Notice bibliographique
Résumé
The current study intends to understand the spectrum of existing scientific literature on Impact Investing, explore the publication credentials of that literature in the form of bibliometrics, and investigate the future scope for research in the area of impact investing. We have used the visualization tool VOSviewer to analyze the bibliometric data collected from the Scopus database. ‘Sustainable development’ was identified as the most used keyword in the documents, followed by ‘corporate social responsibility’, ‘investment’, and ‘environmental performance’. The United States was the leading contributing country followed by the UK, China, Italy, Canada, and India. Based on the systematic review of 753 journal articles, we have identified five distinct research areas in the field of impact investing. The top five research clusters are sustainable development research, sustainability research, corporate social responsibility research, Sustainable investment research, and environmental economics research. Our results revealed a dearth of focus among researchers in identifying impact investing either as a standalone concept or as a concept that drives better performance in organizations. Hence, we propose some promising areas of impact investing research. They are sustainable finance, firm performance, tourism, and climate change research. The output of this research has implications for researchers, practitioners, policymakers, and academia since it pinpoints the popular and promising clusters of research in the field of impact investing. Our study is unique and original in the sense that it covers a more comprehensive inclusion, and exclusion criteria as well as keyword combinations and thus, it provides better directions for future research in the field.
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 | 0,014 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,316 | 0,283 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».