បញ្ហា (The Problem)៖ ទោះបីជាសេដ្ឋកិច្ចឥណ្ឌាមានការរីកចម្រើនខ្លាំងក្នុងរយៈពេល ២៥ ឆ្នាំចុងក្រោយក៏ដោយ ក៏ប្រទេសនេះនៅតែប្រឈមនឹងបញ្ហាគម្លាតរវាងកំណើនសេដ្ឋកិច្ច និងកំណើនការងារ (Jobless growth) ជាពិសេសក្នុងវិស័យកម្មន្តសាល ដោយកម្មករជាង ៦០% នៅតែធ្វើការក្នុងវិស័យកសិកម្ម និង ៩៤% ស្ថិតក្នុងវិស័យក្រៅប្រព័ន្ធ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ក្របខណ្ឌទ្រឹស្តី Kaldorian ដើម្បីវិភាគពីទំនាក់ទំនងរវាងកសិកម្ម និងឧស្សាហកម្ម ដោយវាយតម្លៃលើកត្តាតម្រូវការពលកម្មតាមរយៈការផ្លាស់ប្តូរលក្ខខណ្ឌពាណិជ្ជកម្មអន្តរវិស័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| OLS & GLS Estimators វិធីសាស្ត្រ OLS (Ordinary Least Squares) និង GLS (Generalised Least Squares) |
ងាយស្រួលប្រើប្រាស់សម្រាប់ការវិភាគទិន្នន័យមូលដ្ឋាន និងជាជំហានចាប់ផ្តើមដ៏ល្អ។ | បង្កើតឱ្យមានលម្អៀង (Bias) ចុះក្រោមសម្រាប់ OLS និងឡើងលើសម្រាប់ GLS នៅពេលសមីការមានអថេរអាស្រ័យការពន្យារពេល (Lagged dependent variables) ធ្វើឱ្យលទ្ធផលមិនសុក្រឹត។ | មិនស័ក្តិសមសម្រាប់វិភាគទិន្នន័យបន្ទះថាមវន្ត (Dynamic panel data) ក្នុងការសិក្សានេះទេ ដោយសារបញ្ហាអថេរពាក់ព័ន្ធគ្នា។ |
| Instrumental Variable (IV) Estimation ការប៉ាន់ស្មានតាមអថេរឧបករណ៍ (IV) |
ជួយដោះស្រាយបញ្ហាអថេរខាងក្នុង (Endogeneity) មួយចំនួនដែល OLS មិនអាចធ្វើបាន។ | មិនបានប្រើប្រាស់លក្ខខណ្ឌចន្លោះពេល (Moment conditions) ទាំងអស់ដែលមាន ហើយមើលរំលងរចនាសម្ព័ន្ធភាពខុសគ្នានៃកំហុសគម្លាត។ | ផ្តល់លទ្ធផលប្រសើរជាង OLS តែនៅមានកម្រិតក្នុងការដោះស្រាយបញ្ហា Autocorrelation ពេញលេញ។ |
| System-GMM (Arellano-Bover/Blundell-Bond) វិធីសាស្ត្រ System-GMM |
ដោះស្រាយបញ្ហា Autocorrelation និង Endogeneity បានយ៉ាងមានប្រសិទ្ធភាព ដោយប្រើការពន្យារពេលនៃភាពខុសគ្នាដំបូង និងកម្រិតជាអថេរឧបករណ៍ (Instruments)។ | ទាមទារការកំណត់ម៉ូដែលស្មុគស្មាញ និងត្រូវពឹងផ្អែកចាំបាច់លើការធ្វើតេស្ត Arellano-Bond និង Sargan ដើម្បីបញ្ជាក់ភាពត្រឹមត្រូវនៃឧបករណ៍។ | អាចគណនាកម្រិតយឺតរយៈពេលវែង (Long-run elasticity) បានយ៉ាងសុក្រឹត ដោយបង្ហាញថាកំណើនទិន្នផលរដ្ឋមានឥទ្ធិពល ១,១៤% ដល់កំណើនការងារ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារសំណុំទិន្នន័យបន្ទះថាមវន្ត (Dynamic panel data) រយៈពេលវែង និងចំណេះដឹងផ្នែកអេកូណូមេទ្រីក (Econometrics) កម្រិតខ្ពស់ ដើម្បីដំណើរការម៉ូដែល System-GMM។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីរដ្ឋចំនួន ១៥ នៅប្រទេសឥណ្ឌាចន្លោះឆ្នាំ ១៩៨០ ដល់ ២០០៤ ដែលជារដ្ឋមានទំហំធំ និងសេដ្ឋកិច្ចពឹងផ្អែកលើទីផ្សារក្នុងស្រុកខ្ពស់ដើម្បីជំរុញឧស្សាហកម្ម។ សម្រាប់កម្ពុជា ការទាញយកលទ្ធផលនេះមកអនុវត្តត្រូវមានការប្រុងប្រយ័ត្ន ដោយសារកម្ពុជាមានសេដ្ឋកិច្ចតូច ទំហំទីផ្សារក្នុងស្រុកតូច និងមានឧស្សាហកម្មដែលពឹងផ្អែកខ្លាំងលើការនាំចេញជាជាងការប្រើប្រាស់ក្នុងស្រុកសុទ្ធសាធ។
ទោះបីជាមានភាពខុសគ្នានៃរចនាសម្ព័ន្ធសេដ្ឋកិច្ចក៏ពិតមែន ទ្រឹស្តីនិងវិធីសាស្ត្រក្នុងការសិក្សានេះនៅតែមានភាពពាក់ព័ន្ធខ្លាំងដល់ប្រទេសកម្ពុជា ដែលកំពុងជួបប្រទះបញ្ហាកំណើនកម្លាំងពលកម្មតែខ្វះការងារផ្លូវការ និងមានវិស័យក្រៅប្រព័ន្ធធំធេង។
ការយល់ដឹងពីក្របខណ្ឌអន្តរវិស័យនេះ អាចជួយកម្ពុជារៀបចំគោលនយោបាយគាំទ្រតម្លៃកសិផលរឹងមាំ ដើម្បីក្លាយជាកម្លាំងចលករជម្រុញកំណើនការងារក្នុងវិស័យកម្មន្តសាលផ្លូវការ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Jobless growth | ស្ថានភាពដែលសេដ្ឋកិច្ចមានការកើនឡើង និងរីកចម្រើន ប៉ុន្តែមិនបានបង្កើតឱកាសការងារថ្មីៗសមាមាត្រនឹងកំណើននោះទេ ដែលធ្វើឱ្យអត្រាអ្នកអត់ការងារធ្វើនៅតែរក្សាកម្រិតខ្ពស់។ | ដូចជារោងចក្រមួយផលិតឥដ្ឋបានទ្វេដងដោយប្រើម៉ាស៊ីនស្វ័យប្រវត្តិថ្មី ប៉ុន្តែមិនបានជួលកម្មករណាម្នាក់បន្ថែមនោះទេ។ |
| Intersectoral terms of trade | សមាមាត្ររវាងតម្លៃទំនិញក្នុងវិស័យមួយធៀបនឹងវិស័យមួយទៀត (ជាទូទៅគឺតម្លៃកសិផលធៀបនឹងតម្លៃទំនិញឧស្សាហកម្ម) ដែលបង្ហាញពីការផ្លាស់ប្តូរអំណាចទិញរវាងវិស័យទាំងពីរ។ | ដូចជាការគណនាថា តើកសិករត្រូវលក់ស្រូវប៉ុន្មានបាវ ទើបអាចទិញត្រាក់ទ័រមួយគ្រឿងពីរោងចក្របាន។ |
| Kaldor-Verdoorn law | ទ្រឹស្តីសេដ្ឋកិច្ចដែលពន្យល់ថា កាលណាទិន្នផលឧស្សាហកម្មកើនឡើងលឿន វានឹងជំរុញឱ្យផលិតភាពពលកម្មកើនឡើងតាមនោះដែរ ដោយសារការប្រើប្រាស់បច្ចេកវិទ្យាថ្មី លក្ខណៈសន្សំសំចៃតាមទំហំ និងការបែងចែកការងារ។ | ដូចជាចុងភៅម្នាក់ដែលកាន់តែមានអតិថិជនកម្ម៉ង់ម្ហូបច្រើន គាត់កាន់តែមានភាពស្ទាត់ជំនាញ រៀបចំប្រព័ន្ធចម្អិនបានល្អ និងធ្វើបានលឿនជាងមុន។ |
| System-GMM | វិធីសាស្ត្រស្ថិតិអេកូណូមេទ្រីក (Generalized Method of Moments) កម្រិតខ្ពស់ដែលប្រើសម្រាប់វិភាគទិន្នន័យបន្ទះ (Panel Data) ដើម្បីដោះស្រាយបញ្ហាលម្អៀង (Bias) និងអថេរពាក់ព័ន្ធគ្នា (Endogeneity) នៅពេលដែលទិន្នន័យអតីតកាលមានឥទ្ធិពលផ្ទាល់ទៅលើលទ្ធផលបច្ចុប្បន្ន។ | ដូចជាការប្រើរូបមន្តគណិតវិទ្យាដ៏ស្មុគស្មាញដើម្បីទស្សន៍ទាយពិន្ទុប្រឡងរបស់សិស្ស ដោយយកពិន្ទុចាស់ៗរបស់គេមកទូទាត់ជាមួយកត្តាខាងក្រៅដោយមិនឱ្យមានការលម្អៀង។ |
| Disguised unemployment | ភាពអត់ការងារធ្វើលាក់កំបាំង គឺនៅពេលដែលមានមនុស្សធ្វើការច្រើនលើសលប់លើកិច្ចការមួយ ដែលទោះបីជាដកមនុស្សមួយចំនួនចេញក៏កម្រិតផលិតផលសរុបមិនថយចុះដែរ (ជួបប្រទះច្រើនក្នុងវិស័យកសិកម្ម)។ | ដូចជាការមានមនុស្ស ៥ នាក់ជួយដកស្មៅក្នុងសួនច្បារតូចមួយ ដែលតាមពិតមនុស្សត្រឹម ២ នាក់ក៏អាចធ្វើកិច្ចការនោះរួចរាល់បានល្អដូចគ្នា។ |
| Total Factor Productivity (TFP) | រង្វាស់នៃប្រសិទ្ធភាពសរុបក្នុងការផលិត ដែលកំណើនទិន្នផលទទួលបានមិនមែនពឹងផ្អែកលើការកើនឡើងនៃចំនួនកម្មករ ឬទុននោះទេ ប៉ុន្តែបានមកពីការរីកចម្រើនខាងបច្ចេកវិទ្យា ការគ្រប់គ្រង និងនវានុវត្តន៍។ | ដូចជារូបមន្តសម្ងាត់ដែលធ្វើឱ្យអ្នកដុតនំអាចធ្វើនំបានឆ្ងាញ់និងច្រើនជាងមុន ដោយប្រើម្សៅនិងឡដុតចំនួនដដែល។ |
| Unorganised sector | ផ្នែកនៃសេដ្ឋកិច្ច ឬអាជីវកម្មដែលមិនបានចុះបញ្ជី ឬចងក្រងជាផ្លូវការ មិនមានប្រព័ន្ធការពារសន្តិសុខសង្គមសម្រាប់កម្មករ ហើយភាគច្រើនផ្តល់ត្រឹមការងារក្រៅប្រព័ន្ធដែលមានប្រាក់ខែទាប។ | ដូចជាអ្នកលក់ដូរតាមរទេះរុញ ឬតូបតូចៗតាមចិញ្ចើមផ្លូវ ដែលគ្មានកិច្ចសន្យាការងារច្បាស់លាស់ ឬការធានារ៉ាប់រងណាមួយឡើយ។ |
| Dynamic panel dataset | ទម្រង់ទិន្នន័យស្រាវជ្រាវដែលតាមដានអង្គភាពច្រើន (ដូចជា ខេត្ត ឬប្រទេស) ឆ្លងកាត់រយៈពេលដ៏យូរ (ច្រើនឆ្នាំ) ដោយរួមបញ្ចូលទាំងឥទ្ធិពលនៃតម្លៃទិន្នន័យក្នុងអតីតកាល មកលើបច្ចុប្បន្នកាលផងដែរ។ | ដូចជាសៀវភៅតាមដានពិន្ទុសិស្សម្នាក់ៗក្នុងថ្នាក់ ជារៀងរាល់ខែ តាំងពីថ្នាក់ទី១ ដល់ទី១២ ដើម្បីមើលពីការវិវត្តនៃការសិក្សារបស់ពួកគេម្នាក់ៗ។ |
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
