បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាវិសមភាពប្រាក់ឈ្នួលរវាងបុរសនិងស្ត្រី និងរវាងកម្មករនៅតំបន់ទីក្រុងនិងជនបទ នៅក្នុងខេត្តតំបន់ដីសណ្ដទន្លេមេគង្គប្រទេសវៀតណាម។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់ទិន្នន័យស្ទង់មតិកម្រិតជីវភាពគ្រួសារនៅវៀតណាម និងអនុវត្តវិធីសាស្ត្របំបែកដើម្បីវិភាគកត្តាដែលជះឥទ្ធិពលដល់គម្លាតប្រាក់ឈ្នួល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Ordinary Least Squares (OLS) Regression ការវិភាគតំរែតំរង់ OLS |
ជួយកំណត់ទំនាក់ទំនង និងកម្រិតឥទ្ធិពលនៃកត្តាផ្សេងៗ (ដូចជាការអប់រំ អាយុ ភេទ) ទៅលើប្រាក់ឈ្នួល។ មានភាពងាយស្រួលក្នុងការគណនា និងបកស្រាយលទ្ធផលជាមូលដ្ឋាន។ | មិនអាចពន្យល់លម្អិតអំពីមូលហេតុស៊ីជម្រៅនៃគម្លាតប្រាក់ឈ្នួលរវាងក្រុមពីរដាច់ដោយឡែកពីគ្នា (ឧទាហរណ៍៖ បុរស និងស្ត្រី) ថាតើបណ្ដាលមកពីកត្តាអ្វីខ្លះឱ្យប្រាកដនោះទេ។ | ម៉ូដែល OLS បង្ហាញថា កម្រិតសិក្សា បទពិសោធន៍ (អាយុ) និងការរស់នៅទីក្រុង មានទំនាក់ទំនងវិជ្ជមានយ៉ាងច្បាស់លាស់ទៅនឹងការកើនឡើងនៃប្រាក់ឈ្នួល។ |
| Oaxaca-Blinder Decomposition វិធីសាស្ត្របំបែក Oaxaca-Blinder |
អាចបំបែកគម្លាតប្រាក់ឈ្នួលជាពីរផ្នែកយ៉ាងច្បាស់លាស់៖ ផ្នែកដែលអាចពន្យល់បាន (កត្តាដែលអាចមើលឃើញដូចជាការអប់រំ) និងផ្នែកមិនអាចពន្យល់បាន (សូចនាករដែលអាចបញ្ជាក់ពីការរើសអើង)។ | ទាមទារទិន្នន័យលម្អិត និងអាចមានភាពលម្អៀងប្រសិនបើមានអថេរដែលមិនបានរាប់បញ្ចូល (Omitted variables) នៅក្នុងម៉ូដែលតំរែតំរង់មូលដ្ឋាន។ | រកឃើញថាគម្លាតយេនឌ័រភាគច្រើន (ជាងពាក់កណ្ដាល) មិនអាចពន្យល់បាន ខណៈគម្លាតទីក្រុង-ជនបទរហូតដល់ ៨០% គឺអាចពន្យល់បានតាមរយៈភាពខុសគ្នានៃកម្រិតសិក្សា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងទៅលើទិន្នន័យស្ទង់មតិថ្នាក់ជាតិខ្នាតធំ និងកម្មវិធីកុំព្យូទ័រសម្រាប់ការវិភាគស្ថិតិ (Econometrics)។
ការសិក្សានេះធ្វើឡើងដោយប្រើប្រាស់ទិន្នន័យនៅតំបន់ដីសណ្ដទន្លេមេគង្គ នៃប្រទេសវៀតណាម ក្នុងឆ្នាំ ២០១៤ ដែលជាតំបន់កសិកម្ម និងកំពុងអភិវឌ្ឍន៍។ ទោះបីជាបរិបទសេដ្ឋកិច្ចវៀតណាម និងកម្ពុជាមានភាពស្រដៀងគ្នាមួយចំនួនក្ដី ប៉ុន្តែរចនាសម្ព័ន្ធទីផ្សារការងារ គោលនយោបាយជាតិ និងកត្តាវប្បធម៌អាចមានភាពខុសគ្នា ដែលទាមទារឱ្យមានការប្រុងប្រយ័ត្ននៅពេលយករបកគំហើញនេះមកអនុវត្តផ្ទាល់នៅកម្ពុជា។
វិធីសាស្ត្រវិភាគ Oaxaca-Blinder និងរបកគំហើញនៃការសិក្សានេះ មានតម្លៃយ៉ាងខ្លាំងសម្រាប់អ្នកស្រាវជ្រាវ និងអ្នកបង្កើតគោលនយោបាយនៅកម្ពុជា។
សរុបមក ការអនុវត្តវិធីសាស្ត្រនេះនៅក្នុងបរិបទប្រទេសកម្ពុជា នឹងជួយផ្ដល់ភស្តុតាងជាក់លាក់តាមបែបវិទ្យាសាស្ត្រ ដើម្បីរៀបចំគោលនយោបាយកាត់បន្ថយវិសមភាពសង្គម និងលើកកម្ពស់យុត្តិធម៌ក្នុងការងារ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
oaxaca) ឬកម្មវិធី R (ប្រើ package oaxaca) ដើម្បីដំណើរការម៉ូដែល និងធ្វើការបំបែកគម្លាតប្រាក់ឈ្នួលទៅតាមយេនឌ័រ ឬតំបន់ទីក្រុង-ជនបទ។| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Oaxaca-Blinder decomposition | ជាវិធីសាស្ត្រស្ថិតិសេដ្ឋកិច្ចដែលប្រើសម្រាប់បំបែកគម្លាត (ឧ. ប្រាក់ឈ្នួល) រវាងក្រុមពីរ (ដូចជា បុរស និងស្ត្រី ឬ ទីក្រុង និងជនបទ) ទៅជាពីរផ្នែក៖ ផ្នែកដែលអាចពន្យល់បានតាមរយៈទិន្នន័យ (កត្តាដូចជាការអប់រំ បទពិសោធន៍) និងផ្នែកដែលមិនអាចពន្យល់បាន (ច្រើនតែចាត់ទុកជាការរើសអើង ឬកត្តាមិនស្គាល់)។ | ដូចជាការយកនំខេកមួយដុំមកពុះជាពីរចំណែក ដើម្បីមើលថាតើចំណែកណាធំជាងដោយសារបរិមាណម្សៅដែលប្រើ (កត្តាពន្យល់បាន) និងចំណែកណាធំជាងដោយសារកត្តាមិនច្បាស់លាស់ផ្សេងទៀត ដូចជាជំនាញរបស់អ្នកដុតនំ (ការរើសអើង)។ |
| Ordinary Least Squares (OLS) | ជាវិធីសាស្ត្រវិភាគតំរែតំរង់លីនេអ៊ែរ ដើម្បីស្វែងរកទំនាក់ទំនងរវាងអថេរឯករាជ្យ (ដូចជា កម្រិតសិក្សា អាយុ) និងអថេរអាស្រ័យ (ដូចជា ប្រាក់ឈ្នួល) ដោយព្យាយាមគូសបន្ទាត់មួយដែលកាត់បន្ថយផលបូកនៃការ៉េនៃលម្អៀងរវាងទិន្នន័យជាក់ស្តែង និងបន្ទាត់ប៉ាន់ស្មាន។ | ដូចជាការគូសបន្ទាត់ត្រង់មួយកាត់ចំកណ្តាលហ្វូងចំណុចទិន្នន័យរាយប៉ាយ ដើម្បីទស្សន៍ទាយនិន្នាការរួមទៅថ្ងៃមុខយ៉ាងងាយស្រួលបំផុត។ |
| Unexplained difference | នៅក្នុងការវិភាគគម្លាតប្រាក់ឈ្នួល វាគឺជាផ្នែកនៃគម្លាតដែលមិនអាចពន្យល់បានដោយភាពខុសគ្នានៃលក្ខណៈសម្បត្តិរបស់បុគ្គល (ដូចជា ការអប់រំ ឬបទពិសោធន៍) ដែលជាទូទៅត្រូវបានគេបកស្រាយថាជា 'ការរើសអើង' នៅក្នុងទីផ្សារការងារ ឬបណ្តាលមកពីកត្តាដែលគេមិនបានបញ្ចូលក្នុងការស្រាវជ្រាវ។ | ដូចជាមនុស្សពីរនាក់ធ្វើការងារដូចគ្នា មានសមត្ថភាព និងបទពិសោធន៍ដូចគ្នា ប៉ុន្តែទទួលបានប្រាក់ខែខុសគ្នា ដោយមិនដឹងមូលហេតុច្បាស់លាស់ ក្រៅពីការរើសអើងភេទ ឬប្រវត្តិរបស់ពួកគេ។ |
| Endowment effect | ជាផ្នែកនៃគម្លាតប្រាក់ឈ្នួលរវាងក្រុមពីរ ដែលកើតចេញពីភាពខុសគ្នានៃលក្ខណៈសម្បត្តិ ឬធនធានផ្ទាល់ខ្លួនរបស់ពួកគេ ដែលអាចវាស់វែងបាន ដូចជាមានកម្រិតសិក្សាខ្ពស់ជាង ឬមានបទពិសោធន៍ការងារច្រើនជាង។ វាត្រូវបានគេហៅម្យ៉ាងទៀតថា 'Explained difference'។ | ដូចជាកីឡាករម្នាក់រត់លឿនជាងម្នាក់ទៀត ដោយសារគាត់មានស្បែកជើងរត់ប្រណាំងល្អជាង និងមានកម្លាំងហ្វឹកហាត់បានច្រើនជាង (កត្តាជាក់ស្តែងដែលអាចពន្យល់បាន)។ |
| Variance Inflation Factor (VIF) | ជារង្វាស់ស្ថិតិដែលប្រើសម្រាប់ពិនិត្យមើលបញ្ហា 'ពហុគូលីនេអ៊ែរ' (Multicollinearity) នៅក្នុងម៉ូដែលតំរែតំរង់ ដែលបញ្ហានេះកើតឡើងនៅពេលអថេរពន្យល់ពីរឬច្រើនមានទំនាក់ទំនងគ្នាខ្លាំងពេក ធ្វើឱ្យលទ្ធផលប៉ាន់ស្មាននៃម៉ូដែលមិនសូវមានភាពច្បាស់លាស់ និងសុក្រឹត។ | ដូចជាការស្ទង់មតិសួរពីអាកាសធាតុ ដោយសួរទាំង 'កម្រិតកម្តៅ' និង 'សីតុណ្ហភាព' ក្នុងពេលតែមួយ ដែលធ្វើឱ្យទិន្នន័យជាន់គ្នា។ VIF ជួយរកមើលសំណួរដែលជាន់គ្នានេះ ដើម្បីលុបចោលមួយចេញ។ |
| White robust standard errors | ជាបច្ចេកទេសកែតម្រូវនៅក្នុងការវិភាគតំរែតំរង់ ដើម្បីដោះស្រាយបញ្ហា 'Heteroskedasticity' (បម្រែបម្រួលនៃកំហុសមិនថេរ) ដែលជួយធានាថាការធ្វើតេស្តសម្មតិកម្មនៅតែមានសុពលភាព ទោះបីជាការសាយភាយនៃទិន្នន័យមានការប្រែប្រួលខុសប្រក្រតីក៏ដោយ។ | ដូចជាការប្រើវ៉ែនតាការពារពន្លឺចាំង ដើម្បីឱ្យយើងនៅតែអាចមើលឃើញផ្លូវ និងគណនាចម្ងាយបានច្បាស់ ទោះបីជាមានពន្លឺភ្លើងឡានបាញ់មកខ្លាំង និងមិនស្មើគ្នាក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖