បញ្ហា (The Problem)៖ ការសិក្សានេះវាយតម្លៃពីការអភិវឌ្ឍប្រកបដោយការសម្របសម្រួលរវាងសេដ្ឋកិច្ចឌីជីថល (DE) និងផលិតភាពកត្តាសរុបកសិកម្ម (TFP) នៅខេត្តចំនួន ៣១ របស់ប្រទេសចិន ចាប់ពីឆ្នាំ ២០១៤ ដល់ ២០២១ ដើម្បីដោះស្រាយបញ្ហាវិសមភាពតំបន់។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់ទិន្នន័យបន្ទះ (Panel data) និងគំរូវាយតម្លៃចម្រុះជាច្រើន ដើម្បីវិភាគសក្ដានុពលលំហ និងពេលវេលា ក៏ដូចជាកម្រិតនៃភាពខុសគ្នា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Super-efficiency EBM (Epsilon-Based Measure) Model គំរូវាយតម្លៃប្រសិទ្ធភាពខ្ពស់ដោយផ្អែកលើអេបស៊ីឡុង (EBM) |
អាចដោះស្រាយអថេរធូររលុងទាំងបែប Radial និង Non-radial ព្រមទាំងអាចបែងចែកភាពខុសគ្នារវាងអង្គភាពដែលមានប្រសិទ្ធភាពច្រើន ដើម្បីចៀសវាងការបាត់បង់ព័ត៌មាន។ វាស័ក្តិសមបំផុតសម្រាប់ការវិភាគដែលពាក់ព័ន្ធនឹងនិរន្តរភាពបរិស្ថាន។ | មានភាពស្មុគស្មាញក្នុងការគណនាខាងគណិតវិទ្យាខ្លាំងជាងគំរូប្រពៃណី និងទាមទារទិន្នន័យដែលមានគុណភាពខ្ពស់។ | បានវាស់ស្ទង់យ៉ាងសុក្រឹតនូវផលិតភាពកត្តាសរុបកសិកម្ម (TFP) នៅទូទាំង៣១ខេត្តរបស់ចិន ដោយរួមបញ្ចូលទាំងកត្តាអាកាសធាតុ។ |
| Traditional DEA / SBM Models គំរូវិភាគស្រោមព័ទ្ធទិន្នន័យប្រពៃណី (DEA) និងម៉ូដែល SBM |
ជាវិធីសាស្ត្រស្តង់ដារ (Non-parametric) ដែលងាយស្រួលយល់ និងពេញនិយមសម្រាប់ការវាស់ស្ទង់ប្រសិទ្ធភាពផលិតកម្ម។ | DEA ប្រពៃណីមិនគិតពីអថេរធូររលុង (Non-radial slack) ខណៈម៉ូដែល SBM ខ្វះព័ត៌មានអំពីសមាមាត្ររវាងតម្លៃគោលដៅនិងតម្លៃជាក់ស្តែង ដែលធ្វើឱ្យពិន្ទុប្រសិទ្ធភាពទាបជាងការពិត។ | ត្រូវបានលើកយកមកពិភាក្សាជាគំរូគោល (Baseline) ដើម្បីបង្ហាញពីចំណុចខ្សោយ និងគាំទ្រដល់ការប្រើប្រាស់ម៉ូដែល EBM ជំនួសវិញ។ |
| Thornthwaite Memorial Model គំរូគណនាសក្តានុពលអាកាសធាតុ Thornthwaite |
ប្រើប្រាស់រង្វាស់រំហួតជាក់ស្តែង និងរួមបញ្ចូលកត្តាអាកាសធាតុចម្រុះជាច្រើន ដែលផ្តល់លទ្ធផលកៀកទៅនឹងទិន្នន័យវាស់ស្ទង់ផ្ទាល់នៅទីវាល។ | ភាពជាក់លាក់អាចមានកម្រិតទាបបន្តិចនៅក្នុងតំបន់ភូមិសាស្ត្រជាក់លាក់មួយចំនួន បើប្រៀបធៀបនឹងម៉ូដែល Chikugo។ | បានប៉ាន់ស្មានដោយជោគជ័យនូវសក្តានុពលនៃផលិតកម្មដោយផ្អែកលើអាកាសធាតុ (Climate potential productivity) ដើម្បីបញ្ចូលជាកត្តាធាតុចូលក្នុងម៉ូដែល TFP។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់យ៉ាងច្បាស់អំពីទំហំធនធានកុំព្យូទ័រ (Hardware) ដែលត្រូវប្រើប្រាស់នោះទេ ប៉ុន្តែវាទាមទារការប្រមូលទិន្នន័យបន្ទះ (Panel data) ទំហំធំ និងកម្មវិធីស្ថិតិឯកទេសដើម្បីដំណើរការគំរូគណិតវិទ្យាស្មុគស្មាញ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីខេត្តចំនួន ៣១ នៅក្នុងប្រទេសចិន (២០១៤-២០២១) ដែលមានលក្ខណៈភូមិសាស្ត្រ សេដ្ឋកិច្ច ការវិនិយោគរបស់រដ្ឋ និងហេដ្ឋារចនាសម្ព័ន្ធឌីជីថលខុសប្លែកពីប្រទេសកម្ពុជាយ៉ាងខ្លាំង។ កសិករនៅប្រទេសចិនទទួលបានការគាំទ្រពីរដ្ឋាភិបាលច្រើនលើកសិកម្មឆ្លាតវៃ។ ទោះជាយ៉ាងណាក៏ដោយ នេះជាមេរៀនដ៏សំខាន់សម្រាប់កម្ពុជាក្នុងការយល់ដឹងពីរបៀបដែលគម្លាតឌីជីថលអាចបង្កើតឱ្យមានវិសមភាពផលិតភាពកសិកម្មរវាងតំបន់។
វិធីសាស្ត្រវាយតម្លៃ និងការរកឃើញនៅក្នុងការសិក្សានេះ មានអត្ថប្រយោជន៍ខ្ពស់សម្រាប់ការរៀបចំយុទ្ធសាស្ត្រអភិវឌ្ឍន៍សេដ្ឋកិច្ចឌីជីថលក្នុងវិស័យកសិកម្មនៅកម្ពុជា។
ការប្រើប្រាស់ក្របខ័ណ្ឌវិភាគនេះ នឹងជួយអ្នកសាងគោលនយោបាយកម្ពុជាអាចកំណត់អាទិភាពវិនិយោគបានចំគោលដៅ ជាពិសេសក្នុងការរចនាគោលនយោបាយតាមតំបន់ជាក់លាក់ ដើម្បីកាត់បន្ថយគម្លាតឌីជីថល និងជំរុញកសិកម្មប្រកបដោយនិរន្តរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Total Factor Productivity (ផលិតភាពកត្តាសរុប) | រង្វាស់នៃប្រសិទ្ធភាពសេដ្ឋកិច្ចដែលវាស់ស្ទង់ថាតើបរិមាណទិន្នផលសរុបប៉ុន្មានត្រូវបានផលិតចេញពីបរិមាណធាតុចូលសរុប (ដូចជាកម្លាំងពលកម្ម ដី និងទុន) បូករួមទាំងការរីកចម្រើនផ្នែកបច្ចេកវិទ្យា។ វាបង្ហាញពីការកើនឡើងទិន្នផលដែលមិនមែនមកពីការបង្កើនធាតុចូលផ្ទាល់។ | ដូចជាការដែលចុងភៅម្នាក់អាចចម្អិនម្ហូបបានឆ្ងាញ់និងច្រើនជាងមុន ដោយប្រើគ្រឿងផ្សំនិងពេលវេលាដដែល ដោយសារតែគាត់មានបទពិសោធន៍និងបច្ចេកទេសល្អជាងមុន។ |
| Coupling Coordination Degree (កម្រិតនៃការសម្របសម្រួលការផ្គូផ្គង) | សូចនាករស្ថិតិដែលប្រើដើម្បីវាស់ស្ទង់ថាតើប្រព័ន្ធពីរឬច្រើន (ឧទាហរណ៍ សេដ្ឋកិច្ចឌីជីថល និងវិស័យកសិកម្ម) មានអន្តរកម្ម គាំទ្រគ្នាទៅវិញទៅមក និងអភិវឌ្ឍស្របគ្នាក្នុងកម្រិតណា។ | ដូចជាការរាំចាប់គូ (Couple Dance) ដែលអ្នករាំទាំងពីរនាក់ត្រូវមានចង្វាក់ និងចលនាស៊ីចង្វាក់គ្នា ដើម្បីឱ្យការរាំមើលទៅស្អាតនិងរលូន។ |
| Super-efficiency EBM model (គំរូវាយតម្លៃប្រសិទ្ធភាពខ្ពស់ EBM) | ជាវិធីសាស្ត្រគណិតវិទ្យាក្នុងការវាយតម្លៃប្រសិទ្ធភាព (Data Envelopment Analysis) ដែលរួមបញ្ចូលទាំងរង្វាស់តាមសមាមាត្រ (Radial) និងមិនតាមសមាមាត្រ (Non-radial) ដើម្បីវាស់ស្ទង់ប្រសិទ្ធភាពនៃអង្គភាពផលិតកម្ម និងអាចបែងចែកចំណាត់ថ្នាក់អង្គភាពដែលមានប្រសិទ្ធភាពខ្ពស់បំផុតដាច់ពីគ្នាបានយ៉ាងសុក្រឹត។ | ដូចជាប្រព័ន្ធដាក់ពិន្ទុដ៏ឆ្លាតវៃមួយ ដែលមិនត្រឹមតែប្រាប់ថាសិស្សណាប្រឡងជាប់លេខ១ប៉ុណ្ណោះទេ តែអាចវាស់បានថាសិស្សលេខ១ម្នាក់ៗពូកែជាងគ្នាត្រង់ចំណុចលម្អិតណាខ្លះ។ |
| Entropy Weight Method (វិធីសាស្ត្រទម្ងន់អេនត្រូពី) | វិធីសាស្ត្រវាយតម្លៃតាមបែបប្រូបាប៊ីលីតេដែលប្រើសម្រាប់ផ្តល់ទម្ងន់ (ភាពសំខាន់) ទៅលើសូចនាករផ្សេងៗដោយផ្អែកលើកម្រិតនៃបំរែបំរួលទិន្នន័យជាក់ស្តែង (ភាពខុសគ្នា) ជាជាងការវាយតម្លៃដោយមតិយោបល់របស់មនុស្ស ដើម្បីជៀសវាងភាពលម្អៀង។ | ដូចជាការកំណត់ពិន្ទុវិញ្ញាសាប្រឡង ដោយផ្តល់ពិន្ទុខ្ពស់ទៅលើសំនួរណាដែលពិបាក (មានសិស្សឆ្លើយត្រូវតិច) និងពិន្ទុទាបលើសំនួរដែលងាយ (សិស្សឆ្លើយត្រូវច្រើន) ដោយស្វ័យប្រវត្តិ។ |
| Moran's I Index (សន្ទស្សន៍ Moran's I) | រង្វាស់ស្ថិតិសម្រាប់វិភាគទំនាក់ទំនងលំហ (Spatial Autocorrelation) ដើម្បីពិនិត្យថាតើតំបន់ដែលមានតម្លៃទិន្នន័យស្រដៀងគ្នា (ខ្ពស់ឬទាប) មានទីតាំងនៅក្បែរគ្នាជាចង្កោម (Agglomeration) ឬនៅរាយប៉ាយ។ | ដូចជាការសង្កេតមើលថាតើផ្ទះរបស់អ្នកដែលមានទ្រព្យសម្បត្តិស្តុកស្តម្ភ ច្រើនតែសាងសង់នៅប្រមូលផ្តុំគ្នាក្នុងសង្កាត់តែមួយ ឬនៅរាយប៉ាយពាសពេញទីក្រុង។ |
| Dagum Gini Coefficient (មេគុណ Dagum Gini) | រង្វាស់ស្ថិតិដែលត្រូវបានប្រើប្រាស់ដើម្បីវិភាគវិសមភាព (ភាពមិនស្មើគ្នា) និងបំបែកប្រភពនៃភាពខុសគ្នាទាំងនោះថាតើមកពីភាពខុសគ្នារវាងតំបន់ ភាពខុសគ្នាក្នុងតំបន់តែមួយ ឬការត្រួតស៊ីគ្នានៃទិន្នន័យ។ | ដូចជាឧបករណ៍វាស់គម្លាតអ្នកមាននិងអ្នកក្រ ដោយអាចប្រាប់បានយ៉ាងច្បាស់ថា គម្លាតនេះបណ្តាលមកពីការខុសគ្នារវាងអ្នករស់នៅទីក្រុងនិងជនបទ ឬមកពីខុសគ្នារវាងអ្នកទីក្រុងដូចគ្នា។ |
| Obstacle Degree Model (គំរូកម្រិតឧបសគ្គ) | ជាទម្រង់នៃការវិភាគទិន្នន័យដើម្បីកំណត់និងវាស់ស្ទង់ពីកម្រិតនៃឥទ្ធិពលរបស់កត្តាជាក់លាក់ណាមួយដែលរារាំង ឬបន្ទច់បង្អាក់ដល់ការអភិវឌ្ឍ ឬការសម្របសម្រួលនៃប្រព័ន្ធទាំងមូល។ | ដូចជាការវិភាគរកមូលហេតុចម្បងដែលធ្វើឱ្យរថយន្តបើកមិនសូវលឿន ថាតើមកពីម៉ាស៊ីនចាស់ សំបកកង់មិនល្អ ឬផ្លូវរដិបរដុបជាងគេ ដើម្បីយកទៅជួសជុលឱ្យចំគោលដៅ។ |
| Kernel Density Estimation (ការប៉ាន់ស្មានដង់ស៊ីតេស្នូល) | ជាវិធីសាស្ត្រស្ថិតិមិនប៉ារ៉ាម៉ែត្រ (Non-parametric) សម្រាប់គូសខ្សែខ្សែកោងប៉ាន់ស្មានការបែងចែកប្រូបាប៊ីលីតេនៃទិន្នន័យ ដើម្បីមើលពីនិន្នាការនៃការវិវត្ត និងការប្រមូលផ្តុំទិន្នន័យតាមពេលវេលា។ | ដូចជាការគូសគំនូរព្រាងពីគំនរខ្សាច់ ដើម្បីមើលថាតើខ្សាច់នោះប្រមូលផ្តុំខ្ពស់នៅកន្លែងណា និងរាយប៉ាយដល់កន្លែងណា ដោយមិនបាច់រាប់គ្រាប់ខ្សាច់នីមួយៗ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
