A review of input–output model application hot spots in the energy and environment fields based on co-words network analysis
Notice bibliographique
Résumé
Leontief’s input–output model (IOM) is a widely applied method for tracing energy or emissions embodied in economic activities. The economic IOM used in environmental science has aroused broad concerns from both economists and environmentalists. The aim of this study is to review the hotspots of application of IOM in the energy and environmental science fields based on a bibliometric method by using co-words network analysis. All 4938 publications in this study were retrieved from Science Citation Index, Social Science Citation Index, Conference Proceedings Citation Index – Science, and Conference Proceedings Citation Index – Social Science & Humanities. The keywords and frequently cited articles were studied to reveal the evolution of hot spots related to IOM applications in the field of energy and environment from 1998 to 2016. The features of the co-words network analysis of keywords were analyzed by four network indicators including modularity, number of clusters, closeness coefficient, and average path length. The results showed that “energy”, “CO 2 emissions”, “GHG”, “LCA”, “industrial ecology”, “carbon footprint”, “China”, and “international trade” were the major application fields of IOM. In different stages the boundary of hot spots became overlapped and the whole network tightness became stronger. According to the analysis of frequently cited articles, we found those articles on CO 2 or GHG emissions embodied in trade had been the most frequently cited articles since 2007 with negotiations on climate change. Based on our findings, using IOM to analyze important environmental problems is the key point to popularize IOM applications. Future research opportunities exist to apply IOM to wider environment issues, such as combined emissions and resources.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».