大數(shù)據(jù)環(huán)境下供應(yīng)鏈領(lǐng)域的知識演化
——基于知識圖譜方法

洪晞玥

（南京審計大學(xué)商學(xué)院，江蘇南京，211815）

一、引言

在當(dāng)今大數(shù)據(jù)時代，借用大數(shù)據(jù)的分析預(yù)測能力來協(xié)助行業(yè)的創(chuàng)新發(fā)展已成為當(dāng)前研究熱點，供應(yīng)鏈領(lǐng)域也在時代浪潮的推動下積極探索與大數(shù)據(jù)技術(shù)相結(jié)合的方式。

面對兩個不同領(lǐng)域的融合，如何對現(xiàn)有研究成果進行梳理，了解領(lǐng)域的研究趨勢和未來發(fā)展方向顯得尤為重要。Mishra等（2018）[1]對2006年至2016年發(fā)表的286篇論文進行了作者、國家、主題等方面的分析，并用聚類方法將該領(lǐng)域劃分為6個研究主題以確定未來的研究方向。Lamba和Singh（2017）[2]則是依據(jù)供應(yīng)鏈的制造、采購和物流三個階段收集相關(guān)文獻，對該領(lǐng)域進行出版物地理分析和文獻分析以求了解該領(lǐng)域的研究趨勢，并從3V特性出發(fā)對大數(shù)據(jù)在供應(yīng)鏈領(lǐng)域的應(yīng)用提出相關(guān)建議。Zhang等（2020）[3]用R和VOSviewer軟件來對利用大數(shù)據(jù)進行可持續(xù)供應(yīng)鏈管理的文獻進行分析，了解了該領(lǐng)域的研究和合作現(xiàn)狀。程晏萍等（2021）[4]以Web of Science（以下簡稱WoS）數(shù)據(jù)庫中檢索到的論文為研究對象，運用CiteSpace軟件探索領(lǐng)域的發(fā)展概況，并指出了當(dāng)前的研究熱點。但是上述學(xué)者并未對該領(lǐng)域所涉及的論文進行全面分析，也沒有從知識演化的角度對該領(lǐng)域的發(fā)展進行討論。因此，本文所采用的主路徑分析方法和主題演化分析方法對上述不足進行了優(yōu)化，這種定量分析和定性分析的結(jié)合可以以全局視角審視該領(lǐng)域的研究演化，明確該領(lǐng)域的知識來源和未來研究方向。

二、數(shù)據(jù)來源和研究方法

（一）數(shù)據(jù)來源

本文采用WoS數(shù)據(jù)庫，檢索表達式在參考該領(lǐng)域的相關(guān)論文后，確定為TS=(“big data*”AND“supply chain*”)，其中星號字符可以代替任何字符組。此外，語言限制為英語，文獻類型限制為論文和綜述。同時，考慮到Shukla等（2020）[5]指出大數(shù)據(jù)這一定義是在2000年提出的，所以本文的時間跨度選擇從2000年到2020年。并且為了提高論文的質(zhì)量，本研究將數(shù)據(jù)源限定在WoS核心合集，并選擇科學(xué)引文索引擴展版（SCIE）和社會科學(xué)引文索引（SSCI）數(shù)據(jù)庫，檢索時間為2021年7月。通過檢索，本文總共獲得812條數(shù)據(jù)，其中包含論文693篇和綜述119篇。

為更準(zhǔn)確地識別該領(lǐng)域的知識演化軌跡，本文對所涉及的年份進行一個階段性劃分。如下圖1可知，該領(lǐng)域最早可以追溯到2012年，并且就論文總量而言，呈現(xiàn)逐年增長的趨勢，這說明該領(lǐng)域仍是當(dāng)前的研究熱點。其中2012年至2017年，該領(lǐng)域的論文數(shù)量增幅不大，論文總量相對較少。此后該領(lǐng)域的論文增長量不斷攀升，論文總量也呈現(xiàn)爆發(fā)性增長。因此本文將該領(lǐng)域按時間劃分為2012年至2017年和2018年至2020年兩個階段，以便于后續(xù)的研究。

圖1 論文數(shù)量分布圖

（二）研究方法

1、主路徑分析

Garfield等（1964）[6]提出論文的引文關(guān)系有助于探索科學(xué)領(lǐng)域的發(fā)展?；谶@一思想，Hummon和Dereian（1989）[7]首次提出主路徑方法，他們將論文視為“節(jié)點”，將論文之間的引用視為“連線”，并用該方法對DNA領(lǐng)域的知識演化進行了探索。

因為主路徑方法是一種在引文網(wǎng)絡(luò)中尋找最重要搜索路徑的方法，所以下圖2展示了一個小型的引文網(wǎng)絡(luò)來對該方法進行描述。圖2中的A、B節(jié)點被視為源節(jié)點，源節(jié)點是被其他節(jié)點引用但不引用其他節(jié)點的點；G、H、K、L、M節(jié)點被視為末端節(jié)點，它引用其他節(jié)點，但不被其他節(jié)點所引用。各節(jié)點間用箭頭相連，箭頭的指向是從被引節(jié)點指向施引節(jié)點，箭頭上的值是主路徑方法所獲得的權(quán)重，這也是主路徑的構(gòu)建基礎(chǔ)。權(quán)重分配算法包括Hummon和Dereian（1989）[8]提出的節(jié)點對投影計數(shù)（NPPC）、搜索路徑鏈接計數(shù)（SPLC）和搜索路徑節(jié)點對（SPNP）。此外，Batagelj（2003）[9]還提出了搜索路徑計數(shù)（SPC）算法，這也是本文所采用的算法。這四種方法大致相同，但在細節(jié)上仍有細微差別。由于SPC具有相同的流入和流出值，因此被視為首選算法[10]。

圖2 主路徑算法示例圖

接下來就是依據(jù)引文網(wǎng)絡(luò)中的權(quán)重找出最重要的路徑。尋找重要路徑的方法包括本地前向主路徑：從源節(jié)點到末端節(jié)點逐步尋找最大值；Liu和Lu（2012）[11]提出的本地后向主路徑和全局主路徑，其分別是從末端節(jié)點開始，逐步向前搜索最大鏈路和要求路徑權(quán)重之和最大。關(guān)鍵路徑主路徑方法也是Liu和Lu提出的，它規(guī)避了權(quán)值最大的線被遺失這一問題，該方法又被分為了本地關(guān)鍵路徑主路徑方法和全局關(guān)鍵路徑主路徑方法，其都是從權(quán)值最大路徑開始同時向兩端進行搜索，并拼接為最終路徑，但是全局路徑主路徑方法要求路徑的總權(quán)值最大。

本文將采用全局關(guān)鍵路徑主路徑，依據(jù)Lucio-Arias和Leydesdorff（2008）[12]提出的方法，使用HistCite軟件構(gòu)建引文網(wǎng)絡(luò)，Batagelj（2003）[13]提出的方法用Pajek軟件生成主路徑。

2、主題演化分析

Cobo等（2012）[14]指出用SciMAT進行分析，可以更好地了解研究領(lǐng)域在不同階段的發(fā)展情況。因此，本文將運用SciMAT的戰(zhàn)略圖和主題演化圖對供應(yīng)鏈領(lǐng)域進行分析。

戰(zhàn)略圖從中心度和密度兩個方面研究不同時期主題的發(fā)展。中心度由水平軸表示，中心度越高，則該主題與其他主題的關(guān)聯(lián)性越高，主題所代表的研究方向也就越重要。密度由縱軸表示，密度越高，主題的發(fā)展程度就越高。橫軸和縱軸將研究主題劃分為四個象限，如下圖3所示。

圖3 戰(zhàn)略圖示意圖

其中第一個象限中的主題稱為主流主題：主題A就是一個發(fā)展和重要程度都較高的主題，是該領(lǐng)域的研究熱點。第二象限中的主題稱為發(fā)展較好但孤立主題：主題B的密度較低，說明該主題與其他主題的相關(guān)性較低，相對來說不太重要。第三象限的主題稱為新興或衰亡主題：主題C的重要性和發(fā)展水平均不高。第四象限的主題稱為基本/橫向主題：主題D和主題E與其他主題的關(guān)聯(lián)度較高，但自身發(fā)展程度較低。

演化圖用于探索主題在不同階段的演化。圖中球體的大小與論文數(shù)、h指數(shù)或引文數(shù)成正比。不同的主題區(qū)域用不同的灰度背景來區(qū)分，主題之間的關(guān)系反映了主題的演化關(guān)系。因為主題名稱是主題聚類中的核心關(guān)鍵詞，所以實線表示不同時期的主題具有相同的主題名稱，或者一個主題的主題名在另一個主題的主題聚類中。虛線則表示所連主題之間僅共享非主題名稱的關(guān)鍵詞。線條的寬度也直接反映主題之間關(guān)聯(lián)程度的強弱，如下圖4所示。

圖4 演化圖示意圖

該示例包括自上而下的兩個主題區(qū)域，第一部分中的主題A1和主題A2用實線連接，表示主題A1和主題A2可能有相同的主題名稱，或者主題A1或主題A2的主題名稱存在于對方的主題聚類中。第二部分中主題B1和主題C之間的虛線表示它們只是共享不為主題名稱的關(guān)鍵詞。在第二階段，主題D沒有與其相關(guān)聯(lián)的主題，這意味著該主題在第二階段已經(jīng)衰亡。同樣，第二階段的E主題是第二階段所獨有的新主題。

三、知識演化

（一）主路徑分析

為跟蹤該領(lǐng)域的知識演化，接下來將進行主路徑分析，以了解該領(lǐng)域的理論根源和未來發(fā)展方向。本文選取全局關(guān)鍵路徑主路徑對研究領(lǐng)域進行探索，其結(jié)果如下圖5所示。該圖包含了22篇論文，圖中的標(biāo)簽由第一作者的名字和論文發(fā)表年份所構(gòu)成，箭頭從被引文獻指向施引文獻，體現(xiàn)著該領(lǐng)域的知識流動[15]。

圖5 主路徑分析

由圖5可知，Waller和Fawcett（2013）[16]為此領(lǐng)域的首倡者，全文闡明供應(yīng)鏈管理與數(shù)據(jù)科學(xué)、預(yù)測分析和大數(shù)據(jù)間的研究機會，并呼吁學(xué)者在這一領(lǐng)域進行探索。在此基礎(chǔ)上，該領(lǐng)域產(chǎn)生一系列的相關(guān)研究，Hazen等（2014）[17]提出在大數(shù)據(jù)時代中供應(yīng)鏈管理存在數(shù)據(jù)質(zhì)量問題及其相應(yīng)的解決方案。Dutta和Bose（2015）[18]開發(fā)一個新框架為組織提供構(gòu)思、規(guī)劃和成功實施大數(shù)據(jù)項目的整體計劃，并對該框架進行了驗證。

Chae（2015）[19]彌補供應(yīng)鏈領(lǐng)域?qū)τ谏缃幻襟w研究相對滯后的問題，探索社交媒體數(shù)據(jù)分析在供應(yīng)鏈實踐中的潛在作用和意義。Dubey等（2016）[20]通過文獻法和分析社交網(wǎng)站所收集到的數(shù)據(jù)，得出大數(shù)據(jù)分析給世界級可持續(xù)制造帶來了卓越的經(jīng)濟、社會和環(huán)境效益，并強調(diào)其應(yīng)用對于發(fā)展中國家的重要性。Papadopoulos等（2017）[21]基于互聯(lián)網(wǎng)數(shù)據(jù)分析和文獻分析得到一個關(guān)于可持續(xù)供應(yīng)鏈網(wǎng)絡(luò)彈性的理論框架，并得出供應(yīng)鏈彈性和快速信任、公私伙伴關(guān)系以及優(yōu)質(zhì)信息共享相關(guān)。Mishra和Singh（2018）[22]用互聯(lián)網(wǎng)推文數(shù)據(jù)來研究供應(yīng)鏈消費者端的情感和觀點，并以此來制定廢棄物最小化戰(zhàn)略的回溯供應(yīng)鏈解決辦法。以上四篇論文都將供應(yīng)鏈領(lǐng)域結(jié)合互聯(lián)網(wǎng)信息進行分析，從而促進供應(yīng)鏈的實時創(chuàng)新。Arunachalam等（2018）[23]也用文獻綜述法來對供應(yīng)鏈中大數(shù)據(jù)分析能力進行研究，其經(jīng)文獻分析得出基于社交媒體的學(xué)術(shù)研究已成為供應(yīng)鏈領(lǐng)域的一個重要方向。

為了應(yīng)對全球變暖這一現(xiàn)象，碳排放問題成為一個研究熱點。Kaur和Singh（2018）[24]結(jié)合大數(shù)據(jù)分析，提出一個針對碳敏感供應(yīng)鏈的環(huán)境可持續(xù)采購與物流模型。Lamba等（2019）[25]在大數(shù)據(jù)背景下，考慮由于訂貨、庫存持有、生產(chǎn)、裝卸和運輸?shù)仍斐商寂欧诺那樾危⑻岢鲆粋€考慮碳排放的動態(tài)供應(yīng)商選擇模型，以全面降低采購成本和碳排放量。

Ivanov等（2019）[26]研究數(shù)字化和工業(yè)4.0對供應(yīng)鏈的漣漪效應(yīng)和中斷風(fēng)險控制分析的影響，提出通過大數(shù)據(jù)技術(shù)可以提高供應(yīng)鏈的可見性和預(yù)測準(zhǔn)確性，使得需求風(fēng)險和信息中斷風(fēng)險降低。Baryannis等（2019）[27]對現(xiàn)有文獻依據(jù)人工智能方法進行分類，并探討所處理的供應(yīng)鏈管理環(huán)節(jié)，再在此基礎(chǔ)上以確定缺失和未探索的領(lǐng)域，為未來供應(yīng)鏈風(fēng)險管理和人工智能技術(shù)的融合提出方向。Cavalcante等（2019）[28]運用大數(shù)據(jù)技術(shù)，將模擬和機器學(xué)習(xí)相結(jié)合，并研究它在彈性供應(yīng)商選擇中的應(yīng)用，還提出供應(yīng)商績效和彈性供應(yīng)鏈績效的風(fēng)險預(yù)測概念，該方法可以有效地解釋彈性供應(yīng)鏈績效與供應(yīng)商績效風(fēng)險之間的關(guān)系。

2020年新冠疫情的全球化爆發(fā)給供應(yīng)鏈管理帶來進一步的沖擊。對此，Ivanov和Dolgui（2020）[29]提出一個數(shù)字供應(yīng)鏈雙鏈的計算機模型，它實時表示任何給定時刻的網(wǎng)絡(luò)狀態(tài)，增強數(shù)字供應(yīng)鏈風(fēng)險管理的研究和實踐，促進供應(yīng)鏈的預(yù)測和決策能力。Dolgui等（2020）[30]提出供應(yīng)鏈的數(shù)字化、彈性、可持續(xù)性和敏捷性可以整合為供應(yīng)鏈重構(gòu)問題。Sheng和Amankwah‐Amoah（2020）[31]回顧研究大數(shù)據(jù)分析的方法創(chuàng)新以及如何利用研究結(jié)論來應(yīng)對類似新冠疫情等“黑天鵝”事件所引發(fā)的管理問題。Meriton等（2020）[32]則是通過研究揭示大數(shù)據(jù)技術(shù)對于供應(yīng)鏈管理的真正價值，提出供應(yīng)鏈的彈性和敏捷性是供應(yīng)鏈中加入大數(shù)據(jù)技術(shù)后最重要的動態(tài)能力。Hosseini和Ivanov（2020）[33]運用文獻計量的方法研究貝葉斯網(wǎng)絡(luò)在供應(yīng)鏈彈性和風(fēng)險分析中的應(yīng)用現(xiàn)狀和最新發(fā)展，并且作者還討論貝葉斯網(wǎng)絡(luò)與機器學(xué)習(xí)算法結(jié)合解決大數(shù)據(jù)供應(yīng)鏈風(fēng)險問題的應(yīng)用。Dubey等（2020）[34]考察在人工智能驅(qū)動的大數(shù)據(jù)分析能力和跨團隊領(lǐng)導(dǎo)力的調(diào)節(jié)作用下，信息流通和供應(yīng)鏈敏捷性之間的關(guān)系，并為從事救災(zāi)行動的管理人員提供了一些指導(dǎo)建議。

（二）主題演化分析

在這一部分，將運用SciMAT軟件分析該領(lǐng)域所劃分出的兩個階段中蘊含的主題演變。為了提高結(jié)果的準(zhǔn)確性，本部分還剔除了一些與研究對象高度相關(guān)的關(guān)鍵詞，并對意思相同和相近的關(guān)鍵詞進行了合并。

1、戰(zhàn)略圖

首先利用戰(zhàn)略圖研究大數(shù)據(jù)在供應(yīng)鏈領(lǐng)域各個階段的研究重點。球體的大小表示主題的h指數(shù)，球體越大，主題的h指數(shù)越高。除了主題的h指數(shù)外，每個主題的論文數(shù)量和引文量也被標(biāo)注在下圖6的括號中。

圖6 戰(zhàn)略圖

第一階段，戰(zhàn)略圖中主題的分布較為分散，四個象限都有主題分布。這其中DATA-MODEL（數(shù)據(jù)模型）在論文數(shù)量和影響程度中占有較大比重，是該時期的一個主流主題，這說明該主題自身發(fā)展較為成熟，并且與其他主題的關(guān)聯(lián)程度也較高，這也體現(xiàn)了在該時期大數(shù)據(jù)技術(shù)為更好地貼合供應(yīng)鏈領(lǐng)域，強調(diào)對數(shù)據(jù)模型的構(gòu)建。同為主流主題的還有RISK（風(fēng)險），它說明了大數(shù)據(jù)和供應(yīng)鏈的結(jié)合是為了更好地規(guī)避供應(yīng)鏈風(fēng)險。SERVICE（服務(wù)）在該時期的論文數(shù)量和影響力也較高，是該時期的一個基本/橫向主題，有發(fā)展?jié)摿??；?橫向主題還涵蓋了INDUSTRY（工業(yè)）和CASE-STUDY（案例研究），其中INDUSTRY（工業(yè)）體現(xiàn)了在工業(yè)4.0的大環(huán)境背景下，大數(shù)據(jù)技術(shù)在供應(yīng)鏈領(lǐng)域的制造階段有較高的研究潛力，而CASE-STUDY（案例研究）則體現(xiàn)了學(xué)者們偏向用案例分析法對該研究方向進行探索。同為研究方法的還有SCIENTOMETRIC（科學(xué)計量學(xué)），該主題是一個孤立主題，只受到少數(shù)學(xué)者的關(guān)注，影響力相對較低。GENETICALGORITHM（遺傳算法）因為其本身算法的特性，所以也是一個較為孤立的研究主題。位于第三象限的CONSUMER-PERCEPTION（消費者感知）體現(xiàn)了該時期學(xué)者們偏好借用消費者態(tài)度來實現(xiàn)供應(yīng)鏈優(yōu)化。

第二階段主題的分布偏向于第一和第三象限。FORCAST（預(yù)測）所占的論文數(shù)量和引用量都較高，是一個主流主題，這體現(xiàn)了大數(shù)據(jù)在供應(yīng)鏈中更傾向于利用大數(shù)據(jù)技術(shù)提升供應(yīng)鏈的預(yù)測能力。RISK（風(fēng)險）在該階段仍是一個主流主題，這說明風(fēng)險這一主題受到了眾多學(xué)者的持續(xù)性關(guān)注。TECHNOLOGY（技術(shù)）在該時期和其他主題的互動較為密切，但主題自身發(fā)展程度不高，仍有提升空間。同樣的，DIGITALTECHNOLOGY（數(shù)字技術(shù)）是該時期的一個基本/橫向主題，有一定的發(fā)展?jié)摿Γ@也強調(diào)了可以借用數(shù)字技術(shù)實現(xiàn)供應(yīng)鏈重構(gòu)。EMISSION（碳排放）在該時期的發(fā)展較為成熟，它的出現(xiàn)意味著環(huán)境問題已經(jīng)成為了一個研究重點，碳排放問題引起了學(xué)者較為深入的思考。COMPETENCE-SET（能力集）是該時期的一個孤立主題，它意味著可以借助大數(shù)據(jù)技術(shù)來提高供應(yīng)鏈中各個環(huán)節(jié)的能力。因為MARKET（市場）和RETAIL-SUPPLYCHAIN（零售供應(yīng)鏈）位于第三象限，并且h指數(shù)較高，所以是該時期的兩個新興主題，這體現(xiàn)了未來該領(lǐng)域的研究重點傾向于市場和零售行業(yè)。

2、演化圖

前一階段顯示了各個時期主題的重要性和發(fā)展程度，這一部分將從發(fā)展演化角度來研究主題之間的轉(zhuǎn)換。如圖下7所示，主題之間的演化大致分為自上而下的兩個主要研究領(lǐng)域，即工具/算法方向和應(yīng)用方向。

就工具/算法研究方向，其在第一階段涵蓋主題較多，第二階段有所減少，并且主題大多位于戰(zhàn)略圖的第二和第四象限，這說明部分該領(lǐng)域的主題專業(yè)性較強，受到少數(shù)的學(xué)者關(guān)注，還體現(xiàn)了該領(lǐng)域的研究為基礎(chǔ)性研究，與其他主題的關(guān)聯(lián)程度較高。其中DATA-MODEL（數(shù)據(jù)模型）、DIGITAL-TECHNOLOGY（數(shù)字技術(shù)）、GENETIC-ALGORITHM（遺傳算法）和COMPETENCE-SET（能力集）體現(xiàn)了可以利用新興技術(shù)和各類算法實現(xiàn)供應(yīng)鏈重構(gòu)，提升供應(yīng)鏈中各個環(huán)節(jié)的能力。CASE-STUDY（案例研究）和SCIENTOMETRIC（科學(xué)計量學(xué)）體現(xiàn)了案例分析和科學(xué)計量是該領(lǐng)域的兩個較為普遍的研究方法。

圖7 演化圖

就應(yīng)用方向的發(fā)展而言，其所包含的主題較多，并且大多主題位于策略圖的第一和第三象限，這說明了大數(shù)據(jù)在供應(yīng)鏈領(lǐng)域的應(yīng)用是一個研究熱點，吸引著大量學(xué)者探索可能的應(yīng)用領(lǐng)域。RISK（風(fēng)險）這一主題在第一階段和第二階段都達到了較高的發(fā)展程度，并且其在第二階段進行了主題演化，除了演化為自身以外還包括了FORCAST（預(yù)測）和MARKET（市場），這體現(xiàn)了大數(shù)據(jù)技術(shù)可以憑借其預(yù)測能力可以更好的規(guī)避市場中的不確定因素，實現(xiàn)供應(yīng)鏈彈性。第一階段出現(xiàn)了CONSUMER-PERCEPTION（消費者感知），體現(xiàn)了供應(yīng)鏈對消費者環(huán)節(jié)的重視程度，也契合了主路徑分析的結(jié)果：該領(lǐng)域前期偏好從社交媒體中獲得暗含消費者情感和觀點的非結(jié)構(gòu)化數(shù)據(jù)，并以此來優(yōu)化供應(yīng)鏈。但是CONSUMERPERCEPTION（消費者感知）在第二階段演化并入了EMISSION（碳排放），這也說明了消費者的環(huán)保意識對綠色供應(yīng)鏈的構(gòu)建存在一定影響。

四、結(jié)論和展望

本文基于主路徑分析方法發(fā)現(xiàn)，大數(shù)據(jù)環(huán)境下供應(yīng)鏈領(lǐng)域的問題研究，其主路徑是前期主要在理論探討方面，此后一個重要研究方向是結(jié)合社交媒體數(shù)據(jù)來進行；隨著環(huán)保意識的增強和可持續(xù)發(fā)展要求的提升，碳排放這類環(huán)境問題成為了新的研究熱點。近期，學(xué)者們則更多是結(jié)合大數(shù)據(jù)的分析決策能力來研究供應(yīng)鏈風(fēng)險問題，該問題也在2020年新冠疫情的背景下受到廣泛關(guān)注。

此外，本文基于主題演化視角分析得出，對于工具/算法方向，可以結(jié)合其他新興技術(shù)和相關(guān)算法對供應(yīng)鏈中各個環(huán)節(jié)進行改良以提升供應(yīng)鏈整體性能。案例分析和科學(xué)計量是該領(lǐng)域的兩個主要研究方法。就應(yīng)用方向，風(fēng)險規(guī)避是大數(shù)據(jù)在供應(yīng)鏈領(lǐng)域的一個長期研究熱點。該領(lǐng)域在前期側(cè)重于獲取消費者觀點以提升供應(yīng)鏈性能，后期則偏向于針對碳排放等環(huán)境問題進行探索，并且發(fā)現(xiàn)消費者感知對綠色供應(yīng)鏈的構(gòu)建存在一定影響。

本文在研究中仍存在一些不足，因為該領(lǐng)域的論文數(shù)據(jù)來源只考慮了WoS數(shù)據(jù)庫，存在數(shù)據(jù)量不足、探索不夠全面的問題；SciMAT的處理涉及合并和刪除關(guān)鍵詞，可能會對結(jié)果產(chǎn)生略微影響；主路徑算法會導(dǎo)致綜述論文的權(quán)重較高，這一問題可以在今后的研究中通過改進算法來進行彌補。