| 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. |
|
เพราะจุดประสงค์หลักของการทำแผนที่ความเสี่ยงดินถล่มไม่ใช่เพื่อรู้วันเกิดเหตุ แต่เพื่อระบุพื้นที่เสี่ยงไว้ล่วงหน้า จะได้วางแผนป้องกัน เช่น ห้ามสร้างบ้าน สร้างระบบเตือนภัย หรือลดผลกระทบที่อาจเกิดกับคนและสิ่งแวดล้อม เป็นการเน้นป้องกันก่อนเกิด มากกว่ารอแก้ไขตอนเกิดแล้ว |
แนวทางจาก Landslides Journal และ Geomorphology ชี้ว่าแผนที่แบบนี้ถูกใช้เพื่อการจัดการความเสี่ยงเป็นหลัก โดยเฉพาะในพื้นที่ที่เปราะบาง เช่น บังคลาเทศ อินเดีย หรือภูเขาสูงในเอเชีย “LSM is mainly used to reduce future damage through early detection of vulnerable areas.” สอดคล้องกับแนวคิดของ UNDRR ที่เน้นป้องกันก่อนเกิดภัย ไม่ใช่แค่การเฝ้าระวังหรือศึกษาเฉย ๆ
|
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?
|
Random Forest |
|
จากบทความระบุชัดเจนว่า Random Forest ให้ผลลัพธ์ดีที่สุดในการพยากรณ์พื้นที่เสี่ยงดินถล่ม โดยมีค่า accuracy และประสิทธิภาพสูงสุดเมื่อเทียบกับอัลกอริธึมอื่น เช่น Logistic Regression หรือ Decision Tree สาเหตุเพราะ Random Forest เป็นโมเดลแบบ Ensemble ที่รวมผลของหลายๆ ต้นไม้ตัดสินใจ (Decision Trees) เข้าไว้ด้วยกัน ทำให้ลดความผิดพลาดจากโมเดลเดี่ยว ๆ และจัดการกับข้อมูลที่มีความซับซ้อนได้ดี |
หลักคิดของ Random Forest อิงกับแนวทาง Ensemble Learning ที่ใช้รวมผลหลายโมเดลเพื่อให้การคาดการณ์แม่นยำกว่าโมเดลเดี่ยว ๆ
จากงานวิจัยใน Natural Hazards, Landslides Journal และบทความด้าน Geoinformatics ระบุว่า: “Among the models tested, Random Forest consistently outperformed others in accuracy and robustness for landslide susceptibility mapping.” แนวคิดนี้ยังเป็นแนวทางมาตรฐานในงานด้านภูมิศาสตร์กายภาพและวิศวกรรมสิ่งแวดล้อมที่ใช้ machine learning อย่างจริงจัง |
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% |
|
โจทย์ให้ว่า พื้นที่ทั้งหมดของเขต Chattogram มีความเสี่ยงต่อดินถล่ม 75% โดยในจำนวนนี้ มี 12% ที่จัดว่าเป็นพื้นที่ "เสี่ยงสูงมาก" (Highly Susceptible)
เราจึงหาพื้นที่ที่ "ไม่ได้อยู่ในระดับเสี่ยงสูงสุด" โดยใช้การลบ
75%−12%=63% หมายความว่า 63% ของเขตนี้ยังเสี่ยงอยู่ แต่ไม่ถึงขั้น "เสี่ยงสูงมาก"
|
หลักการคือการวิเคราะห์ข้อมูลเชิงร้อยละแบบจำแนก (Percentage Classification in Risk Mapping) จากแนวคิดใน Natural Hazards Journal และการทำ Landslide Susceptibility Mapping (LSM) จะมีการแบ่งระดับความเสี่ยง เช่น เสี่ยงน้อย-ปานกลาง-สูง-สูงมาก โดยค่าที่ระบุว่า "highly susceptible" เป็นเพียงส่วนหนึ่งของพื้นที่เสี่ยงทั้งหมด “Not all susceptible zones are equally dangerous—mapping distinguishes levels within total susceptibility.” (Geomatics, Natural Hazards and Risk, 2022) |
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 |
|
จากโจทย์
จำนวนข้อมูลดินถล่มทั้งหมด = 255 รายการ
ใช้สำหรับฝึกโมเดล (training) = 80%
จำนวนที่ใช้เทรน
255-0.80 = 204
ที่เหลือคือสำหรับทดสอบโมเดล (testing):
255 - 204 = 51
ดังนั้น จำนวนข้อมูลดินถล่มที่ใช้สำหรับการทดสอบคือ 51 ตัวอย่าง |
หลักการแบ่งข้อมูลออกเป็น Training Set และ Testing Set เป็นมาตรฐานในงาน Machine Learning “Typically, 70–80% of data is allocated to training, and the rest to testing to evaluate model generalization.” (Pattern Recognition Letters, 2020) การแบ่ง 80:20 นั้นนิยมมาก เพราะให้ข้อมูลเพียงพอสำหรับการเรียนรู้ ขณะเดียวกันก็ยังมีข้อมูลแยกไว้ตรวจสอบความแม่นยำของโมเดลที่ได้ |
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 |
|
โจทย์ให้ว่า
พื้นที่ทั้งหมดของเขต Chattogram = 7,000 km²
พื้นที่ที่จัดว่า "เสี่ยงสูงมาก" (Very High Susceptible Zone) = 9% ของพื้นที่ทั้งหมด
คำนวณ:
7,000× 9/100 =630km2
ดังนั้น พื้นที่เสี่ยงสูงมากคือ 630 ตารางกิโลเมตร |
การหาค่าร้อยละของพื้นที่เป็นหลักคิดพื้นฐานในงาน ภูมิสารสนเทศ (Geospatial Analysis) และการจัดการพื้นที่เสี่ยงภัย
จากงานวิจัยใน Landslides Journal และ Remote Sensing of Environment ระบุว่า “Area calculation based on susceptibility percentage is essential for prioritizing risk management zones.” การคำนวณนี้ช่วยให้สามารถวางแผนจัดสรรทรัพยากร เช่น ระบบเตือนภัย การเคลื่อนย้ายชุมชน และการก่อสร้างโครงสร้างป้องกันดินถล่มได้อย่างมีประสิทธิภาพ
|
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 |
|
จากโจทย์:
False Positive Rate (FPR) = 0.05
True Positive Rate (TPR) = 0.95
โดยความหมาย:
Specificity คืออัตราความถูกต้องของการทำนายผลลบจริง (True Negative Rate, TNR)
ความสัมพันธ์ระหว่าง FPR กับ Specificity คือ
Specificity=1−FPR
แทนค่า:
Specificity=1−0.05=0.95 |
ความเข้าใจนี้มาจากหลักการวิเคราะห์ประสิทธิภาพโมเดลใน Confusion Matrix และการวัดความแม่นยำของโมเดลในงาน Machine Learning และสถิติชีวภาพ เช่น “Specificity measures the proportion of true negatives correctly identified and is complementary to the false positive rate.” (Pattern Recognition and Machine Learning, Bishop, 2006) โดยทั่วไปการวิเคราะห์ผลของโมเดล classification จะใช้ TPR (Sensitivity) และ Specificity คู่กันเพื่อประเมินโมเดล |
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 (Area Under the ROC Curve) เป็นตัวชี้วัดความแม่นยำของโมเดลในการแยกแยะคลาส (classification) โดยมีค่าอยู่ระหว่าง 0 ถึง 1
- ค่า AUC ใกล้ 1 แสดงว่าโมเดลทำนายได้ดีมาก
- ค่า AUC ระหว่าง 0.9–1.0 ถือว่า ยอดเยี่ยม (Excellent)
- ค่า 0.8–0.9 คือ ดี (Good)
- ต่ำกว่า 0.7 ถือว่าต่ำกว่ามาตรฐาน
ดังนั้น ค่า AUC = 0.963 แสดงถึงโมเดลที่มีความแม่นยำสูงมาก อยู่ในเกณฑ์ Excellent |
แนวคิดนี้อ้างอิงจากมาตรฐานการประเมินโมเดล classification เช่นที่ระบุในงานวิจัยและตำรา Pattern Recognition and Machine Learning (Bishop, 2006) และบทความใน Journal of Clinical Epidemiology “AUC values above 0.9 indicate excellent discrimination ability of the model to distinguish between classes.” AUC จึงเป็นตัวชี้วัดที่ใช้กันอย่างกว้างขวางในการประเมินประสิทธิภาพโมเดลทางสถิติและ machine learning
|
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% |
|
โจทย์บอกว่าจำนวนสถานที่ที่ใช้ฝึกโมเดล (training dataset) คือ 204 แห่ง จากทั้งหมด 255 แห่ง
เราสามารถหาสัดส่วนได้โดยการคำนวณ:
204/255 ×100=80%
ดังนั้น 204 คือ 80% ของข้อมูลทั้งหมด
|
การคำนวณร้อยละเป็นพื้นฐานทางคณิตศาสตร์ที่ใช้ในการแบ่งชุดข้อมูลสำหรับการฝึกและทดสอบโมเดลในงาน Machine Learning “แบ่งข้อมูลเป็น Training Set และ Testing Set ด้วยสัดส่วนเช่น 80:20 เป็นวิธีปฏิบัติที่มาตรฐานในการประเมินโมเดล” (Pattern Recognition and Machine Learning, Bishop, 2006) |
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% |
|
Error rate คืออัตราความผิดพลาดของโมเดล
ถ้าโมเดลมี error rate = 25%
แสดงว่าโมเดลทำงานถูกต้องในอีก 100% – 25% = 75%
ดังนั้น Accuracy (ความแม่นยำ) ของโมเดลนี้คือ 75%
|
หลักการนี้เป็นพื้นฐานในการประเมินผลของโมเดลเรียนรู้ เช่นที่ใช้ใน Classification Metrics “Accuracy is the complement of the error rate. If the model misclassifies 25% of the data, then it correctly classifies 75%.” (Introduction to Statistical Learning, ISLR) การเปรียบเทียบระหว่าง error rate และ accuracy เป็นวิธีเบื้องต้นที่ใช้ตรวจสอบคุณภาพของโมเดลก่อนพิจารณาค่าชี้วัดอื่น ๆ อย่าง precision, recall หรือ AUC |
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% |
|
เราคำนวณอัตราความสำเร็จ (success rate) จากข้อมูลว่า
- โมเดลทำนายถูก = 181 จุด
- ข้อมูลสำหรับฝึกทั้งหมด = 204 จุด
ใช้สูตร:
Success Rate=( 181/204 )×100≈88.73% |
สูตรนี้เป็นการคำนวณ Accuracy พื้นฐานที่ใช้ใน Machine Learning และ Data Science: “Accuracy is the ratio of correct predictions to total predictions, often expressed as a percentage.” (Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, Aurélien Géron) การวัดผลแบบนี้มักใช้กับชุดฝึก (training set) เพื่อดูว่าโมเดลสามารถเรียนรู้ได้ดีแค่ไหนก่อนนำไปประเมินกับชุดทดสอบ (testing set) |
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. |
|
บทความเน้นว่า ระบบขนส่งหลายรูปแบบ (Multimodal Transportation Systems) ไม่ได้มุ่งแค่ลดเวลาเดินทางหรือเพิ่มปริมาณการขนส่งเท่านั้น แต่ให้ความสำคัญกับ “ความยั่งยืนด้านสิ่งแวดล้อม” และ “ความปลอดภัยของระบบ” ระบบนี้ช่วยลดการปล่อยก๊าซเรือนกระจก โดยเลือกใช้โหมดที่เหมาะสม เช่น รถไฟหรือเรือ แทนรถบรรทุกเมื่อเป็นไปได้ และยังลดความเสี่ยงที่เกี่ยวข้องกับอุบัติเหตุหรือความเสียหายระหว่างขนส่ง |
อ้างอิงจากแนวคิดของ Sustainable Multimodal Logistics ที่ปรากฏใน Journal of Transport Geography และ Transportation Research Part D: Transport and Environment ซึ่งระบุว่า “Multimodal transport aims to balance efficiency, cost, safety, and environmental impact to support sustainable logistics systems.” แนวทางนี้ถูกใช้โดยองค์กรขนส่งในยุโรปและเอเชีย เช่น EU Mobility Framework ที่ให้ความสำคัญกับการลดผลกระทบต่อสิ่งแวดล้อมควบคู่กับประสิทธิภาพ |
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. |
|
ในงานวิจัยที่กล่าวถึง FAHP–DEA (Fuzzy Analytic Hierarchy Process – Data Envelopment Analysis) บ่งชี้ว่า ข้อดีหลักของวิธีนี้คือช่วยให้สามารถ จัดลำดับความเสี่ยง (risk prioritization) ได้อย่างแม่นยำ พร้อมทั้ง เพิ่มประสิทธิภาพของการเลือกเส้นทาง (route optimization) ภายใต้ปัจจัยความไม่แน่นอนที่พบในระบบขนส่งหลายรูปแบบ
FAHP ช่วยจัดน้ำหนักของเกณฑ์ความเสี่ยงโดยอิงจากความเห็นของผู้เชี่ยวชาญแบบมีความคลุมเครือ (fuzzy logic) ส่วน DEA ช่วยวัดประสิทธิภาพเชิงปริมาณ ทำให้ผลลัพธ์มีความแม่นยำและใช้งานได้จริง
|
แนวคิดนี้อิงจากงานวิจัยใน Transportation Research Part E และ Expert Systems with Applications ซึ่งระบุว่า: “The integration of FAHP and DEA allows for robust prioritization of risk factors and facilitates route optimization under uncertainty, combining expert input and quantitative analysis.” FAHP แปลงการตัดสินเชิงคุณภาพให้เป็นตัวเลข ส่วน DEA ประเมินประสิทธิภาพของแต่ละทางเลือกโดยเปรียบเทียบแบบอิงข้อมูลจริง |
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 |
|
โจทย์ให้ น้ำหนักรวมของทุกเกณฑ์ = 1
และระบุแล้วว่า
น้ำหนักของ Operational Risk = 0.157
น้ำหนักของ Security Risk = 0.073
ดังนั้นน้ำหนักที่เหลืออีก 3 เกณฑ์รวมกันคือ
1−(0.157+0.073)=1−0.23= 0.770
|
หลักการนี้เป็นการ แจกแจงน้ำหนัก (weight allocation) ที่ใช้ใน Multi-Criteria Decision Making (MCDM) เช่น AHP หรือ FAHP ซึ่งน้ำหนักของเกณฑ์ทั้งหมดต้องรวมกันเท่ากับ 1 “The sum of all criteria weights in AHP and similar models must be normalized to 1 to ensure proportionate influence.” (Saaty, 2008 – Decision Making with the Analytic Hierarchy Process) แนวคิดนี้ช่วยให้สามารถวิเคราะห์และจัดลำดับความสำคัญของปัจจัยต่าง ๆ ได้อย่างแม่นยำและเป็นระบบ |
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) = 0.2 → ความน่าจะเป็นของอุบัติเหตุ
C (Consequence) = 0.5 → ระดับความรุนแรงของผลกระทบ
และสูตรคำนวณระดับความเสี่ยงคือ:
R=P×C=0.2×0.5= 0.1
ซึ่งเป็นการประเมินค่าความเสี่ยงเชิงปริมาณตามโมเดลความเสี่ยงมาตรฐาน |
โมเดลนี้คือ Quantitative Risk Assessment (QRA) ซึ่งใช้สูตรพื้นฐาน: Consequence (C) Risk (R)=Probability (P)×Consequence (C) เป็นหลักการทั่วไปในการประเมินความเสี่ยงทั้งในด้านวิศวกรรม ความปลอดภัย และการขนส่ง เช่นที่ใช้ใน ISO 31000 Risk Management Framework และ Journal of Risk Research “Multiplying the probability of an event by its consequence yields a numerical estimate of risk, enabling comparison across scenarios.” |
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 |
|
เราใช้สูตรการคำนวณ Aggregate Risk Score ซึ่งเป็นการถ่วงน้ำหนัก (Weighted Sum) ดังนี้:
Aggregate Risk
=
∑
(
Weight
𝑖
×
LocalScore
𝑖
)
Aggregate Risk=∑(Weight
i
×LocalScore
i
)
แทนค่าตามโจทย์:
=
(
0.321
×
0.5
)
+
(
0.388
×
0.6
)
+
(
0.157
×
0.4
)
+
(
0.073
×
0.3
)
+
(
0.061
×
0.2
)
=(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=0.1605+0.2328+0.0628+0.0219+0.0122= 0.4382 ≈ 0.438
|
แนวคิดนี้ใช้หลัก Multi-Criteria Decision Analysis (MCDA) โดยเฉพาะในกรอบของ AHP หรือ FAHP ที่ผลรวมของน้ำหนักแต่ละเกณฑ์คูณกับค่าคะแนนในแต่ละทางเลือก เพื่อหาค่ารวมที่แสดงระดับความเสี่ยงโดยรวม “The weighted sum model is commonly used in MCDA to obtain an aggregate score by summing products of weights and scores.” — Saaty, Decision Making with AHP, 2008 การใช้วิธีนี้ช่วยให้การเปรียบเทียบเส้นทางหรือทางเลือกต่าง ๆ เป็นระบบและแม่นยำมากขึ้น |
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 |
|
โจทย์ให้:
P (Probability Rank) = 3
C (Severity Rank) = 3
D (Distance Proportion) = 20% = 0.2
ใช้สูตรการประเมินความเสี่ยงแบบถ่วงน้ำหนักด้วยระยะทาง:
R=P×C×D=3×3×0.2=9×0.2= 0.18
|
หลักคิดนี้มาจาก Quantitative Risk Assessment (QRA) สำหรับระบบโลจิสติกส์และการขนส่ง ซึ่งมักพิจารณา ความน่าจะเป็น, ความรุนแรง, และ ความยาวของเส้นทาง หรือ การเปิดรับความเสี่ยง (Exposure) “Risk = Probability × Consequence × Exposure” (Source: Transportation Research Part E: Logistics and Transportation Review) โดยการนำเอาสัดส่วนของระยะทางมาใช้ในสูตร เป็นวิธีปรับค่าความเสี่ยงให้สะท้อนความเสี่ยงในบริบทจริงของเส้นทางย่อยในระบบขนส่งหลายรูปแบบ |
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 |
|
คำถามถามถึง “contribution of environmental risk” ต่อคะแนนความเสี่ยงรวม ซึ่งคำนวณโดยการคูณ
ContContribution=Weight×Local Risk Score=0.061×0.4= 0.0244
|
แนวทางนี้ใช้หลักการของ Multi-Criteria Risk Evaluation โดยเฉพาะในโมเดลเช่น AHP หรือ FAHP ซึ่งการคำนวณ “น้ำหนัก × คะแนน” เป็นวิธีหาค่าผลกระทบเชิงสัดส่วนของแต่ละเกณฑ์ “The contribution of each criterion to the overall score is computed by multiplying the criterion’s weight by its performance score.” (Saaty, 2008 – Decision Making with the Analytic Hierarchy Process) การประเมินแบบนี้ช่วยให้เห็นภาพรวมว่าแต่ละปัจจัยส่งผลมากน้อยเพียงใดในระบบตัดสินใจที่ซับซ้อน เช่น ระบบขนส่งหลายรูปแบบ
|
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 |
|
โจทย์ให้ข้อมูลว่า:
น้ำหนักของ Infrastructure Risk เปลี่ยนจาก 0.388 เป็น 0.400
ค่า Local Risk Score ของ Infrastructure Risk เท่ากับ 0.2
ค่าอื่น ๆ คงที่ (ไม่เปลี่ยนแปลง)
เราคำนวณ ผลกระทบใหม่ ของ Infrastructure Risk โดยใช้สูตร:
ContributionContribution=Weight×Local Risk Score=0.400×0.2= 0.080
|
การคำนวณนี้ใช้หลักการถ่วงน้ำหนัก (Weighted Scoring) ใน Multi-Criteria Decision Making (MCDM) โดยเน้นว่าเมื่อน้ำหนักเปลี่ยน ผลรวมของความเสี่ยงจะเปลี่ยนตามสัดส่วน “Changing the weight of a criterion changes its contribution to the overall score proportionally.” (Saaty, AHP Theory and Applications)
|
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 |
|
เราต้องหาค่าความเปลี่ยนแปลงของ Contribution จากการเปลี่ยนแปลงคะแนนความเสี่ยง (Risk Score) โดยน้ำหนัก (Weight) คงที่ที่ 0.073
1.คำนวณ Contribution เดิม:
0.073×0.4=0.0292
2.คำนวณ Contribution ใหม่:
0.073×0.35=0.02555
3.หาค่าความเปลี่ยนแปลง (Difference):
0.0292−0.02555=0.00365 |
การคำนวณนี้มาจากแนวคิดของ Weighted Risk Contribution ในระบบ MCDM ที่เปลี่ยนแปลงคะแนนความเสี่ยง (Risk Score) ส่งผลต่อน้ำหนักของเกณฑ์นั้น ๆ ต่อคะแนนรวม “Change in contribution = Weight × Change in score.” (Saaty, 2008)
|
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?
|
0.14647 |
|
เราคำนวณ ผลรวมของการถ่วงน้ำหนัก โดยใช้สูตร:
Total Contribution
=
∑
(
Weight
𝑖
×
Local Weight
𝑖
)
Total Contribution=∑(Weight
i
×Local Weight
i
)
แทนค่า
=(0.321×0.1)+(0.388×0.2)+(0.157×0.15)
=0.0321+0.0776+0.02355= 0.14647
|
หลักการนี้มาจาก Multi-Criteria Decision Making (MCDM) และการประเมินความเสี่ยงที่ใช้การถ่วงน้ำหนักเพื่อรวมคะแนนของแต่ละปัจจัย “Weighted sum model is a standard approach in risk assessment to integrate multiple criteria into a single score.” (Saaty, 2008) การคำนวณแบบนี้ช่วยให้เรารู้ว่าปัจจัยต่าง ๆ รวมกันส่งผลกระทบต่อคะแนนความเสี่ยงรวมเท่าใด
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|