The Nexus Between Green Finance and Artificial Intelligence: A Systemic Bibliometric Analysis Based on Web of Science Database
Notice bibliographique
Résumé
The intersection of green finance and artificial intelligence (AI) represents a rapidly emerging and high-impact research domain with the potential to reshape sustainable economic systems. This study presents a comprehensive bibliometric and network analysis aimed at mapping the scientific landscape, identifying research hotspots, and highlighting methodological trends at this nexus. A dataset of 268 peer-reviewed publications (2014–June 2025) was retrieved from the Web of Science Core Collection, filtered by the Business Economics category. Analytical techniques employed include Bibliometrix in R, VOSviewer, and science mapping tools such as thematic mapping, trend topic analysis, co-citation networks, and co-occurrence clustering. Results indicate an annual growth rate of 53.31%, with China leading in both productivity and impact, followed by Vietnam and the United Kingdom. The most prolific affiliations and authors, primarily based in China, underscore a concentrated regional research output. The most relevant journals include Energy Economics and Finance Research Letters. Network visualizations identified 17 clusters, with focused analysis on the top three: (1) Emission, Health, and Environmental Risk, (2) Institutional and Technological Infrastructure, and (3) Green Innovation and Sustainable Urban Development. The methodological landscape is equally diverse, with top techniques including blockchain technology, large language models, convolutional neural networks, sentiment analysis, and structural equation modeling, demonstrating a blend of traditional econometrics and advanced AI. This study not only uncovers intellectual structures and thematic evolution but also identifies underdeveloped areas and proposes future research directions. These include dynamic topic modeling, regional case studies, and ethical frameworks for AI in sustainable finance. The findings provide a strategic foundation for advancing interdisciplinary collaboration and policy innovation in green AI–finance ecosystems.
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 | 0,006 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,118 | 0,154 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».