Visualizing supply chain concentration: A systematic scientometric review
Notice bibliographique
Résumé
With the increasing complexity of supply chain management, supply chain concentration (SCC) has become a prominent research topic in academia and practice. To clarify the developmental context and research trends within this field, this study utilizes the Web of Science core collection as the data source, selecting 362 English-language publications from 1975 to 2025. CiteSpace 6.2 was employed to conduct a visual bibliometric analysis, systematically examining the social structure, conceptual structure, and intellectual structure of SCC research through co-authorship, co-word, and co-citation analyses. The results indicate rapid growth in SCC research since 2020, with China and the United States being the major contributing countries, and collaborations exhibiting regional characteristics. High-frequency keywords prominently include "customer concentration," "supplier concentration," and "performance," with research themes progressively extending toward frontier topics such as "digital transformation," "green innovation," and "corporate social responsibility." Co-citation analysis identified representative works by authors such as Panos Patatoukas, Dan Dhaliwal, and Murillo Campello, highlighting a shift in research focus from traditional performance perspectives to governance mechanisms and sustainable strategies within a digital context. This study summarizes core literature clusters, evolutionary paths of clusters, and significant citation bursts, revealing interdisciplinary integration and paradigm shifts in SCC research. The paper provides a systematic review of future directions in SCC studies.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».