災害資訊的真相：精準不如及時，完美不如可用

在災害發生初期、情勢最動盪且資訊最不完整的階段（亦即災害「急性期」），我們常聽到一種期待──「等資料完整再決策」。

然而真正面對災害的人都知道：災害不會等你。

資訊未必是愈精確愈好，尤其在時間稀缺、情勢快速變動的緊急狀況中，追求「完全精準」往往意味著巨大的時間成本，而延遲本身就是一種風險。因此，在災害管理中，比起「精確但來得太遲」的資訊，能及時取得的『大概正確』資訊反而更能挽救生命。

這並非否定科學，也不是拒絕數據，而是承認災害的真實本質──不確定、複雜、快速演變。
關鍵在於：訊息不必完美，但必須足以支持行動。

正如經濟學家 John Maynard Keynes 所說：
「大概正確，勝過精準卻錯誤。（It is better to be roughly right than precisely wrong.）」

 

一、資訊愈精確，不一定愈好

其實我們在日常生活中早已習慣依賴「大概正確」的資訊進行決策。例如，導航的路況不會完全準確，但仍能協助我們選擇路線、避開壅塞；天氣預報不是百分百正確，但仍足以讓我們決定穿著與行程安排。若我們堅持「等最精準的導航資料才能上路」或「沒有十分確認的預報就不出門」，生活將完全停擺。

災害應變亦然。若所有行動都必須等到「完整狀況回報」、「傷患數據精確」、「需求完全確認」才能開始，那麼應變行動往往已經錯失時機。災害的破壞力來自速度，而能否降低傷害則取決於反應的速度。

 

二、資訊永遠存在「準確—及時」的權衡

資訊取得愈快，通常愈不精確；而資訊愈精確，往往需要更多時間處理與驗證。在災害中，這是一個無法避免但必須接受的矛盾。有效的資訊系統不是要求同時達到極致的精確與及時，而是找到兩者的平衡點：既不拖延行動，也不失去必要的可靠性。

特別是在醫院、交通、物流等高度依賴時間的系統中災害發生時，更需理解：

• 早一分鐘得到的粗略資訊，往往比晚十分鐘的精準資訊更有價值。
• 完整資訊的代價，可能就是錯失黃金應變時間。

因此在災害情境下，「適度的正確性」與「立即的可用性」才是資訊最重要的品質。

 

三、現場決策不是比較所有方案，而是快速採取可行方案

許多研究顯示，在高壓環境中做決策的專家，並不會先列出多個方案，再逐一比較優劣。他們的決策模式通常是：

1. 根據少量線索快速辨識情境
2. 生成一個「看起來可行」的方案
3. 迅速檢查是否有明顯問題
4. 若可行就立刻行動，而不是等待更好的選項

換句話說，他們依賴的不是完美資訊，而是足夠行動的資訊。因為在緊急情境中，行動的速度遠比資訊的精確度更能左右結果。災害應變亦是如此。你幾乎不可能擁有「完整資訊」才開始行動，但你一定會面臨「若不立刻行動就太遲」的時刻。

 

四、在不確定中做決策：為什麼粗略資訊反而更有韌性？

災害中最常見的不確定性包括：

• 災害狀況的不確定：如傷患數量、道路損毀程度、醫療物資需求
• 應變資源的不確定：如救護車可用量、被召回人員的實際到位情形、醫藥品庫存

若我們建立的模型與計畫「完全依賴精確數據」，那麼現實只要稍微偏離預測，整體計畫就可能失效。相較之下，更有韌性的策略往往依循另一種邏輯：

不需要知道確切數字，只需要知道合理範圍。

只要決策能在最壞情境下依然可行，就比依賴精準預測更能確保生命安全。因此最具韌性的災害管理系統，通常建立在「範圍資訊」、「模糊資訊」、「估計資訊」上，而非依賴精密但脆弱的模型。

 

五、災害應變不需要完美資訊，而是可行資訊

從以上可整理出災害管理中極為重要的思維：

1. 資訊不必完美，只要能支持決策。
2. 等待完全精確，代價是延誤與錯失時機。
3. 災害情境中，速度比精準度更重要。
4. 大概正確、及時可用的資訊，比精確但遲來的資訊更能挽救生命。

現實中的災害應變從不是整齊、可完全掌握的教科書情境。我們必須學會在不確定中行動，並接受資訊永遠不會完美的事實。正因如此，那句話在災害管理領域中特別有力量：

大概正確，比精準卻錯誤（或太遲）更好。

這並不是降低標準，而是讓決策更符合災害現場的真實脈動，更貼近人類決策的方式，也更能真正保護生命與資源。

 

作者：周維國（台灣緊急應變管理協會理事長、台大醫院急診部主治醫師）

每家醫院或機構都是獨一無二的，因此需要針對各自的特性進行規劃，如果您有客製化課程需求，歡迎與我們聯絡：https://forms.gle/DkHbXXf3ABDJS8659

 

參考資料：

1.          Ballou, D. P., & Pazer, H. L. (1995). Designing information systems to optimize the accuracy-timeliness tradeoff. Information Systems Research, 6(1), 51–72. https://doi.org/10.1287/isre.6.1.51

2.          Ben-Tal, A., Chung, B. D., Mandala, S. R., & Yao, T. (2011). Robust optimization for emergency logistics planning: Risk mitigation in humanitarian relief supply chains. Transportation Research Part B: Methodological, 45(9), 1177–1189. https://doi.org/10.1016/j.trb.2010.09.002

3.          Goodchild, M. F., & Glennon, J. A. (2010). Crowdsourcing geographic information for disaster response: A research frontier. International Journal of Digital Earth, 3(3), 231–241. https://doi.org/10.1080/17538941003759255

4.          Klein, G. (2008). Naturalistic decision making. Human Factors, 50(3), 456–460. https://doi.org/10.1518/001872008X288385

5.          McDaniel, E. L., Akwafuo, S., Urbanovsky, J., & Mikler, A. R. (2023). Benchmarking a fast, satisficing vehicle routing algorithm for public health emergency planning and response: “Good Enough for Jazz”. PeerJ Computer Science, 9, e1541. https://doi.org/10.7717/peerj-cs.1541

6.          Shoup, D. (2002). Roughly right or precisely wrong. ACCESS, (20), 20–25.