Original Title: Assessing the Role of Kisan Rail on Agri-Supply Chain in India: Insights from Mixed-Method Research
Source: doi.org/10.36956/rwae.v6i2.1726
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវាយតម្លៃតួនាទីរបស់ Kisan Rail លើខ្សែច្រវាក់ផ្គត់ផ្គង់កសិកម្មនៅប្រទេសឥណ្ឌា៖ ការយល់ដឹងពីការស្រាវជ្រាវវិធីសាស្ត្រចម្រុះ

ចំណងជើងដើម៖ Assessing the Role of Kisan Rail on Agri-Supply Chain in India: Insights from Mixed-Method Research

អ្នកនិពន្ធ៖ Abhishikt Chauhan (Gujarat National Law University), William Nunes (Gujarat National Law University)

ឆ្នាំបោះពុម្ព៖ 2025 Research on World Agricultural Economy

វិស័យសិក្សា៖ Agricultural Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះវាយតម្លៃពីប្រសិទ្ធភាពនៃគម្រោងដឹកជញ្ជូនតាមផ្លូវដែក Kisan Rail (KR) របស់រដ្ឋាភិបាលឥណ្ឌាក្នុងការកែលម្អខ្សែច្រវាក់ផ្គត់ផ្គង់កសិកម្ម និងកាត់បន្ថយបញ្ហាភស្តុភារសម្រាប់កសិករក្នុងរដ្ឋ Madhya Pradesh។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ការរចនាស្រាវជ្រាវវិធីសាស្ត្រចម្រុះស្របគ្នា (Convergent parallel mixed-method) ដោយរួមបញ្ចូលការវិភាគទិន្នន័យគុណវិស័យ និងបរិមាណវិស័យពីកសិករចំនួន ៣៨៨ នាក់។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Pearson Correlation Analysis
ការវិភាគទំនាក់ទំនងភៀសុន (Pearson Correlation Analysis)
ងាយស្រួលនិងល្អសម្រាប់ការស្វែងរកលំនាំបឋម និងទំនាក់ទំនងរវាងអថេរសេដ្ឋកិច្ចសង្គមជាមួយលទ្ធផលគោលនយោបាយ។ មិនអាចកំណត់ពីភាពជាហេតុនិងផល ឬគ្រប់គ្រងអថេររំខានផ្សេងៗ (Confounding variables) បានឡើយ។ បានបង្ហាញពីទំនាក់ទំនងខ្សោយរវាងកត្តាប្រជាសាស្ត្រ (អាយុ ភេទ) ជាមួយនឹងប្រសិទ្ធភាពនៃគម្រោង Kisan Rail។
Fractional Multinomial Logistic Regression (FMLOGIT)
ការវិភាគតំរែតំរង់ឡូជីស្ទីកប្រភាគ (FMLOGIT)
អាចផ្តល់អត្រាប្រូបាប៊ីលីតេចន្លោះពី ០ ទៅ ១ ដែលស័ក្តិសមបំផុតសម្រាប់ទិន្នន័យសមាមាត្រ និងផ្តល់ការយល់ដឹងស៊ីជម្រៅជាងម៉ូដែលលីនេអ៊ែរធម្មតា។ ងាយរងគ្រោះដោយសារបញ្ហាអថេរជាន់គ្នា (Multicollinearity) និងមិនបានគិតដល់រចនាសម្ព័ន្ធទិន្នន័យឋានានុក្រម (Hierarchical data)។ បានបញ្ជាក់យ៉ាងច្បាស់ថា ទំហំដី ឬប្រភេទកសិករ គឺជាកត្តាកំណត់ដ៏សំខាន់បំផុតសម្រាប់លទ្ធភាពចូលទីផ្សារ និងការទទួលបានតម្លៃសមរម្យ។
Qualitative Analysis (Word Cloud & Triangulation)
ការវិភាគគុណវិស័យ (Word Cloud និង ការផ្ទៀងផ្ទាត់ត្រីកោណមាត្រ)
អាចចាប់យកបរិបទលម្អិត បទពិសោធន៍ជាក់ស្តែងរបស់កសិករ និងបញ្ហាលាក់កំបាំងផ្សេងៗដែលតួលេខមិនអាចប្រាប់បាន។ អាចមានភាពលម្អៀងពីអ្នកស្រាវជ្រាវ និងមានការលំបាកក្នុងការធ្វើទូទៅកម្ម (Generalization) ទៅលើតំបន់ឬចំនួនប្រជាជនធំៗ។ បានលាតត្រដាងពីបញ្ហាកង្វះការតភ្ជាប់ដំបូង (First-mile connectivity) និងបញ្ហាចំណាយលាក់កំបាំងមួយចំនួន។

ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារការចុះប្រមូលទិន្នន័យជាក់ស្តែងពីកសិករ និងប្រើប្រាស់កម្មវិធីជំនាញសម្រាប់វិភាគទិន្នន័យទាំងគុណវិស័យ និងបរិមាណវិស័យ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងតែនៅក្នុងរដ្ឋ Madhya Pradesh ប្រទេសឥណ្ឌា ដោយប្រមូលផ្តុំនៅស្ថានីយរថភ្លើងចំនួន ៣ ប៉ុណ្ណោះ ដែលធ្វើឱ្យមានការលំបាកក្នុងការតំណាងឱ្យស្ថានភាពទូទាំងប្រទេស។ សម្រាប់ប្រទេសកម្ពុជា នេះជារឿងគួរកត់សម្គាល់ ព្រោះកម្ពុជាមានបរិបទហេដ្ឋារចនាសម្ព័ន្ធផ្លូវដែក ខ្សែច្រវាក់ត្រជាក់ (Cold chain) ភូមិសាស្ត្រ និងទំហំផលិតកម្មខុសពីឥណ្ឌា ដែលទាមទារការកែសម្រួលមុននឹងយកគំរូនេះមកអនុវត្ត។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះជាយ៉ាងណា របៀបរៀបចំគោលនយោបាយ និងវិធីសាស្ត្រវាយតម្លៃក្នុងឯកសារនេះ មានប្រយោជន៍ខ្លាំងសម្រាប់ការរៀបចំប្រព័ន្ធភស្តុភារកសិកម្មនៅកម្ពុជា។

ការយល់ដឹងពីបញ្ហាប្រឈមនៃខ្សែច្រវាក់ផ្គត់ផ្គង់តាមផ្លូវដែកនៅប្រទេសឥណ្ឌា អាចជួយឱ្យអ្នករៀបចំគោលនយោបាយនៅកម្ពុជាជៀសវាងកំហុសឆ្គង និងរៀបចំប្រព័ន្ធភស្តុភារកសិកម្មឱ្យកាន់តែមានប្រសិទ្ធភាព និងបរិយាបន្ន។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាអំពីវិធីសាស្ត្រស្រាវជ្រាវចម្រុះ (Mixed-Methods Research): ចាប់ផ្តើមរៀនពីរបៀបរចនាការស្រាវជ្រាវបែប Convergent Parallel Design តាមរយៈសៀវភៅ ឬវគ្គសិក្សាតាមអ៊ីនធឺណិត ដើម្បីយល់ពីរបៀបប្រមូល និងរួមបញ្ចូលទិន្នន័យគុណវិស័យ និងបរិមាណវិស័យក្នុងពេលតែមួយដោយមិនឱ្យជាន់គ្នា។
  2. ហ្វឹកហាត់ការវិភាគទិន្នន័យដោយកម្មវិធី: រៀនប្រើប្រាស់កម្មវិធី SPSSStata សម្រាប់ធ្វើការវិភាគម៉ូដែល Fractional Multinomial Logistic Regression និង Pearson Correlation។ ព្រមជាមួយគ្នានោះ ត្រូវរៀនសរសេរកូដ Python ខ្លីៗសម្រាប់បង្កើត Word Cloud ពីអត្ថបទសម្ភាសន៍។
  3. រចនាកម្រងសំណួរ និងការពិភាក្សាក្រុម (FGDs): សាកល្បងបង្កើតកម្រងសំណួរដែលវាយតម្លៃលើអថេរសំខាន់ៗ (លទ្ធភាពទទួលបានសេវា តម្លៃ ការយល់ដឹង និងប្រាក់ចំណេញ) ព្រមទាំងរៀបចំសំណួរសម្រាប់ Focus Group Discussion ដោយមានការធ្វើតេស្តសាកល្បងមុននឹងយកទៅប្រើ។
  4. អនុវត្តគម្រោងស្រាវជ្រាវខ្នាតតូចក្នុងស្រុក (Pilot Project): ជ្រើសរើសសហគមន៍កសិកម្មមួយ (ឧទាហរណ៍៖ សហគមន៍បន្លែសុវត្ថិភាពនៅខេត្តកណ្តាល ឬសហគមន៍ស្រូវនៅបាត់ដំបង) ដើម្បីវាយតម្លៃពីបញ្ហាដឹកជញ្ជូន ថ្លៃដើមភស្តុភារ និងការចំណាយលាក់កំបាំងរបស់ពួកគេ ដោយអនុវត្តការស្ទង់មតិ និងសម្ភាសន៍ជាក់ស្តែង។
  5. ធ្វើសមាហរណកម្មទិន្នន័យ (Data Triangulation): ហ្វឹកហាត់ការប្រៀបធៀបលទ្ធផលដែលបានពីការស្ទង់មតិ (តួលេខ) ជាមួយនឹងមតិយោបល់ផ្ទាល់របស់កសិករ (អត្ថបទ) ដើម្បីស្វែងរកចំណុចស្របគ្នា និងចំណុចខ្វែងគំនិត រួចសរសេរជារបាយការណ៍ផ្តល់អនុសាសន៍គោលនយោបាយដែលមានមូលដ្ឋានច្បាស់លាស់ (Evidence-based policymaking)។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Convergent parallel mixed-method design (ការរចនាស្រាវជ្រាវវិធីសាស្ត្រចម្រុះស្របគ្នា) ជាវិធីសាស្ត្រស្រាវជ្រាវមួយដែលអ្នកស្រាវជ្រាវប្រមូល និងវិភាគទិន្នន័យជាលេខ (បរិមាណវិស័យ) និងទិន្នន័យជាអត្ថបទឬបទពិសោធន៍ (គុណវិស័យ) ក្នុងពេលតែមួយដោយឡែកពីគ្នា រួចទើបយកលទ្ធផលទាំងពីរមកប្រៀបធៀបគ្នាដើម្បីរកសេចក្តីសន្និដ្ឋានរួមមួយដែលសុក្រឹតនិងជឿទុកចិត្តបានខ្ពស់ជាងមុន។ ដូចជាការសួរគ្រូពេទ្យពីរនាក់ផ្សេងគ្នា (ម្នាក់ពិនិត្យឈាម ម្នាក់ទៀតសួរអាការៈជំងឺ) ក្នុងពេលតែមួយ រួចយកលទ្ធផលមកផ្ទៀងផ្ទាត់គ្នារកមើលជំងឺពិតប្រាកដ។
Fractional Multinomial Logistic Regression / FMLOGIT (ការវិភាគតំរែតំរង់ឡូជីស្ទីកប្រភាគ) ជាម៉ូដែលស្ថិតិមួយប្រភេទដែលប្រើសម្រាប់ទស្សន៍ទាយឬវិភាគលើអថេរដែលជាទម្រង់សមាមាត្រ ឬភាគរយ (មានតម្លៃចន្លោះពី ០ ទៅ ១) ដើម្បីស្វែងយល់ពីកត្តាផ្សេងៗដែលជះឥទ្ធិពលលើលទ្ធផលនោះ ឧទាហរណ៍ដូចជាការវិភាគភាគរយនៃប្រាក់ចំណូលដែលកសិករទទួលបាន។ ដូចជាការប្រើរូបមន្តគណិតវិទ្យាដើម្បីទស្សន៍ទាយថាតើសិស្សម្នាក់អាចប្រឡងជាប់ក្នុងកម្រិតភាគរយប៉ុន្មាន ដោយផ្អែកលើទិន្នន័យនៃម៉ោងសិក្សា និងវត្តមានរបស់ពួកគេ។
Triangulation (ការផ្ទៀងផ្ទាត់ត្រីកោណមាត្រ) នៅក្នុងការស្រាវជ្រាវ វាជាបច្ចេកទេសផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវនៃទិន្នន័យ ដោយប្រើប្រាស់ប្រភព វិធីសាស្ត្រ ឬទ្រឹស្តីច្រើនជាងមួយ (យ៉ាងតិចបី) បញ្ចូលគ្នា ដើម្បីបញ្ជាក់ថាលទ្ធផលដែលរកឃើញគឺពិតជាត្រឹមត្រូវនិងមិនលម្អៀង។ ដូចជាពេលដែលអ្នកចង់ដឹងថាព័ត៌មានមួយពិតឬអត់ អ្នកត្រូវសួរមិត្តភក្តិផង មើលទូរទស្សន៍ផង និងអានកាសែតផង ដើម្បីផ្ទៀងផ្ទាត់ការពិត។
First-mile connectivity (ការតភ្ជាប់ផ្លូវដំបូង) នៅក្នុងខ្សែច្រវាក់ផ្គត់ផ្គង់ វាសំដៅលើដំណាក់កាលទីមួយនៃការដឹកជញ្ជូនទំនិញ គឺការដឹកកសិផលពីកសិដ្ឋានផ្ទាល់ ឬឃ្លាំងស្តុករបស់អ្នកផលិតតូចៗ ទៅកាន់ស្ថានីយ៍ប្រមូលផ្តុំធំៗ (ដូចជាស្ថានីយរថភ្លើង ឬកំពង់ផែ) មុននឹងបន្តដំណើរទៅកាន់ទីផ្សារ។ ដូចជាការជិះម៉ូតូឌុបពីផ្ទះរបស់អ្នកទៅកាន់ចំណតឡានក្រុង មុនពេលដែលអ្នកអាចជិះឡានក្រុងទៅខេត្តផ្សេងបាន។
Cold chain logistics (ភស្តុភារខ្សែច្រវាក់ត្រជាក់) ជាប្រព័ន្ធនៃការដឹកជញ្ជូន និងការស្តុកទុកទំនិញដែលទាមទារការរក្សាសីតុណ្ហភាពត្រជាក់ជាប់ជានិច្ច (ដូចជាបន្លែ ផ្លែឈើ សាច់ ឬថ្នាំពេទ្យ) តាំងពីកន្លែងផលិតរហូតដល់ដៃអ្នកប្រើប្រាស់ចុងក្រោយ ដើម្បីការពារកុំឱ្យខូចគុណភាព។ ដូចជាការដាក់ការ៉េមក្នុងធុងទឹកកកយកពីហាងត្រលប់មកផ្ទះ ដើម្បីកុំឱ្យវារលាយតាមផ្លូវខូចអស់។
Disintermediation (ការលុបបំបាត់តួអង្គកណ្តាល) ដំណើរការនៃការកាត់បន្ថយ ឬលុបបំបាត់ឈ្មួញកណ្តាលចេញពីខ្សែច្រវាក់ផ្គត់ផ្គង់ ដែលអនុញ្ញាតឱ្យអ្នកផលិត (កសិករ) អាចលក់ផលិតផលរបស់ខ្លួនដោយផ្ទាល់ទៅកាន់អ្នកទិញ ឬទីផ្សារចុងក្រោយ ដើម្បីទទួលបានប្រាក់ចំណេញខ្ពស់ជាងមុន។ ដូចជាការដែលអ្នកដាំស្វាយយកស្វាយទៅលក់ឱ្យអ្នកហូបផ្ទាល់នៅទីផ្សារ ដោយមិនបាច់លក់បន្តឱ្យម៉ូយដុំដែលកាត់យកចំណេញមួយជួរទៀត។
Pearson Correlation (ទំនាក់ទំនងភៀសុន) ជារង្វាស់ស្ថិតិដែលបង្ហាញពីកម្រិតនិងទិសដៅនៃទំនាក់ទំនងជាបន្ទាត់ត្រង់រវាងអថេរពីរ ថាតើវាមានទំនាក់ទំនងគ្នាខ្លាំងកម្រិតណា ប៉ុន្តែវាមិនអាចបញ្ជាក់ថាអថេរមួយជាមូលហេតុពិតប្រាកដដែលធ្វើឱ្យអថេរមួយទៀតប្រែប្រួលនោះទេ។ ដូចជាការសង្កេតឃើញថាអ្នកដែលមានកម្ពស់ខ្ពស់ច្រើនតែពាក់ស្បែកជើងលេខធំ ប៉ុន្តែមិនមែនមានន័យថាការពាក់ស្បែកជើងលេខធំធ្វើឱ្យមនុស្សខ្ពស់នោះទេ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖