Skip to main content

แผนที่ประเทศไทยแสดงจำนวนประชากรรายจังหวัด ปี 2568

map
r
สร้างแผนที่ประเทศไทย (Choropleth Map) แสดงสถิติจำนวนประชากรและบ้านรายจังหวัด ประจำปี 2568 จากข้อมูล Open Data ของกรมการปกครอง ด้วยภาษา R และ ggplot2
Published

29 ตุลาคม 2569

บทความนี้เราจะลองนำข้อมูล Open Data จากภาครัฐที่ทุกคนสามารถเข้าถึงและดาวน์โหลดได้ฟรี มาสร้างเป็นแผนที่แสดงความหนาแน่นของประชากรรายจังหวัด (Choropleth Map) โดยใช้ข้อมูลสถิติจำนวนประชากรและบ้านประจำปี พ.ศ. 2568 จากสำนักบริหารการทะเบียน กรมการปกครอง (DOPA) และเชื่อมโยงเข้ากับข้อมูลขอบเขตแผนที่ประเทศไทยจาก GADM ครับ

1. เตรียมข้อมูลแผนที่ประเทศไทย (Spatial Data)

เริ่มต้นด้วยการโหลดแพ็กเกจที่จำเป็นสำหรับการจัดการข้อมูลเชิงพื้นที่ (sf, geodata, rmapshaper) และชุดเครื่องมือจัดการข้อมูลทั่วไป (tidyverse)

library(tidyverse)
library(sf)
library(geodata)
library(rmapshaper)
library(scales)

เราจะดึงข้อมูลขอบเขตจังหวัดของประเทศไทย (Level 1) จาก GADM และใช้ ms_simplify() เพื่อลดขนาดพิกัด Geometry ลงเหลือ 10% ซึ่งช่วยให้ไฟล์มีขนาดเล็กลงมากและโหลดบนหน้าเว็บได้อย่างรวดเร็ว

Code 
# 1. ดาวน์โหลดข้อมูล Shapefile ระดับจังหวัดของไทย
th_sf_raw <- gadm(country = "THA", level = 1, path = tempdir()) |>
  st_as_sf()

# 2. ลดความซับซ้อนของเส้นขอบเขตเพื่อลดขนาดไฟล์
th_sf_simplified <- ms_simplify(th_sf_raw, keep = 0.10, keep_shapes = TRUE)

# 3. เตรียมรหัสจังหวัด 2 หลัก (ดึงจาก ISO_1 และ CC_1) สำหรับใช้เป็น Key ในการ Merge
th_map_ready <- th_sf_simplified |>
  mutate(
    # ตัวอย่าง: TH-50 -> "50" ส่วน กทม. ที่ ISO_1 เป็น NA จะดึงจาก CC_1 = "10"
    province_code = if_else(is.na(ISO_1), CC_1, str_extract(ISO_1, "\\d+"))
  ) |>
  select(
    province_code,
    province_id = GID_1,
    province_en = NAME_1
  )
Noteทำไมจึงควร Join ด้วยรหัสจังหวัด (province_code)?

ในฐานข้อมูล GADM คอลัมน์ชื่อภาษาไทย (NL_NAME_1) มีข้อผิดพลาดจากต้นทางบางจุด (เช่น กรุงเทพฯ ระบุเป็น “เชียงใหม่” หรือชัยภูมิระบุเป็น “ชัยนาท”) ดังนั้น การสกัดรหัสจังหวัด 2 หลักจาก ISO_1 มาใช้เป็น Key จะตรงกับรหัสจังหวัดมาตรฐานของกระทรวงมหาดไทย 100% และไม่มีปัญหาข้อมูลตกหล่นครับ

2. ดึงและทำความสะอาดข้อมูลประชากรจากกรมการปกครอง (DOPA)

ข้อมูลสถิติจำนวนประชากรและบ้านรายจังหวัด ประจำปี พ.ศ. 2568 เผยแพร่ผ่านทางเว็บไซต์ สำนักบริหารการทะเบียน กรมการปกครอง

ไฟล์ข้อมูลใช้เครื่องหมาย | (Pipe) เป็นตัวคั่น และในปัจจุบันไฟล์ถูกบันทึกด้วยการเข้ารหัสแบบ UTF-8 เรียบร้อยแล้ว ทำให้เราสามารถใช้ readr::read_delim() อ่านตรงจาก URL ได้ทันที

pop68_prov_dopa_url <- "https://stat.bora.dopa.go.th/new_stat/file/68/stat_c68.txt"

# กำหนดชื่อคอลัมน์ตาม Schema มาตรฐานของกรมการปกครอง
col_names <- c(
  "yymm",
  "cc_code",
  "cc_desc",
  "rcode_code",
  "rcode_desc",
  "ccaatt_code",
  "ccaatt_desc",
  "ccaattmm_code",
  "ccaattmm_desc",
  "male",
  "female",
  "total",
  "house"
)

# อ่านข้อมูลตรงจาก URL
raw_dopa <- read_delim(
  pop68_prov_dopa_url,
  delim = "|",
  col_names = col_names,
  col_types = cols(.default = col_character()),
  trim_ws = TRUE
)

จากนั้นเราจะกรองเอาเฉพาะแถวที่เป็น ระดับจังหวัด (77 จังหวัด) โดยตัดแถวยอดรวมระดับประเทศออก และแปลงตัวเลขประชากรเป็นตัวเลขจำนวนเต็ม (numeric):

pop68_province <- raw_dopa |>
  mutate(cc_desc = str_trim(cc_desc)) |>
  # กรองแถวที่ไม่ใช่จังหวัดออก (เช่น ยอดรวมทั่วประเทศ)
  filter(
    !is.na(cc_desc) & cc_desc != "" & !str_detect(cc_desc, "ยอดรวม|ทั่วประเทศ")
  ) |>
  # กรองเฉพาะระดับจังหวัด (รหัสอำเภอและตำบลเป็นค่าว่างหรือ 0)
  filter(
    (is.na(ccaatt_code) | ccaatt_code == "" | str_detect(ccaatt_code, "^0+$")) &
      (is.na(rcode_code) | rcode_code == "" | str_detect(rcode_code, "^0+$"))
  ) |>
  mutate(
    male = parse_number(male),
    female = parse_number(female),
    total_population = parse_number(total),
    total_households = parse_number(house),
    province_clean = str_remove(cc_desc, "^จังหวัด") |> str_trim(),
    people_per_household = round(total_population / total_households, 2)
  ) |>
  select(
    province_code = cc_code,
    province_name = cc_desc,
    province_clean,
    male,
    female,
    total_population,
    total_households,
    people_per_household
  )

# ตรวจสอบตัวอย่างข้อมูล 5 จังหวัดแรก
pop68_province |>
  select(province_code, province_name, total_population, total_households) |>
  head(5)
# A tibble: 5 × 4
  province_code province_name      total_population total_households
  <chr>         <chr>                         <dbl>            <dbl>
1 10            กรุงเทพมหานคร                5422568          3356358
2 11            จังหวัดสมุทรปราการ             1383924           792409
3 12            จังหวัดนนทบุรี                  1322280           775919
4 13            จังหวัดปทุมธานี                 1246062           728164
5 14            จังหวัดพระนครศรีอยุธยา           822703           366492

3. รวมข้อมูล (Join) และสร้างแผนที่ด้วย ggplot2

เมื่อได้ทั้งข้อมูลแผนที่และข้อมูลประชากรที่มี Key province_code ตรงกันแล้ว เราสามารถสั่ง left_join() แล้ววาดแผนที่ด้วย geom_sf() ได้ทันที

# ทำการ Left Join ข้อมูลประชากรเข้ากับ Shapefile แผนที่
th_pop_map <- th_map_ready |>
  left_join(pop68_province, by = "province_code")
ggplot(th_pop_map) +
  geom_sf(
    aes(fill = total_population / 1e6),
    color = "white",
    linewidth = 0.25
  ) +
  scale_fill_viridis_c(
    option = "plasma",
    direction = -1,
    labels = label_number(suffix = "M", accuracy = 0.5),
    name = "ประชากร\n(ล้านคน)"
  ) +
  labs(
    title = "จำนวนประชากรรายจังหวัดของประเทศไทย (พ.ศ. 2568)",
    subtitle = "ข้อมูลสถิติจากสำนักบริหารการทะเบียน กรมการปกครอง",
    caption = "แหล่งข้อมูล: สำนักบริหารการทะเบียน กรมการปกครอง (DOPA) | แผนที่: GADM"
  ) +
  theme_void() +
  theme(
    plot.title = element_text(
      face = "bold",
      size = 16,
      hjust = 0.5,
      margin = margin(b = 6)
    ),
    plot.subtitle = element_text(
      size = 12,
      color = "gray30",
      hjust = 0.5,
      margin = margin(b = 15)
    ),
    plot.caption = element_text(
      size = 9,
      color = "gray50",
      hjust = 0.5,
      margin = margin(t = 12)
    ),
    legend.position = "right",
    legend.title = element_text(size = 11, face = "bold"),
    legend.text = element_text(size = 10)
  )

บทสรุป

ด้วยการใช้พลังของ tidyverse ร่วมกับ sf และ ggplot2: 1. เราสามารถดึงข้อมูลสถิติภาครัฐจาก DOPA มาคลีนได้ง่ายดายโดยตรงผ่าน URL 2. จัดการกับโครงสร้างข้อมูลเชิงพื้นที่ และแก้ไขประเด็นเรื่อง Key Matching ได้อย่างแม่นยำผ่าน รหัสจังหวัด (province_code) 3. สร้างแผนที่ Choropleth Map ที่สวยงาม แสดงภาพรวมการกระจายตัวของประชากรได้อย่างชัดเจน โดยมีกรุงเทพมหานครและหัวเมืองใหญ่ในแต่ละภูมิภาคเป็นศูนย์กลางประชากรที่หนาแน่นที่สุดครับ