បញ្ហា (The Problem)៖ ប្រទេសចិនកំពុងប្រឈមនឹងកំណើនយ៉ាងខ្លាំងនៃការបញ្ចេញឧស្ម័នកាបូនដោយសារការពឹងផ្អែកលើថាមពលហ្វូស៊ីល ដែលបង្កឱ្យមានការបំពុលបរិស្ថានធ្ងន់ធ្ងរ និងគំរាមកំហែងដល់ការអភិវឌ្ឍប្រកបដោយចីរភាព ពិសេសនៅក្នុងទីក្រុងសៀងហៃ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីឆ្នាំ១៩៩៦ ដល់ ២០១៥ ដោយអនុវត្តគំរូ STIRPAT និងវិធីសាស្ត្រតំរែតំរង់ PLS ដើម្បីវិភាគលើកត្តាជំរុញនៃការបញ្ចេញកាបូន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Ordinary Least Squares (OLS) Regression តំរែតំរង់ការ៉េអប្បបរមាធម្មតា (Ordinary Least Squares) |
ងាយស្រួលក្នុងការគណនា និងប្រើប្រាស់ជាទូទៅសម្រាប់ការវិភាគទិន្នន័យសេដ្ឋកិច្ចធម្មតា។ | មិនអាចដោះស្រាយបញ្ហាអថេរឯករាជ្យដែលមានទំនាក់ទំនងគ្នាខ្លាំង (Multicollinearity) ដែលធ្វើឱ្យការទស្សន៍ទាយមិនមានភាពសុក្រឹត។ | មិនត្រូវបានជ្រើសរើសដោយសារតម្លៃ VIF ធំជាង ១០ ដែលបង្ហាញពីបញ្ហា Multicollinearity ធ្ងន់ធ្ងរ។ |
| Ridge Regression តំរែតំរង់ Ridge (Ridge Regression) |
អាចដោះស្រាយបញ្ហា Multicollinearity បានប្រសើរជាងវិធីសាស្ត្រ OLS និងផ្តល់លទ្ធផលដែលអាចទុកចិត្តបានក្នុងកម្រិតជាក់លាក់មួយ។ | ការកំណត់ប៉ារ៉ាម៉ែត្រពឹងផ្អែកលើការស្មានដោយប្រើគំនិតផ្ទាល់ខ្លួន (subjective inspection) ហើយពិបាកក្នុងការចម្រាញ់យកអថេរដែលមានប្រសិទ្ធភាព។ | ទទួលបានមេគុណកំណត់ R² = 0.580 (៥៨%) និង K=0.08។ |
| Partial Least Squares (PLS) Regression តំរែតំរង់ការ៉េអប្បបរមាតាមផ្នែក (Partial Least Squares) |
ដោះស្រាយបញ្ហា Multicollinearity បានយ៉ាងមានប្រសិទ្ធភាពដោយស្រង់យកសមាសភាគសំខាន់ៗ (Principal components) ដោយមិនបាត់បង់ព័ត៌មានដើម។ | ជាវិធីសាស្ត្រលីនេអ៊ែរ ដែលមិនអាចបង្ហាញទំនាក់ទំនងមិនមែនលីនេអ៊ែរ (nonlinear) នៃទិន្នន័យបានពេញលេញនោះទេ។ | មានថាមពលពន្យល់ (Explanatory power) រហូតដល់ ៩៣.១% និងសមត្ថភាពទស្សន៍ទាយ ៨០.៤%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់លម្អិតអំពីថ្លៃដើម ឬធនធានកុំព្យូទ័រធំដុំនោះទេ ប៉ុន្តែទាមទារទិន្នន័យស្ថិតិផ្លូវការ និងកម្មវិធីវិភាគទិន្នន័យកម្រិតខ្ពស់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងទីក្រុងសៀងហៃ (ប្រទេសចិន) ពីឆ្នាំ១៩៩៦-២០១៥ ដែលជាទីក្រុងអភិវឌ្ឍន៍ខ្លាំង មានដង់ស៊ីតេខ្ពស់ និងមានលក្ខណៈប្រជាសាស្ត្រខុសប្លែកពីប្រទេសកំពុងអភិវឌ្ឍន៍។ សម្រាប់កម្ពុជា លទ្ធផលនេះអាចមិនឆ្លុះបញ្ចាំងទាំងស្រុងពីបរិបទទីក្រុងភ្នំពេញ ឬខេត្តផ្សេងៗ ដែលទើបតែស្ថិតក្នុងដំណាក់កាលនគរូបនីយកម្ម និងមិនទាន់ឈានដល់ការកាត់បន្ថយការបញ្ចេញកាបូនតាមខ្សែកោង Kuznets Curve នៅឡើយ។
ទោះបីជាបរិបទសេដ្ឋកិច្ចខុសគ្នាក៏ដោយ វិធីសាស្ត្រ និងរបកគំហើញមួយចំនួននៃការសិក្សានេះ អាចយកមកអនុវត្តប្រកបដោយអត្ថប្រយោជន៍សម្រាប់ការអភិវឌ្ឍប្រកបដោយចីរភាពនៅកម្ពុជា។
ជារួម ការយល់ដឹងពីកត្តាប្រជាសាស្ត្រតាមរយៈគំរូ STIRPAT នឹងជួយកម្ពុជាក្នុងការរៀបចំផែនការអភិវឌ្ឍន៍ទីក្រុងដែលមានភាពធន់ និងបញ្ចេញកាបូនតិច ស្របតាមការប្រែប្រួលរចនាសម្ព័ន្ធប្រជាជននៅថ្ងៃអនាគត។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| STIRPAT model | ជាគំរូវិភាគតាមបែបស្ថិតិមួយដែលប្រើសម្រាប់វាយតម្លៃពីឥទ្ធិពលនៃកត្តាប្រជាជន (Population) ទ្រព្យសម្បត្តិ (Affluence) និងបច្ចេកវិទ្យា (Technology) ទៅលើបរិស្ថាន (Impact) ជាពិសេសការបញ្ចេញឧស្ម័នកាបូន។ វាត្រូវបានពង្រីកពីគំរូ IPAT ដើម្បីអនុញ្ញាតឱ្យមានការប្រែប្រួលមិនសមាមាត្រ និងអាចប្រើប្រាស់ទិន្នន័យជាក់ស្តែងក្នុងការគណនាបាន។ | ដូចជារូបមន្តគណនាទំហំនៃការខូចខាតដែលកើតឡើងដោយសារចំនួនមនុស្ស កម្រិតនៃភាពមានបានរបស់ពួកគេ និងប្រភេទម៉ាស៊ីនដែលពួកគេប្រើប្រាស់នៅក្នុងផ្ទះមួយ។ |
| Partial least squares (PLS) regression | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីវិភាគទំនាក់ទំនងរវាងអថេរច្រើន ពិសេសនៅពេលដែលអថេរឯករាជ្យមានទំនាក់ទំនងគ្នាខ្លាំង (Multicollinearity) ដោយវាធ្វើការទាញយកសមាសភាគសំខាន់ៗដែលពន្យល់ពីបំរែបំរួលទិន្នន័យបានល្អបំផុតដោយមិនឱ្យបាត់បង់ព័ត៌មានដើម។ | ដូចជាការច្របាច់បញ្ចូលព័ត៌មានដែលត្រួតស៊ីគ្នាជាច្រើន ឱ្យទៅជាចំណុចសំខាន់ៗមួយចំនួនតូច ដើម្បីងាយស្រួលរកមូលហេតុពិតប្រាកដនៃបញ្ហាអ្វីមួយដោយមិនឱ្យវង្វេង។ |
| Multicollinearity | ជាបញ្ហានៅក្នុងគំរូស្ថិតិដែលកើតឡើងនៅពេលអថេរឯករាជ្យពីរ ឬច្រើន មានទំនាក់ទំនងគ្នាខ្លាំងពេក ដែលធ្វើឱ្យពិបាកក្នុងការកំណត់ថាអថេរមួយណាពិតជាអ្នកបង្កឱ្យមានការប្រែប្រួលទៅលើលទ្ធផលចុងក្រោយនៃម៉ូដែល។ | ដូចជាការស្តាប់មនុស្សពីរនាក់និយាយរឿងតែមួយព្រមគ្នា ដែលធ្វើឱ្យយើងពិបាកបែងចែកថា តើពាក្យសម្តីចេញពីមាត់អ្នកណាពិតប្រាកដ។ |
| Variance inflation factor (VIF) | ជារង្វាស់ដែលប្រើដើម្បីពិនិត្យមើលកម្រិតនៃភាពត្រួតគ្នារវាងអថេរ (Multicollinearity) នៅក្នុងការវិភាគតំរែតំរង់។ បើតម្លៃ VIF ធំជាង ១០ វាបង្ហាញថាអថេរនោះមានការជាន់គ្នាខ្លាំង ដែលអាចធ្វើឱ្យលទ្ធផលវិភាគប៉ាន់ស្មានលែងមានភាពសុក្រឹត។ | ដូចជាឧបករណ៍វាស់កម្រិតសម្លេងរំខាន បើលេខលោតកាន់តែខ្ពស់ មានន័យថាសម្លេងរំខាន (ភាពត្រួតគ្នានៃទិន្នន័យ) កាន់តែខ្លាំងដែលតម្រូវឱ្យយើងត្រូវដោះស្រាយចេញសិន។ |
| Environmental Kuznets Curve | ជាទ្រឹស្តីសេដ្ឋកិច្ចដែលពន្យល់ថា នៅពេលសេដ្ឋកិច្ចចាប់ផ្តើមលូតលាស់ ការបំពុលបរិស្ថាននឹងកើនឡើង ប៉ុន្តែនៅពេលដែលចំណូល និងកម្រិតសេដ្ឋកិច្ចឈានដល់ចំណុចកំពូលណាមួយ ការបំពុលបរិស្ថាននឹងធ្លាក់ចុះមកវិញ បង្កើតបានជារាងអក្សរ 'U' ផ្កាប់។ | ដូចជាមនុស្សម្នាក់ពេលចាប់ផ្តើមរកលុយដំបូងប្រឹងធ្វើការមិនគិតពីសុខភាព តែពេលមានលុយច្រើនទើបចាប់ផ្តើមចំណាយលុយថែរក្សាសុខភាពនិងរស់នៅស្អាតជាងមុន។ |
| Porter hypothesis | ជាទ្រឹស្តីដែលលើកឡើងថា ការដាក់ចេញនូវច្បាប់ ឬបទប្បញ្ញត្តិបរិស្ថានដ៏សមរម្យនិងតឹងរ៉ឹង នឹងជម្រុញឱ្យក្រុមហ៊ុននានាខិតខំច្នៃប្រឌិតបច្ចេកវិទ្យាថ្មីៗ ដែលមិនត្រឹមតែជួយកាត់បន្ថយការបំពុលទេ ថែមទាំងជួយទូទាត់សងចំណាយ និងបង្កើនភាពប្រកួតប្រជែងរបស់ក្រុមហ៊ុនថែមទៀតផង។ | ដូចជាការបង្ខំឱ្យសិស្សគោរពវិន័យតឹងរ៉ឹង ដែលការដាក់សម្ពាធនេះធ្វើឱ្យពួកគេខំប្រឹងរៀបចំខ្លួនបានល្អ និងទទួលបានលទ្ធផលសិក្សាខ្ពស់ជាងមុនទៅវិញ។ |
| Rebound effect | ជាបាតុភូតសេដ្ឋកិច្ចដែលការរីកចម្រើនខាងបច្ចេកវិទ្យាធ្វើឱ្យការប្រើប្រាស់ថាមពលមានប្រសិទ្ធភាព និងចំណាយតិចជាងមុន ប៉ុន្តែវាបែរជាជម្រុញឱ្យមនុស្សទិញ ឬប្រើប្រាស់វាកាន់តែច្រើន ដែលធ្វើឱ្យបរិមាណថាមពលសរុបដែលបានសន្សំត្រូវបាត់បង់អត្ថប្រយោជន៍។ | ដូចជាការទិញឡានស៊េរីថ្មីស៊ីសាំងតិច តែដោយសារតែវាស៊ីសាំងតិច ម្ចាស់ឡានបែរជាជិះដើរលេងឆ្ងាយៗច្រើនដង ធ្វើឱ្យអស់សាំងច្រើនជាងមុនដដែល។ |
| Cointegration test | ជាការធ្វើតេស្តស្ថិតិដើម្បីកំណត់ថាតើអថេរស៊េរីពេលវេលា (Time-series variables) ពីរ ឬច្រើន ទោះបីជាវាប្រែប្រួលឡើងចុះនិងមិនថេរនៅក្នុងរយៈពេលខ្លីយ៉ាងណាក៏ដោយ តើវាមានទំនាក់ទំនងក្នុងលំនឹងរយៈពេលវែង (Long-term equilibrium) ជាមួយគ្នាដែរឬទេ។ | ដូចជាសត្វឆ្កែនិងម្ចាស់ដែលបណ្តើរគ្នា ទោះបីឆ្កែរត់ចុះឡើងឆ្វេងស្តាំមិនមានទិសដៅច្បាស់លាស់ តែចុងក្រោយវានៅតែដើរតាមខ្សែចងទៅកាន់ទិសដៅតែមួយជាមួយម្ចាស់វាជានិច្ច។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
