Bibliometric analysis of carsharing and car rental research in the field of urban transportation and tourism transportation
Notice bibliographique
Résumé
This paper reviews recent carsharing and car rental research bibliometrically. The study examines the evolution, structure, and boundaries of Web of Science-reviewed carsharing and car rental research. VOSviewer and SPSS 22 evaluated 204 vehicle rental and 574 carsharing articles in the WOS core collection. A gradual rise in car rental and carsharing studies is shown. China and the US produce the most carsharing and rental publications, respectively. China is the most productive country for carsharing publications and the United States for car rental publications. While China and the United States cooperate on carsharing, the United States cooperates with other countries (Canada, Germany, England, France, Australia, Portugal, Taiwan, Israel) on car rental. Co-occurrence network analysis shows that carsharing has five main themes: sharing economy, electric vehicles, transportation, shared mobility, and mobility as a service, while car rental research has four main themes: revenue management, transportation, quality service, and e-commerce. Carsharing and car rental studies share transportation themes. Carsharing subjects include transportation, engineering, business economics, environmental science ecology, science technology, and computer science, while car rental subjects include management, operations research, economics, transportation, business, transportation science technology, business finance, engineering, tourism, and environmental science. Car rental concerns vary by management, tourism, and finance. Tourism literature neglects car hire. This study thoroughly reviews 26 years of automobile rental and 22 years of carsharing literature. Thus, it can help academics comprehend automobile rental and carsharing studies and direct future research.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,031 | 0,032 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».