បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការខ្វះខាតការស្រាវជ្រាវជាក់ស្តែងអំពីផលប៉ះពាល់នៃការវិនិយោគមូលធនលើហេដ្ឋារចនាសម្ព័ន្ធដឹកជញ្ជូន ទៅលើកំណើនសេដ្ឋកិច្ចនៅកម្រិតខេត្តក្រុងក្នុងប្រទេសវៀតណាម។ វាមានគោលបំណងវាយតម្លៃប្រសិទ្ធភាពនៃការវិនិយោគនេះធៀបនឹងមូលធនសាធារណៈទូទៅ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ការវិភាគលើទិន្នន័យចាប់ពីឆ្នាំ ២០០៥ ដល់ ២០១៨ ដោយបែងចែកជាពីរគំរូឯករាជ្យគឺ ខេត្តក្រុងអភិវឌ្ឍន៍បំផុតទាំង ១០ និងខេត្តក្រុងចំនួន ៥៣ ផ្សេងទៀត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Pooled OLS (Ordinary Least Squares) ការប៉ាន់ស្មានដោយវិធីសាស្ត្រ Pooled OLS |
ងាយស្រួលក្នុងការគណនា និងផ្តល់នូវទិដ្ឋភាពទូទៅនៃទំនាក់ទំនងរវាងការវិនិយោគហេដ្ឋារចនាសម្ព័ន្ធ និងកំណើនសេដ្ឋកិច្ច។ | មិនអើពើពីលក្ខណៈខុសគ្នារវាងខេត្តនីមួយៗ (Heterogeneity) ដែលអាចបណ្តាលឱ្យលទ្ធផលលម្អៀង (Biased) និងមិនស៊ីសង្វាក់គ្នា (Inconsistent)។ | បង្ហាញពីទំនាក់ទំនងវិជ្ជមាននៃមូលធនដឹកជញ្ជូន ប៉ុន្តែមិនសូវមានភាពត្រឹមត្រូវតាមបែបស្ថិតិបើធៀបនឹងការប្រើប្រាស់គំរូទិន្នន័យបន្ទះសុទ្ធ។ |
| Fixed Effects (FE) and Random Effects (RE) Models គំរូវិភាគអថេរថេរ និងចៃដន្យ (FE & RE Models) |
ដោះស្រាយបញ្ហាភាពខុសគ្នារវាងខេត្តនីមួយៗ (Individual Heterogeneity) ដែលធ្វើឱ្យការប៉ាន់ស្មានមានភាពច្បាស់លាស់ជាង Pooled OLS។ | នៅតែមិនអាចដោះស្រាយបញ្ហាអថេរខាងក្នុង (Endogeneity) និងអថេរថាមវន្ត (Dynamic elements) ដែលបណ្តាលមកពីទំនាក់ទំនងបញ្ច្រាសគ្នារវាងសេដ្ឋកិច្ចនិងការវិនិយោគ។ | ការធ្វើតេស្ត Hausman គាំទ្រការប្រើប្រាស់គំរូ Random Effects សម្រាប់ខេត្តទាំង ៥៣ ដោយបង្ហាញប្រូបាប៊ីលីតេ > ០,០៥ ដែលរក្សាបាននូវភាពជឿជាក់លើស្ថិតិ។ |
| Generalized Method of Moments (GMM - Arellano & Bond) វិធីសាស្ត្រប៉ាន់ស្មាន GMM របស់ Arellano-Bond |
អាចដោះស្រាយបញ្ហាអថេរខាងក្នុង (Endogeneity) និងបញ្ហាទិន្នន័យអវត្តមានបានយ៉ាងមានប្រសិទ្ធភាពក្នុងទិន្នន័យបន្ទះថាមវន្ត (Dynamic Panel Data) ដោយប្រើប្រាស់អថេរឧបករណ៍។ | ទាមទារទំហំទិន្នន័យច្រើន និងការកំណត់រចនាសម្ព័ន្ធអថេរឧបករណ៍ (Instrumental Variables) ប្រកបដោយភាពស្មុគស្មាញខ្ពស់។ | បញ្ជាក់យ៉ាងច្បាស់ថា ផលិតភាពនៃមូលធនដឹកជញ្ជូន (០,២២៦) លើសពីទិន្នផលមូលធនសាធារណៈជាមធ្យមនៅក្នុងខេត្តកំពុងអភិវឌ្ឍន៍ទាំង ៥៣។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើទិន្នន័យបន្ទះ (Panel Data) ប្រចាំខេត្តក្រុងក្នុងរយៈពេលវែង និងការប្រើប្រាស់កម្មវិធីកុំព្យូទ័រស្ថិតិសម្រាប់ការវិភាគកម្រិតខ្ពស់នៃសេដ្ឋកិច្ចមាត្រ (Econometrics)។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសវៀតណាម ដោយប្រើប្រាស់ទិន្នន័យពីខេត្ត-ក្រុងទាំង ៦៣ ចាប់ពីឆ្នាំ ២០០៥ ដល់ ២០១៨។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីបរិបទសេដ្ឋកិច្ចដែលកំពុងលូតលាស់យ៉ាងឆាប់រហ័ស ជាមួយនឹងគំរូនៃការធ្វើមជ្ឈការនិងវិមជ្ឈការនៃការវិនិយោគខុសពីកម្ពុជា។ សម្រាប់កម្ពុជា លទ្ធផលនេះមានសារៈសំខាន់ក្នុងការស្វែងយល់ ប៉ុន្តែត្រូវប្រុងប្រយ័ត្នចំពោះការអនុវត្តផ្ទាល់ ដោយសារភាពខុសគ្នានៃរចនាសម្ព័ន្ធសេដ្ឋកិច្ច ប្រភពទុន និងសមត្ថភាពស្ថាប័នថ្នាក់មូលដ្ឋាននៅកម្ពុជា។
វិធីសាស្ត្រស្រាវជ្រាវ និងលទ្ធផលពីឯកសារនេះ មានអត្ថប្រយោជន៍ខ្ពស់សម្រាប់រាជរដ្ឋាភិបាល និងអ្នកស្រាវជ្រាវកម្ពុជា ក្នុងការវាយតម្លៃ និងរៀបចំផែនការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធដឹកជញ្ជូន។
ការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធគួរតែផ្អែកលើទិន្នន័យ និងមានការបែងចែកច្បាស់លាស់រវាងតំបន់មជ្ឈមណ្ឌលសេដ្ឋកិច្ច និងខេត្តកំពុងអភិវឌ្ឍន៍ ដើម្បីទទួលបានផលចំណេញជាអតិបរមាពីថវិកាជាតិ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Cobb-Douglas | មុខងារផលិតកម្ម Cobb-Douglas គឺជារូបមន្តសេដ្ឋកិច្ចដែលប្រើដើម្បីបង្ហាញពីទំនាក់ទំនងរវាងបរិមាណនៃធនធានដែលបានប្រើប្រាស់ (ដូចជាកម្លាំងពលកម្ម និងមូលធន) និងបរិមាណនៃផលិតផលដែលផលិតបាន។ ក្នុងឯកសារនេះ គេបន្ថែមអថេរហេដ្ឋារចនាសម្ព័ន្ធដឹកជញ្ជូនទៅក្នុងរូបមន្តនេះដើម្បីវាស់វែងឥទ្ធិពលរបស់វា។ | ដូចជារូបមន្តធ្វើនំអញ្ចឹង ដែលប្រាប់អ្នកថាបើយកម្សៅប៉ុណ្ណេះ និងស្ករប៉ុណ្ណេះ នោះអ្នកនឹងដុតបាននំប៉ុន្មានដុំយ៉ាងពិតប្រាកដ។ |
| Fixed-effects | គំរូវិភាគអថេរថេរ (Fixed-effects model) គឺជាវិធីសាស្ត្រក្នុងស្ថិតិដែលប្រើដើម្បីត្រួតពិនិត្យលក្ខណៈពិសេសរៀងៗខ្លួនរបស់អង្គភាពនីមួយៗ (ដូចជាទីតាំងភូមិសាស្ត្រ ឬវប្បធម៌របស់ខេត្តមួយ) ដែលមិនផ្លាស់ប្តូរតាមពេលវេលា ដើម្បីកុំឱ្យលក្ខណៈទាំងនោះចូលទៅរំខានដល់លទ្ធផលនៃការវាស់វែងឥទ្ធិពលពិតប្រាកដនៃអថេរផ្សេងទៀត។ | ដូចជាការថ្លឹងទម្ងន់មនុស្សដោយឱ្យពួកគេដោះស្បែកជើងចេញសិន ដើម្បីប្រាកដថាទម្ងន់ស្បែកជើងដែលមិនប្រែប្រួលរបស់ម្នាក់ៗ មិនធ្វើឱ្យទម្ងន់ខ្លួនពិតប្រាកដខុសស្រឡះនោះទេ។ |
| Random-effects | គំរូវិភាគអថេរចៃដន្យ (Random-effects model) គឺជាវិធីសាស្ត្រស្ថិតិដែលសន្មតថាលក្ខណៈពិសេសរបស់អង្គភាពនីមួយៗ (ឧទាហរណ៍ ភាពអំណោយផលខាងភូមិសាស្ត្រខេត្ត) មិនមានទំនាក់ទំនងជាមួយអថេរឯករាជ្យផ្សេងទៀតទេ ហើយវាចាត់ទុកភាពខុសគ្នាទាំងនេះគ្រាន់តែជាផ្នែកមួយនៃកំហុសចៃដន្យ (Random error) ប៉ុណ្ណោះ។ | ដូចជាការចាត់ទុកថាសមត្ថភាពរៀនសូត្រពីកំណើតរបស់សិស្សម្នាក់ៗ គឺជារឿងចៃដន្យដែលមិនពាក់ព័ន្ធនឹងចំនួនម៉ោងដែលពួកគេខិតខំរៀននៅផ្ទះនោះទេ។ |
| Pooled OLS | ការប៉ាន់ស្មានដោយប្រើវិធីសាស្ត្រ Ordinary Least Squares (OLS) ធម្មតា ដោយច្របាច់បញ្ចូលទិន្នន័យបន្ទះ (Panel data) ទាំងអស់ចូលគ្នាជាដុំតែមួយ ដោយមិនខ្វល់ពីភាពខុសគ្នារវាងពេលវេលា និងលក្ខណៈពិសេសរៀងៗខ្លួនរបស់អង្គភាពនីមួយៗនោះទេ។ | ដូចជាការយកផ្លែឈើគ្រប់ប្រភេទ (ស្វាយ ចេក ល្ហុង) មកច្របាច់បញ្ចូលគ្នាក្នុងម៉ាស៊ីនទឹកក្រឡុកតែមួយ ដោយមិនខ្វល់ពីការរក្សារសជាតិដើមរបស់ផ្លែឈើនីមួយៗ។ |
| GMM | Generalized Method of Moments (GMM) គឺជាវិធីសាស្ត្រប៉ាន់ស្មានប៉ារ៉ាម៉ែត្រក្នុងសេដ្ឋកិច្ចមាត្រកម្រិតខ្ពស់ ដែលត្រូវបានប្រើជាពិសេសដើម្បីដោះស្រាយបញ្ហា Endogeneity (អថេរខាងក្នុង) ក្នុងទិន្នន័យបន្ទះថាមវន្ត (Dynamic Panel Data) ដោយប្រើប្រាស់តម្លៃអតីតកាល (Lags) ធ្វើជាអថេរឧបករណ៍ (Instrumental Variables)។ | ដូចជាការពឹងអ្នកជិតខាង (អថេរឧបករណ៍) ឱ្យជួយបញ្ជាក់ភាពត្រឹមត្រូវនៃសក្ខីកម្មរបស់មនុស្សពីរនាក់ដែលកំពុងទម្លាក់កំហុសដាក់គ្នាទៅវិញទៅមក ដើម្បីរកឱ្យឃើញការពិតជាក់ស្តែង។ |
| Hausman-test | តេស្ត Hausman គឺជាវិធីសាស្ត្រសាកល្បងខាងស្ថិតិ ដើម្បីជួយអ្នកស្រាវជ្រាវធ្វើការសម្រេចចិត្តជ្រើសរើសរវាងការប្រើប្រាស់គំរូ Fixed Effects ឬ Random Effects ដោយផ្ទៀងផ្ទាត់ថាតើលក្ខណៈពិសេសរបស់អង្គភាពនីមួយៗពិតជាមានទំនាក់ទំនងជាមួយអថេរឯករាជ្យផ្សេងទៀតឬអត់។ | ដូចជាការប្រើប្រាស់ត្រីវិស័យដើម្បីសម្រេចចិត្តថាតើគួរជ្រើសរើសដើរទៅផ្លូវខាងឆ្វេង ឬផ្លូវខាងស្តាំ ទើបអាចទៅដល់គោលដៅប្រកបដោយសុវត្ថិភាព។ |
| Sargan-test | ការធ្វើតេស្តសាកល្បងដើម្បីពិនិត្យមើលថាតើអថេរឧបករណ៍ (Instrumental Variables) ដែលបានប្រើប្រាស់ក្នុងគំរូ (ដូចជា GMM) ពិតជាមានសុពលភាព (Validity) ពោលគឺវាមិនមានទំនាក់ទំនងជាមួយអថេរកំហុសនោះទេ ទើបម៉ូដែលនោះអាចជឿទុកចិត្តបាន។ | ដូចជាការពិនិត្យមើលប្រវត្តិរូបរបស់អ្នកធានា (អ្នកជិតខាង) យ៉ាងល្អិតល្អន់ ដើម្បីឱ្យប្រាកដថាគាត់ពិតជាមិនមានខ្សែស្រឡាយ ឬលម្អៀងទៅខាងភាគីណាមួយ មុននឹងឱ្យគាត់ឡើងធ្វើជាសាក្សី។ |
| cross-section | ទិន្នន័យកាត់ទទឹង (Cross-sectional data) គឺជាប្រភេទនៃទិន្នន័យដែលប្រមូលបានពីអង្គភាពជាច្រើន (ដូចជាខេត្ត ក្រុមហ៊ុន ឬប្រទេសជាច្រើន) ក្នុងអំឡុងពេលតែមួយ ឬនៅចំណុចនៃពេលវេលាតែមួយប៉ុណ្ណោះ ដោយមិនមានការតាមដានតាមឆ្នាំនោះទេ។ | ដូចជាការថតរូបសិស្សទាំងអស់ក្នុងសាលារៀននៅថ្ងៃបើកបវេសនកាលតែមួយថ្ងៃ ដើម្បីប្រៀបធៀបកម្ពស់របស់ពួកគេ ដោយមិនចាំបាច់ថតពួកគេនៅឆ្នាំក្រោយៗទៀតទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
