បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមរបស់ធនាគារនៅប្រទេសវៀតណាមក្នុងការធ្វើឱ្យមានតុល្យភាពរវាងការគាំទ្រគោលដៅអភិវឌ្ឍន៍ប្រកបដោយចីរភាព (SD) ប្រាក់ចំណេញរបស់ធនាគារ (BP) និងហានិភ័យឥណទានដែលឆ្លុះបញ្ចាំងតាមរយៈសំវិធានធនឥណទានបាត់បង់ (LLP)។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់ទិន្នន័យពីឆ្នាំ២០០៨ ដល់ ឆ្នាំ២០១៩ ដោយអនុវត្តវិធីសាស្ត្រគំរូវិកាវិវឌ្ឍបែបប្រូបាប៊ីលីតេដើម្បីវិភាគទំនាក់ទំនងថាមវន្តរវាងអថេរ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Bayesian Vector Autoregression (BVAR) គំរូវិកាវិវឌ្ឍវ៉ិចទ័របេយេសៀន |
អាចដោះស្រាយបញ្ហាសំណាកតូច (Small sample size) បានយ៉ាងល្អ និងកាត់បន្ថយភាពលម្អៀងដោយរួមបញ្ចូលព័ត៌មានជាមុន (Prior information)។ មានភាពបត់បែនខ្ពស់ក្នុងការវិភាគទំនាក់ទំនងថាមវន្តរវាងអថេរច្រើន។ | ទាមទារការកំណត់ព័ត៌មានជាមុន (Prior) ឱ្យបានត្រឹមត្រូវ ដែលមានភាពស្មុគស្មាញ និងទាមទារចំណេះដឹងជំនាញកម្រិតខ្ពស់។ ត្រូវប្រើប្រាស់កម្លាំងកុំព្យូទ័រច្រើនសម្រាប់ដំណើរការ MCMC Simulations រហូតដល់ ១ម៉ឺនដង។ | ផ្តល់ការឆ្លើយតបដ៏ជាក់លាក់តាមរយៈ Impulse Response Functions (IRF) ដែលបង្ហាញថាការវិនិយោគលើចីរភាពកាត់បន្ថយប្រាក់ចំណេញរយៈពេលខ្លី ប៉ុន្តែបង្កើនផលចំណេញរយៈពេលវែង។ |
| Traditional Frequentist Methods (GMM, OLS, FEM, REM) វិធីសាស្ត្រប្រេកង់ប្រពៃណី (GMM, OLS, FEM, REM) |
ងាយស្រួលក្នុងការគណនា ប្រើប្រាស់ធនធានកុំព្យូទ័រតិច និងមានការប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងការស្រាវជ្រាវម៉ាក្រូសេដ្ឋកិច្ចទូទៅ។ | ទាមទារទំហំសំណាកទិន្នន័យធំ (Large sample size) ទើបផ្តល់លទ្ធផលសុក្រឹត។ មិនអាចរួមបញ្ចូលព័ត៌មានអ្នកជំនាញជាមុន ដើម្បីកាត់បន្ថយភាពមិនប្រាកដប្រជានៅក្នុងទិន្នន័យតូចបានទេ។ | មិនស័ក្តិសមសម្រាប់ការស្រាវជ្រាវនេះដោយសារទិន្នន័យមានកម្រិតត្រឹមឆ្នាំ ២០០៨-២០១៩ ដែលធ្វើឱ្យម៉ូដែលងាយនឹងមានភាពលម្អៀង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់លម្អិតពីទំហំធនធានកុំព្យូទ័រ (Hardware) នោះទេ ប៉ុន្តែវាទាមទារផ្នែកទន់ (Software) សម្រាប់គណនាស្ថិតិ និងទិន្នន័យធនាគារកម្រិតជាតិ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់ទិន្នន័យថ្នាក់ជាតិរបស់ប្រទេសវៀតណាមចាប់ពីឆ្នាំ ២០០៨ ដល់ ២០១៩។ ដោយសារវាប្រើប្រាស់សូចនាករអភិវឌ្ឍន៍ចីរភាពរួម (Composite SD index) ជំនួសឱ្យសូចនាករនីមួយៗ វាអាចមិនឆ្លុះបញ្ចាំងពីឥទ្ធិពលជាក់លាក់នៃគោលដៅអភិវឌ្ឍន៍នីមួយៗលើធនាគារឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះមានសារៈសំខាន់ណាស់ ព្រោះប្រទេសទាំងពីរមានបរិបទសេដ្ឋកិច្ច វិស័យកសិកម្ម និងទីផ្សារធនាគារកំពុងអភិវឌ្ឍន៍ស្រដៀងគ្នា។
វិធីសាស្ត្រ និងរបកគំហើញនៃការសិក្សានេះពិតជាមានប្រយោជន៍សម្រាប់និយតករ និងស្ថាប័នហិរញ្ញវត្ថុនៅកម្ពុជា ក្នុងការរៀបចំយុទ្ធសាស្ត្រហិរញ្ញប្បទានប្រកបដោយចីរភាព។
ការរៀនសូត្រពីបទពិសោធន៍នេះនឹងជួយឱ្យកម្ពុជាអាចធ្វើសមាហរណកម្មគោលការណ៍ ESG ទៅក្នុងវិស័យធនាគារបានដោយរលូន ព្រមទាំងរក្សាបាននូវស្ថិរភាពហិរញ្ញវត្ថុជាតិ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Bayesian Vector Autoregression (BVAR) (គំរូវិកាវិវឌ្ឍវ៉ិចទ័របេយេសៀន) | ជាគំរូស្ថិតិសេដ្ឋកិច្ចដែលប្រើប្រាស់ទ្រឹស្តីប្រូបាប៊ីលីតេបេយេសៀន (Bayesian probability) ដើម្បីវិភាគទំនាក់ទំនងប្រែប្រួលរវាងអថេរជាច្រើនក្នុងរយៈពេលមួយ ដោយរួមបញ្ចូលចំណេះដឹងឬទិន្នន័យមានស្រាប់ជាមុន (Prior Information) ជាមួយទិន្នន័យដែលទើបប្រមូលបានថ្មី ដើម្បីដោះស្រាយបញ្ហាទិន្នន័យតិច។ | ដូចជាការទស្សន៍ទាយអាកាសធាតុថ្ងៃស្អែក ដោយប្រើប្រាស់បទពិសោធន៍ដែលយើងដឹងពីមុន បូកផ្សំជាមួយទិន្នន័យពពកនិងខ្យល់នៅថ្ងៃនេះជាក់ស្តែង។ |
| Loan Loss Provisions (LLP) (សំវិធានធនសម្រាប់ឥណទានបាត់បង់) | ជាចំនួនទឹកប្រាក់ដែលធនាគារកាត់ទុកដាច់ដោយឡែកពីប្រាក់ចំណេញ ដើម្បីត្រៀមទប់ទល់នឹងការខាតបង់ដែលអាចកើតមាននៅពេលដែលអតិថិជនមិនអាចសងប្រាក់កម្ចីត្រឡប់មកវិញបាន។ ការកើនឡើងនូវ LLP បង្ហាញពីការកើនឡើងនូវហានិភ័យឥណទាន។ | ដូចជាការសន្សំលុយមួយផ្នែកទុកក្នុងកូនជ្រូក ដើម្បីត្រៀមបង់ថ្លៃព្យាបាលនៅពេលយើងឈឺដោយយថាហេតុ។ |
| Impulse Response Functions (IRF) (មុខងារឆ្លើយតបនឹងការប៉ះទង្គិច) | ជាវិធីសាស្ត្រគណនាក្នុងម៉ូដែល VAR ដែលតាមដាន និងបង្ហាញពីរបៀបដែលការផ្លាស់ប្តូរភ្លាមៗ (Shock) នៃអថេរមួយ ជះឥទ្ធិពលទៅលើអថេរផ្សេងទៀតក្នុងប្រព័ន្ធម៉ូដែលតែមួយ ទាំងក្នុងរយៈពេលខ្លី និងរយៈពេលវែង។ | ដូចជាការគប់ដុំថ្មចូលទៅក្នុងទឹកអញ្ចឹង វាជួយប្រាប់យើងថារលកទឹកនឹងសាយភាយធំប៉ុណ្ណា និងយូរប៉ុណ្ណាទើបបាត់ទៅវិញ។ |
| Granger Causality (ភាពជាហេតុផលហ្គ្រេនជឺ) | ជាការធ្វើតេស្តស្ថិតិដើម្បីកំណត់ថា តើទិន្នន័យអតីតកាលនៃអថេរមួយ (ឧទាហរណ៍ ឥណទានកសិកម្ម) ពិតជាមានឥទ្ធិពលអាចជួយព្យាករណ៍ពីការផ្លាស់ប្តូរនៃអថេរមួយទៀត (ឧទាហរណ៍ ប្រាក់ចំណេញធនាគារ) បានឬអត់។ | ដូចជាការសង្កេតមើលថា តើមេឃងងឹត ពិតជាអាចជួយទាយដឹងមុនថាភ្លៀងនឹងធ្លាក់ មែនឬអត់។ |
| Return on Assets (ROA) (ផលចំណេញលើទ្រព្យសកម្ម) | ជាសូចនាករហិរញ្ញវត្ថុដែលវាស់ស្ទង់ថាតើក្រុមហ៊ុន ឬធនាគារមួយអាចបង្កើតប្រាក់ចំណេញបានប៉ុន្មាន ធៀបនឹងទ្រព្យសកម្មសរុបដែលខ្លួនមាន។ វាបង្ហាញពីប្រសិទ្ធភាពនៃការគ្រប់គ្រងទ្រព្យ ដើម្បីបង្កើតប្រាក់ចំណេញ។ | ដូចជាការវាស់មើលថា តើម៉ាស៊ីនផលិតទឹកកកមួយគ្រឿង អាចផលិតទឹកកកបានលឿននិងច្រើនប៉ុណ្ណាក្នុងមួយថ្ងៃ។ |
| Return on Equity (ROE) (ផលចំណេញលើមូលធន) | ជាសូចនាករហិរញ្ញវត្ថុដែលវាស់ស្ទង់ពីអត្រាប្រាក់ចំណេញ ដែលក្រុមហ៊ុនអាចរកបានពីការវិនិយោគទុនរបស់ម្ចាស់ភាគហ៊ុន (Shareholders' Equity) ដែលឆ្លុះបញ្ចាំងពីសមត្ថភាពរបស់ធនាគារក្នុងការផ្តល់ផលចំណេញត្រឡប់ទៅម្ចាស់ភាគហ៊ុនវិញ។ | ដូចជាការគណនាមើលថា បើយើងដាក់លុយរកស៊ី១០០ដុល្លារ តើយើងអាចចំណេញបានប៉ុន្មានដុល្លារត្រឡប់មកវិញផ្ទាល់ខ្លួន។ |
| Non-Performing Loans (NPL) (ឥណទានមិនដំណើរការ) | ជាប្រាក់កម្ចីដែលអតិថិជនមិនបានបង់ការប្រាក់ ឬប្រាក់ដើមត្រឡប់មកវិញតាមការកំណត់ (ជាទូទៅយឺតយ៉ាវលើសពី ៩០ថ្ងៃ) ដែលវាអាចបង្កហានិភ័យដោយផ្ទាល់ដល់ស្ថិរភាពធនាគារ។ | ដូចជាលុយដែលយើងឱ្យមិត្តភក្តិខ្ចី ហើយគេសន្យាសងខែមុន តែដល់ពេលនេះគេនៅតែមិនទាន់សងសោះ។ |
| Markov Chain Monte Carlo (MCMC) (ក្បួនម៉ាកូវឆេនម៉ុងតេកាឡូ) | ជាក្បួនដោះស្រាយតាមកុំព្យូទ័រ (Algorithm) ដែលធ្វើការសាកល្បងម៉ូដែលរាប់ម៉ឺនដង (Simulations) ដើម្បីប៉ាន់ស្មានរកតម្លៃប្រូបាប៊ីលីតេដែលត្រឹមត្រូវបំផុតសម្រាប់អថេរដែលស្មុគស្មាញ ជាពិសេសនៅក្នុងម៉ូដែល Bayesian។ | ដូចជាការបិទភ្នែកស្ទាបរាវរកវត្ថុក្នុងបន្ទប់ងងឹត ដោយដើរទៅមុខម្តងមួយជំហានៗ និងកត់ត្រាទុក រហូតដល់រកឃើញទីតាំងពិតប្រាកដរបស់វា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
