បញ្ហា (The Problem)៖ ឯកសារស្រាវជ្រាវនេះដោះស្រាយបញ្ហាអតុល្យភាព និងការកើនឡើងនៃតម្លៃប្រេងផ្កាឈូករ័ត្ន និងប្រេងអូលីវនៅលើទីផ្សារសកល ដែលបណ្តាលមកពីការរំខាននៃខ្សែសង្វាក់ផ្គត់ផ្គង់ដោយសារសង្គ្រាមរវាងរុស្ស៊ី និងអ៊ុយក្រែន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រស្ថិតិកម្រិតខ្ពស់ និងអេកូណូមេទ្រីក ដើម្បីវិភាគទិន្នន័យតម្លៃសកលប្រចាំខែពីខែមករា ឆ្នាំ ១៩៩០ ដល់ខែតុលា ឆ្នាំ ២០២៣។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Unit Root Tests (ADF, PP, KPSS) តេស្តឫសឯកតា (Unit Root Tests) |
ងាយស្រួលប្រើប្រាស់ និងជារង្វាស់ស្តង់ដារសម្រាប់កំណត់ភាពនឹងនរ (Stationarity) នៃទិន្នន័យស៊េរីពេលវេលា។ | មានថាមពលខ្សោយ (Lower power) នៅពេលត្រួតពិនិត្យភាពនឹងនរធៀបនឹងជម្រើសប្រភាគ (Fractional alternatives)។ | រកឃើញថាស៊េរីពេលវេលាដើមនៃតម្លៃប្រេងទាំងពីរមិនមានភាពនឹងនរ I(1) ហើយក្លាយជានឹងនរ I(0) បន្ទាប់ពីធ្វើផលសងដំបូង (First differences)។ |
| ARFIMA (p, d, q) Model ម៉ូដែលធ្វើសមាហរណកម្មប្រភាគ (Fractional Integration) |
ផ្តល់ភាពបត់បែនខ្ពស់ក្នុងការចាប់យកកម្រិតភាពជាប់លាប់ (Persistence) និងវាស់វែងការវិលត្រឡប់ទៅរកមធ្យមភាគ (Mean reversion) បានយ៉ាងច្បាស់លាស់។ | ទាមទារការគណនាស្មុគស្មាញ និងការប្រុងប្រយ័ត្នក្នុងការជ្រើសរើសម៉ូដែលដ៏ល្អបំផុតដោយប្រើលក្ខណៈវិនិច្ឆ័យ AIC ឬ BIC។ | បង្ហាញថាការប្រែប្រួលតម្លៃដោយសារសង្គ្រាមគឺគ្រាន់តែបណ្តោះអាសន្ន (d < 1) ហើយតម្លៃនឹងងាកត្រលប់ទៅរកនិន្នាការដើមវិញក្នុងរយៈពេលវែង។ |
| Breitung-Candelon Causality Test តេស្តភាពជាហេតុផលតាមដែនប្រេកង់ (Frequency Domain Causality Test) |
អនុញ្ញាតឱ្យវិភាគទំនាក់ទំនងជាហេតុផលនៅចន្លោះប្រេកង់ផ្សេងៗគ្នា (រយៈពេលខ្លី មធ្យម និងវែង) ដែលតេស្តធម្មតា (Granger) ធ្វើមិនបាន។ | ត្រូវការទិន្នន័យស៊េរីពេលវេលាវែងគ្រប់គ្រាន់ដើម្បីធានាបាននូវភាពជាក់លាក់នៃស្ថិតិ (Statistical significance)។ | បញ្ជាក់ថាក្នុងរយៈពេលវែង ក្រោយពេលមានសង្គ្រាម តម្លៃប្រេងអូលីវមានឥទ្ធិពលជាហេតុផល (Causality) ទៅលើតម្លៃប្រេងផ្កាឈូករ័ត្ន។ |
| Continuous Wavelet Transform (CWT) ការវិភាគវ៉េវឡែតជាបន្ត (Continuous Wavelet Transform) |
មានសមត្ថភាពខ្ពស់ក្នុងការបង្ហាញទំនាក់ទំនងរវាងអថេរទាំងក្នុងដែនពេលវេលា និងប្រេកង់ ព្រមទាំងចាប់យកបម្រែបម្រួលរចនាសម្ព័ន្ធ (Structural changes)។ | លទ្ធផលនៅចុងស៊េរីនៃទិន្នន័យជារឿយៗមិនអាចយកជាការបាន ដោយសារវាស្ថិតនៅក្រៅតំបន់ដែលអាចទុកចិត្តបាន (Cone of influence)។ | បង្ហាញពីទំនាក់ទំនងអវិជ្ជមានខ្លាំងរវាងអថេរទាំងពីរក្នុងអតីតកាល និងភាពស៊ីសង្វាក់គ្នាខ្ពស់ (High coherence) ក្រោយឆ្នាំ ២០១៩។ |
| Multilayer Perceptron (MLP) Neural Network បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) |
មានសមត្ថភាពខ្ពស់ក្នុងការវិភាគទំនាក់ទំនងមិនលីនេអ៊ែរ (Non-linearity) និងធ្វើការព្យាករណ៍បានច្បាស់លាស់ដោយមិនពឹងផ្អែកលើប៉ារ៉ាម៉ែត្ររឹងតឹង។ | ទាមទារការរៀបចំទិន្នន័យច្បាស់លាស់ និងពិបាកក្នុងការបកស្រាយយន្តការខាងក្នុង (Black-box nature) ជាងម៉ូដែលស្ថិតិប្រពៃណី។ | ព្យាករណ៍ថាតម្លៃប្រេងអូលីវនឹងបន្តឡើងខ្ពស់ ១១ ខែទៀត ខណៈតម្លៃប្រេងផ្កាឈូករ័ត្ននឹងត្រលប់មករកកម្រិតមធ្យមវិញក្រោយ ៥ ខែ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់យ៉ាងច្បាស់ពីទំហំធនធានកុំព្យូទ័រដែលត្រូវប្រើប្រាស់នោះទេ ប៉ុន្តែផ្អែកលើវិធីសាស្ត្រ វាទាមទារកម្មវិធីស្ថិតិកម្រិតខ្ពស់ និងទិន្នន័យប្រវត្តិសាស្រ្តរយៈពេលវែង។
ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើទិន្នន័យតម្លៃសកល (គិតជាដុល្លារអាមេរិកក្នុងមួយតោន) ដែលឆ្លុះបញ្ចាំងពីនិន្នាការទីផ្សារអន្តរជាតិធំៗ។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះអាចមានគម្លាតខ្លះពីតម្លៃលក់រាយជាក់ស្តែងក្នុងស្រុក ដោយសារកត្តាពន្ធនាំចូល ថ្លៃដឹកជញ្ជូន អតិផរណាក្នុងស្រុក និងការប្រើប្រាស់ប្រេងដូងជំនួសច្រើនជាង។
វិធីសាស្ត្រស្រាវជ្រាវក្នុងឯកសារនេះ មានប្រយោជន៍ខ្លាំងណាស់សម្រាប់ស្ថាប័ននៅកម្ពុជាក្នុងការតាមដាន និងទស្សន៍ទាយថ្លៃទំនិញយុទ្ធសាស្ត្រ។
ការបំពាក់បំប៉នជំនាញអេកូណូមេទ្រីក និងម៉ាស៊ីនរៀនទាំងនេះ នឹងជួយឱ្យអ្នកស្រាវជ្រាវកម្ពុជាអាចបង្កើតគោលនយោបាយសេដ្ឋកិច្ច និងកសិកម្មដែលឆ្លើយតបបានទាន់ពេលវេលាទៅនឹងភាពមិនប្រាកដប្រជានៃសកលលោក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Fractional integration (សមាហរណកម្មប្រភាគ) | ក្នុងស្ថិតិ វាគឺជាវិធីសាស្រ្តអនុញ្ញាតឱ្យគេវាស់វែងកម្រិតនៃការចងចាំ (Memory) ឬភាពជាប់លាប់នៃទិន្នន័យស៊េរីពេលវេលា ដោយប្រើប្រភាគ (ចំណុចទសភាគ) ជំនួសឱ្យចំនួនគត់ ដើម្បីមើលថាបម្រែបម្រួលមួយជារឿងបណ្តោះអាសន្ន ឬអចិន្ត្រៃយ៍។ | ដូចជាការវាស់ស្នាមជើងលើខ្សាច់ ថាតើរលកទឹកសមុទ្រត្រូវការពេលប៉ុន្មាន និងកម្រិតណាទើបអាចលុបស្នាមជើងនោះឱ្យរលុបបាត់អស់។ |
| Mean reversion (ការងាកត្រលប់ទៅរកមធ្យមភាគ) | គឺជាទ្រឹស្តីហិរញ្ញវត្ថុនិងស្ថិតិដែលសន្មតថាតម្លៃទ្រព្យសកម្ម ឬទិន្នន័យណាមួយ នឹងត្រឡប់មករកកម្រិតមធ្យមភាគជាប្រវត្តិសាស្ត្ររបស់វាវិញជានិច្ច ក្រោយពេលមានការកើនឡើង ឬធ្លាក់ចុះយ៉ាងខ្លាំងដោយសារព្រឹត្តិការណ៍ណាមួយ។ | ដូចជាកៅស៊ូកងដែលត្រូវគេទាញឱ្យយឺត ពេលលែងដៃវានឹងលោតត្រលប់មករកទំហំដើមរបស់វាវិញ។ |
| Wavelet coherency (ភាពស៊ីសង្វាក់គ្នានៃវ៉េវឡែត) | គឺជាបច្ចេកទេសគណិតវិទ្យាប្រើសម្រាប់វិភាគទំនាក់ទំនងរវាងអថេរពីរ ដើម្បីរកមើលថាតើពួកវាមានចលនាស្របគ្នា ឬផ្ទុយគ្នានៅពេលណាខ្លះ (Time domain) និងមានវដ្តរយៈពេលប៉ុន្មាន (Frequency domain)។ | ដូចជាការស្តាប់ឧបករណ៍តន្ត្រីពីរលេងជាមួយគ្នា ដើម្បីរកមើលថាតើពួកវាលេងស៊ីចង្វាក់គ្នានៅវិនាទីណាខ្លះ និងនៅកម្រិតសម្លេងណាខ្លះ។ |
| Multilayer perceptron (MLP) (បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត MLP) | គឺជាប្រភេទនៃម៉ាស៊ីនរៀន (Machine Learning) ដែលយកគំរូតាមប្រព័ន្ធសរសៃប្រសាទខួរក្បាលមនុស្ស វាមានស្រទាប់ច្រើនតម្រួតគ្នាដើម្បីរៀនពីទំនាក់ទំនងមិនលីនេអ៊ែរនៃទិន្នន័យស្មុគស្មាញ និងធ្វើការទស្សន៍ទាយលទ្ធផលនាពេលអនាគត។ | ដូចជាការបង្រៀនកូនក្មេងឱ្យស្គាល់សត្វឆ្កែ ដោយបង្ហាញរូបភាពច្រើនដង រហូតដល់ខួរក្បាលក្មេងអាចចំណាំលក្ខណៈពិសេសរបស់ឆ្កែបានដោយខ្លួនឯងហើយអាចទាយត្រូវនៅពេលឃើញឆ្កែថ្មីៗ។ |
| Stationarity (ភាពនឹងនរ) | គឺជាលក្ខណៈនៃទិន្នន័យស៊េរីពេលវេលា ដែលមធ្យមភាគ ភាពប្រែប្រួល (Variance) និងរចនាសម្ព័ន្ធស្ថិតិរបស់វាមិនផ្លាស់ប្តូរទៅតាមពេលវេលា ដែលជាលក្ខខណ្ឌចាំបាច់ធ្វើឱ្យម៉ូដែលងាយស្រួលធ្វើការព្យាករណ៍។ | ដូចជាចង្វាក់បេះដូងរបស់មនុស្សដែលកំពុងគេងលក់ស្កប់ស្កល់ ដែលលោតក្នុងល្បឿនមួយថេរ មិនលោតញាប់ពេក ឬយឺតពេក។ |
| Causality test (តេស្តភាពជាហេតុផល) | គឺជាការសាកល្បងខាងអេកូណូមេទ្រីក ដើម្បីកំណត់ថាតើការប្រែប្រួលនៃអថេរមួយ (ឧ. តម្លៃប្រេងអូលីវ) អាចត្រូវបានប្រើប្រាស់ដើម្បីទស្សន៍ទាយឬជាមូលហេតុនៃការប្រែប្រួលនៃអថេរមួយទៀត (ឧ. តម្លៃប្រេងផ្កាឈូករ័ត្ន) ដែរឬទេ។ | ដូចជាការវិភាគមើលថាតើការចុះត្រជាក់នៃអាកាសធាតុពិតជាមូលហេតុផ្ទាល់ដែលធ្វើឱ្យមនុស្សទិញអាវរងារច្រើនជាងមុនមែនឬក៏អត់។ |
| Structural break (បម្រែបម្រួលរចនាសម្ព័ន្ធ) | គឺជាការផ្លាស់ប្តូរភ្លាមៗ និងកម្រិតធ្ងន់ធ្ងរនៅក្នុងទិន្នន័យស៊េរីពេលវេលា ដែលបណ្ដាលមកពីព្រឹត្តិការណ៍ធំៗ (ដូចជាសង្គ្រាម ឬជំងឺរាតត្បាត) ធ្វើឱ្យច្បាប់ ឬនិន្នាការចាស់លែងអាចប្រើបានសម្រាប់យកមកទស្សន៍ទាយ។ | ដូចជាការបាក់ស្ពានឆ្លងទន្លេ ដែលធ្វើឱ្យចរាចរណ៍ត្រូវប្តូរផ្លូវទាំងស្រុងខុសពីអ្វីដែលធ្លាប់មានពីមុនមក។ |
| ARFIMA (p,d,q) model (ម៉ូដែល ARFIMA) | Autoregressive Fractionally Integrated Moving Average គឺជាម៉ូដែលស៊េរីពេលវេលាកម្រិតខ្ពស់ដែលរួមបញ្ចូលគ្នានូវការវិភាគនិន្នាការអតីតកាល កំហុសឆ្គង និងការធ្វើសមាហរណកម្មប្រភាគ ដើម្បីវាស់វែងការចងចាំរយៈពេលវែង (Long memory) នៃទិន្នន័យ។ | ដូចជាការព្យាករណ៍អាកាសធាតុដោយមើលទាំងពពកនៅលើមេឃថ្ងៃនេះ (រយៈពេលខ្លី) និងរដូវកាលទាំងមូលប្រចាំឆ្នាំ (រយៈពេលវែង) ក្នុងពេលតែមួយដើម្បីឱ្យកាន់តែសុក្រឹត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
