| 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. |
|
วัตถุประสงค์หลัก: การทำแผนที่ความเสี่ยงดินถล่มมีเป้าหมายหลักเพื่อระบุพื้นที่ที่มีโอกาสเกิดดินถล่มสูง ซึ่งจะช่วยให้สามารถวางแผนป้องกันและบรรเทาผลกระทบที่อาจเกิดขึ้นได้ เช่น การอพยพประชาชน การสร้างระบบระบายน้ำ หรือการปรับเปลี่ยนการใช้ที่ดิน
ผลประโยชน์: การทำแผนที่นี้ช่วยลดความเสียหายทางเศรษฐกิจและสิ่งแวดล้อมที่อาจเกิดจากดินถล่ม เช่น การสูญเสียชีวิตและทรัพย์สิน การทำลายโครงสร้างพื้นฐาน และการเกิดมลพิษ
การนำไปใช้: ข้อมูลจากแผนที่ความเสี่ยงดินถล่มสามารถนำไปใช้ในการวางแผนการจัดการพื้นที่ การออกแบบโครงสร้างทางวิศวกรรม และการกำหนดนโยบายที่เกี่ยวข้องกับการป้องกันภัยธรรมชาติ |
ารทำแผนที่ความเสี่ยงดินถล่มอาศัยหลักการทางธรณีวิทยา วิศวกรรมดิน และภูมิสารสนเทศ โดยใช้ข้อมูลต่างๆ เช่น
ข้อมูลทางธรณีวิทยา: ประเภทของหิน ความลาดชันของพื้นที่ รอยเลื่อน
ข้อมูลสภาพภูมิอากาศ: ปริมาณน้ำฝน ความชื้น
ข้อมูลการใช้ประโยชน์ที่ดิน: พื้นที่ป่า พื้นที่เกษตรกรรม พื้นที่ชุมชน
ข้อมูลจากภาพถ่ายทางอากาศและดาวเทียม: การเปลี่ยนแปลงของพื้นผิว |
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?
|
Logistic Regression |
|
ใช้สำหรับปัญหาการจำแนกประเภท (classification) โดยเฉพาะปัญหาที่มีผลลัพธ์เป็นแบบ binary (สองค่า) เช่น ใช่/ไม่ใช่, มี/ไม่มี เป็นต้น |
Machine Learning: ศาสตร์ที่เกี่ยวข้องกับการพัฒนาคอมพิวเตอร์ให้เรียนรู้จากข้อมูลโดยไม่ต้องถูกโปรแกรมโดยตรง
Supervised Learning: การเรียนรู้ของเครื่องโดยมีข้อมูลที่มีป้ายกำกับ (label) ใช้ในการฝึกโมเดล
Unsupervised Learning: การเรียนรู้ของเครื่องโดยไม่มีข้อมูลที่มีป้ายกำกับ ใช้ในการค้นหาโครงสร้างและรูปแบบในข้อมูล
Classification: ปัญหาการทำนายว่าข้อมูลชิ้นหนึ่งอยู่ในกลุ่มใดกลุ่มหนึ่ง
Regression: ปัญหาการทำนายค่าเชิงตัวเลข |
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% |
|
พื้นที่เสี่ยงสูง: 12%
พื้นที่ที่ไม่เสี่ยงสูง: 100% (พื้นที่ทั้งหมด) - 12% (พื้นที่เสี่ยงสูง) = 88% |
หลักการพื้นฐานของเปอร์เซ็นต์: การหาเปอร์เซ็นต์ของส่วนที่เหลือเมื่อทราบเปอร์เซ็นต์ของส่วนหนึ่ง
ตรรกะ: การใช้เหตุผลในการวิเคราะห์ข้อมูลที่มีอยู่เพื่อหาคำตอบ |
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 |
|
หาจำนวนข้อมูลที่ใช้ในการฝึก: 255 ครั้ง x 80% = 204 ครั้ง
หาจำนวนข้อมูลที่เหลือสำหรับการทดสอบ: 255 ครั้ง - 204 ครั้ง = 51 ครั้ง |
การแบ่งข้อมูล (Data Splitting): ในการพัฒนาโมเดล Machine Learning โดยทั่วไป เราจะแบ่งข้อมูลออกเป็น 3 ส่วนหลัก คือ
Training Set: ใช้สำหรับฝึกโมเดลให้เรียนรู้รูปแบบของข้อมูล
Validation Set: ใช้สำหรับปรับแต่งพารามิเตอร์ของโมเดล
Test Set: ใช้สำหรับประเมินประสิทธิภาพของโมเดลที่ฝึกมาแล้ว โดยที่โมเดลไม่เคยเห็นข้อมูลในส่วนนี้มาก่อน
เหตุผลที่ต้องแบ่งข้อมูล:
ป้องกัน Overfitting: การแบ่งข้อมูลช่วยป้องกันไม่ให้โมเดลจำรูปแบบของข้อมูลใน Training Set ได้ดีเกินไป จนไม่สามารถนำไปใช้กับข้อมูลใหม่ได้ดี
ประเมินประสิทธิภาพ: การใช้ Test Set ช่วยให้เราประเมินได้ว่าโมเดลที่เราสร้างขึ้นมีความแม่นยำในการทำนายผลลัพธ์ใหม่ๆ ได้ดีเพียงใด |
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 |
|
การคำนวณตรงไปตรงมา: เราใช้หลักการพื้นฐานของการหาเปอร์เซ็นต์ของจำนวนหนึ่ง โดยการคูณเปอร์เซ็นต์ที่เป็นทศนิยมเข้ากับจำนวนทั้งหมด
การตีความโจทย์: โจทย์ให้ข้อมูลที่จำเป็นทั้งหมดในการคำนวณ ได้แก่ พื้นที่ทั้งหมดและสัดส่วนของโซนเสี่ยงสูงมาก
การตรวจสอบหน่วย: หน่วยของคำตอบเป็นตารางกิโลเมตร ซึ่งสอดคล้องกับหน่วยของพื้นที่ |
เปอร์เซ็นต์: เปอร์เซ็นต์คืออัตราส่วนที่เปรียบเทียบจำนวนใดจำนวนหนึ่งกับ 100
การคูณ: การคูณเป็นการดำเนินการทางคณิตศาสตร์ที่ใช้ในการหาผลคูณของจำนวนสองจำนวนขึ้นไป |
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
การคำนวณ:
Specificity = 1 - 0.05 = 0.95 |
Confusion Matrix: ตารางที่แสดงผลลัพธ์ของการจัดประเภทของโมเดล โดยเปรียบเทียบค่าที่ทำนายได้กับค่าจริง
True Positive Rate (TPR), False Positive Rate (FPR), Specificity: ตัวชี้วัดประสิทธิภาพของโมเดลในการจัดประเภท
Binary Classification: การจัดประเภทตัวอย่างออกเป็นสองกลุ่ม (เช่น Positive หรือ Negative) |
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 0.963 หมายความว่า: โมเดลมีความสามารถในการแยกแยะระหว่างกลุ่มตัวอย่างที่เป็นบวก (positive) และกลุ่มตัวอย่างที่เป็นลบ (negative) ได้ดีเยี่ยม ค่า AUC ที่ใกล้เคียง 1 บ่งชี้ว่าโมเดลมีความแม่นยำในการทำนายสูงมาก
AUC เป็นตัวชี้วัดประสิทธิภาพโดยรวมของโมเดล: ไม่ได้ขึ้นอยู่กับจุดตัด (threshold) ที่เลือกใช้ในการจัดกลุ่ม ทำให้เป็นตัวชี้วัดที่น่าเชื่อถือกว่าตัวชี้วัดอื่นๆ เช่น accuracy ที่อาจได้รับผลกระทบจากความไม่สมดุลของข้อมูล (imbalanced data) |
ROC Curve (Receiver Operating Characteristic Curve): กราฟที่แสดงความสัมพันธ์ระหว่าง sensitivity (true positive rate) และ 1-specificity (false positive rate) ที่ค่า threshold ต่างๆ โดย AUC คือพื้นที่ใต้เส้นโค้ง ROC
Sensitivity: ความสามารถของโมเดลในการทำนายตัวอย่างที่เป็นบวกได้ถูกต้อง
Specificity: ความสามารถของโมเดลในการทำนายตัวอย่างที่เป็นลบได้ถูกต้อง |
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: จำนวนตำแหน่งในชุดข้อมูลฝึก / จำนวนเหตุการณ์ดินถล่มทั้งหมด = 204 / 255
แปลงเป็นเปอร์เซ็นต์: นำอัตราส่วนที่ได้คูณด้วย 100%
ดังนั้น (204 / 255) * 100% ≈ 80% |
การวิเคราะห์ข้อมูล: เป็นกระบวนการรวบรวม จัดระเบียบ วิเคราะห์ และตีความข้อมูลเพื่อให้ได้ข้อสรุปหรือคำตอบ
สถิติ: เป็นสาขาของคณิตศาสตร์ที่ใช้ในการรวบรวม วิเคราะห์ และตีความข้อมูลเชิงปริมาณ
เปอร์เซ็นต์: เป็นสัดส่วนที่แสดงถึงปริมาณของส่วนหนึ่งเมื่อเทียบกับทั้งหมด โดยใช้ 100 เป็นฐาน |
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
ความสัมพันธ์: ความแม่นยำและอัตราความผิดพลาดเป็นส่วนเติมเต็มกัน หมายความว่า เมื่อเราทราบค่าหนึ่ง เราสามารถหาค่าอีกค่าหนึ่งได้โดยใช้สูตร:
ความแม่นยำ = 100% - อัตราความผิดพลาด
อัตราความผิดพลาด = 100% - ความแม่นยำ
จากโจทย์ที่กำหนดให้ อัตราความผิดพลาด = 25% ดังนั้น
ความแม่นยำ = 100% - 25% = 75% |
การประเมินประสิทธิภาพของแบบจำลอง (Model Evaluation): เป็นกระบวนการวัดความสามารถของแบบจำลองในการทำนายผลลัพธ์ที่ถูกต้อง
เมตริกการประเมิน (Evaluation Metrics): เป็นตัวชี้วัดที่ใช้ในการประเมินประสิทธิภาพของแบบจำลอง เช่น ความแม่นยำ (Accuracy), ความไว (Sensitivity), ความจำเพาะ (Specificity), F1-score เป็นต้น
Confusion Matrix: เป็นตารางที่แสดงผลลัพธ์ของการจำแนกประเภท โดยเปรียบเทียบค่าที่ทำนายได้กับค่าจริง ซึ่งสามารถนำมาคำนวณหาเมตริกการประเมินต่างๆ ได้ |
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 = (จำนวนข้อมูลที่ทำนายถูกต้อง / จำนวนข้อมูลทั้งหมด) x 100%
คำนวณ:
อัตราความสำเร็จ = (181 / 204) x 100% ≈ 88.73%
ดังนั้น คำตอบที่ถูกต้องคือ 88.73% |
อัตราความสำเร็จ (Success Rate): เป็นตัวชี้วัดประสิทธิภาพของแบบจำลอง โดยวัดจากสัดส่วนของการทำนายที่ถูกต้องเทียบกับจำนวนข้อมูลทั้งหมด ยิ่งค่าอัตราความสำเร็จสูง แสดงว่าแบบจำลองมีความแม่นยำในการทำนายมากขึ้น
สถิติพื้นฐาน: การคำนวณอัตราส่วนและเปอร์เซ็นต์เป็นพื้นฐานทางสถิติที่ใช้ในการวัดและเปรียบเทียบข้อมูล |
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. |
|
ระบบขนส่งแบบหลายรูปแบบ เป็นการผสมผสานการขนส่งหลายรูปแบบเข้าด้วยกัน เช่น การขนส่งทางรถไฟ รถบรรทุก เรือ และเครื่องบิน เพื่อให้เกิดประสิทธิภาพสูงสุดในการขนส่งสินค้าและผู้โดยสาร
ความยั่งยืนและความปลอดภัย เป็นประเด็นสำคัญที่ได้รับความสนใจอย่างมากในปัจจุบัน เนื่องจากปัญหาสิ่งแวดล้อมและอุบัติเหตุทางการขนส่ง
การลดผลกระทบต่อสิ่งแวดล้อม เช่น การลดการปล่อยก๊าซเรือนกระจก การลดมลพิษทางอากาศและน้ำ การลดเสียงดัง เป็นเป้าหมายหลักของการพัฒนาระบบขนส่งแบบหลายรูปแบบ
การเพิ่มความปลอดภัย เช่น การใช้เทคโนโลยีเพื่อช่วยในการขับขี่ การออกแบบโครงสร้างพื้นฐานที่ปลอดภัย และการมีมาตรการป้องกันอุบัติเหตุ ก็เป็นอีกหนึ่งเป้าหมายสำคัญ |
หลักการพัฒนาอย่างยั่งยืน: เน้นการพัฒนาที่ตอบสนองความต้องการในปัจจุบันโดยไม่กระทบต่อความสามารถในการตอบสนองความต้องการของคนรุ่นหลัง
หลักการเศรษฐกิจหมุนเวียน: เน้นการใช้ทรัพยากรอย่างมีประสิทธิภาพ ลดการสร้างขยะ และลดมลพิษ
หลักการความปลอดภัย: เน้นการลดความเสี่ยงจากอุบัติเหตุและภัยพิบัติ
ทฤษฎีระบบ: มองการขนส่งเป็นระบบที่มีปฏิสัมพันธ์กันหลายส่วน และการเปลี่ยนแปลงส่วนหนึ่งจะส่งผลกระทบต่อส่วนอื่นๆ
แนวคิดสมาร์ทซิตี้: เน้นการใช้เทคโนโลยีเพื่อพัฒนาเมืองให้มีความยั่งยืนและมีประสิทธิภาพ |
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. |
|
FAHP (Analytic Hierarchy Process): วิธีนี้ช่วยในการจัดลำดับความสำคัญของปัจจัยต่างๆ โดยอาศัยการเปรียบเทียบแบบคู่ ซึ่งทำให้สามารถระบุได้ว่าความเสี่ยงใดมีความสำคัญมากน้อยเพียงใด
DEA (Data Envelopment Analysis): วิธีนี้ใช้ในการประเมินประสิทธิภาพของหน่วยงานหรือกระบวนการต่างๆ โดยเปรียบเทียบกับหน่วยงานหรือกระบวนการอื่นๆ ที่มีประสิทธิภาพสูงสุด ซึ่งสามารถนำมาประยุกต์ใช้ในการประเมินประสิทธิภาพของเส้นทางต่างๆ และเลือกเส้นทางที่เหมาะสมที่สุด |
Analytic Hierarchy Process (AHP): เป็นวิธีการตัดสินใจแบบหลายเกณฑ์ที่พัฒนาโดย Thomas L. Saaty ซึ่งใช้ในการจัดลำดับความสำคัญของปัจจัยต่างๆ โดยอาศัยการเปรียบเทียบแบบคู่
Data Envelopment Analysis (DEA): เป็นวิธีการวิเคราะห์ประสิทธิภาพที่ใช้ในการประเมินประสิทธิภาพของหน่วยงานหรือกระบวนการต่างๆ โดยเปรียบเทียบกับหน่วยงานหรือกระบวนการอื่นๆ ที่มีประสิทธิภาพสูงสุด
Multimodal Transportation: หมายถึงระบบขนส่งที่ใช้การขนส่งหลายรูปแบบ เช่น ทางรถไฟ ทางน้ำ ทางอากาศ และทางบก ร่วมกันเพื่อให้การขนส่งมีประสิทธิภาพมากขึ้น |
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 |
|
น้ำหนักรวมทั้งหมด: น้ำหนักของทุกเกณฑ์รวมกันต้องเท่ากับ 1
น้ำหนักที่ทราบ: เราทราบน้ำหนักของความเสี่ยงด้านปฏิบัติการและความเสี่ยงด้านความมั่นคงแล้ว
น้ำหนักที่ต้องการหา: เราต้องการหาน้ำหนักรวมของเกณฑ์ที่เหลืออีก 3 เกณฑ์
วิธีการหาคำตอบ:
หาผลรวมน้ำหนักที่ทราบ: 0.157 + 0.073 = 0.23
หาน้ำหนักที่เหลือ: 1 (น้ำหนักรวมทั้งหมด) - 0.23 (น้ำหนักที่ทราบ) = 0.77
ดังนั้น น้ำหนักรวมของเกณฑ์ที่เหลืออีก 3 เกณฑ์คือ 0.77 |
หลักการของน้ำหนัก (Weight): ในการวิเคราะห์เชิงปริมาณ โดยเฉพาะในส่วนของการตัดสินใจแบบหลายเกณฑ์ (Multi-Criteria Decision Making) เราจะให้น้ำหนักกับแต่ละเกณฑ์เพื่อบ่งบอกความสำคัญสัมพัทธ์ของเกณฑ์นั้นๆ
หลักการอนุรักษ์มวล (Conservation of Mass): ในระบบปิด ผลรวมของทุกส่วนย่อยจะต้องเท่ากับทั้งหมดเสมอ ในกรณีนี้ น้ำหนักรวมของทุกเกณฑ์ต้องเท่ากับ 1 |
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 |
|
จากสูตรที่ให้มา: 𝑅 = 𝑃 × 𝐶
R คือ ค่าความเสี่ยง (Risk)
P คือ ความน่าจะเป็นที่จะเกิดเหตุการณ์ (Probability) ในที่นี้คือ ความน่าจะเป็นที่เกิดอุบัติเหตุ ซึ่งมีค่าเท่ากับ 0.2
C คือ ความรุนแรงของผลกระทบ (Consequence) หรือความรุนแรงของอุบัติเหตุ ซึ่งมีค่าเท่ากับ 0.5
ดังนั้น เราสามารถคำนวณหาค่าความเสี่ยงได้ดังนี้:
𝑅 = 0.2 × 0.5 = 0.1 |
ทฤษฎีความน่าจะเป็น (Probability Theory): เป็นพื้นฐานในการคำนวณหาโอกาสที่เหตุการณ์จะเกิดขึ้น ซึ่งในที่นี้คือความน่าจะเป็นที่เกิดอุบัติเหตุ
การวิเคราะห์ความเสี่ยง (Risk Analysis): เป็นกระบวนการประเมินความน่าจะเป็นและผลกระทบของเหตุการณ์ที่ไม่พึงประสงค์ ซึ่งในที่นี้คือการประเมินความเสี่ยงของการเกิดอุบัติเหตุบนเส้นทาง
โมเดลการประเมินความเสี่ยง (Risk Assessment Model): เป็นเครื่องมือที่ใช้ในการคำนวณหาค่าความเสี่ยง โดยพิจารณาจากปัจจัยต่างๆ เช่น ความน่าจะเป็นและความรุนแรงของผลกระทบ |
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.
|
0.438 |
|
คูณคะแนนความเสี่ยงท้องถิ่นแต่ละตัวด้วยน้ำหนักของเกณฑ์:
เกณฑ์ที่ 1: 0.5 * 0.321 = 0.1605
เกณฑ์ที่ 2: 0.6 * 0.388 = 0.2328
เกณฑ์ที่ 3: 0.4 * 0.157 = 0.0628
เกณฑ์ที่ 4: 0.3 * 0.073 = 0.0219
เกณฑ์ที่ 5: 0.2 * 0.061 = 0.0122
นำผลลัพธ์จากข้อ 1 ทุกตัวมาบวกกัน:
0.1605 + 0.2328 + 0.0628 + 0.0219 + 0.0122 = 0.4902 |
Weighted Average (ค่าเฉลี่ยถ่วงน้ำหนัก): เป็นวิธีการคำนวณค่าเฉลี่ยโดยให้ความสำคัญกับแต่ละข้อมูลไม่เท่ากัน โดยใช้น้ำหนักเป็นตัวคูณ ซึ่งเหมาะสมสำหรับการรวมข้อมูลที่มีความสำคัญแตกต่างกัน
Risk Assessment (การประเมินความเสี่ยง): เป็นกระบวนการประเมินโอกาสและผลกระทบของเหตุการณ์ที่ไม่พึงประสงค์ ซึ่งสามารถนำมาใช้ในการตัดสินใจและวางแผน
Multi-criteria Decision Making (MCDM): เป็นวิธีการตัดสินใจที่พิจารณาหลายเกณฑ์ โดยให้คะแนนแต่ละเกณฑ์และนำมาคำนวณค่ารวม |
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.
|
0.18 |
|
การตีความสูตร: สูตร R = P × C × D นั้นบ่งบอกว่าความเสี่ยงโดยรวมจะเพิ่มขึ้นเมื่อความน่าจะเป็นที่จะเกิดเหตุการณ์เสี่ยง (P) ความรุนแรงของผลกระทบ (C) หรือระยะทางที่เกี่ยวข้องกับความเสี่ยง (D) เพิ่มขึ้น
การแทนค่า: เมื่อนำค่าของ P, C และ D ที่ได้จากโจทย์มาแทนในสูตร ก็จะได้ค่า Risk เท่ากับ 0.18 |
การประเมินความเสี่ยง (Risk Assessment): เป็นกระบวนการที่ใช้ในการระบุ ประเมิน และจัดการกับความเสี่ยงที่อาจเกิดขึ้น โดยทั่วไปจะพิจารณาจากความน่าจะเป็นที่จะเกิดเหตุการณ์เสี่ยงและความรุนแรงของผลกระทบ
การคูณค่า: การนำค่าของ P, C และ D มาคูณกันเป็นวิธีการที่ง่ายและเป็นที่นิยมใช้ในการคำนวณความเสี่ยง โดยสมมติว่าปัจจัยทั้งสามนี้มีอิทธิพลต่อกันในลักษณะเชิงเส้น
สัดส่วนของระยะทาง: การใช้สัดส่วนของระยะทางในกลุ่ม Transport segment แทนค่า D นั้นเป็นการพิจารณาเฉพาะส่วนของเส้นทางที่เกี่ยวข้องกับความเสี่ยงที่กำลังพิจารณา |
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 |
|
ส่วนแบ่งความเสี่ยง = น้ำหนักของความเสี่ยง × คะแนนความเสี่ยงเฉพาะ
แทนค่า:
น้ำหนักของความเสี่ยงด้านสิ่งแวดล้อม (weight) = 0.061
คะแนนความเสี่ยงเฉพาะของเส้นทาง (risk score) = 0.4
ส่วนแบ่งความเสี่ยงด้านสิ่งแวดล้อม = 0.061 × 0.4 = 0.0244 |
ทฤษฎีความน่าจะเป็น: การคำนวณส่วนแบ่งความเสี่ยงเป็นการนำหลักการของความน่าจะเป็นมาประยุกต์ใช้ โดยพิจารณาจากน้ำหนักของความเสี่ยงและคะแนนความเสี่ยงเฉพาะ
การวิเคราะห์ความเสี่ยง: เป็นกระบวนการประเมินและจัดการความไม่แน่นอนที่อาจส่งผลกระทบต่อเป้าหมาย การคำนวณส่วนแบ่งความเสี่ยงเป็นส่วนหนึ่งของการวิเคราะห์ความเสี่ยงเพื่อทำความเข้าใจถึงโครงสร้างของความเสี่ยงโดยรวม |
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.
|
0.080 |
|
ในการคำนวณคะแนนความเสี่ยงรวม (Overall Risk Score) นั้น โดยทั่วไปจะใช้หลักการถ่วงน้ำหนัก (Weighted Average) ซึ่งหมายถึง การนำคะแนนความเสี่ยงของแต่ละปัจจัยมาคูณกับน้ำหนักที่กำหนดให้ แล้วนำผลคูณทั้งหมดมารวมกัน
คะแนนความเสี่ยงรวม = (น้ำหนักของความเสี่ยงด้านโครงสร้างพื้นฐาน × คะแนนความเสี่ยงเฉพาะของโครงสร้างพื้นฐาน) + (ผลรวมของผลคูณระหว่างน้ำหนักและคะแนนความเสี่ยงของปัจจัยอื่นๆ) |
ทฤษฎีความน่าจะเป็น: ใช้ในการประเมินโอกาสที่เหตุการณ์ต่างๆ จะเกิดขึ้น
ทฤษฎีการตัดสินใจ: ใช้ในการเลือกทางเลือกที่ดีที่สุดจากข้อมูลที่มี
สถิติ: ใช้ในการวิเคราะห์ข้อมูลเชิงปริมาณและสรุปผล |
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 |
|
เพื่อหาการเปลี่ยนแปลงในการสนับสนุนคะแนนความเสี่ยงโดยรวม เราต้องคำนวณส่วนต่างของผลคูณระหว่างน้ำหนักความเสี่ยงกับคะแนนความเสี่ยงก่อนและหลังการปรับเปลี่ยน
ก่อนการปรับเปลี่ยน: 0.073 * 0.4 = 0.0292
หลังการปรับเปลี่ยน: 0.073 * 0.35 = 0.02555
การเปลี่ยนแปลง: 0.0292 - 0.02555 = 0.00365 |
แนวคิดที่ใช้ในการคำนวณนี้คือ การคูณน้ำหนัก (weighted average) ซึ่งเป็นวิธีการคำนวณค่าเฉลี่ยโดยให้น้ำหนักที่แตกต่างกันกับแต่ละค่า โดยในที่นี้ น้ำหนักความเสี่ยงเปรียบเสมือนน้ำหนักที่เราให้กับคะแนนความเสี่ยงของแต่ละวิธีการขนส่ง |
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?
|
0.15788 |
|
น้ำหนักความเสี่ยงท้องถิ่น: ค่าเหล่านี้ (0.1, 0.2, 0.15) เป็นเพียงน้ำหนักที่กำหนดไว้ในสถานการณ์หนึ่ง ซึ่งอาจไม่เกี่ยวข้องกับน้ำหนักที่ใช้ในการคำนวณใหม่
น้ำหนักที่ใช้ในการคำนวณใหม่: ค่าเหล่านี้ (0.321, 0.388, 0.157) เป็นน้ำหนักที่ใช้ในการคำนวณในสถานการณ์ใหม่ แต่ก็ยังไม่ชัดเจนว่าจะนำไปใช้คำนวณอย่างไรกับค่าใด |
การประเมินความเสี่ยง (Risk Assessment): เป็นกระบวนการประเมินความน่าจะเป็นและผลกระทบของเหตุการณ์ที่ไม่พึงประสงค์ ซึ่งอาจนำไปสู่การสูญเสียหรือความเสียหาย
น้ำหนักความเสี่ยง (Risk Weight): เป็นค่าที่ใช้แสดงความสำคัญสัมพัทธ์ของความเสี่ยงแต่ละประเภท โดยทั่วไปจะอยู่ในช่วง 0 ถึง 1
การถ่วงน้ำหนัก (Weighted Average): เป็นวิธีการคำนวณค่าเฉลี่ยโดยให้ความสำคัญกับค่าแต่ละค่าแตกต่างกันตามน้ำหนักที่กำหนดให้ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|