Original Title: The Impact of Domestic Public Debt on Agricultural Government Investment and Economic Growth: Evidence from Iraqi between 2004 and 2022
Source: doi.org/10.36956/rwae.v5i3.1124
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ឥទ្ធិពលនៃបំណុលសាធារណៈក្នុងស្រុកទៅលើការវិនិយោគរបស់រដ្ឋាភិបាលលើវិស័យកសិកម្ម និងកំណើនសេដ្ឋកិច្ច៖ ភស្តុតាងពីប្រទេសអ៊ីរ៉ាក់ចន្លោះឆ្នាំ២០០៤ ដល់ ២០២២

ចំណងជើងដើម៖ The Impact of Domestic Public Debt on Agricultural Government Investment and Economic Growth: Evidence from Iraqi between 2004 and 2022

អ្នកនិពន្ធ៖ Saad A. Hammad (University of Anbar), Noor Yousif Outhman (University of Anbar), Mustafa Fadel Hamad (University of Anbar), Faisal Ghazi Faisal (Jannat Iraq College), Thakir Hadi Abdullah (Ministry of Education), Ali Abd Ulkareem (The Local Union of Agricultural Cooperative Societies)

ឆ្នាំបោះពុម្ព៖ 2024, Research on World Agricultural Economy

វិស័យសិក្សា៖ Agricultural Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះវាយតម្លៃថាតើការកើនឡើងនៃបំណុលសាធារណៈក្នុងស្រុក (DPD) របស់ប្រទេសអ៊ីរ៉ាក់ពីឆ្នាំ ២០០៤ ដល់ ២០២២ មានឥទ្ធិពលយ៉ាងណាទៅលើការវិនិយោគរបស់រដ្ឋាភិបាលលើវិស័យកសិកម្ម (AGI) និងកំណើនសេដ្ឋកិច្ចជាតិ (GDP) ទាំងមូល។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រវិភាគបរិមាណលើទិន្នន័យស៊េរីពេលវេលាពីធនាគារកណ្តាល និងក្រសួងហិរញ្ញវត្ថុអ៊ីរ៉ាក់ ដោយអនុវត្តម៉ូដែលសេដ្ឋកិច្ចមាត្រដើម្បីស្វែងរកទំនាក់ទំនងរវាងអថេរ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Autoregressive Distributed Lag (ARDL) Model
ម៉ូដែល Autoregressive Distributed Lag (ARDL)
អាចប្រើប្រាស់បានទោះបីជាអថេរមានលំដាប់សមាហរណកម្មខុសគ្នា (I(0) និង I(1)) និងផ្តល់លទ្ធផលប្រកបដោយប្រសិទ្ធភាពសម្រាប់ទិន្នន័យដែលមានទំហំសំណាកតូច (Small sample size)។ វាជួយកាត់បន្ថយបញ្ហាអថេរដែលបាត់បង់ និងបញ្ហា Autocorrelation។ មិនអាចអនុវត្តបានទេប្រសិនបើអថេរណាមួយមានលំដាប់សមាហរណកម្មកម្រិតទី២ (I(2))។ ទាមទារការកំណត់កម្រិត Lag ឱ្យបានត្រឹមត្រូវ។ បង្ហាញពីទំនាក់ទំនងវិជ្ជមានទាំងរយៈពេលខ្លីនិងវែងរវាងបំណុលក្នុងស្រុកនិងកំណើនសេដ្ឋកិច្ច (មេគុណ ៧.៧៧៩៣ សម្រាប់រយៈពេលវែង) ប៉ុន្តែគ្មានឥទ្ធិពលលើការវិនិយោគកសិកម្ម។
Traditional Cointegration Tests
ការធ្វើតេស្តសមាហរណកម្មប្រពៃណី
ស័ក្តិសមសម្រាប់ការវិភាគទំនាក់ទំនងរយៈពេលវែងរវាងអថេរច្រើន ដែលមានលំដាប់សមាហរណកម្មកម្រិតដូចគ្នា។ ទាមទារទំហំសំណាកទិន្នន័យធំ (Large sample size) ដើម្បីទទួលបានលទ្ធផលមានប្រសិទ្ធភាព និងមិនអាចអនុវត្តលើទិន្នន័យខុសកម្រិត I(0) និង I(1) ចម្រុះគ្នាបានឡើយ។ មិនត្រូវបានជ្រើសរើសសម្រាប់ការវិភាគចម្បងក្នុងការសិក្សានេះទេ ដោយសារបញ្ហាទំហំសំណាកនៃទិន្នន័យស៊េរីពេលវេលាពីឆ្នាំ២០០៤-២០២២។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារទិន្នន័យកម្រិតជាតិផ្លូវការ និងកម្មវិធីកុំព្យូទ័រសម្រាប់ការវិភាគសេដ្ឋកិច្ចមាត្រកម្រិតខ្ពស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះប្រើប្រាស់ទិន្នន័យផ្តាច់មុខពីប្រទេសអ៊ីរ៉ាក់ (២០០៤-២០២២) ដែលជាប្រទេសមានសេដ្ឋកិច្ចពឹងផ្អែកស្ទើរតែទាំងស្រុងលើប្រាក់ចំណូលពីប្រេងកាត (៩៨%) និងប្រឈមនឹងអស្ថិរភាពនយោបាយ-អំពើពុករលួយខ្ពស់។ សម្រាប់ប្រទេសកម្ពុជា ដែលទើបតែចាប់ផ្តើមបោះផ្សាយមូលបត្របំណុលរដ្ឋ (Sovereign bonds) ហើយពឹងផ្អែកខ្លាំងលើវិស័យកសិកម្ម និងកាត់ដេរ នេះជាមេរៀនដ៏សំខាន់ដែលបង្ហាញថា ការខ្ចីប្រាក់ក្នុងស្រុកនឹងមិនបង្កើតផលចំណេញទេ ប្រសិនបើរដ្ឋប្រើប្រាស់វាសម្រាប់តែចំណាយប្រតិបត្តិការ ជំនួសឱ្យការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាបរិបទសេដ្ឋកិច្ចមានភាពខុសគ្នាក៏ដោយ វិធីសាស្ត្រនៃម៉ូដែលសិក្សានេះមានភាពពាក់ព័ន្ធ និងមានសារៈសំខាន់បំផុតសម្រាប់គោលនយោបាយគ្រប់គ្រងបំណុលរបស់កម្ពុជា។

ជារួម វិធីសាស្ត្រ និងការរកឃើញរបស់ឯកសារនេះផ្តល់ជាក្របខ័ណ្ឌជាក់ស្តែងមួយ ដើម្បីជួយរាជរដ្ឋាភិបាលកម្ពុជាធានាថា បំណុលសាធារណៈក្នុងស្រុកដែលកំពុងកើនឡើង ត្រូវបានប្រើប្រាស់ចំគោលដៅផលិតកម្ម និងជំរុញកំណើនសេដ្ឋកិច្ចពិតប្រាកដ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ប្រមូល និងរៀបចំទិន្នន័យកម្រិតជាតិម៉ាក្រូ: ប្រមូលទិន្នន័យពីវិទ្យាស្ថានជាតិស្ថិតិ (NIS) ក្រសួងសេដ្ឋកិច្ច (MEF) និងធនាគារជាតិ (NBC) ទាក់ទងនឹងបំណុលរដ្ឋ GDP និងការវិនិយោគរដ្ឋលើកសិកម្ម ពីឆ្នាំ ២០១០-២០២៣។ បន្ទាប់មក ប្រើ Microsoft Excel ដើម្បីបំប្លែងទិន្នន័យប្រចាំឆ្នាំទៅជាប្រចាំត្រីមាស ដើម្បីទទួលបានចំនួន Sample សមស្រប។
  2. ធ្វើតេស្តសេដ្ឋកិច្ចមាត្រមូលដ្ឋាន (Unit Root Test): នាំចូលទិន្នន័យទៅក្នុងកម្មវិធី EViewsStata ហើយអនុវត្តការធ្វើតេស្ត Augmented Dickey-Fuller (ADF) ដើម្បីពិនិត្យមើលភាពនឹងនរ (Stationarity) នៃទិន្នន័យនីមួយៗ និងធានាថាគ្មានអថេរណាមួយមានលំដាប់ I(2) ឡើយ។
  3. កំណត់ម៉ូដែល ARDL និងវាយតម្លៃទំនាក់ទំនង: ប្រើប្រាស់កម្មវិធីដើម្បីកំណត់ Optimal Lag Length តាមរយៈលក្ខខណ្ឌ Akaike Information Criterion (AIC) និងរត់ម៉ូដែល ARDL Bounds Test ដើម្បីបញ្ជាក់ពីអត្ថិភាពនៃទំនាក់ទំនងសមាហរណកម្ម (Cointegration) រវាងបំណុលនិងកំណើនសេដ្ឋកិច្ច។
  4. ត្រួតពិនិត្យភាពជឿជាក់នៃម៉ូដែល (Diagnostic Checks): ធ្វើតេស្ត ARCH សម្រាប់ Heteroscedasticity, ធ្វើតេស្ត LM សម្រាប់បញ្ហា Serial Correlation, និងតេស្តស្ថិរភាពរចនាសម្ព័ន្ធដោយមើលលើក្រាហ្វិកចំណុចកណ្តាល CUSUM និង CUSUM of Squares
  5. តាក់តែងរបាយការណ៍សេដ្ឋកិច្ច និងអនុសាសន៍: បកស្រាយទំហំឥទ្ធិពលនៃរយៈពេលខ្លីនិងវែង (Short-run & Long-run dynamics) ព្រមទាំងផ្តល់អនុសាសន៍គោលនយោបាយថាតើរដ្ឋាភិបាលគួរបន្តបោះផ្សាយមូលបត្របំណុលក្នុងកម្រិតណា និងគួរចាក់បញ្ចូលទុនទៅក្នុងវិស័យកសិកម្មបែបណាទើបទទួលបានប្រសិទ្ធភាពសេដ្ឋកិច្ចខ្ពស់បំផុត។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Autoregressive Distributed Lag (ARDL) model (ម៉ូដែល ARDL) ជាម៉ូដែលស្ថិតិសេដ្ឋកិច្ចមាត្រដែលប្រើសម្រាប់វិភាគទិន្នន័យស៊េរីពេលវេលា (Time-series) ដើម្បីស្វែងរកទំនាក់ទំនងរវាងអថេរ (ដូចជាបំណុល និងកំណើនសេដ្ឋកិច្ច) ទាំងក្នុងរយៈពេលខ្លី និងរយៈពេលវែង ក្នុងពេលតែមួយ ហើយអាចប្រើបានទោះបីជាទិន្នន័យមានកម្រិតលំដាប់ខុសគ្នាក៏ដោយ។ ដូចជាការទស្សន៍ទាយអាកាសធាតុថ្ងៃនេះដោយមើលលើអាកាសធាតុម្សិលមិញ ព្រមទាំងយកកត្តាបរិស្ថានផ្សេងៗដែលបានកើតឡើងក្នុងប៉ុន្មានថ្ងៃមុនមកវិភាគបញ្ចូលគ្នា។
Domestic public debt (បំណុលសាធារណៈក្នុងស្រុក) ជាទំហំទឹកប្រាក់ដែលរដ្ឋាភិបាលបានខ្ចីពីប្រភពនៅក្នុងស្រុក ដូចជាធនាគារកណ្តាល ធនាគារពាណិជ្ជ ឬសាធារណជនទូទៅ តាមរយៈការបោះផ្សាយសញ្ញាប័ណ្ណ (មូលបត្របំណុលរដ្ឋ) ដើម្បីយកមកប៉ះប៉ូវឱនភាពថវិកាជាតិ ឬចំណាយលើគម្រោងនានា។ ដូចជាឪពុកម្តាយខ្ចីលុយកូនចៅ ឬសាច់ញាតិក្នុងគ្រួសារខ្លួនឯង ដើម្បីយកមកធ្វើដើមទុនរកស៊ី ឬចំណាយប្រចាំថ្ងៃ ជំនួសឱ្យការទៅខ្ចីលុយពីធនាគារខាងក្រៅ។
Cointegration (សមាហរណកម្មអថេរ ឬទំនាក់ទំនងរយៈពេលវែង) ជាលក្ខណៈនៃអថេរសេដ្ឋកិច្ចពីរឬច្រើន ដែលទោះបីជាវាប្រែប្រួលឡើងចុះៗក្នុងទិសដៅផ្ទុយគ្នាក្នុងរយៈពេលខ្លីយ៉ាងណាក្តី ក៏ពួកវានៅតែមានទំនាក់ទំនងចងក្រងគ្នានិងធ្វើចលនាស្របគ្នាក្នុងទិសដៅតែមួយជាលក្ខណៈប្រព័ន្ធក្នុងរយៈពេលវែង។ ដូចជាសត្វឆ្កែនិងម្ចាស់ដែលកំពុងដើរលេង ទោះបីឆ្កែរត់ចុះឡើងឆ្វេងស្តាំកាត់មុខម្ចាស់ (ភាពប្រែប្រួលរយៈពេលខ្លី) តែទីបំផុតវានៅតែដើរតាមម្ចាស់ក្នុងទិសដៅតែមួយឆ្ពោះទៅផ្ទះ (ទំនាក់ទំនងរយៈពេលវែង)។
Error correction parameter (មេគុណកែតម្រូវកំហុសអតុល្យភាព) ជារង្វាស់នៅក្នុងម៉ូដែលសេដ្ឋកិច្ច ដែលបង្ហាញពីល្បឿននៃការវិលត្រឡប់ទៅរកសភាពតុល្យភាពដើមវិញ (Long-run equilibrium) បន្ទាប់ពីមានកត្តាអ្វីមួយមករំខាន (Shock) ធ្វើឱ្យមានអតុល្យភាពក្នុងរយៈពេលខ្លី។ ដូចជារបារយឺតកៅស៊ូ ពេលយើងទាញវាឱ្យខូចទ្រង់ទ្រាយ (មានអតុល្យភាព) វានឹងប្រើល្បឿនណាមួយជាក់លាក់ដើម្បីកន្ត្រាក់ត្រឡប់មករកសណ្ឋានដើមរបស់វាវិញ។
Crowding out effect (បាតុភូតទាញទម្លាក់ការវិនិយោគ ឬការប្រជ្រៀតចេញ) គឺជាស្ថានភាពដែលរដ្ឋាភិបាលបង្កើនការខ្ចីប្រាក់ក្នុងស្រុកយ៉ាងច្រើនសន្ធឹកសន្ធាប់ ឬយកទុនទៅបើកប្រាក់ខែឱ្យស្ថាប័នរដ្ឋដែលមិនបង្កើតផល ធ្វើឱ្យបាត់បង់ឱកាសក្នុងការបែងចែកធនធានទាំងនោះទៅវិនិយោគលើវិស័យផលិតកម្ម ឬធ្វើឱ្យវិស័យឯកជនពិបាករកដើមទុន។ ដូចជាពេលដែលមានមនុស្សធាត់ម្នាក់ (រដ្ឋាភិបាល) ចូលមកអង្គុយលើកៅអីតូចមួយ ធ្វើឱ្យមនុស្សផ្សេងទៀត (ការវិនិយោគឯកជន ឬកសិកម្ម) គ្មានកន្លែងអង្គុយ ហើយត្រូវបង្ខំចិត្តងើបចេញ។
Augmented Dickey-Fuller (ADF) unit root test (ការធ្វើតេស្តឫសគល់ ADF) ជាការធ្វើតេស្តស្ថិតិដើម្បីពិនិត្យមើលថា តើទិន្នន័យស៊េរីពេលវេលា (Time-series) មួយមានលក្ខណៈនឹងនរ (Stationary) ដែរឬទេ ពោលគឺមធ្យមភាគ និងភាពប្រែប្រួលរបស់វាមិនប្រែប្រួលទៅតាមពេលវេលា ដែលជាលក្ខខណ្ឌចាំបាច់មុននឹងយកទិន្នន័យនោះទៅវិភាគក្នុងម៉ូដែលសេដ្ឋកិច្ចមាត្រ។ ដូចជាការពិនិត្យមើលថាតើចង្វាក់បេះដូងរបស់អ្នកជំងឺដើររៀបរយធម្មតាឬអត់ មុននឹងគ្រូពេទ្យសម្រេចចិត្តចាក់ថ្នាំព្យាបាលជំងឺផ្សេងទៀត ដើម្បីកុំឱ្យមានប្រតិកម្មខុស។
Heteroscedasticity (អសាមញ្ញភាពនៃវ៉ារ្យ៉ង់កំហុស) គឺជាបញ្ហាក្នុងម៉ូដែលស្ថិតិ ដែលកម្រិតនៃភាពប្រែប្រួល (Variance) នៃកំហុសសំណល់ (Residuals) មិនមានទំហំថេរទេ តែវាប្រែប្រួលខុសៗគ្នាតាមតម្លៃនៃអថេរឯករាជ្យ ធ្វើឱ្យលទ្ធផលនៃការទស្សន៍ទាយមិនអាចទុកចិត្តបាន។ ការសិក្សានេះប្រើ ARCH test ដើម្បីបញ្ជាក់ថាម៉ូដែលគ្មានបញ្ហានេះ។ ដូចជាគោលដៅបាញ់ស៊ីប ដែលពេលនៅជិតយើងបាញ់ចំល្អ តែពេលគោលដៅកាន់តែឆ្ងាយ គ្រាប់កាំភ្លើងរាយប៉ាយខុសគោលដៅកាន់តែខ្លាំងដោយគ្មានសណ្តាប់ធ្នាប់ ធ្វើឱ្យយើងមិនអាចទាយទុកពីភាពសុក្រឹតបាន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖