蔣文釗，區(qū)晶瑩，俞守華

（華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院，廣州　510642）

國(guó)際運(yùn)籌學(xué)學(xué)術(shù)熱點(diǎn)研究

蔣文釗，區(qū)晶瑩，俞守華

（華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院，廣州510642）

0　引言

運(yùn)籌學(xué)是一門誕生于20世紀(jì)30年代的新興學(xué)科，它主要運(yùn)用數(shù)學(xué)方法，求解系統(tǒng)最優(yōu)化問(wèn)題，制定合理運(yùn)用人力、物力和財(cái)力的最優(yōu)方案，從而為決策者提供科學(xué)決策的依據(jù)。作為經(jīng)營(yíng)管理領(lǐng)域的先進(jìn)科學(xué)，運(yùn)籌學(xué)對(duì)解決生產(chǎn)管理以及有限資源合理化調(diào)配方面都能發(fā)揮重大作用。

目前，國(guó)內(nèi)外有些學(xué)者運(yùn)用文獻(xiàn)計(jì)量法綜述分析了運(yùn)籌學(xué)理論及應(yīng)用現(xiàn)狀與熱點(diǎn)。Chuang等人運(yùn)用文獻(xiàn)計(jì)量法，從文獻(xiàn)數(shù)量、文獻(xiàn)類型、高產(chǎn)機(jī)構(gòu)、高產(chǎn)作者等角度對(duì)亞太地區(qū)管理與運(yùn)籌學(xué)學(xué)科的發(fā)展態(tài)勢(shì)進(jìn)行了研究［1］。Hsieh等人對(duì)全球范圍內(nèi)生產(chǎn)運(yùn)作管理領(lǐng)域的高產(chǎn)作者、高產(chǎn)機(jī)構(gòu)以及高產(chǎn)國(guó)進(jìn)行了研究分析［2］。劉作儀等人以Web of Science為數(shù)據(jù)源，對(duì)我國(guó)管理與運(yùn)籌學(xué)領(lǐng)域2001年至2010年間的發(fā)展態(tài)勢(shì)進(jìn)行了計(jì)量分析［3］。上述研究均采用文獻(xiàn)計(jì)量法，主要從文獻(xiàn)量、作者、發(fā)文機(jī)構(gòu)、文獻(xiàn)主題等多角度來(lái)探討運(yùn)籌學(xué)學(xué)科的總體發(fā)展態(tài)勢(shì)的。本文結(jié)合使用文獻(xiàn)計(jì)量法與OmniViz可視化數(shù)據(jù)分析工具，從定性和定量的角度來(lái)研究國(guó)際運(yùn)籌學(xué)領(lǐng)域近年來(lái)的學(xué)術(shù)熱點(diǎn)，以期為我國(guó)運(yùn)籌學(xué)研究提供借鑒和參考。

1　數(shù)據(jù)來(lái)源與研究方法

1.1數(shù)據(jù)來(lái)源與處理

為了得到相對(duì)豐富、專業(yè)、有效的數(shù)據(jù)，本研究共選取了29種國(guó)際運(yùn)籌學(xué)期刊作為數(shù)據(jù)源，這29種期刊的選擇依據(jù)是：根據(jù)ISI2008JCR因子報(bào)告，選取運(yùn)籌學(xué)與管理（Operations Research&Management Science）學(xué)科領(lǐng)域內(nèi)JCR影響因子1.0以上的期刊，1.0以上的JCR影響因子表明這29種期刊在運(yùn)籌學(xué)領(lǐng)域具有較大的影響力。這29種期刊包含了國(guó)際運(yùn)籌學(xué)領(lǐng)域的權(quán)威核心期刊，覆蓋了運(yùn)籌學(xué)學(xué)科的各個(gè)分支，具有廣泛的代表性，代表了國(guó)際運(yùn)籌學(xué)類期刊的最高水平。

文獻(xiàn)收集與處理的具體操作方法為：在Web of Knowledge數(shù)據(jù)庫(kù)中，以期刊名作為檢索的主題詞，年代檢索范圍設(shè)定為2007至2011年間，共檢索到20134篇文獻(xiàn)，再通過(guò)EndNote軟件將文獻(xiàn)數(shù)據(jù)以RefMan （RIS）格式保存為文本文件，導(dǎo)入OmniViz中進(jìn)行數(shù)據(jù)分析。最終有效的文獻(xiàn)數(shù)據(jù)共20109條，每條文獻(xiàn)數(shù)據(jù)包含“標(biāo)題、作者、摘要、關(guān)鍵字、出版社、出版日期”等題錄信息。

1.2研究方法

詞頻分析法是利用能夠揭示或表達(dá)文獻(xiàn)核心內(nèi)容的關(guān)鍵詞或主題詞在某一研究領(lǐng)域文獻(xiàn)中出現(xiàn)的頻次高低來(lái)確定該領(lǐng)域研究熱點(diǎn)和發(fā)展動(dòng)向的文獻(xiàn)計(jì)量方法。雖然目前國(guó)內(nèi)外鮮有運(yùn)用詞頻分析法分析運(yùn)籌學(xué)領(lǐng)域研究熱點(diǎn)的相關(guān)文獻(xiàn)，但在其他學(xué)科領(lǐng)域的相關(guān)研究中已運(yùn)用較多。儲(chǔ)節(jié)旺等對(duì)2000年至2009年間在CSSCI數(shù)據(jù)庫(kù)上關(guān)于知識(shí)管理熱點(diǎn)方面文獻(xiàn)進(jìn)行了關(guān)鍵詞詞頻分析，并在此基礎(chǔ)上對(duì)知識(shí)管理的發(fā)展趨勢(shì)做出分析［4］。黃曉燕對(duì)1999至2003年情報(bào)領(lǐng)域論文的關(guān)鍵詞進(jìn)行了詞頻分析，歸納出了五年來(lái)情報(bào)領(lǐng)域的研究熱點(diǎn)及其變化軌跡［5］。因此，本研究在使用OmniViz可視化數(shù)據(jù)分析軟件對(duì)文獻(xiàn)數(shù)據(jù)進(jìn)行聚類分析的基礎(chǔ)上，借助了其所提供的詞頻分析工具對(duì)文獻(xiàn)主題詞進(jìn)行了詞頻分析。為了更加細(xì)致、準(zhǔn)確地把握運(yùn)籌學(xué)的研究熱點(diǎn)，還結(jié)合使用了Excel軟件中的統(tǒng)計(jì)工具與人工統(tǒng)計(jì)方法，專門針對(duì)文獻(xiàn)的關(guān)鍵詞進(jìn)行了詞頻分析。

2　OmniViz簡(jiǎn)介

OmniViz是由大型跨國(guó)生物科技公司BioWisdom開(kāi)發(fā)的一個(gè)嚴(yán)謹(jǐn)并且功能強(qiáng)大的可視化情報(bào)分析工具。OmniViz可分析數(shù)據(jù)類型包括專利、文獻(xiàn)、實(shí)驗(yàn)結(jié)果數(shù)據(jù)、生物染色體序列、物質(zhì)的化學(xué)結(jié)構(gòu)等。它突出的特點(diǎn)是為用戶提供了一系列具有復(fù)雜統(tǒng)計(jì)和文本分析算法的功能強(qiáng)大的可視化工具，因此可以為用戶理解、分析數(shù)據(jù)提供更多新的角度和思路。

將文獻(xiàn)數(shù)據(jù)導(dǎo)入OmniViz中后，它將根據(jù)文獻(xiàn)的題名和摘要字段標(biāo)引待分析文獻(xiàn)的主要主題詞（Major Term）、次要主題詞（Minor Term）及其他主題詞（Other Terms），并運(yùn)用標(biāo)準(zhǔn)的聚類算法，將文獻(xiàn)按照主題詞的相關(guān)性分成若干組，每組文獻(xiàn)都使用頻次最高的前三個(gè)主要主題詞予以標(biāo)識(shí)，用戶也可以使用Gist工具查看所有主題詞的詞頻及分布情況。作為一款功能強(qiáng)大的可視化數(shù)據(jù)分析軟件，OmniViz為用戶提供了六種圖形視覺(jué)模式進(jìn)行數(shù)據(jù)分析，分別是Galaxy、ThemeMap、Correlation、CorScape、Comet以及TreeScape模式。在文獻(xiàn)分析中較常使用Galaxy及ThemeMap視覺(jué)模式。

在Galaxy視覺(jué)模式下，每個(gè)點(diǎn)代表一篇文獻(xiàn)，一個(gè)簇（cluster）由一個(gè)或多個(gè)點(diǎn)組成。聚類過(guò)程與文獻(xiàn)中詞匯的詞頻、分布和關(guān)聯(lián)性密切相關(guān)。在Galaxy圖中文獻(xiàn)或者簇之間的距離反映了文獻(xiàn)主題間相關(guān)性的大小，相關(guān)性越大，則距離越遠(yuǎn)，相關(guān)性越小，則距離越近。

ThemeMap視覺(jué)模式是以三維視角來(lái)展示聚類結(jié)果的。ThemeMap圖由一座座山峰構(gòu)成，每一座山峰均代表一個(gè)簇。山峰的面積反映了該簇中文獻(xiàn)的分布范圍，山峰的高度反映了其中文獻(xiàn)主題的集中程度，兩座山峰間山谷的深度則反映了兩個(gè)簇之間主題的相關(guān)程度。

3　國(guó)際運(yùn)籌學(xué)研究熱點(diǎn)分析

3.1OmniViz中的可視化分析

將文獻(xiàn)數(shù)據(jù)導(dǎo)入OmniViz后，在Galaxy視覺(jué)模式下的聚類結(jié)果如圖1所示，可以看出，文獻(xiàn)的整體分布呈三角狀，且分布范圍廣，圖中右上區(qū)域的文獻(xiàn)量大且分布集中，而左半?yún)^(qū)域的文獻(xiàn)分布則相對(duì)零散。使用Group工具查看分組的詳細(xì)情況，共產(chǎn)生了140個(gè)文獻(xiàn)組，圖2中展示了文獻(xiàn)量排名前十的組，依次是組C62、C101、C17、C9、C23、C94、C1、C60、C59，各組的分布情況參見(jiàn)圖1。

可以看出，組C62、C94、C17之間的距離非常接近，說(shuō)明這三組的文獻(xiàn)主題相關(guān)度很高；三組的總文獻(xiàn)量為4854篇，占總量的24.1%，因此這三組中的文獻(xiàn)主題足夠反映出運(yùn)籌學(xué)領(lǐng)域內(nèi)的某一個(gè)或多個(gè)研究熱點(diǎn)。觀察這三組標(biāo)引出的詞頻前三的主題詞，發(fā)現(xiàn)模糊化（fuzzy）、價(jià)格（price）都出現(xiàn)了兩次，說(shuō)明這三組中有關(guān)主題模糊化與價(jià)格的研究文獻(xiàn)居多，說(shuō)明這兩個(gè)主題是運(yùn)籌學(xué)領(lǐng)域內(nèi)的研究熱點(diǎn)。模糊理論的研究和近年來(lái)軟運(yùn)籌學(xué)的興起是密不可分的，不同于傳統(tǒng)運(yùn)籌學(xué)，軟運(yùn)籌學(xué)側(cè)重于解決難以找到最優(yōu)解或最優(yōu)解不唯一的問(wèn)題，它的基本研究方法主要是定性方法與定量方法相結(jié)合，在定性方法上更多的是采用模糊數(shù)學(xué)方法［6］。主題詞價(jià)格則反映出目前運(yùn)籌學(xué)在經(jīng)濟(jì)領(lǐng)域中的研究多側(cè)重于價(jià)格問(wèn)題，如定價(jià)、影子價(jià)格、投資組合等方面；組C17的標(biāo)識(shí)主題詞“supplier、price、retailer”反映了目前運(yùn)籌學(xué)在供應(yīng)鏈管理問(wèn)題中的廣泛應(yīng)用，因此供應(yīng)鏈管理也是運(yùn)籌學(xué)領(lǐng)域的研究熱點(diǎn)。

組C116、C23、C1的距離也比較接近，而與其他7組的距離較遠(yuǎn)，說(shuō)明這3個(gè)文獻(xiàn)組的主題之間關(guān)聯(lián)性較強(qiáng)，但與其他組的主題關(guān)聯(lián)性不大；三組的文獻(xiàn)總量為1774篇，占總文獻(xiàn)量的8.8%；觀察發(fā)現(xiàn)，主題詞粒子群優(yōu)化（particle swarm optimization）都出現(xiàn)在了3組的標(biāo)識(shí)主題詞中，說(shuō)明這一區(qū)域的研究主題主要是關(guān)于粒子群優(yōu)化算法的；值得注意的是，粒子群優(yōu)化算法與聚類（cluster）都同時(shí)出現(xiàn)在了組C1、C116的標(biāo)識(shí)主題詞中，可以推測(cè)粒子群優(yōu)化算法在聚類研究中占有較大比重。

其余4組分布較散，但主要都集中于圖右上區(qū)域，組C101、C60的標(biāo)識(shí)主題詞和組C62、C94、C17的標(biāo)識(shí)主題詞相似，也都與價(jià)格、模糊化及供應(yīng)鏈管理這3個(gè)主題相關(guān)，因此在距離上也較接近這3組。另外，觀察組C9、C59的標(biāo)識(shí)主題詞，都出現(xiàn)了作業(yè)（job）和預(yù)測(cè)（forecast），說(shuō)明這一區(qū)域的文獻(xiàn)研究主題主要是集中于這兩個(gè)方面，差異之處在于C9中有關(guān)集裝箱（container）的研究較多，而C59則是有關(guān)項(xiàng)目（project）的研究較多。

圖1　Galaxy模式分析結(jié)果

圖2　文獻(xiàn)量前10的文獻(xiàn)組

ThemeMap視覺(jué)模式下的聚類結(jié)果如圖3所示，從山峰的高度、密集程度、分布情況能夠看出，文獻(xiàn)的主題較多集中于上部區(qū)域，并且此區(qū)域的文獻(xiàn)主題間的關(guān)系非常緊密。其中，較突出的三座山峰已經(jīng)分別由詞頻前三的主題詞予以標(biāo)明，分別為“price、fuzzy、forecast”、“price、supplier、contract”和“job、batch、project”，前兩座山峰在地理位置及標(biāo)識(shí)主題詞上與Galaxy模式下的分析結(jié)果一致，都是位于圖上部區(qū)域，且主題主要與價(jià)格、模糊化以及供應(yīng)鏈管理相關(guān)，從而充分說(shuō)明目前這三大主題是近年來(lái)運(yùn)籌學(xué)最熱門的研究主題；另外一座山峰由標(biāo)識(shí)主題詞可以推測(cè)，此區(qū)域的文獻(xiàn)多與任務(wù)（job）、批次（batch）相關(guān)，使用Record Viewer工具查閱這一文獻(xiàn)組部分文獻(xiàn)信息后［7-11］，發(fā)現(xiàn)多是研究并行調(diào)度方面的問(wèn)題，說(shuō)明在生產(chǎn)領(lǐng)域中，有關(guān)并行調(diào)度的相關(guān)研究也是運(yùn)籌學(xué)中的熱點(diǎn)研究，Record Viewer的分析界面如圖4所示。

綜上所述，目前，模糊理論、價(jià)格問(wèn)題、供應(yīng)鏈管理、粒子群優(yōu)化算法以及并行調(diào)度這幾個(gè)主題是近五年國(guó)際運(yùn)籌學(xué)的研究熱點(diǎn)。

圖3　ThemeMap模式分析結(jié)果

圖4　Record Viewer分析結(jié)果

3.2主題詞詞頻分析

OminViz中Gist工具用于統(tǒng)計(jì)文獻(xiàn)各主題詞的詞頻。主要主題詞及次要主題詞是OmniViz進(jìn)行聚類的依據(jù)，對(duì)于分析文獻(xiàn)研究主題也具有較大的參考價(jià)值，以下分別選取了排名前15的主要主題詞及次要主題詞進(jìn)行分析。

在主要主題詞方面，排名第一的是價(jià)格（price），涉及1518篇文獻(xiàn)，約占所有文獻(xiàn)數(shù)的8%，其次是模糊化（fuzzy），所占比例約5%，涉及文獻(xiàn)1024篇，排第三位的是供應(yīng)商（supplier），涉及文獻(xiàn)761篇，約占4%，后面依次為任務(wù)（job）、預(yù)測(cè)（forecast）、項(xiàng)目（project）、聚類（cluster）、零售商（retailer）、創(chuàng)新（innovate）、診斷（diagnose）、合同（contract）、買方（buyer）、投資組合（portfolio）、圖像（image）、通道（channel）。在次要主題詞方面，排在第一位的是模型（model），共涉及8760篇文獻(xiàn)，所占比例44%，第二是優(yōu)化（optimize），共涉及6111篇文獻(xiàn)，所占比例為30%，后面依次是時(shí)間（time），算法（algorithm）、過(guò)程（process）、解決方法（solution）、集合（set）、成本（cost）、計(jì)算（computation）、函數(shù)（function）、決策（decision）、作業(yè)（operation）、技術(shù)（technique）、減少（reduce）、結(jié)構(gòu)（structure）。

表1　詞頻前15的主要主題詞及次要主題詞

分別觀察不同年份論文主題詞的變化，可以幫助我們了解運(yùn)籌學(xué)領(lǐng)域各個(gè)分支的發(fā)展情況。圖5為2007-2011年不同年份主要主題詞的變化情況。

圖5　前15的主要主題詞2007-2011年變化情況

可以看出，主題詞價(jià)格（price）近五年的詞頻始終穩(wěn)居首位變化。詞頻第二位的主題詞模糊化（fuzzy）變化非常顯著，五年內(nèi)的平均增長(zhǎng)率高達(dá)36.1%，尤其是2009年，文獻(xiàn)數(shù)量突增，2011年時(shí)升至五年里最高，這反映出2009年至2011年是模糊理論發(fā)展最快的階段，在未來(lái)很有可能成為運(yùn)籌學(xué)領(lǐng)域最熱門研究主題。此外，上升勢(shì)頭顯著的還有主題詞圖像（image），平均增長(zhǎng)率為最高的46.7%。主題詞預(yù)測(cè)（forecast）、聚類（cluster）、診斷（diagnose）以及投資組合（portfolio）在這五年內(nèi)平均增長(zhǎng)都超過(guò)了19.5%，說(shuō)明近五年里關(guān)于這四個(gè)主題的相關(guān)研究也比較熱門。經(jīng)統(tǒng)計(jì)，次要主題詞近五年來(lái)總體呈上升趨勢(shì)，但主題詞的變化趨勢(shì)不明顯，排名前四位的始終是模型 （model）、優(yōu)化（optimize）、時(shí)間（time）、算法（algorithm），這與運(yùn)籌學(xué)研究多是通過(guò)構(gòu)建模型或者構(gòu)造算法求問(wèn)題的最優(yōu)解是一致的，值得注意的是，時(shí)間在建模及優(yōu)化過(guò)程中也是非常重要的影響因素，這也是它詞頻較高的主要原因。

3.3論文關(guān)鍵詞詞頻分析

由于OmniViz是基于文獻(xiàn)標(biāo)題與摘要進(jìn)行主題詞提取的，并且這些主題詞大部分都是單一詞匯，往往不能直接體現(xiàn)出文獻(xiàn)研究主題，需要較多地結(jié)合閱讀文獻(xiàn)詳細(xì)信息。若能通過(guò)論文關(guān)鍵詞做進(jìn)一步的分析，無(wú)疑更有助于分析的簡(jiǎn)化、細(xì)致與準(zhǔn)確。關(guān)鍵詞作為學(xué)術(shù)文獻(xiàn)的必備要素，能簡(jiǎn)潔、全面地反映出文獻(xiàn)所涉及的主要內(nèi)容。通過(guò)對(duì)關(guān)鍵詞的統(tǒng)計(jì)分析，可有效揭示其中隱含的特征、發(fā)展過(guò)程及趨勢(shì)、專業(yè)分布等線索［12］。

在所統(tǒng)計(jì)的20109篇文獻(xiàn)中，共出現(xiàn)關(guān)鍵詞184607個(gè)，平均單篇論文占9.18個(gè)。使用EndNote導(dǎo)出所有關(guān)鍵詞，并經(jīng)過(guò)Excel分組統(tǒng)計(jì)與人工篩選后，共得到51686個(gè)有效關(guān)鍵詞。

根據(jù)孫清蘭于1992年提出的高頻詞低頻詞界分公式［13］：

公式（1）中D代表不同詞數(shù)，T代表分界點(diǎn)。將D= 51686代入式（1）可得T=226，即頻次超過(guò)226的關(guān)鍵詞可以認(rèn)為是高頻關(guān)鍵詞。在對(duì)關(guān)鍵詞進(jìn)行同義，縮寫、單復(fù)數(shù)等方面的整理后，最終統(tǒng)計(jì)出詞頻在226以上的關(guān)鍵詞共66個(gè)。

可以看出，排名前四的關(guān)鍵詞中，model、algorithm、optimization也出現(xiàn)在了次要主題詞的前四位中，說(shuō)明建型、算法設(shè)計(jì)、目標(biāo)優(yōu)化在運(yùn)籌學(xué)研究中占據(jù)著十分顯著的地位，也是目前運(yùn)籌學(xué)研究所遵循的主要模式，值得國(guó)內(nèi)運(yùn)籌學(xué)研究人員借鑒。分析還發(fā)現(xiàn)高頻關(guān)鍵詞與主要主題詞的劃分也是驚人的相似，在排名前15的主要主題詞中，有9個(gè)都不同形式地出現(xiàn)在了高頻關(guān)鍵詞中，分別是price、fuzzy、supplier、forecast、cluster、retailer、innovate、buyer、portfolio，其中 supplier、retailer、buyer對(duì)應(yīng)supply chain，forecast對(duì)應(yīng)prediction，cluster對(duì)應(yīng)classification，因此這些主題詞確實(shí)反映了運(yùn)籌學(xué)的研究熱點(diǎn)，也證明了OmniViz對(duì)于文獻(xiàn)主題詞的劃分是科學(xué)的、有效的。

有關(guān)運(yùn)籌學(xué)學(xué)科各分支的研究現(xiàn)狀，也可以通過(guò)對(duì)高頻關(guān)鍵詞分類分析得出。目前，數(shù)學(xué)規(guī)劃作為運(yùn)籌學(xué)學(xué)科的一個(gè)重要分支，從高頻關(guān)鍵詞的分布可以看出它是非常熱門的分支。與數(shù)學(xué)規(guī)劃直接相關(guān)的高頻關(guān)鍵詞有遺傳算法（Genetic algorithm）、數(shù)據(jù)包絡(luò)分析（DEA）、神經(jīng)網(wǎng)絡(luò) （Neural networks）、啟發(fā)式算法（Heuristic algorithm）、禁忌搜索 （Tabu search）、規(guī)劃（programming）、支持向量機(jī)（Support vector machine）、整數(shù)規(guī)劃（Integer programming）、線性規(guī)劃（Linear programming）、粒子群優(yōu)化（Particle swarm optimization）、隨機(jī)規(guī)劃（Stochastic programming），這11個(gè)關(guān)鍵詞約占總詞頻的14.7%。其中，除整數(shù)規(guī)劃、線性規(guī)劃外，其余都隸屬于非線性規(guī)劃范疇，這說(shuō)明非線性規(guī)劃是數(shù)學(xué)規(guī)劃中的研究重點(diǎn)，這種現(xiàn)象的產(chǎn)生一方面是由于現(xiàn)實(shí)問(wèn)題多為非線性?、不確定的問(wèn)題，另一方面，也和計(jì)算機(jī)技術(shù)在運(yùn)籌學(xué)中的廣泛應(yīng)用息息相關(guān)，如遺傳算法、神經(jīng)網(wǎng)絡(luò)、啟發(fā)式算法、粒子群優(yōu)化算法等都屬于人工智能算法，一般必須借助計(jì)算機(jī)進(jìn)行建模求解，所以說(shuō)計(jì)算機(jī)技術(shù)的發(fā)展與應(yīng)用也為運(yùn)籌學(xué)研究帶來(lái)了新的機(jī)遇與挑戰(zhàn)。決策分析分支方面，具有代表性的關(guān)鍵詞有決策（Decision making）、風(fēng)險(xiǎn)（Risk）、預(yù)測(cè)（Prediction）、決策支持系統(tǒng)（Decision supprot system）、層次分析法（AHP），約占總詞頻的6.3%，也屬于運(yùn)籌學(xué)中比較熱門的研究分支。存儲(chǔ)論方面，代表性的關(guān)鍵詞有供應(yīng)鏈（Supply chain）和庫(kù)存（Inventory），約占總頻次的4.9%。而排隊(duì)論、圖與網(wǎng)絡(luò)、博弈論等其他運(yùn)籌學(xué)分支的相關(guān)高頻關(guān)鍵詞出現(xiàn)較少，說(shuō)明這些運(yùn)籌學(xué)分支的研究熱度偏低。此外，數(shù)據(jù)挖掘（Data mining）、全局優(yōu)化（Global optimization）、特征選擇（Feature select）等其他主題也屬于運(yùn)籌學(xué)領(lǐng)域的熱點(diǎn)研究，應(yīng)該引起國(guó)內(nèi)運(yùn)籌學(xué)研究人員的重視。

表2　高頻關(guān)鍵詞

4　結(jié)語(yǔ)

（1）根據(jù)OmniViz的可視化分析，并結(jié)合查證相關(guān)文獻(xiàn)，認(rèn)為目前國(guó)際運(yùn)籌學(xué)領(lǐng)域占前5位的最熱門研究主題是價(jià)格問(wèn)題、模糊理論、供應(yīng)鏈管理、粒子群優(yōu)化算法和生產(chǎn)領(lǐng)域的并行調(diào)度研究。

（2）通過(guò)OmniViz對(duì)文獻(xiàn)主要主題詞及次要主題詞的統(tǒng)計(jì)分析，發(fā)現(xiàn)2007至2011年間，主題詞價(jià)格、圖像、預(yù)測(cè)、聚類、診斷以及投資組合等是運(yùn)籌學(xué)領(lǐng)域的熱點(diǎn)研究主題。價(jià)格的相關(guān)研究熱度始終居于首位，增長(zhǎng)幅度不大；而模糊理論的相關(guān)研究于2009年后增長(zhǎng)顯著，在未來(lái)很有可能成為運(yùn)籌學(xué)領(lǐng)域最熱門研究主題；主題詞圖像的詞頻年增長(zhǎng)率為最高的46.7%，而預(yù)測(cè)、聚類、診斷以及投資組合在這五年內(nèi)的平均增長(zhǎng)率都超過(guò)了19.5%，說(shuō)明這些主題的相關(guān)研究在近五年里發(fā)展比較迅速，屬于運(yùn)籌學(xué)領(lǐng)域比較熱門的研究主題。

（3）結(jié)合論文關(guān)鍵詞的詞頻分析發(fā)現(xiàn)，建模、算法設(shè)計(jì)、目標(biāo)優(yōu)化是運(yùn)籌學(xué)研究所遵循的主要模式；在運(yùn)籌學(xué)學(xué)科各分支的研究現(xiàn)狀方面，數(shù)學(xué)規(guī)劃仍是最熱門的研究分支，非線性規(guī)劃在數(shù)學(xué)規(guī)劃中占據(jù)著最重要的地位，其中，遺傳算法、數(shù)據(jù)包絡(luò)分析、神經(jīng)網(wǎng)絡(luò)、啟發(fā)式算法、禁忌搜索、支持向量機(jī)、粒子群優(yōu)化算法是非線性規(guī)劃中的研究熱點(diǎn)；決策分析和存儲(chǔ)論也是比較熱門的研究分支，與之相關(guān)的研究熱點(diǎn)有風(fēng)險(xiǎn)分析、預(yù)測(cè)、決策支持系統(tǒng)、層次分析法、供應(yīng)鏈和庫(kù)存控制。此外，數(shù)據(jù)挖掘、全局優(yōu)化、特征選擇等其他主題也屬于運(yùn)籌學(xué)領(lǐng)域中的研究熱點(diǎn)。

［1］Chang P L，Hsieh P N.Bibliometric overview of operations research/management science research in Asia［J］.Asia-Pacific Journal of Operational Research，2008，25（2）：217-241.

［2］Hsieh P N，Chang P L.An assessment of world-wide research productivity in production and operations management［J］.International Journal of Production Economics，2009，120（2）：540-551.

［3］劉作儀，吳登生等.2001-2010年我國(guó)管理與運(yùn)籌學(xué)研究態(tài)的計(jì)量分析［J］.北京理工大學(xué)學(xué)報(bào)，2012，14（1）：1-8．

［4］儲(chǔ)節(jié)旺，王龍.近10年國(guó)內(nèi)知識(shí)管理研究熱點(diǎn)［J］.情報(bào)科學(xué)，2011，29（9）：1425-1429．

［5］黃小燕.情報(bào)領(lǐng)域研究熱點(diǎn)透視——情報(bào)領(lǐng)域論文關(guān)鍵詞詞頻分析（1999-2003）［J］.圖書(shū)與情報(bào)，2005（6）：82-84．

［6］盧厚清，蔡志強(qiáng)等.軟運(yùn)籌學(xué)研究的回顧與展望［J］.運(yùn)籌與管理，2003，12（4）：68-72．

［7］Mandelbaum M，Shabtay D.Scheduling unit length jobs on parallel machines with lookahead information［J］.Journal of Scheduling，2011，14（4）：335-350．

［8］Gacias B，Artigues C，Lopez P.Parallel machine scheduling with precedence constraints and setup times［J］.Computers&Operations Research，2010，37（12）：2141-2151．

［9］Liu P，Lu X.On-line scheduling of parallel machines to minimize total completion times［J］.Computers&Operations Research，2009，36（9）：2647-2652．

［10］Shim S O；Kim Y D.A branch and bound algorithm for an identical parallel machine scheduling problem with a job splitting property ［J］.Computers&Operations Research，2008，35（3）：863-875．

［11］Guo S；Kang L.Online scheduling of malleable parallel jobs with setup times on two identical machines［J］.European Journal of Operational Research，2010，206（3）：555-561．

［12］扆鐵梅.《科研管理》期刊2008年載文及關(guān)鍵詞分析［J］.科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì)，2009，19（32）：67-68．

［13］孫清蘭.高頻詞與低頻詞的界分及詞頻估算法［J］.中國(guó)圖書(shū)館學(xué)報(bào)，1992（2）：78-81．

Operations Research；Word Frequence Analysis；Web of Science；OmniViz

Research on the Academic Hotspots of International Operations Research

JIANG Wen-zhao，OU Jing-ying，YU Shou-hua
（College of Informatics，South China Agricultural University，Guangzhou 510642）

1007-1423（2015）20-0033-07

10.3969/j.issn.1007-1423.2015.20.008

蔣文釗（1989-），男，廣東清遠(yuǎn)人，碩士研究生，研究方向?yàn)楣芾硐到y(tǒng)工程

區(qū)晶瑩（1964-），女，廣東佛山人，副教授，研究方向?yàn)楣补芾?/p>

俞守華（1964-），男，福建福清人，教授，研究方向?yàn)橄到y(tǒng)工程

2015-05-12

2015-07-01

以Web of Science數(shù)據(jù)庫(kù)為數(shù)據(jù)源，檢索29種運(yùn)籌學(xué)領(lǐng)域核心期刊2007-2011年間所發(fā)表的20109篇文獻(xiàn)，并運(yùn)用OmniViz可視化數(shù)據(jù)分析工具和Excel軟件，對(duì)文獻(xiàn)進(jìn)行聚類分析和詞頻分析，梳理和研究出近五年國(guó)際運(yùn)籌學(xué)領(lǐng)域的學(xué)術(shù)熱點(diǎn)。對(duì)文獻(xiàn)主題詞分析研究表明，價(jià)格問(wèn)題、模糊理論以及供應(yīng)鏈管理是目前運(yùn)籌學(xué)中最熱門的學(xué)術(shù)研究主題，其中生產(chǎn)領(lǐng)域有關(guān)并行調(diào)度的研究是目前的學(xué)術(shù)研究熱點(diǎn)。根據(jù)論文關(guān)鍵詞分析發(fā)現(xiàn)，數(shù)學(xué)規(guī)劃仍是運(yùn)籌學(xué)學(xué)科中最熱門的研究分支，遺傳算法、數(shù)據(jù)包絡(luò)分析和神經(jīng)網(wǎng)絡(luò)等人工智能算法是運(yùn)籌學(xué)領(lǐng)域的學(xué)術(shù)研究熱點(diǎn)。

運(yùn)籌學(xué)；詞頻分析；Web of Science；OmniViz

Takes the Web of Science as data source，statistically analyzes a total of 20109 research papers which have been retrieved from 29 operations research journals published during the period of 2007-2011.In order to find out the research focus of the international operations research during the last five years，makes cluster analysis and word frequency analysis on these literatures by using OmniViz and Excel software.Analysis of the subject terms shows that price，fuzzy theory and supply chain management are the most popular research focus in current operations research field and parallel scheduling is one of the hotspots in the areas of production.The keywords analysis shows that mathematical programming is still the most popular branch of operations research disciplines.At the same time，artificial intelligence algorithms such as genetic algorithms，date envelopment analysis and neural networks are also research focus currently.