បញ្ហា (The Problem)៖ ការសិក្សានេះស៊ើបអង្កេតពីផលប៉ះពាល់នៃការប្រែប្រួលអាកាសធាតុ ផលិតភាពកសិកម្ម និងសន្តិសុខស្បៀង ទៅលើកំណើនសេដ្ឋកិច្ចនៅក្នុងប្រទេសទុយនីស៊ី ដែលជាប្រទេសងាយរងគ្រោះដោយសារអាកាសធាតុនិងការពឹងផ្អែកខ្លាំងលើកសិកម្មទឹកភ្លៀង។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់ទិន្នន័យប្រចាំឆ្នាំពីឆ្នាំ ១៩៩០ ដល់ ២០២២ ដោយអនុវត្តគំរូវិភាគអេកូណូមេទ្រីកកម្រិតខ្ពស់ ដើម្បីស្វែងរកទំនាក់ទំនងរវាងអថេរម៉ាក្រូសេដ្ឋកិច្ចនិងបរិស្ថាន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Autoregressive Distributed Lag (ARDL) Model គំរូ Autoregressive Distributed Lag (ARDL) |
អាចប្រើប្រាស់បានជាមួយទិន្នន័យដែលមានលំដាប់សមាហរណកម្មចម្រុះ (I(0) និង I(1)) និងផ្តល់លទ្ធផលល្អសូម្បីតែជាមួយសំណាកទិន្នន័យតូចៗ (Small sample sizes)។ | មិនអាចវិភាគពីទំនាក់ទំនងរយៈពេលវែងបានទេ ប្រសិនបើការធ្វើតេស្ត Cointegration បង្ហាញលទ្ធផលអវិជ្ជមាន ដែលតម្រូវឱ្យប្តូរទៅប្រើគំរូផ្សេងវិញ។ | ស្វែងរកពុំឃើញទំនាក់ទំនងរយៈពេលវែងរវាងអថេរទេ ប៉ុន្តែបង្ហាញថាផលិតភាពកសិកម្មក្នុងអតីតកាលមានឥទ្ធិពលវិជ្ជមានទៅលើកំណើនសេដ្ឋកិច្ចបច្ចុប្បន្ន។ |
| Vector Autoregressive (VAR) Model & Variance Decomposition គំរូ Vector Autoregressive (VAR) និងការបំបែកវ៉ារ្យ៉ង់ (Variance Decomposition) |
អាចចាប់យកសក្ដានុពលរយៈពេលខ្លីយ៉ាងមានប្រសិទ្ធភាព និងបង្ហាញពីភាគរយនៃការចូលរួមចំណែកនៃអថេរនីមួយៗទៅលើបម្រែបម្រួលសេដ្ឋកិច្ចក្នុងរយៈពេលកំណត់ណាមួយ។ | តម្រូវឱ្យអថេរទាំងអស់មានស្ថិរភាព (Stationary) ដែលជាទូទៅទាមទារឱ្យមានការធ្វើ First differencing ដែលអាចបាត់បង់ព័ត៌មានដើមមួយចំនួន។ | បង្ហាញថាផលិតកម្មកសិកម្មចូលរួមចំណែកធំបំផុត (ចន្លោះពី ៧៣% ទៅ ៨០%) លើការប្រែប្រួលនៃកំណើនសេដ្ឋកិច្ច។ |
| Granger Causality Test ការធ្វើតេស្តទំនាក់ទំនងហេតុនិងផល Granger (Granger Causality Test) |
អាចកំណត់ទិសដៅនៃឥទ្ធិពលច្បាស់លាស់ថាតើវាជាឥទ្ធិពលឯកទិស (Unidirectional) ឬ ទ្វេទិស (Bidirectional) រវាងអថេរពីរ។ | វត្ថុបំណងបញ្ជាក់ត្រឹមតែសមត្ថភាពក្នុងការទស្សន៍ទាយ (Predictive causality) ប៉ុណ្ណោះ មិនមែនមានន័យថាវាជាទំនាក់ទំនងហេតុនិងផលពិតប្រាកដ (True causality) តាមបែបវិទ្យាសាស្ត្រដាច់ខាតនោះទេ។ | រកឃើញទំនាក់ទំនងទ្វេទិសរវាងសីតុណ្ហភាពនិងផលិតកម្មកសិកម្ម ព្រមទាំងរកឃើញឥទ្ធិពលឯកទិសពីការលូតលាស់សេដ្ឋកិច្ចទៅលើសន្តិសុខស្បៀង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកលើការវិភាគទិន្នន័យបន្ទាប់បន្សំ (Secondary data) ដែលមិនទាមទារធនធានហិរញ្ញវត្ថុច្រើនសម្រាប់ការចុះប្រមូលទិន្នន័យផ្ទាល់នោះទេ ប៉ុន្តែទាមទារជំនាញខ្ពស់ក្នុងការប្រើប្រាស់កម្មវិធីស្ថិតិ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យទាំងស្រុងពីប្រទេសទុយនីស៊ី ដែលមានអាកាសធាតុពាក់កណ្តាលស្ងួត និងស្ងួត (Semi-arid and arid) និងប្រព័ន្ធកសិកម្មពឹងផ្អែកលើទឹកភ្លៀង។ បរិបទអាកាសធាតុនេះខុសគ្នាពីប្រទេសកម្ពុជាដែលមានអាកាសធាតុត្រូពិចមូសុង។ ទោះជាយ៉ាងណាក៏ដោយ ភាពងាយរងគ្រោះនៃវិស័យកសិកម្មទៅនឹងរបបទឹកភ្លៀងមិនទៀងទាត់ គឺជាបញ្ហារួមដែលធ្វើឱ្យលទ្ធផលនៃការសិក្សានេះនៅតែមានតម្លៃសម្រាប់ប្រទេសកំពុងអភិវឌ្ឍន៍ដូចជាកម្ពុជា។
វិធីសាស្ត្រស្រាវជ្រាវ (ARDL និង VAR) រួមទាំងក្របខណ្ឌគំនិតក្នុងការសិក្សានេះមានប្រយោជន៍ និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់បរិបទប្រទេសកម្ពុជា។
ជារួម ការអនុវត្តវិធីសាស្ត្រនៃការសិក្សានេះនឹងជួយដល់ស្ថាប័នរដ្ឋនិងឯកជននៅកម្ពុជា ក្នុងការបង្កើតគោលនយោបាយសេដ្ឋកិច្ច និងប្រព័ន្ធកសិកម្មដែលធន់នឹងអាកាសធាតុ (Climate-resilient) ប្រកបដោយប្រសិទ្ធភាពផ្អែកលើទិន្នន័យជាក់ស្តែង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Autoregressive Distributed Lag (ARDL) model (គំរូ Autoregressive Distributed Lag) | ជាវិធីសាស្ត្រស្ថិតិសេដ្ឋកិច្ច (Econometrics) សម្រាប់វិភាគរកទំនាក់ទំនងរវាងអថេរផ្សេងៗ ទាំងក្នុងរយៈពេលខ្លី និងរយៈពេលវែង ទោះបីជាទិន្នន័យទាំងនោះមានកម្រិតលំដាប់នៃសមាហរណកម្មខុសគ្នាក៏ដោយ (អ្នកខ្លះថេរ អ្នកខ្លះមិនថេរ)។ | ដូចជាការតាមដានមើលថាតើការប្រឹងប្រែងរៀនសូត្រកាលពីម្សិលមិញនិងថ្ងៃនេះ ជះឥទ្ធិពលដល់ពិន្ទុប្រឡងរបស់អ្នកទាំងក្នុងពេលឆាប់ៗនិងនៅចុងឆ្នាំយ៉ាងដូចម្តេច។ |
| Vector Autoregressive (VAR) model (គំរូ Vector Autoregressive) | ជាគំរូស្ថិតិដែលវាស់ស្ទង់ការពឹងផ្អែកគ្នាទៅវិញទៅមកនៃស៊េរីពេលវេលា (Time series) ច្រើន ដោយប្រើប្រាស់តម្លៃអតីតកាលនៃអថេរទាំងអស់នៅក្នុងប្រព័ន្ធ ដើម្បីទស្សន៍ទាយតម្លៃបច្ចុប្បន្នរបស់ពួកវាដោយស្មើភាពគ្នា។ | ដូចជាការព្យាករណ៍ពីអារម្មណ៍របស់មនុស្សពីរនាក់ដែលធ្វើការជាមួយគ្នា ដោយមើលទៅលើអារម្មណ៍របស់ពួកគេម្នាក់ៗកាលពីប៉ុន្មានថ្ងៃមុន ព្រោះពួកគេតែងតែជះឥទ្ធិពលលើគ្នាទៅវិញទៅមកជារៀងរាល់ថ្ងៃ។ |
| Granger Causality (ទំនាក់ទំនងហេតុនិងផល Granger) | ជារង្វាស់ស្ថិតិដើម្បីសាកល្បងថាតើតម្លៃអតីតកាលនៃអថេរមួយ មានប្រយោជន៍ក្នុងការជួយទស្សន៍ទាយតម្លៃអនាគតនៃអថេរមួយទៀតឬអត់។ វាមិនមែនបញ្ជាក់ពីភាពជាហេតុនិងផលពិតប្រាកដបែបវិទ្យាសាស្ត្រទេ តែវាបញ្ជាក់ពីសមត្ថភាពក្នុងការទស្សន៍ទាយ (Predictive causality)។ | ដូចជាការសង្កេតឃើញថា រាល់ពេលមេឃស្រទុំ តែងតែមានភ្លៀងធ្លាក់ ដូច្នេះយើងអាចប្រើការស្រទុំនៃមេឃ មកទាយទុកមុនពីការធ្លាក់ភ្លៀងបាន ទោះបីជាមេឃស្រទុំមិនមែនជាអ្នកបង្កើតតំណក់ទឹកភ្លៀងដោយផ្ទាល់ក៏ដោយ។ |
| Cointegration (សមាហរណកម្មអថេរ / ទំនាក់ទំនងរយៈពេលវែង) | ជាលក្ខណៈនៃទិន្នន័យស៊េរីពេលវេលាដែលបង្ហាញថា ទោះបីជាអថេរពីរឬច្រើនមានការប្រែប្រួលឡើងចុះៗ និងមិនថេរក្នុងរយៈពេលខ្លីក៏ដោយ ក៏ពួកវានៅតែរក្សាទំនាក់ទំនង និងធ្វើចលនាស្របគ្នាក្នុងរយៈពេលវែងមិនអាចបែកគ្នាបាន។ | ដូចជាមនុស្សពីរនាក់កំពុងបណ្តើរឆ្កែ ទោះបីជាឆ្កែរត់ចុះឡើងៗខុសទិសដៅគ្នាមួយភ្លែតៗ តែចុងក្រោយពួកវានៅតែដើរតាមផ្លូវតែមួយជាមួយម្ចាស់ដដែល។ |
| Variance Decomposition (ការបំបែកវ៉ារ្យ៉ង់) | នៅក្នុងគំរូ VAR នេះគឺជាការបំបែកនិងវាស់ស្ទង់ថាតើបម្រែបម្រួល ឬរលកញ័រ (Shocks) នៃអថេរមួយ ត្រូវបានបង្កឡើងដោយខ្លួនឯងប៉ុន្មានភាគរយ និងបង្កដោយការប្រែប្រួលនៃអថេរផ្សេងទៀតប៉ុន្មានភាគរយក្នុងរយៈពេលណាមួយ។ | ដូចជាការវិភាគរកមើលថា ក្នុងចំណោមភាពតានតឹងរបស់អ្នកសរុប គឺមកពីការងារប៉ុន្មានភាគរយ មកពីគ្រួសារប៉ុន្មានភាគរយ និងមកពីបញ្ហាសុខភាពប៉ុន្មានភាគរយ។ |
| Rain-fed agriculture (កសិកម្មពឹងផ្អែកលើទឹកភ្លៀង) | ជាប្រព័ន្ធនៃការធ្វើកសិកម្មដែលពឹងផ្អែកទាំងស្រុងលើទឹកភ្លៀងធម្មជាតិសម្រាប់ស្រោចស្រពដំណាំ ដោយមិនមានការរៀបចំប្រព័ន្ធធារាសាស្ត្រ ប្រឡាយ ឬការបូមទឹកជំនួសឡើយ ដែលធ្វើឱ្យវាងាយរងគ្រោះបំផុតដោយសារការប្រែប្រួលអាកាសធាតុ។ | ដូចជាការដាំរុក្ខជាតិដោយទុកចោលឱ្យមេឃធ្លាក់ភ្លៀងស្រោចស្រពខ្លួនឯង បើឆ្នាំណាអត់ភ្លៀង ឬភ្លៀងមិនទៀងទាត់ រុក្ខជាតិនោះនឹងងាប់។ |
| First difference (ផលសងលំដាប់ទីមួយ) | នៅក្នុងមុខវិជ្ជាស្ថិតិ នេះគឺជាដំណើរការនៃការដកតម្លៃបច្ចុប្បន្ននៃទិន្នន័យជាមួយនឹងតម្លៃពីមុនរបស់វា (t ដក t-1) ដើម្បីបំបាត់និន្នាការ (Trend) និងធ្វើឱ្យទិន្នន័យមានស្ថិរភាព (Stationary) ដែលជាលក្ខខណ្ឌចាំបាច់សម្រាប់ការវិភាគទិន្នន័យ។ | ជំនួសឱ្យការកត់ត្រាថាថ្ងៃនេះអ្នកមានលុយសរុបប៉ុន្មាន អ្នកបែរជាកត់ត្រាថាថ្ងៃនេះលុយអ្នកកើនឡើង ឬថយចុះប៉ុន្មាន បើធៀបនឹងម្សិលមិញវិញ។ |
| Unit Root (ឫសឯកតា) | ជាលក្ខណៈមួយនៃទិន្នន័យស៊េរីពេលវេលាដែលបង្ហាញថាទិន្នន័យនោះមិនមានស្ថិរភាព (Non-stationary) ពោលគឺតម្លៃមធ្យម និងវ៉ារ្យ៉ង់របស់វាប្រែប្រួលតាមពេលវេលា ដែលធ្វើឱ្យការវិភាគតាមវិធីធម្មតាអាចផ្តល់លទ្ធផលខុសឆ្គង (Spurious regression)។ | ដូចជារថយន្តដែលបើកបរដោយគ្មានចង្កូតត្រឹមត្រូវ វានឹងរសាត់ឆ្ងាយទៅៗពីគន្លងផ្លូវដើមដោយយើងមិនអាចទាយទុកមុនបានថាវានឹងទៅដល់ណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
