បញ្ហា (The Problem)៖ ការសិក្សានេះផ្តោតលើការស្វែងយល់ពីទំនាក់ទំនងរវាងការបែងចែកដីធ្លី និងទិន្នផលកសិកម្មនៅទូទាំងតំបន់អេកូឡូស៊ីចម្រុះក្នុងប្រទេសអាល់ហ្សេរី ដែលវិស័យនេះរួមចំណែកត្រឹមតែ ២,៦% នៃផលិតផលក្នុងស្រុកសរុប (GDP) ទោះបីជាមានសក្តានុពលធំធេងក៏ដោយ។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់វិធីសាស្រ្តចម្រុះដោយរួមបញ្ចូលការវិភាគទិន្នន័យកម្រិតរដ្ឋចំនួន៤៨ ពីឆ្នាំ២០០០ ដល់២០១៤។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Fixed Effects Panel Data Estimation ការប៉ាន់ស្មានទិន្នន័យ Panel ប្រភេទ Fixed Effects (ម៉ូដែលគោល) |
អាចគ្រប់គ្រងលក្ខណៈខុសគ្នាតាមតំបន់ដែលមិនប្រែប្រួលតាមពេលវេលាបានយ៉ាងល្អ (ដូចជាគុណភាពដី និងអាកាសធាតុ) ដោយកាត់បន្ថយភាពលំអៀង។ | មិនអាចប៉ាន់ស្មានឥទ្ធិពលនៃអថេរដែលមិនប្រែប្រួលតាមពេលវេលាដោយផ្ទាល់បានទេ ព្រោះវាត្រូវបានកាត់ចេញកំឡុងពេលវិភាគ។ | ពន្យល់បាន ៩៥,៥៤% នៃភាពប្រែប្រួលផលិតកម្មបន្លែ និង ៧៣,១៦% សម្រាប់គ្រាប់ធញ្ញជាតិ ដែលជាម៉ូដែលល្អបំផុតសម្រាប់ទិន្នន័យនេះ។ |
| System GMM (Generalized Method of Moments) វិធីសាស្ត្រ System GMM (ប្រើសម្រាប់ការត្រួតពិនិត្យភាពរឹងមាំ) |
ជួយដោះស្រាយបញ្ហា Endogeneity ដែលអាចកើតមានរវាងការសម្រេចចិត្តបែងចែកដីធ្លី និងកត្តាមិនស្គាល់ផ្សេងៗ។ | ទាមទារទិន្នន័យច្រើន និងការកំណត់ឧបករណ៍ (Instruments) ដែលមានភាពស្មុគស្មាញ និងអាចងាយរងឥទ្ធិពលពីការជ្រើសរើសខុស។ | ផ្តល់មេគុណខ្ពស់ជាងបន្តិច (បន្លែ ០,៩៦៧ ធៀបនឹង ០,៩៥៤) ដែលបញ្ជាក់ពីភាពរឹងមាំ និងភាពត្រឹមត្រូវនៃម៉ូដែលគោល។ |
| Hierarchical Cluster Analysis (Ward's method) ការវិភាគបណ្តុំតាមឋានានុក្រម (វិធីសាស្ត្រ Ward) |
ជួយចាត់ថ្នាក់តំបន់កសិកម្មទៅតាមភាពស្រដៀងគ្នានៃទិន្នផល លក្ខខណ្ឌបរិស្ថាន និងកម្រិតហេដ្ឋារចនាសម្ព័ន្ធបានច្បាស់លាស់។ | លទ្ធផលអាចប្រែប្រួលខ្លាំងអាស្រ័យលើការជ្រើសរើសចំនួនបណ្តុំ (Clusters) និងរង្វាស់ចម្ងាយ (Distance measure) ដែលប្រើប្រាស់។ | កំណត់បានតំបន់កសិកម្មចំនួន៩ ផ្សេងគ្នា ដោយបង្ហាញពីគម្លាតនៃការអភិវឌ្ឍរវាងភាគខាងជើង និងខាងត្បូងយ៉ាងច្បាស់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើសំណុំទិន្នន័យបន្ទះ (Panel Data) រយៈពេលវែង និងកម្មវិធីស្ថិតិសម្រាប់វិភាគ ដោយមិនទាមទារធនធានកុំព្យូទ័រធំដុំ (High-Performance Computing) នោះទេ។
ការសិក្សានេះធ្វើឡើងនៅប្រទេសអាល់ហ្សេរី ដោយប្រើទិន្នន័យពីឆ្នាំ២០០០ ដល់២០១៤ ដែលគ្របដណ្តប់លើតំបន់អេកូឡូស៊ីចម្រុះចាប់ពីឆ្នេរសមុទ្រមេឌីទែរ៉ាណេរហូតដល់វាលខ្សាច់សាហារ៉ា។ ទិន្នន័យនេះមិនបានឆ្លុះបញ្ចាំងពីបម្រែបម្រួលអាកាសធាតុថ្មីៗ ឬបច្ចេកវិទ្យាកសិកម្មទំនើបក្រោយឆ្នាំ២០១៤ នោះទេ។ សម្រាប់ប្រទេសកម្ពុជា ការយកចិត្តទុកដាក់លើបរិបទអាកាសធាតុត្រូពិច និងប្រព័ន្ធធារាសាស្ត្រតាមរដូវកាលគឺជារឿងចាំបាច់ ព្រោះវាមានលក្ខណៈខុសប្លែកពីតំបន់ពាក់កណ្តាលស្ងួតរបស់អាល់ហ្សេរី។
វិធីសាស្ត្រនៃការបែងចែកតំបន់កសិកម្ម និងការវិភាគទិន្នន័យបន្ទះនេះ គឺមានអត្ថប្រយោជន៍ និងអាចយកមកកែច្នៃប្រើប្រាស់សម្រាប់ការរៀបចំគោលនយោបាយកសិកម្មនៅកម្ពុជាបានយ៉ាងល្អ។
ការអនុវត្តវិធីសាស្ត្រវិភាគផ្អែកលើទិន្នន័យទាំងនេះ នឹងជួយកម្ពុជាប្តូរពីការរៀបចំផែនការកសិកម្មបែបទូទៅ ទៅជាការរៀបចំគោលនយោបាយប្រើប្រាស់ដីធ្លីដែលមានភាពជាក់លាក់តាមតំបន់ប្រកបដោយប្រសិទ្ធភាពខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Panel Data Analysis (ការវិភាគទិន្នន័យ Panel ឬ ទិន្នន័យបន្ទះ) | គឺជាវិធីសាស្ត្រស្ថិតិដែលវិភាគលើទិន្នន័យដែលមានវិមាត្រពីរ គឺវិមាត្រទីតាំង (ឧទាហរណ៍៖ ខេត្តនីមួយៗ) និងវិមាត្រពេលវេលា (ឧទាហរណ៍៖ ឆ្នាំផ្សេងៗគ្នា) ដើម្បីស្វែងយល់ពីនិន្នាការ និងទំនាក់ទំនងនៃអថេរក្នុងរយៈពេលយូរ។ | ដូចជាការតាមដានពិន្ទុប្រចាំខែរបស់សិស្សម្នាក់ៗក្នុងថ្នាក់រៀនពេញមួយឆ្នាំ ដើម្បីមើលការវិវឌ្ឍរបស់ពួកគេទាំងប្រៀបធៀបជាមួយខ្លួនឯង និងមិត្តរួមថ្នាក់។ |
| Fixed Effects Estimation (ការប៉ាន់ស្មានម៉ូដែលឥទ្ធិពលថេរ) | គឺជាបច្ចេកទេសក្នុងទិន្នន័យ Panel ដែលប្រើដើម្បីលុបបំបាត់ឥទ្ធិពលនៃកត្តាដែលមិនប្រែប្រួលតាមពេលវេលា (ដូចជាគុណភាពដី ឬទីតាំងភូមិសាស្ត្រនៃតំបន់មួយ) ដើម្បីវាស់ស្ទង់ឥទ្ធិពលពិតប្រាកដនៃអថេរដែលយើងចង់សិក្សា។ | ដូចជាការវាយតម្លៃថាការរៀនគួរួមចំណែកធ្វើឱ្យសិស្សពូកែជាងមុនឬអត់ ដោយផាត់ចោលកត្តាពីកំណើតរបស់សិស្ស (ដូចជាកម្រិត IQ) ចេញពីការគណនា។ |
| Hierarchical Cluster Analysis (ការវិភាគចង្កោមតាមឋានានុក្រម) | គឺជាក្បួនដោះស្រាយទិន្នន័យដែលចាត់ថ្នាក់អង្គសង្កេតទៅជាក្រុម (Clusters) ដោយផ្អែកលើភាពស្រដៀងគ្នារបស់វា រួចរៀបចំជាទម្រង់មែកធាង (Dendrogram) ដើម្បីបង្ហាញពីកម្រិតនៃទំនាក់ទំនងរវាងក្រុមនីមួយៗ។ | ដូចជាការចាត់ថ្នាក់សត្វទៅតាមអម្បូរ ដោយចាប់ផ្តើមពីសត្វដែលមានលក្ខណៈស្រដៀងគ្នាបំផុត រួចបន្តផ្គុំជាក្រុមធំៗរហូតដល់អស់សត្វទាំងអស់។ |
| Principal Component Analysis (ការវិភាគសមាសភាគចម្បង - PCA) | គឺជាបច្ចេកទេសបង្រួមទិន្នន័យដែលបំប្លែងអថេរជាច្រើនដែលមានទំនាក់ទំនងគ្នា ទៅជាអថេរថ្មីចំនួនតិចតួច (ហៅថាសមាសភាគចម្បង) ដោយនៅតែរក្សាបាននូវព័ត៌មាននិងអត្ថន័យសំខាន់ៗនៃទិន្នន័យដើម។ | ដូចជាការសង្ខេបសៀវភៅរឿងដ៏ក្រាស់មួយក្បាលឱ្យនៅសល់ត្រឹមមួយទំព័រ ប៉ុន្តែនៅតែរក្សាបាននូវអត្ថន័យ និងសាច់រឿងសំខាន់ៗទាំងអស់។ |
| Spatial Heterogeneity (ភាពខុសប្លែកគ្នាតាមលំហភូមិសាស្ត្រ) | សំដៅលើការចែកចាយមិនស្មើគ្នា ឬភាពប្រែប្រួលនៃលក្ខណៈណាមួយ (ដូចជាទិន្នផលកសិកម្ម ឬអាកាសធាតុ) នៅតាមតំបន់ភូមិសាស្ត្រផ្សេងៗគ្នា ដែលទាមទារឱ្យមានការដោះស្រាយឬគោលនយោបាយខុសៗគ្នា។ | ដូចជាការយល់ថាការដាំដើមត្នោតនៅតាមខេត្តតាកែវងាយស្រួលដុះជាងនៅខេត្តមណ្ឌលគិរី ដោយសារស្ថានភាពដីនិងអាកាសធាតុខុសគ្នាស្រឡះ។ |
| Variance Decomposition (ការបំបែកភាពប្រែប្រួល) | គឺជាវិធីសាស្ត្រស្ថិតិប្រើសម្រាប់គណនាថាតើភាពប្រែប្រួលនៃលទ្ធផលមួយ (ឧទាហរណ៍៖ ទិន្នផលកសិកម្ម) ត្រូវបានពន្យល់ ឬបង្កឡើងដោយកត្តានីមួយៗកម្រិតណា (ឧទាហរណ៍៖ ផ្ទៃដី អាកាសធាតុ) គិតជាភាគរយ។ | ដូចជាការកាត់នំខេកជាចំណែកៗ ដើម្បីមើលថាគ្រឿងផ្សំណាខ្លះ (ម្សៅ ស្ករ ស៊ុត) ត្រូវបានប្រើប្រាស់ក្នុងបរិមាណប៉ុន្មានភាគរយនៅក្នុងនំនោះ។ |
| Endogeneity (បញ្ហាភាពមិនឯករាជ្យនៃអថេរ ឬ អង់ដូហ្សេនេអ៊ីតេ) | នៅក្នុងសេដ្ឋកិច្ចមាត្រ វាគឺជាបញ្ហាដែលអថេរពន្យល់មានទំនាក់ទំនងជាមួយកំហុសលម្អៀង (Error term) ដែលច្រើនកើតឡើងដោយសារទំនាក់ទំនងទៅវិញទៅមក (Reverse causality) ដែលធ្វើឱ្យលទ្ធផលប៉ាន់ស្មានមិនច្បាស់លាស់។ | ដូចជាសំណួរថា "តើមាន់កើតមុន ឬស៊ុតកើតមុន?" ដែលធ្វើឱ្យយើងពិបាកកាត់ក្តីថាមួយណាជាមូលហេតុពិតប្រាកដដែលបណ្តាលឱ្យមានមួយទៀត។ |
| System GMM (វិធីសាស្ត្រ Generalized Method of Moments ជាប្រព័ន្ធ) | គឺជាបច្ចេកទេសប៉ាន់ស្មានដ៏ស្មុគស្មាញក្នុងទិន្នន័យ Panel ដែលត្រូវបានរចនាឡើងដើម្បីដោះស្រាយបញ្ហា Endogeneity ដោយប្រើប្រាស់ទិន្នន័យពីអតីតកាល (Lagged variables) ជាឧបករណ៍ (Instruments) ដើម្បីទាញរកទំនាក់ទំនងពិតប្រាកដ។ | ដូចជាការប្រើប្រាស់ប្រវត្តិជំងឺចាស់ៗរបស់អ្នកជំងឺ ដើម្បីវិភាគ និងព្យាបាលជំងឺបច្ចុប្បន្នឱ្យបានកាន់តែច្បាស់លាស់ ដោយកាត់បន្ថយការភាន់ច្រឡំ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
