Original Title: Economic Factors Influencing the Price of Rubber for Forecasting Rubber Prices Using the Box-Jenkins Technique
Source: doi.org/10.36956/rwae.v7i1.2464
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

កត្តាសេដ្ឋកិច្ចដែលជះឥទ្ធិពលដល់តម្លៃកៅស៊ូសម្រាប់ការព្យាករណ៍តម្លៃកៅស៊ូដោយប្រើប្រាស់បច្ចេកទេស Box-Jenkins

ចំណងជើងដើម៖ Economic Factors Influencing the Price of Rubber for Forecasting Rubber Prices Using the Box-Jenkins Technique

អ្នកនិពន្ធ៖ Suphattana Tachochalalai, Somkid Yakean, Suriya Suwannatippayachot, Piyaphong Supanyo, Chanchai Pommi, Konnut Pugatekaew

ឆ្នាំបោះពុម្ព៖ 2026 Research on World Agricultural Economy

វិស័យសិក្សា៖ Agricultural Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះពិនិត្យលើកត្តាម៉ាក្រូសេដ្ឋកិច្ចដែលជះឥទ្ធិពលដល់តម្លៃជ័រកៅស៊ូខាប់នៅក្នុងប្រទេសថៃ និងមានគោលបំណងព្យាករណ៍តម្លៃប្រចាំថ្ងៃនាពេលអនាគត ដើម្បីជួយអ្នកចូលរួមទីផ្សារកាត់បន្ថយហានិភ័យនៃភាពប្រែប្រួលតម្លៃ។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់ទិន្នន័យម៉ាក្រូសេដ្ឋកិច្ចប្រចាំខែ និងតម្លៃកៅស៊ូប្រចាំថ្ងៃពីឆ្នាំ២០១១ ដល់ឆ្នាំ២០២៥ ដោយអនុវត្តការវិភាគសហសម្ព័ន្ធ តំរែតំរង់ពហុគុណ និងការព្យាករណ៍ស៊េរីពេលវេលា។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Multiple Regression Analysis
ការវិភាគតំរែតំរង់ពហុគុណ
មានសមត្ថភាពអាចកំណត់ និងពន្យល់ពីទំហំនៃឥទ្ធិពលរបស់អថេរម៉ាក្រូសេដ្ឋកិច្ចនីមួយៗ (ដូចជាតម្លៃប្រេង និងការនាំចេញ) ទៅលើតម្លៃកៅស៊ូបានយ៉ាងច្បាស់លាស់។ គ្រាន់តែពន្យល់ពីទំនាក់ទំនងលីនេអ៊ែរ ប៉ុន្តែមិនអាចចាប់យកភាពប្រែប្រួលតាមពេលវេលា (Seasonality) ឬធ្វើការព្យាករណ៍តម្លៃប្រចាំថ្ងៃបានល្អដូចគំរូស៊េរីពេលវេលានោះទេ។ អាចពន្យល់ពីបំរែបំរួលតម្លៃកៅស៊ូបាន ៦៦,៣០% (R-squared = 0.663) ដោយរកឃើញថាតម្លៃប្រេងឆៅនិងការនាំចេញគឺជាកត្តាជះឥទ្ធិពលខ្លាំងជាងគេ។
Box-Jenkins Technique / ARIMA (1,1,0)
បច្ចេកទេស Box-Jenkins / គំរូ ARIMA
មានភាពសុក្រឹតខ្ពស់ក្នុងការវិភាគនិងព្យាករណ៍ទិន្នន័យស៊េរីពេលវេលា ដោយអាចចាប់យកនិន្នាការ និងទំនាក់ទំនងក្នុងអតីតកាលដើម្បីទស្សន៍ទាយអនាគត។ ទាមទារឱ្យទិន្នន័យមានភាពនឹងនរ (Stationarity) ជាមុនសិន និងមានភាពស្មុគស្មាញក្នុងការកំណត់តម្លៃប៉ារ៉ាម៉ែត្រ p, d, q តាមរយៈក្រាហ្វ ACF និង PACF។ ផ្តល់លទ្ធផលព្យាករណ៍តម្លៃកៅស៊ូប្រចាំថ្ងៃបានយ៉ាងសុក្រឹត ដោយមានតម្លៃ R-squared រហូតដល់ ០,៩៩៥ (99.5%) និងកម្រិតកំហុស MAPE ត្រឹមតែ ០,៨៧០% ប៉ុណ្ណោះ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើទិន្នន័យបន្ទាប់បន្សំ (Secondary Data) ដែលទាមទារការប្រមូលទិន្នន័យប្រវត្តិសាស្ត្រពីប្រភពនានា និងជំនាញក្នុងការប្រើប្រាស់កម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគស្ថិតិ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះប្រើប្រាស់ទិន្នន័យទីផ្សារប្រទេសថៃចន្លោះឆ្នាំ២០១១ ដល់ ២០២៥ ដែលជារចនាសម្ព័ន្ធទីផ្សារធំបំផុតមួយ។ សម្រាប់ប្រទេសកម្ពុជា ទោះបីជារចនាសម្ព័ន្ធទីផ្សារនិងគោលនយោបាយកសិកម្មមានភាពខុសគ្នាពីថៃបន្តិចបន្តួចក្តី ក៏កៅស៊ូគឺជាទំនិញទីផ្សារសកល។ ហេតុនេះ កត្តាតម្លៃប្រេងឆៅនិងតម្រូវការនាំចេញអន្តរជាតិនៅតែមានឥទ្ធិពលដោយផ្ទាល់មកលើទីផ្សារកៅស៊ូកម្ពុជា ដែលធ្វើឱ្យរបកគំហើញនេះមានតម្លៃសម្រាប់យកមកប្រៀបធៀបនិងអនុវត្ត។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រព្យាករណ៍នៅក្នុងការសិក្សានេះមានសក្តានុពលខ្លាំងក្នុងការយកមកអនុវត្តដើម្បីគ្រប់គ្រងហានិភ័យតម្លៃកៅស៊ូនៅប្រទេសកម្ពុជា។

ជារួម ការធ្វើសមាហរណកម្មគំរូស៊េរីពេលវេលាជាមួយទិន្នន័យម៉ាក្រូសេដ្ឋកិច្ច នឹងជួយឱ្យអ្នកពាក់ព័ន្ធក្នុងខ្សែច្រវាក់តម្លៃកៅស៊ូនៅកម្ពុជាអាចកាត់បន្ថយហានិភ័យភាពប្រែប្រួលតម្លៃបានយ៉ាងមានប្រសិទ្ធភាព។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ប្រមូលទិន្នន័យទីផ្សារកៅស៊ូនិងសេដ្ឋកិច្ច (Data Collection): ប្រមូលទិន្នន័យតម្លៃកៅស៊ូប្រចាំថ្ងៃពីអគ្គនាយកដ្ឋានកៅស៊ូកម្ពុជា ព្រមទាំងទិន្នន័យតម្លៃប្រេងឆៅពិភពលោក (WTI/Brent) និងអត្រាប្តូរប្រាក់ដុល្លារ/រៀល ពីប្រភពដូចជាធនាគារជាតិ ឬវេបសាយ Investing.com ក្នុងរយៈពេលយ៉ាងតិច៥ទៅ១០ឆ្នាំ។
  2. សម្អាតទិន្នន័យ និងធ្វើតេស្តភាពនឹងនរ (Data Preprocessing & Stationarity Check): ប្រើប្រាស់កូដ Python (pandas, statsmodels) ដើម្បីសម្អាតទិន្នន័យដែលបាត់បង់ និងអនុវត្តការធ្វើតេស្ត Augmented Dickey-Fuller (ADF) test ដើម្បីពិនិត្យមើលភាពនឹងនរនៃទិន្នន័យ មុនពេលឈានទៅអនុវត្តគំរូព្យាករណ៍។
  3. កំណត់ប៉ារ៉ាម៉ែត្រសម្រាប់គំរូ ARIMA (Model Identification): វិភាគលើក្រាហ្វិក Autocorrelation Function (ACF) និង Partial Autocorrelation Function (PACF) ដើម្បីកំណត់តម្លៃ p, d, និង q សម្រាប់សាងសង់គំរូ ARIMA (Box-Jenkins) ឱ្យស្របទៅនឹងទិន្នន័យជាក់ស្តែងរបស់កម្ពុជា។
  4. សាកល្បងបញ្ចូលកត្តាម៉ាក្រូសេដ្ឋកិច្ចតាមរយៈគំរូ ARIMAX (Model Enhancement): ដើម្បីបង្កើនភាពសុក្រឹតនៃការទស្សន៍ទាយ សូមអភិវឌ្ឍពីគំរូ ARIMA ធម្មតា ទៅជា ARIMAX (ARIMA with Explanatory Variables) ដោយបញ្ជូលទិន្នន័យតម្លៃប្រេងឆៅ និងអត្រាប្តូរប្រាក់ជាអថេរឯករាជ្យ។
  5. អភិវឌ្ឍប្រព័ន្ធព័ត៌មានតាមដានតម្លៃ (Price Monitoring Dashboard): ប្រើប្រាស់ Power BI, Tableau ឬបង្កើតគេហទំព័រខ្លីៗតាមរយៈ Streamlit (Python) ដើម្បីបង្ហាញលទ្ធផលនៃការព្យាករណ៍តម្លៃកៅស៊ូប្រចាំថ្ងៃ ទុកជាជំនួយស្មារតីដល់កសិករ និងអ្នកវិនិយោគកសិកម្មនៅកម្ពុជា។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Box-Jenkins Technique (បច្ចេកទេស Box-Jenkins) ជាវិធីសាស្ត្រស្ថិតិសម្រាប់វិភាគ និងព្យាករណ៍ទិន្នន័យស៊េរីពេលវេលា (Time Series) តាមរយៈការប្រើប្រាស់គំរូ ARIMA ដើម្បីទាញយកនិន្នាការ និងលំនាំប្រែប្រួលក្នុងអតីតកាលយកមកទស្សន៍ទាយតម្លៃនាពេលអនាគត។ ដូចជាការមើលកំណត់ត្រាអាកាសធាតុប្រចាំថ្ងៃក្នុងរយៈពេលប៉ុន្មានឆ្នាំកន្លងមក ដើម្បីទស្សន៍ទាយថាតើថ្ងៃស្អែកមេឃនឹងភ្លៀងឬអត់ ដោយផ្អែកលើទម្លាប់នៃរដូវកាល។
Stationarity (ភាពនឹងនរនៃទិន្នន័យ) ជាលក្ខខណ្ឌនៃទិន្នន័យស៊េរីពេលវេលា ដែលមធ្យមភាគ វ៉ារ្យ៉ង់ (Variance) និងរចនាសម្ព័ន្ធស្វ័យសម្ព័ន្ធ (Autocorrelation) របស់វាមិនមានការប្រែប្រួល ឬហក់ចុះឡើងខ្លាំងពេកទៅតាមពេលវេលា ដែលនេះជាលក្ខខណ្ឌចម្បងក្នុងការបង្កើតគំរូទស្សន៍ទាយប្រកបដោយភាពសុក្រឹត។ ដូចជាការជិះកង់នៅលើផ្លូវរាបស្មើ (មិនឡើងមិនចុះចំណោត) ដែលធ្វើឱ្យយើងងាយស្រួលប៉ាន់ស្មានថាតើយើងនឹងទៅដល់គោលដៅនៅម៉ោងប៉ុន្មាន។
Multicollinearity (ពហុគូលីនេអ៊ែរ) ជាបញ្ហាក្នុងការវិភាគតំរែតំរង់ (Regression) ដែលកើតឡើងនៅពេលអថេរឯករាជ្យពីរ ឬច្រើន មានទំនាក់ទំនងគ្នាខ្លាំងពេក ដែលធ្វើឱ្យប្រព័ន្ធស្ថិតិពិបាកក្នុងការវាយតម្លៃថា តើអថេរមួយណាពិតជាអ្នកជះឥទ្ធិពលពិតប្រាកដដល់លទ្ធផល។ ដូចជាមានមនុស្សពីរនាក់ច្រៀងចម្រៀងព្រមគ្នាក្នុងកម្រិតសំឡេងតែមួយ ដែលធ្វើឱ្យអ្នកស្តាប់ពិបាកបែងចែកថាសំឡេងអ្នកណាពីរោះជាងអ្នកណា។
Multiple regression (តំរែតំរង់ពហុគុណ) ជាបច្ចេកទេសស្ថិតិដែលប្រើសម្រាប់វាស់ស្ទង់ឥទ្ធិពលនៃកត្តាជាច្រើន (អថេរឯករាជ្យ) ក្នុងពេលតែមួយ ទៅលើលទ្ធផលគោលដៅតែមួយ (អថេរអាស្រ័យ) ឧទាហរណ៍ដូចជាការគណនាថាតើតម្លៃប្រេង អត្រាប្តូរប្រាក់ និងការនាំចេញ ជះឥទ្ធិពលប៉ុណ្ណាដល់តម្លៃកៅស៊ូ។ ដូចជាការធ្វើតេស្តស្វែងរកមើលថា តើកម្រិតពន្លឺថ្ងៃ បរិមាណទឹក ឬប្រភេទជី មួយណាដែលជួយជំរុញឱ្យដើមឈើលូតលាស់បានលឿនជាងគេ។
Autocorrelation Function (ACF) (អនុគមន៍ស្វ័យសម្ព័ន្ធ) ជារង្វាស់ស្ថិតិដែលគណនាកម្រិតនៃទំនាក់ទំនងរវាងតម្លៃទិន្នន័យនៅពេលវេលាបច្ចុប្បន្ន ជាមួយនឹងតម្លៃរបស់វានៅពេលវេលាមុនៗ (Lags) ដើម្បីរកមើលវដ្ត ឬលំនាំដដែលៗ (Seasonality) នៅក្នុងទិន្នន័យស៊េរីពេលវេលា។ ដូចជាការកត់សម្គាល់ឃើញថា រាល់ពេលដែលអ្នកចូលគេងយឺតនៅយប់ថ្ងៃអាទិត្យ អ្នកតែងតែងងុយគេងខ្លាំងនៅព្រឹកថ្ងៃច័ន្ទ។
Macroeconomic factors (កត្តាម៉ាក្រូសេដ្ឋកិច្ច) ជាកត្តាធំៗដែលជះឥទ្ធិពលដល់ប្រព័ន្ធសេដ្ឋកិច្ចទាំងមូលនៃប្រទេស ឬពិភពលោក (ដូចជា តម្លៃប្រេងឆៅ អត្រាប្តូរប្រាក់បរទេស អតិផរណា) ដែលកត្តាទាំងនេះអាចជះឥទ្ធិពលដោយផ្ទាល់ឬប្រយោលដល់តម្លៃទំនិញនៅលើទីផ្សារ។ ដូចជាអាកាសធាតុប្រចាំរដូវ (រដូវវស្សា ឬរដូវប្រាំង) ដែលជះឥទ្ធិពលយ៉ាងទូលំទូលាយដល់ការរស់នៅនិងការដាំដុះរបស់អ្នកភូមិគ្រប់ៗគ្នានៅក្នុងតំបន់។
Mean Absolute Percentage Error (MAPE) (កំហុសភាគរយដាច់ខាតមធ្យម) ជារូបមន្តវាស់ស្ទង់ភាពសុក្រឹតនៃគំរូទស្សន៍ទាយ ដោយគណនាជាភាគរយនៃការងាករេ ឬភាពខុសគ្នារវាងតម្លៃដែលប្រព័ន្ធបានព្យាករណ៍ និងតម្លៃដែលកើតឡើងពិតប្រាកដ (តម្លៃកាន់តែតូច បង្ហាញថាការព្យាករណ៍កាន់តែត្រឹមត្រូវ)។ ដូចជាការលេងបាញ់ធ្នូ ប្រសិនបើព្រួញដែលបាញ់ចេញទៅឃ្លាតពីចំណុចកណ្តាលកាន់តែតិច (កំហុសតូច) នោះមានន័យថាអ្នកបាញ់មានភាពច្បាស់លាស់កាន់តែខ្ពស់។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖