ส่องหนี้นอกระบบจากข้อมูลสำรวจศูนย์ช่วยเหลือลูกหนี้และประชาชน
excerpt
บทความชิ้นนี้เล่าถึงบทสรุปงานวิจัย Pinitjitsamut & Suwanprasert (2022) ซึ่งศึกษาสถานการณ์หนี้นอกระบบในประเทศไทยและศึกษาปัจจัยที่ส่งผลต่อการกู้ยืมหนี้นอกระบบด้วยแบบจำลองเศรษฐมิติและ machine learning ผลการศึกษาจากข้อมูลสำรวจระดับรายครัวเรือนที่ได้รับจากศูนย์ช่วยเหลือลูกหนี้และประชาชนที่ไม่ได้รับความเป็นธรรม พบว่า จำนวนหนี้นอกระบบที่ครัวเรือนตัดสินใจกู้นั้น ขึ้นอยู่กับหลายตัวแปร เช่น อายุ อัตราดอกเบี้ย รายได้ และหนี้ในระบบที่มีอยู่ บทความชิ้นนี้สรุปปิดท้ายด้วยข้อเสนอทางนโยบายสองข้อเพื่อช่วยลดปัญหาหนี้นอกระบบ คือ 1. ระบบการเงินในระดับจุลภาค หรือ ไมโครไฟแนนซ์ (micro-finance) และ 2. การประยุกต์ใช้ machine learning เพื่อพยากรณ์ครัวเรือนที่น่าจะกู้ยืมเงินนอกระบบ
ปัญหาหนี้นอกระบบมักนำไปสู่อันตรายในชีวิตและทรัพย์สินของลูกหนี้ เนื่องจากถูกทวงหนี้โดยใช้ความรุนแรง เช่น การข่มขู่ ทำร้ายร่างกาย หรือทำลายทรัพย์สิน นอกจากปัญหาความรุนแรงจากการทวงหนี้แล้ว ลูกหนี้ยังอาจเผชิญปัญหาการทำสัญญากู้ยืมที่อำพรางดอกเบี้ยในอัตราที่สูงกว่าที่กฎหมายกำหนด (15% ต่อปี)
แม้ว่าหนี้นอกระบบจะมีความเสี่ยงด้านความปลอดภัยและมักมีอัตราดอกเบี้ยที่สูงจนไม่สมเหตุสมผล หลาย ๆ ครัวเรือนยังตัดสินใจกู้เงินนอกระบบจากเจ้าหนี้ที่ไม่ใช่สถาบันการเงินที่ถูกกฎหมาย หรือตัดสินใจกู้หนี้นอกระบบแทนหนี้ในระบบ เนื่องด้วยมีความจำเป็นต้องใช้เงินเร่งด่วน หรือติดขัดเงื่อนไขของสถาบันการเงินในระบบ ในหลายกรณีครัวเรือนมีรายได้ที่ไม่แน่นอน ทำให้สถาบันการเงินไม่สามารถปล่อยกู้ได้ นอกจากนี้การกู้ยืมเงินในระบบมีขั้นตอนที่ซับซ้อนและใช้เวลาในการดำเนินการนาน จึงทำให้ครัวเรือนที่ต้องการเงินด่วนไม่สามารถรอได้ ดังนั้นแม้ว่าดอกเบี้ยของหนี้นอกระบบจะสูงกว่าหนี้ในระบบ แต่การกู้ยืมเงินนอกระบบอาจเป็นทางออกเดียวที่ครัวเรือนมีโอกาสเข้าถึงอย่างเร่งด่วนได้
บทความนี้นำเสนองานวิจัยของ Pinitjitsamut & Suwanprasert (2022) ซึ่งศึกษาสถานการณ์หนี้นอกระบบในกลุ่มที่ได้รับความช่วยเหลือ โดยใช้ข้อมูลสำรวจระดับรายครัวเรือนที่ได้รับจากศูนย์ช่วยเหลือลูกหนี้และประชาชนที่ไม่ได้รับความเป็นธรรม กรมสอบสวนคดีพิเศษ กระทรวงยุติธรรม ในปี พ.ศ. 2557 ศูนย์ช่วยเหลือลูกหนี้ที่ไม่ได้รับความเป็นธรรมร่วมมือกับสถาบันวิจัยสังคม จุฬาลงกรณ์มหาวิทยาลัยเก็บข้อมูลเชิงคุณภาพและเชิงปริมาณ โดยลงพื้นที่สัมภาษณ์ครัวเรือนโดยตรงกว่า 4,800 ครัวเรือน จาก 12 จังหวัด ได้แก่ กรุงเทพมหานคร ปทุมธานี สระบุรี ราชบุรี พิษณุโลก ชลบุรี นครศรีธรรมราช สงขลา เชียงราย ยโสธร มหาสารคาม และหนองคาย ซึ่งข้อมูลดังกล่าวมีความสมบูรณ์เพียงพอให้นำมาใช้ในการศึกษาทั้งสิ้น 4,628 ตัวอย่าง และงานวิจัยชิ้นนี้นิยาม “หนี้นอกระบบ” ว่าหมายถึงเงินกู้ยืมที่มีภาระผูกพันต้องใช้คืน โดยไม่ใช่เงินที่ยืมจากสถาบันการเงินที่ได้รับอนุญาตจากรัฐ หรือ ยืมจากญาติพี่น้องหรือเพื่อนสนิท
จำนวนตัวอย่าง | สัดส่วน | ค่าเฉลี่ย | ค่ามัธยฐาน | |
---|---|---|---|---|
นายทุนในพื้นที่ | 537 | 27.4% | 10.8 | 10 |
นายทุนนอกพื้นที่ | 610 | 31.2% | 10.4 | 10 |
แก๊งหมวกกันน็อค | 590 | 30.3% | 18.3 | 20 |
ร้านค้า | 220 | 11.1% | 7.0 | 5 |
รวม | 1,957 | 100.0% | 12.5 | 10 |
ผลการสำรวจในตารางที่ 1 แสดงให้เห็นว่า ผู้ตอบแบบสำรวจ 1,957 ราย (42.3%) มีหนี้นอกระบบ โดยเฉลี่ยแล้ว ลูกหนี้มีหนี้นอกระบบอยู่ที่ 54,300 บาทต่อคน เมื่อแบ่งหนี้นอกระบบออกตามกลุ่มเจ้าหนี้ กลับพบว่าเจ้าหนี้ส่วนมาก คือนายทุนนอกพื้นที่ (31%) แก๊งหมวกกันน็อค (30%) และนายทุนในพื้นที่ (27%) ดอกเบี้ยเงินกู้ของหนี้นอกระบบโดยเฉลี่ยอยู่ที่ 10–11% ต่อเดือน สำหรับกลุ่มนายทุนในพื้นที่และนายทุนนอกพื้นที่ ส่วนแก๊งหมวกกันน็อคคิดดอกเบี้ยโดยเฉลี่ยที่ 20% ต่อเดือน
กลุ่มอายุ | จำนวนตัวอย่าง | สัดส่วน | ค่าเฉลี่ย | ค่ามัธยฐาน |
---|---|---|---|---|
น้อยกว่า 20 | 4 | 44.4% | 8,750.0 | 6,500 |
20–24 | 50 | 34.5% | 49,080.0 | 11,000 |
25–29 | 116 | 33.9% | 67,422.7 | 17,500 |
30–34 | 171 | 40.8% | 45,722.3 | 20,000 |
35–39 | 253 | 40.3% | 63,060.1 | 20,000 |
40–44 | 314 | 43.6% | 38,360.8 | 20,000 |
45–49 | 359 | 43.5% | 52,078.6 | 20,000 |
50–54 | 313 | 43.7% | 57,486.0 | 20,000 |
55–60 | 241 | 45.0% | 66,387.0 | 20,000 |
มากกว่า 60 | 136 | 47.2% | 54,780.6 | 20,000 |
เมื่อแบ่งผู้ตอบแบบสอบถามออกตามกลุ่มอายุดังแสดงในตารางที่ 2 พบว่า กลุ่มช่วงอายุที่มีความน่าจะเป็นที่มีหนี้นอกระบบน้อยที่สุดคือกลุ่มช่วงอายุ 20–24 ปี และ 25–29 ปี ซึ่งคิดเป็นเพียง 34% ของกลุ่มอายุเท่านั้น ในขณะที่กลุ่มอายุ 55–60 ปีและ 60 ปีขึ้นไป มีหนี้นอกระบบอยู่ที่ 45% และ 47% ตามลำดับ โดยมูลค่าหนี้ของคนในกลุ่มช่วงอายุน้อยกว่า 20 ปีมีค่ามัธยฐานอยู่ที่ 6,500 บาทต่อคน สำหรับกลุ่มช่วงอายุ 20–24 ปี มีค่ามัธยฐานของมูลค่าหนี้อยู่ที่ 11,000 บาทต่อคน และ กลุ่มช่วงอายุ 25–29 ปี มีค่ามัธยฐานของมูลค่าหนี้อยู่ที่ 17,500 บาทต่อคน ในขณะที่คนในช่วงกลุ่มอายุที่เหลือมีค่ามัธยฐานค่อนข้างคงที่ที่ 20,000 บาทต่อคน
กลุ่มรายได้ | จำนวนตัวอย่าง | สัดส่วน | ค่าเฉลี่ย | ค่ามัธยฐาน |
---|---|---|---|---|
0 | 77 | 47.5% | 48,962.3 | 11,500 |
1–5,000 | 176 | 42.5% | 32,824.8 | 10,000 |
5,001–10,000 | 769 | 46.7% | 25,435.9 | 10,000 |
10,001–20,000 | 627 | 38.1% | 73,040.0 | 24,000 |
20,001–30,000 | 193 | 42.0% | 105,007.1 | 40,000 |
30,001–40,000 | 49 | 39.5% | 135,853.9 | 39,200 |
40,001–50,000 | 24 | 31.6% | 89,916.7 | 42,500 |
50,001–100,000 | 39 | 44.3% | 53,384.6 | 40,000 |
มากกว่า 100,000 | 3 | 23.1% | 66,666.7 | 45,000 |
เมื่อพิจารณาความสัมพันธ์ระหว่างรายได้และมูลค่าหนี้นอกระบบ (ตารางที่ 3) พบว่า กลุ่มที่มีมูลค่าหนี้นอกระบบต่ำกว่ากลุ่มรายได้อื่น ๆ คือกลุ่มที่ไม่มีรายได้ กลุ่มรายได้ 1–5,000 บาทและกลุ่มรายได้ 5,001–10,000 บาท ซึ่งมีหนี้นอกระบบโดยเฉลี่ยอยู่ที่ 49,000 บาท 33,000 บาท และ 25,000 บาท ตามลำดับ ส่วนกลุ่มรายได้ 20,001–30,000 บาท และ 30,001–40,000 บาท มีหนี้นอกระบบโดยเฉลี่ยสูงที่สุดที่ระดับ 105,000 บาท และ 136,000 บาท ตามลำดับ อย่างไรก็ตาม กลุ่มที่มีรายได้สูงกว่า 40,000 บาทมียอดหนี้นอกระบบลดลง แต่ยังมากกว่ากลุ่มที่มีรายได้น้อย โดยกลุ่มรายได้ 40,001–50,000 บาท กลุ่มรายได้ 50,001–100,000 บาท และกลุ่มรายได้มากกว่า 100,000 บาท มีหนี้นอกระบบโดยเฉลี่ยอยู่ที่ 90,000 53,000 และ 67,000 บาท ตามลำดับ ซึ่งแสดงให้เห็นว่าความสัมพันธ์ระหว่างรายได้และมูลค่าหนี้นอกระบบไม่เป็นไปในทิศทางเดียวกันเสมอไป ซึ่งอาจมาจากปัจจัยความสามารถในการใช้คืนหนี้นอกระบบ โดยผู้ที่มีรายได้น้อยจะกู้ได้ไม่มากเพราะไม่มีความสามารถจะหารายได้มาใช้หนี้ ในขณะที่ผู้มีรายได้สูงสามารถกู้หนี้นอกระบบได้ในวงเงินที่มากขึ้น แม้ว่าจะมีความจำเป็นในการกู้เงินน้อยก็ตาม
กลุ่มอาชีพ | จำนวนตัวอย่าง | สัดส่วน | ค่าเฉลี่ย | ค่ามัธยฐาน |
---|---|---|---|---|
เกษตรกร | 430 | 41.2% | 90,818.4 | 30,000 |
ค้าขาย | 652 | 52.4% | 33,265.9 | 15,000 |
อาชีพอิสระ | 103 | 49.8% | 18,713.6 | 10,000 |
รับจ้่าง/ลูกจ้าง | 234 | 37.4% | 31,776.9 | 14,000 |
กิจการส่วนตัว | 81 | 34.6% | 65,432.1 | 20,000 |
พนักงานเอกชน | 275 | 36.9% | 46,569.5 | 20,000 |
ข้าราชการ | 93 | 29.4% | 117,932.0 | 30,000 |
พนักงานรัฐวิสาหกิจ | 22 | 31.9% | 158.181.8 | 30,000 |
ไม่ได้ทำงาน | 67 | 46.9% | 53,849.3 | 10,000 |
ตารางที่ 4 นำเสนอรูปแบบของหนี้นอกระบบเมื่อแบ่งตามอาชีพของลูกหนี้ อาชีพที่มีสัดส่วนผู้กู้ยืมเงินนอกระบบต่ำที่สุด คือข้าราชการและพนักงานรัฐวิสาหกิจ ซึ่งมีเพียงประมาณ 30% เท่านั้น อย่างไรก็ตามสองกลุ่มอาชีพนี้เป็นกลุ่มที่มีหนี้นอกระบบโดยเฉลี่ยสูงสุดอยู่ที่ 118,000 บาท และ 158,000 บาท ตามลำดับ ค่าสถิตินี้สอดคล้องกับคำอธิบายข้างต้นเรื่องความสามารถในการใช้คืนหนี้นอกระบบ ข้าราชการและพนักงานรัฐวิสาหกิจเป็นอาชีพที่มีความมั่นคงทางรายได้สูงที่สุด จึงมีความน่าเชื่อถือในการกู้เงินนอกระบบมากกว่ากลุ่มอาชีพอื่น ๆ กลุ่มอาชีพที่มีสัดส่วนผู้กู้ยืมเงินนอกระบบมากที่สุด คือกลุ่มอาชีพค้าขาย (52%) และกลุ่มอาชีพอิสระ (50%) แต่ทั้งสองกลุ่มอาชีพนี้กลับมีหนี้นอกระบบโดยเฉลี่ยเพียง 33,000 บาท และ 19,000 บาท ซึ่งน้อยกว่ากลุ่มข้าราชการและพนักงานรัฐวิสาหกิจเกือบ 5 เท่า
งานวิจัยชิ้นนี้แบ่งสาเหตุของการกู้ยืมเงินออกเป็น 4 กลุ่ม คือ 1. การลงทุนในการประกอบอาชีพ 2. ค่าใช้จ่ายจำเป็น เช่น ค่าใช้จ่ายในครัวเรือน ค่ารักษาพยาบาล และค่าเล่าเรียน 3. ใช้คืนหนี้เก่าทั้งในระบบและนอกระบบ และ 4. ค่าใช้จ่ายที่ไม่จำเป็น เช่น ซื้อเครื่องประดับ และโทรศัพท์มือถือ โดยในภาพรวม 46.8% ของหนี้นอกระบบถูกนำมาใช้เพื่อค่าใช้จ่ายจำเป็นและ 41.5% ของหนี้นอกระบบถูกนำไปลงทุนในการประกอบอาชีพ มีเพียง 9.4% ของหนี้นอกระบบเท่านั้นที่ถูกกู้มาเพื่อใช้จ่ายหนี้อื่น ๆ และเพียง 2.3% ที่ถูกนำมาใช้สำหรับค่าใช้จ่ายไม่จำเป็น
รูปที่ 1 แสดงให้เห็นว่า มากกว่า 50% ของครัวเรือนซึ่งมีอาชีพเป็นพ่อค้าแม่ค้า เจ้าของธุรกิจส่วนตัวและเกษตรกร กู้หนี้นอกระบบเพื่อนำไปใช้จ่ายในการลงทุน ในขณะที่ 70% ของลูกหนี้ที่มีอาชีพเป็นพนักงานเอกชน ลูกจ้าง อาชีพอิสระ และไม่ได้ทำงาน กู้หนี้นอกระบบเพื่อนำไปจับจ่ายใช้สอยจำเป็นของครัวเรือน และอีกประมาณ 20% ของพนักงานรัฐบาลและรัฐวิสาหกิจกู้หนี้นอกระบบเพื่อไปใช้หนี้เก่า
รูปที่ 2 แสดงถึงสาเหตุของการกู้หนี้นอกระบบของแต่ละช่วงอายุ โดยช่วงอายุที่เพิ่มขึ้นมีแนวโน้มจะกู้หนี้นอกระบบเพื่อการลงทุนมากขึ้น ดังจะเห็นได้จากสัดส่วนของการกู้หนี้นอกระบบเพื่อการลงทุนที่เพิ่มขึ้นจาก 14% ในกลุ่มอายุ 20–24 ปี ไปถึง 57% ในกลุ่มช่วงอายุ 55–60 ปี ในทางกลับกัน ช่วงอายุที่เพิ่มขึ้นมีแนวโน้มจะกู้หนี้นอกระบบเพื่อการค่าใช้จ่ายจำเป็นลดลง ดังจะเห็นได้จากสัดส่วนของการใช้หนี้นอกระบบเพื่อค่าใช้จ่ายที่จำเป็นลดลงจาก 64% ในกลุ่มอายุ 20–24 ปี เหลือเพียง 34% ในกลุ่มช่วงอายุ 55–60 ปี การกู้หนี้นอกระบบเพื่อการชำระหนี้เก่าค่อนข้างไม่มีความสัมพันธ์กับช่วงอายุเท่าใด โดยเป็นเหตุผลของการกู้เงินราว 8–9% ในทุกกลุ่มอายุ นอกจากนี้ กลุ่มที่มีสัดส่วนการกู้หนี้นอกระบบเพื่อค่าใช้จ่ายไม่จำเป็นมากที่สุด คือช่วงอายุ 20–24 ปี โดยนับเป็นเหตุผลหลักของ 16% ของกลุ่มช่วงอายุนี้ และกลุ่มรองลงมา คือช่วงอายุ 25–29 ปีซึ่งมีเพียง 6% ที่กู้หนี้นอกระบบเพื่อค่าใช้จ่ายไม่จำเป็น
ในส่วนของการตัดสินใจกู้ยืมหนี้นอกระบบ งานวิจัยนี้ใช้แบบจำลองสามชนิด ได้แก่ แบบจำลอง probit แบบจำลอง logit และแบบจำลอง linear probability ซึ่งผลการศึกษาแสดงให้เห็นว่า อายุ จำนวนสมาชิกในครัวเรือน เงินออม และยอดคงค้างของเงินกู้ในระบบ เป็นปัจจัยที่ส่งผลต่อการตัดสินใจกู้ยืมเงินนอกระบบ สำหรับบุคคลที่มีอายุมากกว่าค่าเฉลี่ย 10 ปีมีความน่าจะเป็นที่จะกู้เงินนอกระบบมากกว่าค่าเฉลี่ยราว 2.3% ครัวเรือนที่มีสมาชิกเพิ่มขึ้น 1 คน มีความน่าจะเป็นที่จะกู้ยืมเงินนอกระบบมากขึ้น 1.3% เงินออมที่เพิ่มขึ้นหนึ่งเท่าตัวจะลดความน่าจะเป็นที่จะกู้เงินนอกระบบลง 0.6% และมูลค่าคงค้างของหนี้ในระบบที่เพิ่มขึ้นหนึ่งเท่าตัวจะลดความน่าจะเป็นที่จะกู้เงินนอกระบบลง 0.9%
ในส่วนของมูลค่าหนี้นอกระบบ งานวิจัยนี้ประยุกต์ใช้เทคนิค Ordinary Least Squares (OLS) แบบที่มี fixed effects ในการประเมินผลกระทบของตัวแปรต่าง ๆ ต่อมูลค่าหนี้นอกระบบ พบว่า เมื่อดอกเบี้ยเงินกู้ต่อเดือนเพิ่มขึ้น 10% มูลค่าหนี้นอกระบบจะลดลงประมาณ 30% ส่วนลูกหนี้ที่มีอายุมากขึ้น 10 ปี จะมีมูลค่าหนี้เพิ่มขึ้นประมาณ 3.9% รายได้ที่เพิ่มขึ้น 10% จะส่งผลให้กู้เงินนอกระบบมากขึ้น 2.9% สมาชิกในครัวเรือนที่เพิ่มขึ้น 1 คน จะส่งผลให้กู้หนี้นอกระบบมากขึ้น 5% เงินออมและมูลค่าคงค้างของหนี้ในระบบส่งผลลบต่อมูลค่าหนี้นอกระบบ โดยเงินออมที่เพิ่มขึ้น 10% ส่งผลให้กู้หนี้นอกระบบน้อยลง 0.3% และมูลค่าคงค้างของหนี้ในระบบที่เพิ่มขึ้น 10% ส่งผลให้กู้หนี้นอกระบบน้อยลง 0.2%
ในส่วนถัดมา งานวิจัยนี้ประยุกต์ใช้เทคนิค machine learning เพื่อวิเคราะห์ปัจจัยที่ช่วยพยากรณ์การตัดสินใจกู้หนี้นอกระบบและมูลค่าหนี้นอกระบบได้ โดยใช้ Random Forest ในการเปรียบเทียบว่า ปัจจัยใดมีผลต่อการตัดสินใจในการกู้เงินของครัวเรือนต่าง ๆ ผลการศึกษาแสดงให้เห็นว่ามีปัจจัยที่สำคัญ 15 ปัจจัยจากทั้งหมด 44 ปัจจัยสำหรับใช้ในการแยกประเภท (classification) เพื่อคาดการณ์การตัดสินใจกู้หนี้นอกระบบ โดยในการศึกษานี้ใช้การเรียนรู้แบบมีผู้สอน (supervised machine learning) 3 ประเภท ได้แก่ K–Nearest Neighbor (KNN) Random Forest และ Extreme Gradient Boosting (XGBoost) และแบ่งข้อมูลออกเป็น 2 ชุด คือชุด training สำหรับฝึกสอนแบบจำลอง (60%) และชุด testing สำหรับทดสอบความสามารถของแบบจำลอง (40%)
จากผลการทดลองทั้ง 3 แบบ ผู้วิจัยได้ข้อสรุปว่า Random Forest มีความแม่นยำสำหรับ classification โดยรวมสูงที่สุด ส่วน K–Nearest Neighbors มีความแม่นยำสำหรับการแยกประเภทต่ำที่สุดในบรรดา 3 แบบจำลอง สำหรับความแม่นยำในการทำนายนั้น แบบจำลอง Gradient Boosting มีความแม่นยำที่สุด โดยสามารถคาดการณ์ปัจจัยที่ส่งผลต่อการตัดสินใจในการกู้หนี้นอกระบบได้ถึง 76.46%
จากการแยกประเภท (classification) พบว่า รายจ่ายของครัวเรือนเป็นปัจจัยที่สำคัญที่สุดในการตัดสินใจกู้หนี้นอกระบบ ปัจจัยที่สำคัญรองลงมาคืออัตราดอกเบี้ยของหนี้นอกระบบ ซึ่งแสดงให้เห็นว่าครัวเรือนยังคำนึงถึงดอกเบี้ยสำหรับการกู้เงิน นอกจากนี้ยังมีปัจจัยที่น่าสนใจอื่น ๆ ที่ส่งผลต่อการตัดสินใจในการกู้หนี้นอกระบบของครัวเรือน เช่น ครัวเรือนที่มีอาชีพค้าขายมีโอกาสที่จะกู้หนี้นอกระบบมากกว่าอาชีพอื่น ๆ โดยอาจเป็นเพราะอาชีพค้าขายจำเป็นต้องใช้ต้นทุนในการซื้อสินค้าก่อนเป็นจำนวนมากและจะมีรายได้เมื่อขายสินค้าได้แล้ว
บทความนี้บรรยายงานวิจัยของ Pinitjitsamut & Suwanprasert (2022) ซึ่งนำเสนอข้อมูลสถิติของสถานการณ์หนี้นอกระบบในประเทศไทย โดยใช้แบบจำลองเศรษฐมิติ และ machine learning เพื่อศึกษาปัจจัยที่ส่งผลต่อการตัดสินใจในการกู้หนี้นอกระบบ โดยพบว่าปัจจัยพื้นฐาน เช่น อายุ จำนวนสมาชิกในครัวเรือน และอาชีพ มีผลต่อการตัดสินใจกู้ยืมเงินนอกระบบและมูลค่าหนี้นอกระบบที่กู้ ซึ่งผลการศึกษานำมาสู่ข้อเสนอแนะเชิงนโยบาย 2 ข้อ
การพัฒนาระบบการเงินในระดับจุลภาค หรือที่เรียกว่า ไมโครไฟแนนซ์ (micro-finance) เนื่องด้วยครัวเรือนที่มีอาชีพค้าขายและทำธุรกิจส่วนตัวมากกว่า 50% กู้หนี้นอกระบบเพื่อนำไปใช้จ่ายในการลงทุน และค่ามัธยฐานของมูลค่าหนี้นอกระบบของกลุ่มอาชีพค้าขายและทำธุรกิจอยู่ที่ประมาณ 10,000–20,000 บาท ดังนั้นรัฐบาลอาจพิจารณานโยบายทางการเงินในการปล่อยกู้ครัวเรือนรายย่อยเพื่อการลงทุนในธุรกิจ ในวงเงินไม่เกิน 20,000 บาท พร้อมดอกเบี้ยที่ต่ำ โดยนำเงินสวัสดิการในอนาคตจากรัฐบาล (เช่น เบี้ยผู้สูงอายุ) มาช่วยค้ำประกัน เพื่อช่วยสนับสนุนการลงทุนเพื่อสร้างอาชีพและเป็นประโยชน์ต่อประชาชนในระยะยาว
การประยุกต์ใช้เครื่องมือ machine learning ในการค้นหาครัวเรือนที่ควรได้รับการช่วยเหลือ เนื่องจากการเข้าหาเป้าหมายอย่างแม่นยำจะช่วยจัดสรรทรัพยากร ทั้งเวลา แรงงานเจ้าหน้าที่ และงบประมาณ ได้อย่างมีประสิทธิภาพ และช่วยแก้ไขปัญหาหนี้นอกระบบอย่างตรงจุดมากยิ่งขึ้น งานวิจัยนี้พบว่า เครื่องมือ machine learning สามารถใช้ปัจจัยพื้นฐาน เช่น อายุ รายได้ จำนวนสมาชิกในครัวเรือน เพศ และจังหวัด ในการช่วยคาดการณ์การกู้ยืมหนี้นอกระบบได้อย่างมีประสิทธิภาพและแม่นยำ และแบบจำลอง Gradient Boosting สามารถคาดการณ์การตัดสินใจกู้หนี้นอกระบบได้แม่นยำถึง 75% ของกลุ่มตัวอย่าง ดังนั้นการประยุกต์ใช้เครื่องมือ machine learning จะช่วยเพิ่มโอกาสในการเข้าถึงกลุ่มบุคคลที่มีความน่าจะเป็นที่จะกู้หนี้นอกระบบ รวมถึงลดการใช้ทรัพยากรในการช่วยเหลือครอบครัวที่ไม่จำเป็นต้องได้รับการช่วยเหลือ