Coal is a fossil fuel mineral, which is presently a major source of electricity and energy to industries. From past to present, there are many coal reserves around the world and large scale coal mining operates in various areas such as the USA, Russia, China, Australia, India, and Germany, etc. Thailand’s coal resources can be found in many areas; there are lignite mining in the north of Thailand, the currently operational Mae Moh Lignite Mine, and also coal reserves in the south of Thailand, such as Krabi and Songkhla, where mines are not yet operating. The main consumption of coal is in electricity production, which increases annually. In 2019, the Thai Government and Electricity Generating Authority of Thailand (EGAT) plans to run a 800 MW coal power plant at Krabi, which may run on imported coal, despite there being reserves of lignite at Krabi; the use of domestic coal is a last option because of social and environmental concerns about the effects of coal mining. There is a modern trend in mining projects, the responsibility of mining should cover not only the mining activity, but the social and environmental protection and mine closure activities which follow. Thus, the costs and decisions taken on by the mining company are increasingly complicated. To reach a decision on investment in a mining project is not easy; it is a complex process in which all variables are connected. Particularly, the responsibility of coal mining companies to society and the environment is a new topic. Thus, a tool to help to recognize and generate information for decision making is in demand and very important. In this thesis, the system dynamics model of coal mine planning is made by using Vensim Software and specifically designed to encompass many variables during the period of mining activity until the mine closure period. The decisions use economic criteria such as Net Present Value (NPV), Net Cash Flow (NCF), Payback Period (PP), and Internal Rate of Return (IRR), etc. Consequently, the development of the decision support system of coal mine planning as a tool is proposed. The model structure covers the coal mining area from mine reserves to mine closure. It is a fast and flexible tool to perform sensitivity analysis, and to determine an optimum solution. The model results are clear and easily understandable on whether to accept or reject the coal mine project, which helps coal mining companies make the right decisions on their policies, economics, and the planning of new coal mining projects. Furthermore, the model is used to analyse the case study of the Krabi coal-fired power plant in Thailand, which may possibly use the domestic lignite at Krabi. The scenario simulations clearly show some potential for the use of the domestic lignite. However, the detailed analysis of the Krabi Lignite Mine Project case shows the high possible risks of this project, and that this project is currently not feasible. Thus, the model helps to understand and confirm that the use of domestic lignite in Krabi for the Krabi Coal Power Plant Project is not suitable at this time. Therefore, the best choice is imported coal from other countries for supporting the Krabi Coal Power Plant Project. Finally, this tool successfully is a portable application software, which does not need to be installed on a computer, but can run directly in a folder of the existing application. Furthermore, it supports all versions of Windows OS.

Die vorliegende Arbeit beschreibt ein wissensbasiertes Decision Support System (DSS) zur Analyse von Wirkungsbeziehungen in einem betriebswirtschaftlichen Umfeld, um die Ursachen von beobachteten Wirkungen zu verstehen und dadurch eine Unterstützung in Entscheidungssituationen zu ermöglichen. Die Umweltbedingungen einer Entscheidungssituation werden während der Analyse berücksichtigt, sodass die Unterstützung auf die jeweilige Situation angepasst ist. Den Kern des Konzeptes stellen eine Wissensbasis sowie eine Ablaufsteuerung zur situativen Auswertung der Wissensbasis dar. Die Wissensbasis speichert Wirkungsbeziehungen zwischen Elementen in Form eines semantischen Netzes. Ein Element besitzt zudem Metainformationen über interne und externe, beliebig strukturierte Daten zur situativen Validierung der Wirkungsbeziehungen. Ebenfalls können Zeitverzögerungen bei Wirkungsbeziehungen berücksichtigt werden. Die Ablaufsteuerung verarbeitet das gespeicherte Wissen aus der Wissensbasis zur situativen Entscheidungsunterstützung in drei aufeinander aufbauenden Phasen. Die Initialisierungsphase dient der Eingabe einer Entscheidungssituation ins System sowie dem Matching der Entscheidungssituation mit Elementen der Wissensbasis. Die Explorationsphase durchsucht die Wissensbasis anhand der Wirkungsbeziehungen nach potenziell relevanten Elementen für die Entscheidungssituation und validiert diese mit statistischen Methoden, indem die Daten der potenziell relevanten Elemente anhand der Metainformationen abgerufen und mit geeigneten Methoden ausgewertet werden. Die Evaluationsphase ermöglicht es dem Anwender, die Ergebnisse zu überprüfen und optional die Wissensbasis anzupassen. Zur Evaluation des Konzeptes erfolgt eine prototypische Implementierung sowie deren empirische Evaluation mit einem Laborexperiment. Auf Basis des Aufgabe-Technologie-Fit-Modells wird eine bessere Eignung des Prototyps im Vergleich zu einer am Markt etablierten DSS-Software ohne automatisierte Analysen von Wirkungsbeziehungen nachgewiesen.

Prädiktive Modelle sind hilfreiche Mittel zur quantitativen Entscheidungsunterstützung von modernen Unternehmen. Jedoch gibt es in vielen Fällen statistische Probleme in den genutzten Daten, die eine wirkungsvolle Anwendung prädiktiver Modelle zur Entscheidungsunterstützung verhindern. In dieser Doktorarbeit werden solche häufig auftretenden statistischen Probleme analysiert und statistische Methoden werden vorgestellt, mit denen man diese Probleme überwinden und damit prädiktive Modellierung und Entscheidungsunterstützung wirkungsvoll machen kann. Der erste Teil der Arbeit behandelt das Problem von "Concept Drift" in Google Trends Zeitreihen. Die Doktorarbeit bietet eine empirische Analyse des Problems und einen Ansatz um die Daten zu bereinigen. Für den speziellen Anwendungsfall der Tourismusnachfragevorhersage in Deutschland demonstriert die Arbeit empirisch den Nutzen der Bereinigungsmethode. Der zweite Teil der Arbeit setzt sich mit Experimenten und Modellen zur Schätzung von heterogenen Behandlungseffekten von Individuen auseinander. In solchen Anwendungen stellt Rauschen (Noise) in den Daten eine statistische Herausforderung dar, die zu einer hohen benötigten Fallzahl im Experiment und unerwarteten negativen Folgen bei der anschließenden selektiven Vergabe der Behandlung führen kann. Um diese Probleme zu überwinden entwickelt die Arbeit Methoden um Experimente mit einer kleineren Fallzahl durchzuführen, ohne Einbußen in der Qualität der Ergebnisse zu erleiden. Darüber hinaus analysiert die Arbeit die potenziell negativen Folgen von Noise auf die selektive Behandlungsvergabe und schlägt Ideen vor, wie man diese verhindern kann. / Predictive models are useful methods for quantitative decision support in contemporary business. However, often there are statistical problems in the data sets, hindering effective predictive modeling and decision support. This thesis analyzes such frequently occurring statistical problems and provides statistical approaches to overcome them and thereby enable efficient predictive modeling and decision support. The first part of the thesis focuses on concept drift in Google Trends time series data. The thesis provides an empirical analysis of the problem and an approach to sanitize the data. For the specific use case of tourism demand forecasting in Germany, the thesis demonstrates the usefulness of the statistical approach. The second part of the thesis focuses on experiments and models to estimate heterogeneous treatment effects of individuals. In such applications, noise in the data poses a statistical challenge, leading to high requirements in the sample size for randomized experiments and potentially leading to unexpected negative results in the treatment allocation process. To overcome this problem, the thesis proposes methods to conduct experiments with a limited number of individuals, without impairing the decision support. Moreover, the thesis analyzes the potential adverse effects of noise on the treatment allocation process and provides ideas on how to prevent them.

No description available.

No description available.

No description available.