Alueelliset ennustemallit ja pelastuslaitosten tulevaisuuden palvelukyky: tulosten esittely

Tällä sivulla esitellään Alueelliset ennustemallit ja pelastuslaitosten tulevaisuuden palvelukyky -hankkeen lähestymistapaa ja  tuloksia. Hankkeessa on hyödynnetty väestön digitaalista kaksosta luomaan todennäköisyysperusteisia ennusteita asuinrakennuspalojen, maastopalojen ja liikenneonnettomuuksien määrän ja niiden kustannusten kehityksestä tulevalle kymmenen vuoden ajalle.

Palosuojelurahaston rahoittaman hankkeen toteuttajina on Kainuun pelastuslaitos, Taso Research Oy, Sosped Keskus Oy, Hyvil Oy. Kumppanina ovat Varsinais-suomen ja Pohjois-karjalan pelastuslaitokset. Alueelliset ennustemallit ja pelastuslaitosten tulevaisuuden palvelukyky -hanke päättyi 31.5.2026, mutta ratkaisu kehitetään edelleen PSR:n rahoittaman jatkohankkeen puitteissa.

Hankkeen lähestymistapaa esitellään tässä videossa (3.40 minuuttia):

Kuvaus hankkeen menetelmästä

Väestön digitaalinen kaksonen uutena lähestymistapana palvelutarpeen hahmottamiseen

Väestön digitaalinen kaksonen tarkoittaa laskennallisesti muodostettua mallia väestöstä. Väestömallissa on väestötilastojen pohjalta mallintamalla muodostettu Suomen väestö, jonka ominaisuudet, kuten ikä, sukupuoli, koulutus, taloudellinen asema, asumismuoto ja sijainti vastaavat tilastotietojen tarkkuutta pienimmälle ruututasolle saakka. Väestömalli on probabilistinen. Malliin voidaan yhdistää muuta tilastodataa, tutkimustietoa esimerkiksi riskeistä, organisaatioiden omia aineistoja sekä paikkatietoa ja rakennuskantaa koskevia tietoja.

Alueelliset ennustemallit ja pelastuslaitosten tulevaisuuden palvelukyky -hankkeessa digikaksoseen yhdistettiin tietoa Pronto-järjestelmästä. Tämä integroitu väestö- ja aluemalli linkittää onnettomuudet väestöön ja sen rakenteeseen, mikä mahdollistaa riskien alueellisen arvioinnin.

Todennäköisyyspohjaisen mallin vahvuus on siinä, että sitä voidaan joustavasti käyttää simulointeihin, ennusteisiin ja skenaarioiden tekemiseen. Mallissa väestöä voidaan muun muassa liikuttaa ajassa eteenpäin. Tämä mahdollistaa väestörakenteen muutoksen, palvelutarpeiden ja riskien maantieteellisen kehityksen ennakoinnin sekä vaihtoehtoisten kehityskulkujen simuloinnin.

Väestöön kytkeytyvien alueellisten onnettomuusriskien muutosennusteita voidaan tuottaa aina korttelitasolle saakka. Ennustemallia voidaan hyödyntää myös strategisen tason skenaarioiden muodostamiseen: Sillä voidaan analysoida muun muassa paloaseman lakkauttamisen, uuden perustamisen tai ennaltaehkäisevään toimintaan panostamisen vaikutuksia alueelliseen turvallisuuteen ja kustannuksiin.

Ratkaisun kehittämisessä on tavoiteltu myös mahdollisimman laajaa siirrettävyyttä. Koko väestö- ja aluemalli datoineen voidaan muodostaa yhtenäiseksi tietokannaksi, joka on muunnettavissa standardoituun paikkatietomuotoon. Tämä arkkitehtuuri varmistaa tiedon hyödyntämisen erilaisissa analyysiympäristöissä ja tekoälyratkaisuissa.

Ilmiöpohjainen kustannusvaikutusten arviointi

Sosped Keskus Oy:n kehittämä arviointimetodologia yhdistää rekisteriaineistoja, tutkimuskirjallisuutta ja organisaatiokohtaisia tietoja. Se mahdollistaa erilaisten ilmiöiden, tapahtumien ja toimenpiteiden kustannusvaikutusten yhteismitallisen arvioinnin ja vastaa laajasti yhteiskunnalliseen tarpeeseen kehittää tietopohjaista johtamista. Eri onnettomuuksien kustannuksia arvioidaan tutkimusten ja pronto-datojen analyysien avulla, yhdistämällä eri seurauksien todennäköisyyksiä ja näihin liittyviä kustannuksia toisiinsa. Oheinen kuva  havainnollistaa, miten yksittäisen onnettomuustyypin kokonaiskustannukset muodostuvat.

Väestön digitaalisen kaksosen ja kustannusvaikutusten arvioinnin yhdistäminen

Alueellisen ennustemallin ydin on kahden näkökulman yhdistäminen: ennakoiva väestö- ja riskimallinnus sekä ilmiöiden (onnettomuuksien) kustannusvaikutusten arviointi. Yhdessä nämä mahdollistavat palvelutarpeiden ennakoinnin, riskien ajallisen ja alueellisen muutoksen arvioinnin, kustannusten kehityksen ennakoinnin sekä päätösvaihtoehtojen vaikutusten simuloinnin.

Kehitetyn ratkaisun keskeinen lisäarvo syntyy siitä, että sama työkalu voi kuvata, missä tarpeet kasvavat, millaisia riskejä niihin liittyy, mitä kustannuksia niistä syntyy ja mille toimijoille kustannukset kohdentuvat. Tämä siirtää tiedolla johtamisen painopistettä suoritteista ihmisten tarpeisiin, organisaatiokohtaisesta optimoinnista järjestelmätason vaikuttavuuteen ja reaktiivisesta johtamisesta ennakoivaan johtamiseen.

Onnettomuuksien riskimallinnus

Riskimallinnuksessa on pyritty löytämään PRONTO-aineiston pistemäisten esiintymien taustalla oleva jatkuva pinta onnettomuustodennäköisyyksistä. Asuntopalojen kohdalla tämä tarkoittaa ilmiön mallintamista koneoppimismallilla, jossa selvitetään, mitkä väestölliset tekijät ovat yhteydessä suurempiin ja pienempiin alueellisiin riskeihin eli onnettomuuksiin suhteessa väestön määrään. Tämän mallinnuksen jälkeen ilmiötä siirrytään tarkastelemaan, analysoimaan ja jatkojalostamaan mallinnuksen tuottaman todennäköisyyden perusteella.

Ratkaisun avulla voidaan tunnistaa väestöllisiä ryhmiä, joihin liittyy tavallista korkeampia tai matalampia onnettomuusriskejä. Näiden ryhmien määrä alueella vaikuttaa alueelliseen onnettomuuksien todennäköisyyteen. Ominaisuuksien vaikutuksen suuruus ja suunta eivät ole yksiselitteisesti määriteltävissä sillä ne toimivat yhteisvaikutuksessa muidenkin väestöllisten ominaisuuksien kanssa. Hankkeessa mukana olevilla kolmella kohdealueella, Kainuussa, Pohjois-Karjalassa ja Varsinais-Suomessa, koulutustaso ja ikä korostuvat eniten onnettomuuksien määrään vaikuttavina muuttujina. Mitä korkeampi alueen väestön koulutustaso ja mitä alhaisempi väestön ikärakenne, sitä vähemmän tapahtuu asuinrakennuspaloja.

Koska hankkeessa on voitu hyödyntää integroitua väestö- ja aluemallia, väestöllisiä riskejä ja niiden onnettomuuksien todennäköisyyksiä voidaan tarkastella jopa 250 metrin ruututasolla. Hankkeen ratkaisussa on yhdistetty datasarjoja, joiden maantieteellinen tarkkuus vaihtelee.

Käytetty mallinnus on todennäköisyyspohjainen, jolloin käsiteltävää tietokaan ei tarvitse pelkistää keskiarvoluvuiksi. Todennäköisyysmalleilla voidaan esimerkiksi simuloida harvinaisia, mutta pelastuslaitosten resursseja erityisesti kuormittavia tilanteita. Pelastuslaitosten resurssitarpeita voidaan toisin sanoen tarkastella sekä normaalin tehtäväkuoman todennäköisen vaihteluvälin ja sen muutosten suhteen sekä laajemman valmiuden näkökulmasta.

Metsäpalot ja liikenneonnettomuudet

Toisin kuin asuntopalojen kohdalla, metsäpaloja ja liikenneonnettomuuksia ei voida käsitellä samalla tavalla suhteessa väestön asuinpaikkaan, koska niiden sijainnit eivät ole suoraan sidottuja siihen, missä ihmiset asuvat. Eri tyyppejä analysoitaessa huomattiin, että metsäpalojen ja liikenneonnettomuuksien suhteelliset osuudet korreloivat asuntopalojen suhteellisten osuuksien kanssa, mutta korrelaatio on niin heikko, että riskiä ei voida mallintaa samalla tavalla, vaan lähestymistavan on oltava toinen.

Metsäpalojen ja liikenneonnettomuuksien kohdalla hyödynnetään toista todennäköisyyspohjaista tapaa mallintaa onnettomuuksia eli tiheyspintaa. Kun asuntopalojen kohdalla todennäköisyys linkittyy alueen asukkaiden väestörakenteeseen, metsäpalojen ja liikenneonnettomuuksien kohdalla ei käsitellä taustalla olevia tekijöitä vaan ainoastaan sijaintia. Toisin sanoen todennäköisyys onnettomuudelle on suurempi alueella, jossa on aiemmin tapahtunut onnettomuuksia. Yhden onnettomuuden vaikutusalueen koko on optimoitu eri onnettomuustyypeille ja kokonaistodennäköisyys on laskettu summaamalla eri vaikutusalueet yhteen.

Tätä lähestymistapaa voidaan kehittää vielä eteenpäin ottamalla ratkaisuun mukaan dataa liikennemääristä ja metsäalueiden vierailijamääristä sekä tutkimuksesta tietoa siitä, miten riskit jakautuvat eri ihmisryhmien kesken. Tällä tavalla voidaan käsitellä esimerkiksi juuri ajokortin saaneiden tai ikääntyneiden autoilijoiden kohonnutta onnettomuusriskiä. PRONTO ei sisällä tarpeeksi tietoa onnettomuuksien osapuolista.

Onnettomuuksien kustannuslaskenta

Onnettomuuksien kustannuksia laskettaessa välittömiä kustannuksia ovat esimerkiksi pelastustoiminnan kustannukset, poliisin kustannukset, terveydenhuollon kustannukset sekä omaisuustappiot, kuten asuinrakennuspalojen vahingot. Välillisiä kustannuksia ovat puolestaan työpoissaolojen aiheuttamat tuottavuustappiot, työnantajille ja alueen elinkeinoelämälle syntyvät menetykset, etuusmenot sekä veromenetykset valtiolle ja kunnille.

Kustannusten kohdentumista voidaan tarkastella mm. maksajien, kuluerien, asemapaikkojen tai sektoreiden näkökulmasta. Asuntopalojen osalta tunnistettuja maksajia ovat ovat muun muassa hyvinvointialueet, pelastustoimi, terveydenhuolto, poliisi, vakuutusyhtiöt, työnantajat, kunnat ja valtio sekä laajemmin yhteiskunta. Analysoimalla onnettomuuksien kustannusten jakautumista eri maksajille voidaan tukea kustannusten kokonaisoptimointia poikkihallinnollisen koordinaation avulla.

Onnettomuuksien kustannuksia voidaan tarkastella samalla maantieteellisella tasolla kuin onnettomuuksien todennäköisyyksiäkin. Asuntopalojen kustannukset, kuten niiden todennäköisyydetkin, korreloivat asumistiheyden kanssa. Lisäksi tiheiden alueiden omaisuus on harvaanasuttuja alueita arvokkaampaa, mikä lisäksi kasaa kustannuksia keskustoihin.

Onnettomuuksien kustannuslaskennassa on huomioitava, että kustannusten jakauma elää suhteessa esimerkiksi tehtävän laajuuteen ja kestoon. Keskimääräinen metsäpalo ja laaja metsäpalo tuottavat erilaisia kustannusvaikutuksia. Koska pelastustoimen ja sote-palveluiden yksikkökustannukset tunnetaan, laskenta mahdollistaa myös erilaisten toimenpiteiden ennakkovaikutusten arvioinnin ja simuloinnin.

Vaikka eri onnettomuustyyppien todennäköisyyslaskenta tehdäänkin eri tavoilla, ne voidaan silti yhdistää mm. alueellisten kokonaiskustannuksien esiintuomiseksi. Jatkokehityksessä onkin tarkoitus tarkastella kaikkia pelastuslaitoksen onnettomuustyyppejä.

Ennusteet ja skenaariot

Asuntopalojen lukumäärän ja niiden kustannusten ennusteita tarkastellaan ratkaisussa rinnakkain alueen väkiluvun ja väestörakenteen kehityksen kanssa. Näin voidaan tarkastella pelastuslaitoksiin kohdistuvaa palvelutarvetta suhteessa muutoksiin: onko onnettomuuksien määrä kasvamassa vai vähenemässä?

Hankkeessa mukana olleiden kolmen eri alueen, Kainuun, Pohjois-Karjalan ja Varsinais-Suomen ennusteiden vertaaminen tuo näkyväksi, kuinka asuntopalojen onnettomuusennusteet ovat sidoksissa muuttuvaan väestöön ja erilaisiin kehityssuuntiin. Eri alueiden väestöllisten ominaispiirteiden vuoksi kehitystrendit näyttävät erilaisilta. 

Asuntopalojen määrän ennakoitu kehitys ei seuraa pelkästään alueen kokonaisväkiluvun kehitystä, koska onnettomuuksien määrien ennusteet perustuvat kaikkiin käytettyihin alueen merkitsevien väestöllisten muuttujien kokonaisvaikutuksiin. Esimerkiksi alueellista asuntopalojen riskiä lisäävien iäkkäiden asukaiden määrä saattaa kasvaa, vaikka kokonaisväkiluku pienenee. Lisäksi väestöpohjaisesti tarkasteluna kehitystrendit eivät ole lineaarisia, vaan lähivuosien ennustettu lasku onnettomuuksien määrässä voi kääntyä kasvuun muutaman vuoden kuluttua väestöllisten osatekijöiden muuttuessa epäedullisemmaksi (ks. Varsinais-Suomen graafi alempana).

Alla näkyvät eri alueiden väestön sekä asuntopalojen lukumäärän ja kustannusten kehitys tulevan 10 v. aikajänteellä. Kaikista kuvista nähdään, että onnettomuuksien määrä asukasta kohden laskee eli toisin sanoen väestörakenne muuttuu kaikilla alueilla asuntopalojen kannalta suotuisampaan suuntaan. Kustannukset ovat vahvasti sidoksissa onnettomuuksien määrään. Keskimääräisen asuntopalon kustannus nousee hieman, koska väestö keskittyy kaupunkialueille, joilla asuntojen hinnat ovat korkeammat.

Sen lisäksi että ratkaisun avulla voidaan luoda ennusteita onnettomuuksien ja niiden kustannusten kehityksestä, ratkaisun avulla voidaan toteuttaa erilaisia simulaatioita ja skenaarioita. Ratkaisun demografisia ominaisuuksia ja niiden kehitystrendejä voidaan muuttaa ja ominaisuuksia voidaan lisätä tai poistaa erilaisten skenaarioiden luomiseksi. Alla olevassa graafissa tätä demonstroidaan skenaariolla, jossa koulutustaso olisi Kainuussa nykyistä korkeampi. Koska koulutustasolla on asuntopalojen riskiä vähentävä vaikutus, skenaarion mukaisessa laskelmassa asuntopalojen määrä sekä niihin kytkeytyvien kustannusten taso laskisi normaalia ennustetta matalammaksi.

Ratkaisun ennusteiden osuvuuden validointi

Ratkaisuin toimivuutta on testattu vertaamalla ennusteita toteutuneisiin asuntopaloihin postinumeroalueittain. Tulokset viittaavat siihen, että ratkaisu ennustaa palojen määrää käytännön johtamisen kannalta riittävällä tarkkuudella.

Palvelutarpeen kehitys ja resurssien riittävyys: palveluverkon katoanalyysi

Hankkeessa toteutettiin ns. katoanalyysi, jossa peilattiin tulevaisuuden palvelutarvetta pelastustoimen palveluverkon ennakoituun kehitykseen. Koska laskennan lähtödata ja tulokset ovat osittain sensitiivisiä, analyysista esitellään julkisesti vain laskennan lähestymistavan kuvaus. Analyysia voidaan kuitenkin esitellä pelastuslaitosten edustajille pyydettäessä.

Katoanalyysin tarkoituksena on arvioida, miten pelastustoimen palveluverkon mahdollinen harveneminen vaikuttaisi palvelukyvyn alueelliseen jakautumiseen. Tarkastelu kohdistuu erityisesti sopimuspalokuntiin, joilla on keskeinen rooli harvaan asuttujen alueiden pelastustoimessa. Väestön ikääntyminen, nuorten ikäluokkien pieneneminen ja muuttoliike voivat vaikeuttaa sopimuspalokuntien toiminnan ylläpitämistä ja rekrytointia tulevina vuosina.

Analyysi ei ennusta yksittäisten asemien lakkautumista, vaan kuvaa, millaisia vaikutuksia voisi syntyä, jos asiantuntija-arvioiden mukainen sopimusasemien vähenemä toteutuisi. Laskennassa yhdistettiin pelastusasemien sijaintitietoja, väestö- ja onnettomuusennusteita, ruututason väestöaineistoa, sopimuspalokuntien ikärakennetta sekä hankkeessa kerättyä kyselyaineistoa rekrytointinäkymistä. Koska kaikki aineistot eivät olleet valtakunnallisesti kattavia, osa tiedoista yleistettiin tilastollisesti. Tuloksia tulee siksi tulkita suuntaa-antavina ja suhteellisina, ei yksittäisiä asemia koskevina päätelminä.

Jokaiselle sopimuspalokunnalle muodostettiin laskennallinen katoriski kolmen tekijän perusteella: lähialueen nuorten aikuisten määrän kehitys, sopimushenkilöstön ikärakenne ja rekrytointinäkymät. Vaikutuksia arvioitiin Monte Carlo -simulaatiolla, jossa poistettiin toistuvasti joukko sopimusasemia katoriskien perusteella ja laskettiin, miten etäisyys lähimpään käytettävissä olevaan asemaan muuttuisi asutuilla alueilla.

Tulokset osoittavat, että palveluverkon harvenemisen vaikutukset eivät jakaudu tasaisesti. Vakinaisten paloasemien läheisyydessä muutokset jäävät usein pieniksi, mutta harvaan asutuilla alueilla yksittäisten sopimusasemien poistuminen voi kasvattaa etäisyyksiä ja toimintavalmiuteen liittyviä viiveitä merkittävästi. Erityisen tärkeitä ovat alueet, joilla etäisyyden kasvu yhdistyy ennustettuun onnettomuusmäärän kasvuun tai säilymiseen korkealla tasolla.

Analyysi osoittaa, että asemien kokonaismäärä ei yksin kuvaa palveluverkon kestävyyttä. Ratkaisevaa on, missä mahdollinen poistuma tapahtuu suhteessa väestöön, onnettomuusriskeihin, nykyiseen asemaverkkoon ja tulevaan palvelutarpeeseen. Sama määrä poistuvia asemia voi aiheuttaa hyvin erilaisia vaikutuksia riippuen siitä, kohdistuuko poistuma alueille, joilla on korvaavia resursseja, vai alueille, joilla palveluverkko on jo valmiiksi harva.

Katoanalyysi tarjoaa menetelmän palveluverkon haavoittuvuuksien ennakoivaan tunnistamiseen. Sitä voidaan hyödyntää esimerkiksi sopimuspalokuntien tukitoimien, rekrytoinnin, palveluverkon muutosten vaikutusarvioinnin ja pitkän aikavälin resurssisuunnittelun tukena. Laskennan rajoitteena on, ettei se sisällä kattavaa tietoa asemien todellisesta henkilöstö- ja kalustovalmiudesta, ja osa lähtöaineistoista on yleistettyä. Lisäksi siinä on huomiotuna vain asuntopalot. Tästä huolimatta analyysi osoittaa, että hallitsematon palveluverkon harveneminen voi lisätä järjestelmätason kuormitusta erityisesti harvaan asutuilla alueilla, vaikka onnettomuuksien kokonaismäärä joillakin alueilla vähenisi.

---

Lisätietoja

Jos haluat kuulla lisää hankkeesta ja sen etenemisestä, ole yhteydessä:

Peter Tattersall, projektipäällikkö

etunimi.sukunimi@kainuu.fi