การพัฒนาแบบจำลองคลัสเตอร์แบบผสมสำหรับการจัดสรรวัคซีน Covid-19 ในพื้นที่กรุงเทพมหานคร
คำสำคัญ:
การจัดกลุ่มแบบ Partitional Clustering,, การกระจายวัคซีน, Covid-19, K-Means, วิธีจุดศูนย์กลางแรงโน้มถ่วงบทคัดย่อ
จากสถานการณ์การแพร่ระบาดของเชื้อไวรัสโควิด-19 ทั่วโลกส่งผลให้มีจำนวนผู้ติดเชื้อโควิด-19 เพิ่มขึ้นอย่างรวดเร็วและต่อเนื่องโดยเฉพาะในภูมิภาคเอเซียและแปซิฟิก กรุงเทพมหานครเป็นหนึ่งในเมืองหลวงที่ใหญ่ที่สุดในเอเชียตะวันออกเฉียงใต้ที่มีจำนวนผู้ติดเชื้อไวรัสโควิด-19 เพิ่มขึ้นในอัตราที่สูง อีกทั้งจำนวนผู้เสียชีวิตจากการติดเชื้อไวรัสโควิด-19 ยังมีอัตราเพิ่มขึ้นอย่างต่อเนื่อง จากสถานการณ์ดังกล่าวรัฐบาลจึงเร่งดำเนินมาตรการในการลดการแพร่ระบาดของเชื้อไวรัสโควิด-19 โดยการเพิ่มอัตราการฉีดวัคซีนให้กับประชาชนโดยเฉพาะในพื้นที่กรุงเทพมหานครและปริมณฑลซึ่งเป็นพื้นที่ที่มีจำนวนผู้ติดเชื้อสูงสุดในประเทศ อย่างไรก็ดีแม้ว่าจะรัฐบาลจะมีการเตรียมการฉีดวัคซีนให้กับบุคลากรทางการแพทย์ตั้งแต่ช่วงไตรมาสที่ 1 ของปี 2021 แต่ยังพบว่าปัจจุบันการกระจายวัคซีนยังไม่สามารถกระจายให้กับประชาชนทั่วไปได้อย่างทั่วถึง หนึ่งในปัญหาที่สำคัญคือจำนวนวัคซีนไม่เพียงพอ ทำให้การกำหนดจุดให้บริการฉีดวัคซีนให้กับประชาชนทั่วไปยังไม่ครอบคลุมทั่วพื้นที่กรุงเทพมหานครและปริมณฑล ดังนั้นงานวิจัยนี้จึงมีแนวคิดในการพัฒนาแบบจำลองคลัสเตอร์แบบผสมโดยการผสมผสานระหว่างแนวคิดการจัดกลุ่มแบบ Partitional Clustering และวิธีจุดศูนย์กลางแรงโน้มถ่วง เพื่อวิเคราะห์หาจุดที่เหมาะสมสำหรับการจัดสรรวัคซีนโควิด-19 ให้กับประชาชนทั่วไป โดยงานวิจัยนี้ได้เลือกจังหวัดกรุงเทพมหานครเป็นกรณีศึกษาในครั้งนี้
ผลการวิเคราะห์พบว่าเทคนิคในการจัดกลุ่มด้วย วิธี K-mean มีประสิทธิภาพกว่าดีกว่าวิธีอื่นๆ เมื่อพิจารณาจากค่า silhouette จากการใช้วิธี K-Means ในการพัฒนาแบบจำลองพบว่า แบบจำลองแนะนำให้เพิ่มจำนวนศูนย์ฉีดวัคซีนเพิ่มในบางพื้นที่ของกรุงเทพมหานครอีกจำนวน 6 แห่ง จากเดิมที่รัฐบาลได้มีการกำหนดจุดฉีดวัคซีนไว้แล้วจำนวน 25 แห่ง รวมเป็น 31 แห่ง ซึ่งสามารถให้บริการฉีดวัคซีนให้กับประชาชนได้ครอบคลุมพื้นที่กรุงเทพมหานคร ซึ่งแนวคิดในการวิเคราะห์การกำหนดจุดฉีดวัคซีนของกรุงเทพมหานครในครั้งนี้นี้สามารถนำใช้เป็นแนวทางในการวิเคราะห์จุดที่เหมาะสมในการจัดสรรวัคซีนโควิด-19 ในพื้นที่อื่นๆได้
References
Apipratchayasakul, K. (2010). Inventory Management (1st ed.). Focus Media And Publishing Company LTD. http://lib.neu.ac.th/ULIB/dublin.php?ID=16126
Banerjee, A., & Rajesh N., D. (2004). Validating clusters using the Hopkins statistic. 2004 IEEE International Conference on Fuzzy Systems (IEEE Cat. No.04CH37542), 149–153. https://doi.org/10.1109/FUZZY.2004.1375706
Bangkok, S. (2020). Bangkok 2020 Statistics. http://www.bangkok.go.th/upload/user/00000130/BMA_STATISTICS 2563/ebook 63.pdf
Cadavid, J. P. U., Lamouri, S., Grabot, B., & Fortin, A. (2019). Machine Learning in Production Planning and Control : A Review of Empirical Literature. IFAC-PapersOnLine 52, 13, 385–390.
Cao, J., Li, Z., & Li, J. (2019). Financial time series forecasting model based on CEEMDAN and LSTM. Physica A: Statistical Mechanics and Its Applications, 519, 127–139. https://doi.org/10.1016/j.physa.2018.11.061
Chaiyawong, K. (2017). A guideline for selecting the location of super store [Thammasat University]. http://ethesisarchive.library.tu.ac.th/thesis/2017/TU_2017_5716033187_3158_8131.pdf
Chang, H. wen, Tai, Y. chin, & Hsu, J. Y. jen. (2009). Context-aware taxi demand hotspots prediction. International Journal of Business Intelligence and Data Mining, 5(1), 3. https://doi.org/10.1504/ijbidm.2010.030296
Davahli, M. R., Karwowski, W., & Fiok, K. (2021). Optimizing COVID-19 vaccine distribution across the United States using deterministic and stochastic recurrent neural networks. PLoS ONE, 16(7 July), 1–14. https://doi.org/10.1371/journal.pone.0253925
Department of Disease Control, M. (2021). Covid-19 statistic Thailand. https://ddc.moph.go.th/
Dong, E., Du, H., & Gardner, L. (2020). An interactive web-based dashboard to track COVID-19 in real time. Lancet Inf Dis. https://doi.org/10.1016/S1473-3099(20)30120-1
Dzimińska, P., Drzewiecki, S., Ruman, M., Kosek, K., Mikołajewski, K., & Licznar, P. (2021). The use of cluster analysis to evaluate the impact of covid-19 pandemic on daily water demand patterns. Sustainability (Switzerland), 13(11). https://doi.org/10.3390/su13115772
Flynt, A., & Dean, N. (2016). A Survey of Popular R Packages for Cluster Analysis. Journal of Educational and Behavioral Statistics, 41(2), 205–225. https://doi.org/10.3102/1076998616631743
Guhathakurata, S., Saha, S., Kundu, S., Chakraborty, A., & Banerjee, J. S. (2021). South Asian countries are less fatal concerning COVID-19: a hybrid approach using machine learning and M-AHP. In Computational Intelligence Techniques for combating COVID-19 (pp. 1–26). Springer, Cham.
Gunawardena, T. (2016). Algorithms : Clustering. https://www.slideshare.net/tilanigunawardena/hierachical-clustering?from_action=save
Hannah, R., Esteban, O.-O., Diana, B., Edouard, M., Joe, H., Bobbie, M., Charlie, G., Cameron, A., Lucas, R.-G., & Max, R. (2020). Coronavirus Pandemic (COVID-19). OurWorldInData.Org. https://ourworldindata.org/coronavirus
Kantasa-Ard, A., Nouiri, M., Bekrar, A., Ait El Cadi, A., & Sallez, Y. (2019). Dynamic clustering of PI-hubs based on forecasting demand in physical internet context. In Studies in Computational Intelligence (Vol. 853, pp. 27–39). Springer Verlag. https://doi.org/10.1007/978-3-030-27477-1_3
Kassambara, A. (2018). Type of clustering methods: overview and quick start R code. https://www.datanovia.com/en/blog/types-of-clustering-methods-overview-and-quick-start-r-code/
MacQueen, J. (1967). Some Methods for classification and Analysis of Multivariate Observations. 5th Berkeley Symposium on Mathematical Statistics and Probability 1967. https://doi.org/citeulike-article-id:6083430
Malika, C., Nadia, G., Boiteau, V., & Niknafs, A. (2014). NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set. Journal of Statistical Software, 61(6), 1–36. http://www.jstatsoft.org/v61/i06/paper
Mitra, R., Moore, S. A., Gillespie, M., Faulkner, G., Vanderloo, L. M., Chulak-Bozzer, T., Rhodes, R. E., Brussoni, M., & Tremblay, M. S. (2020). Healthy movement behaviours in children and youth during the COVID-19 pandemic: Exploring the role of the neighbourhood environment. Health and Place, 65(August), 102418. https://doi.org/10.1016/j.healthplace.2020.102418
Murray, P. W., Agard, B., & Barajas, M. A. (2015). Forecasting supply chain demand by clustering customers. IFAC-PapersOnLine, 28(3), 1834–1839. https://doi.org/10.1016/j.ifacol.2015.06.353
Nananukul, N. (2013). Clustering model and algorithm for production inventory and distribution problem. Applied Mathematical Modelling, 37(24), 9846–9857. https://doi.org/10.1016/j.apm.2013.05.029
Panyasan, C., & Klankamsorn, S. (2012). Site Selection of Automotive Changing Tire Center in Bangkok and Metropolitan. IE Network Conference, 489–491. http://www.dms.eng.su.ac.th/filebox/FileData/WPS012.pdf
Pluempirom, J., & Ngamsaard, W. (2020). Feasibility Study and Finding a Suitable Location for Frozen Food Distribution Center Investment Project: A Case Study of XYZ Company Limited. The 15th RSU National Graduate Research Conference, 1145–1156.
Simić, S., Banković, Z., Simić, D., & Simić, S. D. (2018). A Hybrid Clustering Approach for Diagnosing Medical Diseases. Hybrid Artificial Intelligent Systems, 10870, 741–752. https://doi.org/https://doi.org/10.1007/978-3-319-92639-1_62
Simić, S., Banković, Z., Villar, J. R., Simić, D., & Simić, S. D. (2021). A hybrid fuzzy clustering approach for diagnosing primary headache disorder. Logic Journal of the IGPL, 29(2), 220–235. https://doi.org/10.1093/jigpal/jzaa048
Siriliang, P., & Jarupan, P. (2019). Selection of Location for Good Transportation Case Study of Delivery Service Company for Consumer Goods [King Mongkut’s University of Technology North Bangkok]. http://mhle.eng.kmutnb.ac.th/upload/student-abstract/d0147d95ff96ec10f1f3b59c77b9e43b.pdf
Zhang, G. P., & Qi, M. (2005). Neural network forecasting for seasonal and trend time series. European Journal of Operational Research, 160(2), 501–514. https://doi.org/10.1016/j.ejor.2003.08.037
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
- เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารกฎหมายและนโยบายสาธารณสุข ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
- บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารกฎหมายและนโยบายสาธารณสุข ถือเป็นลิขสิทธิ์ของวารสารฯ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องอ้างอิงเสมอ
