បញ្ហា (The Problem)៖ ទីភ្នាក់ងារឧតុនិយមជួបការលំបាកក្នុងការរួមបញ្ចូលការព្យាករណ៍អាកាសធាតុបែបប្រពៃណីជាមួយប្រព័ន្ធទំនើប ខណៈកសិករភាគច្រើននៅប្រទេសស៊ីមបាវ៉េពឹងផ្អែកលើចំណេះដឹងទាំងនេះដើម្បីទប់ទល់នឹងការប្រែប្រួលអាកាសធាតុ ប៉ុន្តែតម្លៃសេដ្ឋកិច្ចរបស់វានៅមិនទាន់មានការវាយតម្លៃច្បាស់លាស់នៅឡើយ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រមូលទិន្នន័យពីកសិករខ្នាតតូចចំនួន ៥០២ នាក់នៅខេត្ត Manicaland ដោយប្រើប្រាស់វិធីសាស្ត្រវិភាគថ្លៃដើមធ្វើដំណើរនិងម៉ូដែលស្ថិតិដើម្បីប៉ាន់ស្មានតម្លៃសេដ្ឋកិច្ចនៃសេវាកម្មព្យាករណ៍អាកាសធាតុ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Travel Cost Method (Semi-log Regression) វិធីសាស្ត្រវិភាគថ្លៃដើមធ្វើដំណើរដោយប្រើម៉ូដែល Semi-log (Travel Cost Method) |
អាចគណនាទិន្នន័យនៃការធ្វើដំណើរដែលមានចំនួនតិចជាងមួយដងក្នុងមួយឆ្នាំ (ឧទាហរណ៍ ០.៥ ដង/ឆ្នាំ) និងងាយស្រួលក្នុងការគណនាអតិរេកអ្នកប្រើប្រាស់ពីមេគុណនៃការចំណាយ។ | ទាមទារការប្រើប្រាស់ robust standard errors ដើម្បីដោះស្រាយបញ្ហា heteroscedasticity បើមិនដូច្នោះទេលទ្ធផលអាចមានភាពលម្អៀង។ | រកឃើញអតិរេកអ្នកប្រើប្រាស់ (Consumer Surplus) សរុបចំនួន ១,០៤៤ ដុល្លារអាមេរិក ក្នុងមួយឆ្នាំ សម្រាប់កសិករចំនួន ២៩០ នាក់។ |
| Poisson Regression Model ម៉ូដែល Poisson Regression |
ស័ក្តិសមសម្រាប់វិភាគទិន្នន័យរាប់ចំនួនគត់ (Count data) ដូចជាការរាប់ចំនួនដងនៃការធ្វើដំណើរពេញលេញក្នុងមួយឆ្នាំ។ | មិនស័ក្តិសមសម្រាប់កសិករដែលរាយការណ៍ពីការធ្វើដំណើរតិចជាងមួយដងក្នុងមួយឆ្នាំ (ឧទាហរណ៍ ម្ដងក្នុងរយៈពេល ២ ឆ្នាំ) ដែលកើតមានលើកសិករ ១៩% ក្នុងការសិក្សានេះ។ | មិនត្រូវបានប្រើប្រាស់ក្នុងការវិភាគចុងក្រោយដោយសារមានកម្រិតកំណត់ជាមួយទិន្នន័យប្រេកង់ទាប។ |
| Negative Binomial Regression Model ម៉ូដែល Negative Binomial Regression |
អាចដោះស្រាយបញ្ហាទិន្នន័យដែលមានការប្រែប្រួលខ្លាំង (Overdispersion) បានល្អប្រសើរជាងម៉ូដែល Poisson ។ | ស្រដៀងនឹងម៉ូដែល Poisson ដែរ គឺពិបាកអនុវត្តជាមួយទិន្នន័យប្រេកង់ដែលមិនមែនជាចំនួនគត់ (Non-integer frequency)។ | ត្រូវបានទាត់ចោលក្នុងការជ្រើសរើសម៉ូដែលសម្រាប់ការសិក្សានេះ ដោយសារមិនសូវសមស្របនឹងលក្ខណៈនៃទិន្នន័យ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើការប្រមូលទិន្នន័យផ្ទាល់ពីកសិករតាមរយៈការស្ទង់មតិ និងកម្មវិធីកុំព្យូទ័រសម្រាប់ការវិភាគទិន្នន័យសេដ្ឋកិច្ច។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងខេត្ត Manicaland ប្រទេសស៊ីមបាវ៉េ ដោយផ្តោតលើកសិករខ្នាតតូចដែលភាគច្រើនជាស្ត្រីមេគ្រួសារ (៦៣%) ក្រុមជនជាតិភាគតិច Shona និងអ្នកដាំដុះពោត។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីបរិបទសង្គមអាហ្វ្រិក ដែលសូចនាករអាកាសធាតុ (ដូចជាដើម Mopane ឬសត្វស្លាបជាក់លាក់) ខុសគ្នាស្រឡះពីតំបន់អាស៊ី។ សម្រាប់ប្រទេសកម្ពុជា ការសិក្សានេះមានសារៈសំខាន់ក្នុងការបង្ហាញពីតម្លៃសេដ្ឋកិច្ចនៃចំណេះដឹងប្រពៃណី ប៉ុន្តែទាមទារឲ្យមានការកំណត់អត្តសញ្ញាណសូចនាករធម្មជាតិដែលមាននៅក្នុងបរិបទភូមិសាស្ត្រ និងវប្បធម៌ខ្មែរវិញ។
វិធីសាស្ត្រ និងគោលគំនិតនៃការសិក្សានេះមានប្រយោជន៍ខ្លាំងណាស់សម្រាប់កម្ពុជា ពិសេសក្នុងការរួមបញ្ចូលចំណេះដឹងចាស់ទុំក្នុងស្រុកទៅនឹងប្រព័ន្ធប្រកាសអាសន្នអាកាសធាតុ។
ការធ្វើសមាហរណកម្មចំណេះដឹងប្រពៃណីចូលទៅក្នុងប្រព័ន្ធប្រកាសអាសន្នជាតិ និងការវាយតម្លៃជាសេដ្ឋកិច្ច អាចជួយពង្រឹងភាពធន់របស់សហគមន៍កសិកម្មនៅកម្ពុជាឱ្យកាន់តែមានប្រសិទ្ធភាព និងចីរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Travel Cost Method (វិធីសាស្ត្រវិភាគថ្លៃដើមធ្វើដំណើរ) | ជាវិធីសាស្ត្រសេដ្ឋកិច្ចដែលប្រើប្រាស់ការចំណាយលើយានយន្ត និងពេលវេលាក្នុងការធ្វើដំណើរ ធ្វើជារង្វាស់ដើម្បីប៉ាន់ស្មានតម្លៃសេដ្ឋកិច្ចនៃទីតាំង ឬសេវាកម្មណាមួយដែលមិនមានតម្លៃទីផ្សារលក់ដូរច្បាស់លាស់ (ឧទាហរណ៍ ការធ្វើដំណើរទៅសុំការព្យាករណ៍អាកាសធាតុពីចាស់ទុំក្នុងភូមិ)។ | ដូចជាការចង់ដឹងថាប្រាសាទអង្គរវត្តមានតម្លៃប៉ុន្មានសម្រាប់ភ្ញៀវទេសចរ ដោយមើលលើចំនួនទឹកប្រាក់ដែលពួកគេព្រមចំណាយលើការទិញសំបុត្រយន្តហោះ និងការជួលឡានដើម្បីធ្វើដំណើរមកដល់ទីនោះ។ |
| Consumer Surplus (អតិរេកអ្នកប្រើប្រាស់) | គឺជាភាពខុសគ្នារវាងតម្លៃអតិបរមាដែលអតិថិជនម្នាក់ស្ម័គ្រចិត្តបង់សម្រាប់ទំនិញឬសេវាកម្មមួយ និងតម្លៃជាក់ស្តែងដែលពួកគេបានបង់ពិតប្រាកដ។ ក្នុងការសិក្សានេះ វាគឺជាតម្លៃសេដ្ឋកិច្ចដែលកសិករចំណេញទទួលបាន លើសពីការចំណាយដែលពួកគេបានធ្វើដំណើរទៅយកព័ត៌មានអាកាសធាតុ។ | ដូចជាអ្នកដើរទៅផ្សារដោយតាំងចិត្តទិញអាវមួយក្នុងតម្លៃ ២០ដុល្លារ តែពេលទៅដល់ អាវនោះលក់ត្រឹមតែ ១០ដុល្លារ នោះអ្នកចំណេញ (អតិរេក) ១០ដុល្លារក្នុងចិត្ត។ |
| Co-production (ការសហការផលិត) | គឺជាដំណើរការនៃការបង្កើតសេវាកម្ម ឬដំណោះស្រាយរួមគ្នារវាងអ្នកជំនាញ (ដូចជាអ្នកឧតុនិយម) និងអ្នកប្រើប្រាស់ (ដូចជាកសិករ) ដើម្បីធានាថាលទ្ធផលដែលទទួលបានឆ្លើយតបចំតម្រូវការ ងាយយល់ និងអាចយកទៅអនុវត្តបានជាក់ស្តែង។ | ដូចជាការដែលចុងភៅសួរអតិថិជនពីរសជាតិដែលគេចូលចិត្ត រួចปรุงអាហារនោះរួមគ្នា ជាជាងការដែលចុងភៅចេះតែធ្វើតាមតែសៀវភៅរូបមន្តរបស់ខ្លួនដោយមិនខ្វល់ពីអ្នកញ៉ាំ។ |
| Opportunity Cost of Time (ថ្លៃដើមឱកាសនៃពេលវេលា) | គឺជាតម្លៃនៃជម្រើសល្អបំផុតដែលត្រូវបានបោះបង់ចោល នៅពេលដែលយើងជ្រើសរើសចំណាយពេលវេលាធ្វើអ្វីមួយផ្សេង។ ក្នុងការសិក្សានេះ គឺជាប្រាក់ចំណូលឈ្នួលពលកម្មដែលកសិករគួរតែអាចរកបាន បើសិនជាគាត់យកពេលនោះទៅធ្វើការ ជាជាងការធ្វើដំណើរទៅសួរព័ត៌មានអាកាសធាតុ។ | បើអ្នកយកពេលពីរម៉ោងទៅមើលកុន អ្នកបាត់បង់ឱកាសយកពេលនោះទៅរៀន ឬធ្វើការរកលុយ។ លុយដែលអ្នកគួរតែរកបាននោះ គឺជាថ្លៃដើមឱកាស។ |
| Semi-log Regression Model (ម៉ូដែលតំរែតំរង់ពាក់កណ្តាលលោការីត) | ជាម៉ូដែលស្ថិតិមួយប្រភេទដែលអថេរពឹងផ្អែក (Dependent variable) ត្រូវបានបំប្លែងទៅជាទម្រង់លោការីត (logarithm) ចំណែកអថេរផ្សេងទៀតរក្សាទម្រង់ដើម។ វាជួយឱ្យយើងអាចគណនាលទ្ធផលនៃការប្រែប្រួលជាភាគរយបានយ៉ាងងាយស្រួល។ | ដូចជាការប្រើប្រាស់ឧបករណ៍ពង្រីកសំឡេង ដើម្បីបំប្លែងសម្លេងខ្សឹបតិចៗឱ្យក្លាយជាសម្លេងខ្លាំងដែលងាយស្រួលស្តាប់និងវាស់វែង។ |
| Multicollinearity (ភាពកូលីនេអ៊ែរពហុគុណ) | ជាស្ថានភាពនៅក្នុងម៉ូដែលស្ថិតិ ដែលអថេរឯករាជ្យពីរ ឬច្រើន មានទំនាក់ទំនងគ្នាខ្លាំងពេក (ដូចជាអាយុ និងបទពិសោធន៍ការងារ) ដែលធ្វើឱ្យកម្មវិធីកុំព្យូទ័រពិបាកក្នុងការញែកឥទ្ធិពលដាច់ដោយឡែករបស់អថេរនីមួយៗទៅលើលទ្ធផលចុងក្រោយ។ | ដូចជាការព្យាយាមស្វែងយល់ថាតើសិស្សម្នាក់ប្រឡងជាប់ដោយសារតែការអានសៀវភៅ ឬដោយសារការនៅបណ្ណាល័យយូរ ខណៈដែលរាល់ពេលគាត់នៅបណ្ណាល័យគាត់តែងតែអានសៀវភៅ (កត្តាទាំងពីរនេះត្រួតស៊ីគ្នា)។ |
| Variance Inflation Factor (VIF) (កត្តាអតិផរណាវ៉ារ្យង់) | ជារង្វាស់ស្ថិតិដែលត្រូវបានប្រើដើម្បីពិនិត្យមើលបញ្ហា Multicollinearity នៅក្នុងម៉ូដែល។ បើតម្លៃ VIF ខ្ពស់ពេក (ជាទូទៅលើសពី ១០) មានន័យថាអថេរនោះត្រួតស៊ីគ្នាខ្លាំងជាមួយអថេរផ្សេងទៀត ហើយគួរតែដកវាចេញពីការវិភាគដើម្បីកុំឱ្យលទ្ធផលមានភាពលម្អៀង។ | ដូចជាម៉ាស៊ីនរោទិ៍ប្រាប់ថាតើមានមនុស្សប៉ុន្មាននាក់កំពុងស្រែកប្រាប់រឿងដដែលៗ។ បើមានអ្នកស្រែកប្រាប់រឿងដដែលៗច្រើនពេក (VIF ខ្ពស់) វាធ្វើឱ្យយើងថ្លង់ និងច្រឡំ។ |
| Heteroscedasticity (ភាពមិនថេរនៃវ៉ារ្យង់កំហុស) | ក្នុងស្ថិតិ នេះគឺជាបាតុភូតដែលទំហំនៃកំហុស (Error) ឬគម្លាតនៃទិន្នន័យ មិនមានភាពថេរនៅគ្រប់កម្រិតនៃទិន្នន័យ។ ប្រសិនបើមានបញ្ហានេះ ម៉ូដែលទស្សន៍ទាយនឹងមិនសូវមានសុក្រឹតភាពនៅចំណុចខ្លះ ហើយទាមទារការកែតម្រូវតាមរយៈរង្វាស់ Robust Standard Errors។ | ដូចជាការបាញ់ស៊ីប ពេលឈរនៅជិត អ្នកបាញ់ចំប៉ុនៗគ្នា (គម្លាតតិច) តែពេលដកថយទៅទីតាំងកាន់តែឆ្ងាយ គ្រាប់កាំភ្លើងខ្ទាតខុសគ្នាខ្លាំងរាយប៉ាយ (គម្លាតធំ)។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
