Mapping the Landscape of Green Human Resource Management (GHRM): A Bibliometric Approach
Notice bibliographique
Résumé
This paper employs a bibliometric approach to comprehensively map the landscape of Green Human Resource Management (GHRM), addressing the absence of systematic analyses in the existing literature. GHRM, encompassing strategies fostering employee environmental awareness, has become pivotal as organizations recognize the need for sustainable practices among Asian countries. The study employs VOSviewer and Biblioshiny to analyze bibliographic data from the Web of Science (WoS) database from 2015 to 2024; search queries incorporating keywords such as “Green HRM”, “Eco-friendly HR practices”, and “Sustainable HRM” are formulated to capture the breadth of research in this field. We found 198 papers related to the GHRM in the Asian Context for analysis. They are revealing co-authorship networks, keyword co-occurrence, and citation patterns. Key objectives include identifying research themes, distribution across journals, and influential authors. Findings highlight the rise of GHRM as a pivotal component of sustainable business strategies, with China, Pakistan, and Malaysia leading in contributions. Central themes such as sustainability, green supply chain management, and environmental performance are underpinned by foundational works from prominent researchers and offer a nuanced understanding of GHRM’s current state and provide valuable insights for researchers, practitioners, and policymakers seeking to advance organizational sustainability. We found a forward-looking research agenda emphasizing interdisciplinary approaches, global inclusivity, and integration with corporate social responsibility and ESG frameworks. By consolidating existing knowledge and highlighting trends, this study contributes to the ongoing dialogue on creating green workplaces and eco-friendly practices, emphasizing the importance of integrating environmentally sustainable practices into HR strategies.
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 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,278 | 0,293 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».