Impact investing: a bibliometric analysis of scientific literature
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,094 | 0,307 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle