បញ្ហា (The Problem)៖ ការសិក្សានេះមានគោលបំណងដោះស្រាយបញ្ហាខ្វះខាតភស្តុតាងជាក់ស្តែងអំពីឥទ្ធិពលនៃការប្រើប្រាស់ថាមពល (អគ្គិសនី និងប្រេង) ទៅលើផលិតកម្មកសិកម្មនៅក្នុងប្រទេសកំពុងអភិវឌ្ឍន៍ ជាពិសេសនៅក្នុងប្រទេសប៉ាគីស្ថាន ដែលកំពុងប្រឈមនឹងវិបត្តិថាមពល។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ទិន្នន័យស៊េរីពេលវេលាពីឆ្នាំ ១៩៨០ ដល់ ២០២០ និងអនុវត្តវិធីសាស្ត្រវិភាគ ARDL ដើម្បីកំណត់ទំនាក់ទំនងរយៈពេលខ្លី និងរយៈពេលវែង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Auto Regressive Distributed Lag (ARDL) Approach វិធីសាស្ត្រ ARDL (Auto Regressive Distributed Lag) សម្រាប់វិភាគទំនាក់ទំនងស៊េរីពេលវេលា |
មានសមត្ថភាពអាចប្រើប្រាស់ជាមួយអថេរដែលមានកម្រិតសមាហរណកម្មខុសគ្នា (I(0) និង I(1)) និងអាចប៉ាន់ស្មានមេគុណទំនាក់ទំនងទាំងរយៈពេលខ្លី និងរយៈពេលវែងក្នុងពេលតែមួយ។ | ទាមទារឱ្យមានការកំណត់ប្រវែង Lag (Lag length) ឱ្យបានត្រឹមត្រូវ និងងាយរងផលប៉ះពាល់ប្រសិនបើមានការបញ្ជាក់ម៉ូដែលខុស (Model misspecification)។ | បានរកឃើញទំនាក់ទំនងសមាហរណកម្មរយៈពេលវែង (Co-integration) និងបញ្ជាក់ថាការកើនឡើង ១% នៃការប្រើប្រាស់អគ្គិសនី និងប្រេង ធ្វើឱ្យទិន្នផលកសិកម្មកើនឡើង ០.១៤% និង ០.១៨% រៀងគ្នា។ |
| Cobb Douglas Production Function អនុគមន៍ផលិតកម្ម Cobb Douglas សម្រាប់វាស់ស្ទង់ទិន្នផលកសិកម្ម |
ផ្តល់ការប៉ាន់ស្មានបានល្អប្រសើរជាងអនុគមន៍ Translog អនុញ្ញាតឱ្យមានការជំនួសគ្នារវាងកត្តាផលិតកម្ម និងមានភាពស័ក្តិសមខ្ពស់សម្រាប់វិស័យកសិកម្ម។ | សន្មត់ថាភាពយឺតនៃការជំនួស (Elasticity of substitution) មានថេរ ដែលអាចដាក់កម្រិតលើភាពបត់បែននៃទម្រង់អនុគមន៍ក្នុងស្ថានភាពជាក់ស្តែងមួយចំនួន។ | បង្កើតបានជាទម្រង់មូលដ្ឋានដ៏រឹងមាំមួយ ដែលអាចរួមបញ្ចូលកត្តាដើមទុន កម្លាំងពលកម្ម ដីធ្លី និងថាមពល ដើម្បីវាយតម្លៃផលប៉ះពាល់រួមទៅលើទិន្នផលកសិកម្ម។ |
| Augmented Dickey-Fuller (ADF) Unit Root Test ការធ្វើតេស្តស៊េរីពេលវេលា ADF (Unit Root Test) |
ជួយកំណត់អត្តសញ្ញាណភាពនឹងនរនៃទិន្នន័យ (Stationarity) ដែលជាលក្ខខណ្ឌចាំបាច់ដើម្បីចៀសវាងបញ្ហា Spurious Regression (ការតភ្ជាប់មិនពិតប្រាកដ)។ | អាចមានថាមពលខ្សោយ (Low power) ក្នុងការបដិសេធសម្មតិកម្មសូន្យ ប្រសិនបើទំហំសំណាកទិន្នន័យតូចពេក។ | បានបញ្ជាក់ថាអថេរទាំងអស់ (លើកលែងតែ LECO) មានភាពនឹងនរនៅលំដាប់ទី១ (Integrated at order 1) ដែលគាំទ្រយ៉ាងពេញលេញដល់ការប្រើប្រាស់ម៉ូដែល ARDL។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់ពីការចំណាយជាក់លាក់លើធនធានកុំព្យូទ័រទេ ប៉ុន្តែការវិភាគតាមបែបសេដ្ឋកិច្ចវិទ្យា (Econometrics) ជាទូទៅទាមទារទិន្នន័យស៊េរីពេលវេលាដ៏ទូលំទូលាយ និងកម្មវិធីស្ថិតិសម្រាប់ដំណើរការ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសប៉ាគីស្ថាន ដោយប្រើប្រាស់ទិន្នន័យថ្នាក់ជាតិពីឆ្នាំ ១៩៨០ ដល់ ២០២០។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីបរិបទប្រទេសកំពុងអភិវឌ្ឍន៍ដែលពឹងផ្អែកខ្លាំងលើកសិកម្ម និងជួបប្រទះវិបត្តិផ្គត់ផ្គង់ថាមពលញឹកញាប់។ ទោះបីជាកម្ពុជាមានស្ថានភាពកសិកម្មស្រដៀងគ្នាក៏ដោយ ក៏រចនាសម្ព័ន្ធប្រភពថាមពល (hydro/solar vs fossil fuels) និងភូមិសាស្ត្រមានភាពខុសគ្នា ដែលទាមទារឱ្យមានការប្រើប្រាស់ទិន្នន័យក្នុងស្រុកដើម្បីទទួលបានលទ្ធផលដែលឆ្លើយតបនឹងបរិបទកម្ពុជា។
វិធីសាស្ត្រ និងក្របខ័ណ្ឌទ្រឹស្តីនៃការស្រាវជ្រាវនេះ មានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ក្នុងការវាយតម្លៃពីឥទ្ធិពលនៃការប្រើប្រាស់ថាមពលទៅលើកំណើនផលិតកម្មកសិកម្ម។
ការអនុវត្តម៉ូដែលនេះនឹងជួយអ្នករៀបចំគោលនយោបាយកម្ពុជា អាចធ្វើការសម្រេចចិត្តបានត្រឹមត្រូវក្នុងការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធថាមពល ដើម្បីជំរុញសន្តិសុខស្បៀង និងការអភិវឌ្ឍកសិកម្មប្រកបដោយចីរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Auto Regressive Distributed Lag (ARDL) Approach (វិធីសាស្ត្រ ARDL) | ជាវិធីសាស្ត្រស្ថិតិសេដ្ឋកិច្ច (Econometric) សម្រាប់វិភាគទិន្នន័យស៊េរីពេលវេលា ដើម្បីស្វែងរកទំនាក់ទំនងទាំងរយៈពេលខ្លី និងរយៈពេលវែងរវាងអថេរផ្សេងៗ ទោះបីជាអថេរទាំងនោះមានកម្រិតនៃភាពនឹងនរ (Stationarity) ខុសគ្នាក៏ដោយ (I(0) និង I(1))។ | ដូចជាការមើលពីរបៀបដែលទម្លាប់ចាស់ៗ (អតីតកាល) និងកត្តាថ្មីៗ (បច្ចុប្បន្ន) រួមផ្សំគ្នាជះឥទ្ធិពលដល់លទ្ធផលនាពេលអនាគត ទាំងក្នុងរយៈពេលខ្លី និងរយៈពេលវែង។ |
| Cobb Douglas Production Function (អនុគមន៍ផលិតកម្ម Cobb Douglas) | ជាទម្រង់សមីការគណិតវិទ្យាក្នុងសេដ្ឋកិច្ចវិទ្យា ដែលបង្ហាញពីទំនាក់ទំនងរវាងបរិមាណនៃកត្តាផលិតកម្ម (ដូចជា កម្លាំងពលកម្ម ដើមទុន និងថាមពល) និងបរិមាណទិន្នផលដែលផលិតបាន។ វាជួយវាស់ស្ទង់ថា តើការបន្ថែមធាតុចូលណាមួយក្នុងកម្រិតជាក់លាក់ នឹងធ្វើឱ្យទិន្នផលកើនឡើងប៉ុន្មានភាគរយ។ | គឺជារូបមន្តធ្វើម្ហូបដែលប្រាប់យើងថា បើយើងថែមសាច់ (ដើមទុន) ឬថែមចុងភៅ (ពលកម្ម) តើយើងនឹងទទួលបានម្ហូប (ទិន្នផល) ច្រើនជាងមុនប៉ុន្មានចាន។ |
| Co-integration (សមាហរណកម្ម ឬ ទំនាក់ទំនងរយៈពេលវែង) | ជាលក្ខណៈនៃទិន្នន័យស៊េរីពេលវេលាពីរ ឬច្រើន ដែលទោះបីជាពួកវាមានការប្រែប្រួលឡើងចុះរៀងៗខ្លួនក្នុងរយៈពេលខ្លីយ៉ាងណាក្តី ប៉ុន្តែក្នុងរយៈពេលវែងពួកវាមាននិន្នាការផ្លាស់ទីទៅជាមួយគ្នា ឬរក្សាគម្លាតថេររវាងគ្នាជានិច្ច។ | ដូចជាឆ្កែ និងម្ចាស់ដែលដើរលេងជាមួយគ្នា ទោះឆ្កែរត់ចុះឡើងឆ្វេងស្តាំ (រយៈពេលខ្លី) តែទីបំផុតវានៅតែដើរតាមម្ចាស់ក្នុងទិសដៅតែមួយជាដរាប (រយៈពេលវែង)។ |
| Error Correction Model (ECM) (ម៉ូដែលកែតម្រូវកំហុស) | ជាម៉ូដែលសម្រាប់វាស់ស្ទង់ពីល្បឿននៃការកែតម្រូវ (Speed of adjustment) របស់អថេរណាមួយ ត្រឡប់មករកស្ថានភាពតុល្យភាព (Equilibrium) វិញក្នុងរយៈពេលវែង បន្ទាប់ពីមានការរំខាន ឬបម្រែបម្រួលភ្លាមៗណាមួយក្នុងរយៈពេលខ្លី។ | ដូចជាកៅស៊ូកងដែលលាតសន្ធឹងដោយសារកម្លាំងទាញ ហើយ ECM គឺជារង្វាស់ដែលប្រាប់ថាតើកៅស៊ូនោះត្រូវការពេលប៉ុន្មានដើម្បីរួញត្រឡប់មករកទំហំដើមវិញ។ |
| Augmented Dickey-Fuller (ADF) Unit Root Test (តេស្ត ADF ឬ តេស្តភាពនឹងនរនៃទិន្នន័យ) | ជាការធ្វើតេស្តស្ថិតិដើម្បីពិនិត្យមើលថាតើទិន្នន័យស៊េរីពេលវេលាមានភាពនឹងនរ (Stationary) ដែរឬទេ ពោលគឺមធ្យមភាគ និងរំលាតគំរូរបស់វាមិនប្រែប្រួលតាមពេលវេលា ដែលជាលក្ខខណ្ឌចាំបាច់ដើម្បីឱ្យលទ្ធផលវិភាគសេដ្ឋកិច្ចអាចយកជាការបាន មិនមែនជាការភ្ជាប់គ្នាមិនពិតប្រាកដ (Spurious Regression)។ | ដូចជាការធ្វើតេស្តពិនិត្យមើលគ្រឹះផ្ទះ (ទិន្នន័យ) ថាតើវាមានភាពរឹងមាំ និងមិនស្រុតចុះតាមពេលវេលាដែរឬទេ មុននឹងយើងចាប់ផ្តើមសង់ជាន់បន្តបន្ទាប់ (វិភាគរកទំនាក់ទំនង)។ |
| Heteroskedasticity (ភាពមិនថេរនៃរំលាតគំរូ) | ក្នុងផ្នែកស្ថិតិ វាសំដៅលើស្ថានភាពដែលកម្រិតនៃការប្រែប្រួល (Variance) នៃកំហុស (Error term) ក្នុងម៉ូដែល មិនមានភាពថេរទេនៅគ្រប់កម្រិតនៃអថេរឯករាជ្យ ដែលអាចធ្វើឱ្យការប៉ាន់ស្មានលទ្ធផលមិនមានភាពច្បាស់លាស់។ ការសិក្សានេះប្រើប្រាស់ Breusch-Pegan test ដើម្បីពិនិត្យបញ្ហានេះ។ | ដូចជាការបាញ់ស៊ីប ដែលពេលគោលដៅនៅជិត យើងបាញ់ត្រូវចំកណ្តាលល្អ (រំលាតតូច) តែពេលគោលដៅកាន់តែឆ្ងាយ ការបាញ់របស់យើងកាន់តែរាយប៉ាយខុសគ្នាខ្លាំង (រំលាតធំមិនថេរ)។ |
| Autocorrelation (ស្វ័យទំនាក់ទំនង) | ជាបញ្ហាក្នុងការវិភាគទិន្នន័យស៊េរីពេលវេលា ដែលតម្លៃនៃអថេរមួយនៅពេលបច្ចុប្បន្ន មានទំនាក់ទំនងដោយផ្ទាល់ជាមួយតម្លៃរបស់វានៅពេលមុន (អតីតកាល) ធ្វើឱ្យកំហុសក្នុងម៉ូដែលជះឥទ្ធិពលបន្តបន្ទាប់គ្នា និងធ្វើឱ្យការសន្និដ្ឋានខុស។ LM Test ត្រូវបានប្រើដើម្បីត្រួតពិនិត្យបញ្ហានេះ។ | ដូចជាអាកាសធាតុ ដែលប្រសិនបើថ្ងៃនេះក្តៅខ្លាំង នោះថ្ងៃស្អែកក៏មានឱកាសខ្ពស់ថានឹងក្តៅបន្តទៀតដែរ គឺវាមានឥទ្ធិពលតភ្ជាប់គ្នាពីមួយថ្ងៃទៅមួយថ្ងៃ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
