基于共词和网络分析的踩踏事件特征与致因研究

宋钰 谢科范 梁本部

摘 要： 人群踩踏已成为严重影响社会治安、危及人们生命安全的重大灾难事件，为分析其发生的特征与致因，从发展趋势、伤亡情况、触发地点等多个方面对1990-2017年147起国内外人群踩踏事件进行分析，基于共词分析与社会网络理论，计算高频词网络节点的点度中心性、中间中心性与接近中心性，分析踩踏事件高频词的网络控制能力、信息传递能力与独立性;通过小团体识别，剖析不同踩踏事件的致因与特点。结果表明：踩踏事件发生的数量呈现周期性波动，非洲和亚洲是踩踏事件伤亡最为严重的地区，体育场、桥梁街道、寺庙等是发生踩踏事件的主要场所;可视化网络节点的点度中心度决定了事件特征词触发踩踏事件的控制能力，中间中心性决定了间接因素转化为触发因素的能力，接近中心性刻画踩踏事件的突发性致因;宗教、布施、庆典、赛事等活动的踩踏事故触发因素具有一定差异性。最后，基于共词分析与网络分析结果提出踩踏事件的预防对策。

关键词： 人群踩踏; 共词分析; 中心性分析; 小团体分析; 策略分析

中图分类号： X928 文献标识码： A DOI： 10.3963/j.issn.1671|6477.2019.01.0006

一、 问题的提出与文献综述

近年来，随着人们生活水平的不断提高，参与商业、体育、宗教等活动已经成为人们精神文化生活的主要方式，城市公共设施的迅速发展为人群聚集活动提供了便利，同时也带来了重大的安全隐患[1]。大型活动形成的人群聚集具有参与人数众多、风险因素复杂、社会影响面广等特点，若在人群流动中产生高密度人群、冲突、跌倒等情况，极易触发严重的踩踏事件。据不完全统计，1990-2017年期间国内外共发生147起踩踏事件，造成7526人死亡，12407人受伤，而亚洲是事故的高发地区，造成了极其严重的人员伤亡和财产损失。因此，这使得针对踩踏事件的特征与致因等问题的研究，成为目前人口增长迅速且人群管理水平较为落后的发展中国家极其迫切的需要。

人群踩踏，指在人群聚集的事件中，某高密度区域内，单人或多人因异常行为、恐慌等突发状况而行走不稳造成挤压和跌倒，且少量个体因其他多数人群的叠压未能站起，导致短时间内的人群停滞、失控的现象[2]。目前关于人群踩踏的研究主要从事故分析、人群流动模型与风险评估等几个角度展开。从事故分析的角度，Aylwin[3]对踩踏事件的触发因素、事件过程、伤亡情况等进行了统计分析;Turris等[4|6]学者重点分析了印度、沙特阿拉伯国家宗教与庆典活动中的踩踏事件，发现谣言、骚乱是构成灾害发生的主要原因;任常兴[7]用群集指数表征人群密集参量，指出高度聚集是人群踩踏事件发生的先决条件;张青松[8]等从人群踩踏事故发生的致因机理与人体行为出发，提出人群踩踏事故风险理论，包括自由移动、滞留、拥挤、踩踏四个阶段;单雪强[9]等收集与整理近10年中小学拥挤踩踏事故案例，对其时空分布和影响因素进行分析;尹晓庆基于事故致因理论及其形成机理建立大型活动拥挤踩踏事件事故树，总结踩踏事件的特征和形成机理[10]。在人群流动模型层面，学者进行了较为深入的探讨，主要从宏观人群模型，如Henderson[11]提出的宏观气体或液体流模型，将大规模人群的流動看作类似于物质流动;及微观人群模型，如社会力连续模型[12]、元胞自动机离散模型[13]，对人群中的个体行为进行独立模拟，为大规模人群活动的规划提供数据支持。在踩踏风险评估的层面，于帆[14]等人从发生机制入手分析踩踏事故的影响阶段，获取公共场所踩踏事故风险评价指标，构建评价体系;刘艳等确定人群踩踏事故风险的输入输出向量与权重，运用DEA模型评价地铁拥挤踩踏风险;王起全引入赋权关联度、神经网络算法[15|16]确定踩踏风险的主要因素，选取地铁实际样本与事故案例进行对比分析。

目前国内外学者对于踩踏事件的研究主要集中在人群踩踏理论与数据的分析上，研究方法多采用描述性统计，而踩踏事件文献来源复杂，仅靠单一描述性统计分析很难挖掘踩踏事件发生的深层规律与原因。本文运用共词分析方法，在检索国内外学术文献、灰色文献的基础上，基于高频词的共现矩阵与可视化网络进一步剖析人群踩踏事件的内在特征与触发因素，提出踩踏事件的预防对策。

二、 研究方法与数据来源

（一） 数据来源

本文以人群踩踏事件为主题，以CNKI、万方、EBSCO、Elsevier、WOS等为数据源，以“踩踏”、“踩踏事件”、“人群踩踏”、“crowd stampede”、“crowd disasters”、“mass incidents”为中英文检索词。由于人群踩踏事件具有突发性强、涉及面广的特点，学术文献的研究存在一定的滞后性[17]，仅对文献进行分析无法获取完善的踩踏数据，因此本文另选取以互联网为基础的灰色文献，包括人民网、新华网、百度新闻、新浪新闻、BBC World、New York Times、Google等主要中英文主流媒体网站，对国内外新闻报道进行了全面检索，运用爬虫方法获取主要媒体的踩踏事件报道，获得非相似新闻723篇，合并、剔除不相关信息，得到1990-2017期间国内外人群踩踏事件147起。

（二） 研究方法

共词分析法是文献分析领域中进行文献统计、词频统计的主要方法之一，能够准确定位检索词所涉及领域的主要研究热点，反映出研究的一般规律与发展趋势。基于网络爬虫获取的事件信息，对踩踏事件发生的趋势、伤亡、区域分布、场所等进行分析;运用ICTCLAS汉语分词系统，对爬取的文本进行高频词识别和提取，获得踩踏相关文献和新闻的关键词作为主要研究对象，对关键词进行规范化处理，合并同义词、近义词，如“人流对冲”、“相向行走”、“对流”、“合流”等合并为“对冲合流”，将“逃跑”和“逃离”合并为“逃散”，剔除不规范的关键词如“预案不足”、“催泪瓦斯”等，最终得到关键词72个，按照出现频次进行排序，选取词频数大于3的40个高频关键词作为研究对象，分析国内外人群踩踏事件的特征与致因;构建高频词共现矩阵，矩阵中交汇点处代表一组高频关键词同时出现在一篇文献中的频次[20]。

运用社会网络分析软件Ucinet，构建虚拟化高频词网络，清晰呈现出各高频词之间的相互关系。计算高频词节点的点度中心性、中间中心性与接近中心性等网络指标值。采用组间连接、平方Euclidean距离作为聚类标准，进行聚类分析，获取聚类网络图，得到小团体关键词的特征与内涵，探索不同类型踩踏事件的动因。

三、 实证分析

（一） 近年来国内外人群踩踏事件的描述性统计分析

图1呈现了近30年来人群踩踏事件的变化趋势。踩踏事件具有高发性的特点，仅1993、1995、1997三年未发生大规模人群踩踏事件;1990-2000年之间国内外发生的踩踏事件数量相对较少，2000年以后呈现明显波动上升的趋势，约5年为一波动周期，在2005、2010、2014年达到波峰值15、18、14起，共占到了踩踏事件总数的32.4%，同时国外踩踏事件的发生频率明显高于国内。

从事故发生区域与伤亡人数层面看，如表1所示，踩踏事件多发生在亚洲、非洲，其中亚洲发生踩踏事件103起，占总数的70%，伤亡人数超过到10000人，西亚踩踏事件最为严重，伤亡人数6599人，死亡人数4235人，远超其他地区，如沙特阿拉伯、伊朗、伊拉克等宗教活动盛行的国家;非洲发生踩踏事件32起，占总数的21.8%，死亡人数超过5000人，如刚果、加纳、科特迪瓦发生多次踩踏事件;欧洲发生踩踏事件数目相对较少，但是伤亡人数高达2500人，占伤亡总人数的12.5%，说明欧洲国家踩踏事故造成的后果最为严重，多是由暴乱、恐怖袭击引起的;踩踏事件在美洲、大洋洲相对较少。

从踩踏事故的发生地点来看，如图2所示，伤亡人数最多的场所为体育场（35起，7507人），但相对来说死亡人数较少;桥梁街道（32起）造成了最多的死亡人数4000人;寺庙教堂与地下通道共发生踩踏事件17起，造成伤亡人数分别为1753与1546人，而地下通道仅发生3起事故，死亡人数高达500人/次，说明频发在狭窄通道的事故更容易造成人群挤压，短时间内形成严重的后果;学校是踩踏事件的高发场所（30起），更多地出现在落后地区的中小学群体中;娱乐场所均次死亡人数达到50人/次，相对较高;其他场所伤亡情况如图2所示。

（二） 近年来国内外人群踩踏事件的高频词分析

关键词是事件发生的精髓，是对学术文献和灰色文献的凝练。如果某一关键词在事件描述中反复出现，则可反映出该关键词是事件发生的重要关联要素，体现出某一或某一类事件的特征或致因。踩踏事件的关键词，可以在一定程度上反映事故发生的一般特点，因此，本文选取词频数大于3的40个高频关键词作为研究对象，分析人群踩踏事件的特征与致因，如表2所示。

“踩踏”作为人群踩踏事件的核心关键词，词频数最高。“拥挤”词频数达到了90，高于其他关键词，体现出人群聚集形成的拥挤环境是踩踏事件发生的必要条件;“跌倒”、“恐慌”、“集聚”等关键词词频均超过了20次，代表踩踏事故中人群心理与行为的规律与特征;“宗教活动”、“体育赛事”、“音乐节”、“庆典”、“灾难”、“事故”等关键词体现了踩踏事件发生的事故场景;“课间”、“停电”等则表明了踩踏事件发生的时间;“楼梯”、“电梯”等关键词说明了踩踏事件一般发生的地点，“对冲”、“暴力”、“出入口限制”、“结构失效”等关键词则体现了踩踏事件发生的原因。

依据高频关键词在同一文献中出现的频次构建共现矩阵，表3右上部列举了主要关键词的共现频次，高共现频次说明关键词之间存在较强的相关性。“踩踏”与其他高频词均具有较高的相关性，共现数与词频数目大致相等。“拥挤”与“跌倒”、“聚集”、“恐慌”、“庆典”、“赛事”等关键词均出现了高相关性，可以看出，高密度人群是造成人群跌倒、恐慌的主要原因，大规模聚集活动是高密度人群的频发场景，朝觐活动（尤其集中在西亚地区），形成了较为庞大的聚集性人群，“拥挤”现象极易出现;“赛事”和“恐慌”具有较强相关，赛事活动的情绪变化容易造成个体情绪的脆弱性特点，处在激动情绪的观众在突发性刺激情绪影响时，如打骂、尖叫、暴动等，容易产生恐慌情绪;“逃散”是“恐慌”产生的最为直接结果（共现频次为7），高密度情况下个体的无序、变速移动，会增大人群的风险等级;“对冲合流”是较为危险的人流状态，出现在高密度人群和复杂的建筑结构中，与“拥挤”共现频次较高。由于篇幅有限，本文仅提供部分高频词共现矩阵（如表3所示）。

（三） 近年来国内外人群踩踏事件的网络分析

在图论（Graph Theory）与网络分析（Network Analysis）中，中心性是衡量节点在整个网络系统中重要性的重要指标，包括点度中心性、中间中心性和接近中心性。将网络理论与文本方法相结合，能够有效分析高频词在网络中的地位与特征，同时剖析不同节点间的相互关系，了解踩踏事件不同特征与致因之间的相互影响。

1.点度中心性。一个节点的点度中心性只有在网络中与其他相关节点的点度中心度进行比较才有意义，而图的网络中心势表示网络总体向某个节点的聚集程度与概率。

在网络中，与一个节点直接相连的节点个数越多，则其在图中的位置越靠近中心，拥有的权重也越大。用CRDi表示節点i的点度中心度，即节点i与其他n-1个节点直接联系的数量。节点的点度中心度与网络规模n相关，网络规模越大，则点度中心度的取值可能性越大。为了消除网络规模不确定引起的影响，Stanley Wasserman[21]等提出相对节点中心度C′[KG-*2]RDi的公式：

踩踏事件高频词网络中，节点之间的联系可以理解为不同事故发生功能、场所、事件类型之间的联系，以及事件发生的复杂性。点度中心性度表示某个关键词对其他关键词的影响程度，体现踩踏事件发生的核心原因、地点、结果等，踩踏事件的高频词网络相对点度中心度（C′[KG-*2]RDi）如表4所示。

踩踏事件关键词的网络中心势为63.16，关键词网络集中趋势较为明显，平均点度中心度（Mean Centrality Degree）为15.231，共现频次较高，表明踩踏事件具有共性的触发因素。“踩踏”相对点度中心度为1，与其他关键词均存在直接联系，具有较强的资源控制能力;体现人群聚集宏观特点的高频词相

对点度中心度较高，如“拥挤”、“集聚”、“蜂拥”等，在占据网络的中心位置，体现踩踏事件的共性因素为密度较大人群中的异常移动;“恐慌”表明在拥挤踩踏事故发生时，人群易产生异常心理，且个体异常情绪极易影响周围人群;“跌倒”、“逃散”、“混乱”表明异常行为导致的个体跌倒是踩踏事故的主要触发事件，两种主要致因包括主观致因（“对冲合流”、“超员”、“争抢”等）与客观致因（“结构失效”、“狭窄”、“出入口限制”）;情境因素包括：“体育赛事”、“庆典”、“宗教”等，相对点度中心度较高，是踩踏事件发生的主要人群聚集场景，而“布施活动”、“灾难事故”、“音乐节”等突发事件所引起的异常人群流动也不容忽视，其人群情绪往往异于正常情况。“停电”、“朝觐”、“爆炸”等关键词的点度中心度在10以下，处于网络的边缘位置，体现踩踏事件发生的突发致因。

2.中间中心性。中间中心度作为衡量控制节点之间交往能力的指标，代表着对网络资源的控制程度，通过计算中间中心性可以分析踩踏事件高频词网络中某个节点或某条边作为“中介”的能力，即某个关键词作为“中介”对其他关键词的影响及资源的掌控程度，在踩踏事件高频词网络中，其节点中间中心度的大小代表传递信息能力的强弱，是导致踩踏事件发生的关键性节点，踩踏事件高频词的相对中间中心度（CRBi）如表5所示。节点i的相对中间中心度[22]为：

作为信息传导重要通道，相对中间中心度较高的关键词节点对踩踏事件的发生起到决定性的作用。“拥挤”、“恐慌”、“集聚”、“跌倒”、“蜂拥”、“逃散”等体现人为因素的关键词节点具有较高的相对中间中心度。与点度中心度相比，节点“拥挤”不仅占据了高频词网络的核心位置，还控制了众多节点对的测地线网络，说明高密度人群是促使踩踏事件间接因素转化为触发因素的关键，同时异常人群如恐慌、跌倒、蜂拥与逃散（突然加速或减速）也是促使踩踏事件发生的重要触发因素。从场景因素的维度，“出入口限制”、“结构失效”、“狭窄”等场景结构性特征高频词也占据着网络的关键性节点，说明由于场地设置缺陷或超出额定承载范围，是造成突发踩踏事件的重要因素，同时也是间接因素转化为触发因素的催化剂。此外，“楼梯”、“电梯”等狭窄空间也已造成局部人群密度过高，从而导致间接因素转化。从环境因素的维度，“谣言”在网络中占据较为重要的信息传递位置，当产生恐怖言论并扩散传播时，聚集人群易发生突然的不规则移动，造成碰撞或跌倒;“暴力”、“免费”、“促销”、“爆炸”、“停电”等其他意外环境因素也占据了较为重要的信息节点，但相比人为因素和场景因素，其中介能力较弱。从管理因素维度，“对冲合流”、“失控”、“争抢”、“涌入”等高频词代表由于现场管理不当形成的高风险群体，包括对冲人流、无序移动人流、星状集中人流和瓶颈人流等，但对资源的中介能力最弱，属于触发因素。

3.接近中心性。接近中心性是从整体出发，用来测量节点“行动”不受他人“控制”的能力，关注更多的是捷径，而不是节点直接连接关系。如果一个点通过更短的接地线与其他节点相连接，即这个节点具有较高的接近中心性，反之，则该节点具有较高的独立性。节点的相对接近中心度[23]可表示为：

由于踩踏事件高频词网络的网络中心势较高、网络较为集中，相对接近中心度与相对点度中心度呈现相似的特征。拥有较大相对接近中心度的节点仍然为“踩踏”、“拥挤”、“跌倒”，无论作为踩踏事件的控制者、诱因的中介者，还是作为事件的联合触发者，人为因素都占据着极其重要的网络地位，说明在宗教活动、体育赛事、布施活动等不同的场景因素中，人为诱因是造成踩踏事故最为普遍、直接的致因。相反，“停电”、“朝觐”、“有毒气体”、“爆炸”具有较低的接近中心性，说明此类事件具有较强的独立性和不可预测性的特点。场地设计因素如“出入口限制”、“结构失效”、“狭窄”等节点仍具有较高的相对接近中心性，传递信息功能较强，即更易导致间接因素向触发致因的转化。

4.聚类分析。基于层次聚类方法[24]，对人群踩踏事件高频词的共现矩阵进行分析，呈现踩踏事件高频词的网络分布及踩踏事件发生的中心词与边缘词，得到6个关键词子群，如图3所示，聚类网络的整体密度值为0.39，各高频词之间联系较为紧密。

小团体（G1）代表的核心词多与“宗教”朝觐相关，占据着可视化网络的核心位置，包括了网络分析的多个核心词，说明此类事件是最具代表性的踩踏事故。这类事件主要发生在亚洲、非洲等宗教活动盛行的国家，如印度、沙特、巴基斯坦等;事发地点多处于街道、涵洞、桥梁等狭窄区域，“跌倒”、“失控”、“对冲合流”等关键词体现了这类事件的一般原因：小规模群体相对于总体人流减速、静止或逆行，造成人流阻塞、失控，局部人群密度过大，发生踩踏事件。

小团体（G2）中“布施”、“促销”呈现为另一类踩踏事件的高发活动，主要发生在印度、尼日利亚、中国等发展中或不发达国家和地区，涉及范围较广。这类活动对群众有较强的情感刺激。在群体活动中，个体的知觉和行为极易受他周围人群的影响[25]，当提及某些激励性信息，如“食物免费”、“降价”等，人群容易发生“爭抢”、“蜂拥”等行为，造成局部空间内人流速率的突然变化并向某一刺激点集中，而弱势群体如老人、小孩、妇女等由于身体的先天性弱势，易产生跌倒、受伤，甚至形成踩踏事件。

小团体（G3）中“庆典”是另一踩踏事件的高发活动。在庆典、音乐节等代表性活动中，群体情绪往往处于非理性状态，如激动、兴奋等。当发生突发事件时，人们更容易受到刺激产生恐慌情绪;由于建筑结构性制约，大规模人群无法快速转移或疏散，当途经狭窄区域如出入口或楼梯时，瞬间的人流涌入会造成单位面积内人群密度过大，从而导致踩踏风险，2014年“上海外滩陈毅广场踩踏事件”就是由于狭窄楼梯处人流对冲造成的，死亡人数多达36人。

小团体（G4）的高频词多与校园踩踏事件相关，集中发生在经济欠发达地区的中小学群体中，核心词“拥挤”体现了小学校园更容易出现人群拥挤，此类校园基础设施较为简陋，事发时间多为学生课间、上学、放学、仪式活动等，发生地点主要集中在楼梯间、拐角、楼道间，从个体特点来看，中小学生自我保护意识较弱、行动随意性强，在发生“跌倒”、“停电”等突发事件时，容易造成惊慌、奔跑等行为，从而造成严重后果。

小团体（G5）中的“体育赛事”（尤其足球比赛）踩踏事件主要发生在美洲、非洲等地区，单次死伤人数超过10人。发生的主要原因包括：球场超容，如2006年也门伊卜踩踏事件中，容量仅为1万人的体育场当天观众高达15万，最终酿成惨剧;结构失效，当单位面积人数超过建筑物承载阈值，建筑如大门、栏杆、楼梯等就会发生坍塌，而由于局部内人群密度过大，疏散的空间和时间受到制约，极易造成大规模伤亡;球场暴力，比赛双方观众由于立场不同易产生激动或敌对情绪，进而上升为争执、打架、投掷危险品等极端行为，人群产生恐慌情绪形成不规则“躲避”、“逃散”，最终发生踩踏事件。

小团体（G6）可以看出突发的灾难事件容易造成人群恐慌、逃散，突发灾难事件主要包括地震、火灾、枪击、异响、爆炸、恐怖袭击、设施倒塌等，同时谣言也是酿成踩踏事件的重要因素，容易造成恐慌逃散、恐慌传播等现象。

四、 讨论与政策建议

通过网络分析结果发现，目前踩踏事件多发生于宗教、布施、体育赛事等活动中，其发生过程可以概括如下：集聚行为在场景、场地因素的作用下，形成不规则人群异常行为的间接因素，在催化因子的作用下，间接因素向触发因素转化形成个体移动速度不均、跌倒、拥挤等现象，最终导致踩踏事件。但通过聚类分析发现，当场景因素的不同时，其特征和致因也存在差别，演化如图4所示。

人群的行为类因素构成了踩踏事件的间接与直接致因，其中能够直接触发事故的两个重要要素包括：拥挤和跌倒，即高密度人群与突发性事件的协同作用;而间接因素主要包括人群移动的主要异常特征，包括逃散、争抢、推搡等，易造成小范围内集聚状态的不稳定性，增加人群风险。中心性分析结果显示，高频关键词作为网络信息传递的重要枢纽占据了网络的核心位置，控制着网络信息的传导。因此，踩踏事件间接因素向直接因素的转化，需要催化因素（控制节点）的作用和影响，环境状态的异常、物理状态的改变、管理失效都可以促使人群状态的加速恶化，导致系统的风险状态超过阈值，形成触发因素。人群的情感类因素也会形成催化作用，异常个体情绪不仅会影响其思维判断和路径选择，同时还会形成传播效应，影响周边群体，导致系统风险数值呈现几何式增长，最终形成人群系统的紊乱，导致踩踏事故的发生。

基于此，在不同人群踩踏高发事件：宗教活动、发放活动、庆典活动、校园活动、体育赛事、突发灾难上，选择应急管理、场地管理、信息管理、人群管理几个维度进行人群集会场所踩踏事件风险规避的策略探讨。

第一，加强对宗教活动踩踏事件高发场所如桥梁、涵洞、地下通道等地的人流流量、流向与密度监控，做好硬件设施的巩固工作，保证朝觐场所空旷畅通;合理设计宗教活动路线，保证道路的单向通行，通过科学设计路标标示、警示语、隔离带等引导人群移动，严格控制宗教活动人员总数量。

第二，发放活动如布施、促销等活动中，应将地点设置在广场、体育场等空旷场所，增加发放地点与窗口数量，延长活动时间，有效地进行人群分流;通过信息宣传和指引有选择性地吸引人群，避免人群蜂拥;保证发放活动的有序进行，使人群以循环队列流动领取物品并迅速离开。

第三，将庆典活动设在空旷区域如广场、体育场等，设置多出入口单向通行，保证道路宽敞无阻挡物;禁止携带危险物品，以防发生突发事件引起恐慌;通过LED屏幕、广播进行宣传，迅速有序出入场，并控制单位区域人群数量;对人群情绪进行监控，避免人群冲突。

第四，学校、社会等应做好对学生突发人群踩踏事件的安全教育工作，在学校楼梯、走廊、操场等踩踏事件高发地段张贴标语;增固楼梯、通道等学校关键区域硬件设施，增加安全警示线，保证普通照明与应急照明;有效地分散学生集会、放学、课间等大规模人流移动的时间点，合理规划学生日常活动。

第五，保证体育赛事场馆的定期检修，尤其是护栏、楼梯、座椅等，避免因結构失效造成的人员伤亡;严格控制观众的总体人数，对不同区域的观众进行类别划分，如主客场球迷;通过球场广播、大屏幕进行安全信息的通知与指引;有效地规范观众行为，对集聚、打闹、激动、冲突等群体进行及时疏散。

第六，政府及相关危机灾害管理机构应构建踩踏事件数据库，对国内外踩踏事件的起因、伤亡人数、应急措施等进行详细统计，为相关部门制定应急管理预案提供数据支撑;组织者应该提前对活动场所的容量、规模、出入口设施等进行调研，制定科学合理的预案;同时应通过模拟实验对预案进行改进，培养训练有素的应急管理队伍。

五、 结 语

本文运用文本分析和网络分析方法，对1990-2017年国内外147起踩踏事故深入研究，根据统计数据和网络分析结论，拥挤踩踏事故的致因可以分为间接致因、直接致因和催化因子，即集聚行为在场景因素的背景下，形成以异常个体行为要素为主的间接因素，在管理、环境、物理等催化要素作用下，转化成为“拥挤”、“跌倒”等能够直接导致踩踏事故发生的因素。聚类分析发现，当场景因素不同时，踩踏事故的特征和致因也存在差别，因此，本文从应急管理、场地管理、信息管理、人群管理四个维度针对不同的集会场景提出建议，确保大规模人群的安全集聚。本研究进一步拓展了已有的事故分析方法，扩充了踩踏事故数据的涵盖范围，提取的关键词具有事件的一般性特征，能够为踩踏事故的预警提供一定的指导作用。

[参考文献]

[1]  刘德海.政府不同应急管理模式下群体性突发事件的演化分析[J].系统工程理论与实践，2010，30（11）：1968|1976.

[2] Helbing D，Buzna L，Johansson A，et al.Self|organized pedestrian crowd dynamics：Experiments，simulations，and design solutions[J].Transportation science，2005，39（1）：1|24.

[3] Aylwin C J，Knig T C，Brennan N W，et al.Reduction in critical mortality in urban mass casualty incidents：analysis of triage，surge，and resource use after the London bombings on July 7，2005[J].The Lancet，2007，368（9554）：2219|2225.

[4] Turris S A，Lund A，Bowles R R.An analysis of mass casualty incidents in the setting of mass gatherings and special events[J].Disaster medicine and public health preparedness，2014，8（2）：143|149.

[5] Memish Z A，Stephens G M，Steffen R，et al.Emergence of medicine for mass gatherings：lessons from the Hajj[J].The Lancet infectious diseases，2012，12（1）：56|65.

[6] Illiyas F T，Mani S K，Pradeepkumar A P，et al.Human stampedes during religious festivals：A comparative review of mass gathering emergencies in India[J].International Journal of Disaster Risk Reduction，2013，5：10|18.

[7] 任常兴，吴宗之，刘茂.城市公共场所人群拥挤踩踏事故分析[J].中国安全科学学报，2005，15（12）：102|106.

[8] 张青松，刘金兰，赵国敏.大型公共场所人群拥挤踩踏事故机理初探[J].自然灾害学报，2009（06）：81|86.

[9] 单雪强，苏国锋.中小学校园踩踏事故统计分析及应对措施研究[J].中国安全科学学报，2010（04）：165|170.

[10]尹晓庆，叶厚元.大型活动拥挤踩踏事件的事故树分析及其防控措施[J].安全与环境工程，2017，24（2）：126|131.

[11]Helbing D，Farkas I，Vicsek T.Simulating dynamical features of escape panic[J].Nature，2000，407（6803）：487|490.

[12]陈涛，应振根，申世飞，等.相对速度影响下社会力模型的疏散模拟与分析[J].自然科学进展，2006，16（12）：1606|1612.

[13]Ma J，Song W G，Lo S M，et al.New insights into turbulent pedestrian movement pattern in crowd|quakes[J].Journal of Statistical Mechanics：Theory and Experiment，2013，2013（2）：20|28.

[14]于帆，宋英华，霍非舟，et al.城市公共场所拥挤踩踏事故机理与风险评估研究：基于EST层次影响模型[J].科研管理，2016，（12）：162|169.

[15]王起全.基于赋权关联度算法的地铁拥挤踩踏事故风险研究[J].中国安全科学学报，2013（5）：94|100.

[16]王起全，郑乐.大型活动拥挤踩踏事故BP神经网络安全评估方法应用分析[J].中国安全科学学报，2009（04）：127|133.

[17]杨庆国，陈敬良，甘露.社会危机事件网络微博集群行为意向研究[J].公共管理学报，2016（1）：65|80.

[18]胡昌平，陈果.科技论文关键词特征及其對共词分析的影响[J].情报学报，2014，33（1）：23|32.

[19]潘东华，徐珂珂.基于共词分析的技术机会分析[J].科研管理，2014（4）：10|17.

[20]Ravikumar S，Agrahari A，Singh S N.Mapping the intellectual structure of scientometrics：A co|word analysis of the journal Scientometrics （2005-2010）[J].Scientometrics，2015，102（1）：929|955.

[21]Scott J.Social Network Analysis：A Handbook[M].London：Sage Press，2000：100|105.

[22]谭雪晗，涂艳，马哲坤.基于 SNA 的事故灾难舆情关键用户识别及治理[J].情报学报，2017，36（3）：297|306.

[23]林聚任.社会网络分析：理论，方法与应用[M].北京：北京师范大学出版社，2009：10|15.

[24]康伟.基于SNA的突发事件网络舆情关键节点识别[J].公共管理学报，2012，9（3）：101|111.

[25]Tsai J，Bowring E，Marsella S，et al.Empirical evaluation of computational fear contagion models in crowd dispersions[J].Autonomous agents and multi|agent systems，2013，27（2）：200|217.