量化火灾与社会因素对疏散前时间的影响：基于可编辑多人桌面虚拟现实平台的研究

《Safety Science》：Quantifying the influence of fire and social factors on pre-evacuation time: a VR study based on an editable Multi-player Desktop VR platform

　　

• 一项虚拟现实研究利用 210 名参与者量化了火灾和社会因素对疏散前时间的影响。
• 疏散前时间服从威布尔分布，其中 k = 0.97，λ = 26.89 秒。
• 火灾可视比例呈现非单调效应，阈值约为 0.34。
• 社会参考时间占主导地位，在随机森林模型中解释了 45–52% 的方差。
• 社会因素超过了火灾相关因素，支持动态疏散前建模。

1. 引言
疏散前时间定义为从火灾警报（烟雾或火焰）发起的那一刻到 occupant 开始有目的地向出口移动的那一刻之间的时间间隔（Day 等，2013；Gwynne 和 Boswell，2009）。它是总疏散时间的重要组成部分，已被认为是决定建筑物火灾中生命安全结果的关键因素（Forssberg 等，2019）。与主要受行走速度和出口宽度等物理因素支配的移动时间不同，疏散前时间是由环境线索、社会动态和个人认知过程的复杂相互作用塑造的（Liu 等，2020；H.L. 等，2013）。在许多真实火灾事件中，过长的疏散前延迟已被确定为主要伤亡原因（McConnell 等，2010；Proulx 和 Fahy，1997）。因此，彻底了解疏散前时间及其影响因素对于准确的疏散建模和制定有效的应急管理策略至关重要。

通过各种方法途径，包括实地观察、疏散演练、灾后调查和虚拟现实实验，已对疏散前行为进行了广泛的研究（详见第 2 节的详细回顾）。然而，仍有一个关键的研究空白：火灾相关因素与社会因素对疏散前时间的相对定量影响尚未得到系统比较。大多数现有研究专注于疏散前行为的定性描述，或拟合观察到的疏散前时间的概率分布以供仿真模型使用（Gwynne 和 Boswell，2009；Lovregilo 等，2019）。几篇综合综述明确指出了这一空白：Lovregilo 等人指出，环境和社会因素与疏散前时间之间的定量关系理解不足（Gwynne 和 Boswell，2009；Lovregilo 等，2019）；Forssberg 等人强调，单个因素对疏散前时间的确切影响尚未在统计学上进行探索（Forssberg 等，2019）；Liu 等人虽然通过解释结构模型提供了有价值的系统性框架，但承认其分析仍停留在定性结构建模水平（Liu 等，2020）。

为了解决这一空白，本研究旨在定量调查并比较火灾和社会因素对疏散前时间的影响。开发了一个可编辑的多人大型桌面 VR 平台，并在两种不同的火灾位置情景（中心和角落）中进行了涉及 210 名参与者的实验。定义了三个参数：初始火灾距离（??）、火灾可视时间比例（??）和社会参考时间（????????），分别用来表征火灾相关和社会影响。构建了随机森林模型来评估和排名这些因素的相对重要性。本研究首次利用受控 VR 实验框架直接定量比较了疏散前决策中火灾和社会因素的主导性。

2. 相关工作
大量研究通过实地观察、灾后调查和虚拟现实实验等各种方法途径，调查了疏散前行为。

疏散演练已在多种建筑类型中进行，包括医疗机构（Rahouti 等，2020）、大型零售店（Shields 和 Boyce，2000）、剧院（Galea 等，2017）、电影院（Nilsson 和 Johansson，2009）、酒店（Kobes 等，2010）、办公楼（Zhao 等，2009）、持照场所（Boyce 等，2017）、教育建筑（Zhang 等，2008）、地铁站（Huang 等，2021）和住宅公寓（Proulx，1995）。这些研究通常结合视频录制和演练后问卷，一致表明疏散前时间分布呈现正偏斜模式，通常由威布尔或对数正态分布很好地描述（Gwynne 和 Boswell，2009；Lovregilo 等，2019）。他们还发现，如年龄、先前的训练经验、对建筑的熟悉程度和社会隶属关系等 occupant 特征显著影响响应延迟（Forssberg 等，2019）。例如，Gwynne 等人发现在大学建筑中，约 50% 的学生在开始疏散前需要员工提示（Gwynne 等，无年份）；而在医院环境中，患者几乎完全依赖医务人员指示（Rahouti 等，2020）。Shields 和 Boyce 观察到，员工干预仍然是加速 occupant 响应的最重要因素（Shields 和 Boyce，2000）。

重大火灾事件的灾后调查提供了在真实紧急条件下疏散前行为的额外见解。9/11 世贸中心（WTC）疏散得到了特别充分的研究。McConnell 等人分析了世贸中心 1 号楼 126 名幸存者的识别和响应阶段，发现信息寻求行为是最普遍的响应行动（McConnell 等，2010）。Day 等人进一步发现，较高的风险感知与更快的响应相关，疏散培训和领导角色的存在显著减少了响应延迟（Day 等，2013）。Kuligowski 和 Mileti 利用世贸中心幸存者的 803 份电话采访记录开发了路径分析模型，表明疏散前延迟是通过风险感知、信息寻求、疏散前行动和延迟的顺序过程介导的（Kuligowski 和 Mileti，2009）。Zhao 等人对中国一高层办公楼火灾进行了灾后调查，将疏散前行为分为识别和响应阶段，发现“通知他人”是识别阶段最常见的行为（50.3%），而“指示他人疏散”在响应阶段较为普遍（37.2%）（Zhao 等，2009）。

近年来，虚拟现实（VR）技术作为一种进行受控、可重复且伦理安全的疏散实验的有力工具出现。与传统实地演练相比，VR 能够在精确操纵火灾情景和环境变量的同时收集高分辨率行为数据（Arias 等，2022；Feng 等，2022）。采用各种 VR 平台的研究包括：头戴式显示器（HMD-VR）（Deng 等，2023；Fu 等，2021；Zhang 等，2025），用于调查疏散行为的清晰度 - 强度模型、风险路线决策的社会影响以及沉浸式与非沉浸式决策的比较分析；桌面 VR（Shi 等，2024），用于寻路和出口选择研究，Feng 等人发现桌面 VR 与 HMD-VR 在路线选择、出口选择和用户体验方面具有可比性；CAVE 投影系统（Arias 等，2022），Arias 等人证明 HMD-VR 引发的疏散前时间和出口选择与真实世界行为高度一致，而 CAVE-VR 显示出更大的差异；以及游戏平台如 Minecraft（Zhang 等，2023a；Zhang 等，2023b），Shi 等人等通过与真实世界数据的轨迹、人群密度和疏散时间比较进行了验证。这些验证研究共同支持了 VR 的使用，特别是多人桌面 VR。它们确认这是一种可靠且具有成本效益的疏散前行为研究方法。

尽管实验方法取得了这些进展，但直接比较火灾相关因素和社会因素对疏散前时间相对重要性的定量分析仍然稀缺。几项开创性研究尝试进行了定量建模：Lovregilo 等人提出了基于随机效用理论的模型，模拟疏散前阶段行为状态之间的转换（Lovregilo 等，2015）；Zhao 等人应用随机森林预测疏散响应状态（Zhao 等，2020）；Haghani 等人采用基于风险的持续时间模型来表征疏散前时间（Haghani 和 Sarvi，2019）。然而，这些研究通常将疏散前响应视为二元或分类变量，而不是直接分析连续的疏散前时间，且缺乏对火灾和社会因素重要性的同时定量比较。本研究弥补了这一空白。

3. 材料与方法
3.1. 可编辑的多人大型桌面 VR 平台
使用 Unity3D 开发了一个可编辑的多人大型桌面 VR 平台。该平台使用局域网（LAN）内的本地服务器来促进数据传输和与云服务器的同步，使玩家能够同时参与实验。可以构建不同的实验情景，如车站、超市和学校。此外，这些情景中的元素，包括设施、引导信息、火灾和烟雾，都可以自由编辑。平台中每个元素的可编辑功能如图 1 所示。实验期间，参与者使用键盘（W 向前，A 向左，S 向后，D 向右）控制虚拟角色的移动，并使用鼠标控制角色的视觉方向。

表 1. 平台中的可编辑功能。
| 元素 | 可编辑功能 |
| :--- | :--- |
| 情景 | 类别（车站、超市等） |
| 设施 | 围栏位置、电梯和扶梯的状态 |
| 角色 | 类别、速度、加速度 |
| 火灾和烟雾 | 发生时间、位置和范围 |
| 引导信息 | 类别、大小、位置、颜色、亮度 |

3.2. 实验设计
实验情景基于中国上海的一家真实超市构建。超市尺寸为 30 × 40 米，货架高 2 米。情景中的货架可能会遮挡个人的视野。如图 1(a) 所示，该情景包括一个入口和一个出口。

图 1. 超市布局。(a) 情景大小。(b) 角落火灾。(c) 中心火灾。

为调查疏散前阶段个体的行为和时间特征，设计了两个实验情景，每组的设置详见表 2。本实验中，分别在超市的角落和中心设置火灾（见图 1(b) 和 (c)）。图 1 中显示的虚拟角色代表桌面 VR 平台中的多名参与者，而不是非玩家角色（NPC）。超市中所有货架均为 2 米高；图 1(b) 和 (c) 中任何明显的高度差异都是由两个情景之间截图视角（相机角度）的变化引起的。实验期间，参与者的初始位置随机分配在超市的购物区域内。基于超市情景的尺寸，我们生成了一组均匀分布的坐标，覆盖可通行的购物区域作为候选起始位置。每次实验开始时，每位参与者随机分配至这些预设坐标之一。这确保了在两种火灾位置情景中，参与者的初始空间分布在统计上是等效的。虚拟角色的最大速度和加速度分别设置为 1.5 米/秒和 1.2 米/秒2（Chen 等，2020；Lin 等，2020a）。

表 2. 两个实验情景的设置。
| 情景 | 组别 | 参与者 | 火灾位置 | 发起时间 |
| :--- | :--- | :--- | :--- | :--- |
| A | 1 | 18 | 中心 | 15 秒 |
| | 2 | 12 | | |
| | 3 | 33 | | |
| B | 1 | 49 | 角落 | 15 秒 |
| | 2 | 20 | | |
| | 3 | 39 | | |

3.3. 实验程序
实验工作流程如图 3 所示。首先，参与者填写知情同意书，然后接受培训环节，在其中自由探索一个空房间（见图 2）以熟悉导航控制。其次，为了确保收集到的疏散前时间反映真实的决策，并防止因事先了解真实实验目的而产生的预期行为，参与者被告知这是一项评估实验。他们被指示：“您将观察各种超市设施（如收银台、货架和照明）的布局，并在实验结束后评估购物环境的舒适度。如果实验期间出现意外情况，请根据常识做出适当反应。”因此，火灾并没有在实验一开始就出现。实验开始时包含了 15 秒的自由探索阶段。在此期间，参与者自由探索虚拟超市并参与购物任务，此时没有火灾。火灾在实验开始后 15 秒触发。

图 2. 培训情景。

图 3. 实验工作流程。

最后，一旦所有参与者到达出口，实验即终止。实验结束后，参与者被要求填写问卷。表现出疏散行为的参与者立即被要求观看个人回放视频。他们被指示识别回放中他们感知到危险并开始寻找出口逃跑的那一刻。然后将相应的视频时间戳输入问卷中。研究人员随后使用公式 (1) 将其转换为疏散前时间 ????????：

(1) ????????=???????????????????????

其中 ???????????? 是疏散开始时的视频时间戳，?????????? 是 15 秒（即减去 15 秒的无火探索期）。这种方法避免了参与者自己进行任何时间计算的需要，同时确保了疏散前时间的准确测量。

3.4.

参与者与数据收集

本研究招募了210名学生（平均年龄：21.05 ± 3.99）作为参与者，他们来自上海理工大学。参与者心理状态正常，无心脏相关疾病。共收集了三种类型的数据：轨迹数据、第一人称视角视频（见图4(b)）以及问卷调查。轨迹数据通过平台每0.2秒记录一次参与者位置获得。第一人称视角视频使用屏幕录制软件捕获。问卷调查内容包括参与者的基本信息、疏散前时间以及生态效度量表。

下载：下载高清图片（255KB）下载：下载全尺寸图片

图4. 实验实施过程。（a）参与者。（b）第一人称视角。

为分析参与者在疏散前阶段对火灾和人群的感知，本研究定义了参与者的视觉方向，如图5所示。视觉方向由从上一坐标点Pt-1指向当前坐标点Pt的向量表示，视野被建模为以Pt为中心、沿方向向量向外放射的角度为θ=120°的扇形区域。该扇形区域表示参与者在时间t时的视野。超市区域被划分为火灾可见区域和火灾不可见区域（见图6）。火灾可见区域指在虚拟环境中，参与者面向火灾时可以从该区域任意位置看到火灾的区域。火灾不可见区域指在虚拟环境中，参与者从该区域任意位置都无法看到火灾的区域，无论其视野朝向如何。

下载：下载高清图片（70KB）下载：下载全尺寸图片

图5. 参与者视觉方向示意图。

下载：下载高清图片（260KB）下载：下载全尺寸图片

图6. 不同场景下的火灾可见区域。（a）中心火灾。（b）角落火灾。

3.5. 效度评估

生态效度用于判断参与者在虚拟环境中的行为与他们在现实世界中的行为是否一致。本研究中，生态效度量表包括模拟器运动病问卷（SSQ）、系统可用性量表（SUS）和临场感问卷（PQ）。SSQ是一种广泛使用的评估工具，用于评估虚拟环境对个人身体健康的影响，评估疲劳、眼疲劳、头晕和恶心等症状（Kennedy等人，1993）。该量表包含16个条目，采用4点Likert量表评分，范围从0（无）到3（严重）。SUS用于衡量虚拟现实系统的整体可用性，包含10个陈述（如"我发现该系统易于使用"和"我认为该系统中的各项功能整合良好"）。PQ用于评估参与者在虚拟环境中的临场感，采用7点Likert量表评分。

SSQ、SUS和PQ的生态效度量表得分分别计算，如表3所示。SSQ得分为13.89，表明参与者在实验期间身体健康，未受到VR病的影响（Feng等人，2021；Lin等人，2020b）。SUS得分为81.16，表明参与者能够熟练使用VR设备并高度投入。PQ总分为4.5，表明虚拟现实环境具有良好的真实感，而沉浸感略高于平均水平。总之，SSQ、SUS和PQ的结果表明生态效度得到了验证，多人桌面VR实验的结果也是可靠的。

表3. 生态效度量表得分。

| | SSQ（均值 ± 标准差） | SUS（均值 ± 标准差） | PQ（均值 ± 标准差） |
|---|---|---|---|
| 得分 | 13.89 ± 18.61 | 81.16 ± 15.97 | 4.5 ± 1.63 |

4. 结果

4.1. 疏散前时间的分布特征与空间变化

两种场景下t_pre的频率分布如图7(a)所示。可以看出，两种场景的分布形状非常相似，均呈现出明显的偏态分布。角落火灾场景的平均t_pre值高于中心火灾场景，但Mann-Whitney检验结果表明，两种场景的整体分布之间没有显著差异（P=0.287）。

下载：下载高清图片（168KB）下载：下载全尺寸图片

图7. t_pre的分布。

由于Gamma分布、对数正态分布、指数分布、对数逻辑分布和Weibull分布的偏度与疏散前数据相似（Lovreglio等人，2015），本研究使用这五种分布来描述t_pre。t_pre用这五种分布进行拟合，Weibull分布效果最佳（Kolmogorov-Smirnov检验最小，D=0.07）。拟合结果如图7(b)所示，参数为：

(2) f(t_pre; λ, k) = (k/λ)(t_pre/λ)^(k-1) e^(-(t_pre/λ)^k)

其中k=0.97，λ=26.89，分别代表Weibull分布的形状参数和尺度参数。k<1意味着只有少数个体的疏散前时间异常缓慢。λ是具有与t_pre相同单位的时间尺度。大约63.2%的个体的疏散前时间短于λ。

为探讨不同火灾场景下t_pre的空间分布差异，本研究采用加权核密度估计（WKDE）方法生成疏散前时间的空间分布热力图。该加权过程使用高斯核函数作为衰减函数。热力图值通过公式(3)计算：

(3) H(x, y) = Σ(N,i=1) Wi · e^(-(di/σ)2/2) / Σ(N,i=1) e^(-(di/σ)2/2)

其中N是参与者总数。Wi代表参与者i的权重，取值为参与者i的t_pre值。di是网格点(x, y)到参与者i的欧几里得距离。σ（取值为5）是带宽参数，控制高斯核函数的衰减率和数据点的影响范围。

根据图8，两种场景下t_pre的空间分布存在明显差异：在中心火灾场景（图8(a)）中，疏散前时间较长的区域主要位于角落，远离中心。相反，在角落火灾场景（图8(b)）中，疏散前时间较长的区域主要分布在火灾源对侧的墙壁附近，特别是在远离火灾源且被货架遮挡的区域。这些实验结果与常识一致：靠近且能看到火灾源的区域疏散前时间通常较短，反之亦然。这表明，虽然两种场景下疏散前时间的整体分布相似，但不同的火灾位置导致了其分布的显著空间变化。

下载：下载高清图片（294KB）下载：下载全尺寸图片

图8. t_pre的空间分布。（a）中心火灾。（b）角落火灾。

当疏散前时间分布的空间差异与出口位置结合时，会导致疏散过程和整体疏散时间的显著差异。我们进一步通过比较图9中随时间变化的已疏散参与者比例来评估疏散过程。如图9所示，两种场景的疏散进度存在明显差异：在中心火灾场景下，25秒、50秒和75秒时完成疏散的参与者比例分别为22.67%、58.67%和84%。相比之下，在角落火灾场景下，相同时间点的对应比例分别为33.82%、70.11%和86.76%。显然，在角落火灾场景中，人群在早期阶段疏散得更快。

下载：下载高清图片（117KB）下载：下载全尺寸图片

图9. 已疏散参与者比例与时间的关系。

总之，尽管不同场景（例如不同火灾位置）下疏散前时间的整体分布可能没有显著差异，但当聚焦于不同区域时，疏散前时间分布可能存在显著的空间变化。当这种空间异质性与出口位置相互作用时，可能导致截然不同的疏散结果；例如，尽管平均疏散前时间相似，靠近出口处的火灾可能导致更高的伤亡率，因为远离火灾的人员疏散前延迟更长，因此可用于逃生的时间更少。因此，定量研究疏散前时间的影响因素以建立鲁棒的量化模型至关重要，这对于准确模拟疏散前阶段的疏散过程具有重要意义。

4.2. 疏散前时间影响因素的定量分析

4.2.1. 初始与火灾距离的影响

火灾发生后，疏散过程中行人的行为受行人与火灾之间距离的影响（Liu等人，2021）。首先研究距离的影响：

(4) d = √((x - x_fire)2 + (y - y_fire)2)

其中d是火灾与参与者之间的初始距离，x和y是火灾发生时参与者的坐标，x_fire和y_fire表示火灾区域中心的坐标。

t_pre与d的散点图如图10(a)所示。根据图10(a)，无论距离如何，相当大一部分参与者的疏散前时间较短（小于10秒）。如果排除疏散前时间小于10秒的参与者，可以观察到疏散前时间随距离增加而增加的更明显趋势。统计分析表明，当包含所有参与者时，相关系数为0.251，表明没有显著影响。排除后，相关系数增加到0.322。在检查不同距离下的最大疏散前时间时，可以观察到明显的上升包络曲线。这表明在最坏情况下（可能是由于能见度差而无法直接观察到火灾），疏散前时间倾向于随距离增加而增加。

下载：下载高清图片（250KB）下载：下载全尺寸图片

图10. t_pre与d的关系。

为进一步研究d的影响，图10(b)展示了疏散前时间随d变化的误差带图。所有t_pre值按对应的d升序排列，然后等分为10组，计算每组的置信区间和均值。

总体而言，t_pre倾向于随d增加而增加：当d小于15米时，t_pre的均值小于20秒；当d在15到30米之间时，t_pre的均值约为30秒；随着d继续增加，t_pre的均值上升至40秒以上。然而，这种影响在统计上并不显著：Mann-Whitney U检验结果表明d对疏散前时间没有显著影响（P=0.125）。这表明距离的影响在大尺度下明显，意味着只有当距离存在显著差异时，距离的影响才会变得明显。在相似的距离尺度下，其他因素的影响可能更为重要。这可能与人的视觉感知有关，人的视觉感知范围相当广阔：在良好能见度条件下，人类最大可见距离约为100米（Vollmer，2025），而距离的微小差异不会显著影响对火灾的感知。

4.2.2. 火灾可见性的影响

参与者在疏散前阶段火灾可见时间比例可以计算为：

(5) p = t_vis / t_pre = ΣΔt_vis / t_pre

其中p是火灾可见时间比例，t_vis是参与者在疏散前阶段能看到火灾（和烟雾）的总时长，通过对烟雾可见时的时间步Δt_vis求和获得。因此，p描述了火灾可见性因素。

t_pre与p的散点图如图11(a)所示。根据图11(a)，观察到非单调趋势：随着p增加，平均t_pre先上升后下降。这表明在场景中，尽管观察火灾源的时间比例极低，部分参与者仍然迅速疏散。这些参与者可能受到其他参与者的影响（如第4.4节分析），而非火灾本身，导致p值较小。然而，当p大于0.34时，t_pre呈现随p增加而下降的趋势。一个可能的原因是，在该范围内，行人在决策中更受火灾可见性的影响。此外，当p≥0.5时，两种场景下的疏散前时间都非常短（几乎所有都低于20秒）。

下载：下载高清图片（244KB）下载：下载全尺寸图片

图11. p与t_pre的关系。

上述特征表明，仅考虑火灾可见性作为单一因素时，疏散前时间的变化并非随p增加而单调变化；只有当p>0.34时，才观察到疏散前时间的显著减少。

4.2.3.

### 社会因素的影响

为探究其他参与者对 $t_{pre}$ 的影响，定义社会参照时间 $t_{soc}$ 如下：

(6) $t_{soc}=\frac{\sum_{i=1}^{n} t_{pre_i}}{n}$

其中，$t_{pre_i}$ 表示参与者视野内个体 $i$ 的疏散前时间，$n$ 为每位参与者视野内的个体数量。这意味着 $t_{soc}$ 是参与者视野内人群的平均疏散前时间。因此，$t_{soc}$ 是社会影响的量化表征。

$t_{pre}$ 作为 $t_{soc}$ 的函数的散点图及误差带图如图 12(a) 所示。根据图 12(a)，同一 $t_{soc}$ 区间内 $t_{pre}$ 的分布较为分散。然而，当关注各区间最大值时，可观察到明显的上升趋势。这表明周围行人的行为对人群中反应最慢的个体的 $t_{pre}$ 具有显著影响。当 $t_{soc}$ 从约 100 s 降至 0 s 时，反应最慢个体的 $t_{pre}$ 急剧缩短：反应最慢个体的 $t_{pre}$ 与 $t_{soc}$ 之间的相关系数为 0.882。

**图 12.** $t_{soc}$ 与 $t_{pre}$ 之间的关系。

在观察整体趋势时（如图 12(b) 所示），同样可观察到明显的上升趋势，且在小 $t_{soc}$ 区间内仍可观察到该趋势：当 $t_{soc}$ 从 40 s 增至 55.3 s，以及从 70 s 增至 95.7 s 时，$t_{pre}$ 的均值呈近似线性增长趋势（相关系数为 0.636）。这表明，从均值角度来看，社会因素（即他人的反应）对 $t_{pre}$ 具有较为明确的正向影响。

### 4.3 影响因素重要性的评估

为进一步评估各因素对个体疏散前时间的综合影响并识别主导因素，构建了随机森林（RF）模型。作为一种集成学习方法，随机森林因其强大的非线性关系和特征交互捕捉能力，被广泛用于多因素特征重要性评估（Zhao et al., 2020）。将原始数据集按 80%–20% 的比例划分为训练集和测试集。训练集用于模型训练和参数优化，测试集用于评估模型性能。采用网格搜索和 k 折交叉验证优化超参数。具体而言，我们进行了 10 次独立的随机 80/20 训练-测试划分，并采用 5 折交叉验证（$k = 5$）反复评估预定义超参数组合在训练集上的性能（重复 10 次）。经过严格的交叉验证后，最终确定的最优参数组合如下：树的数量（200）、最大深度（20）、每次分割的最小样本数（5）和每个叶节点的最小样本数（2）。模型评估指标均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）分别由公式 (7)、(8) 计算：

(7) $MSE(D)=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2$

(8) $MAE=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|$

其中，$y_i$ 为样本 $i$ 的真实值，$\hat{y}_i$ 为样本 $i$ 的预测值，$n$ 为样本总数。

模型性能评估结果（见表 4）表明，参数优化后的随机森林模型表现出可接受的预测精度：MSE、RMSE 和 MAE 的均值分别为 331.35、17.97 和 12.97。考虑到疏散前时间本身受个体异质性和情境复杂性等多重因素影响，该误差水平处于合理范围内，足以支持后续的 重要性分析。随机森林模型的特征重要性排序如图 13 所示。

**表 4.** 模型可解释性评估指标。

| | MSE | RMSE | MAE |
|---|---|---|---|
| 均值 ± 标准差 | 331.35 ± 106.95 | 17.97 ± 3.07 | 12.97 ± 1.88 |

注：RMSE 为 MSE 的平方根。

**图 13.** 随机森林模型中特征重要性排序。

根据图 13，社会参照时间的重要性得分均值明显高于所有其他因素，占总解释方差的 47%。这证实了社会参照时间是影响个体疏散前时间的最重要因素。这一发现进一步突出了社会因素对疏散前时间的显著影响。其余三个因素对疏散前时间也有一定影响。这些环境因素反映了火灾的感知强度与威胁等级，但其重要性低于社会因素，尤其与 $t_{soc}$ 相比。

为进一步探究不同因素对疏散前时间的具体影响机制，采用 Shapley 加性解释（SHAP）对随机森林模型进行可解释性分析（Nohara et al., 2022），如图 14 所示。如图所示，与特征重要性排序（见图 13）高度一致，社会参照时间展现出最强的影响。当社会参照时间较长时（图中以红点表示，代表高特征值），其 SHAP 值趋向正值区域，表明周围人群的延迟反应会延长个体的疏散前时间。相反，当周围人群反应迅速时（图中以蓝点表示，代表低特征值），其 SHAP 值趋向负值区域，个体的疏散前时间显著缩短。对于环境因素，火灾初始距离与火灾可视时间比例的特征值 SHAP 分布呈现较为复杂的模式。这一趋势表明，火灾可视性与个体威胁感知及行动意愿之间存在一定的非线性关系。

**图 14.** 不同因素特征值的 SHAP 分布。

### 4.4 个体异质性分析

为检验个体背景特征是否影响疏散前时间，进行了两项互补性分析。我们比较了按性别和既往 VR 经验划分的参与者子群之间的疏散前时间。如图 15 所示，男性和女性参与者之间以及不同 VR 经验水平之间的疏散前时间均值存在显著差异。这些结果表明，性别和 VR 经验对疏散前时间确实具有可测量的影响。

**图 15.** 个体特征对 $t_{pre}$ 的影响。

此外，为评估这些个体特征是否影响主要影响因素的重要性相对排序，我们将性别和 VR 经验作为额外协变量纳入随机森林模型，并重新评估特征重要性。如图 16 所示，尽管上述发现存在显著的组间差异，但纳入这些人口学协变量后，各因素的排序未发生改变：社会参照时间仍然是主导预测因子，火灾相关因素保留了其相对位置。性别和 VR 经验的重要性排在最末。

**图 16.** 随机森林模型中特征重要性排序。

综合来看，这些分析证实，尽管个体背景特征（性别和 VR 经验）在疏散前时间上表现出显著的组间差异，但其影响远弱于本研究考察的核心因素。关键的是，社会因素（社会参照时间）对火灾相关因素的支配地位在纳入个体异质性测量后依然稳健。

### 5. 讨论

#### 5.1 与文献的对比解读

实验结果揭示了疏散前阶段个体行为和时间特征的几个重要发现。

首先，中心火灾和角落火灾场景中疏散前时间的频率分布均呈现明显的正偏态特征，最佳拟合为形状参数 $k = 0.97$、尺度参数 $\lambda = 26.89$ s 的 Weibull 分布。该发现与此前研究中报告的各种建筑类型下的 Weibull 分布参数一致（Forssberg et al., 2019; Lovreglio et al., 2019）。

其次，尽管两种火灾场景下疏散前时间分布总体相似（$P = 0.287$），但在空间分布方面观察到差异。在中心火灾场景中，疏散前时间较长的区域集中在远离火源的角落；而在角落火灾场景中，较长的延迟主要出现在火灾对侧的墙壁附近，特别是在被货架遮挡的区域。该结果与 Galea 等人的研究一致（Galea et al., 2017），他们在一场剧院疏散实验中发现，反应时间与座位相对于疏散通道和出口的位置强烈相关。本研究所观察到的空间变异性将该原理从坐席场所扩展至开放式零售环境，证明相对于火源的几何位置结合货架的视觉遮挡，同样驱动着疏散前时间的空间异质性。

第三，对个体因素的定量分析揭示了其与疏散前时间之间复杂的、有时非单调的关系。关于火灾初始距离，在短距离尺度上其影响不具有统计显著性（$P > 0.05$）。关于火灾可视性，呈现明显的非单调模式：随着 $p$ 从零增加，疏散前时间均值先上升、达到峰值，然后下降。这一违反直觉的发现表明，一些参与者尽管火灾可视性极低，仍迅速撤离。主要原因可能是他们受到了其他参与者行为（社会线索）的影响，而非直接观察火灾。然而，当火灾可视时间比例超过约 0.34 的阈值时，无论场景如何，疏散前时间始终较短，这证实了持续的火灾直接视觉暴露是一种强有力的、明确的危险信号，能够可靠地触发快速疏散。Deng 等人提出的清晰度-强度模型为解读该模式提供了有用的框架（Deng et al., 2023）：当火灾线索的清晰度较低时，社会线索的强度成为行为的主导驱动力。

最后，对社会参照时间的分析揭示其对个体疏散前时间具有强烈的、一致的正向影响。反应最慢的疏散前时间与 $t_{soc}$ 之间的相关系数为 0.882，表明周围行人的行为对那些可能延迟反应的个体具有尤为强大的影响。疏散前时间均值呈近似线性增长趋势。该发现为社会影响作为疏散前行为主导机制提供了直接的定量证据，与 Nilsson 和 Johansson 的观察一致——他们在电影院疏散实验中发现，43% 的参与者报告在做出反应前观察了他人，且疏散前时间在社会群体内高度相关（Nilsson and Johansson, 2009）。

#### 5.2 理论意义：社会因素的主导地位

随机森林模型的结果表明，社会参照时间的重要性得分显著高于所有其他因素，占总解释方差的 45%。视野内人数同样排名靠前，进一步强调了社会线索的关键作用。尽管火灾距离和火灾可视时间比例等环境因素对疏散前时间也有一定影响，但其重要性显著低于社会因素，尤其与 $t_{soc}$ 相比。该发现在个体异质性协变量下依然稳健（见第 4.4 节），$t_{soc}$ 在所有 50 次交叉验证划分中始终排名第一。

该发现挑战了当前许多疏散模型中的隐含假设，即火灾线索（距离、可视性、烟气密度）是疏散前行为的主要驱动力（Bae et al., 2020; Haghani et al., 2019; Xu et al., 2023）。社会参照时间的主导地位表明，在疏散前阶段，个体在决定是否及何时启动疏散时，更依赖社会信息（观察到的他人行为）而非直接的环境火灾线索。该发现与社会心理学中的信息性社会影响理论相吻合，该理论认为个体在模糊或不确定情境下倾向于以他人的行为作为适当行动的启发式线索（Fu et al., 2021; Nogami, 2022）。在火灾早期阶段，当线索可能模糊时（如远处火焰、轻微烟气），附近个体的行为可能作为强有力的信息性信号，压倒直接的环境感知（Zhao et al., 2009）。

#### 5.3 实践意义

社会参照时间是疏散前时间主导预测因子的发现对性能化消防安全设计具有直接意义。当前的设计方法通常假设占据者独立响应火灾线索；然而，本研究结果表明社会动力学比环境线索更具影响力。这意味着疏散建模工具应纳入社会影响传播机制，建筑设计应充分考虑社会信息在人员密集空间中的流动方式。

例如，通过确保早期响应者从尽可能多的位置可见。因素重要性的量化为在疏散模拟器内开发动态疏散前时间子模型提供了实证基础。与其从静态分布中抽取疏散前时间，模型可以根据局部火灾可见性和社会参考信息动态调整个人的疏散前时间，并使用本研究中建立的相对权重。本文报告的定量参数为这类模型提供了可直接使用的输入。

火灾可见性与疏散前时间之间的非单调关系表明，简单地让火灾信号更加可见并不总能减少疏散前延迟。受过训练的人员或知情者的存在，若这些人能迅速发起疏散，可能比单纯提高火灾可见性更有效地减少整体疏散前时间，因为他们的行为将通过本研究中识别出的社会参考机制产生级联效应。

5.4. 建模考量

值得注意的是，疏散前时间具有固有的时间-事件结构。基于时长的建模框架（如Weibull加速失效时间模型、Cox比例风险模型或离散时间风险模型）在理论上非常适合分析此类结果。我们充分承认这一点，并认同这些方法的潜力。

然而，本研究的主要分析目标是特征重要性的量化和排序，即确定哪些因素对疏散前时间的影响最强，并比较它们的相对大小。选择随机森林模型正是因为其内置的排列重要性机制能够揭示每个因素的相对贡献，而无需预先指定函数形式。从这个角度看，仅开发预测模型，无论使用何种建模框架，可能都无法捕捉不同因素影响疏散决策的本质机制，而这正是本文的核心科学问题。单纯的预测精度并不能保证机制洞察。

我们目前正在开发一个专门的疏散前时间微观模型，在生存分析框架内（如精炼的AFT模型或基于风险率的模型）系统性地纳入火灾相关和社会因素的影响。这项工作将研究重点从重要性量化转向预测建模，作为后续研究正在准备中。

5.5. 局限性与未来工作

尽管有上述重要发现，本研究仍存在局限性。首先，样本相对较小且同质，完全由大学生组成，这限制了对其他人口群体（如老年人、儿童和残障人士）的推广性，这些群体可能表现出不同的疏散前行为。

其次，VR实验设置存在固有的方法论限制。虽然先前的研究发现HMD-VR与桌面VR在出口/路线选择方面具有合理可比性（Feng等人，2022年），但桌面VR缺乏完全沉浸感和身体运动。缺乏真实火灾的物理风险可能会使行为产生偏差。

最后，如上所述，本研究具有探索性质，部分关键发现代表的是趋势而非统计显著的结果（如对初始火灾距离的影响）。由于不能告知参与者真实的实验目的（以避免对疏散前行为产生启动效应），需要一个无火灾的15秒探索阶段。尽管初始位置的均匀随机分配确保了实验开始时空间分布的均匀性，但参与者在15秒时对火灾的感知取决于他们当时的位置和观看方向，后者本质上超出了实验控制范围。要为更精细的子群体效应获得更精确且统计稳健的结果，需要大幅增加实验次数。

未来的研究将通过将火灾危害特征纳入该平台来解决这些问题。我们计划招募来自不同职业和教育背景的参与者进行进一步实验，并开发一个考虑火灾和社会因素综合影响的疏散前时间预测模型。

6. 结论

本研究使用可编辑的多用户桌面VR平台，以210名参与者为对象，定量调查了火灾和社会因素对疏散前时间的影响。主要发现如下：

(1) 疏散前时间在中部火灾和角落火灾两种情景下均服从Weibull分布（??=0.97, ??=26.89）。尽管两种情景之间的整体分布没有显著差异（??=0.287），但观察到疏散前时间存在显著的空间差异，较长的延迟集中在远离火源且视线被遮挡的区域。疏散前时间的空间梯度在角落火灾情景中更为陡峭。

(2) 对单个因素的定量分析揭示了与疏散前时间的复杂且有时非单调的关系。关于初始火灾距离（??），在小距离尺度下??的影响不具有统计显著性（??>0.05）。火灾可见性比例（??）与疏散前时间之间的关系是非单调的：平均疏散前时间随??的增加先升后降。当??超过0.34的阈值时，疏散前时间持续较短，表明持续的直接火灾视觉暴露是快速疏散的可靠触发因素。

(3) 随机森林模型达到了可接受的精度（RMSE均值为17.97秒）。特征重要性排名在所有交叉验证折中保持稳定。社会参考时间成为影响疏散前时间的主导因素，在随机森林模型中占总解释方差的47%——远超所有火灾相关因素。这种主导地位对纳入个体异质性协变量（性别和VR经验）是稳健的，并通过多模型比较和重复交叉验证得到了确认。

这些发现为开发动态疏散前时间模型提供了定量实证基础，并通过表明社会因素必须获得与传统火灾相关环境因素至少同等、甚至更大的权重，支持了性能化消防安全设计的推进。

CRediT作者贡献声明

Hao Shan：撰写——初稿，可视化，方法学，调查，概念化。Zhiming Fang：监督，资金获取，形式分析。Zhigang Shi：监督，调查。Zhongyi Huang：撰写——审阅与编辑，监督，资金获取，形式分析。

Hao Shan | Zhiming Fang | Zhigang Shi | Zhongyi Huang