បញ្ហា (The Problem)៖ ឯកសារនេះពិនិត្យទៅលើការកើនឡើងយ៉ាងឆាប់រហ័សនៃការអភិវឌ្ឍទីក្រុងនៅទ្វីបអាហ្វ្រិក ដែលនាំឱ្យមានការកើនឡើងការបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់ (CO2) និងការធ្លាក់ចុះគុណភាពបរិស្ថាន ក្នុងបរិបទនៃការអភិវឌ្ឍប្រកបដោយចីរភាព។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ទិន្នន័យបន្ទះ (Panel data) ពីប្រទេសចំនួន ៥០ នៅអាហ្វ្រិក ចន្លោះឆ្នាំ ២០០០ ដល់ ២០២២ ដោយផ្អែកលើក្របខ័ណ្ឌ STIRPAT និងបច្ចេកទេសសេដ្ឋកិច្ចមាត្រ (Econometrics) ផ្សេងៗ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Fully Modified Ordinary Least Squares (FMOLS) វិធីសាស្ត្រការ៉េអប្បបរមាធម្មតាដែលបានកែប្រែពេញលេញ |
ជួយដោះស្រាយបញ្ហាកំហុសតួ (Serial correlation) និងបញ្ហាអថេរខាងក្នុង (Endogeneity) នៃទិន្នន័យក្នុងរយៈពេលវែង ដោយមិនចាំបាច់បញ្ជាក់ពីដំណើរការបង្កើតទិន្នន័យច្បាស់លាស់។ | ពឹងផ្អែកលើការសន្មត់តិចតួច ដែលអាចធ្វើឱ្យវាមិនសូវមានភាពរឹងមាំក្នុងបរិបទខ្លះ បើប្រៀបធៀបនឹងម៉ូដែលប៉ារ៉ាម៉ែត្រផ្សេងទៀត។ | បង្ហាញថាការកើនឡើងនគរូបនីយកម្ម ១% នាំឱ្យការបញ្ចេញឧស្ម័ន CO2 កើនឡើង ០.៨៩៨% ក្នុងរយៈពេលវែង។ |
| Dynamic Ordinary Least Squares (DOLS) វិធីសាស្ត្រការ៉េអប្បបរមាធម្មតាថាមវន្ត |
ជាវិធីសាស្ត្រប៉ារ៉ាម៉ែត្រដែលរួមបញ្ចូលតម្លៃអថេរយឺតយ៉ាវ (Lagged) និងនាំមុខ (Lead) ដើម្បីកាត់បន្ថយបញ្ហា Endogeneity និង Autocorrelation កាន់តែមានប្រសិទ្ធភាព។ | ទាមទារការកំណត់គំរូទិន្នន័យឲ្យបានច្បាស់លាស់ និងអាចមានភាពស្មុគស្មាញក្នុងការគណនាជាង FMOLS។ | បញ្ជាក់លទ្ធផលស្រដៀងគ្នា ដោយនគរូបនីយកម្មកើន ១% ធ្វើឱ្យ CO2 កើន ០.៧៦៤% ហើយបង្ហាញពីឥទ្ធិពលអវិជ្ជមាននៃកសិកម្មទៅលើ CO2 (-0.108%)។ |
| Quantile Regression ការវិភាគតំរែតំរង់កង់ទីល |
មានភាពរឹងមាំចំពោះទិន្នន័យខុសប្រក្រតី (Outliers) និងអនុញ្ញាតឱ្យពិនិត្យមើលទំនាក់ទំនងនៅតាមកម្រិតនៃការចែកចាយទិន្នន័យផ្សេងៗគ្នា។ | មិនផ្តល់នូវការប៉ាន់ស្មានមធ្យមភាគរួមតែមួយ ដែលអាចធ្វើឱ្យការបកស្រាយមានភាពស្មុគស្មាញសម្រាប់ការរៀបចំគោលនយោបាយទូទៅ។ | ផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវនៃលទ្ធផលដើម ដោយបង្ហាញថានៅត្រឹមកង់ទីលកណ្តាល (0.5) នគរូបនីយកម្មកើន ១% ធ្វើឱ្យ CO2 កើន ០.៩៣%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ទិន្នន័យបន្ទះ (Panel Data) កម្រិតម៉ាក្រូសេដ្ឋកិច្ច ដែលមិនតម្រូវឱ្យមានហេដ្ឋារចនាសម្ព័ន្ធកុំព្យូទ័រ (Hardware) ធំដុំនោះទេ ប៉ុន្តែទាមទារកម្មវិធីស្ថិតិ និងទិន្នន័យដែលមានគុណភាពខ្ពស់។
ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើទិន្នន័យពីប្រទេសចំនួន ៥០ នៅទ្វីបអាហ្វ្រិក ចន្លោះឆ្នាំ ២០០០-២០២២ ដោយប្រើការបញ្ចេញឧស្ម័ន CO2 ជាសូចនាករចម្បង។ ទោះបីកម្ពុជាជាប្រទេសកំពុងអភិវឌ្ឍន៍ដូចគ្នាក៏ពិតមែន ប៉ុន្តែរចនាសម្ព័ន្ធសេដ្ឋកិច្ច ល្បឿននគរូបនីយកម្ម និងប្រភពថាមពលមានភាពខុសគ្នា ដែលទាមទារការកែសម្រួលមុននឹងយកមកអនុវត្ត។
វិធីសាស្ត្រវិភាគតាមក្របខ័ណ្ឌ STIRPAT និងម៉ូដែលសេដ្ឋកិច្ចមាត្រនេះ មានសារៈប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់កម្ពុជាក្នុងការសិក្សាពីទំនាក់ទំនងរវាងនគរូបនីយកម្ម និងបរិស្ថាន។
សរុបមក របកគំហើញនិងវិធីសាស្ត្រនេះអាចគាំទ្រដល់អ្នកតាក់តែងគោលនយោបាយនៅកម្ពុជា ក្នុងការរៀបចំផែនការអភិវឌ្ឍទីក្រុងឆ្លាតវៃ និងហេដ្ឋារចនាសម្ព័ន្ធបៃតងដើម្បីទប់ទល់នឹងការប្រែប្រួលអាកាសធាតុ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| STIRPAT framework | ជាគំរូគណិតវិទ្យាដែលប្រើដើម្បីវិភាគពីឥទ្ធិពលនៃកំណើនប្រជាជន (Population) ភាពមានបានឬទំហំសេដ្ឋកិច្ច (Affluence) និងបច្ចេកវិទ្យា (Technology) ទៅលើបរិស្ថាន ដោយវាអនុញ្ញាតឱ្យគេប្រើប្រាស់ទិន្នន័យជាក់ស្តែងមកសិក្សាដើម្បីរកមើលកត្តាដែលធ្វើឱ្យខូចខាតបរិស្ថាន។ | ដូចជាការថ្លឹងទម្ងន់មើលថា តើចំនួនមនុស្ស កម្រិតនៃការចាយវាយ ឬការប្រើម៉ាស៊ីន មួយណាដែលជាដើមហេតុចម្បងធ្វើឱ្យបរិមាណសំរាមកើនឡើងខ្លាំងជាងគេ។ |
| Environmental Kuznets Curve (EKC) | ជាទ្រឹស្តីសេដ្ឋកិច្ចដែលពន្យល់ថា នៅពេលប្រទេសមួយចាប់ផ្តើមអភិវឌ្ឍដំបូង ការបំពុលបរិស្ថាននឹងកើនឡើង ប៉ុន្តែនៅពេលសេដ្ឋកិច្ចឈានដល់កម្រិតកំណត់មួយ (ប្រជាជនមានចំណូលខ្ពស់) ការបំពុលនឹងធ្លាក់ចុះវិញ ដោយសារមានការផ្លាស់ប្តូរទៅប្រើប្រាស់បច្ចេកវិទ្យាស្អាតនិងមានការអនុវត្តច្បាប់បរិស្ថានតឹងរ៉ឹង។ | ដូចជាពេលយើងទើបរៀនជិះកង់ដំបូង យើងតែងតែដួលច្រើនដង (ខូចបរិស្ថាន) តែពេលយើងចេះជិះស្ទាត់ហើយ យើងលែងសូវដួល (បរិស្ថានល្អឡើងវិញ)។ |
| Panel data | ជាប្រភេទសំណុំទិន្នន័យដែលតាមដានមុខសញ្ញាជាច្រើនក្នុងពេលតែមួយ (ឧទាហរណ៍ ប្រទេសចំនួន ៥០) ឆ្លងកាត់រយៈពេលវេលាខុសៗគ្នាជាច្រើនឆ្នាំ (ឧទាហរណ៍ ពីឆ្នាំ ២០០០ ដល់ ២០២២)។ | ដូចជាគ្រូបង្រៀនដែលកត់ត្រាពិន្ទុរបស់សិស្សម្នាក់ៗ (មុខសញ្ញា) ជារៀងរាល់ខែ (ពេលវេលា) ដើម្បីមើលពីការវិវឌ្ឍនៃការសិក្សារបស់ពួកគេ។ |
| Fully Modified Ordinary Least Squares (FMOLS) | ជាបច្ចេកទេសស្ថិតិសម្រាប់វិភាគទិន្នន័យបន្ទះ (Panel data) ក្នុងទំនាក់ទំនងរយៈពេលវែង ដែលជួយកែតម្រូវបញ្ហាកំហុសតួជាប់គ្នា (Serial correlation) និងបញ្ហាដែលអថេរជះឥទ្ធិពលគ្នាទៅវិញទៅមក (Endogeneity) ដើម្បីឱ្យការទស្សន៍ទាយកាន់តែសុក្រឹតនិងមិនលំអៀង។ | ដូចជាការបាញ់ស៊ីបដោយប្រើកែវយឹតទំនើប ដែលវាចេះកែតម្រូវកម្លាំងខ្យល់ និងចលនារបស់អ្នកបាញ់ដោយស្វ័យប្រវត្តិ ដើម្បីឱ្យការបាញ់ចំគោលដៅបានច្បាស់លាស់។ |
| Dynamic Ordinary Least Squares (DOLS) | ជាវិធីសាស្ត្រស្ថិតិស្រដៀងនឹង FMOLS ដែរ ប៉ុន្តែវាបន្ថែមតម្លៃអថេរយឺតយ៉ាវ (Lagged) និងតម្លៃនាំមុខ (Lead) ទៅក្នុងសមីការ ដើម្បីដោះស្រាយបញ្ហាអថេរខាងក្នុង (Endogeneity) ឱ្យកាន់តែមានប្រសិទ្ធភាពសម្រាប់ទិន្នន័យរយៈពេលវែង។ | ដូចជាការបើកបរដោយមើលទាំងកញ្ចក់មើលក្រោយ (Lagged) និងសម្លឹងមើលផ្លូវខាងមុខ (Lead) ដើម្បីបញ្ចៀសគ្រោះថ្នាក់បានយ៉ាងសុវត្ថិភាព។ |
| Quantile Regression | ជាវិធីសាស្ត្រស្ថិតិដែលមិនត្រឹមតែមើលលើតម្លៃមធ្យមភាគប៉ុណ្ណោះទេ ប៉ុន្តែអាចវិភាគទំនាក់ទំនងរវាងអថេរនៅតាមចំណុចកម្រិតនីមួយៗ (ទាប កណ្តាល ខ្ពស់) នៃទិន្នន័យ ដែលធ្វើឱ្យវារឹងមាំទប់ទល់នឹងទិន្នន័យដែលលោតខុសប្រក្រតីខ្លាំង (Outliers)។ | ដូចជាការវាយតម្លៃសិស្ស ដោយបែងចែកជាក្រុមសិស្សខ្សោយ មធ្យម និងពូកែ ដើម្បីផ្តល់ការបង្រៀនខុសៗគ្នា ជាជាងការមើលតែពិន្ទុមធ្យមសរុបប្រចាំថ្នាក់។ |
| Pairwise Granger causality test | ជាការធ្វើតេស្តសេដ្ឋកិច្ចមាត្រដើម្បីកំណត់ថា តើព័ត៌មានពីការផ្លាស់ប្តូរអតីតកាលនៃអថេរមួយ អាចត្រូវបានប្រើដើម្បីទស្សន៍ទាយពីការផ្លាស់ប្តូរនៃអថេរមួយទៀតដែរឬទេ ពោលគឺវាស់ស្ទង់ទិសដៅនៃភាពជាហេតុនិងផល។ | ដូចជាការតាមដានមើលជាប្រចាំថា តើការមានពពកខ្មៅ (ហេតុ) តែងតែនាំឱ្យមានភ្លៀងធ្លាក់ (ផល) ជាបន្តបន្ទាប់ដែរឬទេ។ |
| Cointegration | ជាលក្ខណៈនៃអថេរពេលវេលា (Time series) ពីរឬច្រើន ដែលទោះបីជាពួកវាប្រែប្រួលចុះឡើងមិននឹងនររៀងៗខ្លួនក៏ដោយ ប៉ុន្តែពួកវាមានទំនាក់ទំនងគ្នាទៅវិញទៅមកក្នុងរយៈពេលវែង ដោយមិនរសាត់ឆ្ងាយពីគ្នាឡើយ។ | ដូចជាឆ្កែនិងម្ចាស់ដែលដើរលេងជាមួយគ្នា ទោះបីជាឆ្កែរត់ចុះឡើងឆ្វេងស្តាំ (ប្រែប្រួលខ្លី) ក៏ដោយ ប៉ុន្តែជាលទ្ធផលពួកគេនៅតែដើរឆ្ពោះទៅគោលដៅតែមួយជាមួយគ្នាជានិច្ច (ទំនាក់ទំនងវែង)។ |
| Unit root tests | ជាការធ្វើតេស្តស្ថិតិដើម្បីពិនិត្យមើលថា តើទិន្នន័យពេលវេលា (Time series) មានភាពនឹងនរ (Stationary) ឬអត់។ បើវាមាន Unit root នោះមានន័យថាទិន្នន័យប្រែប្រួលតាមពេលវេលា និងអាចធ្វើឱ្យលទ្ធផលតំរែតំរង់ (Regression) ខុសឆ្គង។ | ដូចជាការពិនិត្យមើលថាតើចង្វាក់បេះដូងរបស់អ្នកជំងឺដើរទៀងទាត់ (នឹងនរ) ឬលោតខុសប្រក្រតី (មាន Unit root) មុននឹងសម្រេចចិត្តផ្តល់ថ្នាំព្យាបាលកម្រិតណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
