| 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. |
|
เป้าหมายหลักของการทำแผนที่ความเสี่ยงดินถล่ม: คือการระบุพื้นที่ที่มีความเสี่ยงสูงที่จะเกิดดินถล่ม เพื่อที่จะได้วางแผนป้องกันและบรรเทาผลกระทบที่อาจเกิดขึ้นได้ล่วงหน้า การทำเช่นนี้จะช่วยลดความเสียหายต่อชีวิต ทรัพย์สิน และสิ่งแวดล้อมอันเนื่องมาจากเหตุการณ์ดินถล่ม
การทำนายวันที่เกิดดินถล่ม: เป็นเรื่องที่ยากและไม่แม่นยำ เนื่องจากปัจจัยที่เกี่ยวข้องกับการเกิดดินถล่มมีหลายปัจจัย เช่น ปริมาณน้ำฝน ความชื้นในดิน ภูมิประเทศ และกิจกรรมของมนุษย์ การทำแผนที่ความเสี่ยงจึงเน้นไปที่การประเมินความน่าจะเป็นที่จะเกิดดินถล่มในระยะยาวมากกว่าการทำนายวันที่แน่นอน |
การทำแผนที่ความเสี่ยงดินถล่มอาศัยหลักการของทฤษฎีความเสี่ยง ซึ่งพิจารณาถึงความน่าจะเป็นที่จะเกิดเหตุการณ์ที่ไม่พึงประสงค์ (ดินถล่ม) และผลกระทบที่อาจเกิดขึ้น แบบจำลองเชิงตัวเลขถูกนำมาใช้ในการจำลองกระบวนการทางธรณีวิทยาที่เกี่ยวข้องกับการเกิดดินถล่ม เพื่อประเมินความเสี่ยงและทำนายการเกิดดินถล่มในอนาคต |
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 |
|
การเลือกอัลกอริทึมการเรียนรู้ของเครื่องที่เหมาะสมขึ้นอยู่กับหลายปัจจัย และไม่มีอัลกอริทึมใดที่เป็น "ที่ดีที่สุด" สำหรับทุกปัญหาเสมอไป การเลือกอัลกอริทึมที่เหมาะสมจึงต้องอาศัยความรู้ความเข้าใจในทั้งอัลกอริทึมและปัญหาที่ต้องการแก้ไข |
ทำความเข้าใจบริบทที่โจทย์ให้มา |
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?
|
63% |
|
คำนวณหาพื้นที่ที่มีความเสี่ยงปานกลางหรือต่ำโดยนำเปอร์เซ็นต์ของพื้นที่ที่มีความเสี่ยงทั้งหมดลบด้วยเปอร์เซ็นต์ของพื้นที่ที่มีความเสี่ยงสูง ผลลัพธ์ที่ได้คือ 63% ซึ่งตรงกับตัวเลือกที่หนึ่ง |
หลักการพื้นฐานของเปอร์เซ็นต์ เปอร์เซ็นต์คือส่วนหนึ่งของจำนวนทั้งหมดที่แสดงเป็นส่วนของ 100 การหาส่วนที่เหลือ เมื่อทราบส่วนหนึ่งของทั้งหมด เราสามารถหาส่วนที่เหลือได้โดยการนำส่วนทั้งหมดลบด้วยส่วนที่ทราบ |
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 |
|
หาจำนวนข้อมูลที่ใช้ในการฝึกสอน:
80% ของ 255 ครั้ง = (80/100) * 255 = 204 ครั้ง
หาจำนวนข้อมูลที่เหลือสำหรับการทดสอบ:
จำนวนข้อมูลทั้งหมด - จำนวนข้อมูลที่ใช้ฝึกสอน = 255 ครั้ง - 204 ครั้ง = 51 ครั้ง |
การแบ่งข้อมูล การคำนวณจำนวนข้อมูลที่ใช้ในการทดสอบในครั้งนี้เป็นการประยุกต์ใช้หลักการพื้นฐานของ machine learning ในการแบ่งข้อมูลเพื่อสร้างและประเมินโมเดล โดยเป้าหมายคือเพื่อให้ได้โมเดลที่มีประสิทธิภาพและสามารถนำไปใช้งานได้จริง |
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 |
|
ใช้หลักการพื้นฐานของการหาค่าเปอร์เซ็นต์ของจำนวนหนึ่ง โดยนำสัดส่วน (ในรูปทศนิยม) คูณกับจำนวนทั้งหมด ผลลัพธ์ที่ได้จะแสดงถึงส่วนที่เราต้องการหา |
เปอร์เซ็นต์: เป็นการแสดงสัดส่วนของจำนวนหนึ่งเทียบกับจำนวนทั้งหมด โดยใช้ 100 เป็นฐาน
การคูณ: ใช้สำหรับหาค่าของส่วนหนึ่งเมื่อทราบสัดส่วนและจำนวนทั้งหมด |
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 |
|
ข้อมูลที่ให้มา เราทราบว่าโมเดลมีโอกาสจัดประเภทตัวอย่าง Negative ผิดพลาดเป็น Positive เพียง 5% (FPR = 0.05) ดังนั้น โมเดลจึงสามารถจัดประเภทตัวอย่าง Negative ถูกต้องได้ถึง 95% (Specificity = 0.95) ซึ่งหมายความว่าโมเดลมีความแม่นยำสูงในการระบุตัวอย่างที่ไม่ใช่ Positive |
Confusion Matrix: ตารางที่แสดงผลลัพธ์ของการจัดประเภทของโมเดล โดยเปรียบเทียบค่าที่ทำนายได้กับค่าจริง
True Positive Rate (TPR) หรือ Sensitivity: ความสามารถของโมเดลในการระบุตัวอย่าง Positive อย่างถูกต้อง
False Positive Rate (FPR): ความสามารถของโมเดลในการระบุตัวอย่าง Negative ผิดพลาดว่าเป็น Positive
Specificity: ความสามารถของโมเดลในการระบุตัวอย่าง Negative อย่างถูกต้อง
ความสัมพันธ์ระหว่างตัวชี้วัดต่างๆ: ความสัมพันธ์ระหว่าง TPR, FPR และ Specificity เป็นพื้นฐานในการประเมินประสิทธิภาพของโมเดลการจำแนกประเภท |
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 |
|
จากค่า AUC 0.963 ที่ได้จากโมเดล Logistic Regression บ่งชี้ว่าโมเดลมีความสามารถในการทำนายผลลัพธ์ได้อย่างแม่นยำในระดับที่ยอดเยี่ยม ซึ่งหมายความว่าโมเดลสามารถแยกแยะตัวอย่างที่เป็นบวกและลบได้อย่างชัดเจนและมีประสิทธิภาพสูง |
เส้นโค้ง ROC (Receiver Operating Characteristic): เป็นกราฟที่แสดงความสัมพันธ์ระหว่าง True Positive Rate กับ False Positive Rate โดยจุดต่างๆ บนเส้นโค้งแสดงถึงค่า Threshold ที่แตกต่างกันในการตัดสินใจจำแนกประเภท
พื้นที่ใต้เส้นโค้ง ROC (AUC): คือค่าที่วัดประสิทธิภาพโดยรวมของโมเดลในการจำแนกประเภท โดยไม่ขึ้นอยู่กับค่า Threshold ที่เลือก |
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% |
|
เหตุผลที่ตอบ 80%: จากการคำนวณตามสูตรที่กล่าวมาข้างต้น พบว่าข้อมูลที่นำมาใช้ในการฝึกโมเดลคิดเป็น 80% ของข้อมูลทั้งหมด
ความหมาย: นั่นหมายความว่า ในการสร้างโมเดลเพื่อทำนายจุดที่อาจเกิดดินถล่ม เราได้นำข้อมูลการเกิดดินถล่มจริงมาใช้ในการฝึกโมเดลถึง 80% ซึ่งถือว่าเป็นปริมาณที่มากพอสมควรในการสร้างโมเดลที่มีประสิทธิภาพ |
Machine Learning: กระบวนการที่ทำให้คอมพิวเตอร์เรียนรู้จากข้อมูลโดยไม่ต้องถูกเขียนโปรแกรมโดยตรง
Training Data: ข้อมูลที่นำมาใช้ในการฝึกสอนโมเดลให้เรียนรู้รูปแบบและลักษณะของข้อมูล
Percentage: ค่าที่แสดงถึงสัดส่วนของส่วนหนึ่งเทียบกับส่วนทั้งหมด โดยมักแสดงเป็นเปอร์เซ็นต์ (%) |
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 คือ สัดส่วนของการทำนายที่ถูกต้องทั้งหมดเทียบกับจำนวนการทำนายทั้งหมด
อัตราความผิดพลาด คือ สัดส่วนของการทำนายที่ผิดพลาดทั้งหมดเทียบกับจำนวนการทำนายทั้งหมด
ความแม่นยำ + อัตราความผิดพลาด = 100%
ดังนั้น หากอัตราความผิดพลาดคือ 25% แสดงว่าความแม่นยำคือ 100% - 25% = 75% |
การประเมินโมเดล (Model Evaluation): เป็นกระบวนการวัดประสิทธิภาพของโมเดล machine learning โดยเปรียบเทียบผลลัพธ์ที่โมเดลทำนายกับค่าจริง
เมตริกการประเมิน (Evaluation Metrics): เป็นตัวชี้วัดที่ใช้ในการประเมินประสิทธิภาพของโมเดล เช่น ความแม่นยำ (Accuracy), ความไว (Sensitivity), ความจำเพาะ (Specificity), F1-score เป็นต้น
Confusion Matrix: เป็นตารางที่ใช้แสดงผลลัพธ์ของการจำแนกประเภท โดยเปรียบเทียบค่าที่ทำนายได้กับค่าจริง |
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% |
|
ความหมายของอัตราความสำเร็จ: ตัวเลขนี้บ่งบอกถึงประสิทธิภาพของโมเดลในการทำนายข้อมูลที่เคยเห็นมาแล้ว (ข้อมูลฝึกสอน) ยิ่งค่าสูง แสดงว่าโมเดลเรียนรู้รูปแบบของข้อมูลได้ดี
ข้อควรระวัง: อัตราความสำเร็จที่สูงบนข้อมูลฝึกสอน ไม่ได้การันตีว่าโมเดลจะทำนายข้อมูลใหม่ (ข้อมูลทดสอบ) ได้ดีเสมอไป อาจเกิดปัญหา overfitting ได้ ซึ่งหมายถึงโมเดลจำรูปแบบของข้อมูลฝึกสอนได้ดีเกินไป จนไม่สามารถนำไปใช้กับข้อมูลที่แตกต่างได้ |
Machine Learning: เป็นสาขาหนึ่งของปัญญาประดิษฐ์ที่เกี่ยวข้องกับการสร้างโมเดลคอมพิวเตอร์ให้เรียนรู้จากข้อมูล โดยไม่ต้องถูกเขียนโปรแกรมโดยตรง
การฝึกสอนโมเดล (Model Training): กระบวนการที่โมเดลเรียนรู้รูปแบบจากข้อมูลที่มีป้ายกำกับ (labeled data) เพื่อนำไปใช้ทำนายข้อมูลใหม่
การประเมินโมเดล (Model Evaluation): กระบวนการวัดประสิทธิภาพของโมเดล โดยใช้ข้อมูลที่โมเดลไม่เคยเห็นมาก่อน (ข้อมูลทดสอบ)
Overfitting: ปัญหาที่เกิดขึ้นเมื่อโมเดลมีความซับซ้อนเกินไป จนจำรูปแบบของข้อมูลฝึกสอนได้ดีเกินไป แต่ไม่สามารถนำไปใช้กับข้อมูลทั่วไปได้ |
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. |
|
ความเปลี่ยนแปลงของโลก: ในปัจจุบัน โลกกำลังเผชิญกับปัญหาสิ่งแวดล้อมที่รุนแรง เช่น ภาวะโลกร้อน มลพิษทางอากาศ และการเปลี่ยนแปลงสภาพภูมิอากาศ การพัฒนาระบบขนส่งจึงต้องคำนึงถึงผลกระทบต่อสิ่งแวดล้อมเป็นหลัก
ความต้องการของสังคม: สังคมมีความต้องการด้านคุณภาพชีวิตที่ดีขึ้น ซึ่งรวมถึงความปลอดภัยในการเดินทางและสิ่งแวดล้อมที่สะอาด การพัฒนาระบบขนส่งแบบหลายรูปแบบจึงต้องตอบสนองความต้องการเหล่านี้
เทคโนโลยีที่ก้าวหน้า: เทคโนโลยีด้านการขนส่งได้พัฒนาไปอย่างรวดเร็ว ทำให้สามารถออกแบบและพัฒนาระบบขนส่งที่ทั้งมีประสิทธิภาพ |
หลักการพัฒนาที่ยั่งยืน (Sustainable Development): เน้นการพัฒนาที่ตอบสนองความต้องการในปัจจุบันโดยไม่กระทบต่อความสามารถของคนรุ่นหลังในการตอบสนองความต้องการของตนเอง
เศรษฐกิจหมุนเวียน (Circular Economy): เน้นการลดการใช้ทรัพยากรธรรมชาติและการนำวัสดุกลับมาใช้ใหม่
การออกแบบเชิงนิเวศ (Eco-design): เน้นการออกแบบผลิตภัณฑ์และกระบวนการผลิตที่เป็นมิตรต่อสิ่งแวดล้อม
การขนส่งสาธารณะ (Public Transportation): เป็นหนึ่งในกลยุทธ์สำคัญในการลดการใช้รถยนต์ส่วนบุคคลและลดมลพิษทางอากาศ |
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. |
|
วิธี FAHP-DEA เป็นการผสมผสานระหว่างสองวิธีการที่แตกต่างกัน แต่เมื่อนำมาใช้ร่วมกัน จะช่วยให้การวิเคราะห์ความเสี่ยงมีความละเอียดและครอบคลุมมากยิ่งขึ้น โดยเฉพาะอย่างยิ่งสำหรับระบบที่ซับซ้อน เช่น ระบบขนส่งแบบหลายรูปแบบ ซึ่งมีปัจจัยที่เกี่ยวข้องมากมาย ทั้งปัจจัยภายในและภายนอก |
Analytic Hierarchy Process (AHP): เป็นวิธีการตัดสินใจเชิงหลายเกณฑ์ที่ใช้ในการจัดลำดับความสำคัญของปัจจัยต่างๆ โดยอาศัยการเปรียบเทียบแบบคู่
Data Envelopment Analysis (DEA): เป็นวิธีการวิเคราะห์ประสิทธิภาพที่ใช้ในการประเมินประสิทธิภาพของหน่วยงานหรือกระบวนการต่างๆ โดยเปรียบเทียบกับหน่วยงานหรือกระบวนการอื่นๆ ที่มีประสิทธิภาพสูงสุด |
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 |
|
กำหนดน้ำหนักความสำคัญของแต่ละเกณฑ์ในแบบจำลองวิเคราะห์ความเสี่ยงเป็นขั้นตอนที่สำคัญ เพราะจะส่งผลต่อการประเมินความเสี่ยงโดยรวม การเลือกใช้น้ำหนักที่เหมาะสมจะช่วยให้สามารถระบุความเสี่ยงที่สำคัญและควรได้รับการจัดการก่อนได้อย่างแม่นยำ |
หลักการของการกำหนดน้ำหนัก: ในการวิเคราะห์ความเสี่ยง การกำหนดน้ำหนักให้กับแต่ละเกณฑ์เป็นวิธีการที่ใช้ในการแสดงความสำคัญสัมพัทธ์ของแต่ละเกณฑ์ โดยน้ำหนักที่กำหนดให้จะบ่งบอกว่าเกณฑ์นั้นมีผลต่อผลลัพธ์โดยรวมมากน้อยเพียงใด
คุณสมบัติของน้ำหนัก: น้ำหนักทั้งหมดของเกณฑ์ทั้งหมดจะต้องรวมกันเป็น 1 เพื่อให้สะท้อนถึงการกระจายน้ำหนักที่สมบูรณ์
การคำนวณน้ำหนักที่เหลือ: เมื่อทราบน้ำหนักของบางส่วนแล้ว สามารถหาค่าของน้ำหนักส่วนที่เหลือได้โดยการนำน้ำหนักทั้งหมดลบด้วยน้ำหนักส่วนที่ทราบค่า |
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 |
|
P (Probability): ความน่าจะเป็นที่เกิดอุบัติเหตุ = 0.2
C (Consequence Severity): ความรุนแรงของผลกระทบ = 0.5
R (Risk): ระดับความเสี่ยง
𝑅 = 𝑃 × 𝐶
0.2 × 0.5 = 0.1 |
ทฤษฎีความน่าจะเป็น (Probability Theory): เป็นพื้นฐานในการคำนวณความเสี่ยง โดยใช้ค่าความน่าจะเป็นในการประเมินโอกาสที่เหตุการณ์จะเกิดขึ้น
การวิเคราะห์ความเสี่ยง (Risk Analysis): เป็นกระบวนการประเมินความเสี่ยงที่เกี่ยวข้องกับการระบุอันตราย การประเมินความน่าจะเป็น และการประเมินผลกระทบ ซึ่งสามารถนำไปใช้ในหลากหลายสาขา เช่น วิศวกรรม การจัดการ และการเงิน |
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 |
|
คำนวณคะแนนความเสี่ยงรวมเป็นวิธีการที่ใช้กันอย่างแพร่หลายในการประเมินความเสี่ยง โดยเฉพาะในด้านการบริหารจัดการโครงการ การลงทุน และการตัดสินใจอื่น ๆ การให้น้ำหนักที่แตกต่างกันกับแต่ละเกณฑ์ช่วยให้สามารถสะท้อนถึงความสำคัญของแต่ละปัจจัยที่มีผลต่อความเสี่ยงได้อย่างแม่นยำยิ่งขึ้น |
การถ่วงน้ำหนัก (Weighted Average): เป็นวิธีการคำนวณค่าเฉลี่ยโดยให้น้ำหนักที่แตกต่างกันกับแต่ละข้อมูล โดยน้ำหนักที่มากขึ้นจะบ่งบอกถึงความสำคัญของข้อมูลนั้นมากขึ้น
การประเมินความเสี่ยง: เป็นกระบวนการประเมินโอกาสและผลกระทบที่อาจเกิดขึ้นจากเหตุการณ์หรือกิจกรรมต่าง ๆ โดยทั่วไปจะใช้การให้คะแนนเพื่อแสดงระดับความเสี่ยง |
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 |
|
𝑅 = 3 × 3 × 0.2 = 1.8 |
𝑅 = 𝑃 × 𝐶 × 𝐷 |
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 |
|
ส่วนที่ความเสี่ยงด้านสิ่งแวดล้อมมีส่วนร่วม = น้ำหนัก × คะแนนความเสี่ยงท้องถิ่น |
เพื่อหาส่วนที่ความเสี่ยงด้านสิ่งแวดล้อมมีส่วนร่วมต่อคะแนนความเสี่ยงโดยรวม เราจะใช้การคูณระหว่างน้ำหนักของความเสี่ยงด้านสิ่งแวดล้อมกับคะแนนความเสี่ยงท้องถิ่นของเส้นทางนั้น
น้ำหนักของความเสี่ยงด้านสิ่งแวดล้อม: 0.061 (เป็นค่าที่กำหนดให้)
คะแนนความเสี่ยงท้องถิ่น: 0.4 (เป็นค่าที่กำหนดให้) |
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 การคำนวณคะแนนความเสี่ยงรวมจำเป็นต้องพิจารณาปัจจัยทั้งหมดที่มีผลต่อความเสี่ยง และน้ำหนักที่กำหนดให้กับแต่ละปัจจัย
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 |
|
คำนวณส่วนแบ่งความเสี่ยงเดิม: 0.073 (น้ำหนักความเสี่ยง) x 0.4 (คะแนนความเสี่ยงเดิม) = 0.0292
คำนวณส่วนแบ่งความเสี่ยงใหม่: 0.073 (น้ำหนักความเสี่ยง) x 0.35 (คะแนนความเสี่ยงใหม่) = 0.02555
คำนวณการเปลี่ยนแปลง: 0.0292 - 0.02555 = 0.00365 |
การวัดความเสี่ยง: เราใช้หลักการคูณน้ำหนักความเสี่ยงด้วยคะแนนความเสี่ยงเพื่อหาส่วนแบ่งความเสี่ยงของแต่ละปัจจัย ซึ่งเป็นวิธีการที่ใช้กันทั่วไปในการประเมินความเสี่ยง
การวิเคราะห์เชิงปริมาณ: เราใช้การคำนวณทางคณิตศาสตร์เพื่อหาคำตอบ ซึ่งเป็นวิธีการที่แม่นยำและเป็นกลาง |
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%
|