公路隧道人员疏散速度与个体属性相关性研究

李远哲， 安文娟，2， 谢耀华， 江维维

(1.招商局重庆交通科研设计院有限公司， 重庆 400067; 2.重庆交通大学 土木工程学院， 重庆 400074)

公路隧道结构封闭、通风照明受限等自带先天环境特点，使之运营安全难度大，对洞内通风、消防及人员疏散救援要求极高[1]。因此，洞内事故工况下的人员疏散逃生问题一直是业界研究的重点，其中疏散行走速度与出口识别[2]是公路隧道内决定人员疏散逃生的2个关键因素，个人属性特征、疏散心理、疏散环境、社会因素等方面都会影响疏散行走速度。

近年来，针对公路隧道内的人员疏散速度，国内外开展了很多试验研究。M.Seike、K. Fridolf、Zhang等[3-8]通过在充满烟雾的实体隧道内开展大规模单人试验，研究了烟雾环境下人员的正常行走速度与紧急疏散速度，以及能见度因素与疏散速度之间的关系，并在试验过程中，通过问卷调查、访问座谈等形式，调查了试验参与者的年龄、性别、职业等个人属性及疏散心理情绪，分析了不同个人属性及疏散情绪因素对疏散行为的影响。Kinateder等[9]基于虚拟现实(VR)试验研究了社会因素、信息因素及经验因素对隧道事件环境下人员疏散路径与出口选择的影响。谢宝超等[10]采用大巴车现场试验，研究了人员年龄、性别与大巴车内疏散时间的关系。周健等[11-12]通过对976人的问卷调查统计分析，发现人员疏散心理行为与性别、年龄、文化程度、消防教育水平等因素显著相关。在疏散行为建模方面，屈云超等[13]基于行人从众心理和信息传递对疏散行为的影响，构建了疏散路径选择仿真模型。王羽尘等[14]在虚拟现实的公路隧道火灾环境下开展了疏散行为试验，研究了环境因素、社会因素、个人因素与逃生行为的关系，并以各影响因素为变量，构建了疏散行为MNL模型。郑霞忠等[15]选取地铁结构、携带行李等8个速度影响因子，建立了地铁站疏散速度影响指标体系，然后采用未确知测度理论，确定了速度修正模型。

综上所述，目前针对个人属性与公路隧道内疏散行为的相关性研究，主要以问卷调查为基础的定性分析为主，缺乏个人属性与疏散行为之间的定量分析研究。而模型方面，针对疏散路径决策的仿真模型构建研究较多，针对疏散速度参数的建模研究较少。为此，本文通过在全尺寸试验隧道内开展人员疏散试验，采用调查问卷采集试验人员的个人属性数据，采用蓝牙AOA(Angle of Arrival 到达角)定位系统采集试验人员的移动数据，基于以上数据分析疏散速度与个人属性之间的相关性，并构建两者之间的数学模型，为公路隧道应急疏散方案制定提供依据。

1 隧道内疏散试验

1.1 试验参与者

试验前，在试验隧道所在地公开招募参与者。招募过程中，基于安全考虑，招募范围为年龄满18周岁且身体健康状况良好的人。最终，共招募180名参与者，其中男性95人，女性75人。

1.2 试验隧道

试验隧道为1∶1全比例尺隧道，长150 m、宽14.55 m。隧道内部设有3个紧急出口，相邻紧急出口的间距为45 m；紧急出口装有防火门，门宽1.5 m，处于关闭状态。隧道内部设置有照明灯具、通风机、疏散指示标志等常规设施。

1.3 试验设备

试验设备包括音响、冷烟机、能见度检测器、摄像机、蓝牙AOA定位系统等。

音响：飞利浦(PHILIPS)SD50户外蓝牙音响1台，用于播放模拟突发事件的声音。

冷烟机：喷烟量5 600 cuft/min，喷烟距离2 m～4 m，共4台，全部布设在隧道尽头，用于制造白色无刺激性烟雾。

能见度检测器：检测距离10 m，共4台，分别布设在模拟事件点附近和3个紧急出口附近，用于检测隧道烟雾环境下的人员能见度。

高清摄像机：红外拍摄距离30 m，共6台，全部安装在隧道内有紧急出口的一侧，安装间距为30 m，用于记录和观察整个试验过程。

蓝牙AOA定位系统：定位距离最远可达20 m，移动定位精度0.3 m～0.5 m。共8座蓝牙AOA定位基站，全部安装在隧道顶部中间位置，安装间距为18.75 m。试验参与者在试验过程中佩戴装有AOA电子标签的安全帽，AOA电子标签与基站形成一套定位系统，实时采集参与者的XYZ三轴坐标数据，坐标采集频率为1次/100 ms。

1.4 试验环境

试验开始前，隧道内即开始释放人工冷烟和消防烟雾的混合烟雾，以模拟火灾事件环境，如图1所示。其中消防烟雾释放量极少，会使试验参与者闻到烟火味，但不会刺激眼睛。释放烟雾过程中，通过能见度检测器检测隧道内的能见度，以控制烟雾浓度。当模拟事件点及3个紧急出口附近2 m高处的能见度检测值为20 m时，停止释放烟雾，立即开始试验。试验过程中，为了使烟雾保持一定的浓度，未开启通风排烟系统。

图1 隧道内试验环境

1.5 试验程序

由于试验隧道较短，为避免自然光照，更好地控制隧道内能见度，试验在傍晚19:00天黑后开始，采用灯光照明。由于试验参与者较多，180名参与者按照年龄组成被分为9组，每组20人，每组的年龄组成与总群体的年龄组成一致。

试验前，参与者每人均需填写一份调查问卷，问卷内容包括参与者的编号、年龄、性别、职业以及公路隧道使用频率、隧道内行走经历、隧道事件经历、逃生培训经历等问题。试验前，参与者仅被告知必要的注意事项和试验程序，未被告知疏散方向和紧急出口位置，且不允许参与者提前进入隧道，试验后也不允许互相交流。

试验时，得到现场工作人员的命令后，试验参与者从隧道入口进入隧道，以正常的行走状态一直往前走，行走过程中需绕开障碍物。待所有参与者走到疏散起点时，现场工作人员遥控播放事故模拟声，参与者听到事故声后立即进入紧急逃生状态，在隧道内寻找紧急出口逃生，如图2所示。由于本次试验的疏散出口设定为隧道侧壁上的3个紧急出口，因此试验前参与者被告知不能从隧道两端洞口疏散，仅能在隧道内寻找出口，若有参与者从洞口逃生，现场工作人员将及时制止。

2 试验结果与相关性分析

2.1 试验数据处理

试验后，将蓝牙AOA系统采集到的数据以及问卷调查数据输入计算机进行处理。根据蓝牙AOA系统采集到的个人移动坐标数据计算其移动速度，系统中的坐标设置如图3所示。试验参与者的X坐标距离范围为0 m～150 m，Y坐标上的范围为0 m～14.5 m。同时，参与者从x=150 m的位置进入隧道，当其X坐标开始减小时，表明其开始移动；当其移动到x=20 m左右时，表明其到达事件点；由于疏散方向为“回头”方向，因此当其X坐标开始增大时，表明其进入疏散状态。当参与者的坐标为(30，0)或(75，0)或(120，0)时，表明参与者已从隧道紧急出口疏散出去，即完成疏散试验。

图2 隧道内试验流程示意

图3 蓝牙AOA系统坐标设置示意

根据参与者的移动坐标数据及其时间间隔，可计算个人移动速度。个人移动速度等于其累计移动距离与移动消耗时间的比值，计算公式如下：

(1)

式中：xi为参与者第i次移动的X坐标；yi为参与者第i次移动的Y坐标；ti为参与者第i次移动的时间。当计算参与者的正常行走速度时，i的取值根据参与者从初始位置移动至事件点位置的坐标移动次数取值；当计算疏散速度时，i的取值根据参与者从事件点位置移动至隧道紧急出口位置的坐标移动次数取值。

根据个人移动速度数据和调查问卷数据的初步处理结果，进行数据筛除。将数据项中有漏填、错填或缺失的个人数据作为无效数据筛除掉，保留具有完整数据项的个人数据。最终，得到123人的有效疏散数据，包括人员属性及疏散速度数据。

2.2 个体属性与疏散速度

本次试验分9组开展，各组试验的试验环境、流程、人数等均保持一致。试验获得各组的有效样本数及疏散速度分布如表1及图4所示。由表1和图4可知，在试验条件一致的情况下，各组人员的疏散速度分布形态无显著差异，表明分组试验对结果的影响较小，因此将各小组的试验结果合并进行分析。

表1 各试验组疏散速度统计结果

1) 性别。有效数据中，男性为70人，占57%；女性为53人，占43%。其中，男性平均疏散速度为1.88 m/s，女性为1.66 m/s，男性疏散速度普遍高于女性的疏散速度。

图4 各组人员的疏散速度分布

2) 年龄。有效数据中，试验参与者年龄为18岁～65岁，为便于分析，将年龄划分为18岁～25岁、26岁～30岁、31岁～40岁、41岁～50岁、51岁～60岁、>60岁等6个年龄段，各年龄段的人数占比分别为4%、12%、37%、33%、12%、2%，他们的平均疏散速度分别为2.16 m/s、2.20 m/s、1.95 m/s、1.55 m/s、1.45 m/s、1.17 m/s。总体上看，随着年龄的增长，平均疏散速度逐渐降低。

3) 职业。试验过程中，将职业划分为消防职业、运输职业与其他职业3类。消防职业指从事消防行业的人员，运输职业指从事客运或货运的驾驶人员，其他职业指非消防与交通行业的人员。有效数据中，消防职业、交通职业与其他职业的参与者人数占比分别为15%、13%、72%。其中，消防职业人员的平均疏散速度最高，为1.92 m/s；运输职业与其他职业人员的平均疏散速度基本一致，分别为1.77 m/s和1.75 m/s。

4) 隧道出行频率。指驾驶或乘坐车辆在公路隧道内出行的频率。该频率划分为每天、每周几次、每周一次、很少、从未等5种类型，各种出行频率的参与者人数占比分别为20%、16%、19%、37%、7%，他们的平均疏散速度分别为2.04 m/s、1.73 m/s、1.78 m/s、1.70 m/s、1.53 m/s。不同隧道出行频率人员的平均疏散速度没有明显规律性。

5) 隧道逃生知识掌握程度。指在公路隧道突发事件下，对疏散逃生知识的掌握程度，分为不熟悉、有所了解、熟悉等3种程度，各类型参与者人数占比分别为37%、67%、7%，他们的平均疏散速度分别为1.58 m/s、1.89 m/s、1.89 m/s。对隧道逃生知识有所了解和熟悉的人员其疏散速度一致，且明显大于对隧道逃生知识不熟悉人员的平均疏散速度。

6) 逃生培训经历。逃生培训经历是指是否接受过建筑物或隧道内消防演练，或是否接触过隧道虚拟逃生游戏。123个有效数据中，74%的参与者未接触过任何逃生培训，接受过消防演练的参与者占20%，接触过虚拟逃生游戏的参与者占9%，他们的平均疏散速度分别为1.68 m/s、1.97 m/s、2.33 m/s。其中，经历过逃生培训的人员其疏散速度明显大于未经历过的，且接触过虚拟逃生游戏人员的疏散速度最大。

2.3 相关性分析

以疏散速度为检验因变量，以人员属性为检验因子，执行单因素ANOVN检验，对人员属性与疏散速度进行相关性分析。检验时，对数据方差齐性进行分析，对于方差不齐的数据，采用非参数检验。设置显著水平为0.05，若P<0.05，则检测变量与检测因子显著相关；若P>0.05，则检测变量与检测因子之间不相关。经检验，疏散速度与6种个人属性之间的显著水平如表2所示。

表2 疏散速度显著性检验结果

1) 疏散速度与性别。由于女性和男性生理及心理结构的不同，女性在遇到突发事件时通常比男性更容易产生焦虑、恐慌、紧张等心理反应，更容易表现出从众、跟随、退怯等行为反应。性别组间显著性检验结果P=0.001<0.05，表明男性与女性的疏散速度有显著性差异，即性别对疏散速度有一定的影响。

2) 疏散速度与年龄。人员年龄对疏散行为的影响主要体现在危险感知能力、反应能力和行动能力上。一般情况下，年龄与行为能力呈反向曲线关系，在一定年龄范围内，行为能力与年龄正相关；当年龄超过中青年阶段后，行为能力与年龄负相关。年龄组间显著性检验结果P=0.001<0.05，表明不同年龄段的疏散速度有显著性差异。同时，18岁～25岁与26岁～30岁、31岁～40岁与41岁～50岁、51岁～60岁与>60岁等3个年龄组的显著性检验结果P值分别为0.766、0.395、0.828，均大于0.05，表明这3组疏散速度之间的差异性无统计学意义。可见，年龄对疏散速度有直接影响，但在一定范围内，并无显著性影响。

3) 疏散速度与职业。从事消防职业的人员由于具备应对火灾的专业能力，面对突发事件时心理素质和反应能力均更好；从事运输职业的人员更熟悉道路环境，可能具备更好的道路突发事件应对能力。但这2种职业人员并不一定熟悉隧道内的疏散逃生方法。职业组间显著性检验结果P=0.113>0.05，表明不同职业的疏散速度并无显著性差异，即职业对疏散速度没有明显影响。

4) 疏散速度与隧道出行频率。在隧道内行车频率较高的人员，由于行车速度较快，在行车过程中并不一定能观察到隧道的内部结构。隧道出行频率非参数检验结果P=0.083>0.05，表明不同隧道出行频率的人员其疏散速度没有显著差异，即隧道出行频率对疏散速度无明显影响。

5) 疏散速度与隧道逃生知识掌握程度。目前，国内在隧道逃生方面的宣传教育工作仍比较缺乏，大部分人对公路隧道内的逃生知识并不熟悉，而隧道内疏散是一种“进入式”疏散，即需要进入隧道内的紧急出口进行疏散，这与大多数人“出口即入口”的认知有差异。对隧道逃生知识的熟悉与否，将直接影响到人员的疏散路径和疏散效率。隧道逃生知识掌握程度检验结果P=0.001<0.05，表明对隧道逃生知识掌握程度不同，人员的疏散速度有显著性差异。同时，对隧道逃生知识有所了解的与熟悉的2类人员，数据检验结果P>0.05，表明这2类人员的疏散速度无显著差异。可见，隧道逃生知识掌握程度对疏散逃生有一定影响。

6) 疏散速度与逃生培训经历。有过逃生培训经历的人，与没有任何逃生培训经历的人相比，在面对逃生情境时，心理可能更冷静，行为反应更敏捷。近年来，随着虚拟现实(VR)技术的发展，出现越来越多基于VR的演练或培训，但主要还是面向管理者。接触过隧道VR逃生游戏的人，对整个隧道内逃生的过程较为熟悉，因此疏散反应最快。在开展的一项基于VR技术的疏散试验中，发现凡是接触过VR游戏的人，在试验中都能表现得更从容、更敏捷。而逃生培训经历检验结果P=0.001<0.05，表明逃生培训经历不同，人员的疏散速度具有显著性差异，即逃生培训经历对疏散速度有直接影响。

3 疏散速度建模

3.1 模型建立

目前，线性回归和logistic回归是统计分析中研究较多、使用普遍且容易理解的研究方法。以疏散速度为因变量，以个人属性为自变量，根据上述研究，影响疏散速度的个人属性包括性别、年龄、隧道逃生知识掌握程度、逃生培训经历等4个自变量。由于因变量为连续的定量数据，且自变量有多个，因此采用多元线性回析进行疏散速度建模，并对模型假设条件进行验证。疏散速度与个人属性之间的线性函数可表示为：

y=a+b1x1+b2x2+b3x3+b4x4

(2)

式中：y为疏散速度取值；x1,x2,x3,x4分别为各影响因素取值，如表3所示；a为常数项；b1,b2,b3,b4均为影响疏散速度的参数。

表3 影响因素

3.2 参数标定与结果分析

采用多元线性回归，根据性别、年龄、逃生知识掌握程度和逃生培训经历等因素，预测疏散速度。通过绘制部分回归散点图及残差与预测值的散点图，判断自变量和因变量之间存在线性关系。

本研究中，观测值之间相互独立。通过绘制学生化残差与未标化的预测值之间的散点图，证实数据具有等方差齐性；回归容忍度均大于0.1，不存在多重共线性；满足正态假设。

回归拟合模型具有统计学意义，F(4，214)=247.737(P<0.001)，调整R2=0.819；纳入模型的3个自变量对疏散速度的影响有统计学意义(P<0.05)，分别是年龄、逃生知识掌握程度、逃生培训经历；自变量性别对疏散速度的影响没有统计学意义(P>0.05)，具体系数标定如表4所示。最终疏散速度模型可表示为：

y=3.070-0.038x2+0.158x3+0.335x4

(3)

从表3模型标定结果可知，年龄因素对疏散速度是负影响，逃生知识掌握程度与逃生培训经历对疏散速度是正影响，其中，逃生培训经历的影响程度最大。

表4 线性回归模型系数标定结果

4 结论

在长150 m、宽14.55 m且充满烟雾的全比例尺隧道内开展了180人规模的疏散试验，通过筛选，获取了123人的有效试验结果数据，包括个人属性数据和移动速度数据；以此为基础，对疏散速度与6种个人属性因素进行了相关性分析与检验，并构建了疏散速度与相关个人属性之间的数学模型。相关性检验与模型标定结果表明：

1) 在公路隧道烟雾环境中，人员性别、年龄、隧道逃生知识掌握程度、逃生培训经历等4个因素与疏散速度之间存在显著相关性，职业和隧道出行频率因素与疏散速度之间相互独立。

2) 基于回归分析，构建了性别、年龄、隧道逃生知识掌握程度、逃生培训经历与疏散速度之间的线性关系模型。模型标定显示，性别变量对疏散速度的影响无统计学意义，年龄变量对疏散速度是负影响，逃生知识掌握程度变量与逃生培训经历变量对疏散速度是正影响。此外，逃生培训经历变量的影响程度最大，年龄变量的影响程度最小。

可见，加强面向出行者和管理者的隧道疏散逃生教育宣传工作，可提高人员在隧道突发火灾事件下的逃生能力，对提升隧道运营安全性具有重要意义。