การคาดการณ์ความยากจนข้ามรุ่น

ความยากจนข้ามรุ่น
ในประเทศไทย

เมื่อความจนส่งต่อจากพ่อแม่สู่ลูก — เราใช้แบบจำลอง System Dynamics (ถิรภาพ, 2569)
เพื่อหาทางตัดวงจรนี้ให้ได้ภายใน 30 ปี

SCROLL TO EXPLORE

1.03 ล้าน

ครัวเรือนยากจน (2567)

รวม 6 ภูมิภาค

-58%

ลดลงจาก 2554

จาก 2.43 ล้าน แต่ยังเหลืออีกมาก

32%

อีสาน = เกือบ 1 ใน 3

ความเหลื่อมล้ำเชิงภูมิภาค (2567)

3,078

เส้นความยากจน (บาท/เดือน)

เฉลี่ยวันละ ~100 บาท/คน

ครัวเรือนยากจน: พ.ศ. 2554 vs 2567 (ข้อมูลจริง)

ลดลง 58% ใน 13 ปี แต่ภาคอีสานยังมีครัวเรือนยากจนกว่า 3.3 แสน (32% ของทั้งประเทศ)

แหล่งข้อมูล: กระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์ (พม.)

ทำไมความจนถึง "ข้ามรุ่น"?

ความยากจนไม่ได้เกิดจากปัจจัยเดี่ยว แต่เป็นวงจรที่หมุนวนซ้ำจากรุ่นพ่อแม่สู่รุ่นลูก ผ่าน 4 กลไกหลัก

👪
พ่อแม่ยากจนรายได้ต่ำกว่าเส้นจน

→

🎓
ลูกเข้าเรียนไม่ได้dropout สูง / ไม่จบ

→

🛠
ทักษะต่ำทุนมนุษย์ไม่พอ

→

💸
ค่าจ้างต่ำติดอยู่ภาคเกษตร

→

🔄
ยังจน — ส่งต่อรุ่นถัดไป

นี่คือ กับดักความยากจน (Poverty Trap) — วงจรเสริมแรงที่ทำให้ครอบครัวยากจนไม่สามารถหลุดพ้นได้ด้วยตัวเอง แม้เศรษฐกิจจะเติบโต ต้องอาศัยนโยบายที่ตัดวงจรอย่างเป็นระบบ

ทำไมความจนถึง "คงอยู่" 30 ปี?

แบบจำลองชี้ให้เห็น 5 กลไกเชิงโครงสร้างที่กักขังครัวเรือนในวงจรยากจน

📉

1. รายได้ต่ำกว่าเส้นจน

รายได้ไม่ถึงเส้นความยากจน ทำให้โอกาสหลุดพ้นต่ำมาก

🌾

2. ติดอยู่ในภาคเกษตร

คนจนส่วนใหญ่อยู่ในภาคเกษตรซึ่งค่าจ้างต่ำสุด ย้ายภาคไม่ได้เพราะขาดทักษะ

💰

3. ขาดทุนสะสมข้ามรุ่น

ครัวเรือนยากจนมีมรดกและทรัพย์สินน้อยมาก ลงทุนในทุนมนุษย์ของลูกไม่ได้

🎓

4. ออกกลางคันสูง

เด็กจากครัวเรือนยากจนออกกลางคันสูงกว่าเด็กทั่วไปหลายเท่า ติดในวงจรทักษะต่ำ

🌡️

5. เปราะบางต่อวิกฤต

วิกฤตภูมิอากาศและราคาพลังงานกระทบรายได้เกษตรโดยตรง ทำให้ครัวเรือนที่เริ่มหลุดพ้นตกกลับมาจนอีกครั้ง

ถ้าไม่ทำอะไร — จะเกิดอะไรขึ้น?

แบบจำลอง System Dynamics พยากรณ์แนวโน้ม 16 ปีข้างหน้า (2568-2583) กรณีไม่มีนโยบายแทรกแซงเพิ่มเติม

พยากรณ์ครัวเรือนยากจน พ.ศ. 2568-2583 (Status Quo)

แท่งสี = แยกภูมิภาค (stacked) / เส้นดำ = รวมทั้งประเทศ — กรณีไม่มีนโยบายเพิ่มเติม

หมายเหตุ: กราฟเริ่มจากปี 2568 (ข้อมูลจริงถึง 2567 แสดงในกราฟด้านบน) — แบบจำลองประมาณการว่าครัวเรือนยากจนจะลดลงต่อเนื่อง แต่ภาคอีสานยังเหลือกว่า 57,000 ครัวเรือน และภาคใต้กว่า 68,000 ครัวเรือน ในปี 2583 ถ้าไม่มีนโยบายเพิ่มเติม

ทางออก: 7 ฉากทัศน์ที่ทดสอบ

เราจำลอง 7 ฉากทัศน์นโยบาย ตั้งแต่การแทรกแซงเดี่ยวไปจนถึงPolicy Package และครอบคลุมสถานการณ์ภายใต้วิกฤตซ้ำซ้อน

E: Climate Adaptation

ระบบให้น้ำแบบหยด + smart farming + PES — -22.3% ดีที่สุด

ผลผลิตภาคเกษตรเพิ่ม 20%, ค่าจ้างแรงงานเกษตรเพิ่ม 15%, ลดการพึ่งพาน้ำมัน 20%, ลดผลกระทบภูมิอากาศ 50%
ลดครัวเรือนยากจน: เหนือ -35.2%, อีสาน -33.7%

G: Full Package

Graduation + CCT + Fiscal + Climate Adaptation
-12.8%

เงินอุดหนุน 300→1,500 บาท/เดือน, อัตราเข้าเรียน ม.ปลายเพิ่ม 38%, อัตราเข้าเรียน ป.ตรีเพิ่ม 60%, ลด dropout เพราะจน 63%, ลด dropout ครอบครัวไม่สนับสนุน 57%, ลดภาษีคนจน, เพิ่มภาษีคนรวย, ลดต้นทุนปัจจัยพื้นฐาน 27%, ผลผลิตเกษตรเพิ่ม 15%, ลดผลกระทบภูมิอากาศ 40%, ลดการพึ่งพาน้ำมัน 15%
ลดครัวเรือนยากจน: เหนือ -18.5%, อีสาน -18.1%

D: Climate + Oil Crisis

วิกฤตซ้ำซ้อน
+13.8% กลับทิศ

ภัยแล้ง/น้ำท่วมรุนแรงเป็น 2 เท่า, น้ำมันแพงขึ้น 50%, ผลผลิตเกษตรลด 15%, อุตสาหกรรมและบริการลด 10%
ครัวเรือนยากจนทั้งประเทศเพิ่มขึ้น 13.8% (ผลจากแบบจำลอง)
อ้างอิงบริบทวิกฤต: World Bank PSP 2020, 2024

C: Fiscal Progressive

ลดภาษีคนจน เพิ่มภาษีคนรวย เงินอุดหนุน ลดต้นทุนปัจจัยพื้นฐาน
-9.1%

ลดภาษีคนจน, เพิ่มภาษีคนรวย, เงินอุดหนุน 300→800 บาท/เดือน, ลดต้นทุนปัจจัยพื้นฐาน 27%
ต้นทุนต่ำ ทำได้ทันที (World Bank PSP 2022)

B: CCT (Bolsa Família)

เงินอุดหนุนรายเดือนแลกส่งลูกเรียน + ตรวจสุขภาพ + วัคซีน
-0.1%

เงินอุดหนุน 300→1,000 บาท/เดือน, อัตราเข้าเรียน ม.ปลายเพิ่ม 38%, ลด dropout เพราะจน 63%, ลด dropout ครอบครัวไม่สนับสนุน 57%, ลด dropout จากปัญหาสุขภาพ 20%
(Fiszbein & Schady, 2009; enrollment +21pp Cambodia, ลดจน 5-9pp)

A: Graduation Program

เงินอุดหนุน + อัตราเข้าเรียน ม.ปลาย + ลด dropout + ลดต้นทุนปัจจัยพื้นฐาน
-0.1%

เงินอุดหนุน 300→1,500 บาท/เดือน, อัตราเข้าเรียน ม.ปลายเพิ่ม 31%, ลดต้นทุนปัจจัยพื้นฐาน 20%
RCT: ผลยั่งยืน 5/6 ประเทศ (Banerjee, Duflo et al. 2015)

F: Microfinance Only

เงินอุดหนุนคนยากจนอย่างเดียว
0.0% ไม่มีผล

เงินอุดหนุน 300→500 บาท/เดือน, takeup เพียง 26.7%
ยืนยันว่านโยบายเดี่ยวไม่พอ (Banerjee, Duflo, Glennerster & Kinnan, 2015)

ข้อค้นพบสำคัญ: การแทรกแซงเดี่ยวแทบไม่มีผล (F = 0%, A, B = -0.1%) ต้องเป็นนโยบายที่กระทบ รายได้โดยตรง ผ่านผลผลิต/ค่าจ้าง หรือเป็น Policy Package จึงจะเปลี่ยนแปลงเชิงโครงสร้างได้

อยากรู้ที่มาและกรอบแนวคิดเบื้องหลัง?

ทบทวนวรรณกรรม

กรอบแนวคิด กลไกการถ่ายทอดความยากจนข้ามรุ่น
และหลักฐานเชิงประจักษ์จากงานวิจัยทั้งในและต่างประเทศ

กรอบแนวคิดความยากจนข้ามรุ่น

Intergenerational Transmission of Poverty (IGTP) คือกระบวนการที่เด็กจากครอบครัวยากจนเติบโตขึ้นมาเป็นผู้ใหญ่ที่ยากจน ไม่ได้หมายความแค่รายได้ต่ำส่งต่อกัน แต่รวมถึงการขาดโอกาสทางการศึกษา การเข้าถึงบริการ และทุนทางสังคม

5 กลไกการถ่ายทอดความยากจนระหว่างรุ่น

งานวิจัยระบุกลไกสำคัญ 5 ประการที่ทำให้ความยากจนถ่ายทอดจากรุ่นสู่รุ่น

Family Investment Model

พ่อแม่ที่มีรายได้ต่ำไม่สามารถลงทุนในทรัพยากรที่จำเป็นสำหรับลูก (เวลา เงิน สภาพแวดล้อม) ส่งผลโดยตรงต่อสุขภาพ การศึกษา และพฤติกรรมของเด็ก — Paweenawat (2020) พบว่าพ่อแม่ที่มีการศึกษาเพิ่ม 1 ปี ทำให้ลูกมีการศึกษาเพิ่มขึ้น ~2 ปี

Family Stress Model

ความเครียดจากความยากจน (หนี้สิน ว่างงาน ความไม่มั่นคง) สร้างความตึงเครียดในครอบครัว กระทบต่อศักยภาพในการเลี้ยงดูและสุขภาพจิตของเด็ก

Socio-Cultural Model

เด็กยากจนขาดแรงบันดาลใจและต้นแบบ (role models) เนื่องจากสภาพแวดล้อมครอบครัวและชุมชนจำกัดทางเลือกในชีวิต ทำให้เกิดการจำกัดเส้นทางอาชีพ

Correlated Disadvantages Model

ความยากจนเชื่อมโยงกับปัจจัยลบหลายประการพร้อมกัน (การศึกษาต่ำ, ที่อยู่อาศัยแออัด, สภาพแวดล้อมไม่ปลอดภัย) ที่ส่งผลทบซ้อนต่อพัฒนาการเด็ก (Bucelli & McKnight, 2024)

Genetic & Biological Model

ความเครียดเรื้อรังและการขาดแคลนทรัพยากรในรุ่นก่อนอาจเปลี่ยนแปลงการแสดงออกของยีนในรุ่นถัดไป (epigenetic effects) แม้หลักฐานยังอยู่ในระดับปานกลาง

กรอบการวิเคราะห์ 3 รุ่น (G1 → G2 → G3)

Cheng et al. (2016) และ Bucelli & McKnight (2024) เสนอกรอบการถ่ายทอดผ่าน 3 รุ่น

G1: พ่อแม่ รายได้ต่ำ, การศึกษาจำกัด,
สุขภาพไม่ดี

→

G2: ลูก ช่วงวิกฤตพัฒนาการ:
วัยเด็ก → วัยรุ่น → วัยทำงาน

→

G3: หลาน ได้รับผลจากการลงทุนต่ำ,
ความเครียดสะสม, พฤติกรรม
การเลี้ยงดูที่ไม่เหมาะสม

จุดเปลี่ยนสำคัญของ G2: การตัดสินใจเข้าสู่ตลาดแรงงานหรือศึกษาต่อในช่วงวัยรุ่น-วัยผู้ใหญ่ตอนต้น เป็น Critical Life Transition ที่กำหนดว่าจะหลุดพ้นจากวงจรความยากจนได้หรือไม่ — นโยบายที่เข้าถึงจุดนี้มีโอกาสตัดวงจรได้สูงสุด

หลักฐานเชิงประจักษ์: ประเทศไทย

การเคลื่อนย้ายทางการศึกษาข้ามรุ่น

สำนักงานกองทุนเพื่อความเสมอภาคทางการศึกษา (กสศ.), 2565

การศึกษาพ่อแม่	โอกาสลูกจบมหาวิทยาลัย
ต่ำกว่าประถม	16%
มหาวิทยาลัย	82%

ระดับการศึกษาหมุนวนเป็นวงจรข้ามรุ่น — พ่อแม่จบต่ำ ลูกมีโอกาสจบสูงน้อยกว่า 5 เท่า

รายได้ตลอดชีวิตตามระดับการศึกษา

สถาบันวิจัยเพื่อความเสมอภาคทางการศึกษา

ระดับการศึกษา	รายได้เฉลี่ย/เดือน
ประถมศึกษา	9,136 บาท
มหาวิทยาลัย (เริ่มต้น)	13,000 บาท
มหาวิทยาลัย (ก่อนเกษียณ)	40,000 บาท

ลูกครอบครัวจนที่จบมหาวิทยาลัยมีรายได้ตลอดชีวิตสูงกว่าจบประถม 4.4 เท่า

หลักฐานเชิงประจักษ์: ต่างประเทศ

งานวิจัยเชิงเศรษฐมิติ

งานวิจัย	ข้อมูล / วิธี	ข้อค้นพบสำคัญ
Paweenawat (2020)	Labor Force Survey ไทย 2528-2560; IV	ยืนยัน human capital transmission ระหว่างรุ่นในระดับครัวเรือน
Bavaro et al. (2024)	EU-SILC 2019, 30 ประเทศยุโรป	Great Gatsby Curve for Poverty: ประเทศที่เหลื่อมล้ำสูง ความยากจนข้ามรุ่นสูงตาม
Chen et al. (2024)	CGSS จีน; 2SLS, IV Quantile	การศึกษาของลูกสำคัญกว่าการศึกษาของพ่อแม่ในการลด IGTP; ผู้หญิงได้ประโยชน์น้อยกว่า
Krueger, Ludwig & Popova (2024)	Overlapping Generations Model	ทั้ง free college และ better public school ลดความเหลื่อมล้ำและเพิ่ม HC ในระยะยาว

Conditional Cash Transfers (CCTs)

Fiszbein & Schady, World Bank 2009

โปรแกรมใน Mexico (Oportunidades), Brazil (Bolsa Família), Colombia, Ecuador, Honduras, Nicaragua, Bangladesh, Cambodia:

ผลลัพธ์	หลักฐาน
อัตราเข้าเรียน	เพิ่มขึ้น 2-31% (สูงสุดในกลุ่มจนที่สุด)
การใช้บริการสุขภาพ	เพิ่มขึ้นอย่างมีนัยสำคัญ
การบริโภค	เพิ่มขึ้น ลดความเปราะบาง
ผลลัพธ์ระยะยาว (ส่วนสูง, ฯลฯ)	ผลผสม — ต้องการ supply-side ควบคู่

Graduation Program

Banerjee, Duflo et al. (2015) — 6 ประเทศ, RCT

โปรแกรมแบบองค์รวม 6 องค์ประกอบ ทดสอบใน Ethiopia, Ghana, Honduras, India, Pakistan, Peru:

องค์ประกอบ	รายละเอียด
ทรัพย์สินผลิต	ให้ปศุสัตว์/สินทรัพย์สร้างรายได้
เงินอุดหนุนชั่วคราว	อาหาร/เงินสด 6-12 เดือน
ฝึกทักษะอาชีพ	เฉพาะทางตามสินทรัพย์
Coaching + ออมทรัพย์ + สุขภาพ	เยี่ยมบ้าน + บัญชีออม + ข้อมูล

ผลลัพธ์: เพิ่มการบริโภคอย่างยั่งยืน, ผลตอบแทนสูงกว่าต้นทุนใน 5/6 ประเทศ, ผลยังคงอยู่ 1 ปีหลังจบโปรแกรม

ช่องว่างในงานวิจัย & ที่มาของแบบจำลอง

ช่องว่าง	ปัญหา	แนวทางของเรา
Static vs. Dynamic	งานเศรษฐมิติส่วนใหญ่เป็นเชิงเส้นและ static พลาดพลวัตข้ามรุ่นที่แท้จริง	System Dynamics model จำลองรายเดือน 30 ปี (ถิรภาพ, 2569)
Micro-behavioral	อธิบายพฤติกรรมระดับครัวเรือนในการลงทุนทุนมนุษย์ได้ยาก	แยกกลุ่ม Low/High income + sector-specific
System Interaction	เศรษฐมิติแบบดั้งเดิมจับ emergent behavior จากหลายปัจจัยซ้อนกันได้ยาก	6 ระบบย่อยเชื่อมด้วย feedback loops
Developing Country Gap	Agent-Based Modeling ยังใช้น้อยในประเทศกำลังพัฒนาที่มีความเหลื่อมล้ำเชิงโครงสร้าง	SD + regional subscript 6 ภูมิภาคไทย

เอกสารอ้างอิงหลัก

Banerjee, A., Duflo, E., Goldberg, N., et al. (2015). A multifaceted program causes lasting progress for the very poor: Evidence from six countries. Science, 348(6236). doi:10.1126/science.1260799

Bavaro, M., Carranza, R., & Nolan, B. (2024). Intergenerational poverty persistence in Europe — Is there a ‘Great Gatsby Curve’ for poverty? Research in Social Stratification and Mobility. doi:10.1016/j.rssm.2024.100991

Bucelli, I., & McKnight, A. (2024). Review of the mechanisms underlying the intergenerational transmission of poverty. Itla Reports 2024:3. PDF

Chen, H., Yu, J., et al. (2024). How human capital prevents intergenerational poverty transmission in rural China. Journal of Rural Studies, 105, 103184. ScienceDirect

Fiszbein, A., & Schady, N. (2009). Conditional Cash Transfers: Reducing Present and Future Poverty. World Bank Policy Research Report. World Bank

Krueger, D., Ludwig, A., & Popova, I. (2024). Shaping inequality and intergenerational persistence of poverty: Free college or better schools? Journal of Monetary Economics. NBER WP 32467

Paweenawat, S. W. (2020). Intergenerational transmission of human capital: Evidence with an alternative instrument from Thailand. ERIA Discussion Paper. ERIA

World Bank. (2020, 2022, 2024). Poverty and Shared Prosperity Reports. World Bank

กองทุนเพื่อความเสมอภาคทางการศึกษา (กสศ.). (2565). รายงานการเคลื่อนย้ายทางการศึกษาข้ามรุ่น. กสศ.

สำนักงานสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ (สศช.) & World Bank. (2567). รายงานวิเคราะห์ความยากจนและความเหลื่อมล้ำในประเทศไทย. สศช.

ถิรภาพ ฟักทอง. (2569). การประยุกต์ใช้แบบจำลองพลวัตระบบ (System Dynamics Modeling) เพื่อการจำลองและวิเคราะห์ทางด้านเศรษฐศาสตร์. สำนักพิมพ์มหาวิทยาลัยธรรมศาสตร์. Thammasat Press

พร้อมดูว่าเรานำกรอบแนวคิดนี้ไปสร้างแบบจำลองอย่างไร?

แบบจำลอง System Dynamics

เจาะลึกแบบจำลอง

แบบจำลองพลวัตระบบ (ถิรภาพ, 2569) จำลองระบบเศรษฐกิจ-สังคมไทยผ่าน 6 ระบบย่อยที่เชื่อมโยงกัน
360 เดือน · 3 ภาคผลิต × 6 ภูมิภาค × 2 ระดับทุนมนุษย์ · 5 ทุนข้ามรุ่น

6 ระบบย่อยที่เชื่อมโยงกัน

แต่ละระบบย่อยไม่ได้ทำงานแยก แต่เชื่อมผ่านวงจรป้อนกลับหลายชั้น — การเปลี่ยนแปลงในระบบหนึ่งส่งผลต่อทุกส่วน

ระบบประชากร

เด็ก → วัยทำงาน → ผู้สูงอายุ แยกกลุ่มรายได้ต่ำ/สูง ครัวเรือนยากจนมีอัตราเกิดสูงกว่า ทำให้จำนวนเด็กยากจนเพิ่มขึ้นแม้อัตราความจนลดลง (Demographic Momentum)

ระบบการศึกษา

เส้นทางการศึกษาตั้งแต่ ม.ปลาย จนถึง ป.เอก + อาชีวะ แต่ละระดับมี dropout rate ที่ขึ้นกับครอบครัว สุขภาพ และการปรับตัว ครัวเรือนยากจนมีอัตรา dropout สูงกว่า = ทุนมนุษย์ต่ำ

ระบบตลาดแรงงาน

3 ภาค (เกษตร/อุตสาหกรรม/บริการ) แต่ละภาคมีค่าจ้าง ผลิตภาพ และ R&D ต่างกัน แรงงานเคลื่อนย้ายตาม Sector Attractiveness = ค่าจ้างสูง + ว่างงานต่ำ

ระบบรายได้และเทคโนโลยี

ค่าจ้าง = f(ผลิตภาพ, อำนาจต่อรอง, เงินเฟ้อ) ผลิตภาพ = f(เทคโนโลยี, R&D) การลงทุน R&D สร้างวงจรเสริมแรงที่เร่งค่าจ้างในระยะยาว

ระบบความยากจนข้ามรุ่น

หัวใจของแบบจำลอง — ใช้ Logistic Function กำหนดความน่าจะเป็นที่จะหลุดพ้น (Flow Up) หรือตกสู่ (Flow Down) ความยากจน โดยขึ้นกับช่องว่างรายได้กับเส้นจน ส่งต่อจาก Gen 1 → Gen 2 ผ่าน 5 ทุนข้ามรุ่น

ระบบ Climate & External Shock

Climate Index รายภูมิภาค (240 เดือน) จากดาวเทียมในรูปแบบกริดเชิงพื้นที่ (gridded satellite data) ซึ่งมีความละเอียดเชิงพื้นที่และเชิงเวลา กระทบ GDP เกษตรโดยตรงผ่าน (1+climate_shock) · Oil Shock กระทบค่าครองชีพ (basic_needs × Oil_Impact_living) และ GDP ผ่าน Oil_Impact_gdp · วิกฤตซ้ำซ้อนสามารถกลับทิศผลลัพธ์ 30 ปี (+13.8%)

กรอบ 5 ทุนข้ามรุ่น (Social Capital Framework)

แบบจำลองเพิ่มมิติ "ทุน" ที่ส่งต่อระหว่างรุ่น 5 ประเภท ซึ่งกำหนดว่าลูกจะหลุดพ้นหรือติดอยู่ในวงจรยากจน

💰

ทุนการเงิน

Inheritance → HC Growth
Low_Loan (เงินอุดหนุน)
Shock: Low_Loan, Low_inflow

🎓

ทุนการศึกษา

อัตราเข้าเรียน + Dropout
Shock: enrollment_rate_*_shock
hs_dropout_*_shock

🤝

ทุนสังคม

ลดต้นทุนปัจจัยพื้นฐาน
Shock: basic_needs_per_capita_Low
(บ้าน, สาธารณสุข, อาหาร)

🏥

ทุนสุขภาพ

ลด dropout จากสุขภาพ
Shock: hs_dropout_health_issues_shock
(ผลล่าช้า 3-7 ปี)

🔑

ทุนโอกาส

GDP + ค่าจ้าง + Climate
Shock: gdp_*_shock, Wage_*_shock
Oil_Shock, shock_climate_index

สมการรายได้ Gen 2 + ทุนข้ามรุ่น (คลิกเพื่อดู)

// Gen 2 Income (Poor Child)
Income_poor_child = Σ(Low_Income_SECTOR_t+1 × pop_poor_SECTOR) / Σpop_poor

// Sector Income ของ Gen 2 (ตัวอย่าง: AGR Low-skill)
Low_Income_AGR_t+1 = Avg_Wage_AGR_Low × wage_shock_t+1 × Low_A_t+1
    × (1-tax_rate) × (1-leisure_t+1) × (1+HC_Growth_t+1)
    × (1+climate_shock)

// 💰 ทุนการเงิน: Inheritance → HC Growth
HC_Growth_t+1 = (μ + R&D/GPP + HC_investment_t + f(Low_Inheritance)) / 10000

// 💰 Inheritance Stock
Inflow:  Low_Income_t+1 + Low_Inheritance_t-1 + Low_Loan
Outflow: Low_saving_t+1 + Low_consumption_t+1 + basic_needs_per_capita_Low/3

// 🎓 ทุนการศึกษา: enrollment & dropout → Graduates → Employed
Graduate = DELAY(Children_to_Working_Age × enrollment_rate × shock, 36-48 เดือน)
dropout ขึ้นกับ 9 สาเหตุ (ยากจน, ครอบครัว, สุขภาพ, ...)

// 🤝 ทุนสังคม: ลดต้นทุนปัจจัยพื้นฐาน → Saving เพิ่ม → Inheritance เพิ่ม
basic_needs_per_capita_Low = 1,500 (ปรับลดได้ผ่านนโยบายที่อยู่อาศัย/สาธารณสุข)

// 🔑 ทุนโอกาส: GDP & ค่าจ้าง → Desired Employment → Income
Desired_Employment = (GDP × gdp_shock / 12) × Seta / (LP × Wage)
Oil_Impact_AGR = 1 - 0.10 × MAX(0, Oil_Price_Index × Oil_Shock - 1)

// ความยากจนข้ามรุ่น: Logistic Transition
gap = (Income_poor - PovertyLine) / PovertyLine
p_exit = exit_cap / (1 + e^-k×gap)    [k=3, tau_exit=36]
Flow_up = Poor_Parent × (1/tau_exit) × p_exit

ช่องว่างเชิงโครงสร้าง: ครัวเรือนยากจนมีค่าจ้างฐานต่ำกว่าอย่างมีนัยสำคัญ อัตราเข้าเรียนต่ำกว่า อัตรา dropout สูงกว่า และต้นทุนปัจจัยพื้นฐานกินสัดส่วนรายได้สูงกว่า — ความเหลื่อมล้ำเหล่านี้ทำงานพร้อมกันผ่านวงจรป้อนกลับ ทำให้ Gen 2 ของครัวเรือนยากจนเริ่มต้นด้วยทุนทุกด้านที่ต่ำกว่าอย่างเป็นระบบ

ภาพรวมความเชื่อมโยง

แผนภาพแสดงวงจรป้อนกลับหลักในระบบความยากจนข้ามรุ่น

Stocks & Flows หลัก

รายละเอียดของตัวแปรสะสมและการไหลในแต่ละโมดูล

👥 โมดูลประชากร

Demographic Module

Stock	คำอธิบาย
Children Low/High	เด็ก 0-15 ปี แยกตามระดับรายได้ครัวเรือน (ช่วงการศึกษาภาคบังคับ)
Working Age Low/High	วัยทำงาน 16-60 ปี
Elderly Low/High	ผู้สูงอายุ 60+ ปี

Flows: Being Born → Children → Working Age → Elderly → Death
Delay: เด็กใช้เวลา 15 ปี (180 เดือน) กว่าจะเข้าสู่วัยทำงาน, เกษียณหลังทำงาน 60 ปี (720 เดือน)

🎓 โมดูลการศึกษา

Education Pipeline — 7 เส้นทาง + 9 สาเหตุ dropout

Stock	ระยะเวลา	เส้นทางถัดไป
High School (ม.ปลาย)	36 เดือน	ตลาดแรงงาน / อาชีวะ / มหาวิทยาลัย
Vocational (ปวช.)	36 เดือน	ตลาดแรงงาน / ปวส.
High Vocational (ปวส.)	24 เดือน	ตลาดแรงงาน / มหาวิทยาลัย
University (ป.ตรี)	48 เดือน	ตลาดแรงงาน / ป.โท
Master (ป.โท)	24 เดือน	ตลาดแรงงาน / ป.เอก
PhD (ป.เอก)	48 เดือน	ตลาดแรงงาน

Enrollment gap: ครัวเรือนยากจนมีอัตราเข้าเรียนต่ำกว่าทั่วไป โดยเฉพาะระดับอุดมศึกษา
Dropout gap: ครัวเรือนยากจนมีอัตราออกกลางคันสูงกว่า โดยเฉพาะจากปัจจัยด้านความยากจนและครอบครัว

9 สาเหตุ dropout ในแบบจำลอง (คลิก)

1. ยากจน 2. ครอบครัวไม่สนับสนุน 3. ย้ายถิ่น 4. การปรับตัว 5. ปัญหาครอบครัว 6. แต่งงาน 7. สุขภาพ 8. กฎหมาย 9. อื่น ๆ

สาเหตุ ยากจน และ ครอบครัวไม่สนับสนุน เป็นปัจจัยหลักที่ทำให้เด็กจนออกกลางคันสูงกว่าเด็กไม่จน ตามด้วยปัจจัยด้านสุขภาพและการย้ายถิ่น (Oapub, 2024)

🏭 โมดูลตลาดแรงงาน

Labor Market by Sector

ภาค	Stocks (แยก High/Low)	กลไก
AGR เกษตร	Employed H/L, Unemployed H/L, Migration	ค่าจ้างต่ำ แรงงานมาก เปราะบางต่อ climate
MAN อุตสาหกรรม	Employed H/L, Unemployed H/L, Migration	ค่าจ้างสูง ใช้เทคโนโลยี + R&D
SER บริการ	Employed H/L, Unemployed H/L, Migration	กำลังเติบโต ดึงดูดแรงงาน

Sector Attractiveness = α₁ × normalized_wage - α₂ × unemployment
แรงงานไหลระหว่างภาคตาม attractiveness & rehiring delay
เพิ่มเติม: HC Growth, Inheritance, Tech Level แยกรายภาค × ระดับทักษะ (18 stocks)

💸 โมดูลความยากจน

Poverty Transition

Stock	สูตร Transition
Poor Parent (Gen 1)	Flow Up = poor × (1/τ_exit) × p_exit
Norm Parent (Gen 1)	Flow Down = norm × (1/τ_fall) × p_fall
Poor Child (Gen 2)	เหมือนกัน แต่ใช้ income_poor_child
Norm Child (Gen 2)	เหมือนกัน แต่ใช้ income_norm_child

p_exit = exit_cap / (1 + e^-k·gap) exit_cap = 1
p_fall = fall_cap / (1 + e^k·gap) fall_cap = 0.01
gap = (income - PovertyLine) / PovertyLine PovertyLine = 3,078
τ_exit = 36 เดือน, τ_fall = 240 เดือน, k = 3
สมการ Gen 2: Income_poor_child = weighted_avg(Low_Income_t+1) + Asset_Income_Low

Feedback Loops สำคัญ

วงจรป้อนกลับที่กำหนดพฤติกรรมของระบบ

R1: Poverty Trap (กับดักความยากจน) REINFORCING ?
Reinforcing Loop (วงจรเสริมแรง)

ยิ่งเปลี่ยน ยิ่งเร่ง — ถ้าเริ่มแย่จะแย่ลงเรื่อย ๆ ถ้าเริ่มดีจะดีขึ้นเรื่อย ๆ

เปรียบเทียบ: เหมือนดอกเบี้ยทบต้น — ยิ่งมีเงินมาก ดอกเบี้ยยิ่งเยอะ ทำให้มีเงินมากขึ้นอีก ในทางกลับกัน ถ้าเป็นหนี้ ดอกเบี้ยจะทำให้หนี้พอกพูน

พ่อแม่ยากจน → ลูกเกิดในครัวเรือนยากจน → เข้าถึงการศึกษาน้อย → ทักษะต่ำ → จ้างงานในภาคค่าจ้างต่ำ → รายได้ต่ำ → ยังคงยากจน → ส่งต่อไปยังรุ่นถัดไป

Poor Parent → Being Born (Low) → Low Education → Low Sector Employment → Low Income → Poor Child

B1: Education Escape (หนีจนผ่านการศึกษา) BALANCING ?
Balancing Loop (วงจรสมดุล)

ระบบพยายามดึงกลับสู่จุดสมดุล — ถ้าสูงเกินจะดึงลง ถ้าต่ำเกินจะดันขึ้น

เปรียบเทียบ: เหมือนเทอร์โมสแตทที่รักษาอุณหภูมิห้อง — ถ้าร้อนเกินก็เปิดแอร์ ถ้าเย็นเกินก็ปิด เป็นกลไกที่ช่วยรักษาเสถียรภาพ

นโยบายเพิ่ม enrollment + ลด dropout → ทุนมนุษย์สูงขึ้น → เข้าถึงงานค่าจ้างสูง → รายได้เพิ่ม → หลุดพ้นจากความยากจน → ลดจำนวนคนจน

Policy → +Enrollment → +HC Stock → +High Sector Job → +Income → +Flow Up → -Poor Pop

R2: Technology-Productivity Spiral REINFORCING ?
Reinforcing Loop (วงจรเสริมแรง)

ยิ่งเปลี่ยน ยิ่งเร่ง — การลงทุน R&D ยิ่งเพิ่ม ผลิตภาพยิ่งสูง ค่าจ้างยิ่งดี รายได้ธุรกิจยิ่งเยอะ จึงลงทุนต่อได้อีก

เปรียบเทียบ: เหมือนล้อหมุนที่ยิ่งหมุนเร็วยิ่งเร่งตัวเอง — เป็นวงจรบวกที่ช่วยยกระดับเศรษฐกิจ

การลงทุน R&D → ระดับเทคโนโลยีสูงขึ้น → ผลิตภาพแรงงานเพิ่ม → ค่าจ้างเพิ่ม → รายได้ธุรกิจเพิ่ม → ลงทุน R&D ต่อ

R&D Investment → Tech Level ↑ → Labor Productivity ↑ → Wages ↑ → Business Revenue ↑ → R&D

B2: Wage-Labor Demand Equilibrium BALANCING ?
Balancing Loop (วงจรสมดุล)

ค่าจ้างสูง → ต้นทุนธุรกิจเพิ่ม → ลดการจ้างงาน → ว่างงานเพิ่ม → กดดันค่าจ้างลง — ระบบปรับตัวเองกลับสู่สมดุล

เปรียบเทียบ: เหมือนตลาดที่ปรับตัว — ของแพงคนซื้อน้อยลง ราคาจึงค่อย ๆ ลด

ค่าจ้างสูงขึ้น → ต้นทุนธุรกิจสูง → กำไรลด → ลดตำแหน่งงาน → ว่างงานเพิ่ม → กดดันค่าจ้างลง

Wage ↑ → Business Cost ↑ → Profit ↓ → Job Openings ↓ → Unemployment ↑ → Wage ↓

R3: Climate-Agriculture Vulnerability REINFORCING ?
Reinforcing Loop (วงจรเสริมแรง)

วิกฤตภูมิอากาศกระทบเกษตร → รายได้ลด → จนลง → ไม่มีทุนปรับตัว → เปราะบางต่อวิกฤตรอบถัดไปมากขึ้น

เปรียบเทียบ: เหมือนคนป่วยที่ไม่มีเงินรักษา — ยิ่งป่วยยิ่งจน ยิ่งจนยิ่งรักษาไม่ได้

Climate shock → GDP เกษตรลด → ค่าจ้าง AGR ลด → รายได้ครัวเรือนเกษตรลด → gap ลด → p_exit ลด → ติดอยู่ในความยากจน → ลงทุน adaptation ไม่ได้ → เปราะบางต่อ climate ซ้ำ

Climate Shock → GDP AGR ↓ → Wage AGR ↓ → Income Poor ↓ → gap ↓ → p_exit ↓ → Poor Pop ↑ → ไม่มีทุน adaptation

R4: Inheritance Cycle (วงจรทุนข้ามรุ่น) REINFORCING ?
Reinforcing Loop (วงจรเสริมแรง)

ครัวเรือนยากจนมีทุน 5 ประเภทต่ำ → ส่งต่อทุนน้อยให้ลูก → ลูกรายได้ต่ำ → สะสมทุนไม่ได้ → ส่งต่อทุนน้อยซ้ำ

เปรียบเทียบ: เหมือนมรดกที่ส่งต่อข้ามรุ่น — ครอบครัวรวยส่งต่อทุนให้ลูกหลานได้มาก ครอบครัวจนส่งต่อได้น้อย ช่องว่างจึงถ่างกว้างขึ้นทุกรุ่น

ครัวเรือนยากจนมีทุน 5 ประเภทต่ำกว่า → ส่งต่อทุนน้อยให้ลูก → รายได้ Gen 2 ต่ำ → สะสมทุนไม่ได้ → ส่งต่อทุนน้อยซ้ำ

Low Income → Low 5 Capitals → Low Transfer to Gen 2 → Low Income Gen 2 → Low 5 Capitals Gen 2 → ...

R5: Demographic Momentum REINFORCING ?
Reinforcing Loop (วงจรเสริมแรง)

ครัวเรือนยากจนมีอัตราเกิดสูงกว่า → เด็กจนเพิ่ม → แรงงานทักษะต่ำล้นตลาด → กดค่าจ้างลง → ยังคงยากจน

เปรียบเทียบ: เหมือนห้องเรียนที่แน่นเกินไป — ยิ่งมีนักเรียนมาก คุณภาพต่อคนยิ่งลด ทำให้โอกาสยิ่งน้อยลง

ครัวเรือนยากจนมีอัตราเกิดสูงกว่า → เด็กยากจนเพิ่มขึ้น → แรงงานทักษะต่ำเพิ่ม → แข่งขันกดค่าจ้าง → ยังคงยากจน

Poor Pop ↑ → Birth Rate (High for Poor) → Children Low ↑ → Working Age Low ↑ → Labor Supply ↑ → Wage Pressure ↓

สมการสำคัญ

สมการหลักที่กำหนดการหลุดพ้นและตกสู่ความยากจน ดูหลักการ SD Modeling เพิ่มเติมใน ถิรภาพ (2569)

Poverty Transition Equations

สมการการเปลี่ยนสถานะยากจน ↔ ไม่ยากจน

// ===== 1. POVERTY TRANSITION =====

// Gap: ช่องว่างรายได้เทียบกับเส้นความยากจน
gap_parent = (Income_poor_parent - PovertyLine) / PovertyLine
// PovertyLine = 3,078 บาท/คน/เดือน

// Probability of Exit/Fall (Logistic Function)
p_exit = exit_cap / (1 + exp(-k × gap))     // exit_cap = 1, k = 3
p_fall = fall_cap / (1 + exp( k × gap))      // fall_cap = 0.01

// Flow Up/Down: จำนวนคนหลุดพ้น/ตกสู่ ต่อเดือน
flow_up   = poor_parent × (1/tau_exit) × p_exit   // tau_exit = 36 เดือน
flow_down = norm_parent × (1/tau_fall) × p_fall   // tau_fall = 240 เดือน

// ===== 2. INCOME (รายภาค, แยก High/Low) =====

// Gen 1 Income (ถัวเฉลี่ยถ่วงน้ำหนักตามจำนวนแรงงาน)
Income_poor_parent = Σ(Low_Income_SECTOR_t × pop_poor_SECTOR) / Σpop_poor

// Gen 2 Income (เพิ่ม Asset_Income จาก Inheritance)
Income_poor_child = Σ(Low_Income_SECTOR_t+1 × pop_poor_SECTOR) / Σpop_poor + Asset_Income_Low
// Asset_Income_Low = r_asset × Σ(Low_Inheritance) / Pop_Low, r_asset = 0.004

// Sector Income (ตัวอย่าง: เกษตร Low-skill)
Low_Income_AGR_t = Avg_Wage_AGR_Low × Low_A_AGR_t × (1-tax_rate)
                   × (1-leisure) × (1+HC_Growth_AGR_t) × (1+climate_shock) × Oil_Impact_agr × 1.2

// Sector Income (ตัวอย่าง: อุตสาหกรรม Low-skill)
Low_Income_MAN_t = Avg_Wage_MAN_Low × Low_A_MAN_t × (1-tax_rate)
                   × (1-leisure) × (1+HC_Growth_MAN_t) / 5

// ===== 3. HUMAN CAPITAL GROWTH =====

Low_HC_Growth_MAN_t+1 = (μ + R&D/GPP + HC_investment + Inheritance/10000) / 10000
// μ = 3, HC_investment = f(tax, leisure, wage, tech, HC)

// ===== 4. LABOR PRODUCTIVITY =====

labor_productivity = 0.5 × (1 + 0.0005 × tech_level / 1000)

// ===== 5. CLIMATE & OIL SHOCK =====

Oil_Impact_agr    = 1 - 0.10 × MAX(0, Oil_Price × Oil_Shock - 1)
Oil_Impact_gdp    = 1 - 0.04 × MAX(0, Oil_Price × Oil_Shock - 1)
Oil_Impact_living = 1 - 0.12 × MAX(0, Oil_Price × Oil_Shock - 1)
basic_needs_Low   = 1500 × Oil_Impact_living
// Climate_index: GRAPH lookup รายภูมิภาค (240 เดือน)

การไหลของแรงงานระหว่างภาค

แรงงาน High/Low skill เคลื่อนย้ายระหว่าง 3 ภาคตาม Sector Attractiveness — Climate Shock กระทบ AGR โดยตรง

แบบจำลองสะท้อนความจริงแค่ไหน?

ปรับเทียบแบบจำลอง

การปรับเทียบ

เปรียบเทียบผลจากแบบจำลองกับข้อมูลจริง (พ.ศ. 2554-2567)
เพื่อยืนยันว่าแบบจำลองสะท้อนความเป็นจริงก่อนนำไปพยากรณ์

แนวทางการปรับเทียบ

แบบจำลองถูกปรับเทียบกับข้อมูลจริง 14 ปี (2554-2567) จาก พม., กระทรวงมหาดไทย, ธปท., สศช. และ กระทรวงศึกษาธิการ โดยวัดค่าความคลาดเคลื่อนเฉลี่ย (MAE) ของตัวแปรสำคัญ 7 กลุ่ม

สรุปความแม่นยำ

18.5%

MAE ครัวเรือนยากจน

ผ่าน (< 20%)

15.5%

MAE รายได้เฉลี่ย

ใกล้เคียงเดิม

1.2%

MAE ประชากร

ดีมาก

0.3%

MAE GDP (3 ภาค × 6 ภูมิภาค)

ใช้ GRAPH lookup

ดูตารางรายละเอียด MAE ทุกตัวแปร (คลิก)

ตัวแปร	MAE	สถานะ	ผลกระทบต่อแบบจำลอง
จำนวนครัวเรือนยากจน	18.5%	ผ่าน	กระทบ poverty โดยตรง — ตัวแปรเป้าหมายหลัก (84 จุดข้อมูล)
รายได้เฉลี่ย	15.5%	ผ่าน	กระทบ gap → p_exit → จำนวนครัวเรือนยากจน
ประชากร	1.2%	ดีมาก	ฐานตัวหาร — ไม่กระทบ poverty โดยตรง
GDP (AGR/MAN/SER × 6 ภูมิภาค)	0.3%	สอดคล้องสมบูรณ์	ใช้ GRAPH lookup จากข้อมูลจริง (126 จุดข้อมูล)
อัตราเกิด	~0%	สอดคล้องสมบูรณ์	ใช้ GRAPH lookup จากข้อมูลจริง
อัตราตาย (3 กลุ่มอายุ)	3-5%	ผ่าน	ผลน้อย — ไม่กระทบ poverty
อัตราเข้าเรียน	13%	พอรับได้	ใช้ GRAPH lookup — ผลล่าช้า 3-7 ปี

แบบจำลอง vs ข้อมูลจริง: ครัวเรือนยากจน

รวมทั้งประเทศ

เส้นทึบ = ข้อมูลจริง / เส้นประ = แบบจำลอง / แถบสีม่วง = Uncertainty Band (±10% parameter sweep, 30 runs)

แยกรายภูมิภาค

แบบจำลอง (เส้นประ) พร้อม Uncertainty Band (แถบสี) เทียบข้อมูลจริง (เส้นทึบ)

ข้อวิเคราะห์: แบบจำลองมีความแม่นยำอยู่ในเกณฑ์ดี (MAE 18.5%) โดยช่วงปี 2558-2562 ค่อนข้างแม่นยำในหลายภูมิภาค (เช่น ภาคตะวันตก 2559 ต่างเพียง 0.7%) ช่วงปี 2566-2567 แบบจำลองยังต่ำเกินจริงในบางภูมิภาค เช่น ภาคใต้ เนื่องจากแบบจำลองประมาณการการลดความยากจนเร็วกว่าความเป็นจริง แต่ในภาพรวมแบบจำลองสะท้อนทิศทางการลดลงของความยากจนได้อย่างสอดคล้องกับข้อมูลจริง

แบบจำลอง vs ข้อมูลจริง: ประชากร

ประชากรรวม (ล้านคน)

MAE 0.8% — แบบจำลองติดตามข้อมูลจริงได้ดีมาก แม้จะไม่จับการลดลงหลังปี 2563

ข้อวิเคราะห์: แบบจำลองมีความแม่นยำสูง (MAE 1.2%) เนื่องจากอัตราเกิดและอัตราตายใช้ข้อมูลจริงจากกระทรวงมหาดไทยเป็น GRAPH lookup โดยตรง แบบจำลองประมาณการประชากรต่ำกว่าจริงอย่างสม่ำเสมอตลอด 14 ปี (1-2%) สาเหตุหลักคือแบบจำลองไม่ได้รวมการย้ายถิ่นระหว่างประเทศ หลังปี 2563 ข้อมูลจริงเริ่มลดลงจากสังคมสูงวัยและผลกระทบ COVID-19 ขณะที่แบบจำลองยังเพิ่มเล็กน้อยก่อนจะเริ่มลดลง อย่างไรก็ตามความคลาดเคลื่อนนี้ไม่กระทบผลการพยากรณ์ความยากจนเพราะประชากรใช้เป็นฐานตัวหารเท่านั้น

แบบจำลอง vs ข้อมูลจริง: รายได้เฉลี่ย

กลาง

ตะวันตก

ตะวันออก

อีสาน

ใต้

เหนือ

ข้อมูลทุก 2 ปี (2556-2566) — เส้นทึบ = ข้อมูลจริง / เส้นประ = แบบจำลอง (บาท/เดือน)

ข้อวิเคราะห์: แบบจำลองเริ่มต้นต่ำกว่าจริงในปี 2556 ทุกภูมิภาค เนื่องจากโมเดลต้องใช้เวลาในการ ramp up รายได้ผ่านกลไกทุนมนุษย์และค่าจ้าง แต่ไล่ตามทันในช่วงปี 2558-2564 และมีความแม่นยำสูงในหลายภูมิภาค โดยเฉพาะภาคใต้และอีสาน ช่วงปลาย (2566) บางภูมิภาคสูงเกินจริงเล็กน้อย ซึ่งสะท้อนว่าทุนมนุษย์ในแบบจำลองเติบโตเร็วกว่าความเป็นจริง — MAE รวม 15.5%

แหล่งข้อมูลที่ใช้ในการปรับเทียบ

ข้อมูล	แหล่ง	ปี
จำนวนครัวเรือนยากจน แยกภูมิภาค	กระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์ (พม.)	2554-2567
ประชากร โครงสร้างอายุ อัตราเกิด/ตาย	กระทรวงมหาดไทย	2554-2567
อัตราเข้าเรียน / ออกกลางคัน	กระทรวงศึกษาธิการ / กสศ.	2554-2565
ค่าจ้าง ผลิตภาพ GDP รายภาค	สศช. / ธปท.	2554-2567
การจ้างงาน แยกภาค (เกษตร/อุตฯ/บริการ)	ธนาคารแห่งประเทศไทย (ธปท.)	2554-2567
รายได้เฉลี่ยครัวเรือน แยกภูมิภาค	กระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์ (พม.)	2556-2566 (ทุก 2 ปี)

วิเคราะห์ความอ่อนไหว

พารามิเตอร์ไหนมีผลมากที่สุดต่อจำนวนครัวเรือนยากจน?
ทดสอบแบบ One-at-a-Time (OAT) ±10% จำนวน 15 พารามิเตอร์

3 พารามิเตอร์ที่มีผลมากที่สุด

34.7%

ค่าจ้างภาคเกษตร

Wage_AGR_Low — อันดับ 1

31.5%

ระยะเวลาหลุดพ้นความจน

tau_exit — อันดับ 2

30.8%

ความชันของ Logistic (k) ?

k — อันดับ 3

ผลกระทบของพารามิเตอร์ต่อจำนวนครัวเรือนยากจน

แท่งยิ่งยาว = พารามิเตอร์ยิ่งมีอิทธิพลต่อจำนวนครัวเรือนยากจน ณ ปีที่ 30 (พ.ศ. 2583)

ผลกระทบต่อจำนวนครัวเรือนยากจน (%change จาก Base Case)

แดง = คนจนเพิ่ม / เขียว = คนจนลด — Base Case = 170,719 ครัวเรือน

ตารางผลกระทบครบทุกพารามิเตอร์

#	พารามิเตอร์	ความหมาย	−10%	+10%	ช่วงผลกระทบ
1	Wage_AGR_Low	ค่าจ้างภาคเกษตร (กลุ่มจน)	+19.26%	−15.41%	34.66%
2	tau_exit	ระยะเวลาหลุดพ้นความจน (เดือน)	−15.63%	+15.90%	31.53%
3	k	ความชันของ Logistic transition	−15.07%	+15.74%	30.81%
4	Low_tax_rate	อัตราภาษีกลุ่มจน	−2.27%	+2.34%	4.61%
5	tau_fall	ระยะเวลาตกสู่ความจน (เดือน)	+1.94%	−1.59%	3.52%
6	Oil_Shock	ราคาน้ำมัน	−0.68%	+1.38%	2.06%
7	Climate	ดัชนีภูมิอากาศ	−0.84%	+0.82%	1.66%
8	GDP_SER	GDP ภาคบริการ	+0.20%	−0.19%	0.39%
9	GDP_AGR	GDP ภาคเกษตร	+0.14%	−0.15%	0.29%
10	GDP_MAN	GDP ภาคอุตสาหกรรม	+0.06%	−0.04%	0.11%
11	Enrollment_HS	อัตราเข้าเรียน ม.ปลาย	+0.03%	−0.03%	0.07%
12	Enrollment_Uni	อัตราเข้าเรียน ป.ตรี	+0.01%	−0.01%	0.01%
13	Dropout_Poverty	ออกกลางคันเพราะจน	~0%	~0%	~0%
14	Low_Loan	เงินสวัสดิการคนจน	~0%	~0%	~0%
15	Basic_Needs	ค่าครองชีพขั้นต่ำ	~0%	~0%	~0%

บทวิเคราะห์

ค่าจ้างภาคเกษตร (Wage_AGR_Low) มีอิทธิพลสูงสุด — เพราะครัวเรือนยากจนส่วนใหญ่พึ่งพารายได้จากภาคเกษตร (คนจน 79% อยู่ชนบทในครัวเรือนเกษตร; World Bank Thailand Rural Income Diagnostic) ผลจากแบบจำลองพบว่าการเพิ่มค่าจ้างเกษตร 10% ลดครัวเรือนยากจนได้ถึง 15.4% ในขณะที่ค่าจ้างลดลง 10% เพิ่มครัวเรือนยากจน 19.3% — สะท้อนว่าครัวเรือนยากจนมีความเปราะบางต่อการเปลี่ยนแปลงค่าจ้างเกษตรอย่างยิ่ง สอดคล้องกับข้อมูลที่ความจนเพิ่มขึ้นเมื่อรายได้ภาคเกษตรชะลอตัว (พ.ศ. 2559, 2561, 2563)

tau_exit และ k เป็นพารามิเตอร์เชิงโครงสร้าง — ทั้งสองควบคุมกลไก Logistic Poverty Transition โดยตรง (tau_exit = ความเร็วหลุดพ้น, k = ความชันของเส้น S-curve) ผลกระทบจากแบบจำลองราว 31% สะท้อนว่าการออกแบบระบบสวัสดิการที่ช่วยเร่ง "การเปลี่ยนผ่าน" (transition) ของครัวเรือนจากจนสู่ไม่จน มีความสำคัญเทียบเท่ากับนโยบายด้านรายได้ สอดคล้องกับทฤษฎี poverty traps ที่ระบุว่าครัวเรือนที่อยู่ในความยากจนนานจะมีโอกาสหลุดพ้นลดลงเรื่อย ๆ (NBER, The Economics of Poverty Traps)

การศึกษาและเงินสวัสดิการมีผลน้อยในระยะ 30 ปี — ไม่ได้หมายว่าไม่สำคัญ แต่เพราะ (1) enrollment/dropout มี DELAY 3-7 ปี ผลจึง dilute เมื่อวัดที่ปีที่ 30 (2) เงินอุดหนุน 300 บาท/เดือน ±10% = ±30 บาท ซึ่งน้อยเกินกว่าจะเปลี่ยนผลลัพธ์ — ผลจาก Scenario Analysis แสดงว่าหากเพิ่มเงินอุดหนุนเป็น 1,000-1,500 บาท/เดือน จะเห็นผลชัดเจน สอดคล้องกับแนวคิด "big push" ที่ต้องให้ทรัพยากรมากพอจึงจะข้ามจุดเปลี่ยน (Banerjee, Duflo et al. 2015)

น้ำมันและภูมิอากาศมีผล 1.7-2.1% — แม้จะดูน้อยจากการปรับ ±10% แต่ใน Scenario D (วิกฤตซ้อน: น้ำมันแพง 50%, ภัยแล้งรุนแรง 2 เท่า, ผลผลิตลด) ครัวเรือนยากจนเพิ่มขึ้น 13.8% จากแบบจำลอง — แสดงว่าผลกระทบจะทวีคูณเมื่อวิกฤตหลายด้านเกิดพร้อมกัน สอดคล้องกับ World Bank Shock Waves (2016) ที่ระบุว่าหากไม่มีนโยบายรับมือ วิกฤตภูมิอากาศอาจผลักคนเข้าสู่ความยากจนเพิ่มขึ้นกว่า 100 ล้านคน

นัยเชิงนโยบาย

Leverage Points สูงสุด

1. ค่าจ้างภาคเกษตร — นโยบายประกันราคาพืชผล ส่งเสริม value chain เกษตร และการฝึกทักษะแรงงานเกษตร จะมีผลลดความจนมากที่สุด

2. กลไกเปลี่ยนผ่าน (tau_exit, k) — โครงการ Graduation แบบ BRAC ที่ให้สินทรัพย์ + coaching + ออมทรัพย์ ช่วยเร่ง transition ของครัวเรือน

3. ภาษีกลุ่มจน — นโยบาย progressive tax ลดภาระภาษีคนจน มีผลลดความจน 2.3% ต่อทุก 10% ที่ปรับ

ต้องทำแบบ "Package"

พารามิเตอร์ที่มีผลน้อยเมื่อปรับทีละตัว (เช่น การศึกษา, เงินโอน) ไม่ได้หมายความว่าไม่สำคัญ — แต่ต้องทำพร้อมกันหลายด้านจึงจะเห็นผล

สอดคล้องกับหลักฐานจาก Banerjee et al. (2015) ที่พบว่าโปรแกรม "multifaceted" ได้ผลยั่งยืน ในขณะที่ microfinance เพียงอย่างเดียวแทบไม่มีผล

Scenario G (Full Package) ที่รวมหลายนโยบาย ลดความจนได้ 12.8% — มากกว่าผลรวมของแต่ละนโยบายเดี่ยว

ผลลัพธ์การจำลอง

เปรียบเทียบ 7 ฉากทัศน์นโยบาย ตั้งแต่การแทรกแซงเดี่ยวจนถึง Policy Package (ปีที่ 30)

จัดอันดับผลกระทบ (ปีที่ 30)

นโยบายที่กระทบรายได้โดยตรง (GDP/ค่าจ้าง) ให้ผลดีที่สุด ขณะที่การแทรกแซงเดี่ยวแทบไม่มีผล

-22.3%

E: Climate Adaptation

ดีที่สุด

-12.8%

G: Full Package

Policy Package

-9.1%

C: Fiscal Progressive

ภาษี + เงินโอน

+13.8%

D: Climate + Oil Crisis

worst case

เปรียบเทียบ 7 ฉากทัศน์

% การเปลี่ยนแปลงครัวเรือนยากจน ณ ปีที่ 30 (เทียบ Base Case)

#	ฉากทัศน์	% เปลี่ยนแปลง	กลไกหลัก	ต้นทุน
E	Climate Adaptation ระบบให้น้ำแบบหยด + smart farming + PES	-22.3%	ผลผลิตภาคเกษตรเพิ่ม 20%, ค่าจ้างแรงงานเกษตรเพิ่ม 15%, ลดการพึ่งพาน้ำมัน 20%, ลดผลกระทบภูมิอากาศ 50%	ปานกลาง
G	Full Package Graduation + CCT + Fiscal + Climate Adaptation	-12.8%	เงินอุดหนุน, อัตราเข้าเรียน, ลด dropout, ลดภาษี, ลดต้นทุนปัจจัยพื้นฐาน, ผลผลิตเกษตรเพิ่ม, ลดผลกระทบภูมิอากาศ	สูง
C	Fiscal Progressive ลดภาษีคนจน เพิ่มภาษีคนรวย เงินอุดหนุน ลดต้นทุนปัจจัยพื้นฐาน	-9.1%	ลดภาษีคนจน, เพิ่มภาษีคนรวย, เงินอุดหนุน 300→800 บาท/เดือน, ลดต้นทุนปัจจัยพื้นฐาน 27%	ต่ำ
B	CCT (Bolsa Família) เงินอุดหนุนรายเดือนแลกส่งลูกเรียน + ตรวจสุขภาพ + วัคซีน	-0.1%	เงินอุดหนุน 300→1,000 บาท/เดือน, อัตราเข้าเรียน ม.ปลายเพิ่ม 38%, ลด dropout เพราะจน 63%	ปานกลาง
A	Graduation Program เงินอุดหนุน + อัตราเข้าเรียน ม.ปลาย + ลด dropout + ลดต้นทุนปัจจัยพื้นฐาน	-0.1%	เงินอุดหนุน 300→1,500 บาท/เดือน, อัตราเข้าเรียน ม.ปลายเพิ่ม 31%, ลดต้นทุนปัจจัยพื้นฐาน 20%	สูง
F	Microfinance Only เงินอุดหนุนคนยากจนอย่างเดียว	0.0%	เงินอุดหนุน 300→500 บาท/เดือน — ไม่เพียงพอ	ต่ำ
D	Climate + Oil Crisis วิกฤตซ้ำซ้อน: ภัยแล้งรุนแรง 2 เท่า + น้ำมันแพง 50%	+13.8%	ภัยแล้ง/น้ำท่วมรุนแรงเป็น 2 เท่า, น้ำมันแพงขึ้น 50%, ผลผลิตเกษตรลด 15%, อุตสาหกรรมและบริการลด 10%	— (วิกฤตภายนอก)

ข้อค้นพบสำคัญ

นโยบายที่กระทบรายได้โดยตรง (ผลผลิต, ค่าจ้าง) ให้ผลเร็วและแรงที่สุด — Climate Adaptation (-22.3%) ทำงานผ่านการเพิ่มผลผลิตภาคเกษตร + ค่าจ้างแรงงานเกษตร ซึ่งกระทบ gap → p_exit โดยตรง

นโยบายด้านการศึกษามีผลล่าช้า 3-7 ปี — เนื่องจากโครงสร้างของแบบจำลอง (delay 3-5 ปี จาก enrollment ถึง graduation ถึง labor force) ทำให้ Graduation (-0.1%) และ CCT (-0.1%) แทบไม่เห็นผลในปีที่ 30

Microfinance เดี่ยว = 0% ไม่มีผล — สอดคล้องกับ Banerjee et al. (2015, AEJ) RCT 6,863 ครัวเรือนในไฮเดอราบาด ยืนยันว่าเงินอุดหนุนจากรัฐอย่างเดียวไม่เปลี่ยนผลลัพธ์เชิงโครงสร้าง

วิกฤตภายนอกสามารถลบผลลัพธ์ 30 ปีได้ใน 1 ปี — Scenario D (+13.8%) ชี้ว่าต้องมี automatic stabilizers · COVID-19 ทำให้ 88-115 ล้านคน ตกสู่ความยากจนทั่วโลก ลบความก้าวหน้า 30 ปี (World Bank PSP 2020)

ความเร็วของผลกระทบ + ต้นทุน

นโยบายที่กระทบรายได้โดยตรงให้ผลใน 1-2 ปี ขณะที่นโยบายการศึกษาต้องรอ 3-7 ปี

เปรียบเทียบความเร็ว ต้นทุน และหลักฐาน

Scenario	ผล (ปี 30)	ความเร็ว	ต้นทุน	หลักฐาน RCT
E: Climate Adaptation	-22.3%	เร็ว (1-2 ปี)	ปานกลาง	Israel drip irrigation, Costa Rica PES, Netherlands smart farming
C: Fiscal Progressive	-9.1%	เร็ว (1-2 ปี)	ต่ำ (revenue neutral)	Delhi RCT 450 ครัวเรือน, Chile Solidario
G: Full Package	-12.8%	ปานกลาง (2-5 ปี)	สูง	6-country RCT, ROI 133-433%
B: CCT	-0.1%	ช้า (3-7 ปี)	0.08-0.50% GDP	Mexico 5M, Brazil 46M คน, Cambodia +21pp enrollment
A: Graduation	-0.1%	ช้า (3-7 ปี)	สูง	10,495 ครัวเรือน 6 ประเทศ
F: Microfinance	0.0%	—	ต่ำ	6,863 ครัวเรือน Hyderabad, takeup เพียง 26.7%

ทำไม E ดีกว่า G? Scenario E ให้ผลดีกว่าเพราะกระทบภาคเกษตรซึ่งเป็นแหล่งรายได้หลักของครัวเรือนยากจนโดยตรง จึงเกิดผลลัพธ์ลำดับแรก (first-order effects) ต่อรายได้ได้อย่างรวดเร็ว ในขณะที่ Scenario G แม้ครอบคลุมหลายมิติ แต่กระจายผลกระทบผ่านหลายช่องทาง ซึ่งหลายช่องทางมีความล่าช้าสูง (เช่น การศึกษา 3-7 ปี) หรือเป็นผลลัพธ์ลำดับรอง (second-order effects เช่น การปรับภาษี) ทำให้ผลรวมถูกเจือจางลงแม้จะครอบคลุมนโยบายกว้างกว่า

เปรียบเทียบ 7 ฉากทัศน์ตลอด 30 ปี

แสดงจำนวนครัวเรือนยากจนรวมทั้งประเทศ ปีที่ 1-30 ของแต่ละฉากทัศน์

จำนวนครัวเรือนยากจน (พ.ศ. 2568-2583)

เส้นที่ลดเร็วกว่า = นโยบายได้ผลมากกว่า

E: ดีที่สุด -22.3% G: -12.8% D: วิกฤต +13.8%

133K

E: Climate Adapt. (ปีที่ 30)

171K

Status Quo (ปีที่ 30)

194K

D: Crisis (ปีที่ 30)

ผลรายภูมิภาค: Scenario E (ดีที่สุด)

% ลดครัวเรือนยากจน ณ ปีที่ 30 แยกภูมิภาค — Climate Adaptation

ภูมิภาค	E: Climate Adaptation	D: Crisis (เปรียบเทียบ)
ตะวันตก	-44.2%	+45.3%
ตะวันออก	-38.7%	+54.3%
เหนือ	-35.2%	+18.9%
อีสาน	-33.7%	+18.7%
กลาง	-10.7%	+7.6%
ใต้	-6.2%	+2.6%

ผลจากแบบจำลองแสดงให้เห็นว่า ภาคตะวันตก (-44.2%) และตะวันออก (-38.7%) ได้ประโยชน์มากที่สุดจาก Climate Adaptation ตามด้วยภาคเหนือ (-35.2%) และอีสาน (-33.7%) เนื่องจากเป็นภูมิภาคที่พึ่งพารายได้ภาคเกษตรสูง นโยบายที่เพิ่มผลผลิตเกษตรและค่าจ้างแรงงานจึงส่งผลโดยตรง ในทางกลับกัน ภาคใต้ (-6.2%) ได้ประโยชน์น้อยที่สุด เพราะมีโครงสร้างเศรษฐกิจที่หลากหลายกว่า ขณะที่ในสถานการณ์วิกฤต (Scenario D) ภาคตะวันออก (+54.3%) และตะวันตก (+45.3%) เปราะบางที่สุด สะท้อนว่าภูมิภาคที่ได้ประโยชน์มากจากนโยบายก็มีความเสี่ยงสูงเช่นกันหากไม่มีมาตรการป้องกัน

การตรวจสอบข้ามประเทศ (Cross-Country Validation)

เปรียบเทียบผลจากแบบจำลองกับหลักฐานจากประเทศที่ดำเนินนโยบายคล้ายคลึงกัน เพื่อยืนยันว่าแบบจำลองสะท้อนความเป็นจริงในระดับสากล

สรุปผลการตรวจสอบ

Scenario	ผล SD Model	ประเทศเปรียบเทียบ	ผลจริง	ความสอดคล้อง
E	-22.3%	Israel (ระบบให้น้ำแบบหยด) Netherlands (smart farming) Costa Rica (PES) Bangladesh (climate-smart)	Israel: ลดน้ำ 40% เพิ่มผลผลิต Netherlands: ผลิตภาพ +200-300% Bangladesh: ผลผลิตเกษตร +15-60% ยากจน 48.9%→20.5%	สูง
G	-12.8%	Ethiopia PSNP+HABP Rwanda VUP	Ethiopia: -7-10 pp / 5 ปี Rwanda: -20 pp / 6 ปี	สูง
C	-9.1%	Nordic countries Chile Solidario World Bank PSP 2022	Nordic: Gini 0.43→0.26 Chile: ยากจน 5.6%→2.8% PSP 2022: ความยากจนลด 2.4 pp จากมาตรการการคลัง	สูง
B	-0.1%	Brazil Bolsa Família Mexico Oportunidades Cambodia, Nicaragua	Brazil: ยากจน 12%→4.2% / 11 ปี Cambodia: enrollment +21 pp Nicaragua: ลดจน 5-9 pp Mexico: เพิ่มการบริโภค 21.8%	ปานกลาง
A	-0.1%	6-country RCT (Ethiopia, Ghana, Honduras, India, Pakistan, Peru)	รายได้ +0.27 SD, ทรัพย์สิน +0.25 SD การบริโภค +0.12 SD ผลยั่งยืน 5/6 ประเทศ ระดับประเทศ: ลดจน 2-5 pp / 10+ ปี	สูง
F	0.0%	India Spandana + 6 RCTs	0% ลดความจน งานทดลองจาก 7 ประเทศยืนยัน	สมบูรณ์แบบ
D	+13.8%	COVID-19 ทั่วโลก ไทย วิกฤต 2540 World Bank Shock Waves	COVID: +88-115M คนจน ไทย 2540: +4.5 pp Shock Waves: วิกฤตภูมิอากาศเพิ่มจน 100M+ คน	สูง

*หมายเหตุ: การทดลองแบบสุ่มที่มีกลุ่มควบคุม (Randomized Controlled Trials: RCTs) 7 ชิ้น จาก 7 ประเทศ (India, Mexico, Mongolia, Bosnia, Morocco, Ethiopia, Philippines) ที่ทดสอบผลของ microfinance เพียงอย่างเดียว พบว่าไม่มีผลลดความจนในทุกประเทศ — สอดคล้องกับแบบจำลองของเราที่ได้ผล 0.0% พอดี

ผลการตรวจสอบ: แบบจำลองมี external validity สูง ใน 6/7 scenarios — โดยเฉพาะ F (Microfinance = 0%) ตรงสมบูรณ์แบบกับงานทดลองจาก 7 ประเทศ มีเพียง B (CCT) ที่อาจประมาณการต่ำกว่าจริงเล็กน้อย ข้อค้นพบสำคัญของแบบจำลองที่ว่า E (Climate Adaptation) ดีกว่า G (Full Package) เป็นเพราะ Scenario E กระทบภาคเกษตรซึ่งเป็นแหล่งรายได้หลักของครัวเรือนยากจนโดยตรง จึงเกิดผลลัพธ์ลำดับแรกต่อรายได้ได้อย่างรวดเร็ว ขณะที่ G กระจายผลกระทบผ่านหลายช่องทางที่มีความล่าช้า (การศึกษา 3-7 ปี) หรือเป็นผลลัพธ์ลำดับรอง (การปรับภาษี) ทำให้ผลรวมถูกเจือจางลง สอดคล้องกับ World Bank Climate-Smart Agriculture (2024) ที่พบว่า climate-smart practices เพิ่มผลผลิตเกษตร 15-60% และ World Bank Thailand Rural Income Diagnostic ที่ระบุว่าคนจน 79% อยู่ในครัวเรือนเกษตร จึงได้รับผลกระทบจากนโยบายด้านเกษตรโดยตรง

อภิปรายนโยบาย

วิเคราะห์ผลของแต่ละนโยบาย เปรียบเทียบกับหลักฐานจากต่างประเทศ
และประเมินข้อเสนอแนะเชิงนโยบายสำหรับประเทศไทย

E: Climate Adaptation (-22.3%) — ดีที่สุด

ผลจากแบบจำลอง

ลดครัวเรือนยากจนได้มากที่สุด (-22.3%) ทำงานผ่านการเพิ่มผลผลิตภาคเกษตร 20% + ค่าจ้างแรงงานเกษตร 15% กระทบ income gap → p_exit โดยตรง
เหนือ -35.2%, อีสาน -33.7%, ตะวันตก -44.2% — ภูมิภาคที่พึ่งพาเกษตรได้ประโยชน์มากที่สุด

จุดแข็ง: ผลเร็ว ผ่าน income channel ช่วยภูมิภาคยากจนที่สุด
จุดอ่อน: ต้องลงทุนโครงสร้างพื้นฐาน (ชลประทาน, IoT)

หลักฐานจากต่างประเทศ

Israel: ระบบให้น้ำแบบหยด ลดการใช้น้ำ 40% เพิ่มผลผลิต
Netherlands: Smart farming เพิ่มผลิตภาพ 2-3 เท่า
Costa Rica PES: Payment for Ecosystem Services ลด deforestation + เพิ่มรายได้เกษตรกร
World Bank Climate-Smart Agriculture (2024): Bangladesh ผลผลิตเกษตรเพิ่ม 15-60% จาก climate-smart practices, สนับสนุนเกษตรกร 4.7 ล้านราย
World Bank PPP 2024: ขจัดความยากจนสุดขีดเพิ่ม GHG <5%

G: Full Package (-12.8%) — Policy Package

ผลจากแบบจำลอง

รวม Graduation + CCT + Fiscal Progressive + Climate Adaptation
เหนือ -18.5%, อีสาน -18.1%, ตะวันออก -28.2%, ตะวันตก -27.8%, กลาง -10.9%
ข้อสังเกต: ผลน้อยกว่า E เพราะกระจายผลกระทบผ่านหลายช่องทางที่มีความล่าช้า (การศึกษา 3-7 ปี) หรือเป็นผลลัพธ์ลำดับรอง (การปรับภาษี) ทำให้ผลรวมถูกเจือจางลง

จุดแข็ง: กระจายความเสี่ยง ครอบคลุมหลายมิติ
จุดอ่อน: ต้นทุนรวมสูง + ความซับซ้อนในการบริหาร

หลักฐานจากต่างประเทศ

Banerjee et al. (2015): RCT 6 ประเทศ ยืนยัน multifaceted approach ดีกว่า single intervention
บทเรียน: การแทรกแซงเดี่ยว (F=0%, A, B=-0.1%) แทบไม่มีผล ต้องเป็น multifaceted approach

C: Fiscal Progressive (-9.1%)

ผลจากแบบจำลอง

ลดภาษีคนจน + เพิ่มภาษีคนรวย + เงินอุดหนุน 300→800 บาท/เดือน + ลดต้นทุนปัจจัยพื้นฐาน 27%
ต้นทุนต่ำ — ผลดีกว่า CCT/Graduation หลายสิบเท่า

จุดแข็ง: ต้นทุนต่ำ ทำได้ทันที
จุดอ่อน: exit rate ต่ำ (4%) — ป้องกันตกลึกแต่ไม่ดึงขึ้น

หลักฐานจากต่างประเทศ

World Bank PSP 2022: Progressive taxation + targeted transfers ลดความเหลื่อมล้ำ ความยากจนจะสูงกว่า 2.4 pp หากไม่มีมาตรการการคลัง
Delhi RCT (Gangopadhyay et al. 2015): UCT เพิ่มโภชนาการ แต่ exit rate เพียง 4%

A: Graduation Program (-0.1%)

ผลจากแบบจำลอง

เงินอุดหนุน 300→1,500 บาท/เดือน + อัตราเข้าเรียน ม.ปลายเพิ่ม 31% + ลด dropout เพราะจนและครอบครัวไม่สนับสนุน + ลดต้นทุนปัจจัยพื้นฐาน 20%
ผล: -0.1% ในปีที่ 30 — ผลน้อยเพราะเงินอุดหนุนและต้นทุนปัจจัยพื้นฐานมีผลต่ำจาก sensitivity analysis และการศึกษามีผลล่าช้า 3-7 ปี

จุดแข็ง: ครอบคลุมหลายมิติ ผลยั่งยืนในระดับครัวเรือน (RCT ยืนยัน)
จุดอ่อน: ต้นทุนสูง ผลในแบบจำลองระดับ macro น้อยเพราะช่องทางส่วนใหญ่มีความล่าช้า

หลักฐานจากต่างประเทศ

Banerjee et al. (2015, Science): RCT 10,495 ครัวเรือน 6 ประเทศ — รายได้ +0.27 SD, ทรัพย์สิน +0.25 SD, การบริโภค +0.12 SD ผลยั่งยืน 5/6 ประเทศ Cost-Benefit 133-433%
ข้อสังเกต: ผลจาก RCT ดีกว่า SD model มาก เพราะ RCT วัดผลระดับครัวเรือน ขณะที่ SD model จับผลระดับ macro ที่มี delay

B: CCT / Bolsa Família (-0.1%)

ผลจากแบบจำลอง

เงินอุดหนุน 300→1,000 บาท/เดือน แลกส่งลูกเรียน + ตรวจสุขภาพ + วัคซีน
อัตราเข้าเรียน ม.ปลายเพิ่ม 38%, ลด dropout เพราะจน 63%, ลด dropout ครอบครัวไม่สนับสนุน 57%, ลด dropout จากปัญหาสุขภาพ 20%
ผล: -0.1% ในปีที่ 30 — เช่นเดียวกับ A ผลน้อยเพราะช่องทางการศึกษามีความล่าช้า 3-7 ปี

จุดแข็ง: ยกรายได้ทันที + สร้างทุนมนุษย์รุ่นลูก ขยายขนาดได้ (บราซิล 46 ล้านคน)
จุดอ่อน: ต้องพัฒนาคุณภาพโรงเรียน/สถานพยาบาลควบคู่

หลักฐานจากต่างประเทศ

Fiszbein & Schady (2009, World Bank): enrollment +21-31pp (Cambodia), +12.8pp (Nicaragua), ลดความยากจน 5-9pp
Mexico Oportunidades: 5M ครัวเรือน เพิ่มการบริโภค 21.8%
Brazil Bolsa Família: 11M ครัวเรือน (46M คน) เพิ่มการบริโภค 6.1%

F: Microfinance Only (0.0%) — ทำไมนโยบายเดี่ยวไม่พอ

Counter-example: เงินอุดหนุนจากรัฐเพียงอย่างเดียวไม่เปลี่ยนเชิงโครงสร้าง

เงินอุดหนุน 300→500 บาท/เดือน (เพิ่มเพียง 67%) โดยไม่ปรับพารามิเตอร์อื่น
ผล: 0.0% ไม่มีการเปลี่ยนแปลงใดๆ ใน 30 ปี — สอดคล้องกับ sensitivity analysis ที่พบว่าเงินอุดหนุน ±10% แทบไม่มีผล

Banerjee, Duflo, Glennerster & Kinnan (2015): RCT 6,863 ครัวเรือนในไฮเดอราบาด — ไม่มีผลต่อการบริโภค สุขภาพ การศึกษา หรือการเสริมพลังสตรี ยืนยันว่าการแทรกแซงเดี่ยวไม่เพียงพอต่อการเปลี่ยนแปลงเชิงโครงสร้าง

D: Climate + Oil Crisis (+13.8%) — worst case

วิกฤตซ้ำซ้อนสามารถลบผลลัพธ์ 30 ปี

ภัยแล้ง/น้ำท่วมรุนแรงเป็น 2 เท่า + น้ำมันแพงขึ้น 50% + ผลผลิตเกษตรลด 15% + อุตสาหกรรมและบริการลด 10%
ตะวันออก +54.3%, ตะวันตก +45.3%, เหนือ +18.9% — ครัวเรือนยากจนทั้งประเทศเพิ่มขึ้น 13.8%

นัยเชิงนโยบาย: ต้องสร้างระบบป้องกันอัตโนมัติ (automatic stabilizers) + ประกันภัยพืชผล + ระบบสวัสดิการที่ขยายตัวอัตโนมัติเมื่อเกิดวิกฤต สอดคล้องกับ World Bank Shock Waves (2016) ที่ระบุว่าวิกฤตภูมิอากาศอาจผลักคนเข้าสู่ความยากจนเพิ่มขึ้นกว่า 100 ล้านคน

หลักฐานเชิงประจักษ์ (RCT Evidence)

ทุก scenario อ้างอิงจากการทดลองแบบสุ่มที่มีกลุ่มควบคุม (RCT) และรายงานระดับโลก

สรุปหลักฐาน RCT ที่สนับสนุนแต่ละ scenario

Scenario	โปรแกรม / หลักฐาน	ขนาดตัวอย่าง	ระยะเวลา	ผลลัพธ์หลัก	ต้นทุน
A	Graduation Program 6 ประเทศ (Ethiopia, Ghana, Honduras, India, Pakistan, Peru)	10,495 ครัวเรือน	24 เดือน + 12 เดือน follow-up	รายได้ +0.27 SD ทรัพย์สิน +0.25 SD การบริโภค +0.12 SD	PPP $1,455-5,962 ROI 133-433%
B	CCT (20+ ประเทศ) Mexico Oportunidades, Brazil Bolsa Família	Mexico 5M ครัวเรือน Brazil 46M คน	ต่อเนื่อง	Enrollment: Cambodia +21pp, Nicaragua +13pp, Mexico +9pp ความยากจน -5-9pp	0.08-0.50% GDP
C	Fiscal Progressive Delhi RCT (Gangopadhyay et al. 2015)	450 ครัวเรือน	12 เดือน	โภชนาการดีขึ้น exit rate 4% ไม่เพิ่มเครื่องดื่มแอลกอฮอล์	Revenue neutral
D	World Bank PSP 2020 COVID-19 impact assessment	ทั่วโลก	2020-2021	88-115M คน ตกสู่ความยากจน South Asia +49-57M ลบ 30 ปี progress	—
E	World Bank PPP 2024 Synergistic policies: poverty + climate	ทั่วโลก	—	ขจัดจนสุดขีดเพิ่ม GHG <5% Israel drip: -40% น้ำ Netherlands: +yield	ปานกลาง
F	Spandana Microfinance Banerjee et al. (2015, AEJ)	6,863 ครัวเรือน Hyderabad, India	15-42 เดือน	การบริโภค: ไม่เปลี่ยน สุขภาพ: ไม่เปลี่ยน takeup เพียง 26.7%	Rs 10,000 (PPP $1,000)

Cross-Country Comparison

ประเทศที่ดำเนินนโยบายคล้ายกัน

เปรียบเทียบเพื่อประเมินว่าแบบจำลองของเราพยากรณ์ได้ตรงกับผลจริงหรือไม่

ประเทศ	โปรแกรม	ผลจริง	แบบจำลองเราทำนาย	สอดคล้อง?
Brazil	Bolsa Família (CCT)	ยากจน 12%→4.2% / 11 ปี (CCT มีส่วนช่วยลด 2-3%)	B: -0.1% (30 ปี)	ต่ำกว่าจริงเล็กน้อย — เพราะ education delay ในแบบจำลอง
Bangladesh	BRAC Graduation	consumption +38% / 4 ปี ระดับประเทศ: 2-5 pp / 10+ ปี	A: -0.1% (30 ปี)	สอดคล้อง — ผลรายบุคคลสูง แต่ระดับ macro น้อย
Ethiopia	PSNP + HABP (Full Package)	-7-10 pp / 5 ปี	G: -12.8% (30 ปี)	สอดคล้อง — ผลสะสมระยะยาวสมเหตุสมผล
India (Hyderabad)	Spandana Microfinance	0% ลดความจน งานทดลองจาก 7 ประเทศยืนยัน	F: 0.0%	ตรงสมบูรณ์แบบ
Israel + Vietnam + Bangladesh	ระบบให้น้ำแบบหยด + SRI + Climate Adapt	ผลผลิต +20-90% รายได้ +15-50%	E: -22.3%	สอดคล้อง — income channel เร็วที่สุด
COVID-19 ทั่วโลก + ไทย 1997	วิกฤตซ้ำซ้อน	COVID: +88-115M คนจน ไทย 1997: +4.5 pp	D: +13.8%	สอดคล้อง — สมเหตุสมผลสำหรับ dual shock

Policy Ecosystem: แพ็คเกจนโยบายแบบองค์รวม

E (Climate Adaptation) เป็น engine หลัก ล้อมรอบด้วย 8 นโยบายเสริมใน 3 ชั้น เพื่อให้ครัวเรือนยากจน (1) ไม่ตกกลับ (2) ข้ามเส้นจนได้ (3) รุ่นลูกมีฐานแข็งแรง

FLOOR — กันตก

BRIDGE — สะพาน

CATALYST — รากฐาน

E: Climate Adaptation Smart farming + PES + ชลประทาน
-22.3% (ดีที่สุด)

P4: เสริม UHC ป้องกัน health shock Thailand UHC

P5: ประกันภัยพืชผล ปกป้องรายได้เกษตร J-PAL RCT

P7: การเงินดิจิทัล ออมทรัพย์ + mobile money J-PAL

P1: CCT เงินอุดหนุนมีเงื่อนไข World Bank

P2: Graduation ทรัพย์สิน + coaching + ออม Banerjee 2015

P6: ฝึกทักษะอาชีพ upskill เกษตร→อุตสาหกรรม J-PAL

P3: เด็กปฐมวัย (ECD) โภชนาการ + พัฒนาการ 0-5 ปี UNICEF Thailand

P8: ที่อยู่อาศัย บ้านมั่นคง + สาธารณูปโภค World Bank SCD

รายละเอียด 8 นโยบายเสริม

แต่ละนโยบายเสริม Scenario E (Climate Adaptation) อย่างไร พร้อมหลักฐานเชิงประจักษ์

#	นโยบาย	รายละเอียด	เสริม Big Push อย่างไร	หลักฐาน
P4	เสริมหลักประกันสุขภาพ (UHC)	ขยายบริการสุขภาพจิต โรคเรื้อรัง และปิดช่องว่างแรงงานนอกระบบ ป้องกันไม่ให้การเจ็บป่วยดึงครัวเรือนกลับสู่ความจน	Scenario E เพิ่มรายได้ภาคเกษตร แต่การเจ็บป่วยเพียงครั้งเดียวอาจลบผลลัพธ์ทั้งหมด หลักประกันสุขภาพถ้วนหน้าเป็นฐานป้องกันไม่ให้ครัวเรือนตกกลับสู่ความจน	ไทย: หลักประกันสุขภาพถ้วนหน้าลดสัดส่วนครัวเรือนที่ล้มละลายจากค่ารักษาพยาบาลจาก 4.1% เหลือ 2.0%
P5	ประกันภัยพืชผลเชิงดัชนี	จ่ายชดเชยอัตโนมัติเมื่อปริมาณฝนหรืออุณหภูมิผิดเกณฑ์ ไม่ต้องพิสูจน์ความเสียหาย ปกป้องรายได้เกษตรจากภัยภูมิอากาศ	ภาคอีสานและเหนือเปราะบางที่สุดต่อภัยภูมิอากาศ ประกันภัยทำหน้าที่รักษาผลลัพธ์ของนโยบาย Climate Adaptation ให้คงอยู่แม้เผชิญภัยพิบัติ	อินเดีย (J-PAL RCT): เกษตรกรที่มีประกันภัยกล้าลงทุนเพิ่มขึ้น 13%
P7	การเงินดิจิทัล + ออมทรัพย์	บัญชีออมผ่านมือถือ + ความรู้ทางการเงินสำหรับครัวเรือนยากจน เป็นช่องทางรับเงินอุดหนุน ประกัน และค่าจ้าง	เป็นช่องทางหลักที่เชื่อมนโยบายทั้งหมดเข้ากับครัวเรือนยากจน ไม่ว่าจะเป็นเงินอุดหนุน ค่าชดเชยประกันภัย หรือค่าจ้าง ล้วนต้องผ่านระบบนี้จึงจะถึงมือผู้รับ	เคนยา (M-PESA): ระบบเงินผ่านมือถือช่วยให้ 194,000 ครัวเรือนหลุดพ้นความจน
P1	CCT เงินอุดหนุนมีเงื่อนไข	เงินอุดหนุนรายเดือนแลกการส่งลูกเรียน + ตรวจสุขภาพ + วัคซีน ยกรายได้ทันทีพร้อมสร้างทุนมนุษย์รุ่นลูก	Scenario E เพิ่มรายได้ แต่ไม่ได้รับประกันว่าครัวเรือนยากจนจะส่งลูกเรียน CCT สร้างแรงจูงใจให้ลงทุนในการศึกษาของลูก ซึ่งเป็นช่องทางตัดวงจรความจนข้ามรุ่นที่ Scenario E ไม่ครอบคลุม	20+ ประเทศ (World Bank): อัตราเข้าเรียนเพิ่ม 2-31 จุด โดยเฉพาะกัมพูชาและนิการากัว
P2	Graduation Program	แพ็คเกจ 6 องค์ประกอบ: ทรัพย์สินที่มีผลผลิต + เงินอุดหนุน + ฝึกทักษะ + ที่ปรึกษารายสัปดาห์ + บัญชีออม + สุขภาพ ระยะ 2 ปี	Scenario E เป็นแรงผลักระดับมหภาคผ่านผลผลิตเกษตร ขณะที่ Graduation เป็นแรงผลักระดับจุลภาคที่ระดับครัวเรือน ช่วยให้ครัวเรือนที่จนที่สุดมีทรัพยากรเพียงพอที่จะเริ่มต้นยกระดับตัวเองได้	6 ประเทศ (RCT): รายได้เพิ่มขึ้นอย่างยั่งยืนใน 5 จาก 6 ประเทศหลังจบโปรแกรม
P6	ฝึกทักษะอาชีพ + จัดหางาน	ฝึกอบรม 3-12 เดือน สำหรับแรงงานที่ต้องการย้ายจากภาคเกษตรไปอุตสาหกรรม/บริการ พร้อมบริการจัดหางาน	Scenario E เพิ่มผลิตภาพภาคเกษตร แต่ครัวเรือนยากจนต้องมีทักษะเพื่อเข้าถึงภาคที่มีค่าจ้างสูงกว่า การฝึกอาชีพทำหน้าที่เป็นสะพานเชื่อมระหว่างภาคเศรษฐกิจ	หลายประเทศ (J-PAL): รายได้เพิ่ม 8-15% เมื่อฝึกอาชีพควบคู่กับบริการจัดหางาน
P3	พัฒนาเด็กปฐมวัย (ECD)	ศูนย์เด็กเล็กคุณภาพ 0-5 ปี: โภชนาการ + กระตุ้นพัฒนาการ + ให้ความรู้พ่อแม่ ในชุมชนยากจน	แม้รายได้ครัวเรือนจะเพิ่มขึ้นจาก Scenario E แต่หากเด็กเข้าเรียนโดยไม่พร้อมด้านพัฒนาการ ผลลัพธ์ด้านการศึกษาจะจำกัด ECD เตรียมเด็กให้พร้อมรับประโยชน์จากระบบการศึกษาอย่างเต็มที่ เป็นการลงทุนที่ใช้เวลานานแต่ให้ผลตอบแทนสูง	ไทย (UNICEF): เด็ก 19% พัฒนาการไม่ถึงเกณฑ์ จาเมกา (RCT): เด็กที่ได้รับ ECD มีรายได้สูงกว่า 25% เมื่อเติบโต
P8	ที่อยู่อาศัยและชุมชน	ความมั่นคงด้านที่อยู่ สาธารณูปโภค (น้ำ ไฟ สุขาภิบาล) ใกล้แหล่งงานและขนส่งสาธารณะ	ที่อยู่อาศัยที่มั่นคงช่วยลดภาระค่าใช้จ่ายและสร้างสภาพแวดล้อมที่เอื้อต่อการพัฒนาทุกด้าน หากครัวเรือนไม่มีความมั่นคงด้านที่อยู่ การลงทุนในการศึกษาลูกหรือการออมจะเกิดขึ้นได้ยาก	ไทย (World Bank SCD 2024): โครงการบ้านมั่นคง (CODI) ช่วยครัวเรือนแล้วกว่า 100,000 ครัวเรือน

หลักการสำคัญ: Banerjee et al. (2015) ยืนยันจาก RCT ใน 6 ประเทศว่า การแทรกแซงเดี่ยวไม่พอ — ต้องเป็น multifaceted approach ที่ทำงานพร้อมกันหลายมิติ จึงจะสร้างการเปลี่ยนแปลงที่ยั่งยืนได้ Policy Ecosystem นี้นำหลักการเดียวกันมาขยายจากระดับครัวเรือนสู่ระดับประเทศ

ข้อเสนอแนะเชิงนโยบาย

จากผลการจำลอง 7 ฉากทัศน์และหลักฐานจากต่างประเทศ เราเสนอแนวทาง 3 ระดับ

ระยะสั้น: Climate Adaptation + Fiscal Progressive

ระบบให้น้ำแบบหยด + smart farming + ลดภาษีคนจน + UCT — ให้ผลเร็วผ่าน income channel (-22.3% + -9.1%) ช่วยภาคเหนือ + อีสาน ที่พึ่งพาเกษตรสูง

ระยะกลาง: Full Package + Safety Nets

รวม Graduation + CCT + Climate Adaptation + ประกันภัยพืชผล + UHC เสริม — ป้องกันวิกฤตซ้ำซ้อน (D: +14%) ด้วย automatic stabilizers

ระยะยาว: Social Capital + ECD + ฝึกทักษะ

สร้าง 5 ทุนข้ามรุ่น (การเงิน + การศึกษา + สังคม + สุขภาพ + โอกาส) ผ่าน ECD + ฝึกอาชีพ + ที่อยู่อาศัย + digital finance — ผลล่าช้า 3-7 ปี แต่ยั่งยืน

บทเรียนหลัก: การแทรกแซงเดี่ยวแทบไม่มีผล (F = 0%, A, B = -0.1%) — Banerjee et al. (2015) ยืนยันว่าต้องเป็น multifaceted approach นโยบายที่กระทบรายได้โดยตรง (E: -22.3%) เป็นแรงขับเคลื่อนหลัก ขณะที่ 8 นโยบายเสริมทำหน้าที่ป้องกันไม่ให้ตกกลับและสร้างฐานให้รุ่นถัดไป

ทิศทางวิจัยในอนาคต

ข้อเสนอสำหรับนักวิจัยที่ต้องการต่อยอดแบบจำลองและขยายขอบเขตการวิเคราะห์

นโยบายสังคม

Housing First — ฟินแลนด์ลดคนไร้บ้าน 35% ด้วยการให้ที่อยู่ก่อน
Women Empowerment — บังกลาเทศ BRAC เพิ่มรายได้สตรี +38%
Community Social Protection — เคนยา M-Pesa ยก 194,000 ครัวเรือนพ้นจน
Universal Basic Income — ฟินแลนด์/อินเดียทดลอง UBI

สิ่งแวดล้อม + เทคโนโลยี

Green Jobs — เยอรมนี Energiewende สร้างงาน 300,000+ ตำแหน่ง
Circular Economy — คอสตาริกาพลังงานสะอาด 99%
Precision Agriculture — IoT + AI สำหรับเกษตรกรรายย่อย
Carbon Credit for Smallholders — รายได้เสริมจากคาร์บอน

ขยายขอบเขตแบบจำลอง

เพิ่มมิติเพศ — แยกผลกระทบ ชาย/หญิง ตาม Chen et al. 2024
Cross-country replication — ปรับแบบจำลองสำหรับ Laos, Cambodia, Myanmar
Agent-Based hybrid — รวม SD (macro) + ABM (micro) เพื่อจับพฤติกรรมครัวเรือน
เพิ่มมิติพื้นที่ — จาก 6 ภูมิภาค เป็น 77 จังหวัด

ใครอยู่เบื้องหลังโครงการนี้?

คณะนักวิจัย

โครงการการคาดการณ์อนาคตครัวเรือนยากจนข้ามรุ่นในประเทศไทย
คณะเศรษฐศาสตร์ มหาวิทยาลัยธรรมศาสตร์ × กระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์

ปฐมพร ปู่ปัญจะ

ผู้ช่วยนักวิจัย

ผศ.ดร.ถิรภาพ ฟักทอง

หัวหน้าคณะผู้พัฒนาแบบจำลอง
คณะเศรษฐศาสตร์ มธ.

พรภวิษย์ เฟื่องฟูขจร

นักวิจัย

กฤษพิพัฒน์ เทียนสิงห์ชัย

ผู้ช่วยนักวิจัย

หน่วยงานสนับสนุน

คณะเศรษฐศาสตร์

มหาวิทยาลัยธรรมศาสตร์

กระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์

กระทรวง พม.

ความยากจนข้ามรุ่นในประเทศไทย

ทำไมความจนถึง "ข้ามรุ่น"?

ทำไมความจนถึง "คงอยู่" 30 ปี?

1. รายได้ต่ำกว่าเส้นจน

2. ติดอยู่ในภาคเกษตร

3. ขาดทุนสะสมข้ามรุ่น

4. ออกกลางคันสูง

5. เปราะบางต่อวิกฤต

ถ้าไม่ทำอะไร — จะเกิดอะไรขึ้น?

ทางออก: 7 ฉากทัศน์ที่ทดสอบ

ทบทวนวรรณกรรม

กรอบแนวคิดความยากจนข้ามรุ่น

5 กลไกการถ่ายทอดความยากจนระหว่างรุ่น

Family Investment Model

Family Stress Model

Socio-Cultural Model

Correlated Disadvantages Model

Genetic & Biological Model

กรอบการวิเคราะห์ 3 รุ่น (G1 → G2 → G3)

หลักฐานเชิงประจักษ์: ประเทศไทย

หลักฐานเชิงประจักษ์: ต่างประเทศ

ช่องว่างในงานวิจัย & ที่มาของแบบจำลอง

เอกสารอ้างอิงหลัก

เจาะลึกแบบจำลอง

6 ระบบย่อยที่เชื่อมโยงกัน

ระบบประชากร

ระบบการศึกษา

ระบบตลาดแรงงาน

ระบบรายได้และเทคโนโลยี

ระบบความยากจนข้ามรุ่น

ระบบ Climate & External Shock

กรอบ 5 ทุนข้ามรุ่น (Social Capital Framework)

ทุนการเงิน

ทุนการศึกษา

ทุนสังคม

ทุนสุขภาพ

ทุนโอกาส

ภาพรวมความเชื่อมโยง

Stocks & Flows หลัก

Feedback Loops สำคัญ

สมการสำคัญ

การไหลของแรงงานระหว่างภาค

การปรับเทียบ

แนวทางการปรับเทียบ

สรุปความแม่นยำ

แบบจำลอง vs ข้อมูลจริง: ครัวเรือนยากจน

แบบจำลอง vs ข้อมูลจริง: ประชากร

แบบจำลอง vs ข้อมูลจริง: รายได้เฉลี่ย

แหล่งข้อมูลที่ใช้ในการปรับเทียบ

วิเคราะห์ความอ่อนไหว

3 พารามิเตอร์ที่มีผลมากที่สุด

ผลกระทบของพารามิเตอร์ต่อจำนวนครัวเรือนยากจน

ตารางผลกระทบครบทุกพารามิเตอร์

บทวิเคราะห์

นัยเชิงนโยบาย

ผลลัพธ์การจำลอง

จัดอันดับผลกระทบ (ปีที่ 30)

เปรียบเทียบ 7 ฉากทัศน์

ข้อค้นพบสำคัญ

ความเร็วของผลกระทบ + ต้นทุน

เปรียบเทียบ 7 ฉากทัศน์ตลอด 30 ปี

ผลรายภูมิภาค: Scenario E (ดีที่สุด)

การตรวจสอบข้ามประเทศ (Cross-Country Validation)

อภิปรายนโยบาย

E: Climate Adaptation (-22.3%) — ดีที่สุด

G: Full Package (-12.8%) — Policy Package

C: Fiscal Progressive (-9.1%)

A: Graduation Program (-0.1%)

B: CCT / Bolsa Família (-0.1%)

F: Microfinance Only (0.0%) — ทำไมนโยบายเดี่ยวไม่พอ

D: Climate + Oil Crisis (+13.8%) — worst case

หลักฐานเชิงประจักษ์ (RCT Evidence)

Cross-Country Comparison

Policy Ecosystem: แพ็คเกจนโยบายแบบองค์รวม

ข้อเสนอแนะเชิงนโยบาย

ระยะสั้น: Climate Adaptation + Fiscal Progressive

ระยะกลาง: Full Package + Safety Nets

ระยะยาว: Social Capital + ECD + ฝึกทักษะ

ทิศทางวิจัยในอนาคต

คณะนักวิจัย

ความยากจนข้ามรุ่น
ในประเทศไทย