.111 0.294 กองทุนหมู่บ้านและชุมชนเมือง 0.099 0.372 0.669 0.275 0.453 บุคคลอื่นภายนอกครัวเรือน 0.396 0.327 0.239 0.107 0.254 3.2 Normalized entropy within and between cluster
  • 41. กลุ่มที่ 1 ครัวเรือนคนรวย มีลักษณะอย่างไร รายได ้เฉลี่ยต่อครัวเรือน 53,000 บาท ต่อเดือน มีหนี้สินเฉลี่ย 1 ล้านบาท ต่อครัวเรือน 71.5% เป็นเจ ้าของบ ้านและที่ดิน ราคาเฉลี่ย 3.5 ล้านบาท หัวหน้าครัวเรือน จบปริญญาตรีขึ้นไป 49.8% อาชีพผู้จัดการ นักวิชาการ ธุรกิจส่วนตัว 44.1%
  • 42. กลุ่มที่ 2 ครัวเรือนคนชั้นกลาง หนี้น้อย มีลักษณะอย่างไร รายได้เฉลี่ยต่อครัวเรือน 12,732 บาท ต่อเดือน มีหนี้สินเฉลี่ย 94,000 บาท ต่อครัวเรือน 2 ใน 5 ของครัวเรือนเป็น หนี้ในระบบ 40.5% เป็นหนี้จากการใช ้ จ่ายอุปโภคบริโภคอื่นๆในครัวเรือน 10% ของหัวหน้าครัวเรือน จบการศึกษา ปริญญาตรีขึ้นไป 36% มีอาชีพ เสมียน พนักงานขาย คนทางาน ด้านการผลิต
  • 43. กลุ่มที่ 3 ครัวเรือนคนชั้นกลาง หนี้เยอะ มีลักษณะอย่างไร รายได ้เฉลี่ยต่อครัวเรือน 12,301 บาท ต่อเดือน หนี้มากที่สุด โดยมีหนี้เฉลี่ย 181,000 บาทต่อ ครัวเรือน 27% ของหัวหน้าครัวเรือน ทางานด้านการเกษตร เกือบครึ่งหนึ่งมี หนี้จากการทาเกษตร และ ใช้จ่ายเพื่ออุปโภค บริโภค 2 ใน 5 มีหนี้จากการ กู้ยืม ธกส. 7 ใน 10 ของครัวเรือน หัวหน้าครัวเรือน จบ การศึกษาไม่เกิน ประถมศึกษา
  • 44. มากกว่าครึ่ง มีหัวหน้าครัวเรือนเป็ น คนชรา ครัวเรือนมากกว่าครึ่ง รายได้จากลูกหลาน ส่งกลับมาให้ กลุ่มที่ 4 ครัวเรือนค่อนข้างจน มีลักษณะอย่างไร รายได้เฉลี่ยต่อครัวเรือน 9,800 บาท ต่อเดือน ทรัพย์สินทางการออม ที่สะสมไว ้ ประมาณ110,000บาท 55% ของหัวหน้า ครัวเรือน จบประถมและ ก่อนประถมศึกษา 38.5% ไม่ได้ทางาน มีเพียง 1 ใน 10 ของครัวเรือนที่เป็ นหนี้
  • 45. -ความเหลื่อมล้าทางเศรษฐกิจไม่ได ้เกิดจากตัวเอง -เกิดจากโอกาสในการเข ้าถึงการศึกษา -การศึกษาทาให ้มีอาชีพแตกต่างกัน เพราะมี human capital มาไม่ เท่ากัน -อาชีพแตกต่างกันสัมพันธ์กับรายได ้แตกต่างกัน -ภูมิภาคหรือภูมิศาสตร์มีความสัมพันธ์กับ cluster ดังนั้นความเหลื่อม ล้าไม่ได ้อาจจะเกิดจากการกระจายทรัพยากรหรือทุนและปัจจัยทาง ธรรมชาติด ้วยเช่นกัน สรุปผลการศึกษา
  • 46. - บางกลุ่มเป็นผู้สูงอายุและมีรายได ้น้อยมาก ไม่สามารถพึ่งพาตนเอง ได ้เพราะไม่สามารถหารายได ้หลังเกษียณ -คนมีฐานะดีมีหนี้มาก เพราะมีความสามารถในการจ่ายหนี้และมีโอกาส ในการเข ้าถึงแหล่งเงินชั้นดีในระบบที่มีต ้นทุนทางการเงินต่ากว่า -คนยากจนจริง ไม่ได ้มีหนี้มาก เพราะไม่มีโอกาสในการก่อหนี้ หากก่อ หนี้ก็มักจะเป็นหนี้นอกระบบ สรุปผลการศึกษา
  • 47. 1. รัฐบาลควรเปิดโอกาสทางการศึกษาให ้กับคนยากจน เพื่อ ยกระดับเศรษฐฐานะและลดความเหลื่อมล้าที่ยั่งยืน 2. รัฐสนับสนุนและผลักดันให ้มีกระบวนการสร ้างรายได ้และสร ้างอาชีพ ให ้กับครัวเรือน โดยเฉพาะการสร ้างงานในเขตชนบทหรือนอกเขต เทศบาล 3. พัฒนาและยกระดับฝีมือแรงงานเพื่อให ้เกิดการยกระดับรายได ้โดย เร่งด่วน 4. กระจายอานาจ ทรัพยากร และทุน ลงไปในภูมิภาคที่มีเศรษฐฐานะไม่ดี หรือมีความเหลื่อมล้าสูง เน้นการลงทุนในโครงสร ้างพื้นฐาน (Infrastructure) ที่เป็นการลงทุนระยะยาวและก่อให ้เกิดการกระจาย รายได ้และการพัฒนาไปตามภูมิภาคต่างๆ ข้อเสนอแนะ
  • 48. 5. ส่งเสริมการจ ้างงานผู้สูงอายุ และการขยายอายุเกษียณเพื่อให ้คน สูงอายุพึ่งพาตนเองได ้และไม่ต ้องพึ่งพาลูกหลาน 6. กาหนดนโยบายเพื่อให ้เข ้าถึงแหล่งเงินทุนอย่างทั่วถึง เพิ่ม ความสามารถในการเข ้าถึงแหล่งเงินทุนในกลุ่มครัวเรือนที่มีระดับรายได ้ น้อย เพราะหนี้นอกระบบทาให ้ต ้นทุนการเงินสูงและมีปัญหา หนี้ท่วมท ้น ธนาคารคนจนหรือกรามีนแบงค์ เป็นต ้นแบบที่น่าศึกษา ส่งเสริมระบบ สหกรณ์ให ้เข ้มแข็งมีธรรมาภิบาลและขยายวงออกไปให ้มากขึ้น 7. การพิจารณปล่อยกู้หรือสร ้างหนี้ต ้องคานึงถึงความสามารถในการชาระ หนี้คืนเป็นสาคัญ ไม่ใช่การปล่อยกู้แบบประชานิยมถมไม่เต็ม 8.การกาหนดนโยบายเกี่ยวกับหนี้ครัวเรือนควรพิจารณาว่าหนี้เป็นกี่เท่า ของรายได ้(หรือความสามารถในการจ่ายหนี้) ข้อเสนอแนะ
  • 49. 9. หากเป็นไปได ้ควรเปลี่ยนหลักสูตรการศึกษาให ้เด็กไทยทุกคนเรียนการ วางแผนการเงินและการเงินส่วนบุคคล (ตั้งแต่ระดับชั้นประถมศึกษาหรือ มัธยมศึกษา) เพื่อให ้มี financial literacy สูงขึ้นมีนิสัยในการออมการ ลงทุนและการก่อหนี้อย่างมีเหตุผลและเท่าทันมากขึ้น 10. ให ้ความสาคัญกับระบบบานาญ และส่งเสริมให ้เกิดการออมและการ ลงทุน เพราะสังคมไทยเข ้าสู่สังคมผู้สูงอายุ หากปลดเกษียณออกไปก็จะ ไม่มีรายได ้รับรองในที่สุดจะกลายเป็นคนจน ยิ่งทาให ้เกิดความเหลื่อมล้า มากขึ้น ข้อเสนอแนะ