Mahasarakham Business School / คณะการบัญชีและการจัดการ http://202.28.34.124/dspace/handle123456789/10 2025-03-12T05:05:05Z 2025-03-12T05:05:05Z http://202.28.34.124/dspace/handle123456789/2553 2024-08-28T11:52:24Z 0007-01-01T00:00:00Z

Title: Development of Customer Predictive Model for Mutual Fund Investment Using Ensemble Learning Technique; การพัฒนาแบบจำลองพยากรณ์ลูกค้าในการลงทุนด้านกองทุนรวมโดยใช้เทคนิคการเรียนรู้แบบกลุ่ม Abstract: The purpose of this research is to: 1. Develop a customer investment prediction model using group-based learning techniques. 2. Compare the effectiveness of algorithms used in the customer prediction model. 3. Compare the performance of the newly proposed method with previous research to validate the results for the development of the customer investment prediction model. The research methodology consists of 4 steps: Step 1 Analyzing the problem and research data. Step 2 Designing the research framework and concepts. Step 3 Develop the customer investment prediction model. Step 4 Testing and comparing the research performance. This research utilizes a dataset consisting of 19,577 data points. The research results can be summarized as follows: The outcomes of developing a customer investment prediction model using group-based learning techniques consist of three parts: Part 1: Data Management Part 2: Development of the prediction model and performance comparison Part 3: Development of the prediction model using group-based learning techniques and comparison. The comparison of algorithm performance reveals the following: The K-Nearest Neighbors algorithm, using data management format 1, achieves the highest accuracy when setting K to 5, 7, and 9 successively, with an accuracy rate of 97.46%. This is for predicting products in the LR fund category. The K-Nearest Neighbors algorithm, using data management format 2, achieves the highest accuracy when setting K to 7, with an accuracy rate of 83.21%. This is for predicting products in the MF fund category. The K-Nearest Neighbors algorithm, for predicting fund types, achieves the highest accuracy when setting K to 3, with an accuracy rate of 90.94%. The Naive Bayes algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, reaching an accuracy rate of 97.23%. The Naive Bayes algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, reaching an accuracy rate of 83.62%. The Naive Bayes algorithm for predicting fund types achieves an accuracy rate of 76.09%. The Decision Tree algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, reaching an accuracy rate of 97.46%. The Decision Tree algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, also at an accuracy rate of 83.62%. The Decision Tree algorithm for predicting fund types achieves an accuracy rate of 93.28%. The Induction law algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, at an accuracy rate of 97.46%. The Induction law algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, at an accuracy rate of 83.62%. For predicting fund types, the Induction law algorithm achieves an accuracy rate of 90.52%. The Neural Network algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, at an accuracy rate of 97.46%. The Neural Network algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, at an accuracy rate of 83.62%. For predicting fund types, the Neural Network algorithm achieves an accuracy rate of 93.43%. The Ensemble Learning algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, at an accuracy rate of 97.46%. The Ensemble Learning algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, at an accuracy rate of 83.62%. For predicting fund types, the Ensemble Learning algorithm achieves an accuracy rate of 92.38%. 3. When comparing the performance of the newly introduced method with previous research, considering the accuracy of the models, it was found that the newly proposed method performs better.; การวิจัยนี้มีวัตถุประสงค์เพื่อ 1. เพื่อพัฒนาแบบจำลองการพยากรณ์ลูกค้าในการลงทุนโดยใช้เทคนิคการเรียนรู้แบบกลุ่ม 2. เพื่อเปรียบเทียบประสิทธิภาพอัลกอริทึมที่ใช้ในแบบจำลองการพยากรณ์ลูกค้า และ 3. เพื่อเปรียบเทียบประสิทธิภาพของวิธีการใหม่ที่นำเสนอกับงานวิจัยที่ผ่านมาเพื่อยืนยันผลลัพธ์ในการนำไปพัฒนาแบบจำลองการพยากรณ์ลูกค้าในการลงทุน วิธีการดำเนินการวิจัยแบ่งออกเป็น 4 ขั้นตอนได้แก่ ขั้นตอนที่ 1 วิเคราะห์ปัญหาและข้อมูลในงานวิจัย ขั้นตอนที่ 2 ออกแบบกรอบแนวคิดการวิจัย ขั้นตอนที่ 3 พัฒนาแบบจำลองการพยากรณ์ลูกค้าในการลงทุน ขั้นตอนที่ 4 ทดสอบเปรียบเทียบประสิทธิภาพการวิจัย งานวิจัยนี้ใช้ชุดข้อมูลจำนวน 19,577 ชุดข้อมูล ผลของการวิจัยสรุปได้ดังนี้ 1. ผลการพัฒนาแบบจำลองการพยากรณ์ลูกค้าในการลงทุนโดยใช้เทคนิคการเรียนรู้แบบกลุ่ม ประกอบด้วย 3 ส่วนคือ   1) ส่วนการจัดการข้อมูล 2) ส่วนของการพัฒนาแบบจำลองพยากรณ์และเปรียบเทียบประสิทธิภาพ 3) ส่วนการพัฒนาแบบจำลองพยากรณ์ด้วยเทคนิคการเรียนรู้แบบกลุ่มและเปรียบเทียบ 2. ผลการเปรียบเทียบประสิทธิภาพของแต่ละอัลกอริทึม พบว่า อัลกอริทึมเคเนียร์เรสเนเบอร์ จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำมากที่สุดเมื่อตั้งค่า K 5, 7, และ 9 ตามลำดับ โดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR (LTF/RMF) โดยมีค่าความแม่นยำอยู่ที่ 97.46%.  อัลกอริทึมเคเนียร์เรสเนเบอร์ จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำมากที่สุดเมื่อตั้งค่า K เท่ากับ 7 โดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF โดยมีค่าความแม่นยำอยู่ที่ 83.21% อัลกอริทึมเคเนียร์เรสเนเบอร์ สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำมากที่สุดเมื่อตั้งค่า K เท่ากับ 3 มีค่าความแม่นยำอยู่ที่ 90.94% อัลกอริทึมนาอีฟเบย์จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.23% อัลกอริทึมนาอีฟเบย์จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF (Mutual Fund) มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมนาอีฟเบย์สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 76.09% อัลกอริทึมต้นไม้ตัดสินใจ จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.46% อัลกอริทึมต้นไม้ตัดสินใจ จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมต้นไม้ตัดสินใจ สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 93.28% อัลกอริทึมกฎการอุปนัย จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.46% อัลกอริทึมกฎการอุปนัย จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมกฎการอุปนัยสำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 90.52% อัลกอริทึมโครงข่ายประสาทเทียม จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.46% อัลกอริทึมโครงข่ายประสาทเทียม จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมโครงข่ายประสาทเทียม สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 93.43% อัลกอริทึมการเรียนรู้แบบกลุ่ม จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.46% อัลกอริทึมการเรียนรู้แบบกลุ่ม จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมการเรียนรู้แบบกลุ่ม สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 92.38% 3. ผลการเปรียบเทียบประสิทธิภาพของวิธีการใหม่ที่นำเสนอกับงานวิจัยที่ผ่านมาโดยพิจารณาจากค่าความแม่นยำของโมเดลพบว่าวิธีการใหม่ที่นำเสนอมีประสิทธิภาพดีกว่า

0007-01-01T00:00:00Z http://202.28.34.124/dspace/handle123456789/2554 2024-08-28T11:52:24Z 0006-01-01T00:00:00Z

Title: Food and a New Online Attribute for Buying and Selling Fast Moving Consumer Goods in the E-marketplace in Thailand; คุณลักษณะของอาหารและระบบออนไลน์แบบใหม่สำหรับการซื้อ-ขายสินค้าประเภทจำหน่ายเร็วในตลาดกลางพาณิชย์อิเล็กทรอนิกส์ในประเทศไทย Abstract: The main objective of this research was to develop a structural equation model of variables influencing the loyalty for buying and selling fast moving consumer goods in the e-marketplace in Thailand. The variables under investigation were food attributes, new online attributes, marketing innovation, attitude, and satisfaction. An online questionnaire was used as an instrument for collecting data from 400 samples that consisting of 200 buyers and 200 sellers, selected by quota sampling. The data was analyzed using a structural equation model analysis with AMOS program. The research revealed that the model fitted well with the empirical data. Factors in the model could explain the variance of loyalty for buying and selling goods through the e-marketplace at 40.1%. The satisfaction of buyers and sellers has been directly and positively influenced by food attributes and new online attributes. Besides, the loyalty has been directly and positively influenced by new online attributes, marketing innovation, and attitude. The measurement result on the invariance of the model across buyers and sellers indicated invariance of measurement model and structural model.; งานวิจัยนี้มีวัตถุประสงค์หลักเพื่อพัฒนาตัวแบบสมการโครงสร้างของกลุ่มตัวแปรที่มีอิทธิพลต่อความภักดีในการซื้อ-ขายสินค้าประเภทจำหน่ายเร็วในตลาดกลางพาณิชย์อิเล็กทรอนิกส์ในประเทศไทย ประกอบด้วย ตัวแปรคุณลักษณะของอาหาร คุณลักษณะของระบบออนไลน์ นวัตกรรมการตลาด ทัศนคติ และความพึงพอใจ ทำการเก็บข้อมูลจากกลุ่มตัวอย่างจำนวน 400 คน โดยการสุ่มตัวอย่างแบบโควตา (Quota Sampling) จากผู้ซื้อสินค้า จำนวน 200 คน และผู้ขายสินค้า จำนวน 200 คน โดยใช้แบบสอบถามออนไลน์เป็นเครื่องมือในการวิจัย การวิเคราะห์ข้อมูลใช้เทคนิคการวิเคราะห์ตัวแบบสมการโครงสร้าง โดยใช้โปรแกรม AMOS ผลการวิจัย พบว่า ตัวแบบสมการโครงสร้างที่พัฒนาขึ้น มีความสอดคล้องกับข้อมูลเชิงประจักษ์ ปัจจัยต่าง ๆ ในตัวแบบสมการโครงสร้างสามารถอธิบาย ความแปรปรวนของความภักดีในการซื้อ-ขายสินค้าผ่านตลาดกลางพาณิชย์อิเล็กทรอนิกส์ได้ร้อยละ 40.1 โดยปัจจัยด้านคุณลักษณะของอาหารและคุณลักษณะของระบบออนไลน์มีอิทธิพลทางตรงต่อความพึงพอใจ ปัจจัยด้านคุณลักษณะของระบบออนไลน์ นวัตกรรมการตลาด และทัศนคติ มีอิทธิพลทางตรงต่อความภักดี โดยตัวแบบสมการโครงสร้างที่พัฒนาขึ้นไม่มีความแปรเปลี่ยนระหว่างกลุ่มผู้ซื้อสินค้าและผู้ขายสินค้า

0006-01-01T00:00:00Z http://202.28.34.124/dspace/handle123456789/2552 2024-08-28T11:52:24Z 0007-01-01T00:00:00Z

Title: The Prediction of Low-Rise Building Construction Cost Estimation Using Extreme Learning Machine; การทำนายการประมาณราคาการก่อสร้างบ้านพักอาศัยแนวราบโดยใช้เครื่องจักรเรียนรู้เอ็กซ์ตรีม Abstract: This research aims to employ learning model frameworks for predicting construction cost estimation of low-rise buildings. The study uses various techniques and models to identify the most effective predictor among all 10 learning models, evaluating their performance using indicators such as R2, MSE, RMSE, and MAE. Subsequently, model efficiency is assessed within two major groups: 1) The single-model or basic-model group includes models like Artificial Neural Network (ANN), Support Vector Machine (SVM), Multiple Linear Regression (MLR), Decision Tree (DT), and Random Forest (RF). 2) The ensemble learning model group consists of models like the Maximum Voted Ensemble (MVE), Average Ensemble, Stacking Ensemble, Bagging Ensemble, and Boosting Ensemble. The experimental results highlight the Artificial Neural Network (ANN) as the most proficient single-model predictor with an R2 Score of 0.891, followed by Multiple Linear Regression (MLR) and Decision Tree (DT) models, both with accuracies of 0.884 and 0.864, respectively. In the extreme learning machine model group, the Maximum Voted Ensemble (MVE) exhibits superior efficiency with an exceptional accuracy of 0.924. This discovery underscores the potential of the novel approach proposed by the extreme ensemble group, offering enhanced prediction accuracy compared to individual basic models and providing valuable insights for real estate stakeholders. Furthermore, the research suggests that further investigation into architectural model variations and additional techniques could lead to even higher prediction accuracy for various architectural structures and incorporate additional variables in the future.; การวิจัยนี้มีเป้าหมายในการใช้แบบจำลองการเรียนรู้เพื่อทำนายราคาค่าก่อสร้างบ้านพักแบบแนวราบ โดยใช้เทคนิคและแบบจำลองหลากหลาย เพื่อหาแบบจำลองที่มีประสิทธิภาพสูงสุดในการทำนายระหว่างแบบจำลองการเรียนรู้ทั้งหมด 10 แบบ โดยประเมินผลโดยใช้ตัวชี้วัดเช่น R2, MSE, RMSE, และ MAE ผลการทดลองเปิดเผยว่าโครงข่ายประสาทเทียม (ANN) เป็นแบบจำลองเชิงเดี่ยวที่มีประสิทธิภาพสูงสุดด้วยคะแนน R2 เท่ากับ 0.891 ตามมาด้วยการวิเคราะห์ถดถอยพหุคูณ (MLR) และต้นไม้ตัดสินใจ (DT) ที่มีความแม่นยำเท่ากันที่ 0.884 และ 0.864 ตามลำดับ ในแบบจำลองเครื่องจักรเรียนรู้เอ็กซ์ตรีม แบบจำลองการเรียนรู้แบบการโหวตสูงสุด (MVE) มีประสิทธิภาพสูงสุดด้วยความแม่นยำที่ 0.924 ที่สูงเป็นพิเศษ และแบบจำลองการเรียนรู้แบบ stacking และแบบเฉลี่ยมีความแม่นยำเท่ากับ 0.883 และ 0.871 ตามลำดับ ผลลัพธ์นี้เน้นถึงศักยภาพของวิธีการใหม่ที่แนะนำโดยกลุ่มเครื่องจักรเรียนรู้เอ็กซ์ตรีมในการเพิ่มความแม่นยำในการทำนายเหนือแบบจำลองเดี่ยวและนำเสนอความรู้มูลค่าสำหรับผู้เกี่ยวข้องในอุตสาหกรรมอสังหาริมทรัพย์ และแนะนำเส้นทางสำหรับการศึกษาเพิ่มเติมในการสำรวจรูปแบบแบบจำลองสถาปัตยกรรมและเทคนิคเพื่อความแม่นยำในการทำนายที่มากขึ้นสำหรับโครงสร้างสถาปัตยกรรมต่างๆ รวมถึงการรวมตัวแปรเพิ่มเติมในอนาคตเช่นกัน

0007-01-01T00:00:00Z http://202.28.34.124/dspace/handle123456789/2549 2024-08-28T11:52:23Z 0014-01-01T00:00:00Z

Title: Path Analysis of Team Diversity, Conflict, and Performance under The Provincial Comptroller Office in Thailand; การวิเคราะห์เส้นทางของความหลากหลาย ความขัดแย้ง และผลการดำเนินงานของทีมสังกัดสำนักงานคลังจังหวัดในประเทศไทย Abstract: Team is an important strategy for driving organizational success. It is composed of two or more individuals with different attributes such as gender, generation, education, and discipline. In the past, research has shown that diversity has not only a positive impact on the team outcome but also may have a negative impact to reduce team performance. The work team process can be unpleasant and conflicts within teams can occur, resulting in barriers to team success. Therefore, the researcher studied the path analysis of team diversity, conflict, and performance under the provincial comptroller office in Thailand. This research used mixed methods. For the quantitative method, the researcher used a questionnaire to collect data from 132 the provincial comptroller office teams. After that, the researcher used the qualitative method to analyze the results of in-depth interviews with 12 people who answered questionnaires, which were selected using purposive sampling. The statistics used in the data analysis were F-test (ANOVA and MANOVA), multiple correlation analysis, and path analysis. The research results were as follows: 1) The provincial comptroller office teams have an overall medium level of team diversity including discipline, generation, and education. 2) The provincial comptroller office teams have the overall and individual aspects of team conflict opinions at the lowest level, including relationship and task conflicts. And 3) The provincial comptroller office teams have the overall and individual aspects of team performance opinions at the highest level in 2 attributes, including timeliness and customer satisfaction. According to the analyses of data in terms of opinion, it was found that: 1) The provincial comptroller office teams with differences in the number of team members and regional have no difference in the overall and individual aspects of average team diversity. While the provincial comptroller office with differences in the types of teams. The general administration subdivision has a higher average generational diversity than the provincial policy and economic subdivision, technical affairs subdivision, and fiscal system subdivision. 2) The provincial comptroller office teams with differences in the number of team members have a difference in the overall and individual aspects of average team conflicts. While the provincial comptroller office with differences in the types of teams, and regional has no difference in the overall and individual aspects of average team conflicts. And 3) The provincial comptroller office teams with differences in the number of team members, types of teams, and regional have no difference in the overall and individual aspects of average team performance. According to the analyses of data in terms of relations and effect, it was found that:  1) Generational diversity has a positive relationship and impact on relationship conflict, but it did not have a relationship with task conflict. Gender, educational, and disciplinary diversity did not have a relationship with team conflicts. 2) Relationship conflict has a negative relationship and impact on timeliness and quality, but it does not have a relationship with customer satisfaction. 3) Generational diversity has a negative impact on quality and timeliness through relationship conflict. In conclusion, only generational diversity has a positive direct impact on relationship conflict and task conflict, while also having a negative indirect impact on quality and timeliness through its impact on relationship conflict. Therefore, the executive of the provincial comptroller office should train team leaders to improve their generational diversity skills such as fostering a positive attitude towards generational diversity, listening and communication skills with people of different generations, emotional management skills, and flexible work arrangements. Similarly, improving their relationship conflict management skills such as two-way communication skills, active listening skills, assertiveness skills, creatively expressing and listening skills to differences of opinion.; ทีมงานเป็นกลยุทธ์สำคัญในการขับเคลื่อนความสำเร็จขององค์กร ซึ่งประกอบด้วยบุคคลตั้งแต่สองคนขึ้นไปที่มีคุณลักษณะแตกต่างกัน เช่น เพศ ช่วงอายุ การศึกษา และสาขาวิชา งานวิจัยในอดีตพบว่า ความหลากหลายภายในทีมไม่ได้ทำให้เกิดผลลัพธ์ทางบวกเท่านั้น แต่อาจทำให้เกิดผลลัพธ์ทางลบซึ่งส่งผลต่อการลดผลการดำเนินงานของทีมได้ด้วยเช่นกัน ทำให้กระบวนการทำงานภายในทีมไม่ราบรื่นเท่าที่ควร และเกิดเป็นความขัดแย้งภายในทีม อันเป็นอุปสรรคต่อการบรรลุผลสำเร็จของทีม ดังนั้น ผู้วิจัยจึงได้ศึกษาการวิเคราะห์เส้นทางของความหลากหลาย ความขัดแย้ง และผลการดำเนินงานของทีมสังกัดสำนักงานคลังจังหวัดในประเทศไทย โดยใช้วิธีวิจัยแบบผสานวิธี (Mixed methods) สำหรับการศึกษาเชิงปริมาณ ทำการเก็บรวบรวมข้อมูลด้วยแบบสอบถามจากทีมงานสำนักงานคลังจังหวัด จำนวน 132 ทีมงาน จากนั้นใช้วิธีการเชิงคุณภาพเพื่อการอภิปรายผลการวิจัย โดยทำการสัมภาษณ์เชิงลึกกับผู้ตอบแบบสอบถามที่ได้จากการเลือกแบบเจาะจง จำนวน 12 คน โดยสถิติที่ใช้ในการวิเคราะห์ข้อมูล ได้แก่ F-test (ANOVA และ MANOVA) การวิเคราะห์สหสัมพันธ์แบบพหุคูณ และการวิเคราะห์เส้นทางอิทธิพล ผลการวิจัยพบว่า 1) ทีมงานสำนักงานคลังจังหวัดในประเทศไทย มีความหลากหลายภายในทีมโดยรวมอยู่ในระดับปานกลาง ได้แก่ ความหลากหลายทางสาขาวิชา ความหลากหลายทางช่วงอายุ และความหลากหลายทางการศึกษา 2) ทีมงานสำนักงานคลังจังหวัดในประเทศไทย มีความคิดเห็นเกี่ยวกับความขัดแย้งภายในทีม โดยรวม และเป็นรายด้าน อยู่ในระดับน้อยที่สุด ได้แก่ ด้านความสัมพันธ์ และด้านงาน และ 3) ทีมงานสำนักงานคลังจังหวัดในประเทศไทย มีความคิดเห็นเกี่ยวกับผลการดำเนินงานของทีม โดยรวม อยู่ในระดับมากที่สุด และเป็นรายด้าน อยู่ในระดับมากที่สุด 2 ด้าน ได้แก่ ด้านความทันเวลา และด้านความพึงพอใจของผู้รับบริการ  จากการวิเคราะห์ความคิดเห็นพบว่า 1) ทีมงานสำนักงานคลังจังหวัดในประเทศไทย ที่มีจำนวนสมาชิกภายในทีมและสำนักงานคลังเขตที่สังกัดแตกต่างกัน มีค่าเฉลี่ยความหลากหลายภายในทีมโดยรวมและรายด้านไม่แตกต่างกัน แต่ทีมงานสำนักงานคลังจังหวัดที่มีประเภทกลุ่มงาน ฝ่ายบริหารงานทั่วไป มีค่าเฉลี่ยความหลากหลายทางช่วงอายุมากกว่ากลุ่มงานนโยบายและเศรษฐกิจจังหวัด กลุ่มงานวิชาการ และกลุ่มงานระบบการคลัง 2) ทีมงานสำนักงานคลังจังหวัดในประเทศไทย ที่มีจำนวนสมาชิกภายในทีมแตกต่างกัน มีค่าเฉลี่ยความขัดแย้งภายในทีมโดยรวมและรายด้าน แตกต่างกัน แต่ทีมงานสำนักงานคลังจังหวัดในประเทศไทย ที่มีประเภทกลุ่มงานและสำนักงานคลังเขตที่สังกัด แตกต่างกัน มีค่าเฉลี่ยความขัดแย้งภายในทีมโดยรวมและรายด้าน ไม่แตกต่างกัน และ 3) ทีมงานสำนักงานคลังจังหวัดในประเทศไทย ที่มีจำนวนสมาชิกภายในทีม ประเภทกลุ่มงาน และสำนักงานคลังเขตที่สังกัดแตกต่างกัน มีค่าเฉลี่ยผลการดำเนินงานของทีมโดยรวม และรายด้าน ไม่แตกต่างกัน จากการวิเคราะห์ความสัมพันธ์และผลกระทบ พบว่า 1) ความหลากหลายทางช่วงอายุ มีความสัมพันธ์ทางบวกกับความขัดแย้งภายในทีมด้านความสัมพันธ์และด้านงาน แต่ความหลากหลายทางเพศ การศึกษา และสาขาวิชา ไม่มีความสัมพันธ์กับความขัดแย้งภายในทีม 2) ความขัดแย้งภายในทีมด้านความสัมพันธ์ มีความสัมพันธ์ทางลบกับผลการดำเนินงานของทีมด้านคุณภาพและความทันเวลา แต่ไม่มีความสัมพันธ์กับผลการดำเนินงานของทีมด้านความพึงพอใจของผู้รับบริการ และ 3) ความหลากหลายทางช่วงอายุ มีผลกระทบทางลบต่อผลการดำเนินงานของทีมด้านคุณภาพและด้านความทันเวลาผ่านความขัดแย้งภายในทีมด้านความสัมพันธ์ โดยสรุป มีเพียงความหลากหลายทางช่วงอายุเท่านั้น ที่ส่งผลโดยตรงทางบวกต่อความขัดแย้งภายในทีมด้านความสัมพันธ์และด้านงาน และส่งผลโดยอ้อมทางลบต่อผลการดำเนินงานของทีมด้านคุณภาพและด้านความทันเวลาผ่านความขัดแย้งภายในทีมด้านความสัมพันธ์ ดังนั้น ผู้บริหารสำนักงานคลังจังหวัดควรให้ความสำคัญกับการจัดฝึกอบรมหัวหน้าทีม เพื่อพัฒนาทักษะการจัดการความหลากหลายทางช่วงอายุภายในทีม เช่น การสร้างทัศนคติเชิงบวกต่อความหลากหลายทางช่วงอายุ ทักษะการรับฟังและการสื่อสารกับบุคลากรช่วงอายุต่าง ๆ ทักษะการจัดการอารมณ์ของตนเอง และการจัดการงานแบบยืดหยุ่น เป็นต้น รวมถึงพัฒนาพัฒนาทักษะการจัดการความขัดแย้งด้านความสัมพันธ์ภายในทีม เช่น ทักษะการสื่อสารแบบสองทาง ทักษะการฟังอย่างตั้งใจ ทักษะการแสดงออกอย่างเหมาะสม และทักษะการแสดงความเห็นและการรับฟังความเห็นที่ขัดแย้งอย่างสร้างสรรค์ เป็นต้น

0014-01-01T00:00:00Z