فصلنامه بازیابی دانش و نظام‌های معنایی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

اخبار و اعلانات

اطلاعات آماری نشریه

فرایند پذیرش مقالات

راهنمای نویسندگان

راهنمای نگارش مقاله

راهنمای ارسال مقاله

دریافت فایل ساختار مقالات

دریافت فرم تعهد نامه

دریافت فرم تعارض منافع

روش نگارش فهرست منابع و ماخذ

راهنمای داوران

راهنمای ثبت نام و کار با پابلونز (Publons)

داوران نشریه در سال 1399

داوران نشریه در سال 1400

داوران نشریه در سال 1401

داوران نشریه در سال 1402

ترسیم و تحلیل نقشه علمی دارایی نامشهود با استفاده از پژوهش‌های نمایه شده در پایگاه‌های علمی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه سیاست‌گذاری علم و فناوری، دانشگاه شهید بهشتی، تهران، ایران

2 دانشجوی دکترای مدیریت سیستم، پردیس فارابی، دانشگاه تهران، تهران، ایران

چکیده

هدف از این پژوهش تحلیل و مصور سازی تولیدات علمی حوزه دارایی‌های نامشهود در پایگاه علمی اسکوپوس بود که به تجزیه و تحلیل شبکه مفاهیم و نویسندگان این حوزه پرداخته است. پژوهش حاضر از نوع پژوهش‌های کاربردی علم‌سنجی بود و با استفاده از تحلیل هم واژگانی و هم‌تألیفی انجام شده است. جامعه آماری پژوهش کلیه تولیدات علمی حوزه دارایی‌های نامشهود را دربرمی‌گیرد که در بازه زمانی 1979 تا 2019 میلادی در پایگاه علمی اسکوپوس نمایه شده است. در این پژوهش از نرم‌افزارهای ویس­ویور، گفی، هیست سایت، پاپلیش یا پریش و نودایکس ال به‌منظور ترسیم و تحلیل نقشه‌های علمی 2998 سند علمی استفاده شده است. یافته‌های پژوهش نشان داد که پرتکرارترین موضوعات و واژگان در این زمینه مدیریت دانش و سرمایه فکری هستند. همچنین براساس نقشه‌های ترسیم شده با استفاده از شاخص مرکزیت نزدیکی؛ خلق ارزش، زنجیره ارزش و مسئولیت اجتماعی ارزشمندترین زمینه‌های موضوعی شناخته شدند. با بررسی و تحلیل هم‌تألیفی مشخص گردید که شبکه هم‌تألیفی این حوزه گسسته و کم تراکم است و در مجموع 12472 استناد در کل مقالات انجام پذیرفته است. با توجه به خوشه اصلی حوزه می‌توان گفت که سرمایه‌های فکری و دانشی به همراه مزیت رقابتی در مبحث دارایی‌های نامشهود از اهمیت ویژه‌ای برخوردارند. فعال‌ترین نویسندگان این حوزه نیز پژوهشگران اروپایی هستند. با استفاده از نقشه هم­واژگانی دارایی نامشهود، محققان و علی الخصوص سیاست‌گذاران می‌توانند با آگاهی از وضعیت پژوهشی و موضوعی دارایی نامشهود به برنامه‌ریزی مناسب در این حوزه بپردازند.    

کلیدواژه‌ها

عنوان مقاله [English]

Mapping and Analyzing the Scientific Map of Intangible Assets Using Research Indexed in Scientific Databases

نویسندگان [English]

  • Ali Asghar Sadabadi 1
  • Saeed Ramezani 2
  • Kiarash Fartash 1

1 Assistant Professor, Science and Technology Policy Dept, Shahid Beheshti University, Tehran, Iran

2 PhD Student in System Management, Tehran University, Tehran, Iran

چکیده [English]

Scientometrics is one of the most important scales for evaluating scientific products that are used to describe scientific studies in terms of their growth, structure, and interactions. The present study was conducted using a scientometrics approach and using co-word analysis and social network analysis (SNA) to investigate relationships in the field of intangible assets. In this regard, research indexed in Scopus on the topic of "intangible assets" has been analyzed using software including vosviewer, Gephi, HistCite, Publish or Perish and NodeXL. Questions such as what subject areas are constituted and how these areas are related to each other have been addressed using methods such as word co-occurrence and social network analysis. The findings of the study show that the most frequently used topics and words are knowledge management and intellectual capital. Also, the most valuable subject areas were identified based on the maps drawn using the closeness and centrality indexes; value creation, value chain, social responsibility and trademark. With the advent of the knowledge-based economy era, a large portion of the organization's assets are of an intangible type, which confirms the recognition of and investment in these types of assets. Co-authorship analysis revealed that the co-authorship network is discrete and has low-density, with a total of 12,472 citations in all articles. By using the co-word map of intangible assets, researchers and especially policymakers can plan appropriately through the knowledge of the research and thematic status of intangible assets.

کلیدواژه‌ها [English]

  • Co-authorship
  • Intangible Asset
  • Scientific Map
  • Social Network Analysis
  • Word Co-occurrence
مراجع
عصاره، فریده؛ احمدی، حمید؛ حیدری، غلامرضا؛ حسینی بهشتی، ملوک السادات. (2017). ترسیم و تحلیل شبکه مفهومی ساختار دانش حوزه‌ی علم‌سنجی ایران. مطالعات کتابداری و علم اطلاعات، 24 (21). 1-20.  doi:10.22055/slis.2018.11650.
پروائی، اکبر و کردستانی، غلامرضا. (2018). تبیین رفتاری تصمیم‎گیری‎های مدیریت در حوزه سرمایه‎گذاری در دارایی‎های نامشهود: آزمون فرضیه پاداش بر اساس رویکرد آزمایشگاهی. بررسی‏‌های حسابداری و حسابرسی، 25(4)، 479-496. doi:10.22059/acctgrev.2019.262770.1007949.
رضایی، مهدی و پور قیومی، فاطمه. (2018). بررسی تأثیر دارایی‌های نامشهود بر سیاست‌های مالی و حاکمیتی در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. پژوهش‌های تجربی حسابداری، 7(4)، 227-248. doi:10.22051/jera.2017.11111.1383
نوروزیان امیری، سید محمد؛ خلخالی، علی و شکیبایی، زهره. (2019). تدوین نقشه دانش برای پژوهش‌های حکمت. پژوهش‌نامه علم‌سنجی، 5(9)، 117-138. doi:10.22070/rsci.2018.757
Aistleitner Matthias , K. J. S. S. (2018). "The Power of Scientometrics and the Development of Economics". Journal of Economic Issues.
Andrés, A. (2009). Measuring academic research: How to undertake a bibliometric study: Elsevier.
Bhatia, A., & Aggarwal, K. (2018). Impact of investment in intangible assets on corporate performance in India. International Journal of Law and Management, 60(5), 1058-1073.
Bookstein, A. (1994). Scientometrics: new opportunities. Scientometrics, 30(2-3), 455-460.
Bródka, P., Skibicki, K., Kazienko, P., & Musiał, K. (2011). A degree centrality in multi-layered social network. Paper presented at the 2011 International Conference on Computational Aspects of Social Networks (CASoN).
Castilla-Polo, F., & Ruiz-Rodríguez, C. (2017). Content analysis within intangible assets disclosure: a structured literature review. Journal of Intellectual Capital, 18(3), 506-543.
Chen, Y.-S. (2008). The positive effect of green intellectual capital on competitive advantages of firms. Journal of business ethics, 77(3), 271-286.
Cheong, F., & Corbitt, B. J. (2009). A social network analysis of the co-authorship network of the Pacific Asia Conference on Information Systems from 1993 to 2008. PACIS 2009 Proceedings, 23.
Corporation, T. C. (1999). Introduction to data mining and knowledge discovery: Two Crows Corporation.
Degenne, A., & Forsé, M. (1999). Introducing social networks: Sage.
Estrada, E., & Rodriguez-Velazquez, J. A. (2005). Subgraph centrality in complex networks. Physical Review E, 71(5), 056103.
Faust, K. (2006). Comparing social networks: size, density, and local structure. Metodoloski zvezki, 3(2), 185.
Frank, O. (2002). Using Centrality Modeling in Network Surveys. Social networks
24(4):385-94.
Franks, D. W., Noble, J., Kaufmann, P., & Stagl, S. (2008). Extremism propagation in social networks with hubs. Adaptive Behavior, 16(4), 264-274.
Giju, G. C., Badea, L., Ruiz, V. R. L., & Peña, D. N. (2010). Knowledge Management-the Key Resource in the Knowledge Economy. Theoretical & Applied Economics, 17(6).
Gumelar, M., & Herwany, A. (2018). Benchmarking Intangible Assets in the Water Sector: an Evidence from Indonesia. Montenegrin Journal of Economics, 14(3), 155-161.
Hamidi, A., Asnafi, A., & ASAREH, F. (2008). Analytical survey and mapping structure of scientific publications in the Bibliometrics, Scientometrics, Infometrics and Webometrics fields in Web of Science database during 1990-2005.
Harris, R., McAdam, R., McCausland, I., & Reid, R. (2013). Knowledge management as a source of innovation and competitive advantage for SMEs in peripheral regions. The International Journal of Entrepreneurship and Innovation, 14(1), 49-61.
Hu, C.-P., Hu, J.-M., Deng, S.-L., & Liu, Y. (2013). A co-word analysis of library and information science in China. Scientometrics, 97(2), 369-382.
Huang, H.-C., Lai, M.-C., & Lin, T.-H. (2011). Aligning intangible assets to innovation in biopharmaceutical industry. Expert Systems with Applications, 38(4), 3827-3834.
HUBERT, B.-H. (2013). Social Network Analysis and Critical Realism. Wiley.
Jain, A. K., Murty, M. N., & Flynn, P. J(1999). Data clustering: a review. ACM computing surveys (CSUR), 31(3), 264-323.
Keong Choong, K. (2008). Intellectual capital: definitions, categorization and reporting models. Journal of Intellectual Capital, 9(4), 609-638.
Kohler, H.-P., Behrman, J. R., & Watkins, S. C. (2001). The density of social networks and fertility decisions: Evidence from South Nyanza District, Kenya. Demography, 38(1), 43-58.
Lane, J. (2010). Let's make science metrics more scientific. Nature, 464(7288), 488.
Leydesdorff Loet , M. S(2015). Scientometrics. International Encyclopedia of Social and Behavioral Sciences,.
Liu, G.-Y., Hu, J.-M., & Wang, H.-L. (2011). A co-word analysis of digital library field in China. Scientometrics, 91(1), 203-217.
Massa, S., & Testa, S. (2009). A knowledge management approach to organizational competitive advantage: Evidence from the food sector. European Management Journal, 27(2), 129-141.
Miguel, S., Chinchilla-Rodríguez, Z., González, C. M., & Moya Anegón, F. d. (2012). Analysis and visualization of the dynamics of research groups in terms of projects and co-authored publications: A case study of library and information science in Argentina. Information Research, 17(3).
Miyagawa, T., & Hisa, S. (2013). Measurement of intangible investment by industry and economic growth in Japan. Public Policy Review, 9(2), 405-432.
Mooghali A, A. R., Karami N ,Khasseh A.  (2011). Scientometric Analysis of the Scientometric Literature. International Journal of Information Science and Manage.
Mrvar, A., & Batagelj, V.  (2016). Analysis and visualization of large networks with program package Pajek. Complex Adaptive Systems Modeling, 4(1), 6.
Newman, M. E.  (2005). A measure of betweenness centrality based on random walks. Social networks, 27(1), 39-54.
Omran, M. G., Engelbrecht, A. P., & Salman, A. (2007). An overview of clustering methods. Intelligent Data Analysis, 11(6), 583-605.
Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social networks, 32(3), 245-251.
Posner, R. A. (2009). Public intellectuals: Harvard University Press.
Raeeszadeh, M., & Karamali, M .(2018). Scientific Mapping of Military Trauma Papers using Co-Word Analysis in MEDLINE. Journal of Military Medicine, 20(5), 476-487.
Scott john , C. P. J .(2011). The SAGE handbook of social network analysis. SAGE Publications Ltd. doi:https://dx.doi.org/10.4135/9781446294413
Steenkamp, N., & Kashyap, V. (2010). Importance and contribution of intangible assets: SME managers' perceptions. Journal of Intellectual Capital, 11(3), 368-390.
Visualizer, S. (2009). Social network analysis (SNA). Retrieved July, 27, 2010.
Ahmadi, H; Osareh, F; Heydari, Gh. and Hosseini Beheshti, M. A. (2017). Drawing and analyzing the conceptual network of the knowledge structure of Iran's scientometric field. Library and Information Science Studies, 24(21), 1-20. doi:10.22055/slis.2018.11650. [In Persian].
Norouzian Amiri, S. M.; Khalkhali, A. and Shakibaei, Z. (2019). Compilation of knowledge map for wisdom researches. Scientometrics Research Journal, 5(9), 117-138. doi:10.22070/rsci.2018.757 [In Persian].
Parvaie, A. and Kordestani, Gh. (2018). Behavioral explanation of management decisions in the field of investment in intangible assets: testing the reward hypothesis based on the laboratory approach. Accounting and Auditing Reviews, 25(4), 479-496. doi:10.22059/acctgrev.2019.262770.1007949. [In Persian].
Rezaei, M. and Pourqayyomi, F. (2018). Investigating the impact of intangible assets on financial and governance policies in companies listed on the Tehran Stock Exchange. Accounting Empirical Research, 7(4), 227-248. doi:10.22051/jera.2017.11111.1383 [In Persian].
فصلنامه بازیابی دانش و نظام‌های معنایی
دوره 7، شماره 25
دی 1399
صفحه 33-65
فایل ها
هم رسانی
ارجاع به این مقاله
آمار