បញ្ហា (The Problem)៖ ឯកសារនេះស្រាវជ្រាវពីកត្តាដែលជះឥទ្ធិពលដល់វិសមភាពប្រាក់ចំណូល ដោយផ្តោតយ៉ាងសំខាន់ទៅលើតួនាទីនៃបទពិសោធន៍ការងារក្នុងចំណោមពលករចំណាកស្រុកនៅប្រទេសចិន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ទិន្នន័យអង្កេតកាត់ទទឹង (Cross-sectional data) ក្នុងឆ្នាំ ២០១៤ ដោយអនុវត្តគំរូសេដ្ឋវិទ្យាដើម្បីវិភាគទៅលើទិន្នន័យប្រាក់ឈ្នួល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Ordinary Least Squares (OLS) / Conditional Mean Regression តំរែតំរង់ OLS ឬ តំរែតំរង់មធ្យមតាមលក្ខខណ្ឌ |
ងាយស្រួលក្នុងការគណនា និងយល់អំពីផលប៉ះពាល់ជាមធ្យមនៃអថេរ (ដូចជាបទពិសោធន៍ ឬការអប់រំ) ទៅលើប្រាក់ចំណូល។ | ផ្តល់លទ្ធផលលំអៀង និងមិនច្បាស់លាស់ ដោយសាររបាយប្រាក់ចំណូលច្រើនតែមិនស្មើគ្នា (Skewed distribution) និងមិនអាចបង្ហាញពីឥទ្ធិពលខុសគ្នានៅតាមកម្រិតចំណូលនីមួយៗបានឡើយ។ | ត្រូវបានលើកឡើងក្នុងឯកសារថាមានកម្រិតក្នុងការវិភាគវិសមភាពប្រាក់ចំណូល ធៀបនឹងវិធីសាស្រ្តដែលវិភាគតាមទម្រង់របាយ (Distributional analysis)។ |
| Quantile Regression combined with Shapley Value Decomposition តំរែតំរង់កង់ទីល រួមជាមួយការបំបែកតម្លៃសាបភ្លី |
អាចប៉ាន់ស្មានឥទ្ធិពលនៃអថេរនានានៅគ្រប់ចំណុចនៃរបាយប្រាក់ចំណូល (ឧទាហរណ៍៖ ក្រុមចំណូលទាប ធៀបនឹងក្រុមចំណូលខ្ពស់) និងអាចវាស់វែងភាគរយនៃការចូលរួមចំណែករបស់អថេរនីមួយៗទៅក្នុងវិសមភាពសរុបបានយ៉ាងច្បាស់លាស់។ | ទាមទារការគណនាស្មុគស្មាញ និងត្រូវការទិន្នន័យដែលមានទំហំធំគ្រប់គ្រាន់ដើម្បីឱ្យការប៉ាន់ស្មានតាមកង់ទីល (Quantiles) នីមួយៗមានភាពជាក់លាក់ និងអាចជឿទុកចិត្តបាន។ | រកឃើញថាបទពិសោធន៍ការងារចូលរួមចំណែកប្រមាណ ២០% នៃវិសមភាពប្រាក់ចំណូល ខណៈដែលយេនឌ័រចូលរួមចំណែកចន្លោះពី ២០% ទៅ ៣៦% នៅតាមកង់ទីលផ្សេងៗ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងទៅលើទិន្នន័យអង្កេតកាត់ទទឹង (Cross-sectional survey data) និងតម្រូវឱ្យមានកម្មវិធីកុំព្យូទ័រសម្រាប់ការវិភាគស្ថិតិកម្រិតខ្ពស់។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យអង្កេតពលករចំណាកស្រុកនៅប្រទេសចិនក្នុងឆ្នាំ ២០១៤ ដែលមានបរិបទសេដ្ឋកិច្ច ការអប់រំ និងទីផ្សារការងារខុសពីបច្ចុប្បន្ន។ សម្រាប់ប្រទេសកម្ពុជា ការអនុវត្តរបកគំហើញនេះដោយផ្ទាល់អាចនឹងមិនឆ្លុះបញ្ចាំងពីការពិតទាំងស្រុងឡើយ ដោយសារពលករកម្ពុជាមានរចនាសម្ព័ន្ធជំនាញ ប្រាក់ឈ្នួលអប្បបរមា និងលក្ខខណ្ឌការងារខុសពីប្រទេសចិន ជាពិសេសនៅក្នុងវិស័យកាត់ដេរ និងសំណង់។
ទោះបីជាបរិបទប្រទេសមានភាពខុសគ្នាក៏ដោយ វិធីសាស្រ្តវិភាគតំរែតំរង់កង់ទីល និងការបំបែកតម្លៃសាបភ្លីនេះ គឺមានសារៈសំខាន់សម្រាប់ការស្រាវជ្រាវទីផ្សារការងារនៅកម្ពុជា។
សរុបមក វិធីសាស្រ្តដែលបង្ហាញក្នុងឯកសារនេះ គឺជាឧបករណ៍វាយតម្លៃសេដ្ឋវិទ្យាដ៏មានប្រសិទ្ធភាពសម្រាប់អ្នកស្រាវជ្រាវ និងអ្នកតាក់តែងគោលនយោបាយនៅកម្ពុជា ក្នុងការដោះស្រាយបញ្ហាវិសមភាពចំណូលប្រកបដោយបរិយាបន្ន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Quantile regression (តំរែតំរង់កង់ទីល) | ជាវិធីសាស្រ្តស្ថិតិសេដ្ឋវិទ្យាវាស់វែងដែលប្រើសម្រាប់ប៉ាន់ស្មានពីទំនាក់ទំនងរវាងអថេរពន្យល់ និងអថេររងឥទ្ធិពល នៅតាមកម្រិតភាគរយផ្សេងៗគ្នា (ដូចជា ក្រុមអ្នកមានចំណូលទាបបំផុត និងក្រុមអ្នកមានចំណូលខ្ពស់បំផុត) នៃរបាយទិន្នន័យ ជាជាងការមើលត្រឹមតែមធ្យមភាគសរុប។ | ដូចជាការវាស់ស្ទង់មើលថា តើថ្នាំបំប៉នមានឥទ្ធិពលខុសគ្នាយ៉ាងណាទៅលើក្រុមសិស្សដែលរៀនខ្សោយបំផុត ធៀបនឹងក្រុមសិស្សដែលរៀនពូកែបំផុត ជាជាងការវាស់តែលទ្ធផលមធ្យមរួមរបស់សិស្សពេញមួយថ្នាក់។ |
| Shapley value decomposition (ការបំបែកតម្លៃសាបភ្លី) | ជាវិធីសាស្រ្តដែលមានប្រភពពីទ្រឹស្តីហ្គេម (Game Theory) ប្រើសម្រាប់គណនាថាតើកត្តានីមួយៗ (ដូចជាការអប់រំ បទពិសោធន៍ យេនឌ័រ) បានចូលរួមចំណែកប៉ុន្មានភាគរយពិតប្រាកដទៅក្នុងការបង្កើតឱ្យមានវិសមភាពប្រាក់ចំណូលសរុប ដោយកាត់កងឥទ្ធិពលត្រួតស៊ីគ្នាចេញ។ | ដូចជាការគណនាបែងចែកពិន្ទុនៅក្នុងការងារក្រុម ដើម្បីដឹងឱ្យច្បាស់ថា សមាជិកម្នាក់ៗបានចូលរួមចំណែកបញ្ចេញកម្លាំងពលកម្មអស់ប៉ុន្មានភាគរយពិតប្រាកដក្នុងការធ្វើឱ្យគម្រោងនោះជោគជ័យ។ |
| Mincer equation (សមីការប្រាក់ចំណូលម៉ាំងស័រ) | ជាគំរូគណិតវិទ្យាសេដ្ឋកិច្ចដ៏ល្បីល្បាញ ដែលប្រើសម្រាប់ពន្យល់ពីប្រាក់ចំណូលរបស់បុគ្គលម្នាក់ៗ ដោយធ្វើការសន្និដ្ឋានផ្អែកលើកម្រិតវប្បធម៌ (ចំនួនឆ្នាំនៃការសិក្សា) និងបទពិសោធន៍ការងារនៅលើទីផ្សារពិតប្រាកដ។ | ដូចជារូបមន្តទាយប្រាក់ខែរបស់អ្នក ដោយយក "ចំនួនឆ្នាំដែលអ្នកអង្គុយរៀននៅសាលា" បូកជាមួយនឹង "ចំនួនឆ្នាំដែលអ្នកធ្លាប់ធ្វើការ" ដើម្បីគណនាថាអ្នកគួរទទួលបានប្រាក់ឈ្នួលកម្រិតណា។ |
| Gini index (សន្ទស្សន៍ជីនី) | ជារង្វាស់ស្ថិតិសម្រាប់បង្ហាញពីកម្រិតវិសមភាពនៃការបែងចែកប្រាក់ចំណូល ឬទ្រព្យសម្បត្តិនៅក្នុងសង្គម ដោយពិន្ទុ ០ មានន័យថាសមភាព១០០% (មនុស្សគ្រប់គ្នាមានចំណូលស្មើគ្នាទាំងស្រុង) និងពិន្ទុ ១ មានន័យថាវិសមភាព១០០% (មនុស្សម្នាក់មានទ្រព្យទាំងអស់)។ | ដូចជាពិន្ទុវាស់កម្រិត "ភាពលម្អៀង" នៃការចែកស្ករគ្រាប់ឱ្យក្មេង១០នាក់។ បើពិន្ទុជិតសូន្យ ក្មេងៗទទួលបានស្ករគ្រាប់ស្មើៗគ្នា តែបើពិន្ទុជិតមួយ គឺមានក្មេងតែម្នាក់គត់ដែលកើបយកស្ករគ្រាប់ទាំងអស់។ |
| Theil index (សន្ទស្សន៍ថេល) | ជារង្វាស់នៃវិសមភាពសេដ្ឋកិច្ចស្រដៀងនឹងសន្ទស្សន៍ Gini ដែរ ប៉ុន្តែវាមានលក្ខណៈពិសេសត្រង់ថា វាអាចបំបែកវិសមភាពជារងកម្រិតបាន ដូចជាវិសមភាព "រវាងក្រុម" (ឧ. រវាងអ្នកធ្វើការរោងចក្រ និងអ្នកធ្វើការសំណង់) និងវិសមភាព "ក្នុងក្រុម" (ឧ. ភាពខុសគ្នាខាងចំណូលរបស់អ្នកធ្វើការរោងចក្រដូចគ្នា)។ | ដូចជាម៉ាស៊ីនថតកាំរស្មីអ៊ិចដែលអាចឆ្លុះមើលរចនាសម្ព័ន្ធខាងក្នុងនៃបញ្ហាវិសមភាព ដើម្បីដឹងថាគម្លាតចំណូលនេះមកពីភាពខុសគ្នារវាងខេត្តនិងខេត្ត ឬមកពីមានអ្នកមាននិងអ្នកក្រនៅក្នុងភូមិតែមួយ។ |
| Human capital (មូលធនមនុស្ស) | គឺជាបណ្តុំនៃចំណេះដឹង ជំនាញ បទពិសោធន៍ សុខភាព និងសមត្ថភាពបញ្ញារបស់កម្លាំងពលកម្ម ដែលចូលរួមចំណែកក្នុងការបង្កើតតម្លៃសេដ្ឋកិច្ច និងបង្កើនផលិតភាពការងារនៅក្នុងស្ថាប័ន ឬប្រទេសមួយ។ | ដូចជាការបញ្ចូលកម្មវិធី (Software) ទៅក្នុងកុំព្យូទ័រ (មនុស្ស) ដូច្នោះដែរ។ កុំព្យូទ័រដែលបានដំឡើងកម្មវិធីល្អៗ (រៀនសូត្របានខ្ពស់ មានបទពិសោធន៍ច្រើន) នឹងអាចធ្វើការបានលឿននិងរកលុយបានច្រើនជាង។ |
| Cross-sectional data (ទិន្នន័យកាត់ទទឹង ឬ ទិន្នន័យអង្កេតក្នុងពេលតែមួយ) | ជាប្រភេទនៃទិន្នន័យដែលប្រមូលបានតាមរយៈការសង្កេតលើប្រធានបទជាច្រើន (ដូចជាបុគ្គល ក្រុមហ៊ុន ឬប្រទេស) នៅចំណុច ឬពេលវេលាជាក់លាក់ណាមួយ (ឧទាហរណ៍ ការអង្កេតក្នុងឆ្នាំ ២០១៤) ជាជាងការតាមដានរយ:ពេលយូរពីមួយឆ្នាំទៅមួយឆ្នាំ។ | ដូចជាការថតរូប (Snapshot) ហ្វូងមនុស្សជាច្រើននាក់ក្នុងពេលតែមួយ ដើម្បីចង់ដឹងថានរណាស្លៀកពាក់ពណ៌អ្វីខ្លះនាថ្ងៃនេះ ជាជាងការតាមថតវីដេអូមនុស្សម្នាក់ៗតាំងពីតូចរហូតដល់ធំ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
