បញ្ហា (The Problem)៖ ការសិក្សានេះវាយតម្លៃពីដំណើរការ និងប្រសិទ្ធភាពនៃក្រុមហ៊ុននៅក្នុងឧស្សាហកម្មផលិតបន្ទះឈើក្នុងប្រទេសអ៊ីរ៉ង់ ដែលកំពុងប្រឈមមុខនឹងដែនកំណត់ធ្ងន់ធ្ងរលើបច្ចេកវិទ្យាផលិតកម្ម និងវត្ថុធាតុដើម។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់ទិន្នន័យហិរញ្ញវត្ថុរយៈពេល៥ឆ្នាំ (២០០២-២០០៦) របស់ក្រុមហ៊ុនចំនួន១០ ដោយអនុវត្តម៉ូដែលវាស់វែងប្រសិទ្ធភាព និងតាមដានស្ថិរភាពរបស់ពួកគេ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| DEA Window Analysis (Slack-Based Measure - SBM) ការវិភាគស្រោមសំបុត្រទិន្នន័យតាមចន្លោះពេល ដោយប្រើម៉ូដែល SBM |
អាចវាយតម្លៃដំណើរការរបស់ក្រុមហ៊ុនក្នុងរយៈពេលយូរ (Dynamic trend) និងអាចដោះស្រាយជាមួយអថេរធាតុចូល និងធាតុចេញច្រើនក្នុងពេលតែមួយ។ ម៉ូដែល SBM អាចវាស់វែងភាពខ្វះខាត ឬការលើសទិន្នផលដោយផ្ទាល់។ | ទាមទារទិន្នន័យបន្ទះ (Panel data) គ្រប់គ្រាន់ និងមានភាពស្មុគស្មាញក្នុងការគណនា។ ជាវិធីសាស្ត្រដែលផ្អែកលើការប្រៀបធៀប (Relative) មិនមែនជាតម្លៃដាច់ខាត (Absolute) នោះទេ។ | បានរកឃើញថាក្នុងចំណោមការដំណើរការម៉ូដែលចំនួន៩០ដង មានតែ១៦ដងប៉ុណ្ណោះដែលក្រុមហ៊ុនសម្រេចបានប្រសិទ្ធភាពពេញលេញ (១០០%) ទោះបីជាពួកគេមានស្ថិរភាពក៏ដោយ។ |
| Traditional Approaches (Cost function / Multiple regression) វិធីសាស្ត្រប្រពៃណី (អនុគមន៍ចំណាយ ឬ តំរែតំរង់ពហុគុណ) |
ងាយស្រួលក្នុងការយល់ និងប្រើប្រាស់ទូលំទូលាយសម្រាប់ការសិក្សាពីទំនាក់ទំនងមធ្យមរវាងអថេរ។ ល្អសម្រាប់ការសិក្សាពីកត្តាផលិតកម្មសរុប (Total factor productivity)។ | មានការលំបាកក្នុងការបញ្ចូលអថេរធាតុចូល និងធាតុចេញច្រើនក្នុងពេលតែមួយ បើប្រៀបធៀបទៅនឹងវិធីសាស្ត្រ DEA។ | ឯកសារបញ្ជាក់ថាវិធីសាស្ត្រនេះមានដែនកំណត់ក្នុងការវាយតម្លៃប្រសិទ្ធភាពស្មុគស្មាញ ហេតុនេះទើបអ្នកស្រាវជ្រាវជ្រើសយក DEA ជំនួសវិញ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះផ្តោតលើទិន្នន័យបន្ទះ (Panel Data) ដែលតម្រូវឱ្យមានការប្រមូលទិន្នន័យហិរញ្ញវត្ថុជាក់ស្តែង និងកម្មវិធីកុំព្យូទ័រឯកទេសសម្រាប់គណនា។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីក្រុមហ៊ុនផលិតបន្ទះឈើចំនួនត្រឹមតែ ១០ប៉ុណ្ណោះ នៅប្រទេសអ៊ីរ៉ង់ ពីឆ្នាំ២០០២ ដល់ ២០០៦ ដែលជាបរិបទសេដ្ឋកិច្ច និងបច្ចេកវិទ្យាជាក់លាក់មួយ។ សម្រាប់ប្រទេសកម្ពុជា ការអនុវត្តផ្ទាល់នូវលទ្ធផលនេះអាចមានភាពលំអៀង ដោយសារយើងមានច្បាប់ព្រៃឈើ លក្ខខណ្ឌសេដ្ឋកិច្ច និងបច្ចេកវិទ្យាខុសគ្នា។ ទោះជាយ៉ាងណាក៏ដោយ វិធីសាស្ត្រវិភាគនេះមានតម្លៃខ្លាំងសម្រាប់ការយកមកអនុវត្ត។
វិធីសាស្ត្រ DEA Window Analysis នេះមានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់អ្នកស្រាវជ្រាវ និងអ្នករៀបចំគោលនយោបាយកម្ពុជា ក្នុងការវាយតម្លៃប្រសិទ្ធភាពឧស្សាហកម្ម។
សរុបមក ការអនុវត្ត DEA Window Analysis អាចជួយកម្ពុជាកំណត់បាននូវភាពគ្មានប្រសិទ្ធភាពក្នុងចង្វាក់ផលិតកម្ម និងជួយម្ចាស់អាជីវកម្មកាត់បន្ថយការខ្ជះខ្ជាយធនធាន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Data envelopment analysis (ការវិភាគស្រោមសំបុត្រទិន្នន័យ / DEA) | ជាវិធីសាស្ត្រគណិតវិទ្យាមួយប្រភេទដែលប្រើសម្រាប់វាស់វែង និងប្រៀបធៀបប្រសិទ្ធភាពនៃអង្គភាព ឬស្ថាប័នជាច្រើន ដោយផ្អែកលើទំហំនៃការប្រើប្រាស់ធនធាន (ធាតុចូល) ដើម្បីបង្កើតបានជាលទ្ធផល (ធាតុចេញ)។ វាជួយរកឱ្យឃើញនូវអង្គភាពណាដែលដំណើរការល្អបំផុត ដើម្បីកំណត់ជាស្តង់ដារ ឬគំរូ។ | ដូចជាការប្រៀបធៀបចុងភៅច្រើននាក់ដែលប្រើគ្រឿងផ្សំ (ធាតុចូល) ដូចគ្នា តើនរណាអាចធ្វើម្ហូបបានច្រើនចាន និងលឿនជាងគេ (ធាតុចេញ)។ |
| windows analysis (ការវិភាគតាមចន្លោះពេល ឬវីនដូ) | ជាបច្ចេកទេសមួយក្នុងការប្រើប្រាស់ DEA ដែលយកទិន្នន័យប្រវត្តិសាស្ត្រមកបែងចែកជាចន្លោះពេលខ្លីៗ (Windows) ដើម្បីតាមដានមើលពីនិន្នាការបម្រែបម្រួល និងស្ថិរភាពនៃប្រសិទ្ធភាពរបស់អង្គភាពណាមួយពីមួយឆ្នាំទៅមួយឆ្នាំ ជំនួសឱ្យការវាយតម្លៃត្រឹមតែមួយឆ្នាំឈប់។ | ដូចជាការតាមដានពិន្ទុប្រឡងប្រចាំខែរបស់សិស្សម្នាក់ជាប់ៗគ្នាជាច្រើនខែ ដើម្បីដឹងថាគាត់រៀនពូកែរហូត (មានស្ថិរភាព) ឬពូកែតែមួយឆាវ។ |
| slack-based measure model (ម៉ូដែលវាស់វែងផ្អែកលើភាពធូររលុង / SBM) | ជាម៉ូដែលមួយនៃ DEA ដែលវាស់វែងប្រសិទ្ធភាពដោយការផ្តោតផ្ទាល់ទៅលើបរិមាណធនធានដែលនៅសល់ (ធាតុចូលដែលប្រើលើសទំហំ) ឬបរិមាណលទ្ធផលដែលខ្វះខាត (ធាតុចេញដែលផលិតបានតិចជាងសក្តានុពល)។ វាជួយប្រាប់ច្បាស់ថាតើត្រូវកាត់បន្ថយធាតុចូលប៉ុន្មាន ឬបង្កើនធាតុចេញប៉ុន្មានទើបមានប្រសិទ្ធភាពពេញលេញ។ | ដូចជាការគណនាមើលថាតើជាងកាត់ដេរម្នាក់កាត់ខោអាវសល់ក្រណាត់ចោល (ខ្ជះខ្ជាយ) ប៉ុន្មាន ដើម្បីប្រាប់គាត់ឱ្យចេះសន្សំសំចៃក្រណាត់នៅពេលក្រោយ។ |
| decision-making units (អង្គភាពធ្វើសេចក្តីសម្រេចចិត្ត / DMUs) | សំដៅលើអង្គភាព ស្ថាប័ន ក្រុមហ៊ុន ឬផ្នែកណាមួយដែលត្រូវបានយកមកប្រៀបធៀបក្នុងការវិភាគវាយតម្លៃប្រសិទ្ធភាព DEA។ DMUs នីមួយៗត្រូវមានឯករាជ្យភាពក្នុងការសម្រេចចិត្តក្នុងការប្រើប្រាស់ធាតុចូលដើម្បីបង្កើតជាធាតុចេញ។ | ប្រសិនបើយើងកំពុងស្រាវជ្រាវប្រៀបធៀបសាលារៀនចំនួន១០ សាលារៀននីមួយៗនោះគឺជា DMU មួយ។ |
| panel data (ទិន្នន័យបន្ទះ ឬទិន្នន័យកាត់ខ្វែងតាមពេលវេលា) | ជាប្រភេទឈុតទិន្នន័យដែលប្រមូលបានពីអង្គភាពតែមួយ (ឧទាហរណ៍៖ ក្រុមហ៊ុនដដែលៗ) តាមចន្លោះពេលវេលាច្រើនខុសៗគ្នា (ឧទាហរណ៍៖ រៀងរាល់ឆ្នាំក្នុងរយៈពេល ៥ឆ្នាំជាប់គ្នា)។ វាអនុញ្ញាតឱ្យគេវិភាគទាំងភាពខុសគ្នារវាងក្រុមហ៊ុននីមួយៗ និងបម្រែបម្រួលរបស់ក្រុមហ៊ុននីមួយៗតាមពេលវេលា។ | ដូចជាសៀវភៅតាមដានសុខភាពដែលកត់ត្រាទម្ងន់ និងកម្ពស់របស់សិស្សមួយក្រុមដដែលៗ រៀងរាល់ឆ្នាំរហូតពួកគេរៀនចប់។ |
| isotonic (អាយសូតូនិក ឬមានទិសដៅស្របគ្នា) | ក្នុងបរិបទនៃការស្រាវជ្រាវទិន្នន័យ វាសំដៅលើលក្ខណៈនៃអថេរដែលនៅពេលធាតុចូលកើនឡើង វានឹងរុញឱ្យធាតុចេញកើនឡើងដូចគ្នា (មានទំនាក់ទំនងវិជ្ជមាន)។ ការធ្វើតេស្តនេះគឺដើម្បីបញ្ជាក់ថា ការបន្ថែមធនធានកាន់តែច្រើន នឹងបង្កើតផលបានកាន់តែច្រើនពិតប្រាកដមែន។ | ដូចជាការជាន់ហ្គែរឡានរឹតតែខ្លាំង ឡានរឹតតែរត់លឿន គឺវាមានដំណើរស្របគ្នា។ |
| non-radial (មិនមែនលីនេអ៊ែរសមាមាត្រកាំ) | ជាលក្ខណៈនៃម៉ូដែលគណិតវិទ្យា (ដូចជា SBM) ដែលមិនតម្រូវឱ្យធាតុចូលទាំងអស់ ឬធាតុចេញទាំងអស់ ត្រូវតែកាត់បន្ថយ ឬបង្កើនក្នុងអត្រាសមាមាត្រ (ភាគរយ) ស្មើគ្នានោះទេ។ វាអនុញ្ញាតឱ្យមានការផ្លាស់ប្តូរអថេរនីមួយៗដោយឯករាជ្យពីគ្នា ដើម្បីកែសម្រួលវាឆ្ពោះទៅរកប្រសិទ្ធភាព។ | ដូចជាការបញ្ចុះទម្ងន់ដែលយើងមិនចាំបាច់កាត់បន្ថយការញ៉ាំសាច់ និងបន្លែក្នុងបរិមាណភាគរយស្មើគ្នានោះទេ គឺយើងអាចបន្ថយសាច់ច្រើនជាងបន្លែ ដើម្បីឱ្យមានសុខភាពល្អ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
