新時期管理學領域學科交叉研究
——基于科學基金重大研究計劃的視角

劉夢琦 王永梅 陳虹樞 汪雪鋒

北京理工大學管理與經濟學院 北京 100081

引言

管理學作為一門兼具自然科學與社會人文屬性的綜合性學科，在其漫長的發展過程中，越來越多地融入了大規模數據處理、系統思維及實證方法等科學范式，并逐漸凸顯出鮮明的多學科交叉融通特點[1]。當前，信息技術革命通過優化決策環境、豐富管理工具、完善管理平臺等方式助推了管理學科的發展，并同時加速了管理學科與其他學科交叉融合的腳步，隨之而來的新技術倫理、安全與應用邊界等問題也帶來了更多挑戰。因此，系統分析我國管理學領域與其他學科交叉發展的新特征與新模式，已經成為我國持續發展管理學科的嶄新命題之一。

管理學領域與其他學科的交叉融合，既是科學進步的必然，也響應了我國國家經濟社會發展的號召。早在第九屆全國人民代表大會第四次會議的政府工作報告中，朱镕基同志便已明確提出“以自然科學與社會科學的交叉融合，推動管理科學的發展”[1]。近年來，數字化逐步顛覆傳統的組織管理的方式，進一步推動了管理領域拓展知識體系邊界、深入交叉發展，使過去一百多年來形成的管理理論的適用性與有效性面臨嶄新挑戰?！吨腥A人民共和國國民經濟和社會發展第十四個五年規劃和2035 年遠景目標綱要》提出，要“以數字化轉型整體驅動生產方式、生活方式和治理方式變革”。習近平總書記也提出“要運用大數據提升國家治理現代化水平，要建立健全大數據輔助科學決策和社會治理的機制”[1]。作為解決面向科學前沿和國家經濟、社會、科技發展及國家安全的重大需求中的重大科學問題的第一窗口，國家自然科學基金重大研究計劃通過學科交叉來匯集創新力量以攻克科學難題并服務創新驅動。管理學部牽頭的兩個重大研究計劃——“非常規突發事件應急管理研究”（以下簡稱“應急管理”計劃）及“大數據驅動的管理與決策研究”（以下簡稱“大數據”計劃），都是在回答和解決帶有時代特征的重大管理問題。本研究基于國家自然科學基金委員會管理學部的兩項重大研究計劃的相關論文成果，從主題維度對管理學科在新時期與其他學科的交叉融合現狀與趨勢展開分析。

1 學科交叉測度方法綜述

在已有研究中，學者們主要從參考文獻角度、作者合作角度以及文本內容角度進行學科交叉測度，其中基于參考文獻角度的研究最為廣泛[3]，從文本內容視角出發測度學科交叉水平的研究則相對較少。學科交叉的本質是知識的交叉融合，論文參考文獻的多樣性可以很好地測度該領域的知識。當前，有關學科交叉測度的研究主要集中于多樣性測度和凝聚性測度兩個視角：多樣性指標通常被用來測度文獻集的異質性，表示知識基礎的廣泛程度；而凝聚性指標是為了揭示知識體系網絡的結構凝聚性，重點反映知識內容的整合情況。

隨著學科交叉測度研究的逐漸深入，學科多樣性的測度從單一維度的學科數量、基尼系數、差異度發展為綜合豐富度和均勻度的香農熵、布里淵指數等。盡管這些指標能夠在一定程度上測度學科的交叉程度，但分別存在一定局限性，學者們始終沒有停下探索能夠涵蓋學科交叉豐富度、均勻度和差異度綜合性指標的腳步[4]。其中，Stirling[5]提出的跨學科性三維測度的論述，即豐富度（variety，學科的數量）、均勻度（balance，學科分布的均勻程度）和差異度（disparity，學科性質的差異程度），為學科交叉測度研究提供了堅實的理論參考。Rao-Stirling 指標將以上3 個維度綜合起來，提出了相應的非參數測度指標——Rao-Stirling Diversity 指標（簡稱RS指標），常被用以測度跨學科研究的“知識融合度”，在國內外跨學科研究中產生了較大的影響[6]。但Leydesdorff和Rafols[7]在測量期刊的學科交叉度時發現Rao-Stirling 多樣性指標的結果并不理想，并通過將其與網絡指標（中介中心性）、不均勻性指標（Shannon 指標、Gini 系數）進行對比，得到Rao-Stirling 指標具有一定局限性的結論。Zhou 等[8]將Simpson 指標和Rao-Stirling 指標結果進行對比，發現其在測度跨學科性的實際應用時顯示出了較低的“區分度”。Jost[9]認為以往的學科交叉測度指標均存在不同程度的局限，不能很好地描述學科交叉概念的實質含義，他提出通過Hill 型多樣性指數來測度“真正學科多樣性”的方法。Hill 指數雖能夠較好地測度學科多樣性情況，但并未包含學科差異度這一維度?；谏鲜鲅芯?，Leinster 和Cob-bold[10]對Hill 指數進行了進一步的改進，將差異度添加到該指標中，提出了新的指標qDS。

目前，在qDS指標的基礎上，Zhang L 等[11]學者經過反復對比和驗證，進一步論證了當q=2 時的qDS指標具有良好的數學特性。Leydesdorff等[12]學者認為2DS指標是對Rao-Stirling 多樣性指標的顯著改進，使指標值之間具有了可量化操作的可比性，并將其稱為“True Diversity”指標（簡稱TD 指標）。在學科交叉成果的實際測度研究中，TD 指標從理論和實踐的雙重角度都顯示出了其在測度研究成果學科交叉度時的優越性[6]：（1）TD指標值具有“比例”意義，例如，當TD 值增加或減少20%時，可以表示“學科多樣性”程度增加或降低20%；（2）TD 指標的范圍是1 到正無窮，而Rao-Stirling指標的范圍是0～1，因此，TD 在表征“多樣性”時具有更大的區分度。

2 管理學部重大研究計劃整體統計分析

本文通過學科分類代碼及學部信息對國家自然科學基金委員會管理學部的重大研究計劃項目進行查詢，共收集獲取2007—2020 年229條項目數據①https://output.nsfc.gov.cn/，檢索截止至2022 年2 月; http://www.letpub.com.cn 檢索截止至2022 年2 月，經過整理清洗共保留屬于“應急管理”以及“大數據”兩個重大研究計劃的項目216 項，涉及培育項目、重點支持項目、集成項目、戰略研究項目以及指導專家組調研項目共5 個類別，總經費約為21300 萬元。項目數量及資助經費情況如圖1 所示。整體看來，兩項計劃所涉及的項目經費及項目數量呈現較大的波動性，二者均在2010 年出現最大值，其中項目經費最高值達4385 萬元，項目數量最多為32 項。2009 年，“應急管理”計劃正式啟動，項目數量及經費在兩年間維持較高水平，2011年有所回落；2015 年，“大數據”計劃正式啟動，項目數量顯著增長，同時由于該計劃連續四年發布了項目指南，故2017—2018 年間該計劃的項目批準數量也始終保持較高水平；2020 年的項目數量從2019 年的0 項上升至20 項，這一現象是由于“大數據”計劃在2020 年發布了新的項目指南，因而相關的項目數量隨之增多。

圖1 2009—2020 年管理學部項目數量及經費統計

2.1 “非常規突發事件應急管理研究”計劃

在過去十年中，由于非常規突發事件呈現高頻次、多領域發生的復雜態勢，“應急管理”計劃應運而生。該計劃是基金委“十一五”期間啟動的第二批重大研究計劃，于2009 年2 月啟動，2018 年1 月2 日順利結束。相關成果融合了管理、信息、心理等多學科領域的理論與技術，以加強預防和處置突發事件與防災減災的能力為目標，保障了國家管理正常運行以及社會良性發展[13]。

2009—2017 年，我國國家自然科學基金資助的“應急管理”計劃的項目類型、數量及資助經費的具體情況如圖2 所示。本文共收集到“應急管理”計劃的111 個子項，并觀察到其項目數量及資助經費均呈現較大的波動趨勢：二者均在2010 年達到最高峰；而在其啟動的時間段內，也在2016 年出現過類似“輪空”的情況，即當年資助項目數量為0。從其項目類型來看，前期主要以培育項目與重點支持項目為主，中期出現集成項目及指導專家組調研項目，后期出現戰略研究項目，由此可見項目的資助模式呈現出動態變化，逐步由淺入深。

圖2 非常規突發事件應急管理研究計劃項目數量及經費統計

2.2 “大數據驅動的管理與決策研究”計劃

“大數據”計劃發揮了管理、信息、數理、醫學等多學科交叉優勢，結合公共管理、商務、金融、醫療健康等領域的重要管理決策問題，在大數據決策范式、分析方法、治理共享、使能創新等方向上展開攻關[14]。2015—2020 年間，我國國家自然科學基金資助的管理學部“大數據”計劃的相關項目資助數量及經費如圖3 所示。該計劃共涵蓋105 個項目，總科研經費約10128 萬，項目類型以培育項目、重點支持項目及戰略研究項目為主，2017—2018 年出現少量集成項目。該計劃的項目數量在2016 年達到峰值28 項，隨后呈現下降趨勢，但在2020 年有所回升；資助經費在2015—2017 年間逐年上升，2017 年達到峰值3309 萬元。

圖3 大數據驅動的管理與決策研究計劃項目數量及經費統計

3 數據與研究方法

3.1 數據及預處理

論文作為項目成果的一種，是項目所在領域研究內容創新成果的直接體現。深入分析項目成果論文，探究管理學領域重大研究計劃的研究成果內容，能夠發掘管理學領域與其他學科交叉發展的新特征與新模式。本文選取Web of Science 核心合集的 SCI 及SSCI 數據庫為數據來源，依據由學科分類代碼及學部信息對管理學部重大研究計劃進行查詢所得到的216 項相關項目，通過檢索項目編號獲得在“基金資助信息”字段包含重大研究計劃項目標注的成果論文共3489 篇，并保留論文檢索號、標題、摘要、關鍵詞、參考文獻、作者、基金、來源期刊等數據，為后續數據預處理做準備。其中“應急管理”計劃對應包含1159 條數據，“大數據”計劃對應包含2234 條數據。

本文主要利用ItgInsight②http://cn.itginsight.com/軟件進行數據清洗及預處理，并在此基礎上實現粗粒度及細粒度的共現網絡的構建。Web of Science Categories（以下簡稱WC）是Web of Science 核心合集的學科分類方法，是一種相對而言粗粒度的指標，其在數據集中的共現情況可初步反映該計劃成果論文所包括的學科領域及整體學科交叉的情況。同時，關鍵詞作為一篇論文研究的重點內容，是一種相對而言細粒度的內容“標簽”，通過對數據集中關鍵詞進行分析，可以通過研究主題的交疊探究學科交叉的程度與重點。在數據清洗階段，本文首先對數據集中所包含的WC及論文關鍵詞進行預處理，分別得到WC 列表及關鍵詞詞表，對關鍵詞進行“自動+人工”的合并處理，兩個列表均保留TF-IDF 值排名前60 的分類及關鍵詞，之后采用共現分析的方法分別構建粗粒度WC 的共現網絡和基于細粒度關鍵詞的共現網絡，并利用ItgInsight 進行網絡可視化。

3.2 研究方法

本文首先運用共現分析對兩項重大研究計劃的論文成果展開文獻計量視角下的粗粒度及細粒度的內容分析。同時，綜合True Diversity指數以及主題模型構建起了主題受關注度-跨學科度矩陣，基于文本內容，進一步分析管理學領域主題的跨學科性與影響力。具體的方法模塊包括共現網絡分析指標、論文學科交叉測度、主題分析及主題受關注度-跨學科度矩陣構建。

3.2.1 共現網絡分析指標

節點中心性是社會網絡分析法中的常用指標，包括點度中心度(Degree Centrality)、中介中心度(Betweenness Centrality)和接近中心度(Closeness Centrality)[15]。本文主要采用點度中心度及中介中心度兩種測度方式。點度中心度是利用網絡中與某一節點直接相連的其他節點的個數計算節點在網絡中地位的指標，用來反映一個節點在網絡中的中心位置和“權力”大小[16]。具體而言，點度中心性測量的是網絡中與該節點直接相連的節點數目[17]。如果一個節點與很多其他節點直接連接，那么該節點就處于較為重要的地位，其計算公式如下，

Ndegree表示現有與節點相連的邊的數量，n-1表示該節點與其他節點都相連的邊的數量。

中介中心性則反映了節點傳遞信息的能力。節點的中介中心性越高，則表明越多的節點需要通過它才能聯系，反映的是節點的“中介”效用。在共現網絡中，如果一個關鍵詞具有較高的中介中心性，那么該關鍵詞在網絡傳播的媒介作用就更明顯[18]。具體地，中介中心性指網絡中經過某點并連接這兩點的最短路徑占這兩點之間的最短路徑線總數之比，以經過某個節點的最短路徑數目來刻畫節點重要性的指標，計算公式如下：

dst表示連接節點s和節點t的最短路徑的數量，dst(i)表示經過節點i且為最短路徑的數量。

3.2.2 學科交叉測度指標

根據現有研究對學科交叉測度方法的綜述，本文選取了“True Diversity”指標（簡稱TD指標）作為衡量管理學科與其他學科交叉程度的指標，其計算公式為：

其中，pi和pj分別表示參考文獻中屬于的學科類別i和學科類別j的參考文獻數量占所有學科類別對應參考文獻數量之和的比例，dij=1-Sij，Sij表示學科類別i和j的相似度值。

TD 的數值越大，表示基于參考文獻的跨學科知識融合程度越高[8]。每一篇論文都有對應的TD 值，但這種形式的學科交叉測度本質上是基于論文的，無法很好地在內容表達上形成主題維度的認知。

3.2.3 主題提取與分析

本文采用LDA 模型對成果論文進行主題提取與分析。LDA 模型是一種三層貝葉斯概率模型[19]，涵蓋文檔、主題、詞的分布，能有效地從大規模文檔集合語料庫中提取出隱含主題，具有良好的降維能力、建模能力及擴展性[20]。該算法假設文檔-主題分布與主題-詞匯分布的參數都服從狄利克雷分布，以此來構造一個三層貝葉斯網絡結構，生成模型指能夠反映給定輸入與模型輸出之間生成關系的模型。LDA模型及其擴展模型已在文本挖掘領域得到廣泛應用，有效輔助了科技期刊、網絡輿情、微博話題等文本數據的挖掘處理。如圖4 所示，假定語料庫中共有M篇文檔，每篇文檔下的主題分布θ是一個服從參數為α的Dirichlet 先驗分布中采樣得到的多項分布，每個主題下的詞分布φ是一個從參數為β的Dirichlet 先驗分布中采樣得到的多項分布。對于第m篇文章中的第n個詞wm,n，首先從該文章中出現的每個主題的多項分布中選擇或采樣一個主題zm,n，然后再在這個主題對應的詞的多項分布中選擇或采樣一個詞。不斷重復這個隨機生成過程，直到M篇文章全部生成完成。

圖4 LDA 主題模型示意圖

3.2.4 主題受關注度-跨學科度矩陣構建

為進一步分析上述主題的融合特點，基于論文學科交叉測度指標TD 及LDA 模型，本文將二者結合，構建主題受關注度-跨學科度矩陣，分析每個主題的累計平均被引量及累計平均學科交叉程度。本文將論文被引矩陣表示為A，論文TD 指標矩陣為B，可用公式（4）（5）表示如下。

ai表示第i篇論文的被引頻次，bi表示第i篇論文的交叉程度值。

LDA 模型提取得到的文檔-主題矩陣θ轉置后，分別與論文的被引量矩陣A、論文的交叉指標值（TD 值）矩陣B相乘后進行累計平均，得出了每個主題的累計平均被引矩陣C及累計平均交叉度矩陣D，公式（6）和（7）中的對角矩陣表示第j個主題下包含的文檔數量nj。主題被引量在一定程度上也代表了主題的受關注度，TD 指標則代表主題跨學科度。通過對該矩陣的分析能夠更好得出管理學領域重大研究計劃的論文成果在內容、學科交叉程度以及受關注程度的整體情況。

4 研究結果

經過數據預處理，本部分基于3489 篇管理學領域重大研究計劃的論文成果開展主題分析與學科交叉測度，其中“應急管理”計劃包含成果論文1159 篇，“大數據”計劃包含成果論文2234 篇。

4.1 基于重大研究計劃論文成果的共現網絡分析

4.1.1 “非常規突發事件應急管理研究”計劃

WC 共現圖能夠直觀地反映出粗粒度的學科交叉整體情況。圖5 中節點為WC，節點的大小反映了各個WC 在網絡中的點度中心性，即點度中心性越大，節點越大；WC 共現的次數決定連接兩個節點線段的粗細，共現次數越多連線越粗。

圖5 “非常規突發事件應急管理”計劃成果論文的WC 共現網絡

在“應急管理”計劃成果所涉及的學科中，管理學與計算機科學、工學、應用數學存在較為明顯的學科交叉，相關知識在不斷傳遞與融合。由表1 可見，以“運籌學與管理科學”（Operations Research & Management Science）為代表，節點的點度中心性與中介中心性的排名存在一定重合。一個節點的中介中心性數值高可能存在兩種情況：其一，與該節點直接相連的其他節點很多，導致經過該節點的路徑很多，出現最短路徑的可能性增大；其二，該節點處于兩個子網絡的結合部位，從而成為連接兩個子網絡的“必經之路”[21]?！斑\籌學與管理科學”（Operations Research& Management Science）、“計算機科學”（Computer Science, Interdisciplinary Applications、Computer Science, Artificial Intelligence）、“ 工學”（Engineering, Electrical& Electronic、Engineering, Civil、Environmental Studies）這些學科的點度中心性和中介中心性值均很高，屬于上述第一種情況。而“Physics, Mathematical”和“Mathematics,Interdisciplinary Applications”等基礎學科領域雖然在中介中心性方面排名前10，但點度中心性相關數值較小，屬于上述第二種情況，它們于不同的研究模塊中，在不同子團體之間傳遞信息，起到中介作用，說明其對于學科的交叉融合有著重要的作用。

表1 排名前10 的WC 及其點度中心度與中介中心度

為了進一步對“重大研究計劃”視角下管理領域的研究成果進行分析，本文隨后以細粒度的“關鍵詞”表示具體的研究內容，共現頻率高的關鍵詞在某種程度上可以被認為代表一個相關主題，屬于一個話題簇。在此基礎上，將關鍵詞按照共現關系連接成網[22]，建立關鍵詞共現網絡如圖6 所示。

圖6 “非常規突發事件應急管理”計劃成果論文的關鍵詞共現圖

結合圖6 與表2，項目主要涉及的研究內容可以被劃分為7 個子領域，主要包括復雜網絡、社交網絡、應急管理等?！吧缃痪W絡”（social network）、“應急管理”（emergency management）、“最優化”（optimization）、“公共衛生”（public health）等關鍵詞節點的點度中心度值較大，說明它們不僅是“應急管理”計劃成果論文涉及較多的關鍵詞，還與網絡中的其他關鍵詞廣泛聯系。如表2 所示，上述關鍵詞的點度中心性和中介中心性值雙高，說明其為網絡中研究重點主題；而“功能性核磁共振成像”（FMRI）、“近似算法”（approximation algorithm）和“遺傳算法”（genetic algorithm）節點中介中心性較高，點度中心度較低，因而處于兩個子網絡的結合部位，位于不同的研究模塊中，在不同子團體之間傳遞信息，起到關鍵的中介作用。

表2 點度中心度與中介中心度排名前10 的關鍵詞

4.1.2 “大數據驅動的管理與決策”計劃

在“大數據”計劃成果所涉及的學科中，如圖7 所示，管理學相關學科與計算機科學、工學、環境科學以及數學等基礎學科領域存在明顯交叉。其中，如表3 所示，“運籌學與管理科學”(Operations Research & Management Science、Economics）、“ 計算機科 學”（Computer Science, Interdisciplinary Applications、Computer Science, Information Systems、Computer Science, Artificial Intelligence）、“ 工學”（Engineering, Electrical& Electronic、Engineering, Civil）、“環境科學”（Environmental Studies 、Environmental Sciences）等學科均具有較高的點度中心性和中介中心性值，而 “統計與概率”（Statistics& Probability）等學科領域雖然在中介中心性方面排名前10，但點度中心度較低，這說明他們在整體網絡上不具有主導地位，但位于較為關鍵點“橋”通路上，一定程度上在研究領域間起到了中介作用。

表3 排名前10 的WC 及其點度中心度與中介中心度

圖7 “大數據驅動的管理與決策”計劃成果論文的WC 共現網絡

對“大數據”計劃成果的論文進行更細粒度的關鍵詞共現分析，構建共現網絡圖如圖8 所示，關鍵詞之間連接緊密，關系較為復雜，主要被聚類成6 個部分，主要涉及深度學習、碳排放、社會網絡分析、大數據等主要內容。

圖8 “大數據驅動的管理與決策”計劃成果論文的關鍵詞共現網絡

本文繼續通過“點度中心性”和“中介中心性”來分析關鍵詞簇在共現網絡中的不同角色。結合圖8 與表4 可知，“機器學習”（machine learning）、“大數據”（big data）、“ 深度學習”（deep learning）、“最優化”（optimization）、“神經網絡”（neural network）等關鍵詞節點的點度中心度值較大，作為重要的研究方法與網絡中的其他關鍵詞廣泛聯系，拓展了研究組合的多樣性?！皺C器學習”（machine learning）、“大數據”（big data）、“深度學習”（deep learning）、“最優化”（optimization）等關鍵詞的點度中心性和中介中心性值均很高，是“大數據”計劃相關的重點研究內容。而“碳排放”（carbon emission）等節點雖中介中心性較高，但點度中心性相對較低，更有可能在不同研究領域起到關鍵的“橋梁”作用，促進差異性或應用程度高的研究發生碰撞。

表4 點度中心度與中介中心度排名前10 的關鍵詞

4.2 管理學領域主題跨學科性與影響力分析

4.2.1 基于LDA的主題提取

本文使用Python 對3489 條管理學部論文數據進行預處理及LDA 模型訓練。對論文摘要進行分詞、過濾分詞結果，并構建二元組（bigram）將高頻連詞組合成一個單詞，之后創建詞典和向量化語料作為LDA 模型的輸入。本文設置主題數依次為10，20，30，聚類效果如圖9 所示，其中氣泡代表主題，氣泡大小表示主題的出現頻率，氣泡之間的距離表示主題間的差異性，氣泡出現重疊說明兩個主題的特征詞有交叉。

圖9 主題數依次為10,20,30 的聚類效果圖

在實際應用過程中，主題數過大會給主題劃分和解釋造成一定難度，過小又容易覆蓋一些小主題，因此主題數的選擇會根據語料體量的大小進行調整。本文涉及3489 條摘要數據，且考慮到主題間差異性越大聚類效果越好，故將主題數K 確定為20，α=β=auto，迭代次數為400，訓練得到了主題-特征詞矩陣φ和文檔-主題矩陣θ：

矩陣φ代表20 個主題的特征詞分布，保留了每個主題下出現概率最高的前5 個特征詞；矩陣θ表示第i篇文檔di以概率pi,j歸納在第j個主題之下。

4.2.2 基于主題的學科交叉分析

從主題和特征詞的分布情況可以看出，管理學科與計算機科學、環境科學、醫學研究、交通運輸、社會學、心理學等領域均有廣泛的交叉融合。為進一步分析上述主題的融合特點，本文按3.2.4 部分所述方法進行計算處理，分析每個主題的累計平均被引量及累計平均交叉程度，結果如表5 所示。

表5 主題統計表

以20 個主題的累計平均受關注度和累計平均交叉程度的均值為原點，橫軸和縱軸分別表示主題受關注度和跨學科度，本文構建起了反映主題受關注度與跨學科度的四象限圖。如圖10 所示，主題12（應急管理）、主題15（文本情感分析）、主題18（大眾健康與醫療分析）、主題2（預測分類算法）、主題6（能源市場預測）、主題4（社會網絡分析）及主題16（車輛路徑規劃）的累計平均受關注度和累計平均交叉程度位于第一象限，高于橫軸均值3.44和縱軸均值0.799，表明這七個主題的學科交叉程度較高，且受關注度較高，其中主題15（文本情感分析）和主題12（應急管理）均具最高的關注度和學科交叉程度。20 個主題中累計平均學科交叉程度大于等于平均值的共9 個，占比45%，雖然位于第三象限的主題，其累計平均被引量和累計平均交叉程度均低于均值，但從整體來看，主題的累計平均交叉程度都大于0.4，累計平均被引量都大于1.5，仍表現出重大研究計劃論文成果反映出的管理學領域與其他學科交叉融合較為顯著的特點。同時，圖10 也在一定程度上說明在此領域研究主題的學科交叉程度與主題受關注度有相關性。

圖10 主題受關注度-跨學科度矩陣

5 結語

5.1 研究結論

本文結合共現分析、True Diversity 指數以及主題模型，對國家自然科學基金重大研究計劃在管理學領域現有的兩項重大研究計劃及其相關的論文成果展開了較為系統的分析，得到結論如下：

（1）從粗粒度的學科分類代碼、細粒度的關鍵詞以及反映研究成果內容的主題三個維度開展分析，重大研究計劃成果視角下，管理學領域與其他學科交叉融合較為顯著，表明新時期管理學領域正不斷擴展研究方法，迭代研究范式。

（2）從管理學部牽頭的兩個重大研究計劃視角來看，“應急管理”計劃在非常規突發事件演變規律、風險治理、應急準備、預警技術、應急處置策略等方面取得了一系列具有重大影響的突破性研究成果。該計劃除管理學科的相關知識領域外，在計算機科學、生物制藥、醫學研究、心理學等諸多領域均有涉及。該項計劃的研究成果融合了多學科的知識，在一定程度上促進了其研究領域的研究主題多樣化，并反饋增強了重大研究計劃服務國家戰略需求的現實可能性?！按髷祿庇媱澮源髷祿寗拥墓芾砼c決策為研究對象，充分發揮管理、信息、數理、醫學等多學科合作研究的優勢，著重研究大數據驅動的管理與決策理論范式以及大數據資源治理機制與管理等重要研究問題，其相關產出成果具有較高學科交叉性，以其為透鏡，可以看出管理學不斷擴展其研究范式與方法，并同時與多個學科進行交叉互融來更好地解決本領域的科學問題。

（3）管理學在新時期背景下響應“數字化”，與計算機科學領域結合愈發緊密，但亦不局限于此，其與基礎科學、人文科學亦有著密不可分的關系?！皺C器學習”“大數據”“深度學習”等新一代數智技術已經逐步改變管理學所處的信息生態，信息系統管理、信息資源管理等研究領域變遷與升級最為明顯。隨著研究主題不斷深入，管理學領域將進一步運用新方法、融合新范式、接受新思想、產生新觀點，從而更好地與時代發展需要相結合，為我國經濟社會發展注入新動力。

5.2 研究不足及未來展望

本文從科學基金重大研究計劃的視角出發，基于對項目成果數據的WC 詞及關鍵詞的共現分析和指標計算，定量展示了新時期管理學科與其他學科的交叉融合情況，并基于LDA 主題挖掘構建起了主題維度的學科交叉測度模型，從主題維度對管理學科在新時期與其他學科的交叉融合現狀與趨勢展開了分析。本研究存在以下不足之處：

（1）項目資助的成果產出是多樣性的，包括了論文、專著、軟件、標準、重要報告、專利等，本文僅對論文成果進行了分析，在樣本選擇方面存在一定局限性。此外，由于時間和精力的限制，本文收集的項目成果數據只來源于web of science 數據庫，沒有涉及其他數據庫中的文獻數據。

（2）在進行學科交叉測度時，本文僅選取了“True Diversity”這一指標，盡管TD 指標具有一定綜合性，但是選取多維指標進行學科交叉測度仍是可行的。

（3）本文收集的論文數據時間跨度較大，某些研究領域（如計算機科學領域等）發展變化迅速，本文沒有從時間維度去探討此類領域與管理學科交叉融合的趨勢。

在未來研究中，在方法層面將繼續探索從文本內容視角測度學科交叉水平的有效方式，使得語義信息更加豐富準確；在應用維度，數據來源可考慮不局限于論文數據，充分利用其他成果數據使得測度結果更全面。