---
title: "Turvallisuusteatteri Itämerellä: kun sakset ovat uhka mutta viinipullot eivät"
subtitle: "Mitä todennäköisyyslaskenta kertoo laivaturvallisuuden todellisesta tasosta – ja miksi ROI-ajattelu paljastaa totuuden paremmin kuin tarkastuspöytäkirjat"
author: "Kristian Vepsäläinen"
date: 2026-04-25
categories: [turvallisuus, tilastot, todennäköisyys, simulointi]
format:
html:
code-fold: true
toc: true
lang: fi
---
```{r}
#| label: setup
#| message: false
#| warning: false
library(tidyverse)
library(patchwork)
library(scales)
theme_turvallisuus <- theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 16),
plot.subtitle = element_text(color = "gray40", size = 12),
panel.grid.minor = element_blank(),
legend.position = "bottom"
)
theme_set(theme_turvallisuus)
```
## Lähtölaukaus: sakset viedään, viinipullot jäävät
Jouko Kunnas matkusti hiljattain Viking Linella Tukholmasta Turkuun. Hän otti mukaansa yleiset parranajosakset. Tukholman terminaalissa laukku läpivalaistiin, sakset löydettiin ja takavarikoitiin turvallisuusuhkana. Katso lehtijutut https://www.is.fi/taloussanomat/art-2000011940358.html ja https://www.iltalehti.fi/matkajutut/a/245dfa8d-a564-4b39-ae39-2931077f4c9f .
Samalla laivalla myytiin tax-free-myymälässä viinipulloja, samppanjapulloja ja muita lasipakkauksia, jotka jokainen matkustaja sai viedä hyttiinsä. Rikottu viinipullo on ase – terävaroinen, painava, helppo käyttää. Yhden litran pullo painaa noin kilogramman ja sen kaula muodostaa käteen istuvan teräaseen muutamassa sekunnissa. Kukaan ei takavarikoinut viinipulloja.
Tämä ei ole anekdootti. Tämä on tilastollinen ongelma.
> **Viking Linen tiedotusjohtajan mukaan normaalilla suojaustasolla tarkastetaan säännöllisesti vain tietty prosenttiosuus matkustajista ja matkatavaroista sekä tehdään pistokokeita.**
Lisäksi autokannen kautta laivaan pääsee ilman tarkastusta. Autokannella oleskelu matkan aikana on kiellettyä – mutta se ei tietenkään estä ketään tuomasta autokannella mitä tahansa, koska ajoneuvoja ei systemaattisesti tarkasteta.
Kysymys kuuluu: **onko tässä kyse turvallisuudesta vai turvallisuusteatterista?**
Maailma on jakauma. Jotta voimme vastata tähän kysymykseen, meidän täytyy tarkastella jakaumia – ei yksittäisiä tarkastustapauksia.
---
## Data: ketä ja mitä uhka todella koskee?
### Viking Linen matkustajamäärät
Viking Line kuljetti vuonna 2024 yhteensä **4 646 676 matkustajaa** viidellä laivallaan. Vuonna 2023 luku oli 4 897 494. Käytetään konservatiivisempaa arviota 4,6 miljoonaa matkustajaa vuodessa.
Laivat liikennöivät pääosin Suomi–Ruotsi- ja Suomi–Viro-reiteillä.
### Meriterrorismi historiallisesti
Tieteellinen kirjallisuus on yksimielinen: **meriterrorismi ei ole ollut terroristien ensisijainen toimintamuoto**. Lainattakoon Journal of Transportation Security -lehteä (Springer 2020), jossa todetaan, että huolimatta Itämeren intensiivisestä laivamatkustajaliikenteestä, meriterrorismista ei ole dokumentoituja tapauksia Itämerellä. Globaalistakin perspektiivistä tapaukset ovat äärimmäisen harvinaisia: Achille Lauro 1985 (Välimeri), SuperFerry 14 2004 (Filippiinit). Nämä kaksi tapausta kattavat käytännössä koko moderni meriterrorismin lähihistorian.
Suojelupoliisin uhka-arvion (2026) mukaan terrorismin todennäköisin vektori Suomessa ovat yksinäiset tekijät ja pienet ryhmittymät, jotka kohdistavat väkivaltansa helppoihin maaleihin – eivät laivaterminaalit, jotka edellyttävät logistista suunnittelua.
### Väkivaltatapaukset laivoilla
Viking Gracella tapahtui **yksi ampumistapaus** vuonna 2017 – tiedotuspäällikön mukaan ensimmäinen laivayhtiön historiassa. Tekijä oli jo laivalla, ei laivaan pyrkinyt ulkopuolinen. Tarkastus ei olisi estänyt sitä.
```{r}
#| label: tapaukset-data
#| fig-width: 9
#| fig-height: 5
#| fig-cap: "Kuva 1. Viking Linen matkustajamäärä suhteessa dokumentoituihin turvallisuuspoikkeamiin (terrorismi/organisoitu väkivalta)"
# Matkustajamäärät vuosittain (Viking Line tilinpäätöstiedotteet)
vuosidata <- tibble(
vuosi = 2019:2024,
matkustajat = c(3220000, 1100000, 1700000, 4945564, 4897494, 4646676),
terrorismiuhka_laivalla = 0 # dokumentoituja tapauksia Itämerellä: 0
)
p1 <- ggplot(vuosidata, aes(x = vuosi, y = matkustajat / 1e6)) +
geom_col(fill = "#C8102E", alpha = 0.85) +
geom_text(aes(label = paste0(round(matkustajat / 1e6, 1), "M")),
vjust = -0.4, size = 3.5, fontface = "bold") +
annotate("text", x = 2021.5, y = 3.8,
label = "Itämerellä 0 meriterrorismitapausta\nkoko modernin historian aikana",
color = "gray30", size = 3.5, hjust = 0, fontface = "italic") +
scale_y_continuous(labels = label_number(suffix = "M"),
limits = c(0, 6.5),
expand = c(0, 0)) +
labs(title = "Viking Linen matkustajat 2019–2024",
subtitle = "Punaisella pylväällä miljoonat matkustajat – meriterrorismiuhka pysyy nollassa",
x = NULL, y = "Matkustajia (milj.)") +
theme(axis.text.x = element_text(size = 11))
p1
```
---
## Todennäköisyyslaskenta: mikä uhka todella on?
### Bayesilainen kehys
Kysytään: **mikä on todennäköisyys, että yksittäinen laivaan nouseva matkustaja on terroristi tai väkivaltaan pyrkivä hyökkääjä?**
Merkitään:
- $P(H)$ = priori-todennäköisyys, että matkustaja on hyökkääjä
- $P(D|H)$ = havaintojen todennäköisyys, jos hyökkääjä
- $P(D|\neg H)$ = väärän hälytyksen todennäköisyys
Itämeren kontekstissa voidaan laskea karkea priori:
```{r}
#| label: bayesian-calc
# --- Parametrit ---
# Itämerellä 0 terroristihyökkäystä laivoihin modernin historian aikana (50v)
# Oletetaan varovaisesti 1 potentiaalinen tapaus / 50 vuotta
tapauksia_50v <- 1
vuotta <- 50
# Viking Linen + kilpailijoiden yhteinen matkustajamäärä Itämerellä
# Viking Line ~5M, Tallink Silja ~8M, muut ~2M = karkeasti 15M/v
kokonais_matkustajat_v <- 15e6
kokonais_50v <- kokonais_matkustajat_v * vuotta
# Priori: kuinka monta hyökkäysaikeessa olevaa on ollut viime 50v?
# Oletetaan liberaalisti, että jokainen potentiaalinen tapaus = 1 henkilö
priori <- tapauksia_50v / kokonais_50v
cat("=== Bayesilainen priori-arvio ===\n")
cat(sprintf("Tapauksia 50 v aikana: %d\n", tapauksia_50v))
cat(sprintf("Matkustajia 50 v aikana: %.0f milj.\n", kokonais_50v / 1e6))
cat(sprintf("P(hyökkääjä) priori: 1 / %.0f milj. = %.2e\n",
kokonais_50v / 1e6, priori))
cat(sprintf("\nKäytännössä: yksi potentiaalinen hyökkääjä\n"))
cat(sprintf("750 MILJOONAA matkustajaa kohden.\n"))
```
### Tarkastusten hyöty vs. haitta: Bayesilainen päivitys
Oletetaan, että tarkastusjärjestelmällä on:
- **Herkkyys** (sensitiivisyys): 70 % — järjestelmä löytää 70 % todellisin aikein varustelluista henkilöistä
- **Tarkkuus** (spesifisyys): 99,9 % — vain 0,1 % viattomista laukuista saa hälytykseen (varsin optimistinen arvio läpivalaisulle)
```{r}
#| label: bayes-update
#| fig-width: 9
#| fig-height: 5
#| fig-cap: "Kuva 2. Väärien hälytysten jakauma vs. aidot uhkat yhdellä laivamatkustajien erällä"
sensitivity <- 0.70 # järjestelmä tunnistaa 70 % hyökkääjistä
specificity <- 0.999 # 99,9 % viattomista läpäisee ongelmitta
# Yhdellä lähdöllä on karkeasti 2 500 matkustajaa (Viking Grace kapasiteetti ~2800)
N <- 2500
p_hyokkääjä <- priori # = 1/750M
# Odotusarvo: kuinka monta oikeaa hyökkääjää yhdessä lähdössä?
odotusarvo_hyökkääjät <- N * p_hyokkääjä
# Vääriä hälytyksiä (false positive)
vaarien_halytysten_lkm <- N * (1 - p_hyokkääjä) * (1 - specificity)
cat(sprintf("Matkustajia per lähtö: %d\n", N))
cat(sprintf("Odotusarvo aidoista uhkista: %.6f (käytännössä 0)\n", odotusarvo_hyökkääjät))
cat(sprintf("Odotusarvo vääristä hälytyksistä: %.1f\n", vaarien_halytysten_lkm))
cat(sprintf("\nJokaista aitoa uhkaa kohden on noin %.0f väärää hälytystä.\n",
vaarien_halytysten_lkm / max(odotusarvo_hyökkääjät, 1e-12)))
# Monte Carlo: simuloidaan 10 000 lähtöä
set.seed(42)
n_sim <- 10000
simulaatio <- tibble(
lähtö = 1:n_sim,
aidat = rbinom(n_sim, size = N, prob = p_hyokkääjä),
vaarit = rbinom(n_sim, size = N, prob = (1 - p_hyokkääjä) * (1 - specificity))
)
p2 <- simulaatio |>
pivot_longer(c(aidat, vaarit), names_to = "tyyppi", values_to = "lkm") |>
mutate(tyyppi = recode(tyyppi,
aidat = "Aidot uhkat (odotusarvo ≈ 0)",
vaarit = "Väärät hälytykset")) |>
ggplot(aes(x = lkm, fill = tyyppi)) +
geom_histogram(binwidth = 0.5, color = "white", alpha = 0.85) +
facet_wrap(~tyyppi, scales = "free") +
scale_fill_manual(values = c("Aidot uhkat (odotusarvo ≈ 0)" = "#2166AC",
"Väärät hälytykset" = "#D6604D")) +
labs(title = "Monte Carlo: 10 000 simuloitua laivalähtöä",
subtitle = "Aidot uhkat vs. väärät hälytykset per lähtö (N = 2 500 matkustajaa)",
x = "Tapauksia per lähtö", y = "Simulaatioita",
fill = NULL) +
theme(legend.position = "none",
strip.text = element_text(face = "bold", size = 11))
p2
```
```{r}
#| label: ppv-calc
# Positiivinen ennustearvo (PPV) = P(oikea uhka | hälytys)
# PPV = (sensitivity * prevalence) / [(sensitivity * prevalence) + (1-specificity)*(1-prevalence)]
prevalence <- p_hyokkääjä
ppv <- (sensitivity * prevalence) /
((sensitivity * prevalence) + (1 - specificity) * (1 - prevalence))
cat("=== Tarkastusjärjestelmän diagnostinen arvo ===\n")
cat(sprintf("Positiivinen ennustearvo (PPV): %.8f\n", ppv))
cat(sprintf("\nToisin sanoen: jos tarkastus antaa hälytyksen,\n"))
cat(sprintf("todennäköisyys aidosta uhkasta on %.6f %%.\n", ppv * 100))
cat(sprintf("\nKäytännössä jokainen hälytys on väärä hälytys.\n"))
```
**Tulkinta:** Vaikka olettaisimme, että tarkastusjärjestelmä tunnistaa 70 % hyökkääjistä ja antaa väärän hälytyksen vain 0,1 %:ssa tapauksista, positiivinen ennustearvo on käytännössä nolla. Tämä johtuu siitä, että aidot uhkat ovat äärimmäisen harvinaisia — esiintyvyys on alle yksi kymmenestä miljoonasta. Klassinen Bayesin teoreeman sovellus: **harvinainen ilmiö hukkuu taustakohinaan**.
---
## Turvallisuusteatterin anatomia: mitä tarkastetaan vs. mikä on riski
```{r}
#| label: riski-matriisi
#| fig-width: 10
#| fig-height: 6
#| fig-cap: "Kuva 3. Turvallisuustoimenpiteiden kohdistuminen suhteessa todelliseen riskiin"
riski_data <- tibble(
toimenpide = c(
"Sakset tarkastetaan\n(satunnaiset matkustajat)",
"Autokansi: ei tarkastusta\nmatkustajiin",
"Tax-free viinipullot\nhyttiin: ei rajoituksia",
"Meripelastus- ja\nevakuointiharjoitukset",
"Juoppohäiriöt\n(turvallisuusriski arjessa)",
"Meriturvallisuus\n(rakenteet, sää)"
),
toteutunut_riski = c(0.01, 6.0, 4.5, 2.0, 8.5, 9.5),
tarkastuksen_intensiteetti = c(7.5, 0.5, 0.5, 9.5, 3.0, 9.0),
kategoria = c("Turvallisuusteatteri", "Aukko", "Aukko",
"Aito turvallisuus", "Aliresursoitu", "Aito turvallisuus")
)
ggplot(riski_data,
aes(x = toteutunut_riski, y = tarkastuksen_intensiteetti,
color = kategoria, label = toimenpide)) +
geom_point(size = 5, alpha = 0.8) +
ggrepel::geom_text_repel(size = 3.2, max.overlaps = 20,
box.padding = 0.5, segment.alpha = 0.4) +
geom_abline(slope = 1, intercept = 0, linetype = "dashed",
color = "gray50", alpha = 0.6) +
annotate("text", x = 1, y = 9,
label = "Yli diagonaalin:\ntarkastetaan enemmän\nkuin riski edellyttää",
size = 3, color = "gray40", fontface = "italic") +
annotate("text", x = 8.5, y = 1.5,
label = "Alle diagonaalin:\nriski on suurempi\nkuin tarkastus",
size = 3, color = "gray40", fontface = "italic") +
scale_color_manual(values = c(
"Turvallisuusteatteri" = "#D6604D",
"Aukko" = "#F4A582",
"Aito turvallisuus" = "#2166AC",
"Aliresursoitu" = "#92C5DE"
)) +
scale_x_continuous(limits = c(0, 11), breaks = 0:10) +
scale_y_continuous(limits = c(0, 11), breaks = 0:10) +
labs(title = "Turvallisuustoimenpiteiden kohdistuminen vs. todellinen riski",
subtitle = "Pisteet diagonaalin yläpuolella = yliresursoitu | alapuolella = aliresursoitu",
x = "Toteutunut riski (asiantuntija-arvio, 0–10)",
y = "Tarkastuksen / harjoituksen intensiteetti (0–10)",
color = NULL) +
theme(legend.position = "bottom",
legend.text = element_text(size = 11))
```
Kuvio on pelkistys, mutta se kuvaa ongelman ytimen: **sakset tuottavat näkyvyyttä, autokansi tuottaa haavoittuvuuden, ja viinipullot ovat vapaakauppatavaraa**. Tarkastusten intensiteetti ei korreloi riskitason kanssa.
---
## ROI-analyysi: turvallisuustoimenpiteet vs. lottokuponki
Vertailuasettelu on provokatiivinen mutta tilastollisesti oikeutettu: missä rajakustannus estää enemmän haittaa?
### Lottovertailu: todennäköisyyksien kalibrointi
```{r}
#| label: lotto-vertailu
#| fig-width: 9
#| fig-height: 6
#| fig-cap: "Kuva 4. Todennäköisyysjakaumien vertailu: uhkaskenaariot ja lotto"
# Lotto: 7 oikein 40:stä
# C(40,7) = 18 643 560 yhdistelmää
lotto_p <- 1 / 18643560
# Meriterrori-uhka: 1 tapaus / 750M matkustajaa (aiempi arvio)
terrori_p <- 1 / 750e6
# Muita vertailukohtia (karkeita arvioita, julkiset lähteet)
salama_p <- 1 / 1000000 # salamanisku vuoden aikana (Ilmatieteen laitos)
auto_kuolema_p <- 1 / 20000 # kuolema liikenneonnettomuudessa per ajokilometri-normalisoitu
tapaukset <- tibble(
tapahtuma = c(
"Lottovoitto (7 oikein)",
"Meriterrori-isku\nItämerellä (yksittäinen matka)",
"Salaman isku\n(yksittäinen henkilö, vuosi)",
"Kuolema liikenteessä\n(suhteutettuna vuoteen)"
),
todennakoisyys = c(lotto_p, terrori_p, salama_p, auto_kuolema_p),
kategoria = c("Vertailukohta", "Laivaturvallisuus",
"Luonnonilmiö", "Liikenneturvallisuus")
)
ggplot(tapaukset, aes(x = reorder(tapahtuma, todennakoisyys),
y = todennakoisyys,
fill = kategoria)) +
geom_col(alpha = 0.85) +
geom_text(aes(label = sprintf("1 / %.0f M", 1 / todennakoisyys / 1e6)),
hjust = -0.1, size = 3.5) +
coord_flip() +
scale_y_log10(
labels = label_scientific()
) +
scale_fill_manual(values = c(
"Vertailukohta" = "#4D9221",
"Laivaturvallisuus" = "#D6604D",
"Luonnonilmiö" = "#92C5DE",
"Liikenneturvallisuus"= "#F4A582"
)) +
labs(title = "Todennäköisyysvertailu: meriterrori vs. lotto (log-asteikko)",
subtitle = "Meriterrori-uhka on lottoa harvinaisempi tapahtuma",
x = NULL, y = "Todennäköisyys (log-asteikko)", fill = NULL) +
theme(legend.position = "bottom",
axis.text.y = element_text(size = 10.5))
```
### Rajakustannusanalyysi
```{r}
#| label: roi-analyysi
# Kustannusarviot (karkeita, mutta julkisiin palkkatilastoihin perustuvia)
# Securitas-tarkastajan palkka (vartiointiala, TES 2024–2025, taso A)
# ~13–15 €/h, työvuoro 8h
vartija_palkka_vuoro <- 14 * 8 # euroa per työvuoro
# Terminaalissa per lähtö noin 2 vartijaa 2h = 4 henkilötyötuntia
tarkastus_kustannus_per_lahtö <- 4 * 14
# Lähtöjä per vuosi (5 laivaa, karkeasti 2 lähtöä/vrk/laiva)
lähtöjä_v <- 5 * 2 * 365
# Kokonaiskustannus vuodessa
kustannus_v <- tarkastus_kustannus_per_lahtö * lähtöjä_v
# Estettyjä tapauksia (odotusarvo)
# P(hyökkääjä per lähtö) * sensitivity * lähdöt/v
estetyt_v <- (1 / 750e6) * 0.70 * (5 * 2500 * 365)
cat("=== Rajakustannusanalyysi: turvallisuustarkastukset ===\n\n")
cat(sprintf("Kustannus per lähtö (tarkastushenkilöstö): %.0f €\n",
tarkastus_kustannus_per_lahtö))
cat(sprintf("Lähtöjä vuodessa: %.0f\n", lähtöjä_v))
cat(sprintf("Arvioitu kokonaiskustannus/v: %.0f €\n", kustannus_v))
cat(sprintf("\nEstettyjä tapauksia per vuosi (odotusarvo): %.8f\n", estetyt_v))
cat(sprintf("\nKustannus per estetty tapaus: %.0f € (miljoonia euroja)\n",
kustannus_v / max(estetyt_v, 1e-12)))
cat(sprintf("\nVertailu: loton päävoiton todennäköisyys on %.1f x SUUREMPI\n",
lotto_p / terrori_p))
cat(sprintf("kuin meriterrori-uhkan todennäköisyys yksittäisellä matkalla.\n"))
```
**Johtopäätös rajakustannuksesta:** Jos lähtöä kohden käytetään 112 euroa tarkastushenkilöstöön (hyvin konservatiivinen arvio), ja aidolle uhkakohteelle törmätään kerran 750 miljoonan matkustajan välein, nousee yhden tapahtuman ennaltaehkäisyn kustannus suuruusluokkaan **satoja miljoonia euroja per estetty tapaus**. Loton päävoiton todennäköisyys on moninkertaisesti suurempi kuin uhkan todennäköisyys.
---
Edellä osoitin, että meriterrorismin todennäköisyys yksittäisellä Itämeren laivamatkalla on alle **1 : 750 000 000** — moninkertaisesti harvinaisempi kuin loton päävoitto. Mutta abstrakti todennäköisyys on vaikea käsittää. Tarvitsemme konkreettisen mittarin.
**Mittari:** Estonia. Syyskuussa 1994 uppoava laiva tappoi 852 ihmistä — pahin Itämeren laivakatastrofi modernina aikana. Se on nyt vakiinnuttanut paikkansa kollektiivisessa muistissa juuri siksi, että se oli niin poikkeuksellinen.
Kysymys: **kuinka monta Estonian suuruista katastrofia laivaturvatarkastukset olisivat estäneet, jos niitä olisi tehty neljän eri aikahorisontin ajan?**
Huomio: Estonia upposi rakenteellisen vian ja myrskyn yhdistelmästä — ei terrorismista. Vertailu on tarkoituksellisesti absurdi, ja absurdiuden on määrä kuvata yhtä asiaa: **base rate on niin pieni, että tarkastukset eivät muuta yhtään mitään**.
---
## Parametrit ja oletukset
```{r}
#| label: parametrit
# --- Kiinteät parametrit ---
# Estonia: kuolleita
estonia_kuolleet <- 852
# Itämeren laivaterrorismi: 0 dokumentoitua tapausta koskaan
# Käytetään edellisen postauksen konservatiivista arviota:
# 1 potentiaalinen tapaus / 750 miljoonaa matkustajaa
terrori_p_per_matkustaja <- 1 / 750e6
# Tarkastuksen herkkyys (sensitivity): 70 % — löytää 70 % hyökkääjistä
sensitivity <- 0.70
# Itämeren laivamatkustajia nykyään per vuosi (Viking Line + Tallink Silja + muut)
# Viking Line ~5M, Tallink Silja ~8M, muut ~2M
matkustajia_v <- 15e6
# Historiallinen skaala: ennen moderneja laivoja käytetään pienempää matkustajamäärää
# Nykyaikainen laivaliikenne alkoi ~1960-luvulla; käytetään vaiheistettua estimaattia
# --- Aikahorisonttien määritelmät (LÄHTEET alla) ---
# 1) Itämeri nykymuodossaan: ~10 000 vuotta (jääkauden jälkeen; Järvi-meriwiki)
# 2) Homo sapiens: ~300 000 vuotta (paleoantropologia, Science 2017)
# 3) Maapallo: ~4 600 000 000 vuotta (geologia.fi)
# 4) Tunnettu maailmankaikkeus: ~13 800 000 000 vuotta (Big Bang; Planck 2018)
aikahorisontti <- tibble(
nimi = c(
"Nykyinen Itämeri\n(~10 000 v)",
"Homo sapiens\n(~300 000 v)",
"Maapallo\n(~4,6 miljardia v)",
"Maailmankaikkeus\n(~13,8 miljardia v)"
),
vuotta = c(
10e3,
300e3,
4.6e9,
13.8e9
),
lahde = c(
"Järvi-meriwiki; Itämeren nykymuoto n. 10 000 v sitten",
"Hublin ym. 2017, Nature; varhaisin H. sapiens ~315 000 v",
"Geologia.fi; maapallon ikä 4 550–4 600 milj. v",
"Planck Collaboration 2018; universumin ikä 13,8 milj. v"
)
)
```
```{r}
#| label: laskelmat
# Matkustajamäärä per vuosi historian eri vaiheissa:
# - Nykyinen Itämeri (10 000 v): laivoja ei ollut ensimmäiset ~8 000 v;
# primitiiviset veneet alkoivat n. 2 000 v eKr. → konservatiivisesti
# käytetään nykyistä liikennettä vain viimeisiltä 60 vuodelta (1965→),
# mutta laskelmassa oletetaan koko ajan nykyinen 15M/v → YLIARVIO,
# joka tekee argumentista konservatiivisemman
# - Kauempiin horisonteihin sama logiikka: max. bias against argument
# Lasketaan odotusarvo estettyistä tapauksista per aikahorisontti
aikahorisontti <- aikahorisontti |>
mutate(
# Kokonaismatkustajia koko aikajänteellä (yliarvio — vahvistaa argumentin)
matkustajia_yht = vuotta * matkustajia_v,
# Odotettu hyökkääjien lukumäärä koko aikajänteellä
hyokkaajiä_odotus = matkustajia_yht * terrori_p_per_matkustaja,
# Tarkastus löytää 70 % heistä → estetyt tapaukset
estetyt_tapaukset = hyokkaajiä_odotus * sensitivity,
# Kuinka monta Estonian suuruista katastrofia?
estonia_ekvivalenttia = estetyt_tapaukset * 1 / estonia_kuolleet,
# Kuinka monta vuotta kuluu yhtä estettyä tapausta kohden?
vuotta_per_tapaus = vuotta / pmax(estetyt_tapaukset, 1e-20)
)
# Tulostus
aikahorisontti |>
select(nimi, vuotta, matkustajia_yht, hyokkaajiä_odotus,
estetyt_tapaukset, estonia_ekvivalenttia) |>
mutate(
across(c(vuotta, matkustajia_yht), ~ format(round(.x), big.mark = " ")),
across(c(hyokkaajiä_odotus, estetyt_tapaukset, estonia_ekvivalenttia),
~ formatC(.x, format = "e", digits = 3))
) |>
knitr::kable(
col.names = c("Aikahorisontti", "Vuotta", "Matkustajia yhteensä",
"Hyökkääjiä (odotus)", "Estetyt tapaukset",
"Estonia-ekvivalenttia"),
align = "lrrrrr",
caption = "Taulukko 1. Estettyjen terrorismitapahtumien odotusarvo eri aikahorisonteilla."
)
```
```{r}
#| label: tulkinta-print
cat("=== PÄÄTULOSTEEN YHTEENVETO ===\n\n")
for (i in seq_len(nrow(aikahorisontti))) {
rivi <- aikahorisontti[i, ]
cat(sprintf("%-35s\n", gsub("\n", " ", rivi$nimi)))
cat(sprintf(" Matkustajia yhteensä: %.2e\n", rivi$matkustajia_yht))
cat(sprintf(" Odotettu hyökkääjiä: %.4e\n", rivi$hyokkaajiä_odotus))
cat(sprintf(" Estetyt tapaukset: %.4e\n", rivi$estetyt_tapaukset))
cat(sprintf(" Estonia-ekvivalenttia: %.6f\n", rivi$estonia_ekvivalenttia))
cat(sprintf(" → Estettäisiin 1 tapaus joka %.2e vuotta\n\n",
rivi$vuotta_per_tapaus))
}
```
---
## Visualisointi
```{r}
#| label: viz-log-pylvas
#| fig-width: 10
#| fig-height: 6
#| fig-cap: "Kuva 1. Estonia-ekvivalentteja estettynä eri aikahorisonteilla (log-asteikko). Kaikki arvot ovat pienempiä kuin yksi — eli yhdenkään Estonian suuruista katastrofia ei olisi estetty millään aikajänteellä."
ggplot(aikahorisontti,
aes(x = fct_inorder(nimi),
y = estonia_ekvivalenttia,
fill = log10(vuotta))) +
geom_col(alpha = 0.88, width = 0.65) +
geom_text(
aes(label = sprintf("%.2e\nEstoniaa", estonia_ekvivalenttia)),
vjust = -0.4, size = 3.5, fontface = "bold", color = "gray20"
) +
geom_hline(yintercept = 1, linetype = "dashed", color = "#D6604D",
linewidth = 1.1) +
annotate("text", x = 3.6, y = 1.08,
label = "1 Estonia = 852 kuollutta", color = "#D6604D",
size = 3.8, fontface = "italic") +
scale_y_log10(
labels = label_scientific()
) +
scale_fill_gradient(low = "#92C5DE", high = "#2166AC",
guide = "none") +
labs(
title = "Kuinka monta Estoniaa turvatarkastukset olisivat estäneet?",
subtitle = paste0(
"Oletus: 15 milj. matkustajaa/v, terrori-P = 1/750M, tarkastusherkkyys 70 %\n",
"Yksi pylväs jää alle punaisen viivan (= 1 Estonia)"
),
x = NULL,
y = "Estetyt Estonia-ekvivalentit (log-asteikko)"
) +
theme(axis.text.x = element_text(size = 11, lineheight = 1.3))
```
---
## Tulkinta: mitä luvut sanovat
```{r}
#| label: vertailut-print
universumin_ika <- 13.8e9
itameri_horisontti <- aikahorisontti |> filter(row_number() == 1)
maailmankaikkeus <- aikahorisontti |> filter(row_number() == 4)
cat(sprintf(
"Nykyisen Itämeren koko olemassaoloaikana (10 000 v) turvatarkastukset
olisivat estäneet %.6f Estonian suuruista katastrofia.\n",
itameri_horisontti$estonia_ekvivalenttia
))
```
Luvut ovat tietenkin täydellisen absurdeja — ja se on juuri se pointti.
**Maailma on jakauma.** Turvallisuustoimenpiteen arvo mitataan sen todennäköisyydellä estää haittatapahtuma. Jos haittatapahtuman perusriski on **nolla koko Itämären historian ajan**, ei tarkastus — olipa se kuinka tarkka tahansa — pysty muuttamaan tätä arvoa mihinkään.
Tämä ei tarkoita, että laivat ovat vaarallisia. Ne ovat erittäin turvallisia. Se tarkoittaa, että **turvallisuus syntyy muualla**: rakenteiden lujuudessa, merimiestaidossa, evakuointivalmiudessa ja arjen järjestyksenpidossa — ei siinä, otetaanko tavallisen matkustajan sakset pois terminaalissa Tukholmassa.
---
## Marginaalihuomio: miksi absurdi argumentti on silti reilu
Joku voi väittää: *"Et voi käyttää universumin ikää — laivat eivät ole olleet olemassa niin kauan."*
Täsmälleen oikein. Siksi laskelma on konservatiivinen: käytin koko aikajänteellä **nykyistä** matkustajamäärää (15 miljoonaa per vuosi), vaikka todellisuudessa laivamatkustus on ollut nykyisen suuruusluokan vain muutaman vuosikymmenen ajan. Yliarvioitu matkustajamäärä → yliarvioitu uhkien määrä → yliarvioitu tarkastusten hyöty. Luvut ovat siis **parhaimmillaan** turvatarkastuksia suosivassa suunnassa — ja silti tulos on, että yhden Estonian verran ihmishenkiä ei olisi pelastettu koko Itämeren olemassaoloaikana.
> **Standardi turvallisuusanalyysi:** *Toimenpiteen kustannus tulee suhteuttaa sen odotusarvoiseen hyötyyn.*
> Odotusarvoinen hyöty: ~0 Estonia-ekvivalenttia koko Itämeren olemassolon aikana.
> Toimenpiteen kustannus: kymmeniä miljoonia euroja vuodessa, paljon turhaa haittaa matkustajille
Tätä kutsutaan turvallisuusteatteriksi.
## Mikä sitten oikeasti toimii?
Ei kannata lopettaa analyysiin ilman ratkaisuehdotusta. Datan perusteella laivaturvallisuudessa toimii:
**1. Meriturvallisuus** — Estonia-onnettomuuden (852 kuollutta, 1994) jälkeen tehdyt sääntelyuudistukset ovat pelastaneet todistettavasti ihmishenkiä. Tämä on mitattavissa: kuolleiden määrä Itämeren laivaonnettomuuksissa on laskenut dramatisesti. Rakenteet, evakuointiharjoitukset, pelastusliivit — näiden ROI on dokumentoitu.
**2. Juopumuksen hallinta** — Laivalla esiintyvä väkivalta liittyy ylivoimaisesti useimmin alkoholiin, ei terrorismiin. Tämä on mitattu riski. Viking Grace -ampuminenkin tapahtui laivan sisällä, ei terminaalissa.
**3. Miehistön koulutus** — Vuosittaiset evakuointi-, palo- ja pelastusharjoitukset ovat aito turvallisuusinvestointi.
Sakset? Satunnainen läpivalaisu? Niiden ainoa mitattava vaikutus on **se, että matkustajat kokevat olevansa turvassa** — mikä ei ole turvallisuutta, vaan turvallisuuden tunne. Ne ovat teatteria.
> **Maailma on jakauma.** Yhden saksiparin takavarikointi on pisteluku. Itämerellä kulkevien 750 miljoonan matkustajan joukossa meriterrorismin jakauma on niin litteä, että sen huippu hukkuu nollaan.
---
## Lopuksi: mistä turvallisuusteatteri syntyy?
Turvallisuusteatteri ei synny pahuudesta. Se syntyy kolmesta rakenteellisesta ongelmasta:
**1. ISPS-koodin kirjain vs. henki.** IMO:n kansainvälinen ISPS-koodi velvoittaa varustamot turvatarkastuksiin. Tarkastukset tehdään, koska ne ovat pakollisia — ei siksi, että ne olisivat tehokkaita. Vaatimustenmukaisuus ≠ turvallisuus.
**2. Havaittavuusharha.** Takavarikoitu saksipari näkyy ja tuntuu konkreettiselta. Tilastollinen odotusarvo siitä, kuinka moni meriterroristi liikkuu Itämerellä, ei näy eikä tunnu miltään. Ihmisaivot painottavat havaittavaa ylisuhtaisesti.
**3. Väärän positiivisuuden ongelma.** Kuten Bayelainen tilastotiede osoittaa: kun esiintyvyys on riittävän pieni, tarkastusjärjestelmä tuottaa enemmän väärää pelkoa ja kitkaa kuin aitoja uhkia kiinni saatuaan.
Tämä ei tarkoita, että laivat ovat vaarallisia. Ne ovat erittäin turvallisia. Se tarkoittaa, että turvallisuus syntyy muualla kuin läpivalaisukoneen edessä.
---
*Data: Viking Line tilinpäätöstiedotteet 2022–2024 (matkustajamäärät); Veikkaus / Wikipedia (loton todennäköisyydet: C(40,7) = 18 643 560); PMC / Journal of Transportation Security (meriterrorismi Itämerellä); Viking Linen tiedotusjohtaja Johanna Boijer-Svahnström / Iltalehti (tarkastuskäytännöt); Suojelupoliisi, Kansallinen terrorismin uhka-arvio 2026. Monte Carlo -simulaatiot R:llä (tidyverse, set.seed(42)).Itämeren ikä: Järvi-meriwiki, Jyväskylän yliopisto (nykyinen Itämeri ~10 000 v); Homo sapiens: Hublin ym. 2017, Nature 546; Maapallon ikä: geologia.fi / International Commission on Stratigraphy (4 550–4 600 milj. v); Universumin ikä: Planck Collaboration 2018, A&A 641 (13,8 milj. v);*
---
**Tarvitsetko organisaatiollesi analyysin, jossa riski ja resurssit kohtaavat oikeasti — eikä vain paperilla?** Datan ja todennäköisyyslaskennan avulla voidaan osoittaa, mihin turvallisuusinvestoinnit kannattaa oikeasti kohdistaa. [Ota yhteyttä](https://kristianvepsalainen.com) — ensimmäinen keskustelu on maksuton.
