導(dǎo)語：能源與氣候談?wù)撓陆?jīng)濟研討一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

隨著應(yīng)對能源短缺與氣候變化的壓力日益加大，與之相關(guān)的政策和經(jīng)濟研究也越來越受到重視；但作為一個相對年輕的研究領(lǐng)域，能源與氣候變化議題下政策和經(jīng)濟研究呈現(xiàn)機構(gòu)眾多、體系龐雜的特點。因此，識別該領(lǐng)域的研究熱點對于系統(tǒng)性地分析能源與氣候變化問題非常必要。然而，由于各國研究者在該領(lǐng)域都傾注了極大的精力，相關(guān)文獻資料呈爆炸性的增長。若要全面系統(tǒng)地了解該領(lǐng)域的研究方向和熱點，需要極為廣闊和深刻的研究經(jīng)歷，完成巨量的文獻閱讀工作，這對于一般研究者來說具有相當(dāng)?shù)碾y度。因此，本研究參考了以往研究的先進經(jīng)驗，以共被引分析為主要研究思路，通過聚類分析，對能源與氣候變化議題下的政策和經(jīng)濟研究這一研究領(lǐng)域的熱點完成了初步識別。

1研究方法

1.1共被引分析

論文，特別是文獻類型的論文反映了科研工作者的原創(chuàng)性研究成果，被引用的次數(shù)越多，則表明它的作者在其研究領(lǐng)域越有影響力。兩個作者的論文若同時被第3人所引用，則稱之為共被引(co-citation)。共被引分析是由Small和Marshakova于1973年同時提出的，從此對共被引分析的研究和實踐在科學(xué)計量學(xué)領(lǐng)域內(nèi)廣泛展開[1]，[2]。1987年，White和Griffith將其擴展到作者共被引分析(ACA)[3]，它對于探討學(xué)科結(jié)構(gòu)有著積極的創(chuàng)新意義。在共被引分析中，若兩名作者的共被引次數(shù)越多，說明兩人的研究方向越接近。因此，共被引可以應(yīng)用到整個社會科學(xué)知識體系的劃分中[4]。舉例說明，武漢大學(xué)的劉林青對戰(zhàn)略管理這一領(lǐng)域完成了范式可視化與共被引分析[5]，大連理工大學(xué)的宋娟基于作者共被引和元分析進行了知識管理流派的研究[6]，大連理工大學(xué)的姜春林以及華東師范大學(xué)的劉璇，基于共被引理論分別對科學(xué)學(xué)和圖書情報學(xué)也進行了非常深入的研究[7]，[8]。這些研究在一定程度上都提供了非常有價值的分析結(jié)論。作者之間共被引的情況可用共被引矩陣來表示，其行和列均是作者的信息，每個元素值反映了行列所代表的作者的研究方向的接近情況，元素值越大，說明兩人的研究方向接近。本研究首先構(gòu)建了能源與氣候變化議題下的政策和經(jīng)濟研究領(lǐng)域的論文作者之間的共被引矩陣，作為進一步分析的基礎(chǔ)。

1.2聚類分析

系統(tǒng)聚類法的聚類過程：首先默認(rèn)每個樣本自成一類，然后每次將最相近的兩類合并，之后重新計算新類與其他類之間的距離，繼續(xù)按照最小距離的準(zhǔn)則合并，直到所有對象歸為一類為止。我們使用譜系圖表達這個過程，并輸出聚類結(jié)果。本研究中采用的離差平方和法是一種應(yīng)用較為廣泛、效果較好的距離計算方法。離差平方和法并類時總是使得并類導(dǎo)致的類內(nèi)離差平方和增量最小，是基于方差的分類方式，因此如果類分得正確，則同類樣品之間的離差平方和應(yīng)當(dāng)較小，不同類樣品之間的離差平方和應(yīng)當(dāng)較大。由于共被引矩陣與聚類分析中的距離矩陣形式上非常相似，因此，本研究在共被引矩陣的基礎(chǔ)上可進行聚類分析。通過聚類分析，將作者分為若干類，再根據(jù)對這些作者的關(guān)鍵詞進行分析比較，挖掘共被引現(xiàn)象反映的能源與氣候變化議題下政策和經(jīng)濟研究的熱點。綜上所述，本研究的研究方法框架如圖1所示。

2數(shù)據(jù)處理

2.1文獻選取

本研究通過對多位在該研究領(lǐng)域具有較為豐富經(jīng)驗的科研工作者的推薦，圈定了“RENEW-ABLE&SUSTAINABLEENERGYREVIEWS”，“CLIMATCHANGE”，“ENERGYPOLICY”，“EN-ERGYECONOMICS”，“ECONOMICMOD-ELLING”，“JOURNALOFPOLICYMODELING”,“CLIMATEPOLICY”，“ENVIRONMENTAL&RE-SOURCEECONOMICS”，“ENERGYJOURNAL”,“ENVIRONMENTALMODELING&ASSESSMENT”等多部期刊，將文獻的時間跨度設(shè)定為1990~2010年，同時，為提高研究質(zhì)量，只選取文獻類型為Ar-ticle的文章，濾掉了Review，BookReview，Discus-sion等類型的文章，最后獲得19714條記錄。

2.2作者選取

如果研究目標(biāo)是對研究領(lǐng)域的知識結(jié)構(gòu)的綜合描述，那么建立一個多樣全面的作者組合是非常關(guān)鍵的，最好有多種來源，如專家訪談、問卷調(diào)查、綜述性文章、學(xué)會成員、會議參加者和獲獎?wù)叩?，其中一個相對客觀而且方便的方法是通過引文中作者被引用次數(shù)的高低來選擇，本研究即采用此種方法選取該領(lǐng)域的關(guān)鍵作者，選取被引用次數(shù)排序前100位的作者作為研究對象，統(tǒng)計任意兩個作者被共引用的次數(shù)，得到他們之間共被引記錄21976條，部分結(jié)果見表1。

2.3構(gòu)建共被引矩陣

根據(jù)共被引關(guān)系的記錄，構(gòu)造這100位作者的共被引矩陣，基本思路：通過對兩兩作者共被引的文章數(shù)目進行統(tǒng)計，形成作者共被引次數(shù)矩陣。該矩陣為對稱矩陣，非主對角線中單元格的值為作者共被引次數(shù)。關(guān)于對角線上的取值之前的研究有不少討論，本研究將主對角線元素定義為行向量最大值加1[9]。由于共被引分析關(guān)注的重點不是作者或者作品共被引次數(shù)的高低，而是由這種共被引關(guān)系所反映的作者或者作品之間的相似性。因此，需要將共被引矩陣轉(zhuǎn)換成相關(guān)系數(shù)矩陣，揭示作者間的相似和不相似程度。這里使用常見的皮爾森相關(guān)系數(shù)矩陣（Pearson’sCorrelationCoefficientMatrix），利用R統(tǒng)計軟件的矩陣計算功能，將原始矩陣轉(zhuǎn)化為皮爾森相關(guān)系數(shù)矩陣，消除由作者研究領(lǐng)域?qū)е碌囊念l次差異所帶來的影響。表2為得到的皮爾森相關(guān)系數(shù)矩陣的一部分。

2.4聚類個數(shù)的確定

本研究根據(jù)聚類之間平均距離與聚類之外平均距離之比的增加值來確定。利用R的cluster.stats過程，提取聚類之間的平均距離average.be-tween和這兩個統(tǒng)計量，它們比值的增量越大，說明合并為K+1類的效果比分為K類時效果更明顯。圖2所示，在分類數(shù)為5時，聚類內(nèi)與聚類間平均距離比值增量最大，最終確定分類個數(shù)為5。

2.5用聚類個數(shù)5進行聚類

在之前計算的基礎(chǔ)上，利用R軟件中rect.hclust函數(shù)按照分類個數(shù)為5進行聚類。由譜系圖可以大致看出樣本的分布情況，小類中的數(shù)據(jù)距離明顯小于上一層大類，這100個數(shù)據(jù)之間的關(guān)系較明顯，聚類結(jié)果如圖3所示。對應(yīng)作者姓名可以通過Access中的查詢功能實現(xiàn)，得到作者的分類表，按照聚類內(nèi)作者數(shù)從低到高順序顯示如表3所示。

2.6關(guān)鍵詞頻統(tǒng)計

在通過聚類分析對作者進行分類后，我們需要對各類進行分析和討論，才能真正地識別出各類所代表的研究熱點。由于分類作者的論文中出現(xiàn)頻率較高的關(guān)鍵詞，在一定程度上能夠反映這類的研究熱點，因此，本研究在先前確定文獻的總集合中，篩選出被引用次數(shù)排序前100位作者發(fā)表的論文，之后提取每篇論文的關(guān)鍵詞，根據(jù)聚類的結(jié)果，在Access中建立查詢，統(tǒng)計聚類形成的5類中每一類的作者所著文章中關(guān)鍵詞出現(xiàn)的頻數(shù)，按照從大到小的順序進行排列，得到了5類的關(guān)鍵詞頻數(shù)統(tǒng)計，分析這些數(shù)據(jù)，去除不同形式出現(xiàn)的關(guān)鍵詞（例如CO2emissions和Carbonemission）及出現(xiàn)在其它類中一些低頻次關(guān)鍵詞的影響，從每一類中只提取詞頻數(shù)最高的20個關(guān)鍵詞來做分析，盡量避免低頻數(shù)據(jù)的干擾，逐一識別每一類的研究熱點。

3研究結(jié)果

第1類作者論文中，頻數(shù)最高的前20個關(guān)鍵詞中，“Contingentvaluation”，“Choiceexperi-ments”，“Rank-orderanalysis”都是評價主體支付意愿的方法，這些方法在拍賣和意愿揭示上有很多的應(yīng)用，而“Initialallocation”，“Paymentvehi-cle”，“Pollutionpermits”又非常明顯地指向了排污權(quán)分配和交易這個領(lǐng)域，并且“Randomutilitymodels”的多次出現(xiàn)也說明隨機模型很可能在研究交易過程中被使用。這一類的研究集中在排污權(quán)交易機制以及機制的效率方面。表4顯示了分類作者論文中頻數(shù)最高的前20個關(guān)鍵詞。第2類作者論文中，關(guān)鍵詞大多是模型種類“Thickmodeling”，“Gordon-schaefermodel”等。實際上，不少關(guān)鍵詞出自DICKEYDA的一篇文章中，經(jīng)過分析，這類作者通常是年代較早的經(jīng)濟學(xué)家或統(tǒng)計學(xué)家，他們的經(jīng)典文章會被多次引用，但在能源和氣候變化議題本身并沒有過多的研究成果?？梢哉J(rèn)為從關(guān)鍵詞統(tǒng)計來看，此類作者的文章主要關(guān)注的是應(yīng)用于能源和氣候變化研究領(lǐng)域的經(jīng)濟或統(tǒng)計學(xué)中的模型與理論。第3類作者論文中，關(guān)鍵詞出現(xiàn)頻率最高的是“Climatechange”，同時與此有關(guān)的有“Climatepolicy”，“Globalandregionalclimatemodeling”等與應(yīng)對氣候變化相關(guān)政策評估相關(guān)的詞匯，同時“Emissionstrading”，“Economiccost”，“Ecologicalplanning”等關(guān)鍵詞的出現(xiàn)也反映了本類研究應(yīng)對氣候變化政策問題所考慮的經(jīng)濟影響及政策規(guī)劃。因此，第3類主要研究的是應(yīng)對氣候變化相關(guān)政策經(jīng)濟性評估問題。第4類作者論文中，關(guān)鍵詞主要集中在能源安全、能源利用方面。“Energysecurity”，“Energyuse”體現(xiàn)了研究的主要對象，“Transportation”也體現(xiàn)了對能源的管理，“Carbondioxideemissions”則代表了與能源利用伴隨而生的排放問題，“LM-DI”(迪氏對數(shù)指標(biāo)分解法)在全球的能源消費分解研究領(lǐng)域被廣泛使用，“GIS”（地理信息系統(tǒng)）也大量應(yīng)用于能源管理及資源配置規(guī)劃中。所以，這一類研究領(lǐng)域是能源利用及能源安全。第5類作者論文中，關(guān)鍵詞出現(xiàn)頻率最高的是“Climatechange”，同時與此有關(guān)的有“Emissiontrading”，“Carbontrading”，“Carbontax”等與國際碳減排交易機制相關(guān)的詞匯。因此，第5類主要研究的是國際碳減排中碳交易機制及碳稅相關(guān)問題。小結(jié)以上各類所代表的研究熱點，主要包括經(jīng)濟學(xué)或統(tǒng)計學(xué)模型、排污權(quán)分配和交易、政策經(jīng)濟性評估、行業(yè)能效和排放、碳交易機制及碳稅等。

4結(jié)論

本研究識別出能源與氣候變化議題下的政策和經(jīng)濟研究的5個主要研究熱點，按照聚類內(nèi)研究作者數(shù)目從低到高排序，分別是應(yīng)用于能源與氣候變化研究的經(jīng)濟學(xué)或統(tǒng)計學(xué)模型理論、排污權(quán)分配和交易、政策經(jīng)濟性評估、行業(yè)能效和排放、碳交易機制及碳稅。它們之間雖然存在著一定的聯(lián)系，但是也有顯著的區(qū)別，分類結(jié)果基本合理。采用本研究的研究思路，操作者不需要對所分析的研究領(lǐng)域具有非常深刻和全面的認(rèn)識就能獲得較為充分的信息，而且分析時不依賴于閱讀具體文獻時對文獻的主觀理解，使得結(jié)果更為可靠。本研究的結(jié)論對深入研究能源與氣候變化議題下政策和經(jīng)濟熱點問題，全面掌握細(xì)分領(lǐng)域的知識網(wǎng)絡(luò)具有著積極的意義；同時，本研究也為其它研究議題下的類似工作提供了有益的借鑒。