A Bibliometric Analysis of Multi-Criteria Decision-Making Techniques in Disaster Management and Transportation in Emergencies: Towards Sustainable Solutions
Notice bibliographique
Résumé
Disaster management minimizes potential harm and protects populations across four phases: preparedness, mitigation, response, and recovery. Diverse scientific approaches could be applied at each phase, among which Multi-Criteria Decision-Making (MCDM) methods are widely recognized and utilized. Their integration provides a systematic framework for prioritizing disaster-related criteria, optimizing resource use, and minimizing environmental impact, ultimately enhancing community resilience. This study conducts a bibliometric analysis to identify pioneering researchers, leading institutions, contributing countries, and interaction levels working on MCDM methods in disaster management and emergency transportation, as well as to reveal key trends. 365 Web of Science and Scopus publications (2000–2024) were analyzed using the Bibliometrix tool in R. As a significant outcome, three important clusters emerged: Disaster Planning and Logistics, Risk and Resilience, and Crisis Response and Decision Support. The interplay between these clusters and the methodologies shaping them was highlighted, alongside insights from the most recent studies. This study could serve as a roadmap for future research, guiding efforts to address gaps such as real-time applications, multi-hazard integration, and scalability. It contributes to the limited body of research on MCDM in disaster management and emergency transportation, laying the groundwork for upcoming studies that could enhance resilience and promote sustainable development.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,053 | 0,130 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».