การตลาดธนาคารกลาง : กรณีศึกษาการสื่อสารด้วยข่าวและสื่อออนไลน์

บทความโดย[1]
พิมพ์วรีย์ กิตติสารกุล
ผศ. ดร.มณเฑียร สติมานนท์
ผศ. ดร. ณัฐพงษ์ พัฒนพงษ์

เหตุการณ์สำคัญในตลาดมักเกิดขึ้นได้ก็ต่อเมื่อมีคนคิดเหมือนกันจำนวนมาก สื่อมวลชนก็นับเป็นพาหนะชั้นดีที่จะช่วยเผยแพร่ความคิดเหมือนกันนี้ออกไป

Robert J. Shiller

Robert J. Shiller นักเศรษฐศาสตร์ชาวอเมริกัน ผู้ได้รับรางวัลโนเบลสาขาเศรษฐศาสตร์ปี ค.ศ. 2013   ให้ความเห็นไว้ในหนังสือชื่อ Irrational Exuberance (Third Edition) ว่าสื่อต่างๆ ทั้งข่าว หนังสือพิมพ์ นิตยสาร โทรทัศน์ รวมถึงสื่อในอินเทอร์เน็ต อาจนิยามตัวเองว่าเป็นผู้สังเกตการณ์ แต่ความจริงแล้วสื่อเป็นส่วนหนึ่งของเหตุการณ์และยังเป็นพาหนะทางความคิดที่อาจส่งผลทำให้เกิดเหตุการณ์ต่อเนื่องขึ้นอีกด้วย ซึ่งแนวคิดดังกล่าว สอดคล้องกับสถานการณ์ปัจจุบันของประเทศไทย ทั้งนี้จากการที่ประเทศไทยได้มีจำนวนผู้ใช้อินเตอร์เน็ตสูงขึ้นอย่างต่อเนื่อง โดยในปี พ.ศ. 2561 ผู้ใช้งานอินเทอร์เน็ตมีจำนวนสูงถึง 47.5 ล้านคน หรือคิดเป็นร้อยละ 71.5 ของประชากร[2] ทำให้การติดตามข้อมูลข่าวสารผ่านทางอินเทอร์เน็ตมีสัดส่วนที่สูง

ด้วยปัจจัยดังกล่าว การศึกษานี้จึงมีวัตถุประสงค์เพื่อศึกษารูปแบบการแพร่กระจายของข่าวสารด้านเศรษฐกิจและการเงินที่ได้รับการส่งผ่านไปยังสื่อโซเซียลมีเดียต่าง ๆ นอกจากนี้ยังได้ศึกษาความสัมพันธ์ระหว่างการเผยแพร่ข่าวสารดังกล่าวกับกับความเปลี่ยนแปลงของดัชนีชี้วัดที่เกี่ยวข้อง โดยในการศึกษานี้จะมุ่งเน้นที่ 3 กรณีศึกษา ได้แก่ (1) กรณีของข่าวอัตราแลกเปลี่ยน (2) กรณีของข่าวการผ่อนเกณฑ์มาตรการ Loan to Value Ratio (LTV) กับราคาหุ้นกลุ่มอสังหาริมทรัพย์ และ (3) กรณีของข่าวภาวะเศรษฐกิจกับดัชนี SET100

ผลที่ได้จากกรณีศึกษาทั้ง 3 กรณีนี้ จะเป็นข้อมูลพื้นฐานสำหรับหน่วยงานทางเศรษฐกิจในการพิจารณารูปแบบของการแพร่กระจายข่าวและข้อมูลทางเศรษฐกิจในอนาคต รวมถึงเป็นพื้นฐานสำหรับการพัฒนารูปแบบการวิเคราะห์เพิ่มเติมสำหรับการวิจัยอื่นๆ ที่เกี่ยวข้องในอนาคตต่อไป

---

[1] บทความนี้เป็นการศึกษาสืบเนื่องจากการค้นคว้าอิสระของหลักสูตรปริญญาโทเศรษฐศาสตร์ธุรกิจ (MBE) คณะเศรษฐศาสตร์ มหาวิทยาลัยธรรมศาสตร์  เนื้อหาทั้งหมดเป็นความคิดเห็นส่วนบุคคลของผู้เขียนซึ่งไม่จำเป็นต้องสอดคล้องกับข้อคิดเห็นของธนาคารแห่งประเทศไทย

[2] จากรายงานผลการสำรวจพฤติกรรมผู้ใช้อินเทอร์เน็ตในประเทศไทย ปี พ.ศ. 2562 ซึ่งจัดทำโดยสำนักงานพัฒนาธุรกรรมทางธุรกิจ กระทรวงดิจิทัล เพื่อเศรษฐกิจและสังคม

Social Media Listening Tool

ปัจจุบันธนาคารกลางทั่วโลกหันมาให้ความสำคัญกับการสื่อสารประชาสัมพันธ์เป็นอย่างมาก ทั้งนี้เพราะการเผยแพร่ข้อมูลและความคิดเห็นของธนาคารกลาง เทียบได้กับการประชาสัมพันธ์และกิจกรรมด้านการตลาดของภาคเอกชน ทว่าความสำเร็จของธนาคารกลางไม่ได้แสดงโดยยอดขายหรือผลกำไร แต่เป็นการเสริมสร้าง  ความเข้าใจและความเชื่อมั่นจากภาคธุรกิจและประชาชนทั่วไป

ข้อมูลและข่าวสารที่ธนาคารกลางสื่อสารเผยแพร่สู่สาธารณะนั้น ในแต่ละปีมีปริมาณมาก ซึ่งในแต่ละหัวข้อ จะได้รับความสนใจจากสื่อมวลชนทั้งจากสื่อแบบดั้งเดิมและสื่อในรูปแบบของโซเชียลมีเดีย ซึ่งเป็นผู้นำไปขยายผลต่อยอดสู่ผู้อ่านและผู้ชมเป็นวงกว้าง นอกจากนี้ ข่าวสารบางหัวข้อได้กลายเป็นกระแสสังคม และเกิดการพูดถึงและบอกต่อในโลกออนไลน์  ซึ่งเป็นไปตามที่ Robert J. Shiller ได้นำเสนอไว้อย่างน่าสนใจในบทความชื่อว่า “ราคาหุ้นและพลวัตรทางสังคม” (Stock Prices and Social Dynamics, 1984) ที่อธิบายว่าปรากฏการณ์ทางสังคมมีอิทธิพลต่อราคาหุ้นในลักษณะเช่นเดียวกับที่กระแสสังคมมีต่อแฟชั่น และควรมีการพัฒนาวิธีการวิเคราะห์กระแสสังคมที่เกิดจากข่าวที่เผยแพร่โดยธนาคารกลาง

แม้ในอดีต อาจจะต้องรอให้เกิดเหตุการณ์บางอย่างขึ้นก่อนจึงจะเห็นแนวโน้มของกระแสสังคมที่ตอบสนองในช่วงเวลาถัดมา แต่ปัจจุบัน การประเมินสถานการณ์หรือการพยากรณ์แนวโน้มของกระแสสังคมสามารถดำเนินการได้จากการวิเคราะห์รูปแบบของข้อมูลที่ส่งผ่านโซเชียลมีเดีย  ซึ่งการพัฒนาการวิเคราะห์ข้อมูลได้นำไปสู่เครื่องมือรูปแบบใหม่ที่เรียกว่า Social Media Listening Tool ที่รวบรวมรูปแบบการแพร่กระจายและรับรู้ข่าวสาร รวมถึงการแสดงความคิดเห็นของผู้ใช้โซเชียลมีเดีย มาเป็นข้อมูลสำหรับการวิเคราะห์ และยังสามารถศึกษาเพิ่มเติม เพื่อวิเคราะห์รูปแบบของกระแสสังคม ที่แสดงความคิดเห็นต่อข่าวสารหรือผลิตภัณฑ์ (Social Media Sentiment) และสามารถแสดงให้เห็นถึงผลตอบรับว่าเป็นไปในด้านบวกหรือด้านลบ

สำหรับการศึกษาครั้งนี้ใช้ข้อมูลและผลที่ได้จากเครื่องมือวิเคราะห์ที่ชื่อว่า Talkwalker ซึ่งสามารถรวบรวมข้อมูลข่าวสารและคอนเทนต์ในรูปแบบต่าง ๆ ที่ปรากฏผ่านสื่อออนไลน์[3] ซึ่งข้อมูลที่ได้ สามารถนำมาจัดในรูปแบบแผนผังของ Virality Map ซึ่งแสดงถึงการแพร่กระจายของข่าวสารผ่านสื่อออนไลน์ในแต่ละรูปแบบในแต่ละช่วงเวลา และยังสามารถวิเคราะห์เพิ่มเติมและแสดงผลในรูปแบบของดัชนีแสดงทัศนคติ (Social Media Sentiment)[4] ซึ่งช่วยแสดงให้เห็นถึงการตอบสนองของสังคมต่อข่าวสารดังกล่าวว่าอยู่ในทัศนคติด้านบวกหรือลบ

---

[3] ข้อมูลจาก Talkwalker ประกอบด้วยข่าวออนไลน์บนเว็บไซต์ต่าง ๆ Twitter, blog และ Facebook Fan page (แต่อย่างไรก็ดี การใช้เครื่องมือ Talkwalker ยังไม่สามารถรวบรวมข้อมูลจากบัญชี Facebook ส่วนตัวได้)

[4] ดัชนีแสดงทัศนคติ (Social Media Sentiment) เป็นผลการคำนวณโดยการประมวลข่าวสารของ Talkwalker ด้วยวิธีการปัญญาประดิษฐ์ (Artificial Intelligence) ซึ่งวิเคราะห์รูปแบบของคำและโครงสร้างเนื้อหา และแสดงผลเป็นร้อยละของข่าวสารที่เป็นทัศนคติด้านลบและด้านบวก

กรณีศึกษาที่ 1: ข่าวอัตราแลกเปลี่ยน

ในช่วงปี พ.ศ. 2562 เกิดความตึงเครียดด้านการค้าระหว่างจีนกับสหรัฐฯ ซึ่งได้ส่งผลกระทบต่อประเทศอื่นๆ ทั่วโลก ทั้งในด้านของการค้าระหว่างประเทศและการลงทุน และการส่งผลสืบเนื่องไปยังดุลบัญชีเดินสะพัด และความผันผวนของมูลค่าเงินดอลลาร์สหรัฐฯ รวมถึงได้ส่งผลต่อการเคลื่อนย้ายเงินทุนระหว่างประเทศ ซึ่งในกรณีของประเทศไทย ได้ส่งผลกระทบทำให้เงินบาทแข็งค่าขึ้นอย่างต่อเนื่อง โดยในวันที่ 30 ธันวาคม พ.ศ. 2562 อัตราแลกเปลี่ยนไปสู่ระดับ 29 บาท/ดอลลาร์สหรัฐฯ และสร้างความกังวลใจให้กับผู้ส่งออกเป็นอย่างมาก และทำให้สื่อมวลชนให้ความสนใจกับการตอบสนองของธนาคารแห่งประเทศไทย (ธปท.)

การวิเคราะห์สามารถเริ่มต้นจากการเปรียบเทียบจำนวนข่าวที่ปรากฏผ่านสื่อต่างๆ ดังแสดงในตารางที่ 1 โดยจำนวนข่าวที่เกี่ยวข้องกับอัตราแลกเปลี่ยนเพิ่มขึ้นสูงมากในช่วงที่อัตราแลกเปลี่ยนเริ่มได้รับความสนใจ ซึ่งจากคุณลักษณะนี้สามารถนำไปศึกษาต่อในรายละเอียดโดยการใช้ Virality Map ดังแสดงในรูปที่ 2

เดือน	จำนวนข่าวอัตราแลกเปลี่ยนทั้งหมดที่ปรากฏในสื่อ	จำนวนข่าวที่เกี่ยวกับ ธปท.	จำนวนข่าวอัตราแลกเปลี่ยนที่เกี่ยวกับ ธปท.
ตุลาคม 2562	1,984	109	76
พฤศจิกายน 2562	2,764	174	83
ธันวาคม 2562	2,734	171	65
มกราคม 2563	3,939	223	164
กุมภาพันธ์ 2563	2,023	87	17

ผลการวิเคราะห์ด้วย Virality Map ในรูปที่ 2 ได้แสดงให้เห็นว่า ถึงแม้จำนวนของข่าวที่ปรากฏในสื่อต่างๆ จะเพิ่มขึ้นอย่างต่อเนื่องในช่วงไตรมาสสุดท้ายของปี พ.ศ. 2562 แต่อย่างไรก็ดี จะเห็นได้ว่าลักษณะการแพร่กระจายของข่าวยังเป็นไปอย่างจำกัด และส่วนใหญ่ได้รับการส่งผ่านในรูปแบบของการรีทวีต (Re-tweet) ในทวิตเตอร์ ในขณะที่การส่งผ่านในสื่ออื่นๆ ยังเกิดขึ้นน้อยมาก ทั้งนี้เพื่อเปรียบเทียบให้เห็นความแตกต่างของลักษณะการแพร่กระจายแบบไวรัล (Viral) โดยรูปที่ 3 ได้แสดงให้เห็นถึงการแพร่กระจายในวงกว้างของข่าวเกี่ยวกับภาพยนต์เรื่อง Star War ซึ่งถูกกล่าวถึงและส่งต่อข้ามช่วงเวลา โดยถูกอ้างถึงข้ามรูปแบบของแพลตฟอร์มทำให้เกิดเป็นกระแสที่สาธารณชนให้ความสนใจเป็นอย่างมาก

นอกจากการวิเคราะห์ด้วย Virality Map ข้อมูลของการตอบสนองต่อข่าวดังกล่าวยังสามารถศึกษาเพิ่มเติมได้โดยการนำดัชนีแสดงถึงระดับของทัศนคติต่อข่าวสาร (Social Media Sentiment) มาวิเคราะห์ความสัมพันธ์กับอัตราแลกเปลี่ยน (บาท/ดอลลาร์สหรัฐฯ) ด้วยวิธีการ Multiple Regression โดยใช้โปรแกรม STATA® ดังแสดงในตารางที่ 2[5]   ซึ่งผลวิเคราะห์นี้ แสดงความสัมพันธ์ที่มีนัยยะสำคัญทางสถิติใน 2 รูปแบบ โดยในรูปแบบที่ 1 ได้แสดงให้เห็นว่าดัชนีแสดงทัศนคติทางบวก (Positive_Sentiment) จะเพิ่มขึ้นในทิศทางเดียวกับ     การที่เงินบาทอ่อนตัวลง และในรูปแบบที่ 2 ได้แสดงให้เห็นว่าทัศนคติทางลบ (Negative_Sentiment) จะลดลงเมื่อค่าเงินเงินบาทอ่อนตัวลงเช่นกัน ในขณะที่จำนวนของข่าวที่เผยแพร่โดย ธปท. (BOT_News) และแหล่งข่าวอื่นๆ ที่เกี่ยวข้องกับค่าเงินบาท (Other_News)  ไม่มีความสัมพันธ์กับระดับค่าเงินบาทแต่อย่างใด

ตัวแปรอิสระ	ค่าสัมประสิทธิ์	ค่า p-value	ข้อสรุปทางสถิติ
BOT_News	-0.005	0.113	ไม่มีนัยยะสำคัญทางสถิติ
Other_News	0.0008	0.161	ไม่มีนัยยะสำคัญทางสถิติ
Positive_Sentiment	0.066	0.002	มีนัยยะสำคัญทางสถิติ
Negative_Sentiment	-0.002	0.048	มีนัยยะสำคัญทางสถิติ

---

[5] การจัดรูปแบบนำเสนอการวิเคราะห์ด้วย multiple regression นี้  ได้ปรับให้อยู่ในรูปแบบที่เข้าใจได้ง่าย หากผู้อ่านสนใจผลการคำนวณเพิ่มเติมและต้องการรายละเอียดทางเทคนิคทั้งหมด สามารถติดต่อผู้เขียนได้ที่  nattapong@econ.tu.ac.th และ monthien@econ.tu.ac.th

กรณีศึกษาที่ 2: ข่าวการผ่อนเกณฑ์มาตรการ LTV

ข่าวเกี่ยวกับที่อยู่อาศัยเป็นข่าวที่มักจะได้รับความสนใจ เนื่องจากส่งผลโดยตรงต่อประชาชนโดยส่วนใหญ่   ในเดือนมกราคม พ.ศ. 2563 ธนาคารแห่งประเทศไทย ได้ประกาศปรับหลักเกณฑ์การกำกับดูแลสินเชื่อเพื่อที่อยู่อาศัย (หรือเรียกว่ามาตรการ Loan to Value: LTV) จากการวิเคราะห์จำนวนข่าวที่เกี่ยวข้องกับ LTV ได้แสดงให้เห็นอย่างชัดเจนว่า การเพิ่มขึ้นของจำนวนข่าวดังกล่าว ในช่วงเดือนมกราคม พ.ศ. 2563

เดือน	ข่าวเกี่ยวกับ LTV ที่ปรากฏในสื่อ	จำนวนข่าวที่เกี่ยวกับ ธปท.	จำนวนข่าว LTV ที่เกี่ยวข้องกับธปท.
ธันวาคม 2562	409	35	30
มกราคม 2563	1,085	206	170
กุมภาพันธ์ 2563	349	20	5

เมื่อวิเคราะห์รูปแบบความแพร่กระจายของข่าว (ดังแสดงในรูปที่ 4)  พบว่ามีการส่งผ่านในหลากหลายช่องทางมากกว่ากรณีของข่าวอัตราแลกเปลี่ยน  แต่อย่างไรก็ดี การแพร่กระจายของข่าวยังเป็นไปอย่างจำกัดและยังไม่เกิดการส่งข้ามแพลตฟอร์ม

จากข้อมูลการส่งผ่านและกระจายตัวของข่าวดังกล่าวที่ถูกส่งผ่านสื่อออนไลน์ประเภทต่างๆ การวิเคราะห์ยังสามารถศึกษาความสัมพันธ์เพิ่มเติมได้ โดยการศึกษาการเปลี่ยนแปลงของราคาหุ้นในกลุ่มอสังหาริมทรัพย์กับดัชนีแสดงถึงระดับของทัศนคติต่อข่าวสาร (Social Media Sentiment) ด้วย multiple regression ซึ่งผลที่แสดงในตารางที่ 4[6] ได้แสดงให้เห็นว่า ดัชนีราคาหุ้นในกลุ่มอสังหาริมทรัพย์มีความสัมพันธ์กับค่าดัชนีแสดงทัศนคติทางลบ (Negative_Sentiment) อย่างมีนัยยะสำคัญทางสถิติ โดยหากดัชนีดังกล่าวมีค่าสูงขึ้น จะทำให้ดัชนีราคาหุ้นในกลุ่มอสังหาริมทรัพย์ลดลง  แต่อย่างไรก็ดี จำนวนข่าวจากแหล่งข่าวอื่น ๆ ที่เผยแพร่ข่าวเกี่ยวข้องกับมาตรการ LVT (Other_News) และค่าดัชนีแสดงทัศนคติทางบวก (Postitive_Sentiment)  ไม่มีความสัมพันธ์กับดัชนีราคาหุ้นในกลุ่มอสังหาริมทรัพย์แต่อย่างใด

ตัวแปรอิสระ	ค่าสัมประสิทธิ์	ค่า p-value	ข้อสรุปทางสถิติ
BOT_News	0.031	0.848	ไม่มีนัยยะสำคัญทางสถิติ
Other_News	-0.015	0.695	ไม่มีนัยยะสำคัญทางสถิติ
Positive_Sentiment	0.228	0.621	ไม่มีนัยยะสำคัญทางสถิติ
Negative_Sentiment	-0.754	0.026	มีนัยยะสำคัญทางสถิติ

---

[6] เช่นเดียวกับกรณีของตารางที่ 3  ผู้ศึกษาได้ปรับให้อยู่ในรูปแบบที่เข้าใจได้ง่าย หากผู้อ่านสนใจรายละเอียดทางเทคนิคทั้งหมด สามารถติดต่อผู้เขียนได้ที่  nattapong@econ.tu.ac.th และ monthien@econ.tu.ac.th

กรณีศึกษาที่ 3: ข่าวเกี่ยวกับภาวะเศรษฐกิจ

จากปัจจัยของผลกระทบต่อสภาพเศรษฐกิจ ทั้งจากปัญหาภัยแล้ง โรคระบาด การเมืองและงบประมาณ สงครามการค้า รวมถึงการระบาดของโควิด-19 และอื่นๆ ทำให้ข่าวภาวะเศรษฐกิจได้รับความสนใจจากประชาชนเพิ่มขึ้นอย่างต่อเนื่อง โดยตั้งแต่ช่วงปลายปี พ.ศ. 2561 จนถึงไตรมาสที่ 2 ของปี พ.ศ. 2563 การระบาดของโควิด-19 ส่งผลกระทบทำให้เศรษฐกิจชะลอตัวลง และส่งผลทำให้การติดตามและการส่งผ่านข่าวเกี่ยวภาวะเศรษฐกิจเพิ่มขึ้น

ช่วงเวลา	ข่าวภาวะเศรษฐกิจที่ปรากฏในสื่อ	จำนวนข่าวที่เกี่ยวกับ ธปท.	จำนวนข่าวภาวะเศรษฐกิจที่เกี่ยวข้องกับ ธปท.
กุมภาพันธ์ 2563	4,471	310	224
มีนาคม 2563	6,868	309	178

เพื่อศึกษารูปแบบการแพร่กระจายของข่าวผ่านสื่อออนไลน์ ผลจากการวิเคราะห์ด้วย Virality Map ดังรูปที่ 5 แสดงให้เห็นข่าวดังกล่าวได้รับความสนใจและได้รับการแพร่กระจายข้ามแพลตฟอร์มมากกว่าในกรณีของข่าวอัตราแลกเปลี่ยนและข่าวการผ่อนเกณฑ์มาตรการ LTV ซึ่งแสดงถึงความสนใจของสาธารณะต่อข่าวดังกล่าวในระดับสูง

การวิเคราะห์ยังสามารถครอบคลุมถึงการใช้ประโยชน์ของข่าวสารที่เผยแพรผ่านสื่อต่างๆ ข้อมูลจากดัชนีแสดงทัศนคติต่อข่าวสาร (Social Media Sentiment) ได้ถูกนำมาวิเคราะห์ความสัมพันธ์กับดัชนี SET100 ซึ่งแสดงระดับราคาของหุ้นในตลาดหลักทรัพย์ของประเทศไทยที่มีมูลค่าตลาดสูงสุด 100 บริษัท โดยการวิเคราะห์ด้วย Multiple Regression แสดงในตารางที่ 5[7] และผลที่ได้แสดงให้เห็นว่าข่าวที่เผยแพร่โดย ธปท. มีความสัมพันธ์เชิงบวกอย่างมีนัยสำคัญทางสถิติต่อการเปลี่ยนแปลงดัชนี  SET100 ในขณะที่ข่าวเกี่ยวกับภาวะเศรษฐกิจที่เผยแพร่โดยแหล่งข่าวอื่นๆ มีความสัมพันธ์ในทิศทางลบกับดัชนี SET100 อย่างมีนัยสำคัญทางสถิติเช่นกัน  และเมื่อเปรียบเทียบค่าสัมประสิทธิ์จะเห็นได้ว่าข่าวจาก ธปท. มีค่าสัมประสิทธิ์ที่แสดงผลต่อ SET100 มากกว่าประมาณ 10 เท่า ซึ่งสะท้อนถึงระดับผลกระทบของเนื้อหาและข้อมูลที่เผยแพร่ต่อการประเมินแนวโน้มของผลประกอบการและมูลค่าหลักทรัพย์  ทั้งนี้ ผลของการวิเคราะห์ยังแสดงให้เห็นว่า ค่าดัชนีแสดงทัศนคติทางลบ (Negative_Sentiment) มีความสัมพันธ์เชิงบวกอย่างมีนัยยะสำคัญทางสถิติต่อการเปลี่ยนแปลงดัชนี  SET100 เช่นกัน ซึ่งเป็นประเด็นที่น่าสนใจเนื่องจากโดยปกติทิศทางของความสัมพันธ์ควรจะเป็นลบ (ทัศนคติในด้านลบมากขึ้น ส่งผลต่อราคาหุ้นลดลง) แต่ผลจากการคำนวณนี้เป็นค่าบวก ดังนั้นจึงจำเป็นที่จะต้องศึกษาเพิ่มเติมถึงปัจจัยทั้งหมดที่ส่งผลกระทบต่อความสัมพันธ์ดังกล่าว

ตัวแปรอิสระ	ค่าสัมประสิทธิ์	ค่า p-value	ข้อสรุปทางสถิติ
BOT_News	7.956	0.051	มีนัยยะสำคัญทางสถิติ
Other_News	-0.760	0.001	มีนัยยะสำคัญทางสถิติ
Positive_Sentiment	-4.638	0.263	ไม่มีนัยยะสำคัญทางสถิติ
Negative_Sentiment	6.405	0.003	มีนัยยะสำคัญทางสถิติ

---

[7] เช่นเดียวกับกรณีของตารางที่ 3  และ 4 ผู้ศึกษาได้ปรับให้ผลการวิเคราะห์อยู่ในรูปแบบที่เข้าใจได้ง่าย หากผู้อ่านสนใจรายละเอียดของผลการคำนวณและรายละเอียดอื่น ๆ เชิงเทคนิคทั้งหมด สามารถติดต่อผู้เขียนได้ที่  nattapong@econ.tu.ac.th และ monthien@econ.tu.ac.th

สรุปผลและข้อเสนอแนะ

ผลจากการศึกษานี้ได้นำเสนอตัวอย่างแนวทางการประยุกต์ใช้เครื่องมือ TalkWalker ในการวิเคราะห์ 3 กรณีศึกษา ได้แก่ (1) กรณีของข่าวอัตราแลกเปลี่ยน (2) กรณีของข่าวการผ่อนเกณฑ์มาตรการ Loan to Value Ratio (LTV) กับราคาหุ้นกลุ่มอสังหาริมทรัพย์ และ (3) กรณีของข่าวภาวะเศรษฐกิจกับดัชนี SET100 ผลการวิเคราะห์ได้แสดงให้เห็นว่าการใช้ Virality Map เพื่อศึกษาลักษณะการแพร่กระจายของข่าวสารผ่านแพลตฟอร์มต่างๆ ในแต่ละช่วงเวลา และการประยุกต์ใช้ดัชนีแสดงทัศนคติต่อข่าวสาร (Social Media Sentiment) สามารถแสดงถึงรายละเอียดเชิงลึกของบทบาทของข่าวสารที่แพร่กระจายและส่งผลกระทบได้โดยละเอียด

ทั้งนี้ การประเมินประสิทธิภาพและผลกระทบจากการเผยแพร่ข่าวสารและข้อมูลในอดีตอาจทำได้อย่างจำกัด เพราะเป็นเทคโนโลยีของการสื่อสารเป็นไปในทิศทางเดียว ซึ่งหากเป็นกรณีของภาคเอกชน อาจจะสามารถประเมินประสิทธิภาพของการสื่อสารได้จากยอดขาย แต่ในกรณีของหน่วยงานภาครัฐและองค์กรไม่แสวงผลกำไรนั้น การประเมินอาจไม่สามารถทำได้โดยสะดวก แต่อย่างไรก็ดี การแพร่หลายของการสื่อสารผ่านสื่อออนไลน์ ทำให้สามารถติดตามและประเมินผลได้อย่างมีประสิทธิภาพมากขึ้น ทั้งจากข้อมูลที่มีอยู่อย่างหลากหลายรูปแบบบนแพลตฟอร์มต่างๆ และเครื่องมือที่ได้รับการพัฒนาอย่างต่อเนื่อง ทำให้สามารถวิเคราะห์และประเมินผลกระทบได้ในหลายมิติ  จากแนวโน้มดังกล่าวนี้ หน่วยงานที่เกี่ยวข้องกับนโยบายเศรษฐกิจจึงควรพัฒนาให้มีการติดตามประสิทธิภาพ และผลกระทบของการเผยแพร่ข่าวสารข้อมูล ซึ่งจะเป็นประโยชน์ต่อการปรับปรุงระบบการสื่อสารด้านนโยบายต่อสาธารณะ

จากการศึกษานี้ พบว่าข้อจำกัดประการสำคัญในปัจจุบัน คือ การนำเครื่องมือ Social Media Listening Tools มาใช้ในการวิเคราะห์ข่าวเศรษฐกิจ ทั้งนี้เพราะความละเอียดอ่อนของอารมณ์มนุษย์และความซับซ้อน ของการใช้ภาษายังคงเป็นอุปสรรคในการวิเคราะห์ด้วยเทคโนโลยี แต่การพัฒนาเรื่องดังกล่าวจะยังคงดำเนินต่อไป และเป็นที่คาดว่าในอนาคต ความแม่นยำของผลที่ได้จะช่วยให้ธนาคารกลางและหน่วยงานด้านนโยบายเศรษฐกิจต่างๆ สามารถพัฒนาเนื้อหา รูปแบบ และช่องทางการสื่อสารที่สอดคล้องกับละเอียดอ่อนของอารมณ์มนุษย์และช่วยทำให้เกิดเสถียรภาพและประสิทธิภาพของระบบเศรษฐกิจต่อไป

LTV SET100 Social Media Social Media Listening Tool การตลาด ธนาคารแห่งประเทศไทย ผศ. ดร.มณเฑียร สติมานนท์ ผศ.ดร. ณัฐพงษ์ พัฒนพงษ์ พิมพ์วรีย์ กิตติสารกุล