បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការប្រែប្រួលតម្លៃខ្ទឹមសដែលជះឥទ្ធិពលដល់កសិករ និងអ្នកប្រើប្រាស់ ដោយស្វែងរកម៉ូដែលព្យាករណ៍តម្លៃដែលគួរឱ្យទុកចិត្ត និងត្រឹមត្រូវបំផុត ដើម្បីជួយដល់ការសម្រេចចិត្តក្នុងវិស័យកសិកម្ម។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ទិន្នន័យតម្លៃបោះដុំខ្ទឹមសប្រចាំខែពីខែកក្កដា ឆ្នាំ២០២១ ដល់ខែកក្កដា ឆ្នាំ២០២៣ ពីទីផ្សារក្នុងស្រុក Kota ដោយអនុវត្តម៉ូដែលព្យាករណ៍ចំនួនបីដើម្បីស្វែងរកម៉ូដែលដែលល្អបំផុត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| ARIMA (1,0,0) with non-zero mean ម៉ូដែលមធ្យមភាគផ្លាស់ទីរួមបញ្ចូលគ្នានៃការតំរែតំរង់ស្វ័យប្រវត្តិ (ARIMA) |
មានភាពត្រឹមត្រូវខ្ពស់បំផុតក្នុងការចាប់យកការប្រែប្រួលនៃទិន្នន័យ ដែលមានមេគុណសហសម្ព័ន្ធខ្ពស់ (r=0.91) និងផ្តល់លទ្ធផលអាចទុកចិត្តបានសម្រាប់ការព្យាករណ៍អនាគត។ | ទាមទារការសាកល្បងនិងចំណេះដឹងស្ថិតិច្រើន ដើម្បីស្វែងរកប៉ារ៉ាម៉ែត្រល្អបំផុត (p, d, q) ព្រមទាំងទាមទារទិន្នន័យប្រវត្តិសាស្ត្រច្រើនដើម្បីធានាភាពជឿជាក់។ | មានតម្លៃកំហុស MAPE ទាបបំផុតត្រឹម ២០.១៥% និង RMSE ១០០៧.៧២។ |
| 3-month Simple Moving Average (SMA) មធ្យមភាគផ្លាស់ទីសាមញ្ញ (SMA) រយៈពេល ៣ខែ |
ងាយស្រួលគណនា និងអាចអនុវត្តបានយ៉ាងលឿនដោយប្រើត្រឹមតែកម្មវិធីកុំព្យូទ័រធម្មតា (Excel)។ វាដំណើរការបានល្អជាង SMA រយៈពេល ៦ខែ និង ១២ខែ ក្នុងការសិក្សានេះ។ | មិនអាចចាប់យកទំនោររយៈពេលវែង (Long-term trends) ឬការប្រែប្រួលតាមរដូវកាលដ៏ស្មុគស្មាញនៃទីផ្សារបានល្អដូចម៉ូដែលកម្រិតខ្ពស់នោះទេ។ | កំហុស MAPE ស្មើនឹង ២៣.៨៦% និង RMSE ១១៩៧.៩៩។ |
| Simple Exponential Smoothing (SES) ការធ្វើឱ្យរលោងអិចស្ប៉ូណង់ស្យែលសាមញ្ញ (SES) |
ផ្តល់ទម្ងន់កាន់តែច្រើនទៅលើទិន្នន័យថ្មីៗ ដែលជួយឱ្យម៉ូដែលឆ្លើយតបលឿនទៅនឹងការផ្លាស់ប្តូរតម្លៃភ្លាមៗក្នុងទីផ្សារ។ | មិនសូវមានប្រសិទ្ធភាពសម្រាប់ទិន្នន័យដែលមាននិន្នាការច្បាស់លាស់ (Trend) ឬរដូវកាលខ្លាំង (Seasonality) នោះទេ ដោយវាស័ក្តិសមសម្រាប់តែការព្យាករណ៍រយៈពេលខ្លីប៉ុណ្ណោះ។ | កំហុស MAPE ស្មើនឹង ២៩.៨៨% និង RMSE ១៥២៣.០៤។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់កម្មវិធីទូទៅដែលមិនត្រូវការការចំណាយធនធានច្រើន ឬកុំព្យូទ័រដែលមានកម្លាំងខ្លាំងក្លានោះទេ។
ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើទិន្នន័យតម្លៃបោះដុំពីផ្សារក្នុងស្រុក Kota រដ្ឋ Rajasthan ប្រទេសឥណ្ឌា ដែលមានរចនាសម្ព័ន្ធទីផ្សារ និងអាកាសធាតុខុសពីប្រទេសកម្ពុជា។ ការមិនបានបញ្ចូលកត្តាផ្សេងៗដូចជា បរិមាណទឹកភ្លៀង រដូវកាល ឬតម្លៃជី អាចធ្វើឱ្យម៉ូដែលនេះមានដែនកំណត់ ប្រសិនបើយកមកអនុវត្តផ្ទាល់នៅទីផ្សារក្នុងស្រុកដោយមិនមានការកែតម្រូវទិន្នន័យបន្ថែម។ ទោះយ៉ាងណា វាជាមូលដ្ឋានដ៏ល្អសម្រាប់ចាប់ផ្តើមការសិក្សានៅតំបន់ថ្មី។
ទោះបីជាប្រភពទិន្នន័យមកពីប្រទេសឥណ្ឌាក៏ដោយ វិធីសាស្ត្រព្យាករណ៍តម្លៃនេះមានអត្ថប្រយោជន៍ និងអាចយកមកកែច្នៃប្រើប្រាស់សម្រាប់វិស័យកសិកម្មនៅកម្ពុជាបានយ៉ាងល្អ។
ការអនុវត្តម៉ូដែលព្យាករណ៍នេះនឹងជួយពង្រឹងភាពវៃឆ្លាតទីផ្សារ (Market Intelligence) និងកាត់បន្ថយហានិភ័យហិរញ្ញវត្ថុសម្រាប់ភាគីពាក់ព័ន្ធទាំងអស់ក្នុងខ្សែច្រវាក់តម្លៃកសិកម្មនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Autoregressive Integrated Moving Average / ARIMA (ម៉ូដែលមធ្យមភាគផ្លាស់ទីរួមបញ្ចូលគ្នានៃការតំរែតំរង់ស្វ័យប្រវត្តិ) | ជាម៉ូដែលស្ថិតិប្រើសម្រាប់វិភាគ និងព្យាករណ៍ទិន្នន័យស៊េរីពេលវេលា ដោយពឹងផ្អែកលើទិន្នន័យអតីតកាលដើម្បីទស្សន៍ទាយតម្លៃនាពេលអនាគត។ វាផ្សំឡើងពីការតំរែតំរង់ស្វ័យប្រវត្តិ (AR) ការធ្វើឱ្យទិន្នន័យមានភាពនឹងនរ (I) និងមធ្យមភាគផ្លាស់ទី (MA)។ | ដូចជាការទស្សន៍ទាយអាកាសធាតុថ្ងៃស្អែក ដោយមើលទៅលើទម្លាប់នៃអាកាសធាតុប៉ុន្មានថ្ងៃមុន និងកត្តាប្រែប្រួលអាកាសធាតុដែលទើបតែនឹងកើតឡើងថ្មីៗ។ |
| Simple Moving Average / SMA (មធ្យមភាគផ្លាស់ទីសាមញ្ញ) | គឺជាវិធីសាស្ត្រគណនាតម្លៃមធ្យមនៃទិន្នន័យក្នុងចន្លោះពេលជាក់លាក់ណាមួយ (ឧទាហរណ៍ ៣ខែ ឬ ៦ខែ) ដើម្បីកាត់បន្ថយការប្រែប្រួលឡើងចុះខ្លាំងពេករបស់ទិន្នន័យ និងធ្វើឱ្យអ្នកវិភាគមើលឃើញពីនិន្នាការទូទៅបានកាន់តែច្បាស់។ | ដូចជាការយកពិន្ទុប្រឡង ៣ខែចុងក្រោយរបស់អ្នកមកបូកបញ្ចូលគ្នាហើយចែកជា ៣ ដើម្បីមើលថាជាមធ្យមអ្នករៀនបានកម្រិតណា ដោយមិនខ្វល់ពីពិន្ទុធ្លាក់ចុះខ្លាំងខុសធម្មតានៅខែណាមួយ។ |
| Simple Exponential Smoothing / SES (ការធ្វើឱ្យរលោងអិចស្ប៉ូណង់ស្យែលសាមញ្ញ) | ជាបច្ចេកទេសព្យាករណ៍ទិន្នន័យដែលផ្តល់ទម្ងន់ ឬសារៈសំខាន់ខ្លាំងទៅលើទិន្នន័យដែលទើបតែកើតមានថ្មីៗជាងទិន្នន័យចាស់ៗ ដើម្បីទស្សន៍ទាយតម្លៃបន្ទាប់។ កម្រិតរលោង (Alpha) កំណត់ពីកម្រិតនៃការឆ្លើយតបទៅនឹងការផ្លាស់ប្តូរថ្មីៗ។ | ដូចជាការវាយតម្លៃទម្រង់លេងរបស់កីឡាករម្នាក់ ដោយផ្អែកលើការប្រកួត២ទៅ៣ប្រកួតថ្មីៗបំផុតរបស់គាត់ ច្រើនជាងការប្រកួតកាលពីប៉ុន្មានឆ្នាំមុន។ |
| Stationarity (ភាពនឹងនរនៃទិន្នន័យ) | គឺជាលក្ខណៈនៃទិន្នន័យស៊េរីពេលវេលា ដែលតម្លៃមធ្យមភាគ វ៉ារ្យង់ និងរចនាសម្ព័ន្ធទិន្នន័យរបស់វាមិនប្រែប្រួលទៅតាមពេលវេលា។ វាជាលក្ខខណ្ឌចាំបាច់ដែលត្រូវមាន មុននឹងអាចប្រើប្រាស់ម៉ូដែល ARIMA ដើម្បីព្យាករណ៍។ | ដូចជាការជិះកង់លើផ្លូវរាបស្មើ ដែលល្បឿននៃការធាក់របស់អ្នកមានកម្រិតថេរ មិនមែនជិះឡើងចុះចំណោតដែលល្បឿនចេះតែប្រែប្រួលនោះទេ។ |
| Augmented Dickey-Fuller (ADF) test (ការធ្វើតេស្ត ADF) | ជាការធ្វើតេស្តស្ថិតិដែលគេប្រើដើម្បីពិនិត្យមើលថាតើទិន្នន័យស៊េរីពេលវេលាមួយមានភាពនឹងនរ (Stationarity) ឬអត់។ ប្រសិនបើលទ្ធផលតេស្តបង្ហាញថាទិន្នន័យមិននឹងនរ គេត្រូវធ្វើការផ្លាស់ប្តូរវា (Differencing) ជាមុនសិន។ | ដូចជាឧបករណ៍វាស់ចរន្តអគ្គិសនី ដែលប្រាប់ជាងភ្លើងថាចរន្តរត់ថេរឬប្រែប្រួល មុននឹងសម្រេចចិត្តតភ្ជាប់គ្រឿងអគ្គិសនីធំៗចូលទៅក្នុងបណ្តាញ។ |
| Mean Absolute Percentage Error / MAPE (កំហុសភាគរយដាច់ខាតមធ្យម) | គឺជារង្វាស់នៃភាពត្រឹមត្រូវនៃវិធីសាស្ត្រព្យាករណ៍ក្នុងប្រព័ន្ធស្ថិតិ ដែលគណនាជាមធ្យមភាគនៃភាគរយកំហុសរវាងតម្លៃដែលម៉ូដែលបានព្យាករណ៍ និងតម្លៃជាក់ស្តែងដែលកើតឡើងពិតប្រាកដ។ តម្លៃMAPE កាន់តែតូច បង្ហាញថាម៉ូដែលកាន់តែសុក្រឹត។ | ដូចជាការទាយថាមិត្តភក្តិនឹងមកដល់ក្នុងពេល ១០នាទី តែគេមកដល់ក្នុងពេល ១២នាទី នោះយើងគណនាភាគរយនៃពេលវេលាដែលខុសគ្នានេះ ដើម្បីដឹងថាយើងទាយបានត្រឹមត្រូវកម្រិតណា។ |
| Ljung-Box test (ការធ្វើតេស្ត Ljung-Box) | ជាការធ្វើតេស្តស្ថិតិដើម្បីពិនិត្យមើលកាកសំណល់ (Residuals) ឬភាពល្អៀងនៃម៉ូដែលព្យាករណ៍ ថាតើវាមានទំនាក់ទំនងគ្នា (Autocorrelation) ឬគ្រាន់តែជាចលនាចៃដន្យ (White noise) ដើម្បីបញ្ជាក់ថាម៉ូដែលពិតជាបានទាញយកព័ត៌មានមានប្រយោជន៍អស់ហើយឬនៅ។ | ដូចជាការត្រួតពិនិត្យមើលបាតឆ្នាំងបន្ទាប់ពីចាក់ទឹកស៊ុបចេញ ថាតើនៅសល់កម្ទេចសាច់ដែលយើងចង់បានទៀតឬទេ ឬមួយមានតែទឹកទទេ (មានន័យថាយើងយកបានរបស់សំខាន់អស់ហើយ)។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
