បញ្ហា (The Problem)៖ តើគំរូស្ថិតិមួយណាដែលស័ក្តិសម និងមានភាពសុក្រឹតបំផុតសម្រាប់ព្យាករណ៍ពីតម្លៃនៃការនាំចេញផ្កាអ័រគីដេរបស់ប្រទេសថៃ ដើម្បីជួយកសិករ និងរដ្ឋាភិបាលក្នុងការរៀបចំផែនការផលិតកម្ម និងទីផ្សារ?
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រមូលទិន្នន័យតម្លៃនាំចេញមធ្យមប្រចាំខែពីខែមករា ឆ្នាំ២០១១ ដល់ខែមករា ឆ្នាំ២០២២ ហើយបានធ្វើការប្រៀបធៀបគំរូគណិតវិទ្យាចំនួន ៨ ប្រភេទដើម្បីស្វែងរកគំរូដែលសុក្រឹតបំផុត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Combining Forecasts Method វិធីសាស្ត្រព្យាករណ៍រួមបញ្ចូលគ្នា |
ទាញយកចំណុចខ្លាំងពីគំរូផ្សេងៗបញ្ចូលគ្នា ដែលជួយកាត់បន្ថយកំហុសឆ្គងបានយ៉ាងមានប្រសិទ្ធភាព និងផ្តល់ភាពសុក្រឹតខ្ពស់បំផុត។ | ទាមទារភាពស្មុគស្មាញក្នុងការគណនាជាងវិធីសាស្ត្រទោល ព្រោះត្រូវសាងសង់គំរូមូលដ្ឋានជាច្រើនមុននឹងយកមកបូកបញ្ចូលគ្នាដោយប្រើ Least Squares។ | អត្រាកំហុស MAPE ទាបបំផុតត្រឹម 18.3238% និងកំហុស RMSE ត្រឹម 10,326,887។ |
| Simple Seasonal Exponential Smoothing វិធីសាស្ត្រធ្វើឱ្យរលោងតាមអិចស្ប៉ូណង់ស្យែលដែលមានរដូវកាលសាមញ្ញ |
ងាយស្រួលក្នុងការគណនា និងស័ក្តិសមបំផុតសម្រាប់ទិន្នន័យដែលមានលំនាំរដូវកាលច្បាស់លាស់តែមិនសូវមាននិន្នាការ (Trend) លេចធ្លោ។ | មិនសូវមានភាពបត់បែននៅពេលដែលទិន្នន័យមានការផ្លាស់ប្តូរនិន្នាការយូរអង្វែងខ្លាំង។ | ទទួលបានអត្រាកំហុស MAPE 20.3489% និងកំហុស RMSE 11,314,605 (ចំណាត់ថ្នាក់លេខ២)។ |
| Winters' Additive Exponential Smoothing វិធីសាស្ត្រធ្វើឱ្យរលោងតាមអិចស្ប៉ូណង់ស្យែលវីនធ័រប្រភេទបូក |
អាចចាប់យកបានទាំងលក្ខណៈនិន្នាការ (Trend) និងរដូវកាល (Seasonality) របស់ទិន្នន័យក្នុងទម្រង់ជាផលបូក។ | ភាពត្រឹមត្រូវនៅមានកម្រិតទាបជាងការប្រើវិធីសាស្ត្ររួមបញ្ចូលគ្នា នៅពេលយកមកសាកល្បងលើទិន្នន័យជាក់ស្តែងចុងក្រោយ។ | ទទួលបានអត្រាកំហុស MAPE 21.8625% និងកំហុស RMSE 12,139,483។ |
| Box-Jenkins (SARIMA) វិធីសាស្ត្រប៊ុក-ជេនគីនស៍ (SARIMA) |
ជាវិធីសាស្ត្រដែលមានមូលដ្ឋានគ្រឹះស្ថិតិរឹងមាំ និងអាចដោះស្រាយភាពស្មុគស្មាញនៃទិន្នន័យស៊េរីពេលវេលាបានល្អិតល្អន់។ | ត្រូវការការវាយតម្លៃប៉ារ៉ាម៉ែត្រ (p, d, q) និង (P, D, Q) ស្មុគស្មាញ ហើយមិនសូវទទួលបានលទ្ធផលល្អលើទិន្នន័យសាកល្បងនេះទេ។ | ទទួលបានអត្រាកំហុស MAPE 24.4070% និងកំហុស RMSE 13,460,454។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានទាមទារធនធានកុំព្យូទ័រ (Hardware) កម្រិតខ្ពស់នោះទេ ប៉ុន្តែទាមទារទិន្នន័យប្រវត្តិសាស្ត្រវែងឆ្ងាយ និងកម្មវិធីវិភាគស្ថិតិជំនាញ។
ការសិក្សានេះធ្វើឡើងដោយផ្អែកលើទិន្នន័យនាំចេញផ្កាអ័រគីដេរបស់ប្រទេសថៃពីឆ្នាំ ២០១១ ដល់ ២០២២ តែប៉ុណ្ណោះ ដែលរងឥទ្ធិពលផ្ទាល់ពីព្រឹត្តិការណ៍សេដ្ឋកិច្ច និងភស្តុភាររបស់ថៃ (រួមទាំងកូវីដ១៩)។ សម្រាប់ប្រទេសកម្ពុជា ការយកគំរូនេះមកប្រើប្រាស់ទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកផ្ទាល់ខ្លួន ដោយសារកត្តាអាកាសធាតុ ភូមិសាស្ត្រ និងស្ថានភាពកសិកម្មមានភាពខុសគ្នា។
វិធីសាស្ត្រព្យាករណ៍ស៊េរីពេលវេលា និងការរួមបញ្ចូលគំរូក្នុងវាយតម្លៃនេះ ពិតជាមានសក្តានុពល និងអត្ថប្រយោជន៍ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ក្នុងការរៀបចំផែនការនាំចេញកសិផលសំខាន់ៗ។
ជារួម ការរៀបចំនិងអនុវត្តវិធីសាស្ត្រព្យាករណ៍ទិន្នន័យបែបនេះ នឹងជួយពង្រឹងសមត្ថភាពប្រកួតប្រជែងរបស់កម្ពុជាលើទីផ្សារកសិកម្មអន្តរជាតិ តាមរយៈការធ្វើសេចក្តីសម្រេចចិត្តដែលផ្អែកលើទិន្នន័យជាក់លាក់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Box-Jenkins method (វិធីសាស្ត្រប៊ុក-ជេនគីនស៍) | វិធីសាស្ត្រស្ថិតិសម្រាប់វិភាគទិន្នន័យស៊េរីពេលវេលា ដោយប្រើបន្សំនៃ Autoregression (AR), Moving Average (MA) និងការធ្វើសមាហរណកម្ម (I) រួមទាំងគិតបញ្ចូលកត្តារដូវកាល (Seasonality) ដើម្បីបង្កើតជាគំរូ SARIMA សម្រាប់ទស្សន៍ទាយតម្លៃនាពេលអនាគត។ | ដូចជាការទស្សន៍ទាយអាកាសធាតុថ្ងៃស្អែក ដោយមើលប្រវត្តិនៃការប្រែប្រួលអាកាសធាតុ និងរដូវកាលក្នុងរយៈពេលប៉ុន្មានឆ្នាំកន្លងមក។ |
| exponential smoothing (ការធ្វើឱ្យរលោងតាមអិចស្ប៉ូណង់ស្យែល) | បច្ចេកទេសព្យាករណ៍ទិន្នន័យស៊េរីពេលវេលាដែលផ្តល់ទម្ងន់ (សារៈសំខាន់) ខ្ពស់ទៅលើទិន្នន័យថ្មីៗបំផុត ហើយកាត់បន្ថយទម្ងន់បន្តិចម្តងៗចំពោះទិន្នន័យចាស់ៗ ដើម្បីតម្រង់ខ្សែបន្ទាត់ទិន្នន័យឱ្យមើលឃើញនិន្នាការនិងរដូវកាលកាន់តែច្បាស់។ | ដូចជាការវាយតម្លៃសមត្ថភាពសិស្សម្នាក់ ដោយយកចិត្តទុកដាក់ខ្លាំងលើពិន្ទុប្រឡងខែចុងក្រោយ ជាជាងពិន្ទុប្រឡងកាលពីឆ្នាំមុនៗ។ |
| combining forecasts method (វិធីសាស្ត្រព្យាករណ៍រួមបញ្ចូលគ្នា) | ការយកលទ្ធផលដែលទទួលបានពីគំរូព្យាករណ៍ច្រើនផ្សេងៗគ្នា (ឧទាហរណ៍ គំរូរដូវកាលសាមញ្ញ និងគំរូវីនធ័រ) មកបូកបញ្ចូលគ្នាដោយប្រើវិធីសាស្ត្រគណិតវិទ្យា ដើម្បីបង្កើតបានជាលទ្ធផលចុងក្រោយមួយដែលមានកំហុសតិចបំផុត និងមានលំនឹងជាងការប្រើគំរូតែមួយ។ | ដូចជាការសួរមតិពីអ្នកជំនាញ២ទៅ៣នាក់ រួចយកគំនិតពួកគេមកបូកបញ្ចូលគ្នាដើម្បីធ្វើការសម្រេចចិត្តដ៏ត្រឹមត្រូវបំផុតមួយ ជាជាងជឿលើមនុស្សតែម្នាក់។ |
| mean absolute percentage error (អត្រាកំហុសភាគរយដាច់ខាតមធ្យម ឬ MAPE) | រង្វាស់ស្ថិតិដែលប្រើសម្រាប់វាស់ស្ទង់ភាពសុក្រឹតនៃគំរូព្យាករណ៍ ដោយគណនាជាភាគរយនៃភាពខុសគ្នារវាងតម្លៃដែលបានទស្សន៍ទាយ និងតម្លៃជាក់ស្តែង។ តម្លៃ MAPE កាន់តែតូច បញ្ជាក់ថាគំរូកាន់តែត្រឹមត្រូវ។ | ដូចជាការវាស់ស្ទង់ថាតើអ្នកទាយខុសប៉ុន្មានភាគរយ ពេលអ្នកទាយថាមិត្តភក្តិអ្នកមានលុយប៉ុន្មាននៅក្នុងហោប៉ៅធៀបនឹងលុយពិតប្រាកដដែលគេមាន។ |
| root mean squared error (កំហុសជាមធ្យមនៃការ៉េ ឬ RMSE) | រង្វាស់សម្រាប់វាស់ទំហំនៃកំហុសរវាងតម្លៃដែលបានព្យាករណ៍ និងតម្លៃពិតប្រាកដ ដោយធ្វើការ៉េនៃកំហុសនីមួយៗ រកមធ្យមភាគ រួចទាញឫសការ៉េ ដើម្បីផ្តន្ទាទោសយ៉ាងធ្ងន់ធ្ងរចំពោះកំហុសទស្សន៍ទាយណាដែលមានទំហំធំៗ។ | ដូចជាការពិន័យកីឡាករបាញ់ធ្នូ ដោយដកពិន្ទុទ្វេដងប្រសិនបើគេបាញ់ខុសគោលដៅកាន់តែឆ្ងាយខ្លាំង។ |
| least squares method (វិធីសាស្ត្រការ៉េអប្បបរមា) | បច្ចេកទេសគណិតវិទ្យាក្នុងការស្វែងរកខ្សែបន្ទាត់ដែលស័ក្តិសមបំផុតកាត់តាមចំណុចទិន្នន័យ (Regression Line) ដោយកាត់បន្ថយផលបូកនៃការ៉េនៃគម្លាត (កំហុស) រវាងចំណុចទិន្នន័យពិត និងខ្សែបន្ទាត់នោះ។ ក្នុងឯកសារនេះ វាត្រូវបានប្រើដើម្បីរកទម្ងន់សម្រាប់រួមបញ្ចូលគំរូ។ | ដូចជាការគូសបន្ទាត់ត្រង់មួយនៅចំកណ្តាលហ្វូងសត្វល្អិតដែលកំពុងហើរ ដើម្បីតំណាងឱ្យទិសដៅរួមរបស់ពួកវាដោយឱ្យមានគម្លាតខុសឆ្គងតិចបំផុត។ |
| seasonal index (សន្ទស្សន៍រដូវកាល) | តម្លៃដែលបង្ហាញពីទំហំនៃការប្រែប្រួលទិន្នន័យ (ដូចជាតម្លៃនៃការនាំចេញ) នៅក្នុងរដូវកាល ឬខែណាមួយ ធៀបនឹងតម្លៃកម្រិតមធ្យម ដើម្បីកំណត់ថាតើខែនោះមានកម្រិតខ្ពស់ ឬទាបជាងធម្មតាប៉ុន្មានភាគរយ ឬឯកតា។ | ដូចជាការដាក់ពិន្ទុថារដូវបុណ្យចូលឆ្នាំខ្មែរ លក់ខោអាវដាច់ជាងខែធម្មតា ១.៥ ដង (សន្ទស្សន៍ = ១.៥)។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
