踩踏事故预防监控领域科学知识图谱研究*

卢 颖，路越茗，余易凡，姜学鹏

(1.武汉科技大学 资源与环境工程学院，湖北 武汉 430081；2.湖北省工业安全工程技术研究中心，湖北 武汉 430081)

0 引言

随大型集会日益增多，踩踏事故频发，造成大量人员伤亡及恶劣社会影响。学者对踩踏事故关注度不断提高，研究成果涉及踩踏事故统计、致因分析、事故模拟等方面。通过对踩踏事故相关文献进行系统研究，可定量阐述踩踏事故研究知识结构，发掘研究热点并预测未来发展趋势。

学者采用可视化知识图谱分析工具对特定领域文献进行统计研究：王君玲等[1]运用CiteSpace可视化软件分析国内煤矿企业应急管理领域发展过程及未来趋势；李杰等[2]运用CiteSpace和Gephi软件分析我国安全疏散领域发展过程、主要研究力量及研究热点；Zou等[3]运用VOSviewer软件发现道路安全领域主要研究组织、研究趋势以及5个重要子领域；曹旭等[4]利用可视化软件分析国内踩踏事故研究领域发展过程及热点研究主题，但存在数据源不全面等问题，同时忽略踩踏事故预防研究发展脉络；Almeida等[5]通过回顾人群踩踏事故文献，全面分析踩踏事故定义、成因、预防及应对方法，但针对踩踏事故预防研究缺乏定量分析。

随计算机视觉技术不断发展，学者对踩踏事故预防监控开展深入研究：王启全[6]以人群密度检测作为动态警兆，构建智能化预警系统；Singh[7]运用无线网络人群计数及长短期记忆(LSTM)神经网络预测人群密度，为大型公共活动踩踏事故预防提供解决方案。目前，针对踩踏事故预防监控领域相关文献系统性研究不足，且存在数据不全面、脉络不清晰等问题。

因此，本文搜集2000—2020年间Web of Science核心数据库以及CNKI(中国知网)数据库中关于踩踏事故预防研究文献，通过CiteSpace软件对文献进行科学知识图谱分析，获得当前踩踏事故预防监控领域研究力量分布、研究热点，阐明踩踏事故预防监控知识结构，剖析未来发展趋势，研究结果可为后续研究提供指导与参考。

1 数据和方法

1.1 数据源

中文文献来源于中国知网数据库，共检测2003—2020年间题录251条；英文文献来源于Web of Science数据库，检索日期2020年11月15日，数据库为Web of Science核心合集，共获得193条数据，通过筛选标题及摘要，选取其中114篇文献并导出。

1.2 研究方法

运用CiteSpace软件对踩踏事故预防监控领域文献计量分析，包括研究国家、被引文献分析、关键词分析。其中，国家分析主要以Web of Science数据库中导出文献为数据源，研究国家间科研力量分布与合作关系，得到踩踏事故预防监控领域国家分布图谱；被引文献分析主要采用CiteSpace聚类分析展现踩踏事故预防监控领域基础性文献与演进过程；关键词分析主要通过CiteSpace对关键词数据统计，得出高频率关键词，确定踩踏事故预防监控领域研究热点。

2 研究力量分布与演进

2.1 研究力量分析

绘制数据源国家间科研力量分布与合作关系图谱，得到踩踏事故预防监控领域国家分布图谱，如图1所示。

图1 踩踏事故预防监控领域国家分布图谱

由图1可知，2006—2020年间，共有29个国家(地区)参与踩踏事故预防监控研究。其中，主要包括中国58篇、美国23篇，其余国家(地区)发文量均小于10篇。中国与美国是踩踏事故预防监控领域研究主要力量，且中国与美国在该领域一直处于研究前沿。

节点间连线表示2个国家间存在合作关系，29个国家(地区)间仅有25条连线，且主要集中于中国、美国及沙特阿拉伯，大部分国家仅局限于国家内部机构间合作。说明踩踏事故预防监控研究缺乏国际合作。

2.2 文献共现分析

文献共现分析指对文章引用文献进行分析，当某篇文献被多篇文章共同引用时，即构成共现关系。通过共现分析，找到领域关键文献，其提出的研究方法与思想是踩踏预防监控事故领域核心思想。被引文献聚类如图2所示。

图2 被引文献聚类

由图2可知，Web of Science数据库导出文献共引用参考文献381篇，共现关系1 252个，分散于十几个集群中。其中联系最为紧密10类聚类标签包括系统性研究、密集人群计数、人群灾难、实证研究、人群湍流模拟、行人动力学、异常行为分类、最新进展、人群聚集计算、行人流量。其中，系统性研究、密集人群计数聚类包含引用文献最多，各32篇；人群灾难次之，27篇。因此，对3个聚类进一步分析，从而阐明踩踏事故预防监控领域知识结构。

#0聚类标签即系统性研究。Helbing等[8]2012年发表的“系统性失败的群体性灾难-对‘爱情游行’踩踏事故的分析”引用次数最多。文献定性分析造成德国杜伊斯堡爱情游行踩踏事故原因发现，人群涌浪是一系列因果关系因素经放大反馈与级联效应的结果，表征系统不稳定性；根据涌浪形成程度将踩踏事故分为8个等级，并提出预防对策；Frederick等[9]认为踩踏事故具有独特性，在发展中国家不容易引起科学界与灾害规划者关注，导致对其伤害模式形成机制及增加死亡率心理行为诱因理解有限，限制踩踏事故系统性研究。因此，在开发系统信息、数据收集与分析方面需做进一步研究，以预防踩踏事件发生。

#1聚类标签即密集人群计数。Piotr等[10]提出改进的每帧评估法，对运用计算机视觉的行人检测技术(16种探测器)进行评估发现，针对低分辨率及部分遮挡行人检测仍有较大上升空间；Fu等[11]首次将卷积神经网络应用于人群密度估计，设置2个相互关联的分类器，提高分类速度与准确性；Pandey等[12]提出基于无人机摄像的正交投影法计算密集人群数量，以减少遮挡和缩放影响。

#2聚类标签即人群灾难。Burkle[13]通过分析2011年柬埔寨金边踩踏事件，提议国际社会必须正式监测人类踩踏事件；Illiyas等[14]对1954—2012年印度发生的34起灾难性踩踏事故触发因素进行研究，从举办活动考量、活动审批、风险评估、应急资源综合调查与规划、风险降低措施5方面提出大规模聚集活动踩踏风险缓释框架。

3 研究热点

3.1 国内关键词共现图谱分析

以中国知网选取的251篇参考文献为数据源进行数据分析，得到国内踩踏事故预防监控领域关键词图谱，如图3所示。

图3 国内踩踏事故预防监控领域的关键词图谱

由图3可知，国内关键词共现图谱中节点数332个，将词义相近关键词合并，按关键词频次大小进行排序。国内重要关键词前20位频次及中心性见表1。

表1 国内重要关键词前20位频次及中心性

将表1中关键词分为2大类：

1)#1类包含人群密度、人群统计、视频监控、拥挤踩踏事故等。早期对人群踩踏事故通过人工方法进行控制，包括在事故多发地点安排人员进行现场疏导、在监控室由值班人员对监控视频进行观察等。但人工方法耗费大量人力物力，很难达到预期效果。

2)#2类包括支持向量机、灰度共生矩阵、卷积神经网络、纹理分析、深度学习、人群异常检测、计算机视觉等，对踩踏事故预防控制逐渐向智能化方向发展。Davies[15]提出1种基于像素统计的人群密度估计方法，主要依据人群数量与像素统计特征线性关系估算人数，但针对高密度人群，会出现人员重叠、相互遮挡情况，降低人群数量与像素统计特征间线性关系，效果不理想；Marana[16]提出基于纹理特征的人群密度估计方法，主要通过灰度共生矩阵获取图像中人群纹理特征，该方法用于计算高密度人群时效果较好，但计算程序复杂，估计低密度人群时误差较大。

随支持向量机技术不断完善，在人群密度特征分类方向，逐渐取代线性拟合及早期神经网络法。Hinton[17]首次提出深度学习概念，在学术界引起巨大反响，使神经网络技术获得再次突破，出现诸如残差神经网络、卷积神经网络、反卷积神经网络等不同神经网络法。

突显关键词反映不同时间段研究热点，见表2。由表2可知，人群计数、卷积神经网络、深度学习在2017—2020年具有高爆发性，说明现阶段研究多集中于对深度学习技术不断拓展与创新阶段。根据重要关键词频次与突显关键词爆发时间可以预测，人群统计、深度学习、卷积神经网络未来一段时间仍是踩踏事故预防监控领域重要关键词。

表2 突显关键词前6位

3.2 国际关键词共现图谱分析

在CiteSpace初始界面中，以Web of Science导出114篇参考文献为数据源。将节点类型(Node Type)作为关键词(Keywords)，得到国际踩踏事故预防监控领域关键词图谱，如图4所示。

图4 国际踩踏事故预防监控领域的关键词图谱

由图4可知，国际关键词共现图谱中节点数241个，将词义相近关键词合并，按关键词频次大小进行排序。关键词排序前20位见表3。

表3关键词可分为2大类：

表3 国际重要关键词前20位

1)#1类包含density estimation(密度估计)、crowd counting(人群计数)、anomaly detection(异常检测)、convolutional neural network(卷积神经网络)、computer vision(计算机视觉)等。自Alex在2012年ImageNet图像识别竞赛上运用深度学习技术取得巨大成功，计算机视觉技术领域开始迅速发展，基于卷积神经网络的人群密度估计技术逐渐应用于踩踏事故预防监控领域。

2)#2类包含model(模型)、behavior(行为)、crowd dynamics(人群动力学)、pedestrian flow(人流)、simulation(模拟)、evacuation(疏散)、tracking(跟踪)等。侧重于运用模拟手段进行踩踏事故形成机制与疏散机理研究。Yi等[18]基于元胞自动机建立楼层场模型，阐明人群疏散过程中行人动力学机理；Khamis 等[19]采用人工蜂群优化算法确定模块化建筑安全门最佳位置，并通过社会力模型(SFM)对疏散效率进行评价，获得最优疏散路径和安全出口。

3.3 国内外踩踏事故预防监控领域研究比较分析

对国内外热点关键词进行对比分析可知，前20位热点关键词中有6位相同，依次为人群密度估计、人群统计、卷积神经网络、人群异常检测、拥挤踩踏事故、计算机视觉。说明应用计算机技术进行事前预防的观点国内外具有一致性。

同时，针对“踩踏事故预防监控”领域涵盖学术范围国内外存在一定差别。国外认为该领域涵盖外延更广，“模型”、“模拟”、“疏散”、“人群动力学”、“社会力模型”等国际热点关键词表明，除踩踏事故事前预防监控技术外，还将应急疏散过程中人群模拟、路径优化等作为预防手段进行考量；而国内热点关键词“支持向量机”、“深度学习”等表明，国内在该领域更集中于踩踏事故事前预防监控技术研究[20]。

3.4 发展脉络

通过对CiteSpace关键词共现图进行分析，梳理得到踩踏事故预防监控领域热点研究发展路径，如图5所示。由图5可知，踩踏事故预防监控领域重要研究发展路径包括以下3条：

图5 踩踏事故预防监控领域热点研究发展路径

1)“拥挤踩踏—人群密度估计—支持向量机”，即路径①③。最初人群密度估计是通过对视频监控中图像进行特征提取，运用支持向量机(SVM)等方法训练分类器进行人群密度估计。21世纪初期，该路径是踩踏事故预防监控领域主要研究方向。

2)“拥挤踩踏—人群密度估计—深度学习—卷积神经网络”，即路径①④⑥。自2006年Hinton提出深度学习概念，至2015年卷积神经网络首次应用于人群密度估计。深度学习现已取代传统人群密度估计方法，成为当前踩踏事故预防监控领域研究主流方向。

3)“拥挤踩踏—疏散—人群动力学—模拟—社会力模型”，即路径②⑤⑦⑧。为预防应急疏散过程发生踩踏事故，开展人群动力学研究，运用计算机技术对疏散过程进行模拟，建立相应社会力模型成为当前研究热点。

4 结论

1)29个国家(地区)中，中国发文量最多，占40.6%，其次为美国，占15.4%。中美是踩踏事故预防监控领域研究核心力量；国家(地区)间仅有25条合作连线，主要集中于中国、美国和沙特阿拉伯，其余国家多为国家内部机构间合作，表明踩踏事故预防监控领域缺乏国际交流，不利于该领域发展。

2)通过对国内外关键词图谱进行对比分析发现，应用计算机视觉技术估计人群密度已成为国内外研究主流方向。同时，针对“踩踏事故预防监控”领域涵盖学术范围国内外存在一定差别，国外认为该领域涵盖外延更广，除踩踏事故事前预防外还将应急疏散过程中人群模拟、路径优化等作为预防手段进行考量；国内更集中于踩踏事故事前预防监控技术研究。

3)踩踏事故预防监控领域3条主要发展路径包括：“拥挤踩踏—人群密度估计—支持向量机”、“拥挤踩踏—人群密度估计—深度学习—卷积神经网络”和“拥挤踩踏—疏散—人群动力学—模拟—社会力模型”。深度学习取代支持向量机等传统人群密度估计方法，成为目前以及未来一段时间踩踏事故预防监控领域主要研究方向。疏散过程中人群模拟与路径规划也是当前国际研究热点。