បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះកំណត់អត្តសញ្ញាណកត្តាគន្លឹះម៉ាក្រូសេដ្ឋកិច្ចដែលជះឥទ្ធិពលដល់លំហូរនៃការវិនិយោគផ្ទាល់ពីបរទេស (FDI) ចូលទៅក្នុងប្រទេសកំពុងអភិវឌ្ឍន៍ដែលមានប្រាក់ចំណូលមធ្យម និងទាបក្នុងបរិបទសកលភាវូបនីយកម្ម។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ទិន្នន័យបន្ទះ (Panel Data) ពីប្រទេសចំនួន ៣០ ក្នុងចន្លោះឆ្នាំ ២០០០ ដល់ ២០១២ ដោយអនុវត្តវិធីសាស្ត្រតេស្តសេដ្ឋកិច្ចដើម្បីវិភាគទំនាក់ទំនងអថេរ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Pooled OLS ការ៉េអប្បបរមាធម្មតា (Pooled Ordinary Least Squares) |
ជាវិធីសាស្ត្រសាមញ្ញបំផុតក្នុងការប៉ាន់ស្មានទំនាក់ទំនងមូលដ្ឋាន និងងាយស្រួលបកស្រាយ។ | មិនបានគិតបញ្ចូលនូវភាពខុសគ្នា ឬលក្ខណៈពិសេសរបស់ប្រទេសនីមួយៗទេ ដែលនាំឱ្យលទ្ធផលអាចមានភាពលម្អៀង និងមិនស័ក្តិសម (បរាជ័យក្នុងការធ្វើតេស្ត F-test)។ | អាចពន្យល់ពីបម្រែបម្រួលនៃ FDI បាន ៥៦,៧៤% តែមិនត្រូវបានជ្រើសរើសដោយសារមានកំហុសផ្នែកវិធីសាស្ត្រ។ |
| Fixed Effects Model (FEM) / Random Effects Model (REM) គំរូផលប៉ះពាល់ថេរ និង ផលប៉ះពាល់ចៃដន្យ |
ជួយគ្រប់គ្រងលើលក្ខណៈពិសេសរបស់ប្រទេសនីមួយៗដែលមានឥទ្ធិពលលើ FDI ធ្វើឱ្យលទ្ធផលសុក្រឹតជាង Pooled OLS។ | ទោះបីជា Hausman test បង្ហាញថា REM ស័ក្តិសមជាងក៏ដោយ គំរូទាំងពីរនេះនៅតែប្រឈមនឹងបញ្ហាបម្រែបម្រួលខុសគ្នា (Heteroskedasticity) និង Autocorrelation ។ | ម៉ូដែល REM ស័ក្តិសមជាង FEM ប៉ុន្តែនៅតែមានចំណុចខ្វះខាតលើការបែកខ្ចាត់ខ្ចាយនៃទិន្នន័យ (P-value = 0.0000 ក្នុង Wald Test)។ |
| Feasible Generalized Least Square (FGLS) ការ៉េអប្បបរមាទូទៅដែលអាចធ្វើទៅបាន |
អាចដោះស្រាយបញ្ហា Heteroskedasticity និង Autocorrelation ដែលមាននៅក្នុងទិន្នន័យបានយ៉ាងមានប្រសិទ្ធភាព។ | ទាមទារការគណនាស្មុគស្មាញ និងចំណេះដឹងផ្នែក Econometrics កម្រិតខ្ពស់ក្នុងការកសាងម៉ាទ្រិចបំលែងទិន្នន័យ។ | ជាម៉ូដែលល្អបំផុតដែលត្រូវបានជ្រើសរើស៖ បង្ហាញថា GDP កើន ១% ធ្វើឱ្យ FDI កើន ០,៥៦២% និងភាពបើកចំហពាណិជ្ជកម្មកើន ១% ធ្វើឱ្យ FDI កើន ០,៩៣៩%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារសំណុំទិន្នន័យបន្ទះ (Panel Data) ទូលំទូលាយ និងកម្មវិធីស្ថិតិឯកទេសសម្រាប់ការវិភាគគំរូសេដ្ឋកិច្ចកម្រិតខ្ពស់។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យប្រទេសកំពុងអភិវឌ្ឍន៍ចំនួន ៣០ (រួមទាំងប្រទេសកម្ពុជា វៀតណាម និងប្រទេសក្នុងតំបន់អាស៊ី) ពីឆ្នាំ ២០០០-២០១២។ ទោះបីជាទិន្នន័យនេះមានភាពចាស់បន្តិច ប៉ុន្តែវាមានលក្ខណៈតំណាងល្អសម្រាប់ប្រទេសដែលមានចំណូលមធ្យម និងទាប។ របកគំហើញនេះពិតជាមានតម្លៃសម្រាប់កម្ពុជា ព្រោះវាឆ្លុះបញ្ចាំងពីបរិបទម៉ាក្រូសេដ្ឋកិច្ច និងបញ្ហាប្រឈមប្រហាក់ប្រហែលគ្នានៅក្នុងតំបន់។
វិធីសាស្ត្រ និងរបកគំហើញនៃការសិក្សានេះ មានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ការកែលម្អគោលនយោបាយសេដ្ឋកិច្ច និងការទាក់ទាញវិនិយោគនៅកម្ពុជា។
ជារួម ការសិក្សានេះផ្តល់ជាភស្តុតាងជាក់ស្តែងសម្រាប់កម្ពុជា ក្នុងការផ្លាស់ប្តូរគោលនយោបាយពីការទាក់ទាញវិនិយោគដោយផ្អែកលើពលកម្មតម្លៃថោក ទៅជាការទាក់ទាញដោយផ្អែកលើគុណភាពហេដ្ឋារចនាសម្ព័ន្ធ កម្លាំងពលកម្មជំនាញ និងភាពបើកចំហសេដ្ឋកិច្ចជារួម។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Panel Data | ទិន្នន័យបន្ទះ (Panel Data) គឺជាប្រភេទនៃសំណុំទិន្នន័យដែលតាមដានអង្គភាពជាច្រើន (ដូចជាប្រទេស ក្រុមហ៊ុន ឬបុគ្គល) ក្នុងរយៈពេលជាច្រើនឆ្នាំជាប់ៗគ្នា ដើម្បីវិភាគការផ្លាស់ប្តូរ និងនិន្នាការតាមពេលវេលានិងអវកាស។ | ដូចជាការតាមដានពិន្ទុប្រចាំខែរបស់សិស្សមួយក្រុមពេញមួយឆ្នាំសិក្សា ដើម្បីមើលការវិវឌ្ឍរបស់ពួកគេម្នាក់ៗ។ |
| Feasible Generalized Least Square (FGLS) | វិធីសាស្ត្រ FGLS គឺជាបច្ចេកទេសស្ថិតិកម្រិតខ្ពស់ដែលប្រើប្រាស់ដើម្បីដោះស្រាយបញ្ហាបម្រែបម្រួលខុសគ្នា (Heteroskedasticity) និងទំនាក់ទំនងស្វ័យប្រវត្តិ (Autocorrelation) នៅក្នុងគំរូទិន្នន័យ ដើម្បីឱ្យការប៉ាន់ស្មានមានភាពសុក្រឹតជាងការប្រើប្រាស់វិធីសាស្ត្រធម្មតា។ | ដូចជាការកែសម្រួលកែវយឺតដែលស្រវាំងឱ្យច្បាស់ឡើងវិញ ដើម្បីមើលរូបភាពបានត្រឹមត្រូវនិងមិនខុសទ្រង់ទ្រាយពិតប្រាកដ។ |
| Fixed Effects Model (FEM) | គំរូផលប៉ះពាល់ថេរ (FEM) គឺជាវិធីសាស្ត្រវិភាគទិន្នន័យដែលគ្រប់គ្រងលើលក្ខណៈពិសេសរបស់អង្គភាពនីមួយៗ (ឧទាហរណ៍៖ វប្បធម៌ ឬភូមិសាស្ត្ររបស់ប្រទេសមួយ) ដែលមិនប្រែប្រួលតាមពេលវេលា ដើម្បីផ្តោតលើតែឥទ្ធិពលនៃអថេរដែលយើងចង់សិក្សាប៉ុណ្ណោះ។ | ដូចជាការវាស់ស្ទង់ឥទ្ធិពលនៃថ្នាំដុះសក់ដោយកាត់ចេញនូវកត្តាពូជសាសន៍ ឬភេទរបស់បុគ្គលម្នាក់ៗ ដើម្បីដឹងថាថ្នាំនោះពិតជាមានប្រសិទ្ធភាពឬអត់។ |
| Random Effects Model (REM) | គំរូផលប៉ះពាល់ចៃដន្យ (REM) សន្មតថាលក្ខណៈពិសេសរបស់អង្គភាពនីមួយៗគឺមិនមានទំនាក់ទំនងជាមួយអថេរឯករាជ្យទេ ហើយវាអនុញ្ញាតឱ្យសិក្សាពីអថេរដែលមិនប្រែប្រួលតាមពេលវេលាផងដែរ។ | ដូចជាការវាយតម្លៃលទ្ធផលសិក្សារបស់សិស្ស ដោយចាត់ទុកថាទេពកោសល្យពីកំណើតរបស់ពួកគេគឺជារឿងចៃដន្យដែលចែករំលែកជាទូទៅ មិនមែនជាកត្តាជាប់ពាក់ព័ន្ធនឹងការខិតខំរៀនសូត្រឡើយ។ |
| Heteroskedasticity | បម្រែបម្រួលខុសគ្នា ឬ Heteroskedasticity គឺជាបាតុភូតក្នុងស្ថិតិ ដែលកំហុសនៃការទស្សន៍ទាយ (Error terms) មិនថេរពាសពេញសំណុំទិន្នន័យ ដែលធ្វើឱ្យលទ្ធផលតេស្តអត្ថន័យស្ថិតិមិនសូវអាចទុកចិត្តបាន។ | ដូចជាការបាញ់ស៊ីប ដែលនៅជិតបាញ់ត្រូវចំកណ្តាលល្អ តែពេលគោលដៅកាន់តែឆ្ងាយ គ្រាប់កាំភ្លើងរាយប៉ាយខុសគ្នាខ្លាំងពិបាកទាយ។ |
| Autocorrelation | ទំនាក់ទំនងស្វ័យប្រវត្តិ (Autocorrelation) កើតឡើងនៅពេលដែលទិន្នន័យនៅក្នុងពេលមួយ មានទំនាក់ទំនងផ្ទាល់ ឬទទួលឥទ្ធិពលពីទិន្នន័យនៅពេលមុនៗរបស់វា ដែលធ្វើឱ្យគំរូធម្មតាមិនអាចទាយបានត្រឹមត្រូវ។ | ដូចជាការព្យាករណ៍អាកាសធាតុថ្ងៃនេះដោយផ្អែកលើអាកាសធាតុម្សិលមិញ (បើម្សិលមិញភ្លៀង ថ្ងៃនេះក៏អាចមានភាគរយភ្លៀងខ្ពស់)។ |
| Hausman Test | Hausman Test គឺជាការធ្វើតេស្តស្ថិតិមួយដើម្បីសម្រេចថាតើត្រូវជ្រើសរើសប្រើប្រាស់គំរូ Fixed Effects (FEM) ឬ Random Effects (REM) សម្រាប់ការវិភាគទិន្នន័យបន្ទះឱ្យបានត្រឹមត្រូវបំផុត។ | ដូចជាការប្រើប្រាស់ត្រីវិស័យដើម្បីកំណត់ផ្លូវថាត្រូវបត់ឆ្វេង (FEM) ឬបត់ស្តាំ (REM) ក្នុងការធ្វើដំណើរទៅកាន់គោលដៅនៃលទ្ធផលត្រឹមត្រូវ។ |
| Trade Openness | ភាពបើកចំហពាណិជ្ជកម្ម គឺជារង្វាស់ដែលបង្ហាញពីកម្រិតនៃការចូលរួមរបស់ប្រទេសមួយនៅក្នុងពាណិជ្ជកម្មអន្តរជាតិ ដែលជាទូទៅគណនាដោយយកផលបូកនៃការនាំចេញនិងនាំចូល ចែកនឹងផលិតផលក្នុងស្រុកសរុប (GDP)។ | ដូចជាការវាស់ស្ទង់ថាតើហាងមួយបើកទ្វារស្វាគមន៍អតិថិជនពីខាងក្រៅ និងសហការជាមួយអ្នកផ្គត់ផ្គង់ច្រើនប៉ុណ្ណាធៀបនឹងទំហំហាងរបស់ខ្លួន។ |
| Multicollinearity | ពហុសហគំហើញ (Multicollinearity) ឬ Đa cộng tuyến កើតឡើងនៅពេលដែលអថេរឯករាជ្យពីរ ឬច្រើននៅក្នុងគំរូមានទំនាក់ទំនងគ្នាយ៉ាងខ្លាំង ដែលធ្វើឱ្យពិបាកក្នុងការបែងចែកឥទ្ធិពលដាច់ដោយឡែករបស់អថេរនីមួយៗទៅលើលទ្ធផល។ | ដូចជាពេលមនុស្សពីរនាក់រុញឡានជាមួយគ្នា ពិបាកនឹងដឹងថាអ្នកណាចេញកម្លាំងច្រើនជាងអ្នកណាដោយសារតែពួកគេធ្វើសកម្មភាពព្រមគ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
