បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាទាក់ទងនឹងការជាប់គាំង និងភាពទន់ខ្សោយនៃវិស័យកសិកម្មនៅក្នុងប្រទេសអ៊ីរ៉ាក់ ដោយធ្វើការព្យាករណ៍អំពីតម្លៃផលិតផលក្នុងស្រុកសរុប (GDP) ផ្នែកកសិកម្មសម្រាប់អនាគត ដើម្បីជាមូលដ្ឋានក្នុងការកែលម្អគោលនយោបាយ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រមូលទិន្នន័យជាស៊េរីពេលវេលាពីឆ្នាំ ១៩៨០ ដល់ ២០១៩ និងបានប្រើប្រាស់ម៉ូដែលម៉ាទ្រីសប្រូបាប៊ីលីតេដើម្បីធ្វើការព្យាករណ៍។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Markov Transition Matrix (5 States) ម៉ាទ្រីសអន្តរកាលម៉ាកូវ (៥ ស្ថានភាព) |
មិនពឹងផ្អែកខ្លាំងលើនិន្នាការទិន្នន័យប្រវត្តិសាស្ត្រចាស់ៗយូរពេកទេ តែពឹងផ្អែកលើទិន្នន័យបច្ចុប្បន្នដែលនៅជិតៗកៀកនឹងពេលព្យាករណ៍។ ស័ក្តិសមបំផុតសម្រាប់ទិន្នន័យសេដ្ឋកិច្ចដែលមានភាពជាប់គាំង។ | មិនបានគិតគូរពីគន្លងប្រវត្តិសាស្ត្រនៃទិន្នន័យក្នុងរយៈពេលវែង ដែលអាចធ្វើឱ្យមើលរំលងនូវបម្រែបម្រួលរចនាសម្ព័ន្ធម៉ាក្រូសេដ្ឋកិច្ចធំៗ។ | ទទួលបានភាពត្រឹមត្រូវនៃការព្យាករណ៍ខ្ពស់បំផុតរហូតដល់ ៩៨,៧៨% សម្រាប់ការទស្សន៍ទាយតម្លៃទិន្នន័យឆ្នាំ ២០១៩។ |
| ARIMA (Autoregressive Integrated Moving Average) ម៉ូដែលទស្សន៍ទាយ ARIMA |
អាចអាន និងវិភាគស៊េរីពេលវេលាទាំងមូល ដោយរួមបញ្ចូលទាំងនិន្នាការទូទៅ រដូវកាល និងបម្រែបម្រួលម្តងម្កាល ដែលធ្វើឱ្យលទ្ធផលព្យាករណ៍អាចមានភាពឡូជីខលជាងក្នុងបរិបទសេដ្ឋកិច្ចធម្មតា។ | មានហានិភ័យខ្ពស់ និងអាចមានកំហុសការព្យាករណ៍ធំ នៅពេលដែលទិន្នន័យប្រវត្តិសាស្ត្ររងឥទ្ធិពលពីបាតុភូត ឬវិបត្តិបណ្តោះអាសន្ន (ដូចជាសង្គ្រាម ឬការធ្លាក់ចុះតម្លៃរូបិយប័ណ្ណ)។ | អ្នកនិពន្ធបញ្ជាក់ថាមានកំហុសការព្យាករណ៍ (Predictive error) ខ្ពស់ជាងម៉ូដែលម៉ាកូវ ៥ ស្ថានភាព សម្រាប់ទិន្នន័យកសិកម្មអ៊ីរ៉ាក់នេះ។ |
| Markov Transition Matrix (3, 4, and 6 States) ម៉ាទ្រីសអន្តរកាលម៉ាកូវ (៣, ៤ និង ៦ ស្ថានភាព) |
ងាយស្រួលក្នុងការគណនា និងរៀបចំសម្រាប់ការវិភាគបឋមទៅលើស៊េរីពេលវេលា។ | ផ្តល់លទ្ធផលព្យាករណ៍ដែលមានភាពឃ្លាតឆ្ងាយពីទិន្នន័យជាក់ស្តែង (Real values) បើប្រៀបធៀបទៅនឹងការបែងចែកជា ៥ ស្ថានភាព។ | ភាពត្រឹមត្រូវទាបជាង ដោយការសាកល្បងម៉ូដែល ៤ ស្ថានភាពមានភាពត្រឹមត្រូវប្រមាណ ៩៥,១៧% ឯម៉ូដែល ៦ ស្ថានភាពមានប្រមាណ ៩២,៥០% ប៉ុណ្ណោះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារមិនបានបញ្ជាក់លម្អិតអំពីការចំណាយលើធនធានកុំព្យូទ័រនោះទេ ប៉ុន្តែផ្អែកលើវិធីសាស្ត្រដែលបានប្រើប្រាស់ ការអនុវត្តនេះទាមទារទិន្នន័យប្រវត្តិសាស្ត្រ និងកម្មវិធីកុំព្យូទ័រជាមូលដ្ឋានប៉ុណ្ណោះ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យ GDP កសិកម្មរបស់ប្រទេសអ៊ីរ៉ាក់ ដែលរងឥទ្ធិពលយ៉ាងធ្ងន់ធ្ងរពីសង្គ្រាម ការធ្វើចំណាកស្រុក និងអស្ថិរភាពនយោបាយជាច្រើនទសវត្សរ៍ ធ្វើឱ្យទិន្នន័យមានលក្ខណៈជាប់គាំងខ្លាំង។ សម្រាប់ប្រទេសកម្ពុជា ការយល់ដឹងពីចំណុចនេះមានសារៈសំខាន់ ព្រោះទិន្នន័យកសិកម្មរបស់យើងក៏រងឥទ្ធិពលពីប្រវត្តិសាស្ត្រ បម្រែបម្រួលអាកាសធាតុ (គ្រោះរាំងស្ងួត និងទឹកជំនន់) និងការប្រែប្រួលតម្លៃទីផ្សារអន្តរជាតិ ដែលអាចតម្រូវឱ្យមានការកែតម្រូវម៉ូដែលទៅតាមបរិបទជាក់ស្តែង។
វិធីសាស្ត្រខ្សែសង្វាក់ម៉ាកូវនេះ ពិតជាមានប្រយោជន៍ និងស័ក្តិសមសម្រាប់ការទស្សន៍ទាយសូចនាករសេដ្ឋកិច្ចកសិកម្មនៅប្រទេសកម្ពុជា ជាពិសេសក្នុងបរិបទដែលទិន្នន័យកសិកម្មតែងតែជួបប្រទះការប្រែប្រួលខ្លាំងពីកត្តាខាងក្រៅ។
តាមរយៈការបន្ស៊ាំម៉ូដែលម៉ាទ្រីសអន្តរកាលម៉ាកូវនេះ អ្នកធ្វើគោលនយោបាយកម្ពុជាអាចកំណត់អត្តសញ្ញាណនៃហានិភ័យភាពជាប់គាំងក្នុងវិស័យកសិកម្មបានមុន និងចាត់វិធានការដោះស្រាយទាន់ពេលវេលា ទោះបីជាស្ថិតក្នុងបរិបទនៃភាពមិនច្បាស់លាស់នៃទីផ្សារសកលក៏ដោយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Markov Chain (ខ្សែសង្វាក់ម៉ាកូវ) | ជាម៉ូដែលគណិតវិទ្យាដែលប្រើប្រាស់ប្រូបាប៊ីលីតេ (ឱកាស) ដើម្បីទស្សន៍ទាយស្ថានភាព ឬព្រឹត្តិការណ៍បន្ទាប់ ដោយពឹងផ្អែកតែលើស្ថានភាពបច្ចុប្បន្នប៉ុណ្ណោះ ដោយមិនចាំបាច់ផ្អែកលើប្រវត្តិទិន្នន័យអតីតកាលទាំងមូលនោះទេ។ | ដូចជាការទស្សន៍ទាយអាកាសធាតុថ្ងៃស្អែកដោយមើលតែស្ថានភាពមេឃថ្ងៃនេះ ដោយមិនបាច់ខ្វល់ពីអាកាសធាតុកាលពីសប្តាហ៍មុន។ |
| Transition Matrix (ម៉ាទ្រីសអន្តរកាល) | ជាតារាងទិន្នន័យទម្រង់ជាម៉ាទ្រីសដែលបង្ហាញពីភាគរយនៃប្រូបាប៊ីលីតេ ក្នុងការផ្លាស់ប្តូរពីស្ថានភាពមួយ (ឧ. សេដ្ឋកិច្ចធ្លាក់ចុះ) ទៅស្ថានភាពមួយទៀត (ឧ. សេដ្ឋកិច្ចកើនឡើង) ក្នុងចន្លោះពេលជាក់លាក់ណាមួយ។ | ដូចជាតារាងកាលវិភាគដែលប្រាប់យើងពីភាគរយ ឬឱកាសដែលរថយន្តក្រុងមួយនឹងផ្លាស់ទីពីចំណត ក ទៅចំណត ខ ឬទៅចំណត គ។ |
| Stochastic Process (ដំណើរការស្តូកាស្ទិក / ដំណើរការចៃដន្យ) | ជាប្រព័ន្ធនៃទិន្នន័យឬបាតុភូតដែលផ្លាស់ប្តូរទៅតាមពេលវេលា ដោយមានបញ្ចូលនូវកត្តាចៃដន្យ ដែលធ្វើឱ្យគេមិនអាចទស្សន៍ទាយលទ្ធផលបានច្បាស់លាស់ ១០០% តែអាចវាយតម្លៃតាមរយៈប្រូបាប៊ីលីតេ។ | ដូចជាការបោះកាក់ច្រើនដងបន្តបន្ទាប់គ្នា ដែលយើងមិនដឹងច្បាស់ថានឹងចេញក្បាល ឬប៉ាតនៅវគ្គបន្ទាប់ ប៉ុន្តែយើងដឹងថាវាមានឱកាស ៥០-៥០។ |
| Finite State Machine (ម៉ាស៊ីនស្ថានភាពកំណត់) | ជាគំរូទ្រឹស្តីក្នុងគណិតវិទ្យា ដែលប្រព័ន្ធមួយអាចស្ថិតនៅក្នុងស្ថានភាពមួយក្នុងចំណោមស្ថានភាពដែលមានចំនួនកំណត់នៅពេលណាមួយ ហើយវាផ្លាស់ប្តូរស្ថានភាពពីមួយទៅមួយនៅពេលមានលក្ខខណ្ឌ ឬសកម្មភាពអ្វីមួយកើតឡើង។ | ដូចជាកុងតាក់ភ្លើងដែលមានតែពីរស្ថានភាពគឺ "បើក" និង "បិទ" ហើយវាប្តូរស្ថានភាពនៅពេលដែលយើងចុចវា។ |
| Time Series Data (ទិន្នន័យស៊េរីពេលវេលា) | ជាបណ្តុំនៃទិន្នន័យដែលត្រូវបានប្រមូល ឬកត់ត្រាតាមលំដាប់លំដោយនៃពេលវេលា (ឧទាហរណ៍ ប្រចាំខែ ឬឆ្នាំ) ដើម្បីយកមកវិភាគរកនិន្នាការប្រវត្តិសាស្ត្រ ឬធ្វើការព្យាករណ៍អនាគត។ | ដូចជាការវាស់ និងកត់ត្រាកម្ពស់របស់អ្នកជារៀងរាល់ឆ្នាំតាំងពីក្មេងរហូតដល់ធំ ដើម្បីមើលថាតើអ្នកលូតលាស់លឿនកម្រិតណា។ |
| Predictive Accuracy (ភាពត្រឹមត្រូវនៃការព្យាករណ៍) | ជារង្វាស់ដែលបង្ហាញពីកម្រិតនៃភាពកៀកគ្នា រវាងតម្លៃដែលម៉ូដែលកុំព្យូទ័របានទស្សន៍ទាយទុក និងតម្លៃពិតប្រាកដដែលបានកើតឡើងជាក់ស្តែងនៅពេលក្រោយ។ | ដូចជាការវាស់ស្ទង់ថាតើអ្នកទាយត្រូវប៉ុន្មានភាគរយ បើអ្នកទាយថាថ្ងៃស្អែកភ្លៀង ហើយថ្ងៃស្អែកពិតជាមានភ្លៀងធ្លាក់មែន។ |
| Hidden Markov Model (ម៉ូដែលម៉ាកូវកំបាំង) | ជាប្រភេទម៉ូដែលម៉ាកូវស្មុគស្មាញ ដែលក្នុងនោះស្ថានភាពពិតប្រាកដនៃប្រព័ន្ធគឺមិនត្រូវបានគេដឹង (កំបាំង) ប៉ុន្តែគេអាចទាញសេចក្តីសន្និដ្ឋានបានតាមរយៈការសង្កេតមើលលទ្ធផល ឬសូចនាករដែលចេញពីស្ថានភាពនោះ។ | ដូចជាការទាយអារម្មណ៍ពិតរបស់មិត្តភក្តិ (ដែលលាក់កំបាំង) តាមរយៈការសង្កេតមើលស្នាមញញឹម ឬទឹកមុខរបស់ពួកគេ (អ្វីដែលយើងអាចមើលឃើញ)។ |
| Agricultural GDP (ផលិតផលក្នុងស្រុកសរុបផ្នែកកសិកម្ម) | ជាតម្លៃសរុបនៃទំនិញ និងសេវាកម្មកសិកម្មទាំងអស់ដែលបានផលិតនៅក្នុងព្រំដែនប្រទេសមួយក្នុងរយៈពេលមួយឆ្នាំ ដែលជាសូចនាករវាស់ស្ទង់ទំហំ និងសុខភាពសេដ្ឋកិច្ចនៃវិស័យកសិកម្ម។ | ដូចជាការបូកសរុបប្រាក់ចំណូលទាំងអស់ដែលបានមកពីការលក់ស្រូវ ត្រី សាច់ និងបន្លែរបស់កសិករទូទាំងប្រទេសក្នុងមួយឆ្នាំ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
