盧 穎，路越茗，余易凡，姜學(xué)鵬

(1.武漢科技大學(xué) 資源與環(huán)境工程學(xué)院，湖北 武漢 430081；2.湖北省工業(yè)安全工程技術(shù)研究中心，湖北 武漢 430081)

0 引言

隨大型集會(huì)日益增多，踩踏事故頻發(fā)，造成大量人員傷亡及惡劣社會(huì)影響。學(xué)者對(duì)踩踏事故關(guān)注度不斷提高，研究成果涉及踩踏事故統(tǒng)計(jì)、致因分析、事故模擬等方面。通過對(duì)踩踏事故相關(guān)文獻(xiàn)進(jìn)行系統(tǒng)研究，可定量闡述踩踏事故研究知識(shí)結(jié)構(gòu)，發(fā)掘研究熱點(diǎn)并預(yù)測(cè)未來發(fā)展趨勢(shì)。

學(xué)者采用可視化知識(shí)圖譜分析工具對(duì)特定領(lǐng)域文獻(xiàn)進(jìn)行統(tǒng)計(jì)研究：王君玲等[1]運(yùn)用CiteSpace可視化軟件分析國(guó)內(nèi)煤礦企業(yè)應(yīng)急管理領(lǐng)域發(fā)展過程及未來趨勢(shì)；李杰等[2]運(yùn)用CiteSpace和Gephi軟件分析我國(guó)安全疏散領(lǐng)域發(fā)展過程、主要研究力量及研究熱點(diǎn)；Zou等[3]運(yùn)用VOSviewer軟件發(fā)現(xiàn)道路安全領(lǐng)域主要研究組織、研究趨勢(shì)以及5個(gè)重要子領(lǐng)域；曹旭等[4]利用可視化軟件分析國(guó)內(nèi)踩踏事故研究領(lǐng)域發(fā)展過程及熱點(diǎn)研究主題，但存在數(shù)據(jù)源不全面等問題，同時(shí)忽略踩踏事故預(yù)防研究發(fā)展脈絡(luò)；Almeida等[5]通過回顧人群踩踏事故文獻(xiàn)，全面分析踩踏事故定義、成因、預(yù)防及應(yīng)對(duì)方法，但針對(duì)踩踏事故預(yù)防研究缺乏定量分析。

隨計(jì)算機(jī)視覺技術(shù)不斷發(fā)展，學(xué)者對(duì)踩踏事故預(yù)防監(jiān)控開展深入研究：王啟全[6]以人群密度檢測(cè)作為動(dòng)態(tài)警兆，構(gòu)建智能化預(yù)警系統(tǒng)；Singh[7]運(yùn)用無線網(wǎng)絡(luò)人群計(jì)數(shù)及長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)人群密度，為大型公共活動(dòng)踩踏事故預(yù)防提供解決方案。目前，針對(duì)踩踏事故預(yù)防監(jiān)控領(lǐng)域相關(guān)文獻(xiàn)系統(tǒng)性研究不足，且存在數(shù)據(jù)不全面、脈絡(luò)不清晰等問題。

因此，本文搜集2000—2020年間Web of Science核心數(shù)據(jù)庫以及CNKI(中國(guó)知網(wǎng))數(shù)據(jù)庫中關(guān)于踩踏事故預(yù)防研究文獻(xiàn)，通過CiteSpace軟件對(duì)文獻(xiàn)進(jìn)行科學(xué)知識(shí)圖譜分析，獲得當(dāng)前踩踏事故預(yù)防監(jiān)控領(lǐng)域研究力量分布、研究熱點(diǎn)，闡明踩踏事故預(yù)防監(jiān)控知識(shí)結(jié)構(gòu)，剖析未來發(fā)展趨勢(shì)，研究結(jié)果可為后續(xù)研究提供指導(dǎo)與參考。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)源

中文文獻(xiàn)來源于中國(guó)知網(wǎng)數(shù)據(jù)庫，共檢測(cè)2003—2020年間題錄251條；英文文獻(xiàn)來源于Web of Science數(shù)據(jù)庫，檢索日期2020年11月15日，數(shù)據(jù)庫為Web of Science核心合集，共獲得193條數(shù)據(jù)，通過篩選標(biāo)題及摘要，選取其中114篇文獻(xiàn)并導(dǎo)出。

1.2 研究方法

運(yùn)用CiteSpace軟件對(duì)踩踏事故預(yù)防監(jiān)控領(lǐng)域文獻(xiàn)計(jì)量分析，包括研究國(guó)家、被引文獻(xiàn)分析、關(guān)鍵詞分析。其中，國(guó)家分析主要以Web of Science數(shù)據(jù)庫中導(dǎo)出文獻(xiàn)為數(shù)據(jù)源，研究國(guó)家間科研力量分布與合作關(guān)系，得到踩踏事故預(yù)防監(jiān)控領(lǐng)域國(guó)家分布圖譜；被引文獻(xiàn)分析主要采用CiteSpace聚類分析展現(xiàn)踩踏事故預(yù)防監(jiān)控領(lǐng)域基礎(chǔ)性文獻(xiàn)與演進(jìn)過程；關(guān)鍵詞分析主要通過CiteSpace對(duì)關(guān)鍵詞數(shù)據(jù)統(tǒng)計(jì)，得出高頻率關(guān)鍵詞，確定踩踏事故預(yù)防監(jiān)控領(lǐng)域研究熱點(diǎn)。

2 研究力量分布與演進(jìn)

2.1 研究力量分析

繪制數(shù)據(jù)源國(guó)家間科研力量分布與合作關(guān)系圖譜，得到踩踏事故預(yù)防監(jiān)控領(lǐng)域國(guó)家分布圖譜，如圖1所示。

圖1 踩踏事故預(yù)防監(jiān)控領(lǐng)域國(guó)家分布圖譜

由圖1可知，2006—2020年間，共有29個(gè)國(guó)家(地區(qū))參與踩踏事故預(yù)防監(jiān)控研究。其中，主要包括中國(guó)58篇、美國(guó)23篇，其余國(guó)家(地區(qū))發(fā)文量均小于10篇。中國(guó)與美國(guó)是踩踏事故預(yù)防監(jiān)控領(lǐng)域研究主要力量，且中國(guó)與美國(guó)在該領(lǐng)域一直處于研究前沿。

節(jié)點(diǎn)間連線表示2個(gè)國(guó)家間存在合作關(guān)系，29個(gè)國(guó)家(地區(qū))間僅有25條連線，且主要集中于中國(guó)、美國(guó)及沙特阿拉伯，大部分國(guó)家僅局限于國(guó)家內(nèi)部機(jī)構(gòu)間合作。說明踩踏事故預(yù)防監(jiān)控研究缺乏國(guó)際合作。

2.2 文獻(xiàn)共現(xiàn)分析

文獻(xiàn)共現(xiàn)分析指對(duì)文章引用文獻(xiàn)進(jìn)行分析，當(dāng)某篇文獻(xiàn)被多篇文章共同引用時(shí)，即構(gòu)成共現(xiàn)關(guān)系。通過共現(xiàn)分析，找到領(lǐng)域關(guān)鍵文獻(xiàn)，其提出的研究方法與思想是踩踏預(yù)防監(jiān)控事故領(lǐng)域核心思想。被引文獻(xiàn)聚類如圖2所示。

圖2 被引文獻(xiàn)聚類

由圖2可知，Web of Science數(shù)據(jù)庫導(dǎo)出文獻(xiàn)共引用參考文獻(xiàn)381篇，共現(xiàn)關(guān)系1 252個(gè)，分散于十幾個(gè)集群中。其中聯(lián)系最為緊密10類聚類標(biāo)簽包括系統(tǒng)性研究、密集人群計(jì)數(shù)、人群災(zāi)難、實(shí)證研究、人群湍流模擬、行人動(dòng)力學(xué)、異常行為分類、最新進(jìn)展、人群聚集計(jì)算、行人流量。其中，系統(tǒng)性研究、密集人群計(jì)數(shù)聚類包含引用文獻(xiàn)最多，各32篇；人群災(zāi)難次之，27篇。因此，對(duì)3個(gè)聚類進(jìn)一步分析，從而闡明踩踏事故預(yù)防監(jiān)控領(lǐng)域知識(shí)結(jié)構(gòu)。

#0聚類標(biāo)簽即系統(tǒng)性研究。Helbing等[8]2012年發(fā)表的“系統(tǒng)性失敗的群體性災(zāi)難-對(duì)‘愛情游行’踩踏事故的分析”引用次數(shù)最多。文獻(xiàn)定性分析造成德國(guó)杜伊斯堡愛情游行踩踏事故原因發(fā)現(xiàn)，人群涌浪是一系列因果關(guān)系因素經(jīng)放大反饋與級(jí)聯(lián)效應(yīng)的結(jié)果，表征系統(tǒng)不穩(wěn)定性；根據(jù)涌浪形成程度將踩踏事故分為8個(gè)等級(jí)，并提出預(yù)防對(duì)策；Frederick等[9]認(rèn)為踩踏事故具有獨(dú)特性，在發(fā)展中國(guó)家不容易引起科學(xué)界與災(zāi)害規(guī)劃者關(guān)注，導(dǎo)致對(duì)其傷害模式形成機(jī)制及增加死亡率心理行為誘因理解有限，限制踩踏事故系統(tǒng)性研究。因此，在開發(fā)系統(tǒng)信息、數(shù)據(jù)收集與分析方面需做進(jìn)一步研究，以預(yù)防踩踏事件發(fā)生。

#1聚類標(biāo)簽即密集人群計(jì)數(shù)。Piotr等[10]提出改進(jìn)的每幀評(píng)估法，對(duì)運(yùn)用計(jì)算機(jī)視覺的行人檢測(cè)技術(shù)(16種探測(cè)器)進(jìn)行評(píng)估發(fā)現(xiàn)，針對(duì)低分辨率及部分遮擋行人檢測(cè)仍有較大上升空間；Fu等[11]首次將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于人群密度估計(jì)，設(shè)置2個(gè)相互關(guān)聯(lián)的分類器，提高分類速度與準(zhǔn)確性；Pandey等[12]提出基于無人機(jī)攝像的正交投影法計(jì)算密集人群數(shù)量，以減少遮擋和縮放影響。

#2聚類標(biāo)簽即人群災(zāi)難。Burkle[13]通過分析2011年柬埔寨金邊踩踏事件，提議國(guó)際社會(huì)必須正式監(jiān)測(cè)人類踩踏事件；Illiyas等[14]對(duì)1954—2012年印度發(fā)生的34起災(zāi)難性踩踏事故觸發(fā)因素進(jìn)行研究，從舉辦活動(dòng)考量、活動(dòng)審批、風(fēng)險(xiǎn)評(píng)估、應(yīng)急資源綜合調(diào)查與規(guī)劃、風(fēng)險(xiǎn)降低措施5方面提出大規(guī)模聚集活動(dòng)踩踏風(fēng)險(xiǎn)緩釋框架。

3 研究熱點(diǎn)

3.1 國(guó)內(nèi)關(guān)鍵詞共現(xiàn)圖譜分析

以中國(guó)知網(wǎng)選取的251篇參考文獻(xiàn)為數(shù)據(jù)源進(jìn)行數(shù)據(jù)分析，得到國(guó)內(nèi)踩踏事故預(yù)防監(jiān)控領(lǐng)域關(guān)鍵詞圖譜，如圖3所示。

圖3 國(guó)內(nèi)踩踏事故預(yù)防監(jiān)控領(lǐng)域的關(guān)鍵詞圖譜

由圖3可知，國(guó)內(nèi)關(guān)鍵詞共現(xiàn)圖譜中節(jié)點(diǎn)數(shù)332個(gè)，將詞義相近關(guān)鍵詞合并，按關(guān)鍵詞頻次大小進(jìn)行排序。國(guó)內(nèi)重要關(guān)鍵詞前20位頻次及中心性見表1。

表1 國(guó)內(nèi)重要關(guān)鍵詞前20位頻次及中心性

將表1中關(guān)鍵詞分為2大類：

1)#1類包含人群密度、人群統(tǒng)計(jì)、視頻監(jiān)控、擁擠踩踏事故等。早期對(duì)人群踩踏事故通過人工方法進(jìn)行控制，包括在事故多發(fā)地點(diǎn)安排人員進(jìn)行現(xiàn)場(chǎng)疏導(dǎo)、在監(jiān)控室由值班人員對(duì)監(jiān)控視頻進(jìn)行觀察等。但人工方法耗費(fèi)大量人力物力，很難達(dá)到預(yù)期效果。

2)#2類包括支持向量機(jī)、灰度共生矩陣、卷積神經(jīng)網(wǎng)絡(luò)、紋理分析、深度學(xué)習(xí)、人群異常檢測(cè)、計(jì)算機(jī)視覺等，對(duì)踩踏事故預(yù)防控制逐漸向智能化方向發(fā)展。Davies[15]提出1種基于像素統(tǒng)計(jì)的人群密度估計(jì)方法，主要依據(jù)人群數(shù)量與像素統(tǒng)計(jì)特征線性關(guān)系估算人數(shù)，但針對(duì)高密度人群，會(huì)出現(xiàn)人員重疊、相互遮擋情況，降低人群數(shù)量與像素統(tǒng)計(jì)特征間線性關(guān)系，效果不理想；Marana[16]提出基于紋理特征的人群密度估計(jì)方法，主要通過灰度共生矩陣獲取圖像中人群紋理特征，該方法用于計(jì)算高密度人群時(shí)效果較好，但計(jì)算程序復(fù)雜，估計(jì)低密度人群時(shí)誤差較大。

隨支持向量機(jī)技術(shù)不斷完善，在人群密度特征分類方向，逐漸取代線性擬合及早期神經(jīng)網(wǎng)絡(luò)法。Hinton[17]首次提出深度學(xué)習(xí)概念，在學(xué)術(shù)界引起巨大反響，使神經(jīng)網(wǎng)絡(luò)技術(shù)獲得再次突破，出現(xiàn)諸如殘差神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、反卷積神經(jīng)網(wǎng)絡(luò)等不同神經(jīng)網(wǎng)絡(luò)法。

突顯關(guān)鍵詞反映不同時(shí)間段研究熱點(diǎn)，見表2。由表2可知，人群計(jì)數(shù)、卷積神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)在2017—2020年具有高爆發(fā)性，說明現(xiàn)階段研究多集中于對(duì)深度學(xué)習(xí)技術(shù)不斷拓展與創(chuàng)新階段。根據(jù)重要關(guān)鍵詞頻次與突顯關(guān)鍵詞爆發(fā)時(shí)間可以預(yù)測(cè)，人群統(tǒng)計(jì)、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)未來一段時(shí)間仍是踩踏事故預(yù)防監(jiān)控領(lǐng)域重要關(guān)鍵詞。

表2 突顯關(guān)鍵詞前6位

3.2 國(guó)際關(guān)鍵詞共現(xiàn)圖譜分析

在CiteSpace初始界面中，以Web of Science導(dǎo)出114篇參考文獻(xiàn)為數(shù)據(jù)源。將節(jié)點(diǎn)類型(Node Type)作為關(guān)鍵詞(Keywords)，得到國(guó)際踩踏事故預(yù)防監(jiān)控領(lǐng)域關(guān)鍵詞圖譜，如圖4所示。

圖4 國(guó)際踩踏事故預(yù)防監(jiān)控領(lǐng)域的關(guān)鍵詞圖譜

由圖4可知，國(guó)際關(guān)鍵詞共現(xiàn)圖譜中節(jié)點(diǎn)數(shù)241個(gè)，將詞義相近關(guān)鍵詞合并，按關(guān)鍵詞頻次大小進(jìn)行排序。關(guān)鍵詞排序前20位見表3。

表3關(guān)鍵詞可分為2大類：

表3 國(guó)際重要關(guān)鍵詞前20位

1)#1類包含density estimation(密度估計(jì))、crowd counting(人群計(jì)數(shù))、anomaly detection(異常檢測(cè))、convolutional neural network(卷積神經(jīng)網(wǎng)絡(luò))、computer vision(計(jì)算機(jī)視覺)等。自Alex在2012年ImageNet圖像識(shí)別競(jìng)賽上運(yùn)用深度學(xué)習(xí)技術(shù)取得巨大成功，計(jì)算機(jī)視覺技術(shù)領(lǐng)域開始迅速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)技術(shù)逐漸應(yīng)用于踩踏事故預(yù)防監(jiān)控領(lǐng)域。

2)#2類包含model(模型)、behavior(行為)、crowd dynamics(人群動(dòng)力學(xué))、pedestrian flow(人流)、simulation(模擬)、evacuation(疏散)、tracking(跟蹤)等。側(cè)重于運(yùn)用模擬手段進(jìn)行踩踏事故形成機(jī)制與疏散機(jī)理研究。Yi等[18]基于元胞自動(dòng)機(jī)建立樓層場(chǎng)模型，闡明人群疏散過程中行人動(dòng)力學(xué)機(jī)理；Khamis 等[19]采用人工蜂群優(yōu)化算法確定模塊化建筑安全門最佳位置，并通過社會(huì)力模型(SFM)對(duì)疏散效率進(jìn)行評(píng)價(jià)，獲得最優(yōu)疏散路徑和安全出口。

3.3 國(guó)內(nèi)外踩踏事故預(yù)防監(jiān)控領(lǐng)域研究比較分析

對(duì)國(guó)內(nèi)外熱點(diǎn)關(guān)鍵詞進(jìn)行對(duì)比分析可知，前20位熱點(diǎn)關(guān)鍵詞中有6位相同，依次為人群密度估計(jì)、人群統(tǒng)計(jì)、卷積神經(jīng)網(wǎng)絡(luò)、人群異常檢測(cè)、擁擠踩踏事故、計(jì)算機(jī)視覺。說明應(yīng)用計(jì)算機(jī)技術(shù)進(jìn)行事前預(yù)防的觀點(diǎn)國(guó)內(nèi)外具有一致性。

同時(shí)，針對(duì)“踩踏事故預(yù)防監(jiān)控”領(lǐng)域涵蓋學(xué)術(shù)范圍國(guó)內(nèi)外存在一定差別。國(guó)外認(rèn)為該領(lǐng)域涵蓋外延更廣，“模型”、“模擬”、“疏散”、“人群動(dòng)力學(xué)”、“社會(huì)力模型”等國(guó)際熱點(diǎn)關(guān)鍵詞表明，除踩踏事故事前預(yù)防監(jiān)控技術(shù)外，還將應(yīng)急疏散過程中人群模擬、路徑優(yōu)化等作為預(yù)防手段進(jìn)行考量；而國(guó)內(nèi)熱點(diǎn)關(guān)鍵詞“支持向量機(jī)”、“深度學(xué)習(xí)”等表明，國(guó)內(nèi)在該領(lǐng)域更集中于踩踏事故事前預(yù)防監(jiān)控技術(shù)研究[20]。

3.4 發(fā)展脈絡(luò)

通過對(duì)CiteSpace關(guān)鍵詞共現(xiàn)圖進(jìn)行分析，梳理得到踩踏事故預(yù)防監(jiān)控領(lǐng)域熱點(diǎn)研究發(fā)展路徑，如圖5所示。由圖5可知，踩踏事故預(yù)防監(jiān)控領(lǐng)域重要研究發(fā)展路徑包括以下3條：

圖5 踩踏事故預(yù)防監(jiān)控領(lǐng)域熱點(diǎn)研究發(fā)展路徑

1)“擁擠踩踏—人群密度估計(jì)—支持向量機(jī)”，即路徑①③。最初人群密度估計(jì)是通過對(duì)視頻監(jiān)控中圖像進(jìn)行特征提取，運(yùn)用支持向量機(jī)(SVM)等方法訓(xùn)練分類器進(jìn)行人群密度估計(jì)。21世紀(jì)初期，該路徑是踩踏事故預(yù)防監(jiān)控領(lǐng)域主要研究方向。

2)“擁擠踩踏—人群密度估計(jì)—深度學(xué)習(xí)—卷積神經(jīng)網(wǎng)絡(luò)”，即路徑①④⑥。自2006年Hinton提出深度學(xué)習(xí)概念，至2015年卷積神經(jīng)網(wǎng)絡(luò)首次應(yīng)用于人群密度估計(jì)。深度學(xué)習(xí)現(xiàn)已取代傳統(tǒng)人群密度估計(jì)方法，成為當(dāng)前踩踏事故預(yù)防監(jiān)控領(lǐng)域研究主流方向。

3)“擁擠踩踏—疏散—人群動(dòng)力學(xué)—模擬—社會(huì)力模型”，即路徑②⑤⑦⑧。為預(yù)防應(yīng)急疏散過程發(fā)生踩踏事故，開展人群動(dòng)力學(xué)研究，運(yùn)用計(jì)算機(jī)技術(shù)對(duì)疏散過程進(jìn)行模擬，建立相應(yīng)社會(huì)力模型成為當(dāng)前研究熱點(diǎn)。

4 結(jié)論

1)29個(gè)國(guó)家(地區(qū))中，中國(guó)發(fā)文量最多，占40.6%，其次為美國(guó)，占15.4%。中美是踩踏事故預(yù)防監(jiān)控領(lǐng)域研究核心力量；國(guó)家(地區(qū))間僅有25條合作連線，主要集中于中國(guó)、美國(guó)和沙特阿拉伯，其余國(guó)家多為國(guó)家內(nèi)部機(jī)構(gòu)間合作，表明踩踏事故預(yù)防監(jiān)控領(lǐng)域缺乏國(guó)際交流，不利于該領(lǐng)域發(fā)展。

2)通過對(duì)國(guó)內(nèi)外關(guān)鍵詞圖譜進(jìn)行對(duì)比分析發(fā)現(xiàn)，應(yīng)用計(jì)算機(jī)視覺技術(shù)估計(jì)人群密度已成為國(guó)內(nèi)外研究主流方向。同時(shí)，針對(duì)“踩踏事故預(yù)防監(jiān)控”領(lǐng)域涵蓋學(xué)術(shù)范圍國(guó)內(nèi)外存在一定差別，國(guó)外認(rèn)為該領(lǐng)域涵蓋外延更廣，除踩踏事故事前預(yù)防外還將應(yīng)急疏散過程中人群模擬、路徑優(yōu)化等作為預(yù)防手段進(jìn)行考量；國(guó)內(nèi)更集中于踩踏事故事前預(yù)防監(jiān)控技術(shù)研究。

3)踩踏事故預(yù)防監(jiān)控領(lǐng)域3條主要發(fā)展路徑包括：“擁擠踩踏—人群密度估計(jì)—支持向量機(jī)”、“擁擠踩踏—人群密度估計(jì)—深度學(xué)習(xí)—卷積神經(jīng)網(wǎng)絡(luò)”和“擁擠踩踏—疏散—人群動(dòng)力學(xué)—模擬—社會(huì)力模型”。深度學(xué)習(xí)取代支持向量機(jī)等傳統(tǒng)人群密度估計(jì)方法，成為目前以及未來一段時(shí)間踩踏事故預(yù)防監(jiān)控領(lǐng)域主要研究方向。疏散過程中人群模擬與路徑規(guī)劃也是當(dāng)前國(guó)際研究熱點(diǎn)。