បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការកើនឡើងនូវការបញ្ចេញឧស្ម័នកាបូនិច (CO2 emissions) ដែលបង្កឱ្យមានការប្រែប្រួលអាកាសធាតុធ្ងន់ធ្ងរ ជាពិសេសនៅក្នុងបណ្តាប្រទេសនៅអាស៊ីដែលពឹងផ្អែកលើឥន្ធនៈហ្វូស៊ីលក្នុងដំណើរការឧស្សាហូបនីយកម្ម។ វាផ្តោតលើការស្វែងយល់ថាតើការអភិវឌ្ឍហិរញ្ញវត្ថុ និងនវានុវត្តន៍បច្ចេកវិទ្យាអាចជួយកាត់បន្ថយបញ្ហានេះបានកម្រិតណា។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់ទិន្នន័យបន្ទះ (Panel Data) ពីប្រទេសអាស៊ីចំនួន ១៤ ចន្លោះឆ្នាំ ១៩៩៥ ដល់ ២០១៨ ដោយអនុវត្តវិធីសាស្ត្រគំរូអេកូណូមេទ្រីកកម្រិតខ្ពស់ដើម្បីវិភាគទំនាក់ទំនងអថេរ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Panel Data Models (Pooled OLS, Fixed-effects, Random-effects) ម៉ូដែលទិន្នន័យបន្ទះ (Pooled OLS, ឥទ្ធិពលថេរ និងឥទ្ធិពលចៃដន្យ) |
មានភាពងាយស្រួលក្នុងការប៉ាន់ស្មានដំបូង និងអាចគ្រប់គ្រងឥទ្ធិពលដាច់ដោយឡែករបស់ប្រទេសនីមួយៗ (សម្រាប់ FE និង RE)។ | មិនអាចដោះស្រាយបញ្ហាអថេរខាងក្នុង (Endogeneity) និងបញ្ហាស្វ័យសហសម្ព័ន្ធ (Autocorrelation) បានល្អឡើយ ដែលធ្វើឱ្យលទ្ធផលប៉ាន់ស្មានអាចមានភាពលម្អៀង។ | បង្ហាញទំនាក់ទំនងជាវិជ្ជមាន និងអវិជ្ជមានមួយចំនួន ប៉ុន្តែលទ្ធផលត្រូវបានចាត់ទុកថាមិនរឹងមាំ ដោយសារការធ្វើតេស្ត Wooldridge បង្ហាញពីអត្ថិភាពនៃស្វ័យសហសម្ព័ន្ធ និងបញ្ហា Endogeneity នៅក្នុងម៉ូដែល។ |
| Generalized Method of Moments (GMM) and FGLS វិធីសាស្ត្រប៉ាន់ស្មានម៉ូម៉ង់ទូទៅ (GMM) និង FGLS |
អាចដោះស្រាយបញ្ហាអថេរខាងក្នុង (Endogeneity) និងបញ្ហាបំរែបំរួលខុសគ្នា (Heteroskedasticity) បានយ៉ាងមានប្រសិទ្ធភាព ដែលធ្វើឱ្យលទ្ធផលកាន់តែមានភាពជឿជាក់ខ្ពស់ និងរឹងមាំសម្រាប់ទិន្នន័យម៉ាក្រូ។ | ទាមទារទិន្នន័យច្រើន និងមានភាពស្មុគស្មាញក្នុងការរៀបចំអថេរឧបករណ៍ (Instrumental variables) និងការបកស្រាយលទ្ធផល។ | បញ្ជាក់យ៉ាងច្បាស់ថា នវានុវត្តន៍ (Sig 10%) និងការអភិវឌ្ឍហិរញ្ញវត្ថុ (Sig 5%) មានទំនាក់ទំនងអវិជ្ជមានទៅនឹងការបញ្ចេញ CO2 ពោលគឺវាមានឥទ្ធិពលជួយកាត់បន្ថយបរិមាណឧស្ម័ន CO2។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើសំណុំទិន្នន័យបន្ទះម៉ាក្រូសេដ្ឋកិច្ចពីស្ថាប័នអន្តរជាតិធំៗ និងតម្រូវឱ្យមានកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគស្ថិតិកម្រិតខ្ពស់។
ការសិក្សានេះផ្តោតលើទិន្នន័យពី ១៤ ប្រទេសនៅអាស៊ី (ដូចជា វៀតណាម សិង្ហបុរី ចិន ជប៉ុន ។ល។) ដោយអ្នកស្រាវជ្រាវបានដកប្រទេសជាច្រើនទៀតនៅអាស៊ីចេញ (រួមទាំងប្រទេសកម្ពុជា) ដោយសារតែខ្វះខាតទិន្នន័យពាក់ព័ន្ធនឹងនវានុវត្តន៍ (ចំនួនប៉ាតង់)។ នេះជាបញ្ហាសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះកម្ពុជាស្ថិតក្នុងដំណាក់កាលអភិវឌ្ឍន៍ដែលពឹងផ្អែកខ្លាំងលើការវិនិយោគផ្ទាល់ពីបរទេស (FDI) ឧស្សាហកម្មកាត់ដេរ និងមិនទាន់មានសកម្មភាពនវានុវត្តន៍បច្ចេកវិទ្យា (R&D/Patents) ខ្លាំងក្លាដូចប្រទេសក្នុងសំណាកទិន្នន័យនៅឡើយទេ។
ទោះបីជាមិនមានកម្ពុជាក្នុងសំណាកទិន្នន័យក៏ដោយ របកគំហើញនៃការសិក្សានេះនៅតែផ្តល់ជាមេរៀនដ៏មានតម្លៃសម្រាប់ការរៀបចំយុទ្ធសាស្ត្រអភិវឌ្ឍន៍ប្រកបដោយចីរភាពនៅកម្ពុជា។
ជារួម ដើម្បីធានាបាននូវកំណើនសេដ្ឋកិច្ចដែលមិនប៉ះពាល់ដល់បរិស្ថាន កម្ពុជាចាំបាច់ត្រូវពង្រឹងការអភិវឌ្ឍទីផ្សារហិរញ្ញវត្ថុដើម្បីជាប្រភពទុនសម្រាប់គាំទ្រការផ្ទេរបច្ចេកវិទ្យា និងនវានុវត្តន៍បៃតង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Generalized Method of Moments (GMM) | ជាវិធីសាស្ត្រប៉ាន់ស្មានអេកូណូមេទ្រីកកម្រិតខ្ពស់ដែលត្រូវបានប្រើប្រាស់ដើម្បីដោះស្រាយបញ្ហាអថេរខាងក្នុង (Endogeneity) នៅក្នុងម៉ូដែលទិន្នន័យបន្ទះ ដោយប្រើប្រាស់អថេរឧបករណ៍ (Instrumental variables) ដើម្បីទាញយកលទ្ធផលដែលមិនលម្អៀង។ | ដូចជាការប្រើប្រាស់តម្រង (អថេរឧបករណ៍) ដើម្បីចម្រោះយកកាកសំណល់ (ភាពលម្អៀង) ចេញពីទឹក (ទិន្នន័យ) ដើម្បីទទួលបានទឹកស្អាតពិតប្រាកដ។ |
| Endogeneity | ជាស្ថានភាពនៅក្នុងស្ថិតិដែលអថេរពន្យល់ (Independent Variable) មានទំនាក់ទំនងជាមួយកំហុសរបស់ម៉ូដែល (Error term) ដែលធ្វើឱ្យការទាញសេចក្តីសន្និដ្ឋានពីទំនាក់ទំនងហេតុនិងផលមានភាពខុសឆ្គង។ | ដូចជាការវាយតម្លៃថាតើឆ័ត្រធ្វើឱ្យភ្លៀងធ្លាក់ឬទេ ដោយគ្រាន់តែឃើញមនុស្សកាន់ឆ័ត្រច្រើននៅពេលមានភ្លៀង (ការពិតគឺភ្លៀងជាអ្នកបង្កឱ្យគេកាន់ឆ័ត្រ)។ |
| Environmental Kuznets Curve (EKC) | ជាទ្រឹស្តីសេដ្ឋកិច្ចដែលសន្មតថា នៅពេលប្រទេសមួយចាប់ផ្តើមអភិវឌ្ឍ ការបំពុលបរិស្ថាននឹងកើនឡើង ប៉ុន្តែនៅពេលឈានដល់កម្រិតប្រាក់ចំណូលខ្ពស់ ការបំពុលនឹងចាប់ផ្តើមថយចុះវិញដោយសារការប្រើប្រាស់បច្ចេកវិទ្យាស្អាត។ | ដូចជាមនុស្សម្នាក់ដែលប្រឹងធ្វើការរកលុយដំបូងមិនខ្វល់ពីសុខភាពខ្លួនឯង តែពេលមានលុយច្រើន ក៏ចាប់ផ្តើមចំណាយលុយមើលថែសុខភាពវិញ។ |
| Heteroskedasticity | គឺជាបាតុភូតមួយនៅក្នុងការវិភាគតំរែតំរង់ (Regression) ដែលបំរែបំរួល (Variance) នៃកំហុសមិននៅថេរ នៅតាមតម្លៃផ្សេងៗនៃអថេរឯករាជ្យ ដែលធ្វើឱ្យលទ្ធផលតេស្តស្ថិតិបាត់បង់ភាពសុក្រឹត និងមិនអាចទុកចិត្តបានទាំងស្រុង។ | ដូចជាការបាញ់ស៊ីប ដែលពេលគោលដៅនៅជិត យើងបាញ់ចំល្អ (កំហុសតូច) តែពេលគោលដៅកាន់តែឆ្ងាយ ការបាញ់កាន់តែរាយប៉ាយខុសគោលដៅ (កំហុសធំ និងមិនថេរ)។ |
| Fixed-effects model | ជាម៉ូដែលស្ថិតិសម្រាប់វិភាគទិន្នន័យបន្ទះ (Panel Data) ដែលវាជួយគ្រប់គ្រង និងដកចេញនូវលក្ខណៈពិសេសរៀងៗខ្លួនរបស់បុគ្គល ឬប្រទេសនីមួយៗដែលមិនប្រែប្រួលតាមពេលវេលា ដើម្បីវាស់ស្ទង់ឥទ្ធិពលពិតប្រាកដនៃអថេរផ្សេងទៀត។ | ដូចជាការវាស់ស្ទង់ឥទ្ធិពលនៃថ្នាំសម្រកទម្ងន់ ដោយយើងកត់ត្រានូវហ្សែន ឬទម្លាប់ពីកំណើតរបស់មនុស្សម្នាក់ៗទុកមួយឡែក ដើម្បីដឹងថាថ្នាំនោះពិតជាមានប្រសិទ្ធភាពមែនឬអត់។ |
| Variance Inflation Factor (VIF) | ជារង្វាស់ស្ថិតិប្រើសម្រាប់ត្រួតពិនិត្យមើលបញ្ហាពហុសហសម្ព័ន្ធ (Multicollinearity) ពោលគឺវាស់ថាតើអថេរឯករាជ្យនៅក្នុងម៉ូដែលមានទំនាក់ទំនងគ្នាខ្លាំងកម្រិតណា ដែលអាចធ្វើឱ្យម៉ូដែលមិនមានលំនឹង។ | ដូចជាការមានសិស្សពីរនាក់ដែលតែងតែលួចចម្លងចម្លើយគ្នាគ្រប់ពេល ធ្វើឱ្យគ្រូពិបាកវាយតម្លៃថាតើអ្នកណាពូកែជាងអ្នកណានោះទេ។ |
| Feasible Generalized Least Squares (FGLS) | ជាវិធីសាស្ត្រកែលម្អលើវិធីសាស្ត្រ OLS ធម្មតា ដើម្បីដោះស្រាយបញ្ហាដែលកំហុសរបស់ម៉ូដែលមិនមានវ៉ារ្យ៉ង់ថេរ (Heteroskedasticity) ឬមានទំនាក់ទំនងគ្នា (Autocorrelation) តាមរយៈការប៉ាន់ស្មានទម្រង់នៃកំហុសនោះជាមុនសិន។ | ដូចជាការកែសម្រួលការពាក់វ៉ែនតាឱ្យត្រូវនឹងកម្រិតភ្នែកម្ញូបសិន មុននឹងព្យាយាមអានអក្សរតូចៗ ដើម្បីឱ្យការមើលឃើញកាន់តែច្បាស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
