Original Title: Factors Influencing Agricultural Technology Adoptions by Vegetable Producers in Svay Rieng Province, Cambodia
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

កត្តាដែលមានឥទ្ធិពលលើការទទួលយកបច្ចេកវិទ្យាកសិកម្មដោយអ្នកផលិតបន្លែនៅក្នុងខេត្តស្វាយរៀង ប្រទេសកម្ពុជា

ចំណងជើងដើម៖ Factors Influencing Agricultural Technology Adoptions by Vegetable Producers in Svay Rieng Province, Cambodia

អ្នកនិពន្ធ៖ HONG CHHUN (Svay Rieng University), CHUN NIMUL (Svay Rieng University), BUNTONG BORARIN (Royal University of Agriculture), SEREY MARDY (Svay Rieng University), SAO VIBOL (Royal University of Phnom Penh), CHAN BUNYETH (Svay Rieng University), TUM SARAVUTH (Svay Rieng University)

ឆ្នាំបោះពុម្ព៖ 2025 International Journal of Environmental and Rural Development

វិស័យសិក្សា៖ Agricultural Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមក្នុងការជម្រុញការទទួលយកបច្ចេកវិទ្យាកសិកម្មឆ្លាតវៃអាកាសធាតុ ដោយធ្វើការកំណត់កត្តាជម្រុញបរិបទ និងកត្តាការយល់ឃើញរបស់អ្នកផលិតបន្លែនៅក្នុងខេត្តស្វាយរៀង។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់គំរូទទួលយកបច្ចេកវិទ្យារបស់កសិករ (Farmer Technology Adoption Model) តាមរយៈការស្ទង់មតិផ្ទាល់និងការវិភាគទិន្នន័យស្ថិតិ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Pearson Product Moment Correlation
ការវិភាគសហសម្ព័ន្ធ Pearson
ជួយកំណត់ទំនាក់ទំនងរវាងអថេរឯករាជ្យនីមួយៗ និងអថេរអាស្រ័យបានយ៉ាងច្បាស់លាស់ និងងាយស្រួលយល់។ មិនអាចវាស់វែងឥទ្ធិពលរួមបញ្ចូលគ្នានៃកត្តាជាច្រើនទៅលើការទទួលយកបច្ចេកវិទ្យា និងមិនអាចបង្កើតជាគំរូទស្សន៍ទាយបានទេ។ បង្ហាញថាកត្តាភាគច្រើនមានទំនាក់ទំនងជាវិជ្ជមានទៅនឹងការទទួលយកបច្ចេកវិទ្យា លើកលែងតែកត្តាមួយចំនួនដូចជាការប្រកួតប្រជែង (Competition)។
Stepwise Multiple Regression Analysis
ការវិភាគតម្រែតម្រង់ពហុគុណតាមជំហាន
អាចច្រោះយកតែកត្តាដែលសំខាន់បំផុត និងបង្កើតជាគំរូទស្សន៍ទាយ (Predictive Model) ប្រកបដោយប្រសិទ្ធភាពខ្ពស់។ ទាមទារទិន្នន័យច្រើន និងការត្រួតពិនិត្យយ៉ាងប្រុងប្រយ័ត្នលើអថេរដើម្បីចៀសវាងបញ្ហា Multicollinearity។ រកឃើញកត្តាសំខាន់ចំនួន ៧ (CDFs ៤ និង PFFs ៣) ដែលអាចពន្យល់ពីបំរែបំរួលនៃការទទួលយកបច្ចេកវិទ្យាបាន ៣៦% (R=0.612)។

ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះមិនតម្រូវឱ្យមានធនធានបច្ចេកវិទ្យាខ្ពស់ស្មុគស្មាញនោះទេ ប៉ុន្តែទាមទារការចុះប្រមូលទិន្នន័យផ្ទាល់ពីកសិករ និងចំណេះដឹងផ្នែកស្ថិតិ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងទៅលើអ្នកដាំបន្លែចំនួន ៣០២ នាក់ ដែលជាសមាជិកសហគមន៍កសិកម្ម (ACs) ក្នុងខេត្តស្វាយរៀងប៉ុណ្ណោះ។ ទិន្នន័យនេះបង្ហាញពីភាពលម្អៀងទៅលើមេគ្រួសារជាបុរស (៩២%) និងអ្នកមានអាយុលើសពី ៤៥ ឆ្នាំ (៨៤%)។ វារឹតតែសំខាន់សម្រាប់ប្រទេសកម្ពុជាក្នុងការធ្វើការសិក្សាបន្ថែមលើស្ត្រី និងយុវជនក្នុងវិស័យកសិកម្ម ព្រមទាំងកសិករដែលមិនមែនជាសមាជិកសហគមន៍។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

លទ្ធផលនៃការសិក្សានេះមានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ការរៀបចំគោលនយោបាយ និងយុទ្ធសាស្ត្រផ្សព្វផ្សាយកសិកម្ម (Agricultural Extension) នៅកម្ពុជា។

ជារួម ការយល់ដឹងពីកត្តាទាំង ៧ នេះជួយឱ្យរដ្ឋាភិបាល និងអង្គការនានាសន្សំសំចៃធនធាន ដោយបង្កើតយុទ្ធសាស្ត្រផ្សព្វផ្សាយចំគោលដៅ និងស្របតាមស្ថានភាពជាក់ស្តែងរបស់កសិករកម្ពុជា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី១៖ សិក្សាពីទ្រឹស្តី និងគំរូទទួលយកបច្ចេកវិទ្យា: និស្សិតគួរចាប់ផ្តើមពីការអានលម្អិតអំពី Farmer Technology Adoption Model (FTAM) និង Technology Acceptance Model (TAM) ដើម្បីយល់ពីរបៀបបំបែកកត្តា Contextual Driving Factors (CDF) និង Perceptual Force Factors (PFF)
  2. ជំហានទី២៖ រៀបចំកម្រងសំណួរ និងការសាកល្បង (Pilot Test): បង្កើតកម្រងសំណួរដោយប្រើ Likert Scale និងធ្វើការសាកល្បងមុនជាមួយកសិករប្រហែល ៣០ នាក់ ដើម្បីវាស់ស្ទង់ភាពជឿជាក់នៃសំណួរដោយប្រើកម្រិត Cronbach's Alpha នៅក្នុងកម្មវិធី SPSS
  3. ជំហានទី៣៖ ការប្រមូលទិន្នន័យទីវាល (Field Data Collection): កំណត់ទំហំសំណាកដោយប្រើ Cochran's formula រួចចុះប្រមូលទិន្នន័យដោយប្រើឧបករណ៍ឌីជីថលដូចជា KoboToolbox ដោយផ្តោតលើតំបន់ដែលមានបញ្ហាប្រឈមធនធានទឹកជាក់ស្តែង។
  4. ជំហានទី៤៖ ការវិភាគទិន្នន័យតាមរយៈកម្មវិធីស្ថិតិ: បញ្ចូលទិន្នន័យ និងសម្អាតក្នុង Microsoft Excel រួចប្រើប្រាស់ SPSS ដើម្បីធ្វើការវិភាគ Stepwise Multiple Regression Analysis ដើម្បីចម្រាញ់យកតែកត្តាដែលជះឥទ្ធិពលខ្លាំងបំផុត (Significant predictors)។
  5. ជំហានទី៥៖ ការបកស្រាយលទ្ធផល និងបង្កើតយុទ្ធសាស្ត្រ: បកស្រាយទំហំនៃឥទ្ធិពលតាមរយៈតម្លៃ R-square និងផ្តល់ជាអនុសាសន៍ជាក់ស្តែងដល់មន្ត្រី Extension workers ដូចជាការបង្កើតកសិដ្ឋានបង្ហាញទម្រង់ (Demonstration farms) ជាដើម។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Contextual Driving Factors (CDF) កត្តាជំរុញទាក់ទងនឹងបរិបទ គឺជាស្ថានភាពជាក់ស្តែង ដែលរួមមានបញ្ហាប្រឈមផ្ទាល់ និងធនធានដែលកសិករកំពុងជួបប្រទះ (ដូចជា កង្វះខាតទឹក លុយកាក់ ឬទីផ្សារ) ដែលជំរុញ ឬរារាំងពួកគេពីការសម្រេចចិត្តប្រើប្រាស់បច្ចេកវិទ្យាថ្មី។ ដូចជាអាកាសធាតុ ឬស្ថានភាពផ្លូវដែលបង្ខំឲ្យយើងសម្រេចចិត្តថាត្រូវជិះកង់ ឬជិះម៉ូតូ។
Perceptual Force Factors (PFF) កត្តាជំរុញផ្នែកការយល់ឃើញ គឺសំដៅលើជំនឿ ការគិត ឬការរំពឹងទុករបស់កសិករទៅលើបច្ចេកវិទ្យាណាមួយ ឧទាហរណ៍ដូចជាការគិតថាបច្ចេកវិទ្យានោះមានប្រយោជន៍ ងាយស្រួលប្រើ ឬជួយលើកមុខមាត់របស់ពួកគេនៅក្នុងសង្គម។ ដូចជាការដែលយើងជឿថាតេឡេក្រាម (Telegram) ស្រួលប្រើ និងលឿន ទើបយើងសម្រេចចិត្តដោនឡូតវាមកប្រើប្រាស់។
Linear Multiple Regression analysis ការវិភាគតម្រែតម្រង់ពហុគុណលីនេអ៊ែរ គឺជាវិធីសាស្ត្រស្ថិតិមួយដែលប្រើប្រាស់អថេរឯករាជ្យច្រើន (ឧទាហរណ៍៖ កង្វះទឹក ទីផ្សារ ការយល់ឃើញ) ក្នុងពេលតែមួយ ដើម្បីទស្សន៍ទាយ ឬពន្យល់ពីទំហំឥទ្ធិពលរបស់វាទៅលើលទ្ធផលនៃអថេរអាស្រ័យមួយ (កម្រិតនៃការទទួលយកបច្ចេកវិទ្យា)។ ដូចជាការទស្សន៍ទាយពិន្ទុប្រឡងរបស់សិស្សម្នាក់ ដោយមើលទៅលើកត្តាច្រើនចូលគ្នាដូចជា ម៉ោងរៀន ម៉ោងគេង និងចំនួនសៀវភៅដែលគាត់បានអាន។
Stepwise Multiple Regression Analysis ការវិភាគតម្រែតម្រង់ពហុគុណតាមជំហាន គឺជាដំណើរការជ្រើសរើសដោយស្វ័យប្រវត្តិនូវកត្តាដែលសំខាន់បំផុតបញ្ចូលទៅក្នុងគំរូទស្សន៍ទាយស្ថិតិ ដោយកាត់ចោលនូវកត្តាណាដែលមិនមានឥទ្ធិពលខ្លាំង ឬស្ទួនគ្នា ដើម្បីទទួលបានរូបមន្តដែលត្រឹមត្រូវនិងខ្លីបំផុត។ ដូចជាការជ្រើសរើសកីឡាករជម្រើសជាតិដោយតេស្តសមត្ថភាពម្តងម្នាក់ៗ រួចទុកតែអ្នកដែលលេងត្រូវជើងគ្នាបំផុតដើម្បីបង្កើតក្រុមមួយដ៏ខ្លាំងនិងមានប្រសិទ្ធភាព។
Pearson Product Moment Correlation ការធ្វើតេស្តសហសម្ព័ន្ធ Pearson គឺជារង្វាស់ស្ថិតិដែលបង្ហាញពីកម្លាំង និងទិសដៅនៃទំនាក់ទំនងរវាងអថេរបន្តបន្ទាប់ពីរ (តើវាប្រែប្រួលស្របរទិសគ្នា ឬផ្ទុយគ្នា ហើយមានទំនាក់ទំនងខ្លាំងកម្រិតណា)។ ដូចជាការវាស់ស្ទង់ថាតើពេលមេឃកាន់តែក្តៅ មនុស្សទិញទឹកកកញ៉ាំកាន់តែច្រើនកម្រិតណា។
Cronbach’s Alpha មេគុណអាល់ហ្វារបស់ Cronbach គឺជារង្វាស់ស្ថិតិដែលប្រើសម្រាប់វាយតម្លៃភាពជឿជាក់ (Reliability) និងភាពស៊ីសង្វាក់គ្នានៃសំណួរនៅក្នុងកម្រងសំណួរស្ទង់មតិ ដែលជាទូទៅតម្លៃលើសពី ០.៧ ត្រូវបានចាត់ទុកថាអាចយកជាការបាន។ ដូចជាការសួរសំណួរពីរខុសគ្នាអំពីប្រធានបទតែមួយ ដើម្បីសាកល្បងថាតើមនុស្សម្នាក់ឆ្លើយដោយការពិតនិងមានភាពច្បាស់លាស់ឬអត់។
Agricultural extension ការផ្សព្វផ្សាយកសិកម្ម គឺជាការផ្តល់សេវាកម្មអប់រំ បណ្តុះបណ្តាល ផ្តល់បច្ចេកវិទ្យា និងប្រឹក្សាយោបល់ដល់កសិករ ដោយភ្នាក់ងាររដ្ឋ ឬអង្គការ ដើម្បីជួយពួកគេក្នុងការផ្លាស់ប្តូរឥរិយាបថ និងកែលម្អផលិតភាពកសិកម្ម។ ដូចជាគ្រូបង្រៀនក្រៅម៉ោងដែលចុះទៅដល់ស្រែចម្ការ ដើម្បីណែនាំកសិករពីរបៀបប្រើប្រាស់ជី ឬដាំដុះតាមរបៀបថ្មីឲ្យចំណេញជាងមុន។
Farmer Technology Adoption Model (FTAM) គំរូនៃការទទួលយកបច្ចេកវិទ្យារបស់កសិករ គឺជាក្របខ័ណ្ឌទ្រឹស្តីដែលបង្ហាញពីដំណើរការដែលអថេរខាងក្រៅ (ដូចជាធនធាន និងបញ្ហាប្រឈម) ជះឥទ្ធិពលដល់ការយល់ឃើញរបស់កសិករ រហូតឈានដល់ការសម្រេចចិត្តប្រើប្រាស់បច្ចេកវិទ្យានោះជាស្ថាពរ។ ដូចជាផែនទីបង្ហាញផ្លូវនៃការគិតរបស់មនុស្សម្នាក់ ពីការចាប់ផ្តើមឃើញរបស់ថ្មី រហូតដល់ជឿជាក់ និងហ៊ានទិញវាយកមកប្រើ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖