បញ្ហា (The Problem)៖ ការសិក្សានេះស៊ើបអង្កេតពីទំនាក់ទំនងរយៈពេលខ្លី និងរយៈពេលវែងរវាងការប្រែប្រួលអាកាសធាតុ (ការបញ្ចេញឧស្ម័ន CO2) និងកត្តាជំរុញផ្សេងៗដូចជា កំណើនឧស្សាហកម្ម ដង់ស៊ីតេប្រជាជន និងការប្រើប្រាស់ថាមពលនុយក្លេអ៊ែរ នៅក្នុងប្រទេសប៉ាគីស្ថានពីឆ្នាំ ១៩៩០ ដល់ ២០១៩។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់វិធីសាស្ត្របរិមាណដោយផ្អែកលើទិន្នន័យស៊េរីពេលវេលា និងម៉ូដែលសេដ្ឋកិច្ចបរិស្ថានកម្រិតខ្ពស់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| ARDL Bounds Testing Approach វិធីសាស្ត្រសាកល្បងព្រំដែន ARDL |
អាចវិភាគលើទិន្នន័យដែលមានលំដាប់អាំងតេក្រាលចម្រុះ I(0) និង I(1) បានយ៉ាងល្អ ហើយស័ក្តិសមសម្រាប់ទំហំសំណាកតូច (Small Sample Size)។ វាផ្តល់ទាំងការប៉ាន់ស្មានទំនាក់ទំនងក្នុងរយៈពេលខ្លី និងរយៈពេលវែង។ | មិនអាចដំណើរការបានទេប្រសិនបើអថេរមានលំដាប់អាំងតេក្រាលកម្រិត I(2)។ | បានបញ្ជាក់ពីអត្ថិភាពនៃទំនាក់ទំនងរយៈពេលវែង (Cointegration) ជាមួយនឹងតម្លៃ F-Statistic (4.6406) ធំជាងតម្លៃព្រំដែនខាងលើ និងរកឃើញខ្សែកោង EKC រាងជាអក្សរ U។ |
| Engle-Granger / Johansen Cointegration វិធីសាស្ត្រ Cointegration របស់ Engle-Granger ឬ Johansen |
ជាវិធីសាស្ត្របុរាណនិងស្តង់ដារដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់ការវិភាគទិន្នន័យស៊េរីពេលវេលា។ | ទាមទារឱ្យអថេរទាំងអស់ត្រូវតែមានភាពនឹងនរ (Stationary) នៅកម្រិតលំដាប់អាំងតេក្រាលដូចគ្នា (I(1) ទាំងស្រុង) ដែលធ្វើឱ្យវាមិនស័ក្តិសមសម្រាប់សំណុំទិន្នន័យនៃការសិក្សានេះ។ | មិនត្រូវបានជ្រើសរើសសម្រាប់ម៉ូដែលចុងក្រោយ ដោយសារលក្ខណៈនៃទិន្នន័យមានភាពនឹងនរចម្រុះគ្នារវាងកម្រិត I(0) និង I(1)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់ច្បាស់លាស់ពីថ្លៃដើមនៃធនធាននោះទេ ប៉ុន្តែផ្អែកលើវិធីសាស្ត្រ វាទាមទារទិន្នន័យប្រវត្តិសាស្ត្ររយៈពេលវែងនិងកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យថ្នាក់ជាតិរបស់ប្រទេសប៉ាគីស្ថានតែមួយគត់ (១៩៩០-២០១៩) ដែលជាប្រទេសមានដង់ស៊ីតេប្រជាជនខ្ពស់ និងប្រើប្រាស់ថាមពលនុយក្លេអ៊ែរ។ សម្រាប់កម្ពុជា លទ្ធផលនេះមិនអាចយកមកអនុវត្តដោយផ្ទាល់បានទេ ដោយសារកម្ពុជាមិនមានរោងចក្រនុយក្លេអ៊ែរ និងមានរចនាសម្ព័ន្ធឧស្សាហកម្មខុសគ្នា ដែលទាមទារការផ្លាស់ប្តូរអថេរ (ឧ. ប្តូរពីនុយក្លេអ៊ែរ ទៅវារីអគ្គិសនី ឬពន្លឺព្រះអាទិត្យ)។
ទោះបីជាបរិបទប្រទេសខុសគ្នាក៏ដោយ ក្របខ័ណ្ឌនៃម៉ូដែល STIRPAT នេះពិតជាមានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ការវិភាគគោលនយោបាយបរិស្ថាននៅកម្ពុជា។
ម៉ូដែល STIRPAT រួមផ្សំជាមួយ ARDL ផ្តល់នូវឧបករណ៍ដ៏រឹងមាំមួយសម្រាប់រដ្ឋាភិបាលកម្ពុជា ក្នុងការតាក់តែងគោលនយោបាយអភិវឌ្ឍន៍សេដ្ឋកិច្ចដែលមិនធ្វើឱ្យប៉ះពាល់ដល់ការប្រែប្រួលអាកាសធាតុ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| STIRPAT Model | ម៉ូដែលដែលវាស់ស្ទង់ពីផលប៉ះពាល់បរិស្ថានតាមរយៈការវាយតម្លៃអថេរសំខាន់ៗដូចជា ចំនួនប្រជាជន (Population) កម្រិតចំណូលឬភាពសម្បូរសប្បាយ (Affluence) និងការប្រើប្រាស់បច្ចេកវិទ្យា (Technology) ថាតើកត្តាទាំងនេះរួមចំណែកធ្វើឱ្យប៉ះពាល់បរិស្ថានកម្រិតណា។ | ដូចជារូបមន្តគណនាថាតើមនុស្សកាន់តែច្រើន និងមានលុយទិញរបស់របរកាន់តែច្រើន ធ្វើឱ្យសំរាមនិងផ្សែងពុលកើនឡើងប៉ុន្មាន។ |
| Environmental Kuznets Curve | ទ្រឹស្ដីដែលពន្យល់ថា នៅពេលប្រទេសមួយចាប់ផ្តើមអភិវឌ្ឍន៍សេដ្ឋកិច្ច ការបំពុលបរិស្ថាននឹងកើនឡើង ប៉ុន្តែនៅពេលដែលប្រទេសនោះមានចំណូលដល់កម្រិតខ្ពស់ជាក់លាក់ណាមួយ ការបំពុលនឹងធ្លាក់ចុះវិញដោយសារមនុស្សចាប់ផ្តើមគិតគូរពីបរិស្ថាន និងងាកទៅប្រើប្រាស់បច្ចេកវិទ្យាស្អាត (បង្កើតជាទម្រង់ខ្សែកោងរាង U ផ្កាប់ ឬ U ផ្ងារ)។ | ដូចជាមនុស្សម្នាក់ពេលរៀនជិះកង់ដំបូងតែងតែដួល (ការបំពុលកើនឡើង) ប៉ុន្តែពេលចេះស្ទាត់ហើយ ក៏លែងដួលទៀត (បរិស្ថានល្អឡើងវិញ)។ |
| ARDL technique | វិធីសាស្ត្រស្ថិតិ (Autoregressive Distributed Lag) ដែលប្រើសម្រាប់វិភាគទំនាក់ទំនងរវាងអថេរផ្សេងៗក្នុងពេលតែមួយ ដោយអាចប្រាប់ពីឥទ្ធិពលដែលកើតឡើងភ្លាមៗ (រយៈពេលខ្លី) និងឥទ្ធិពលដែលកើតឡើងយឺតៗនៅពេលក្រោយ (រយៈពេលវែង) ទោះបីជាប្រភេទលំដាប់នៃទិន្នន័យមានលក្ខណៈចម្រុះគ្នាក៏ដោយ។ | ដូចជាការតាមដានផលប៉ះពាល់នៃការញ៉ាំអាហាររហ័ស (Fast food) ដែលធ្វើឱ្យឡើងទម្ងន់ភ្លាមៗក្នុងពេលបច្ចុប្បន្ន និងធ្វើឱ្យខូចសុខភាពយឺតៗក្នុងរយៈពេល១០ឆ្នាំក្រោយ។ |
| Cointegration | លក្ខណៈនៃទិន្នន័យស៊េរីពេលវេលាពីរ ឬច្រើន ដែលទោះបីជាវាប្រែប្រួលឡើងចុះឥតឈប់ឈររៀងៗខ្លួនក៏ដោយ ប៉ុន្តែពួកវាមាននិន្នាការផ្លាស់ទីជាមួយគ្នាក្នុងរយៈពេលវែង ដោយមិនឃ្លាតឆ្ងាយពីគ្នាឡើយ។ | ដូចជាសត្វឆ្កែនិងម្ចាស់ដែលដើរលេងជាមួយគ្នា ទោះឆ្កែរត់ចុះរត់ឡើងឆ្វេងស្តាំកម្រិតណា ក៏វានៅតែធ្វើដំណើរទៅកាន់គោលដៅតែមួយជាមួយម្ចាស់វាជានិច្ចក្នុងគម្លាតថេរមួយ។ |
| Unit Root Test | ការធ្វើតេស្តស្ថិតិ (ដូចជាតេស្ត ADF) ដើម្បីពិនិត្យមើលថាតើទិន្នន័យស៊េរីពេលវេលាមានស្ថេរភាព (Stationary) ឬអត់ ពោលគឺតើតម្លៃមធ្យមនិងរំញ័ររបស់វានៅថេរ ឬប្រែប្រួលតាមពេលវេលា ដែលជាលក្ខខណ្ឌចាំបាច់ដើម្បីចៀសវាងការវិភាគខុសឆ្គង។ | ដូចជាការវាស់ចង្វាក់បេះដូងដើម្បីមើលថាតើវាលោតស្មើល្អនិងមានស្ថេរភាពឬអត់ មុននឹងគ្រូពេទ្យធ្វើការសន្និដ្ឋានពីស្ថានភាពជំងឺ។ |
| Error Correction Model | ម៉ូដែលអេកូណូមេទ្រីកដែលវាស់ស្ទង់ថាតើប្រព័ន្ធមួយត្រូវការពេលប៉ុន្មានដើម្បីកែតម្រូវភាពកំហុសឆ្គងពីកាលវិភាគធម្មតា ហើយវិលត្រឡប់ទៅរកស្ថានភាពតុល្យភាពដើមវិញ (Long-run Equilibrium) បន្ទាប់ពីមានការរំខាន ឬបម្រែបម្រួលភ្លាមៗណាមួយ។ | ដូចជាទាញកៅស៊ូកងឱ្យយឺត ហើយលែងវិញ ម៉ូដែលនេះវាស់ថាតើកៅស៊ូនោះត្រូវការពេលប៉ុន្មានវិនាទីដើម្បីត្រលប់មករាងដើមវិញ។ |
| Variance Inflation Factor | រង្វាស់ (VIF) ដែលប្រាប់ថាតើអថេរឯករាជ្យនៅក្នុងម៉ូដែលស្ថិតិមានភាពត្រួតស៊ីគ្នាឬទាក់ទងគ្នាខ្លាំងពេក (Multicollinearity) កម្រិតណា។ ប្រសិនបើតម្លៃ VIF ខ្ពស់ពេក វាមានន័យថាអថេរទាំងនោះផ្តល់ព័ត៌មានជាន់គ្នា ដែលធ្វើឱ្យការប៉ាន់ស្មានលទ្ធផលលែងសុក្រឹត។ | ដូចជាការស្តាប់សាក្សីពីរនាក់ដែលនិយាយរឿងដូចគ្នាបេះបិទជាន់គ្នា រហូតដល់តុលាការពិបាកបែងចែកថាតើចម្លើយមួយណាមានឥទ្ធិពលជាក់ស្តែងជាង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
