消防月刊查詢系統

長期以來，消防工作的核心任務多聚焦於災害發生後的即時應變與搶救行動。當火警發生，消防人員必須在高溫、濃煙與高度不確定的環境中迅速進場，承擔極高的風險，以換取生命與財產的安全。然而，隨著都市化程度持續提升，建築型態日益複雜、人口活動愈發密集，火災已不再是單一事故，而是城市系統運作下所衍生的結構性風險。在此情況下，僅依賴事後搶救的傳統消防模式，已難以全面回應現代城市所面臨的防火與防災挑戰。

近年來，防火思維逐漸從「如何更快撲滅火災」轉向「如何讓火災不發生」，也就是由被動應變走向主動預防。在此轉變過程中，人工智慧（Artificial Intelligence, AI） 與地理資訊系統（Geographic Information System, GIS）的結合，提供了一種全新的可能性。透過大規模資料整合與運算分析，AI能夠從大量歷史事件與空間資訊中，辨識人眼難以察覺的潛在關聯與趨勢，使火災風險不再只是經驗判斷，而是可被量化、比較與預測的對象。這樣的技術發展，為消防防災工作開啟了由「反應型管理」邁向「預測型治理」的新階段。

基隆市作為本研究的案例城市，具備高度代表性。其地形受山海環境限制，都市發展集中且建築老舊比例偏高，加上港口機能與商業活動頻繁，使其在防火管理上面臨多重挑戰。這樣的城市特性，使基隆成為探討火災風險與都市結構關係的理想場域。研究團隊以基隆市為研究對象，整合歷年火災紀錄、人口結構、建築條件與經濟活動等多元資料，嘗試從城市整體系統的角度，重新理解火災發生的內在機制。

在研究方法上，本計畫引入深度神經網路（Deep Neural Network, DNN）模型，藉由其處理非線性關係與高維度資料的能力，從複雜且高度交互影響的數據中，萃取火災發生的潛在規律。透過與 GIS 的空間分析結合，模型不僅能判斷哪些區域屬於火災高風險地帶，亦能呈現其在時間與空間上的變化趨勢，為消防實務提供具體且可操作的資訊基礎。

整體而言，本研究並非僅追求模型技術的提升，而是嘗試回應一個更根本的問題：在高度複雜的現代城市中，消防工作是否能從單純的救災角色，轉化為城市安全治理的重要預測與支援力量。透過 AI 與 GIS 的輔助，火災不再只是突發事件，而是一項可被提前辨識、管理與降低的風險，為城市安全帶來新的思考方向。

▎ 二、基隆的火災現況： 數據背後的警訊

從整體火災統計資料來看，臺灣近年火災風險仍不容忽視。依消防署公布資料顯示，2023 年全國通報火災事件共計 17,466 起，造成財產損失金額逾新臺幣2 億元，顯示火災對公共安全與社會成本仍具顯著影響。在此背景下，基隆市同年度共發生 115 起火災事件，雖於全國占比不高，但其致災型態與成因分布仍具有高度代表性。其中，與電氣因素相關之火災比例高達 38%，反映電力使用行為、老舊線路與設備安全，已成為都市

火災風險中不可忽略的關鍵因素。

進一步從時間分布觀察，基隆市火災事件多集中於每日 9 時至 21 時之間，恰與民眾日常活動、商業營運及用電高峰時段重疊，顯示火災發生與人類生活行為具有高度關聯性。無論是居家用電、商業場所營運，或公共設施的日常運作，皆可能在活動頻繁的時段中累積風險，增加火災發生的可能性，凸顯火災防制已不僅是設備或建築層面的問題，更與都市生活型態密切相關。

若再從空間分布進行分析，可發現基隆市火災發生並非平均分布於各行政區，而是明顯集中於中正區與七堵區等特定區域。進一步比對人口結構、建築型態與經濟活動特性後可見，人口密集程度高、老舊建築比例偏高，且商業與產業活動相對頻繁的地區，其火災發生風險明顯高於其他區域。此一結果顯示，火災風險的形成，往往源於多重因素的疊加，而非單一偶發事件。

整體而言，這些數據所呈現的並非單純的統計結果，而是一項清楚的風險警示。當城市結構逐漸老化、經濟活動持續發展，若缺乏同步的安全管理與預防機制，火災發生的機率便會在無形中累積並升高。如何在都市發展與公共安全之間取得平衡，已成為基隆市乃至其他城市在防火與防災治理上，必須正視的重要課題。

▎三、用 A I 看見火災風險：從資料到預測

本研究蒐集並整理基隆市2012 年至2021 年間之火災發生紀錄，作為模型訓練與驗證的基礎資料，並進一步整合多項跨領域空間與社會經濟資訊，以全面描繪影響火災風險的潛在因素。在人口結構方面，研究團隊納入高齡人口比例、獨居老人分布及幼年族群密度等指標，藉以反映不同年齡與生活型態族群在居住安全與用火行為上的差異；在建築條件方面，則彙整老屋比例、非鋼筋混凝土結構建築，以及屋齡超過四十年之不動產分布情形，用以評估建築老化、結構耐火性能與電氣設備安全對火災風險的長期影響；在經濟活動層面，研究則依農漁業、工業及服務業三大產業類型，分析其空間分布特性，以掌握不同產業型態所伴隨之能源使用、作業行為與潛在危險源。

上述資料經由地理資訊系統（GIS）進行空間化處理與分析，轉換為具備一致尺度與座標系統的可視化圖層，使不同來源的資訊得以在空間上相互對照與整合。透過這樣的前處理流程，原本零散且性質各異的資料被系統性地轉化為可供運算的空間特徵，作為後續深度神經網路模型的輸入變數。模型在訓練過程中，透過大量歷史樣本反覆迭代與參數調整，逐步學習火災發生與各類人口、建築及經濟因子之間的非線性關係，並建立其內在的判斷機制。

相較於傳統統計方法，深度學習模型不僅能處理高維度且彼此關聯複雜的資料結構，亦能在多次訓練中自動擷取人眼或單一指標分析難以辨識的潛在模式。最終所建立之模型，得以依據歷史資料推估未來火災發生的高風險區域，為火災潛勢分析提供具體且量化的參考結果。整體而言，這項 AI 模型不僅強化了火災風險評估的科學基礎，也展現資料導向方法在消防防災領域中的應用潛力。

▎ 四、預測準確度： 模型與現實的對照

本計畫團隊將預測結果與基隆市消防局10 年火災紀錄對照，如圖1 所示，證明模型標示的高風險區幾乎與實際火災分布重疊。這意味著—AI 確實能提前預警火災潛勢區。

為了確認本模型在火災預測上的可靠性，研究團隊以多項統計指標進行效能評估。這些指標可用來檢視模型在「準確性」、「穩定性」與「誤差範圍」等層面的表現。結果顯示，AI 模型在多項評估中皆達到高水準，代表它不僅能精準預測火災發生區域，還能維持穩定的運算表現，模擬結果如表1 所示。

綜合上述比對結果與效能評估指標，可進一步確認本研究所建構之 AI 火災預測模型具備良好的實務可行性與應用價值。決定係數達 0.89，顯示模型對火災空間分布的解釋能力相當高，能有效反映真實火災發生趨勢；平均絕對誤差僅為 0.049，代表預測結果與實際觀測值間的差距極小，有助於提升風險分級與區域判斷的精細度；而 Nash–Sutcliffe效率值達 0.88，則顯示模型在不同樣本與條件下仍能維持穩定表現，降低因資料波動所造成之預測不確定性。此一結果說明，該模型不僅適用於歷史資料驗證，也具備延伸應用於未來火災潛勢分析的基礎。

在消防實務上，這樣的預測可靠度意味著消防機關可將模型結果作為輔助決策工具，應用於防火宣導重點區域選定、消防安全檢查排序，以及勤務人力與救災資源的前置配置。透過提前辨識高風險區域，消防單位得以在災害發生前即介入管理與預防，降低火災發生機率與災害規模，同時也能減少消防人員暴露於高風險救災環境的頻率，對於消防職業安全衛生管理具有正向助益。整體而言，本研究結果顯示，AI 火災預測模型已具備作為消防防災決策支援工具的科學依據，未來若能結合即時資料持續更新，將有助於進一步提升城市整體防火與公共安全水準。

▎ 五、模擬未來： 如果規劃城市，火災會減少嗎？

本計畫團隊進一步提出一個有趣的問題：「如果我們改變城市結構，火災是否會變少？」針對基隆市內最容易發生火災的12個村里設計了3 組模擬情境，分別降低：人口密度、老舊建築以及經濟活動，藉以預測火災的發生率會下降多少，而模擬結果如表2所示。這些結果揭示，火災不僅是個「消防問題」，更與城市經濟與社會結構息息相關。經濟活動雖象徵繁榮，卻也代表更高的用電量、更多的人群聚集與潛在危險源；而建築老化則是火災風險的長期推手。都市更新與防火規劃若能同步考量，將是打造「韌性城市」的關鍵。

進一步而言，本研究所進行之3 組模擬情境，不僅提供火災發生率變化的量化結果，更有助於釐清不同城市結構因子在火災風險形成中的相對角色。模擬結果顯示，當人口密度適度降低時，火災發生率呈現明顯下降趨勢，顯示人口集中所伴隨的居住密度、用電需求與生活行為複雜度，皆為影響火災風險的重要因素；而老舊建築比例的降低，對火災風險的改善幅度同樣顯著，反映建築結構老化、電氣設備陳舊及防火設計不足，往往是火災發生與擴大的關鍵背景條件。相較之下，經濟活動強度的變化則呈現更為複雜的影響關係，其雖代表城市活力與產業發展，卻同時伴隨更高的能源使用、商業設施密集與人流聚集，使潛在火災風險同步上升。

從消防治理的角度觀之，這些模擬結果說明火災防制已不再是單一部門可獨立處理的議題，而需納入都市計畫、建築管理與產業發展等跨領域考量。對消防機關而言，模擬分析成果可作為調整消防安全檢查頻率與重點的依據，例如優先針對老舊建築密集、商業活動頻繁之村里加強安檢與用電安全管理；同時，也能協助勤務調度與救災據點配置，使有限人力與資源集中於火災潛勢較高之區域，提升整體防災效率。

此外，將 AI 模型之模擬結果納入都市更新與防火規劃決策流程，亦有助於強化城市韌性。透過量化不同政策情境對火災風險的影響，決策者得以在都市更新、建築改善與產業發展推動過程中，同步評估其對公共安全的長期效益，避免僅追求短期經濟成長而忽略潛在風險。整體而言，本研究所揭示的關鍵訊息在於：火災風險源於城市系統本身的結構特性，唯有將防火策略與都市發展同步整合，方能有效降低火災發生機率，並為消防實務提供更具前瞻性的決策依據。

▎六、結語

在過去，消防工作高度仰賴人力配置與第一線經驗累積，無論是防火宣導、消防安全檢查，或災害發生時的勤務調度，多以歷史事件與人工判斷作為決策依據。然而，隨著都市結構日趨複雜、人口活動型態快速變化，以及消防人員勤務負荷與職業風險持續升高，單純依靠經驗已逐漸面臨其限制。在大數據與人工智慧技術成熟的背景下，消防工作正迎來一項關鍵轉變—從「事後反應」邁向「事前預測」，從被動應變走向主動風險管理。以基隆市為例，透過結合歷年火災資料、建築型態、人口密度、土地使用及環境因子所建立的 AI 火災密度預測模型，不僅提升了火災風險辨識的精細度，也為消防實務決策提供了科學化的依據。

此類 AI 模型的核心價值，不僅在於提升預測準確度，更在於其對消防職業安全衛生的實質貢獻。消防人員長期處於高風險、高壓力的工作環境，火災出勤頻率、勤務強度與不確定性，皆與過勞、肌肉骨骼傷害及事故風險密切相關。透過火災密度與時空分布的預測結果，消防機關得以更精準地掌握高風險區域與高發時段，進而作為勤務配置與人力調度的參考依據，避免不必要的過度出勤與資源耗損，降低消防人員長時間高負荷工作的情形，對於改善職業安全與健康具有間接但重要的效果。

在防火宣導層面，AI 預測結果可作為宣導策略差異化的重要工具。傳統防火宣導多採全面性推廣，較難針對實際高風險族群或區域進行精準介入。透過火災密度分析，消防單位可優先鎖定火災潛勢較高之里別、老舊建築集中區、特定使用型態場所或高齡人口密集區，設計符合其風險特性的宣導內容與宣導時機，提升宣導效益。同時，這樣的資料導向策略，也有助於將有限的宣導人力與時間，配置於最具預防成效的地點，減少重複性、低效益的工作，間接降低消防人員的工作負擔。

在消防安全檢查方面，AI 模型亦能提供更具前瞻性的決策支援。透過火災密度預測與歷史違規資料的交叉分析，可協助消防機關建立風險分級的安檢優先順序，使安檢作業不再僅依例行排程或單一條件進行，而是以實際風險作為核心考量。此一作法不僅能提升安檢資源使用效率，也有助於降低消防人員於高風險場所頻繁進出所面臨的職業暴露風險，強化整體職業安全衛生管理。

從更宏觀的角度來看，AI 在消防領域的應用，象徵著一種治理思維的轉變。防災不再只是事故發生後的快速應變，而是透過資料整合、風險預測與科學決策，讓城市逐步具備「自我防護」的能力。若未來能將此類模型推廣至其他縣市，並結合即時監測系統、都市更新資料與跨機關資訊平台，將有助於建立更完整的全國性火災風險預警架構，促進防災治理的一致性與前瞻性。

總結而言，人工智慧並非取代消防人員的角色，而是成為其智慧夥伴，協助消防體系在有限資源下做出更安全、更有效率的決策。當火警警鈴響起，消防人員依然必須逆火而行，但在那之前，透過 AI 模型所建立的預測與預防機制，已在無形中降低了火災發生的機率與消防人員所承擔的風險。這項研究所傳達的核心訊息是清楚的：最理想的消防工作，不只是更快抵達現場，而是更早辨識風險、預防災害，讓守護生命與安全的工作，從源頭開始。