Original Title: Does Limited Wealth Hinder Smallholder Farmers’ Productivity in Malawi? A Systematic Review and Bayesian Regression Analysis
Source: doi.org/10.36956/rwae.v7i1.2010
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

តើទ្រព្យសម្បត្តិមានកម្រិតរារាំងដល់ផលិតភាពរបស់កសិករខ្នាតតូចនៅប្រទេសម៉ាឡាវីដែរឬទេ? ការត្រួតពិនិត្យជាប្រព័ន្ធ និងការវិភាគតំរែតំរង់ Bayesian

ចំណងជើងដើម៖ Does Limited Wealth Hinder Smallholder Farmers’ Productivity in Malawi? A Systematic Review and Bayesian Regression Analysis

អ្នកនិពន្ធ៖ Efrem Chilima (Lilongwe University of Agriculture and Natural Resources), Innocent Pangapanga Phiri (Lilongwe University of Agriculture and Natural Resources), Kennedy Machira (Lilongwe University of Agriculture and Natural Resources), Horace Phiri (Lilongwe University of Agriculture and Natural Resources)

ឆ្នាំបោះពុម្ព៖ 2026, Research on World Agricultural Economy

វិស័យសិក្សា៖ Agricultural Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះស៊ើបអង្កេតថាតើកម្រិតនៃទ្រព្យសម្បត្តិមានឥទ្ធិពលរារាំង ឬគាំទ្រដល់ការលូតលាស់ផលិតភាពកសិកម្មរបស់កសិករខ្នាតតូចនៅក្នុងប្រទេសម៉ាឡាវី (Malawi) យ៉ាងដូចម្តេច។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រចម្រុះដោយរួមបញ្ចូលការត្រួតពិនិត្យអក្សរសិល្ប៍ជាប្រព័ន្ធ និងការវិភាគទិន្នន័យតាមរយៈម៉ូដែល Bayesian ។

ការត្រួតពិនិត្យអក្សរសិល្ប៍ជាប្រព័ន្ធ (Systematic Literature Review) លើអត្ថបទស្រាវជ្រាវពាក់ព័ន្ធចំនួន ២៤
ការវិភាគតំរែតំរង់កម្រិតមធ្យម និងការសម្របសម្រួលបេសៀន (Bayesian Moderation and Mediation Regression) លើទិន្នន័យគ្រួសារចំនួន ១៧៩៦

លទ្ធផលសំខាន់ៗ (The Verdict)៖

ការវិភាគបឋមបង្ហាញពីទំនាក់ទំនងអវិជ្ជមានរវាងទ្រព្យសម្បត្តិ និងផលិតភាព ដែលបណ្តាលមកពីកម្មវិធីឧបត្ថម្ភធនជីដែលផ្តល់អត្ថប្រយោជន៍ដល់កសិករក្រីក្របំផុត ធ្វើឱ្យពួកគេមានផលិតភាពខ្ពស់ជាងកសិករដែលមានជីវភាពធូរធារបន្តិច។
ទោះជាយ៉ាងណា ទ្រព្យសម្បត្តិមានឥទ្ធិពលវិជ្ជមានដោយប្រយោលលើផលិតភាពតាមរយៈចម្ងាយទៅកាន់ទីប្រជុំជនស្រុក (BOMA) ប៉ុន្តែមានឥទ្ធិពលអវិជ្ជមានដោយប្រយោលតាមរយៈចម្ងាយទៅកាន់ទីផ្សារកសិកម្មប្រចាំសប្តាហ៍។
ការសិក្សាផ្តល់អនុសាសន៍ឱ្យធ្វើឱ្យប្រសើរឡើងនូវការផ្តល់ហេដ្ឋារចនាសម្ព័ន្ធ និងសេវាកម្មនៅតាមទីប្រជុំជនស្រុក និងពង្រឹងដំណើរការទីផ្សារកសិកម្ម ដើម្បីដោះស្រាយវិសមភាពទីតាំងនិងបង្កើនផលិតភាព។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Bayesian Moderation and Mediation Regression ការវិភាគតំរែតំរង់កម្រិតមធ្យម និងការសម្របសម្រួលបេសៀន (Bayesian)	អាចដោះស្រាយទំនាក់ទំនងស្មុគស្មាញ និងទិន្នន័យមិនលីនេអ៊ែរបានល្អ។ វាផ្តល់នូវការប៉ាន់ស្មានប្រកបដោយភាពរឹងមាំដោយប្រើវិធីសាស្ត្រ MCMC និងគិតគូរពីភាពមិនប្រាកដប្រជានៃម៉ូដែល។	ទាមទារសមត្ថភាពកុំព្យូទ័រខ្ពស់សម្រាប់ការគណនា និងត្រូវការចំណេះដឹងស៊ីជម្រៅក្នុងការកំណត់តម្លៃ Prior ឱ្យបានត្រឹមត្រូវ។ ដំណើរការវិភាគត្រូវចំណាយពេលយូរ។	រកឃើញថាទ្រព្យសម្បត្តិមានឥទ្ធិពលវិជ្ជមានដោយប្រយោលដល់ផលិតភាពតាមរយៈទីប្រជុំជនស្រុក (BOMA) ប៉ុន្តែមានឥទ្ធិពលអវិជ្ជមានតាមរយៈទីផ្សារកសិកម្ម។
Ordinary Least Squares (OLS) & Stepwise Regression ការវិភាគតំរែតំរង់លីនេអ៊ែរធម្មតា និង Stepwise (ជាការវិភាគគោល)	មានភាពសាមញ្ញ ងាយស្រួលក្នុងការអនុវត្ត និងជួយផ្តល់ទិដ្ឋភាពទូទៅនៃទំនាក់ទំនងរវាងអថេរមុននឹងធ្វើការវិភាគស៊ីជម្រៅ។	មិនអាចពន្យល់ពីទំនាក់ទំនងប្រយោល ឬឥទ្ធិពលនៃកត្តាសម្របសម្រួល (Moderators) បាននោះទេ។ វាងាយនឹងរងឥទ្ធិពលពីបញ្ហាពហុខូលីនេអ៊ែរ (Multi-collinearity)។	បង្ហាញត្រឹមតែទំនាក់ទំនងអវិជ្ជមានដោយផ្ទាល់រវាងទ្រព្យសម្បត្តិ និងផលិតភាព (មេគុណស្មើ -០.១៣៤) ដោយមើលរំលងឥទ្ធិពលនៃទីតាំងភូមិសាស្ត្រ។
Bayesian Structural Equation Modeling (BSEM) ការធ្វើម៉ូដែលសមីការរចនាសម្ព័ន្ធបេសៀន (BSEM)	អនុញ្ញាតឱ្យប៉ាន់ស្មានសមីការច្រើនក្នុងពេលតែមួយ និងពិនិត្យមើលទំនាក់ទំនងនៃអថេរជាច្រើនព្រមគ្នាដើម្បីផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវនៃម៉ូដែលគោល។	មានភាពស្មុគស្មាញខ្លាំងក្នុងការរៀបចំម៉ូដែល និងទាមទារទិន្នន័យទំហំធំដើម្បីធានាបាននូវការវាយតម្លៃច្បាស់លាស់ (Convergence)។	បានបញ្ជាក់ពីភាពរឹងមាំ (Robustness) នៃលទ្ធផលរកឃើញពីម៉ូដែលវិភាគ Bayesian ខាងលើ អំពីឥទ្ធិពលនៃចម្ងាយទៅកាន់ទីផ្សារនិងទីប្រជុំជន។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារកម្មវិធីកុំព្យូទ័រស្ថិតិសម្រាប់វិភាគទិន្នន័យស្មុគស្មាញ និងទិន្នន័យស្ទង់មតិកម្រិតគ្រួសារលម្អិត ប៉ុន្តែមិនតម្រូវឱ្យមានផ្នែករឹង (Hardware) ធំដុំនោះទេ។

Software: កម្មវិធីស្ថិតិ Stata 18 (ជាពិសេសការប្រើប្រាស់បញ្ជា bayesmh សម្រាប់ MCMC) និងកម្មវិធី DEAP version 3.1 សម្រាប់វិភាគផលិតភាព (MDEA)។
Dataset: ទិន្នន័យស្ទង់មតិគ្រួសាររួមបញ្ចូលគ្នា (Integrated Household Survey) ដែលមានអថេរសេដ្ឋកិច្ចសង្គម ទីតាំងភូមិសាស្ត្រ និងទិន្នផលកសិកម្មលម្អិត។
Expertise: ចំណេះដឹងកម្រិតខ្ពស់ផ្នែកស្ថិតិ Bayesian ចំណេះដឹងផ្នែកសេដ្ឋកិច្ចកសិកម្ម និងជំនាញប្រើប្រាស់កម្មវិធី Stata សម្រាប់រចនាម៉ូដែល Mediation និង Moderation។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅប្រទេសម៉ាឡាវី ដោយផ្អែកលើទិន្នន័យគ្រួសារកសិករខ្នាតតូចចំនួន ១៧៩៦ គ្រួសារពីការស្ទង់មតិថ្នាក់ជាតិ ដែលរងឥទ្ធិពលខ្លាំងពីកម្មវិធីឧបត្ថម្ភធនជីរបស់រដ្ឋាភិបាល។ ទោះបីជាបរិបទគោលនយោបាយខុសគ្នាក៏ដោយ នេះជារឿងសំខាន់សម្រាប់កម្ពុជា ព្រោះកសិករខ្នាតតូចនៅកម្ពុជាក៏ប្រឈមមុខនឹងបញ្ហាស្រដៀងគ្នាទាក់ទងនឹងចម្ងាយពីទីប្រជុំជន កង្វះទីផ្សារ និងកម្រិតផលិតភាពទាបផងដែរ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រវិភាគពីឥទ្ធិពលប្រយោលនៃទីតាំងភូមិសាស្ត្រមកលើផលិតភាពកសិកម្មនេះ គឺមានសារៈប្រយោជន៍ខ្លាំងណាស់សម្រាប់ការរៀបចំយុទ្ធសាស្ត្រអភិវឌ្ឍន៍ជនបទនៅកម្ពុជា។

កសិកម្មខ្នាតតូចនៅខេត្តដាច់ស្រយាល (Remote Smallholder Farming): អាចប្រើប្រាស់ម៉ូដែលនេះដើម្បីសិក្សាពីកសិករនៅខេត្តព្រះវិហារ រតនគិរី ឬមណ្ឌលគិរី ថាតើចម្ងាយពីចម្ការទៅកាន់ទីប្រជុំជនខេត្ត និងការខ្វះខាតហេដ្ឋារចនាសម្ព័ន្ធ ប៉ះពាល់ដល់ផលិតភាពរបស់ពួកគេកម្រិតណា។
ការរៀបចំផែនការហេដ្ឋារចនាសម្ព័ន្ធជនបទ (Rural Infrastructure Planning): ក្រសួងអភិវឌ្ឍន៍ជនបទអាចប្រើប្រាស់វិធីសាស្ត្រនេះ ដើម្បីកំណត់ទីតាំងអាទិភាពក្នុងការកសាងផ្លូវលំ ឬបង្កើតផ្សារណាត់កសិកម្ម ដើម្បីជួយកសិករកាត់បន្ថយចំណាយលើការធ្វើដំណើរនិងបង្កើនប្រាក់ចំណេញ។
ការវាយតម្លៃគោលនយោបាយឧបត្ថម្ភ និងកម្ចីកសិកម្ម (Agricultural Policy Evaluation): អាចស្វែងយល់ពីរបៀបដែលការទទួលបានឥណទានខ្នាតតូច ឬកម្មវិធីគាំទ្រកសិកម្មផ្សេងៗរបស់រដ្ឋ (ដូចជាការផ្តល់ពូជ ឬជី) មានឥទ្ធិពលខុសគ្នារវាងកសិករក្រីក្រ និងកសិករមានជីវភាពមធ្យម។

សរុបមក ការអនុវត្តម៉ូដែល Bayesian នេះនឹងជួយអ្នករៀបចំគោលនយោបាយកម្ពុជាធ្វើការសម្រេចចិត្តបានកាន់តែសុក្រឹត ក្នុងការបែងចែកថវិកាវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធរូបវន្ត ដើម្បីជំរុញផលិតភាពកសិកម្មប្រកបដោយបរិយាប័ន្ន។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

សិក្សាមូលដ្ឋានគ្រឹះនៃវិធីសាស្ត្រ Bayesian និងការវាយតម្លៃផលិតភាព: និស្សិតត្រូវចាប់ផ្តើមសិក្សាពីទ្រឹស្តី Bayesian Statistics (រួមទាំង MCMC, Prior/Posterior) និងវិធីសាស្ត្រវាស់វែងផលិតភាពកសិកម្មតាមរយៈ Malmquist Data Envelopment Analysis (MDEA)។
ប្រមូល និងរៀបចំទិន្នន័យកសិកម្មកម្ពុជា: ទាញយកទិន្នន័យពីការស្ទង់មតិសេដ្ឋកិច្ចសង្គមកម្ពុជា (CSES - NIS) ដោយផ្តោតលើអថេរដូចជា ទ្រព្យសម្បត្តិគ្រួសារ ទិន្នផលកសិកម្ម កត្តាធាតុចូល និងចម្ងាយពីផ្ទះទៅកាន់ទីផ្សារ ឬទីប្រជុំជនស្រុក។
បង្កើតសន្ទស្សន៍ទ្រព្យសម្បត្តិ និងគណនាផលិតភាព: ប្រើប្រាស់កម្មវិធី Stata ទី១ ដើម្បីធ្វើ Principal Component Analysis (PCA) បង្កើតសន្ទស្សន៍ទ្រព្យសម្បត្តិ និងប្រើកម្មវិធី DEAP version 3.1 សម្រាប់គណនាពិន្ទុផលិតភាព (Productivity scores) របស់គ្រួសារនីមួយៗ។
កសាងម៉ូដែល Bayesian Mediation និង Moderation: សរសេរកូដនៅក្នុងកម្មវិធី Stata 18 (ប្រើប្រាស់បញ្ជា bayesmh) ដើម្បីវិភាគឥទ្ធិពលផ្ទាល់ និងប្រយោលនៃទ្រព្យសម្បត្តិទៅលើផលិតភាព ដោយដាក់បញ្ចូលអថេរចម្ងាយទៅទីផ្សារ និងទីប្រជុំជនជាកត្តាសម្របសម្រួល (Mediators/Moderators)។
បកស្រាយលទ្ធផល និងសរសេរអនុសាសន៍គោលនយោបាយ: វិភាគលទ្ធផលដែលទទួលបានពីម៉ូដែល (Direct, Indirect, និង Total Effects) ស្វែងយល់ពីគម្លាតនៃការទទួលបានសេវាសាធារណៈ រួចសរសេររបាយការណ៍ផ្តល់អនុសាសន៍ជូនក្រសួងពាក់ព័ន្ធអំពីការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធជនបទនៅកម្ពុជា។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Bayesian Moderation and Mediation Regression (ការវិភាគតំរែតំរង់កម្រិតមធ្យម និងការសម្របសម្រួលបេសៀន)	ជាវិធីសាស្ត្រស្ថិតិដែលរួមបញ្ចូលទ្រឹស្តី Bayesian ដើម្បីវាស់វែងថា ទីមួយតើអថេរមួយ (Mediator) ជាអ្នកនាំឲ្យមានផលប៉ះពាល់ពីកត្តាដើមទៅលទ្ធផលឬទេ និងទីពីរតើអថេរមួយទៀត (Moderator) ធ្វើឲ្យទំហំនៃផលប៉ះពាល់នោះប្រែប្រួលកម្រិតណា ដោយប្រើប្រាស់ប្រូបាប៊ីលីតេ។	ដូចជាការព្យាយាមយល់ថា តើកម្តៅថ្ងៃ (កត្តាដើម) ធ្វើឲ្យយើងបែកញើសតាមរយៈការស្លៀកពាក់ក្រាស់ (Mediator) ដែរឬទេ ហើយតើបរិមាណញើសនោះប្រែប្រួលទៅតាមកម្រិតខ្យល់បក់ (Moderator) យ៉ាងដូចម្តេច។
Malmquist Data Envelopment Analysis (ការវិភាគទិន្នន័យស្រោមព័ទ្ធម៉ាល់គ្វីស)	ជាវិធីសាស្ត្រគណិតវិទ្យាសម្រាប់វាស់វែងការផ្លាស់ប្តូរនៃផលិតភាព (Productivity) ពីមួយឆ្នាំទៅមួយឆ្នាំ ដោយប្រៀបធៀបទិន្នផលដែលទទួលបានធៀបនឹងកត្តាធាតុចូល (ដូចជា ដី ពលកម្ម ជី) ដោយមិនចាំបាច់ដឹងពីតម្លៃទីផ្សាររបស់វានោះទេ។	ដូចជាការប្រៀបធៀបសិស្សពីរនាក់ថានរណារៀនពូកែជាង ដោយមើលលើពិន្ទុប្រឡងធៀបនឹងម៉ោងដែលពួកគេបានចំណាយអានសៀវភៅ។
Markov Chain Monte Carlo (វិធីសាស្ត្រម៉ាកូវចែនម៉ុងតេការឡូ)	ជាក្បួនដោះស្រាយក្នុងកុំព្យូទ័រ (Algorithm) ដែលបង្កើតសំណាកទិន្នន័យចៃដន្យជាច្រើនដងជាបន្តបន្ទាប់ ដើម្បីប៉ាន់ស្មានលទ្ធផលនៃប្រូបាប៊ីលីតេស្មុគស្មាញនៅក្នុងម៉ូដែល Bayesian ដែលមិនអាចគណនាដោយរូបមន្តគណិតវិទ្យាធម្មតាបានងាយស្រួល។	ដូចជាការបោះកាក់រាប់លានដងដោយប្រើកុំព្យូទ័រ ដើម្បីទស្សន៍ទាយឲ្យច្បាស់ថាភាគរយនៃការចេញខាងក្បាល និងកន្ទុយមានលក្ខណៈបែបណាក្នុងស្ថានភាពជាក់ស្តែង។
Asset-Based Poverty Trap (អន្ទាក់នៃភាពក្រីក្រផ្អែកលើទ្រព្យសម្បត្តិ)	ជាទ្រឹស្តីសេដ្ឋកិច្ចដែលពន្យល់ថា គ្រួសារដែលមានទ្រព្យសម្បត្តិ ឬដើមទុនតិចតួច (ដូចជា ដីធ្លី សត្វពាហនៈ ការអប់រំ) នឹងជាប់គាំងក្នុងវដ្តនៃភាពក្រីក្រ ព្រោះពួកគេមិនមានលទ្ធភាពវិនិយោគដើម្បីបង្កើនផលិតភាពរបស់ខ្លួន។	ដូចជាអ្នករត់ម៉ូតូឌុបដែលគ្មានលុយទិញម៉ូតូខ្លួនឯង ត្រូវជួលម៉ូតូគេជិះរាល់ថ្ងៃ ធ្វើឲ្យគាត់មិនអាចសន្សំប្រាក់បាន និងនៅតែក្រដដែល។
Principal Component Analysis (ការវិភាគសមាសភាគចម្បង)	ជាបច្ចេកទេសស្ថិតិសម្រាប់បង្រួមទិន្នន័យដែលមានអថេរច្រើន ឲ្យមកនៅសល់តែអថេរសំខាន់ៗមួយចំនួនតូច (សមាសភាគចម្បង) ដោយរក្សាព័ត៌មានដើមឱ្យបានច្រើនបំផុត។ ក្នុងទីនេះ គេប្រើវាដើម្បីគណនាសន្ទស្សន៍ទ្រព្យសម្បត្តិពីការមានទូរទស្សន៍ កង់ ផ្ទះ ជាដើម។	ដូចជាការសង្ខេបសៀវភៅមួយក្បាលធំឲ្យមកនៅត្រឹមមួយទំព័រ ប៉ុន្តែនៅតែរក្សាអត្ថន័យសំខាន់ៗនៃសាច់រឿងទាំងមូល។
Structural Equation Modeling (ការធ្វើម៉ូដែលសមីការរចនាសម្ព័ន្ធ)	ជាវិធីសាស្ត្រវិភាគស្ថិតិដ៏ទូលំទូលាយដែលអនុញ្ញាតឲ្យអ្នកស្រាវជ្រាវធ្វើតេស្ត និងប៉ាន់ស្មានទំនាក់ទំនងនៃសមីការជាច្រើនក្នុងពេលតែមួយ ជាពិសេសរវាងអថេរដែលអាចមើលឃើញ និងអថេរកំបាំង (Latent variables) ដែលមិនអាចវាស់វែងដោយផ្ទាល់បាន។	ដូចជាការគូរផែនទីបណ្ដាញផ្លូវទឹកទាំងអស់ក្នុងផ្ទះមួយ ដើម្បីរកមើលថាបើបិទវ៉ានទឹកមួយ តើវានឹងប៉ះពាល់ដល់ក្បាលរ៉ូប៊ីណេណាខ្លះក្នុងពេលតែមួយ។
Total Factor Productivity (ផលិតភាពកត្តាសរុប)	ជារង្វាស់នៃប្រសិទ្ធភាពទូទៅក្នុងការផលិត ដែលគណនាពីទំហំទិន្នផលសរុបដែលកើនឡើង ដោយមិនមែនបណ្តាលមកពីការកើនឡើងនៃកត្តាធាតុចូល (ដូចជាពលកម្ម ឬដើមទុន) នោះទេ តែច្រើនកើតចេញពីការរីកចម្រើននៃបច្ចេកវិទ្យា ឬការរៀបចំប្រសើរជាងមុន។	ដូចជាចុងភៅពីរនាក់មានគ្រឿងផ្សំនិងពេលដូចគ្នា ប៉ុន្តែម្នាក់អាចធ្វើម្ហូបបានឆ្ងាញ់និងច្រើនជាង ដោយសារគាត់មានជំនាញ និងបច្ចេកទេសធ្វើម្ហូបល្អជាង។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖