建築安全

火警時的電梯，不該只有「能用／不能用」兩種答案

在受控設備、分區避難與人工指揮之間建立可解釋的優先序，照顧無法使用樓梯的人。

4 階段示例疏散狀態
2 條獨立通訊路徑
90 s狀態確認目標
0 自動放行感測矛盾時原則

垂直疏散路徑

以樓層狀態、候梯區安全、設備模式與指揮確認組成分段路徑，不把單一感測器當作放行者。

01 · 現場不是平均使用者

高層建築警報響起後，多數人能走安全梯，但輪椅使用者與部分病患只能前往避難區等待。傳統告示只寫「火警勿用電梯」，卻沒有說明誰來確認、如何通訊，以及受控疏散電梯何時可以運作。

這一場景提醒我們，設計對象不是抽象的平均值，而是會在壓力、時間限制與不同身體條件下完成具體任務的人。

02 · 機制從哪裡開始

受控疏散依賴防煙分區、備援電力、井道狀態、候梯區通訊與人工指揮。系統要把感測狀態轉成可理解的模式，而不是讓一般乘客自行判讀。任何關鍵信號矛盾時，預設應停止自動放行並升級人工確認。

因此不能用單一指標代表整個系統；量測必須與流程節點對應，並讓讀者知道數據能夠解釋什麼、不能解釋什麼。

03 · 證據要怎樣收集

需要樓層煙霧與溫度、電力來源、門區狀態、轎廂位置、避難區人數和協助需求。個人健康資料只收集完成疏散所必需的部分，並限制可見人員，演練資料與真實事件也要清楚分開。

所有精確數字都應記錄來源、時間和適用邊界；本頁指標屬於設計示例，用來說明結構，不冒充研究結論。

04 · 把原則變成流程

警報後先切換專用模式，確認安全樓層與避難區，再由控制中心安排批次。顯示器明確告知等待、登梯或改走替代路線；每次運送完成回報人數與目的樓層，讓下一批不依賴口頭猜測。

實施時應先小規模驗證，保留人工覆蓋與退出路徑，再根據真實反饋迭代；自動化只能執行已說明的邊界。

05 · 最容易出現的誤判

只追求最快總疏散時間可能犧牲最需要協助的人；固定優先名單又可能在樓層受煙影響時失效。設計必須允許規則因現場狀態調整，同時留下誰在何時改變優先序的紀錄。

對異常與失敗保留記錄比隱藏警報更重要。若系統只展示成功案例，管理者就無法看見結構性缺口。

06 · 如何作出可解釋決定

演練要測試通訊中斷、感測矛盾、電力切換與人員超出預估等情境。關鍵成果不是動畫順利跑完，而是等待者是否持續收到資訊、替代方案是否明確、指揮者能否解釋每次決定。

最終報告應同時呈現收益、代價、未覆蓋人群與剩餘不確定性，避免把複雜公共問題壓縮成單一漂亮分數。

07 · 部署前的實務檢核

「火警時的電梯，不該只有「能用／不能用」兩種答案」不應停留在概念展示。正式投入使用前，需把使用者、設備、資料與例外情境放進同一輪小規模測試，事先寫清成功條件、停止條件與人工接管方式。測試紀錄要保留失敗與缺漏，不能只挑選最順利的流程作為成果。

  • 與行動不便使用者共同演練等待、通訊、登梯和抵達確認
  • 加入煙霧訊號矛盾、備援電力切換與控制中心失聯情境
  • 逐次核對樓層狀態、候梯區人數與轎廂任務，不以固定名單取代現場判斷
  • 演練後公開等待時間分布及未完成項目，而不只公佈總疏散時間

完成檢核後，應由實際受影響的人參與復盤：哪些步驟變得更容易，哪些人仍被排除，資料是否足以支持判斷，以及新增流程是否帶來隱私、時間或維護負擔。若證據不足，就把結論標示為待驗證，而不是用精確分數製造確定感。

編輯檢核：本文提出的是可測試的設計框架，不是已完成的產品結論。正式部署前應由實際使用者、維護者與受影響群體共同複核資料邊界、例外情境、人工接管和停止條件，並保留失敗紀錄供後續修正。

METHOD / PYTHONSIMULATED INPUT
from dataclasses import dataclass
from typing import List, Tuple

@dataclass
class Observation:
    name: str
    value: float
    weight: float
    confidence: float

def normalize(value: float, low: float, high: float) -> float:
    # 將觀測值限制在示例區間並轉換為 0 到 1
    if high <= low:
        raise ValueError("high 必須大於 low")
    clipped = min(max(value, low), high)
    return (clipped - low) / (high - low)

def evaluate(rows: List[Observation]) -> Tuple[float, List[str]]:
    weighted_sum = 0.0
    weight_total = 0.0
    notes = []
    for row in rows:
        reliable_weight = row.weight * row.confidence
        weighted_sum += row.value * reliable_weight
        weight_total += reliable_weight
        if row.confidence < 0.6:
            notes.append(f"{row.name}: 資料可信度偏低")
    if weight_total == 0:
        return 0.0, ["沒有可用觀測"]
    return weighted_sum / weight_total, notes

# 以下均為說明方法的模擬輸入，並非真實量測
samples = [
    Observation("示例疏散狀態", normalize(62, 0, 100), 1.0, 0.9),
    Observation("獨立通訊路徑", normalize(48, 0, 100), 0.8, 0.7),
    Observation("狀態確認目標", normalize(75, 0, 100), 1.2, 0.8),
    Observation("感測矛盾時原則", normalize(35, 0, 100), 0.7, 0.5),
]
score, warnings = evaluate(samples)
print("綜合示例分數:", round(score, 3))
for warning in warnings:
    print("檢查:", warning)