បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការវាយតម្លៃមិនច្បាស់លាស់លើទំនាក់ទំនងរវាងនគរូបនីយកម្ម និងការបញ្ចេញឧស្ម័នកាបូនិក (CO2) ដោយសារការសិក្សាពីមុនៗតែងតែចាត់ទុកនគរូបនីយកម្មជាកត្តាជះឥទ្ធិពលផ្ទាល់ ជាជាងជាភ្នាក់ងារនៃសកម្មភាពមនុស្ស។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រវិភាគចង្កោមសន្ទស្សន៍ចម្រុះផ្អែកលើទិន្នន័យបន្ទះ (Panel Data) ដើម្បីចាត់ថ្នាក់កម្រិតនគរូបនីយកម្ម និងប្រើប្រាស់ម៉ូដែល STIRPAT វិភាគកត្តាជះឥទ្ធិពល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Unclassified Nationwide STIRPAT Model ម៉ូដែល STIRPAT ថ្នាក់ជាតិទូទៅ (មិនបែងចែកចំណាត់ថ្នាក់តំបន់) |
មានភាពងាយស្រួលក្នុងការគណនា និងផ្តល់នូវរូបភាពជារួមអំពីកត្តាជះឥទ្ធិពលលើកម្រិតម៉ាក្រូសេដ្ឋកិច្ច។ | មើលរំលងភាពខុសគ្នានៃការអភិវឌ្ឍតាមតំបន់ ដែលនាំឱ្យការដាក់ចេញគោលនយោបាយមានលក្ខណៈទូទៅពេក (One size fits all)។ | បង្ហាញភាពយឺតនៃ GDP ថ្នាក់ជាតិក្នុងកម្រិត ១.១៥៥៦ ប៉ុន្តែបិទបាំងភាពខុសគ្នារវាងទីក្រុងធំ និងតំបន់ជនបទ។ |
| Classified STIRPAT Model via Multi-index Cluster Analysis ម៉ូដែល STIRPAT ផ្អែកលើចំណាត់ថ្នាក់នគរូបនីយកម្មដោយប្រើវិភាគចង្កោម |
ផ្តល់ការយល់ដឹងស៊ីជម្រៅទៅតាមកម្រិតនៃការអភិវឌ្ឍនីមួយៗ ដែលអនុញ្ញាតឱ្យមានការរៀបចំគោលនយោបាយកាត់បន្ថយកាបូនចំគោលដៅនិងមានប្រសិទ្ធភាព។ | ទាមទារការប្រមូលទិន្នន័យលម្អិតច្រើន និងការគណនាស្មុគស្មាញសម្រាប់ការវិភាគចំណាត់ថ្នាក់ជាមុន (Cluster Analysis)។ | រកឃើញភាពខុសគ្នាយ៉ាងខ្លាំង ឧទាហរណ៍ ភាពយឺតនៃអាំងតង់ស៊ីតេថាមពលមានកម្រិត ១.៦១៦៩ នៅទីក្រុងធំៗ (ប្រភេទទី១) ធៀបនឹង ០.៨៤២២ នៅតំបន់អភិវឌ្ឍន៍ទាប (ប្រភេទទី៤)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់ពីការចំណាយហិរញ្ញវត្ថុជាក់លាក់ទេ ប៉ុន្តែវាទាមទារទិន្នន័យបន្ទះ (Panel Data) ដ៏ទូលំទូលាយ និងចំណេះដឹងជ្រៅជ្រះផ្នែកស្ថិតិសេដ្ឋកិច្ចបរិស្ថាន។
ការសិក្សានេះផ្អែកលើទិន្នន័យបន្ទះពីខេត្តនិងទីក្រុងក្នុងប្រទេសចិន ដែលមានការរីកចម្រើនផ្នែកឧស្សាហកម្មធុនធ្ងន់និងនគរូបនីយកម្មលឿនខ្លាំង។ សម្រាប់កម្ពុជា ទោះបីទំហំសេដ្ឋកិច្ចនិងការបញ្ចេញកាបូនមិនស្មើចិនក្តី ប៉ុន្តែភាពខុសគ្នារវាងទីក្រុងនិងជនបទគឺមានទំហំធំដូចគ្នា ដូច្នេះវិធីសាស្ត្រនេះមានសារៈសំខាន់ដើម្បីជៀសវាងការរៀបចំគោលនយោបាយខុសកាលៈទេសៈ។
វិធីសាស្ត្រវិភាគដោយបែងចែកចំណាត់ថ្នាក់តំបន់នេះ មានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់កម្ពុជា ក្នុងការរៀបចំយុទ្ធសាស្ត្រទីក្រុងឆ្លាតវៃ និងការអភិវឌ្ឍប្រកបដោយចីរភាព។
ការប្រើប្រាស់ក្របខណ្ឌវាយតម្លៃនេះ នឹងជួយរាជរដ្ឋាភិបាលកម្ពុជាធ្វើការបែងចែកថវិកានិងរៀបចំគោលនយោបាយបរិស្ថានបានចំគោលដៅទៅតាមដំណាក់កាលអភិវឌ្ឍន៍នៃខេត្តនីមួយៗ ប្រសើរជាងការអនុវត្តច្បាប់តែមួយសម្រាប់ទូទាំងប្រទេស។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| STIRPAT model | ម៉ូដែលវាយតម្លៃផលប៉ះពាល់បរិស្ថានដែលពង្រីកចេញពីរូបមន្ត IPAT ដោយវាស់ស្ទង់ពីឥទ្ធិពលរួមបញ្ចូលគ្នានៃទំហំប្រជាជន (Population) ភាពមានបាន/កំណើនសេដ្ឋកិច្ច (Affluence) និងបច្ចេកវិទ្យា (Technology) ទៅលើការបញ្ចេញកាបូន ដោយអនុញ្ញាតឱ្យមានការប្រែប្រួលបែបស្ថិតិ។ | ដូចជារូបមន្តគណនារកមើលថាតើមនុស្សចំនួនប៉ុន្មាននាក់ មានលុយប៉ុន្មាន និងប្រើប្រាស់ឧបករណ៍ទំនើបកម្រិតណា ទើបធ្វើឱ្យបន្ទប់មួយឆាប់រញ៉េរញ៉ៃជាងមុន។ |
| multi-index cluster analysis | វិធីសាស្ត្រស្ថិតិក្នុងការបែងចែកក្រុមវត្ថុឬតំបន់ ដោយពឹងផ្អែកលើសូចនាករ (Index) ច្រើនបញ្ចូលគ្នា ដើម្បីស្វែងរកក្រុមដែលមានលក្ខណៈប្រហាក់ប្រហែលគ្នាតាមបែបវិទ្យាសាស្ត្រ ជាជាងការចាត់ថ្នាក់ដោយកត្តាតែមួយ។ | ដូចជាការចាត់ថ្នាក់សិស្សក្នុងថ្នាក់ជាក្រុមៗ ដោយពឹងផ្អែកមិនត្រឹមតែលើពិន្ទុគណិតវិទ្យាប៉ុណ្ណោះទេ តែរួមទាំងពិន្ទុអក្សរសាស្ត្រ កីឡា និងអាកប្បកិរិយាផងដែរ។ |
| entropy weight | ក្បួនដោះស្រាយសម្រាប់វាយតម្លៃនិងផ្តល់ទម្ងន់អាទិភាពដល់សូចនាករនីមួយៗដោយស្វ័យប្រវត្តិ ផ្អែកលើកម្រិតនៃភាពខុសគ្នា (Dispersion) នៃទិន្នន័យពិតប្រាកដ ជាជាងការសន្មត់ផ្តល់ទម្ងន់ដោយមនុស្ស។ | ដូចជាការឱ្យពិន្ទុអាទិភាពខ្ពស់លើមុខវិជ្ជាណាដែលសិស្សភាគច្រើនមានពិន្ទុខុសៗគ្នាខ្លាំង (ដើម្បីងាយបែងចែកសិស្សពូកែនិងខ្សោយ) ជាជាងមុខវិជ្ជាដែលគ្រប់គ្នាទទួលបានពិន្ទុប្រហាក់ប្រហែលគ្នា។ |
| panel data | ប្រភេទសំណុំទិន្នន័យដែលតាមដានអង្គភាពសង្កេតដដែលៗ (ដូចជាខេត្ត ឬប្រទេស) ឆ្លងកាត់រយៈពេលជាច្រើនឆ្នាំបន្តបន្ទាប់គ្នា ដែលជួយឱ្យការវិភាគអាចសង្កេតឃើញទាំងការផ្លាស់ប្តូរទីតាំងភូមិសាស្ត្រ និងការវិវឌ្ឍតាមពេលវេលា។ | ដូចជាសៀវភៅតាមដានសុខភាពដែលកត់ត្រាកម្ពស់និងទម្ងន់របស់សិស្សម្នាក់ៗជារៀងរាល់ឆ្នាំ តាំងពីថ្នាក់ទី១ដល់ទី១២ ជាជាងការវាស់ត្រឹមតែម្តងនៅឆ្នាំណាមួយ។ |
| random effect model | ម៉ូដែលប៉ាន់ស្មានទិន្នន័យបន្ទះ (Panel Data) ដែលសន្មត់ថាភាពខុសគ្នារវាងអង្គភាពនីមួយៗ (ឧ. ភាពខុសគ្នានៃការអភិវឌ្ឍខេត្តនីមួយៗ) គឺជារឿងចៃដន្យ និងមិនមានទំនាក់ទំនងផ្ទាល់ជាមួយអថេរឯករាជ្យក្នុងម៉ូដែលនោះទេ។ | ដូចជាការសន្មត់ថាទេពកោសល្យពីកំណើតរបស់សិស្សម្នាក់ៗ (ដែលយើងមើលមិនឃើញ) គឺជាកត្តាចៃដន្យដែលជួយពួកគេក្នុងការប្រឡង ដោយមិនពាក់ព័ន្ធនឹងចំនួនម៉ោងដែលពួកគេខំរៀននោះទេ។ |
| Energy intensity | រង្វាស់ដែលបង្ហាញពីបរិមាណថាមពលសរុបដែលត្រូវបានប្រើប្រាស់ ដើម្បីបង្កើតបានផលិតផលក្នុងស្រុកសរុប (GDP) មួយឯកតា។ បើតម្លៃអាំងតង់ស៊ីតេថាមពលនេះកាន់តែទាប មានន័យថាបច្ចេកវិទ្យាផលិតកម្មកាន់តែមានប្រសិទ្ធភាព។ | ដូចជាការវាស់ថាតើម៉ូតូមួយគ្រឿងស៊ីសាំងប៉ុន្មានលីត្រដើម្បីរត់បានចម្ងាយ ១០០ គីឡូម៉ែត្រ បើស៊ីសាំងតិច នោះមានន័យថាម៉ាស៊ីនកាន់តែល្អ។ |
| elasticity | ក្នុងន័យសេដ្ឋកិច្ចវិទ្យា វាគឺជារង្វាស់នៃភាពរំញោច (Sensitivity) ដែលបង្ហាញថាបើតម្លៃអថេរមួយ (ឧទាហរណ៍៖ ប្រជាជន) ប្រែប្រួល ១% នោះវានឹងធ្វើឱ្យអថេរមួយទៀត (ឧទាហរណ៍៖ ការបញ្ចេញកាបូន) ប្រែប្រួលប៉ុន្មានភាគរយ។ | ដូចជាការទាញកៅស៊ូកង បើយើងបញ្ចេញកម្លាំងទាញបន្តិច (១%) តើកៅស៊ូនោះនឹងយឺតបានប៉ុន្មានសង់ទីម៉ែត្រ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
