Original Title: Climate Change Information and Potato Production in Ebonyi State, Nigeria
Source: doi.org/10.36956/rwae.v6i2.1730
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ព័ត៌មានស្តីពីការប្រែប្រួលអាកាសធាតុ និងផលិតកម្មដំឡូងបារាំងនៅរដ្ឋ Ebonyi ប្រទេសនីហ្សេរីយ៉ា

ចំណងជើងដើម៖ Climate Change Information and Potato Production in Ebonyi State, Nigeria

អ្នកនិពន្ធ៖ Emeka Emmanuel Osuji, Igwe Ikenna Ukoha, Maryann Nnenna Osuji, Innocent Uche Ojoko Nwaiwu, Glory Nkiruka Ben-Chendo, Eberechi Rosemary Keyagha, Chinaekwu Odinakachi Cookey, Esther Ugochukwu Nwachukwu, Chizoma Olivia Osuagwu, Kelechi Thankgod Ezirim, Ojochenemi Idoko, Peter Agu Onoh, Bernadine Ngozi Aririguzo, Rosemond Adaohuru Alagba, Chidinma Adanna Peter-Onoh, Iheoma Ezichi Mbuka-Nwosu, Emmanuel Emenganha Ihem, Christian Ngozichukwu Anyanwu

ឆ្នាំបោះពុម្ព៖ 2025 Research on World Agricultural Economy

វិស័យសិក្សា៖ Agricultural Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះសិក្សាពីបញ្ហាប្រឈមដែលកសិករខ្នាតតូចដាំដំឡូងបារាំងនៅរដ្ឋ Ebonyi ប្រទេសនីហ្សេរីយ៉ា កំពុងជួបប្រទះដោយសារការប្រែប្រួលអាកាសធាតុ និងធ្វើការវិភាគពីឥទ្ធិពលនៃការទទួលបានព័ត៌មានទៅលើសមត្ថភាពបន្សាំរបស់ពួកគេ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រជ្រើសរើសគំរូដោយមានគោលដៅ ដើម្បីប្រមូលទិន្នន័យពីកសិករ និងប្រើប្រាស់គំរូស្ថិតិក្នុងការវិភាគរកកត្តាកំណត់។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Descriptive Statistics
ស្ថិតិពណ៌នា (ភាគរយ ប្រេកង់ និងតារាង)
ងាយស្រួលក្នុងការយល់ដឹង និងមានប្រសិទ្ធភាពក្នុងការសង្ខេបពីលក្ខណៈសេដ្ឋកិច្ច-សង្គម និងកម្រិតនៃការយល់ដឹងរបស់កសិករ។ មិនអាចកំណត់ពីទំនាក់ទំនងហេតុនិងផល ឬកម្រិតឥទ្ធិពលនៃអថេរនីមួយៗតាមលក្ខណៈវិទ្យាសាស្ត្របានទេ។ បានបង្ហាញថាកសិករ ៩០,៦% មានការយល់ដឹងខ្ពស់ពីការប្រែប្រួលអាកាសធាតុ ហើយ ៩៧,៩% ទទួលបានព័ត៌មានតាមរយៈវិទ្យុ។
Probit Regression Model
គំរូតំរែតំរង់ Probit (វិភាគលើការសម្រេចចិត្តជ្រើសរើស ឬមិនជ្រើសរើស)
ស័ក្តិសមបំផុតសម្រាប់ការវិភាគលើអថេរអាស្រ័យដែលមានទម្រង់ជាជម្រើសពីរ (Binary) និងអាចបង្ហាញពីកត្តាជម្រុញដ៏មានឥទ្ធិពលច្បាស់លាស់។ ទាមទារការរៀបចំទិន្នន័យជាទម្រង់កូដ (0 និង 1) និងទាមទារចំណេះដឹងផ្នែកស្ថិតិកម្រិតខ្ពស់ដើម្បីបកស្រាយលទ្ធផល។ បានរកឃើញថាកម្រិតនៃការអប់រំ បទពិសោធន៍ និងការទទួលបានព័ត៌មានអាកាសធាតុដំបូង មានទំនាក់ទំនងវិជ្ជមានយ៉ាងខ្លាំង (P < 0.01) ទៅនឹងការបន្សាំ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានជាចម្បងលើការចុះប្រមូលទិន្នន័យផ្ទាល់នៅតាមមូលដ្ឋាន និងការប្រើប្រាស់កម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគទិន្នន័យស្ថិតិ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងរដ្ឋ Ebonyi ប្រទេសនីហ្សេរីយ៉ា ដោយប្រើប្រាស់សំណាកកសិករដាំដំឡូងបារាំងខ្នាតតូចចំនួនតែ ៩៦នាក់ប៉ុណ្ណោះ។ ទិន្នន័យនេះមានកម្រិតតូច និងឆ្លុះបញ្ចាំងពីបរិបទភូមិសាស្ត្រជាក់លាក់ ប៉ុន្តែវាផ្តល់ជាមេរៀនដ៏សំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះកសិករកម្ពុជាភាគច្រើនក៏ជាកសិករខ្នាតតូចដែលងាយរងគ្រោះពីការប្រែប្រួលអាកាសធាតុ ហើយពឹងផ្អែកខ្លាំងលើការស្វែងរកព័ត៌មានកសិកម្ម។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រវិភាគ និងរបកគំហើញនៃការសិក្សានេះ មានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ការរៀបចំគោលនយោបាយបន្សាំទៅនឹងការប្រែប្រួលអាកាសធាតុនៅក្នុងវិស័យកសិកម្មកម្ពុជា។

ការពង្រឹងការយល់ដឹង និងការផ្តល់ព័ត៌មានប្រែប្រួលអាកាសធាតុទាន់ពេលវេលាតាមរយៈបណ្តាញផ្សព្វផ្សាយមូលដ្ឋាន គឺជាយុទ្ធសាស្ត្រចំណាយតិចតែទទួលបានផលខ្ពស់ក្នុងការជួយកសិករកម្ពុជា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាពីសេដ្ឋកិច្ចកសិកម្ម និងគោលគំនិតនៃការបន្សាំ: អានអត្ថបទស្រាវជ្រាវពាក់ព័ន្ធនឹងកសិកម្មវៃឆ្លាតទប់ទល់នឹងអាកាសធាតុ (Climate-Smart Agriculture) និងស្វែងយល់ពីយុទ្ធសាស្ត្របន្សាំរបស់កសិករខ្នាតតូច។
  2. រៀនជំនាញរចនាកម្រងសំណួរឌីជីថល: អនុវត្តការបង្កើតទម្រង់ស្ទង់មតិដោយប្រើប្រាស់ឧបករណ៍ KoboToolboxODK (Open Data Kit) ដើម្បីងាយស្រួលក្នុងការចុះប្រមូលទិន្នន័យពីកសិករតាមរយៈទូរស័ព្ទដៃ។
  3. ស្ទាត់ជំនាញកម្មវិធីវិភាគទិន្នន័យ: សិក្សាពីរបៀបប្រើប្រាស់កម្មវិធី STATAR ជាពិសេសការប្រើប្រាស់កូដសម្រាប់សម្អាតទិន្នន័យ (Data Cleaning) និងការកំណត់អថេរកូដ (Dummy Variables)។
  4. អនុវត្តការវិភាគគំរូ Probit និង Logit: រៀនដំណើរការគំរូ Probit Regression លើទិន្នន័យគំរូ ដើម្បីស្វែងយល់ពីកត្តាដែលជះឥទ្ធិពលលើការសម្រេចចិត្ត (បាទ/ទេ) និងរបៀបបកស្រាយលទ្ធផល Marginal Effects។
  5. សហការចុះកម្មសិក្សាស្រាវជ្រាវជាក់ស្តែង: សហការជាមួយមន្ទីរកសិកម្មខេត្ត (PDAFF) ឬអង្គការក្រៅរដ្ឋាភិបាល ដើម្បីចុះធ្វើការស្ទង់មតិលើកសិករកម្ពុជាពិតប្រាកដ អំពីរបៀបដែលពួកគេទទួលបានព័ត៌មានអាកាសធាតុ និងការឆ្លើយតបរបស់ពួកគេ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Probit regression model (គំរូតំរែតំរង់ Probit) វិធីសាស្ត្រស្ថិតិដែលប្រើសម្រាប់វិភាគទិន្នន័យដែលមានលទ្ធផលតែពីរជម្រើស (ឧទាហរណ៍៖ ព្រម ឬ មិនព្រម, ធ្វើ ឬ មិនធ្វើ) ដើម្បីស្វែងរកកត្តាដែលជះឥទ្ធិពលដល់ការសម្រេចចិត្តទាំងនោះ។ ក្នុងការសិក្សានេះ វាជួយរកឱ្យឃើញថាតើកត្តាដូចជា ការអប់រំ ឬបទពិសោធន៍ ធ្វើឱ្យកសិករសម្រេចចិត្តប្រើប្រាស់យុទ្ធសាស្ត្របន្សាំដែរឬទេ។ ដូចជាការគណនាទស្សន៍ទាយថាតើសិស្សម្នាក់នឹងប្រឡង 'ជាប់' ឬ 'ធ្លាក់' ដោយផ្អែកលើម៉ោងសិក្សានិងការអប់រំរបស់ឪពុកម្តាយ។
Climate Information Services [CIS] (សេវាកម្មព័ត៌មានអាកាសធាតុ) ប្រព័ន្ធនៃការប្រមូល វិភាគ និងចែកចាយទិន្នន័យទាក់ទងនឹងអាកាសធាតុ (ដូចជាសីតុណ្ហភាព របាយទឹកភ្លៀង ខ្យល់) ទៅដល់អ្នកប្រើប្រាស់ ជាពិសេសកសិករ ដើម្បីជួយពួកគេក្នុងការរៀបចំផែនការដាំដុះ ប្រមូលផល និងត្រៀមខ្លួនទប់ទល់នឹងហានិភ័យគ្រោះមហន្តរាយនានា។ ដូចជាកម្មវិធីព្យាករណ៍អាកាសធាតុក្នុងទូរស័ព្ទដៃ ដែលប្រាប់យើងជាមុនថាពេលណាគួរយកឆ័ត្រតាមខ្លួនមុនពេលចេញក្រៅ។
Crop rotation (ការដាំដំណាំឆ្លាស់) ការអនុវត្តកសិកម្មដោយការផ្លាស់ប្តូរប្រភេទដំណាំដែលដាំនៅលើដីតែមួយពីមួយរដូវទៅមួយរដូវ ដើម្បីជួយរក្សាជីជាតិដីឱ្យបានល្អ និងកាត់បន្ថយការប្រមូលផ្តុំ ឬការកើនឡើងនៃសត្វល្អិតចង្រៃ និងមេរោគឆ្លង។ ដូចជាការផ្លាស់ប្តូរមុខម្ហូបជារៀងរាល់ថ្ងៃ ដើម្បីទទួលបានវីតាមីនគ្រប់គ្រាន់ និងមិនធុញទ្រាន់ ជំនួសឱ្យការញ៉ាំតែសាច់មួយមុខរាល់ថ្ងៃ។
Extension contacts (ទំនាក់ទំនងសេវាផ្សព្វផ្សាយកសិកម្ម) ការចុះជួបផ្ទាល់ ឬទំនាក់ទំនងរបស់មន្ត្រីជំនាញកសិកម្មជាមួយកសិករនៅតាមមូលដ្ឋាន ដើម្បីផ្តល់ចំណេះដឹង បច្ចេកទេសថ្មីៗ និងព័ត៌មានអំពីទីផ្សារ ឬអាកាសធាតុ ក្នុងគោលបំណងជួយបង្កើនទិន្នផលកសិកម្ម។ ដូចជាមានគ្រូបង្រៀនគួរតាមផ្ទះ ដែលចុះមកជួយពន្យល់ និងណែនាំសិស្សឱ្យចេះដោះស្រាយលំហាត់កសិកម្មបានត្រឹមត្រូវ។
Drought-resistant varieties (ពូជធន់នឹងភាពរាំងស្ងួត) ប្រភេទពូជដំណាំដែលត្រូវបានបង្កាត់ ឬជ្រើសរើសយ៉ាងពិសេស ដើម្បីឱ្យមានសមត្ថភាពអាចលូតលាស់និងផ្តល់ទិន្នផលបាន ទោះបីជាស្ថិតក្នុងលក្ខខណ្ឌខ្វះខាតទឹក ឬមានភ្លៀងធ្លាក់តិចតួចកម្រិតណាក៏ដោយ។ ដូចជាសត្វអូដ្ឋដែលអាចរស់នៅ និងធ្វើដំណើរក្នុងវាលខ្សាច់បានយូរថ្ងៃដោយមិនបាច់ផឹកទឹកញឹកញាប់។
Adaptation strategies (យុទ្ធសាស្ត្របន្សាំ) ការកែប្រែទម្លាប់ វិធីសាស្ត្រ ឬរបៀបធ្វើការងារ (ដូចជាប្រតិទិននៃការដាំដុះ ឬការរៀបចំប្រព័ន្ធទឹក) ដើម្បីសម្របខ្លួនទៅនឹងលក្ខខណ្ឌអាកាសធាតុថ្មីៗ ដែលកំពុងប្រែប្រួល សំដៅកាត់បន្ថយផលប៉ះពាល់អវិជ្ជមាន និងធានាបាននូវទិន្នផល។ ដូចជាការប្តូរមកពាក់អាវរងារក្រាស់ៗ និងពាក់មួក នៅពេលដែលអាកាសធាតុប្រែជាត្រជាក់ខ្លាំង ដើម្បីការពារខ្លួនពីជំងឺផ្តាសាយ។
Purposive method / Purposive sampling (វិធីសាស្ត្រជ្រើសរើសគំរូដោយមានគោលដៅ) បច្ចេកទេសជ្រើសរើសអ្នកចូលរួមក្នុងការសិក្សាស្រាវជ្រាវ ដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យជាក់លាក់ណាមួយដែលអ្នកស្រាវជ្រាវបានកំណត់ទុកជាមុន ឧទាហរណ៍ដូចជាការជ្រើសរើសតែកសិករដែលដាំដំឡូងបារាំង ហើយរងផលប៉ះពាល់ពីអាកាសធាតុ ដើម្បីយកមកសម្ភាសន៍។ ដូចជាការជ្រើសរើសតែសិស្សដែលពូកែគណិតវិទ្យា ដើម្បីទៅប្រកួតប្រជែងថ្នាក់ជាតិ ជាជាងការចាប់ឆ្នោតរើសសិស្សទូទៅក្នុងសាលា។
Dependent variable (អថេរអាស្រ័យ) នៅក្នុងការវិភាគស្ថិតិ គឺជាលទ្ធផល ឬកត្តាដែលយើងចង់សិក្សាថាវាប្រែប្រួលយ៉ាងដូចម្តេច នៅពេលដែលកត្តាផ្សេងទៀត (អថេរឯករាជ្យ) មានការផ្លាស់ប្តូរ។ ក្នុងការសិក្សានេះ គឺចង់សំដៅលើ "ការសម្រេចចិត្តបន្សាំរបស់កសិករ"។ ដូចជា "ពិន្ទុប្រឡង" ដែលប្រែប្រួលទៅតាម "ចំនួនម៉ោងដែលខំរៀន" (ពិន្ទុជាអថេរអាស្រ័យ ឯម៉ោងរៀនជាអថេរឯករាជ្យ)។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖