Original Title: ỨNG DỤNG MÔ HÌNH ARDL TRONG PHÂN TÍCH CÁC YẾU TỐ ẢNH HƯỞNG TỚI ĐẦU TƯ TẠI VIỆT NAM
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការអនុវត្តគំរូ ARDL ក្នុងការវិភាគកត្តាដែលជះឥទ្ធិពលដល់ការវិនិយោគនៅប្រទេសវៀតណាម

ចំណងជើងដើម៖ ỨNG DỤNG MÔ HÌNH ARDL TRONG PHÂN TÍCH CÁC YẾU TỐ ẢNH HƯỞNG TỚI ĐẦU TƯ TẠI VIỆT NAM

អ្នកនិពន្ធ៖ Nguyễn Thị Hiên (Đại học Thương mại), Lê Mai Trang, Trần Thị Khánh Linh, Nguyễn Thị Nguyệt, Phí Thị Lữ, Bùi Thị Linh Chi, Bùi Thị Minh Nguyệt (Học viện Tài chính)

ឆ្នាំបោះពុម្ព៖ 2024, Tạp chí nghiên cứu Tài chính kế toán

វិស័យសិក្សា៖ Macroeconomics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះធ្វើការវិភាគលើកត្តាម៉ាក្រូសេដ្ឋកិច្ចនានា (ដូចជា ផ.ស.ស ការផ្គត់ផ្គង់ប្រាក់ អតិផរណា អត្រាការប្រាក់ និងភាពបើកចំហរនៃសេដ្ឋកិច្ច) ដែលមានឥទ្ធិពលដល់សកម្មភាពវិនិយោគនៅប្រទេសវៀតណាម ចាប់ពីឆ្នាំ ២០១២ ដល់ ២០២២។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់ទិន្នន័យប្រចាំត្រីមាសចំនួន ៤៤ គំរូ ដោយអនុវត្តវិធីសាស្ត្រសេដ្ឋកិច្ចមាត្រ (Econometrics) ដើម្បីវាស់ស្ទង់ឥទ្ធិពលរយៈពេលខ្លី និងរយៈពេលវែង។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
ARDL with Bound Test
គំរូ ARDL រួមបញ្ចូលជាមួយការធ្វើតេស្ត Bound Test
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគទិន្នន័យទោះបីជាអថេរមានកម្រិតសមាហរណកម្មចម្រុះគ្នារវាង I(0) និង I(1) ក៏ដោយ។ វាស័ក្តិសមបំផុតសម្រាប់ការសិក្សាដែលមានទំហំគំរូតូច (Small sample sizes)។ មិនអាចប្រើប្រាស់បានទេប្រសិនបើមានអថេរណាមួយស្ថិតក្នុងកម្រិតសមាហរណកម្ម I(2)។ ការកំណត់កម្រិត Lag (Lag length) ទាមទារការជ្រើសរើសយ៉ាងប្រុងប្រយ័ត្នដើម្បីជៀសវាងកំហុស។ បានបញ្ជាក់ពីអត្ថិភាពនៃទំនាក់ទំនងរយៈពេលវែងរវាងកត្តាម៉ាក្រូសេដ្ឋកិច្ច និងការវិនិយោគ (តម្លៃ F-statistic = ៤,០០៤ ធំជាងតម្លៃ upper bound)។
Error Correction Model (ECM)
គំរូកែតម្រូវកំហុស (ECM)
មានសមត្ថភាពអាចចាប់យកសក្ដានុពលក្នុងរយៈពេលខ្លី និងបង្ហាញពីល្បឿននៃការកែតម្រូវត្រឡប់ទៅរកតុល្យភាពរយៈពេលវែងវិញ។ ទាមទារជាដាច់ខាតនូវអត្ថិភាពនៃទំនាក់ទំនងរយៈពេលវែង (Cointegration) ជាមុនសិន ទើបអាចបង្កើតគំរូនេះបាន។ បានបង្ហាញយ៉ាងច្បាស់ថា ការកើនឡើងអត្រាការប្រាក់ចំនួន ១% នឹងធ្វើឱ្យការវិនិយោគរយៈពេលខ្លីធ្លាក់ចុះប្រមាណ ៣០,៤៨ ពាន់លានដុង។

ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារមិនបានបញ្ជាក់លម្អិតអំពីថ្លៃដើម ឬទំហំធនធានកុំព្យូទ័រដែលត្រូវប្រើប្រាស់នោះទេ ប៉ុន្តែការអនុវត្តគំរូសេដ្ឋកិច្ចមាត្រនេះទាមទារធនធានចាំបាច់មួយចំនួន។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើទិន្នន័យម៉ាក្រូសេដ្ឋកិច្ចរបស់ប្រទេសវៀតណាមក្នុងចន្លោះឆ្នាំ ២០១២ ដល់ ២០២២។ ដោយសាររចនាសម្ព័ន្ធសេដ្ឋកិច្ច អត្រាអតិផរណា និងគោលនយោបាយរូបិយវត្ថុវៀតណាមខុសប្លែកពីកម្ពុជា ការយកលទ្ធផលនេះមកអនុវត្តដោយផ្ទាល់អាចមានភាពលម្អៀង។ កម្ពុជាមានសេដ្ឋកិច្ចដែលពឹងផ្អែកខ្លាំងលើប្រាក់ដុល្លារ (High Dollarization) ដែលធ្វើឱ្យឥទ្ធិពលនៃការផ្គត់ផ្គង់ប្រាក់និងអត្រាការប្រាក់ក្នុងស្រុកអាចមានប្រតិកម្មខុសគ្នាទាំងស្រុងពីរៀតណាម។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាលទ្ធផលផ្ទាល់មិនអាចយកមកប្រើប្រាស់បានទាំងស្រុង ប៉ុន្តែវិធីសាស្ត្រគំរូ ARDL នេះមានអត្ថប្រយោជន៍ខ្លាំងណាស់សម្រាប់ការវិភាគគោលនយោបាយនៅកម្ពុជា។

ការបំពាក់នូវវិធីសាស្ត្រសេដ្ឋកិច្ចមាត្រនេះ នឹងជួយស្ថាប័នពាក់ព័ន្ធរបស់កម្ពុជាអាចបង្កើតគោលនយោបាយសេដ្ឋកិច្ចដោយផ្អែកលើការវិភាគទិន្នន័យជាក់ស្តែង ប្រកបដោយភាពច្បាស់លាស់។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. រៀបចំ និងសម្អាតទិន្នន័យស៊េរីពេលវេលា (Time Series Data Preparation): និស្សិតត្រូវប្រមូលទិន្នន័យប្រចាំត្រីមាស (ឧ. ផ.ស.ស អតិផរណា FDI) ពីស្ថាប័នជាតិដូចជា NBC ឬ NIS។ ប្រសិនបើទិន្នន័យមានរដូវកាល ត្រូវប្រើប្រាស់វិធីសាស្ត្រ STL Decomposition ក្នុងកម្មវិធី EViews ឬ R ដើម្បីកែតម្រូវទិន្នន័យ (Seasonal Adjustment)។
  2. ធ្វើតេស្តភាពនឹងនរនៃទិន្នន័យ (Stationarity & Unit Root Tests): អនុវត្តការធ្វើតេស្ត Augmented Dickey-Fuller (ADF) និង Phillips-Perron (PP) នៅក្នុងកម្មវិធី Stata ដើម្បិពិនិត្យថាតើអថេរនីមួយៗស្ថិតក្នុងកម្រិតសមាហរណកម្ម I(0) ឬ I(1) ដែលជាលក្ខខណ្ឌតម្រូវសម្រាប់គំរូ ARDL។
  3. វាយតម្លៃទំនាក់ទំនងរយៈពេលវែងដោយ Bound Test: កសាងគំរូ ARDL និងជ្រើសរើសកម្រិត Lag ល្អបំផុត (Optimal Lag) ដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យ AIC ឬ SBC ក្នុងកម្មវិធី EViews រួចដំណើរការ Bound Test ដើម្បីកំណត់អត្ថិភាពនៃទំនាក់ទំនងរយៈពេលវែងរវាងអថេរ។
  4. ដំណើរការគំរូ ECM សម្រាប់ទំនាក់ទំនងរយៈពេលខ្លី: បន្តដំណើរការគំរូកែតម្រូវកំហុស Error Correction Model (ECM) ដើម្បីស្វែងយល់ពីឥទ្ធិពលរយៈពេលខ្លីនៃកត្តាម៉ាក្រូសេដ្ឋកិច្ចទៅលើការវិនិយោគ និងវាស់ស្ទង់ល្បឿននៃការវិលត្រឡប់ទៅរកតុល្យភាពវិញ។
  5. ធ្វើតេស្តសុពលភាព និងស្ថេរភាពគំរូ (Diagnostic Tests): ត្រូវធ្វើការផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវនៃគំរូដោយប្រើប្រាស់ការធ្វើតេស្ត Breusch-Godfrey (សម្រាប់ Autocorrelation), Breusch-Pagan (សម្រាប់ Heteroskedasticity) ព្រមទាំងគូរក្រាប CUSUM និង CUSUMSQ នៅក្នុង Stata ឬ R ដើម្បីធានាថាគំរូពិតជាមានស្ថេរភាពអាចយកជាការបាន។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Autoregressive Distributed Lag (ARDL) គំរូសេដ្ឋកិច្ចមាត្រដែលប្រើសម្រាប់វិភាគទំនាក់ទំនងរវាងអថេរឆ្លងកាត់ពេលវេលា ដោយពិនិត្យមើលឥទ្ធិពលនៃតម្លៃអតីតកាលរបស់អថេរនោះផ្ទាល់ (Autoregressive) និងតម្លៃអតីតកាលរបស់អថេរដទៃទៀត (Distributed Lag) មកលើតម្លៃបច្ចុប្បន្ន។ វាមានប្រសិទ្ធភាពទោះបីជាអថេរមានកម្រិតសមាហរណកម្មខុសគ្នា (I(0) និង I(1)) ក៏ដោយ។ ដូចជាការទស្សន៍ទាយពិន្ទុប្រឡងរបស់អ្នកថ្ងៃនេះ ដោយផ្អែកលើពិន្ទុចាស់របស់អ្នក និងម៉ោងសិក្សារបស់អ្នកក្នុងសប្តាហ៍មុនៗ។
Bound test វិធីសាស្ត្រធ្វើតេស្តស្ថិតិនៅក្នុងគំរូ ARDL ដើម្បីកំណត់ថាតើអថេរមានទំនាក់ទំនងរយៈពេលវែង (Cointegration) ជាមួយគ្នាឬអត់ ដោយប្រៀបធៀបតម្លៃ F-statistic ទៅនឹងតម្លៃដែនកំណត់ខាងលើ (Upper bound) និងខាងក្រោម (Lower bound)។ ដូចជាការធ្វើតេស្តមើលថាតើមិត្តភក្តិពីរនាក់ទោះបីជាមានចរិតខុសគ្នា (ដើរលឿន និងដើរយឺត) តើពួកគេនៅតែបន្តដើរលើផ្លូវតែមួយជាមួយគ្នាក្នុងរយៈពេលយូរឬទេ? បើកាត់ហួសខ្សែបន្ទាត់កំណត់ មានន័យថាពួកគេពិតជាទៅជាមួយគ្នា។
Error Correction Model (ECM) គំរូវិភាគដែលវាស់ស្ទង់ពីល្បឿននៃការកែតម្រូវត្រឡប់ទៅរកចំណុចតុល្យភាពរយៈពេលវែងវិញ បន្ទាប់ពីមានការរំខាន ឬបម្រែបម្រួលក្នុងរយៈពេលខ្លី។ វាបង្ហាញពីទំនាក់ទំនងថាមវន្ត (Dynamic relationship) រវាងអថេរ។ ដូចជាការទាញកៅស៊ូកង ពេលអ្នកព្រលែងវា (ការរំខាន) វានឹងលោតត្រឡប់មករកសភាពដើមវិញ (តុល្យភាព) ហើយ ECM គឺជារង្វាស់នៃល្បឿននៃការត្រឡប់មកវិញនោះ។
STL Decomposition វិធីសាស្ត្រស្ថិតិ (Seasonal and Trend decomposition using Loess) ក្នុងការបំបែកទិន្នន័យស៊េរីពេលវេលា ដើម្បីកាត់ចេញនូវឥទ្ធិពលរដូវកាល (Seasonal patterns) និងនិន្នាការ (Trends) ធ្វើឱ្យទិន្នន័យកាន់តែមានភាពសុក្រឹតសម្រាប់ការវិភាគ។ ដូចជាការញែកសំឡេងរំខាន (សំឡេងខ្យល់ សំឡេងឡាន) ចេញពីចម្រៀង ដើម្បីឱ្យយើងស្តាប់ឮតែសំឡេងអ្នកច្រៀងច្បាស់ល្អ។
Unit Root Test ការធ្វើតេស្តស្ថិតិ (ដូចជា Augmented Dickey-Fuller ឬ Phillips-Perron) ដើម្បីពិនិត្យមើលថាតើទិន្នន័យស៊េរីពេលវេលាមានភាពនឹងនរ (Stationary) ដែរឬទេ ដែលជាលក្ខខណ្ឌចាំបាច់ដើម្បីជៀសវាងការទទួលបានលទ្ធផលក្លែងក្លាយ (Spurious regression)។ ដូចជាការត្រួតពិនិត្យមើលគ្រឹះផ្ទះមុននឹងសង់ជាន់បន្ថែម បើគ្រឹះមិនរឹងមាំ (មាន Unit Root) នោះផ្ទះនឹងអាចដួលរលំ (លទ្ធផលវិភាគខុស)។
Heteroskedasticity បាតុភូតនៅក្នុងគំរូស្ថិតិដែលរ៉ាវ្យង់ (Variance) នៃកំហុស (Error terms) មិនថេរតាមពេលវេលា ដែលអាចធ្វើឱ្យការវាយតម្លៃលទ្ធផលស្ថិតិលែងសូវមានសុក្រឹតភាព និងមិនអាចទុកចិត្តបាន។ ដូចជាការបាញ់ស៊ីបកាំភ្លើង ដែលគ្រាប់ដំបូងៗចំគោលដៅល្អ ប៉ុន្តែពេលបាញ់កាន់តែច្រើនគ្រាប់ចាប់ផ្តើមខ្ទាតរាយប៉ាយខុសគោលដៅកាន់តែខ្លាំង។
Money supply (M2) រង្វាស់នៃការផ្គត់ផ្គង់ប្រាក់នៅក្នុងសេដ្ឋកិច្ច ដែលរួមបញ្ចូលទាំងប្រាក់សុទ្ធដែលកំពុងចរាចរណ៍ ប្រាក់បញ្ញើដែលមានតម្រូវការ និងប្រាក់បញ្ញើមានកាលកំណត់ដែលអាចបំប្លែងជាសាច់ប្រាក់បានយ៉ាងងាយ។ ដូចជាបរិមាណឈាមដែលកំពុងរត់ក្នុងរាងកាយមនុស្ស ដែលជួយទ្រទ្រង់ដល់ដំណើរការនៃសរីរាង្គផ្សេងៗ (សកម្មភាពសេដ្ឋកិច្ច និងការវិនិយោគ)។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖