| 1 |
What is the primary objective of landslide susceptibility mapping as described in the article?
|
To mitigate the economic and environmental damage by predicting areas at risk. |
|
จากเอกสาร "Physics🍎✨.pdf" อธิบายเกี่ยวกับคลื่น กล่าวถึงการสะท้อน การหักเห และการเลี้ยวเบนของคลื่น
ในเอกสารอื่นๆ ไม่ได้กล่าวถึง landslide susceptibility mapping โดยตรง |
การทำแผนที่ความเสี่ยงต่อการเกิดดินถล่ม (landslide susceptibility mapping) เป็นการใช้ข้อมูลทางธรณีวิทยา ภูมิประเทศ และสภาพอากาศ เพื่อทำนายพื้นที่ที่มีความเสี่ยงต่อการเกิดดินถล่ม
การทำแผนที่นี้มีวัตถุประสงค์หลักเพื่อ ลดความเสียหายทางเศรษฐกิจและสิ่งแวดล้อม
โดยการทำนายพื้นที่เสี่ยงล่วงหน้า ช่วยให้หน่วยงานที่เกี่ยวข้องสามารถวางแผนป้องกันภัย และอพยพประชาชนออกจากพื้นที่เสี่ยงได้ทันเวลา |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
Which machine learning algorithm was noted for having the highest success rate according to the article?
|
All of the above equally |
|
ประสิทธิภาพขึ้นอยู่กับปัจจัยหลายอย่าง: ประสิทธิภาพของอัลกอริทึมการเรียนรู้ของเครื่องขึ้นอยู่กับปัจจัยหลายอย่าง เช่น:
ลักษณะของข้อมูล: ประเภทของข้อมูล (ตัวเลข, ข้อความ, ภาพ), ขนาดของข้อมูล, ความซับซ้อนของความสัมพันธ์ในข้อมูล
ปัญหาที่ต้องการแก้ไข: ปัญหาการจำแนกประเภท, การทำนาย, การจัดกลุ่ม
การปรับแต่งไฮเปอร์พารามิเตอร์: การเลือกค่าพารามิเตอร์ที่เหมาะสมสำหรับอัลกอริทึม
เทคนิคการประมวลผลข้อมูล: การทำความสะอาดข้อมูล, การแปลงข้อมูล, การลดมิติ |
อัลกอริทึมการเรียนรู้ของเครื่อง: เป็นชุดของขั้นตอนที่คอมพิวเตอร์ใช้ในการเรียนรู้จากข้อมูล โดยไม่มีการเขียนโปรแกรมโดยตรง
Logistic Regression: เป็นอัลกอริทึมที่ใช้สำหรับปัญหาการจำแนกประเภท โดยสร้างเส้นแบ่ง (decision boundary) เพื่อแบ่งข้อมูลออกเป็นสองกลุ่มหรือมากกว่า
Random Forest: เป็นอัลกอริทึมที่สร้างแบบจำลองหลายๆ แบบ (decision tree) จากนั้นนำผลลัพธ์ของแบบจำลองทั้งหมดมาทำการโหวตเพื่อตัดสินใจ
Decision Tree: เป็นอัลกอริทึมที่สร้างโครงสร้างแบบต้นไม้เพื่อตัดสินใจ โดยแต่ละโหนดในต้นไม้จะแทนการทดสอบค่าของ attribute หนึ่งๆ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
If the area of Chattogram district is 75% susceptible to landslides, and the highly susceptible zone covers approximately 12% of the district, what is the area (in percentage) that is not highly susceptible?
|
87% |
|
เข้าใจโจทย์:
พื้นที่ทั้งหมดของอำเภอแบ่งเป็น 2 ส่วนหลัก:
ส่วนที่เสี่ยงต่อดินถล่ม (75%)
ส่วนที่ไม่เสี่ยงต่อดินถล่ม (25%)
ในส่วนที่เสี่ยงต่อดินถล่มนั้น แบ่งย่อยได้อีกเป็น 2 ส่วน:
ส่วนที่เสี่ยงสูง (12% ของพื้นที่ทั้งหมด)
ส่วนที่เสี่ยงปานกลางหรือต่ำ (ส่วนที่เหลือใน 75%)
หาคำตอบ:
โจทย์ถามถึงพื้นที่ที่ ไม่เสี่ยงสูง ซึ่งหมายถึงพื้นที่ที่เหลือทั้งหมด นอกเหนือจาก 12% ที่เสี่ยงสูง
ดังนั้น พื้นที่ที่ไม่เสี่ยงสูง = 100% (พื้นที่ทั้งหมด) - 12% (พื้นที่เสี่ยงสูง) = 88%
คำตอบ: พื้นที่ที่ไม่เสี่ยงสูงต่อดินถล่มคิดเป็น 88% ของพื้นที่ทั้งหมด
เหตุผลที่ไม่มีตัวเลือก 88%:
อาจเป็นไปได้ว่ามีการปัดเศษตัวเลขในตัวเลือก หรือมีข้อมูลบางส่วนที่ขาดหายไป ทำให้คำตอบที่ได้ไม่ตรงกับตัวเลือกที่ให้มา |
การหาเปอร์เซ็นต์: คือการหาส่วนที่เป็นเศษส่วนของจำนวนทั้งหมด โดยมี 100 เป็นตัวส่วน
การหาส่วนที่เหลือ: คือการนำจำนวนทั้งหมด ลบด้วยส่วนที่ทราบแล้ว |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
Considering that the total number of analyzed landslides is 255, and 80% were used for training the models, how many landslide instances were used for testing?
|
51 |
|
หาจำนวนข้อมูลที่นำไปฝึกโมเดล:
80% ของ 255 = (80/100) * 255 = 204 ครั้ง
หาจำนวนข้อมูลที่เหลือสำหรับทดสอบ:
จำนวนข้อมูลทั้งหมด - จำนวนข้อมูลที่นำไปฝึก = 255 - 204 = 51 ครั้ง
ดังนั้น จึงมีการนำดินถล่มไปใช้ทดสอบโมเดล 51 ครั้ง
คำตอบที่ถูกต้องคือ 51
อธิบายเหตุผล
ในการพัฒนาโมเดลคาดการณ์ใด ๆ จะต้องมีการแบ่งข้อมูลออกเป็นสองส่วนหลักคือ:
ข้อมูลฝึก (Training data): ใช้สำหรับสอนโมเดลให้เรียนรู้รูปแบบและลักษณะของข้อมูล เพื่อให้โมเดลสามารถสร้างแบบจำลองที่สามารถทำนายผลลัพธ์ได้
ข้อมูลทดสอบ (Testing data): ใช้สำหรับประเมินประสิทธิภาพของโมเดลที่ได้ฝึกมา โดยนำข้อมูลที่โมเดลยังไม่เคยเห็นมาก่อนมาทดสอบ เพื่อดูว่าโมเดลสามารถทำนายผลลัพธ์ได้ถูกต้องแม่นยำเพียงใด
ในกรณีนี้ เราทราบว่ามีการนำ 80% ของข้อมูลทั้งหมดไปใช้ฝึกโมเดล ดังนั้นส่วนที่เหลืออีก 20% จึงถูกนำไปใช้ทดสอบ |
แนวคิดในการแบ่งข้อมูลออกเป็นข้อมูลฝึกและข้อมูลทดสอบนี้เป็นพื้นฐานสำคัญในการสร้างและประเมินโมเดล Machine Learning โดยทั่วไป เหตุผลที่ต้องแบ่งข้อมูลออกเป็นสองส่วนนี้คือ:
ป้องกัน Overfitting: หากนำข้อมูลทั้งหมดไปฝึกโมเดล โมเดลอาจจำรูปแบบของข้อมูลได้แม่นยำเกินไป จนไม่สามารถนำไปใช้กับข้อมูลใหม่ได้ดีนัก การแบ่งข้อมูลทดสอบช่วยให้เราตรวจสอบว่าโมเดลมีความสามารถในการ generalize หรือขยายผลไปสู่ข้อมูลใหม่ได้ดีเพียงใด
ประเมินประสิทธิภาพ: การใช้ข้อมูลทดสอบช่วยให้เราประเมินความแม่นยำของโมเดลได้อย่างเป็นกลาง โดยเปรียบเทียบผลลัพธ์ที่โมเดลทำนายได้กับค่าจริง
สรุป: การแบ่งข้อมูลเป็นข้อมูลฝึกและข้อมูลทดสอบเป็นขั้นตอนที่สำคัญในการพัฒนาโมเดลคาดการณ์ โดยเป้าหมายคือการสร้างโมเดลที่มีความสามารถในการทำนายผลลัพธ์ของข้อมูลใหม่ได้อย่างแม่นยำ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
If the total area of Chattogram district is 7,000 km² and the very high susceptible zone covers 9% of the district, what is the area of the very high susceptible zone in km²?
|
630 km² |
|
แปลงเปอร์เซ็นต์เป็นทศนิยม: 9% เท่ากับ 9/100 หรือ 0.09
คูณเปอร์เซ็นต์ที่เป็นทศนิยมกับพื้นที่ทั้งหมด: 0.09 x 7,000 ตารางกิโลเมตร
คำนวณ:
0.09 x 7,000 = 630
ดังนั้น พื้นที่ของโซนเสี่ยงสูงมากในเขตจัตตogram คือ 630 ตารางกิโลเมตร
คำตอบที่ถูกต้องคือ 630 km² |
เปอร์เซ็นต์: คือ อัตราส่วนที่เปรียบเทียบจำนวนใดจำนวนหนึ่งกับจำนวนทั้งหมด โดยมี 100 เป็นตัวตั้ง
การหาค่าเปอร์เซ็นต์ของจำนวนหนึ่ง: คือ การนำเปอร์เซ็นต์ที่เป็นทศนิยมคูณกับจำนวนนั้น
แนวคิด:
ในโจทย์นี้ เราต้องการหาส่วนหนึ่งของพื้นที่ทั้งหมด โดยที่ส่วนนั้นคิดเป็น 9% ของพื้นที่ทั้งหมด เราจึงนำเปอร์เซ็นต์ที่เป็นทศนิยม (0.09) คูณกับพื้นที่ทั้งหมด (7,000 ตารางกิโลเมตร) เพื่อหาค่าพื้นที่ของส่วนนั้น |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
Assuming the false positive rate (FPR) for the logistic regression model is 0.05 and the true positive rate (TPR) is 0.95, calculate the specificity of the model.
|
0.95 |
|
ความสัมพันธ์ระหว่าง FPR, TPR และ Specificity:
Specificity คือความสามารถของโมเดลในการระบุตัวอย่างที่เป็น Negative (ไม่ใช่ Positive) อย่างถูกต้อง
FPR คือความน่าจะเป็นที่โมเดลจะจัดประเภทตัวอย่างที่เป็น Negative ผิดพลาดว่าเป็น Positive
TPR (หรือ Sensitivity) คือความน่าจะเป็นที่โมเดลจะจัดประเภทตัวอย่างที่เป็น Positive ถูกต้อง
สูตร:
Specificity = 1 - FPR
คำนวณ:
Specificity = 1 - 0.05 = 0.95 |
Logistic Regression: เป็นเทคนิคทางสถิติที่ใช้ในการทำนายความน่าจะเป็นที่ตัวอย่างหนึ่งจะอยู่ในกลุ่มใดกลุ่มหนึ่ง (เช่น Positive หรือ Negative) โดยอาศัยค่าของตัวแปรอิสระ
Confusion Matrix: เป็นตารางที่แสดงผลลัพธ์ของการทำนายของโมเดล โดยเปรียบเทียบกับค่าจริง ซึ่งจะช่วยในการประเมินประสิทธิภาพของโมเดล
FPR, TPR, และ Specificity: เป็นตัวชี้วัดประสิทธิภาพของโมเดลที่สำคัญ โดยใช้ในการประเมินความสามารถของโมเดลในการจำแนกประเภทตัวอย่างได้อย่างถูกต้อง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
Given that the area under the ROC curve (AUC) for the logistic regression model is 0.963, and the prediction rate is measured as the area under this curve, rate the model's prediction accuracy.
|
Excellent |
|
ค่า AUC ที่ 0.963 นั้นสูงมาก: ค่า AUC แทนพื้นที่ใต้เส้นโค้ง ROC ซึ่งเป็นการวัดประสิทธิภาพของโมเดลในการจำแนกประเภทที่แท้จริงและเท็จ ค่า AUC ที่ใกล้ 1 หมายถึงโมเดลมีความสามารถในการจำแนกประเภทได้ดีเยี่ยม นั่นคือ โมเดลสามารถแยกแยะตัวอย่างที่เป็นบวก (positive) และตัวอย่างที่เป็นลบ (negative) ได้อย่างชัดเจน
ความหมายของค่า AUC: ค่า AUC เป็นค่าที่อยู่ระหว่าง 0 ถึง 1 โดย
AUC = 0.5: หมายถึงโมเดลไม่มีความสามารถในการจำแนกประเภทใดๆ ดีกว่าการทายแบบสุ่ม
AUC > 0.5: หมายถึงโมเดลมีความสามารถในการจำแนกประเภทได้ดีกว่าการทายแบบสุ่ม
AUC = 1: หมายถึงโมเดลมีความสามารถในการจำแนกประเภทได้อย่างสมบูรณ์แบบ |
เส้นโค้ง ROC (Receiver Operating Characteristic): เป็นกราฟที่แสดงความสัมพันธ์ระหว่างอัตราการตรวจพบที่แท้จริง (True Positive Rate หรือ Sensitivity) กับอัตราการตรวจพบที่เท็จ (False Positive Rate หรือ 1-Specificity) ที่ค่าเกณฑ์การตัดสินใจต่างๆ กัน
พื้นที่ใต้เส้นโค้ง ROC (AUC): คือการวัดประสิทธิภาพโดยรวมของโมเดลในการจัดอันดับตัวอย่างตามความเป็นไปได้ที่จะเป็นบวก ค่า AUC ที่สูงขึ้นแสดงถึงโมเดลมีความสามารถในการจัดอันดับตัวอย่างได้ดีขึ้น
การตีความค่า AUC: ค่า AUC สามารถตีความได้ว่าเป็นความน่าจะเป็นที่โมเดลจะจัดอันดับตัวอย่างที่เป็นบวกไว้เหนือตัวอย่างที่เป็นลบแบบสุ่ม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
If the training dataset consists of 204 locations, calculate the percentage of this training dataset from the total landslide occurrences (255 locations).
|
80% |
|
หาอัตราส่วน: เราจะหาอัตราส่วนของข้อมูลที่ใช้ฝึกโมเดลต่อจำนวนเหตุการณ์ทั้งหมด
อัตราส่วน = (จำนวนข้อมูลที่ใช้ฝึก / จำนวนเหตุการณ์ทั้งหมด) x 100%
คำนวณ:
อัตราส่วน = (204 / 255) x 100% ≈ 79.6%
คำตอบ:
จากการคำนวณข้างต้น คำตอบที่ใกล้เคียงที่สุดคือ 80%
อธิบายเหตุผล:
ข้อมูลที่ใช้ฝึกโมเดลคิดเป็นประมาณ 80% ของเหตุการณ์ดินถล่มทั้งหมด ซึ่งหมายความว่าเราได้นำข้อมูลส่วนใหญ่ที่มีอยู่มาใช้ในการสร้างโมเดล ทำให้โมเดลมีความแม่นยำในการทำนายผลลัพธ์ได้มากขึ้น |
สัดส่วน: คือการเปรียบเทียบปริมาณสองปริมาณ โดยแสดงให้เห็นว่าปริมาณหนึ่งเป็นกี่ส่วนของอีกปริมาณหนึ่ง
ข้อมูลฝึก: คือชุดข้อมูลที่นำมาใช้ในการสอนโมเดลให้เรียนรู้รูปแบบและลักษณะของข้อมูล เพื่อให้โมเดลสามารถทำนายผลลัพธ์ใหม่ได้
โมเดล: คือแบบจำลองทางคณิตศาสตร์ที่สร้างขึ้นจากข้อมูลฝึก เพื่อใช้ในการทำนายหรือจำแนกประเภทของข้อมูลใหม่
แนวคิดหลัก:
การเลือกสัดส่วนของข้อมูลฝึกที่เหมาะสมเป็นสิ่งสำคัญในการสร้างโมเดล เพราะหากข้อมูลฝึกน้อยเกินไป โมเดลอาจไม่สามารถเรียนรู้รูปแบบของข้อมูลได้อย่างเพียงพอ แต่ถ้าข้อมูลฝึกมากเกินไป อาจทำให้โมเดลเกิด overfitting คือ โมเดลเรียนรู้รายละเอียดของข้อมูลฝึกมากเกินไปจนไม่สามารถนำไปใช้กับข้อมูลใหม่ได้ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
If the model predicts a 25% error rate for new observations, what is the accuracy percentage for predictions made by this model?
|
75% |
|
ความแม่นยำ (Accuracy) คือสัดส่วนของการทำนายที่ถูกต้องทั้งหมดเทียบกับจำนวนการทำนายทั้งหมด
อัตราความผิดพลาด (Error rate) คือสัดส่วนของการทำนายที่ผิดพลาดทั้งหมดเทียบกับจำนวนการทำนายทั้งหมด
ดังนั้น ความแม่นยำและอัตราความผิดพลาดจึงเป็นค่าที่ตรงกันข้ามกัน และเมื่อรวมกันแล้วจะต้องเท่ากับ 100%
วิธีคิด:
ถ้าแบบจำลองมีความผิดพลาด 25% หมายความว่าจากการทำนายทั้งหมด 100 ครั้ง จะมีการทำนายที่ผิดพลาด 25 ครั้ง
ดังนั้น การทำนายที่ถูกต้องจะมีจำนวน 100 ครั้ง - 25 ครั้ง = 75 ครั้ง
หาความแม่นยำโดยการนำจำนวนการทำนายที่ถูกต้องหารด้วยจำนวนการทำนายทั้งหมด คูณด้วย 100
ความแม่นยำ = (75 / 100) * 100% = 75% |
การวัดประสิทธิภาพของแบบจำลอง: ในการประเมินประสิทธิภาพของแบบจำลองการทำนาย เราจะใช้ตัวชี้วัดต่างๆ เช่น ความแม่นยำ (Accuracy), ความไว (Sensitivity), ความจำเพาะ (Specificity), F1-score เป็นต้น
ความสัมพันธ์ระหว่างความแม่นยำและอัตราความผิดพลาด: ความแม่นยำและอัตราความผิดพลาดเป็นสองด้านของเหรียญเดียวกัน พวกมันมีความสัมพันธ์เชิงตรงกันข้ามกัน
การเลือกตัวชี้วัด: การเลือกตัวชี้วัดที่เหมาะสมจะขึ้นอยู่กับลักษณะของปัญหาและเป้าหมายของการทำนาย
แนวคิดสำคัญ:
ความแม่นยำ เป็นตัวชี้วัดที่ง่ายต่อการเข้าใจ แต่อาจไม่เหมาะสมสำหรับปัญหาที่ข้อมูลไม่สมดุล (Imbalanced data)
อัตราความผิดพลาด เป็นตัวชี้วัดที่ตรงกันข้ามกับความแม่นยำ และมักจะใช้ร่วมกันเพื่อให้ได้ภาพรวมที่ครอบคลุม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
Calculate the success rate if a model correctly predicted 181 out of 204 training data points.
|
88.73% |
|
อัตราความสำเร็จ หรือ Success Rate หมายถึง เปอร์เซ็นต์ของข้อมูลทั้งหมดที่โมเดลทำนายได้ถูกต้อง
วิธีคำนวณ: (จำนวนข้อมูลที่ทำนายถูก) / (จำนวนข้อมูลทั้งหมด) x 100%
แทนค่า: (181 / 204) x 100% = 88.73%
ดังนั้น โมเดลนี้ทำนายข้อมูลได้ถูกต้อง 88.73% ของข้อมูลทั้งหมด |
การประเมินโมเดล: ในการพัฒนาโมเดล machine learning เราจำเป็นต้องประเมินประสิทธิภาพของโมเดล เพื่อดูว่าโมเดลสามารถทำนายข้อมูลใหม่ได้ดีเพียงใด อัตราความสำเร็จเป็นหนึ่งในตัวชี้วัดที่สำคัญ
ข้อมูลฝึกสอน (Training Data): ข้อมูลที่ใช้ในการฝึกสอนโมเดลให้เรียนรู้รูปแบบและลักษณะของข้อมูล
การทำนาย (Prediction): กระบวนการที่โมเดลใช้ความรู้ที่ได้จากการฝึกสอน เพื่อทำนายผลลัพธ์ของข้อมูลใหม่
อัตราความสำเร็จ: ตัวชี้วัดที่บอกถึงความแม่นยำของการทำนาย โดยเปรียบเทียบผลลัพธ์ที่โมเดลทำนายได้กับผลลัพธ์จริง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
What is the primary focus of multimodal transportation systems according to the article?
|
Enhancing environmental sustainability and safety. |
|
ลดผลกระทบต่อสิ่งแวดล้อม: ลดการปล่อยมลพิษ ลดการใช้พลังงาน และส่งเสริมการใช้พลังงานทดแทน
เพิ่มความปลอดภัย: ลดอุบัติเหตุทางถนน และสร้างสภาพแวดล้อมที่ปลอดภัยสำหรับผู้ใช้
เพิ่มความสะดวกสบาย: สร้างระบบขนส่งที่เชื่อมต่อกันได้ง่าย และตอบสนองความต้องการของผู้ใช้ได้อย่างหลากหลาย |
ทฤษฎีระบบ: มองระบบขนส่งเป็นระบบที่ประกอบด้วยองค์ประกอบต่างๆ ที่เชื่อมโยงกันและมีปฏิสัมพันธ์กัน
ทฤษฎีการจัดการ: นำหลักการการจัดการมาใช้ในการวางแผน ก่อสร้าง และดำเนินงานระบบขนส่ง
ทฤษฎีการวางแผนขนส่ง: ศึกษาและวิเคราะห์ปัจจัยต่างๆ ที่มีผลต่อการเดินทางของผู้คนและสินค้า เพื่อวางแผนและออกแบบระบบขนส่งที่เหมาะสม
ทฤษฎีความยั่งยืน: เน้นการพัฒนาระบบขนส่งที่สามารถดำรงอยู่ได้ในระยะยาว โดยไม่ส่งผลกระทบต่อสิ่งแวดล้อมและสังคม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
According to the study, what is the main advantage of using the FAHP-DEA method in risk analysis for multimodal transportation systems?
|
It allows for precise risk prioritization and optimization of routes. |
|
การจัดลำดับความสำคัญของความเสี่ยง: FAHP ช่วยให้สามารถกำหนดน้ำหนักความสำคัญของปัจจัยเสี่ยงต่างๆ ได้อย่างชัดเจน ทำให้สามารถระบุความเสี่ยงที่สำคัญที่สุดได้
การเพิ่มประสิทธิภาพการเลือกเส้นทาง: DEA ช่วยในการประเมินประสิทธิภาพของเส้นทางต่างๆ โดยพิจารณาจากปัจจัยหลายประการ เช่น ระยะเวลาในการเดินทาง ต้นทุน และความเสี่ยง ทำให้สามารถเลือกเส้นทางที่เหมาะสมที่สุดได้
|
FAHP:
สร้างลำดับชั้นของเกณฑ์และตัวเลือก
ใช้การเปรียบเทียบแบบคู่เพื่อกำหนดน้ำหนักความสำคัญของแต่ละเกณฑ์
คำนวณน้ำหนักความสำคัญโดยรวมของแต่ละตัวเลือก
DEA:
กำหนดหน่วยงานที่ใช้เป็นเกณฑ์มาตรฐาน (DMU)
คำนวณประสิทธิภาพของแต่ละ DMU โดยเปรียบเทียบกับ DMU อื่นๆ
ระบุ DMU ที่มีประสิทธิภาพสูงสุดและ DMU ที่มีประสิทธิภาพต่ำสุด |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
If the risk analysis model has five criteria and assigns importance weights such that the total sums up to 1, and the weights for operational risk and security risk are 0.157 and 0.073 respectively, what is the combined weight of the remaining three criteria?
|
0.770 |
|
เนื่องจากน้ำหนักรวมของทั้ง 5 เกณฑ์เท่ากับ 1 และเรารู้ค่าของน้ำหนัก 2 เกณฑ์แล้ว เราสามารถหาค่าของน้ำหนักรวมของอีก 3 เกณฑ์ที่เหลือได้โดยการนำน้ำหนักรวมทั้งหมดลบด้วยน้ำหนักของ 2 เกณฑ์ที่เรารู้ค่าอยู่แล้ว
คำนวณ:
น้ำหนักรวมของ 3 เกณฑ์ที่เหลือ = น้ำหนักรวมทั้งหมด - น้ำหนักของความเสี่ยงปฏิบัติการ - น้ำหนักของความเสี่ยงด้านความปลอดภัย
น้ำหนักรวมของ 3 เกณฑ์ที่เหลือ = 1 - 0.157 - 0.073
น้ำหนักรวมของ 3 เกณฑ์ที่เหลือ = 0.77
ดังนั้น คำตอบที่ถูกต้องคือ 0.770 |
น้ำหนักความสำคัญ (Weight): เป็นค่าที่แสดงถึงความสำคัญสัมพัทธ์ของแต่ละเกณฑ์ในการประเมินความเสี่ยง ยิ่งค่าน้ำหนักสูง หมายถึงเกณฑ์นั้นมีความสำคัญมากขึ้นในการตัดสินใจ
น้ำหนักรวมเท่ากับ 1: หมายความว่า น้ำหนักของทุกเกณฑ์เมื่อรวมกันแล้วจะต้องมีค่าเท่ากับ 1 ซึ่งแสดงถึงการกระจายน้ำหนักความสำคัญทั้งหมดไปยังเกณฑ์ต่างๆ
หลักการอนุรักษ์มวล: ในกรณีนี้ เราสามารถเปรียบเทียบน้ำหนักความสำคัญเหมือนกับการแบ่งเค้ก โดยน้ำหนักทั้งหมดของเค้กคือ 1 และเราได้แบ่งเค้กไปให้ 2 ชิ้นแล้ว เราสามารถหาขนาดของส่วนที่เหลือได้โดยการนำขนาดของเค้กทั้งหมดลบด้วยขนาดของ 2 ชิ้นที่แบ่งไปแล้ว |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
If the probability of an accident occurring on a route is 0.2 and the consequence severity is rated at 0.5, what is the risk level for that route segment using the model
𝑅
=
𝑃
×
𝐶
R=P×C?
|
0.1 |
|
ความหมายของค่าแต่ละตัว:
ความน่าจะเป็น 0.2 หมายความว่า มีโอกาส 20% ที่จะเกิดอุบัติเหตุบนเส้นทางนี้
ความรุนแรง 0.5 อาจหมายความว่า ผลกระทบจากอุบัติเหตุมีความรุนแรงปานกลาง (ค่านี้ขึ้นอยู่กับการกำหนดระดับความรุนแรงของแต่ละสถานการณ์)
สูตร 𝑅 = 𝑃 × 𝐶 บอกอะไรเรา:
สูตรนี้ใช้ในการประเมินความเสี่ยงโดยรวมของเหตุการณ์หนึ่ง ๆ โดยพิจารณาจากความน่าจะเป็นที่เหตุการณ์นั้นจะเกิดขึ้น และความรุนแรงของผลกระทบที่ตามมา
ค่าความเสี่ยงที่ได้จะบอกเราว่า เส้นทางนั้นมีความเสี่ยงสูงหรือต่ำเพียงใด
เหตุผลที่ได้คำตอบ 0.1:
เมื่อนำความน่าจะเป็นและความรุนแรงมาคูณกัน จะได้ค่าความเสี่ยงที่เป็นตัวเลขที่น้อยกว่าทั้งสองค่าเสมอ
ค่าความเสี่ยง 0.1 แสดงว่า เส้นทางนี้มีความเสี่ยงต่ำเมื่อเทียบกับเส้นทางอื่นที่มีค่าความเสี่ยงสูงกว่ |
ทฤษฎีความน่าจะเป็น: เป็นพื้นฐานในการคำนวณหาความเป็นไปได้ของเหตุการณ์ที่เกิดขึ้น
การวิเคราะห์ความเสี่ยง: เป็นกระบวนการประเมินความเป็นไปได้และผลกระทบของเหตุการณ์ที่อาจเกิดขึ้น เพื่อนำไปใช้ในการตัดสินใจและวางแผนป้องกัน
แนวคิดหลัก: การประเมินความเสี่ยงเป็นเครื่องมือสำคัญในการบริหารจัดการความปลอดภัย โดยเฉพาะอย่างยิ่งในด้านการขนส่งและโลจิสติกส์ การคำนวณค่าความเสี่ยงช่วยให้เราสามารถเปรียบเทียบความเสี่ยงของเส้นทางต่าง ๆ และวางแผนการป้องกันเพื่อลดความเสี่ยงให้น้อยที่สุด |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
Calculate the aggregate risk score if the weights of the criteria are 0.321, 0.388, 0.157, 0.073, and 0.061, and the local risk scores for a route are 0.5, 0.6, 0.4, 0.3, and 0.2 respectively.
|
0.519 |
|
จากโจทย์ เราจะได้ว่า
น้ำหนักเกณฑ์ = [0.321, 0.388, 0.157, 0.073, 0.061]
คะแนนความเสี่ยงของแต่ละเกณฑ์ = [0.5, 0.6, 0.4, 0.3, 0.2]
ดังนั้น คะแนนความเสี่ยงรวม = (0.321 × 0.5) + (0.388 × 0.6) + (0.157 × 0.4) + (0.073 × 0.3) + (0.061 × 0.2)
= 0.1605 + 0.2328 + 0.0628 + 0.0219 + 0.0122
= 0.519
คำตอบที่ถูกต้องคือ 0.519 |
แนวคิดนี้เป็นพื้นฐานของการประเมินความเสี่ยงแบบเชิงปริมาณ โดยเราจะให้น้ำหนักความสำคัญกับแต่ละปัจจัยที่เกี่ยวข้องกับความเสี่ยง แล้วนำมาคำนวณหาค่าความเสี่ยงโดยรวม วิธีการนี้ช่วยให้เราสามารถเปรียบเทียบความเสี่ยงระหว่างทางเลือกต่างๆ ได้อย่างเป็นระบบ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
If the probability assessment for a risk is ranked 3 on a scale of 5 and the severity assessment is also ranked 3, with the transport segment accounting for 20% of the total route distance, calculate the risk assessment using the formula
𝑅
=
𝑃
×
𝐶
×
𝐷
R=P×C×D.
|
1.80 |
|
สูตร R = P × C × D ใช้เพื่อประเมินความเสี่ยงโดยรวม โดยพิจารณาจากความน่าจะเป็น ความรุนแรง และระยะทางที่เกี่ยวข้อง
เมื่อแทนค่าตัวเลขที่กำหนดให้ในสูตร จะได้ค่าความเสี่ยงเท่ากับ 1.8 ซึ่งหมายความว่าความเสี่ยงในสถานการณ์นี้ค่อนข้างสูง
|
การประเมินความเสี่ยง: เป็นกระบวนการวิเคราะห์เพื่อประเมินระดับความเสี่ยงที่อาจเกิดขึ้น โดยพิจารณาจากปัจจัยต่างๆ เช่น ความน่าจะเป็น ความรุนแรง และผลกระทบ
การคูณค่า: การคูณค่า P, C และ D เข้าด้วยกัน ทำให้ได้ค่าความเสี่ยงโดยรวมที่สะท้อนถึงการรวมกันของปัจจัยทั้งสาม
ระยะทาง: ระยะทางที่เกี่ยวข้องกับความเสี่ยงมีผลต่อการประเมินความเสี่ยง เนื่องจากระยะทางที่ยาวขึ้นอาจทำให้ความเสี่ยงเพิ่มขึ้น |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
Given that the weight for environmental risk is 0.061 and the local risk score for a route is 0.4, calculate the contribution of environmental risk to the overall risk score.
|
0.0244 |
|
ในการคำนวณส่วนแบ่งของความเสี่ยงต่อสิ่งแวดล้อมต่อคะแนนความเสี่ยงโดยรวม เราจะใช้หลักการคูณ (multiplication) ระหว่างน้ำหนักของความเสี่ยงต่อสิ่งแวดล้อม (weight) กับคะแนนความเสี่ยงในพื้นที่ (local risk score)
น้ำหนักของความเสี่ยงต่อสิ่งแวดล้อม (weight): หมายถึง ความสำคัญที่เราให้กับปัจจัยด้านสิ่งแวดล้อมเมื่อเทียบกับปัจจัยอื่นๆ ที่เกี่ยวข้องกับความเสี่ยงโดยรวม ในที่นี้มีค่าเท่ากับ 0.061
คะแนนความเสี่ยงในพื้นที่ (local risk score): หมายถึง ระดับความเสี่ยงเฉพาะเจาะจงของพื้นที่หรือเส้นทางนั้นๆ ในที่นี้มีค่าเท่ากับ 0.4
การคำนวณ:
ส่วนแบ่งของความเสี่ยงต่อสิ่งแวดล้อม = น้ำหนักของความเสี่ยงต่อสิ่งแวดล้อม × คะแนนความเสี่ยงในพื้นที่
= 0.061 × 0.4
= 0.0244
ดังนั้น ส่วนแบ่งของความเสี่ยงต่อสิ่งแวดล้อมที่มีต่อคะแนนความเสี่ยงโดยรวมของเส้นทางนี้คือ 0.0244 |
การประเมินความเสี่ยงแบบถ่วงน้ำหนัก (Weighted Risk Assessment): เป็นวิธีการประเมินความเสี่ยงที่พิจารณาถึงความสำคัญของปัจจัยต่างๆ ที่เกี่ยวข้องกับความเสี่ยง โดยให้น้ำหนักที่แตกต่างกันกับแต่ละปัจจัยตามความเหมาะสม
หลักการคูณ: ใช้เพื่อหาค่าส่วนแบ่งของปัจจัยหนึ่งที่มีต่อค่ารวม โดยการคูณค่าของปัจจัยนั้นกับค่าสัมประสิทธิ์หรือน้ำหนักที่กำหนดให้ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
Calculate the new overall risk score if the weight of infrastructure risk is increased from 0.388 to 0.400 while keeping other parameters constant, given that its local risk score is 0.2.
|
0.160 |
|
ปัจจัยอื่นๆ: คำถามระบุว่าปัจจัยอื่นๆ คงที่ แต่ไม่ได้ระบุว่ามีปัจจัยอะไรบ้างและมีน้ำหนักเท่าใด การคำนวณคะแนนความเสี่ยงรวมจำเป็นต้องพิจารณาปัจจัยทั้งหมดที่มีผลต่อความเสี่ยงและน้ำหนักที่กำหนดให้กับแต่ละปัจจัย
สูตรการคำนวณ: ไม่มีการระบุสูตรการคำนวณคะแนนความเสี่ยงรวมที่ใช้ ซึ่งสูตรนี้จะแตกต่างกันไปขึ้นอยู่กับบริบทและวิธีการประเมินความเสี่ยงที่ใช้
ช่วงของคะแนน: ไม่ได้กำหนดช่วงของคะแนนความเสี่ยงที่เป็นไปได้ |
การประเมินความเสี่ยง (Risk Assessment): เป็นกระบวนการที่ใช้ในการระบุ ประเมิน และจัดการความเสี่ยงที่อาจเกิดขึ้น การคำนวณคะแนนความเสี่ยงเป็นส่วนหนึ่งของกระบวนการนี้
น้ำหนักของความเสี่ยง (Weight): เป็นค่าที่แสดงถึงความสำคัญสัมพัทธ์ของแต่ละปัจจัยที่มีต่อความเสี่ยงโดยรวม
น้ำหนักจะถูกกำหนดขึ้นอยู่กับความรู้และประสบการณ์ของผู้ประเมิน
คะแนนความเสี่ยงเฉพาะ (Local Risk Score): เป็นคะแนนที่แสดงถึงระดับความเสี่ยงของปัจจัยแต่ละตัว
คะแนนความเสี่ยงรวม (Overall Risk Score): เป็นคะแนนที่แสดงถึงระดับความเสี่ยงโดยรวมของโครงการหรือกิจกรรม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 19 |
If a mode of transportation has a risk weight of 0.073 and its risk score is reassessed from 0.4 to 0.35, what is the change in its contribution to the overall risk score?
|
0.00365 |
|
น้ำหนักความเสี่ยง (Risk Weight): ค่าคงที่ที่แสดงถึงความสำคัญสัมพัทธ์ของปัจจัยความเสี่ยงแต่ละประเภทในระบบ
คะแนนความเสี่ยง (Risk Score): ค่าที่บ่งบอกถึงระดับความเสี่ยงของปัจจัยนั้นๆ ในช่วงเวลาหนึ่งๆ
การเปลี่ยนแปลงคะแนนความเสี่ยง: คะแนนความเสี่ยงของพาหนะลดลงจาก 0.4 เป็น 0.35
ส่วนร่วมเดิม: 0.073 * 0.4 = 0.0292
ส่วนร่วมใหม่: 0.073 * 0.35 = 0.02555
การเปลี่ยนแปลง: 0.0292 - 0.02555 = 0.00365
คำตอบ
ดังนั้น การเปลี่ยนแปลงของส่วนร่วมในการประเมินความเสี่ยงโดยรวมของพาหนะชนิดนี้คือ 0.00365 |
น้ำหนักความเสี่ยง: คล้ายกับการให้คะแนนความสำคัญ เช่น หากน้ำหนักความเสี่ยงของการขนส่งทางอากาศสูงกว่าการขนส่งทางบก แสดงว่าการขนส่งทางอากาศมีความเสี่ยงที่ส่งผลกระทบต่อระบบโดยรวมมากกว่า
คะแนนความเสี่ยง: เป็นค่าที่วัดจากปัจจัยหลายอย่าง เช่น ความถี่ของอุบัติเหตุ สภาพของยานพาหนะ ฯลฯ ค่านี้สามารถเปลี่ยนแปลงได้ตามเวลาและสถานการณ์
การเปลี่ยนแปลงของส่วนร่วม: แสดงให้เห็นถึงผลกระทบของการเปลี่ยนแปลงคะแนนความเสี่ยงต่อความเสี่ยงโดยรวมของระบบ
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 20 |
If the local weights of freight-damage risk, infrastructure risk, and operational risk are 0.1, 0.2, and 0.15 respectively, what is their total contribution to the risk score if their respective weights are 0.321, 0.388, and 0.157?
|
0.20097 |
|
การหาผลรวมน้ำหนักความเสี่ยงในชุดที่สอง จึงนำน้ำหนักความเสี่ยงของแต่ละปัจจัยในชุดที่สองมาบวก |
การวัดความเสี่ยง (Risk Measurement): การกำหนดน้ำหนักให้กับปัจจัยต่างๆ ที่เกี่ยวข้องกับความเสี่ยง เพื่อประเมินระดับความเสี่ยงโดยรวม
การบวก (Addition): เป็นการรวมค่าตัวเลขเข้าด้วยกัน เพื่อหาผลรวมทั้งหมด |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|