Evolution of the Scientific Literature on Input–Output Analysis: A Bibliometric Analysis of 1990–2017
Notice bibliographique
Résumé
This study attempts to characterize the literature related to input–output analysis between 1990–2017 through bibliometric analysis technology based on the Science Citation Index and Social Sciences Citation Index databases. By means of bibliometric tools, this paper provides deep insights on the patterns of these articles, the most influential works and authors, and the emerging research topics. The results imply that China and the United States (USA) are the leading countries in terms of publication output. The Chinese Academy of Sciences is the most productive research institution, followed by Beijing Normal University and the University of Sydney. The Journal of Cleaner Production, Ecological Economics, and Energy Policy are the top mainstream journals in the input–output analysis-related field. Based on network analysis, this paper also discovers the hidden collaboration patterns and interrelations of countries, institutions, and authors. The bibliographic coupling and keywords concurrence networks are adopted to illustrate the input–output analysis evolution over time, and identify the current key research hotspots. The obtained results will help scientific researchers better understand the research status and frontier trends in this field, permit researchers to know the current research interests in the input–output analysis field, and provide useful information for further investigation and publication strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,109 | 0,192 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».