Évolution de la revue Management international : détection et analyse des communautés des articles publiés entre 2009 et 2023 The evolution of Management international: Detection and analysis of communities of articles published between 2009 and 2023 Evolución de la revista Management international: Detección y análisis de las comunidades de los artículos publicados entre 2009 y 2023

Résumé

S’appuyant sur un ensemble de données de 829 résumés et titres publiés de la revue Management international de 2009 à 2023, cet article présente un cadre de détection des communautés pour décoder les complexités des données textuelles non structurées. En employant des outils d’analyse de la science des données, il dévoile des groupes thématiques cachés, offrant une nouvelle perspective sur la collaboration et l’évolution des auteurs de la revue. L’approche met en évidence des étapes importantes telles que le prétraitement et la visualisation des données. Grâce à des informations exploitables, cette étude améliore non seulement le cadre thématique de la revue, mais fournit également une feuille de route stratégique pour l’évolution éditoriale.

Mots-clés :

• détection des communautés,
• théorie des graphes,
• réseaux bipartites,
• visualisation des réseaux,
• dynamique de la collaboration,
• analyse temporelle

Abstract

This second research note draws from the same dataset of 829 abstracts and papers published by the journal over the period in question to formulate a community detection framework capable of decoding unstructured textual data, notwithstanding the complexities thereof. Using data science analysis tools, the research note discovers a number of hidden thematic groups, thereby spawning new perspectives on the various ways that journal authors have collaborated and evolved over this period. Several significant phases are identified, including data pre-processing and visualisation. Both research notes offer actionable insights and lay out a strategic roadmap enabling further editorial development.

Keywords:

• graph theory,
• bipartite networks,
• network visualisation,
• collaboration dynamics,
• temporal analysis

Resumen

Basándose en el mismo conjunto de datos de 829 resúmenes y títulos publicados en la revista Gestión Internacional entre 2009 y 2023, este informe de investigación presenta un marco de detección de comunidades para decodificar las complejidades de los datos textuales no estructurados. Al emplear herramientas de análisis de la ciencia de datos, se descubren grupos temáticos ocultos, proporcionando una nueva perspectiva sobre la colaboración y la evolución de los autores de la revista. El enfoque destaca pasos importantes como el preprocesamiento y la visualización de datos. Gracias a la información procesable, estos dos informes de investigación proporcionan una hoja de ruta estratégica para la evolución editorial.

Palabras clave:

• detección de comunidades,
• teoría de grafos,
• redes bipartitas,
• visualización de redes,
• dinámica de colaboración,
• análisis temporal

Cette recherche s’appuie sur l’analyse initiale de l’évolution thématique de la revue Management international couvrant les années 2009 à 2023 (Barès & Alie, 2024), en intégrant désormais la visualisation basée sur les graphes et la détection des communautés. Le travail initial a permis d’identifier et d’analyser les thèmes, préparant ainsi le terrain pour cette exploration plus approfondie. Cette approche permet de mettre en lumière la dynamique des communautés intellectuelles et leurs contributions au domaine. En examinant ces connexions, nous visons à fournir une vue sommaire du paysage collaboratif, en soulignant comment ces relations conduisent l’évolution de la revue et contribuent à son succès.

Bien qu’il y ait une différenciation notable entre un graphe, composé de sommets et d’arêtes, et un réseau, caractérisé par des noeuds et des arcs, ce dernier représentant généralement une structure plus complexe et plus étendue, la terminologie sera utilisée de manière interchangeable. Cette approche est adoptée par souci de simplicité et pour éviter toute redondance dans la discussion, en reconnaissant que dans le contexte de ce travail, les termes sont fonctionnellement équivalents malgré leurs différences théoriques en termes d’échelle et de complexité. Les réseaux, ou graphes constituent une méthode fondamentale d’analyse des systèmes complexes dans de nombreux contextes. Ils modélisent les réseaux de télécommunications tels que le World Wide Web, les systèmes de transport, y compris les réseaux ferroviaires et routiers, et les réseaux électriques. Les graphes sont également utilisés pour étudier les réseaux sociaux, tels que les structures d’entreprise de même que la relation de coauteurs. Ils sont utilisés dans les études biologiques, notamment pour cartographier les réseaux alimentaires et dans plusieurs autres domaines (S. Cafiera et al., 2010). Les idées théoriques sur les graphes sont largement utilisées dans les applications informatiques, en particulier dans des domaines de recherche tels que l’exploration de données, la segmentation d’images, le regroupement, la capture d’images et la mise en réseau (S. G. Shirinivas et al., 2010).

Un diagramme est une représentation visuelle de situations réelles, composée de points et de lignes reliant certaines paires de points. Par exemple des personnes représentées par des points, où des lignes relient des amis. L’objectif principal est de déterminer si deux points sont reliés par une ligne. Cette abstraction mathématique conduit au concept de graphe J. (A. Bondy et U. S. R. Murty, 1976). La théorie des graphes est un sous-ensemble des mathématiques discrètes qui met l’accent sur l’importance des graphes en tant que méthode d’expression d’informations picturales (B. Mondal et K. De, 2017).

Un graphe G = (V,E) est constitué d’un ensemble d’objets V = {ν₁ ν₂,...} appelés sommets ou noeuds, et d’un autre ensemble E = {e₁ e₂,...}, dont les éléments sont appelés arêtes. Chaque arête e_k est identifiée à une paire non ordonnée (ν_i , ν_j) de noeuds. La représentation la plus courante d’un graphe est un diagramme, dans lequel les noeuds sont représentés par des points et chaque arête par un segment de ligne reliant ses extrémités (A. Bondy et U. S. R. Murty, 1976; N. Deo, 2014; T. Heckmann et al., 2015).

Figure 1

Représentation visuelle d’un graphe

Types de graphes

La théorie des graphes a évolué au fil du temps, devenant un vaste sujet de mathématiques. Elle comprend différents types de graphes avec des propriétés de base et des propriétés supplémentaires qui les distinguent les uns des autres. Ces propriétés organisent les structures des sommets et des arêtes, faisant de la théorie des graphes un sujet vaste et complexe. Il existe plusieurs types de graphes qui ont chacun des caractéristiques uniques (B. Mondal et K. De, 2017). Un graphe non orienté n’a pas d’orientation, ses arêtes sont identiques les unes aux autres, et le nombre maximal d’arêtes sans boucle est n(n – 1)/2. Un graphe orienté est un graphe dont chaque arête est représentée par une paire ordonnée de deux sommets, par exemple (V_i , V_j) indiquant une arête allant du premier au deuxième sommet. Un graphe connecté, est un graphe dans lequel chaque paire de sommets à un chemin. La matrice adjacente est une matrice binaire n x n associée à un graphe, indiquant la proximité des sommets adjacents. Elle peut être représentée dans un tableau. Un graphe cyclique possède au moins un cycle, tandis qu’un graphe acyclique n’a pas de cycle (P. Patel, C. Patel, 2013). Ceux-ci ne sont que des exemples, toutefois chacun d’entre eux nécessite l’utilisation de techniques spécifiques.

Détection de communautés

La détection des communautés dans les réseaux est devenue une question fondamentale dans la science des réseaux (A. Lancichinetti et S. Fortunato, 2009). Elle peut aider à identifier des sous-unités fonctionnelles et à découvrir des similitudes entre les sommets. Ils peuvent être classés en fonction de leur position structurelle au sein du groupe, qui peut être corrélée à leur rôle. Les sommets centraux peuvent avoir des fonctions de contrôle et de stabilité, tandis que les sommets frontières peuvent être des médiateurs entre différentes parties du graphe (A. Lancichinetti et al., 2011). Ces communautés distinctes au sein des réseaux sont des sous-ensembles de noeuds dont les connexions sont plus denses que celles du reste du réseau (F. Radicchi et al., 2004; L. Danon et al., 2005). La structure communautaire d’un réseau peut également constituer une puissante représentation visuelle du système, permettant une description plus compacte et plus compréhensible du graphe dans son ensemble (A. Lancichinetti et al., 2011).

Des mesures ont été mise en place pour mesurer la densité interne et externe d’une communauté. Nous définissons la densité intracluster δ_int (C) du sous-graphe C comme le rapport entre le nombre d’arêtes internes de C et le nombre de toutes les arêtes internes possibles, c’est-à-dire

De même, la densité intercluster δ_ext (C) est le rapport entre le nombre d’arêtes allant des sommets C de au reste du graphe et le nombre maximum d’arêtes intercluster possibles, c’est-à-dire

Pour qu’une communauté C soit une communauté, δ_int (C) doit être plus grand que la densité moyenne de liens δ(G) de G, qui est déterminée par le rapport entre le nombre d’arêtes de G et le nombre maximal d’arêtes possibles. De même, δ_ext (C) doit être plus petit que δ (G). La plupart des algorithmes de regroupement visent à trouver le meilleur compromis entre un grand δ_int (C) et un petit δ_ext (C), ce qui peut être réalisé en maximisant la somme des différences sur tous les regroupements (S. Fortunato, 2010).

Les communautés peuvent être étudiées selon 2 approches : local ou global. Les communautés sont des entités distinctes au sein d’un graphe, dont les liens avec le système sont limités. Elles doivent être évaluées indépendamment du graphe dans son ensemble. Les définitions locales se concentrent sur le sous-graphe étudié, éventuellement sur son voisinage immédiat, en négligeant le reste du graphe (S. Fortunato, 2010).

Les communautés peuvent être définies sur la base du graphe dans son ensemble, en particulier lorsque les groupes sont cruciaux et ne peuvent être séparés sans affecter la fonctionnalité du système. La littérature fournit des critères globaux pour l’identification des communautés, souvent des définitions indirectes utilisant des propriétés globales du graphe. Cependant, il existe des définitions appropriées basées sur l’idée qu’un graphe possède une structure communautaire s’il diffère d’un graphe aléatoire (S. Fortunato, 2010).

Modularité

Comme de nombreux systèmes du monde réel peuvent être représentés par des réseaux, la recherche s’est principalement concentrée sur leur analyse afin d’identifier des modèles structurels sous-jacents (M. Ganji et al., 2015). Le critère de modularité, proposé pour la première fois par Newman (2003) et Newman et Girvan (2004), est une mesure de la structure de la communauté trouvée par un algorithme de détection de la communauté. Elle est considérée comme l’une des premières tentatives pour comprendre le problème du regroupement en mesurant la force de la structure de la communauté par rapport à un modèle nul (M. Newman et M. Girvan, 2004; M. E. J. Newman, 2006). La modularité mesure la densité d’un sous-graphe présentant une communauté qui ensuite est comparée à un sous-graphe où les arêtes sont distribuées aléatoirement selon le degré des sommets (M. J. Barber, 2007). Supposons que nous disposions d’un regroupement de sommets, {c₁,c₂,...,c_n}, où c_i est la classe du sommet ν_i. La modularité va mesurer la qualité du regroupement dans un réseau non dirigé et sa matrice d’adjacente W. Elle est définie par

où m est le nombre total d’arêtes, d_i est le degré du sommet ν_i et δ(x, y) est le delta de Kronecker. La somme est calculée sur toutes les paires de sommets d’un même groupe. Elle mesure le nombre d’arêtes qui existent au sein des regroupements par rapport au nombre attendu si les arêtes sont distribuées aléatoirement en respect du degré des sommets. Par exemple, une arête spécifique du sommet ν_i ayant un degré k_i peut être attachée à une extrémité de l’arête ν_i et une autre à l’une des 2m extrémités de toutes les arêtes. La probabilité que l’autre extrémité de l’arête s’attache à l’une des d_j arêtes du sommet ν_j est d_j. Le nombre total attendu de 2m est d_i d_j puisque ν_i a d_i arêtes (M. Ganji et al., 2015; M. Newman et M. Girvan, 2004; M. E. J. Newman, 2006). La modularité continue de susciter de l’intérêt et un certain nombre d’études concernant les différentes applications et les ajustements possibles de la mesure ont vu le jour (M. Ganji et al., 2015; U. Brandes et al., 2006; R. Guimerà et al., 2007; R. Boutalbi et al. 2022; H. Sun et I. Guyon, 2023; F. Z. Esfahlani et al., 2021).

Méthodologie

L’étude présente une méthodologie pour la détection des graphes et des communautés à partir d’un corpus de données prétraitées, conséquence de la recherche antérieure sur la modélisation des sujets. En utilisant le langage de programmation Python et ses bibliothèques spécialisées, nous avons élaboré une série de fonctions pour transformer et analyser les relations entre les auteurs et les publications sur une période de quatorze ans (2009-2023). Cette transformation a été réalisée en trois phases principales : la préparation des données, la construction des graphes et la détection des communautés.

Durant la préparation des données, les noms des auteurs, initialement imbriqués dans les métadonnées des articles, ont été nettoyés et isolés grâce à des expressions régulières pour éliminer les contenus superflus pour la recherche. Ce processus de nettoyage a produit une liste épurée d’auteurs par article. La segmentation temporelle a ensuite été appliquée, attribuant à chaque article une période de publication de trois ans pour faciliter une analyse comparative sur le temps.

La construction des graphes bipartites a constitué la deuxième phase, où chaque graphe représente la collaboration entre auteurs et articles sur les périodes définies. Chaque graphe a été conçu pour permettre une analyse de réseau en associant les articles (noeuds de type 0) et les auteurs (noeuds de type 1).

Enfin, la détection des communautés a été mise en oeuvre au moyen de plusieurs stratégies, notamment les méthodes de Newman-Girvan et de Louvain, pour identifier les regroupements d’auteurs. Les scores de modularité ont été calculés pour évaluer la force de la division des communautés détectées dans chaque graphe bipartite. Parallèlement, des mesures de centralité ont été appliquées pour déterminer les auteurs les plus collaboratifs de chaque période. Les résultats ont révélé des variations dans la taille des communautés et la centralité des auteurs au fil du temps, illustrant l’évolution des réseaux de collaboration.

Résultat

La construction de graphes bipartites à partir d’un ensemble de données permet d’analyser les relations entre les articles et les auteurs à travers différentes périodes au sein de la revue Management international. Les réseaux bipartites, qui consistent en deux ensembles de noeuds disjoints – dans ce cas, les articles et les auteurs, sont souvent utilisés dans l’étude des réseaux complexes. Un réseau bipartite est un triple G = (T,  ,E), où T et sont des ensembles disjoints de noeuds, et E  T ×  est l’ensemble des liens du réseau. Il diffère des réseaux classiques, car les liens n’existent qu’entre les noeuds supérieurs et inférieurs (J. L. Guillaume et M. Latapy, 2004).

Les résultats de la construction et de l’analyse de ces graphiques bipartites pour différentes périodes mettent en évidence des tendances significatives au sein de la communauté de Mi tel qu’illustré au tableau 1. Plus précisément, l’augmentation observée des noeuds et des arêtes au cours des périodes successives indique un élargissement du réseau de collaboration et une diversification des thèmes abordés par la revue. Les données empiriques, notamment le nombre d’articles, d’auteurs et leurs liens, qui servent à mesurer la croissance de la revue. Cette augmentation de la taille et de la complexité du réseau suggère non seulement un élargissement de la base des contributeurs, mais aussi un plus grand degré de collaboration interdisciplinaire.

TABLEAU 1

Résultats des graphes bipartites pour Mi

Les résultats mettent en évidence la croissance et l’évolution de la communauté de Mi au fil du temps. Par exemple, la période 2021-2023 montre une augmentation significative du nombre d’articles et d’auteurs, ce qui indique une communauté de recherche croissante et diversifiée. En comparaison, les périodes antérieures, telles que 2009-2011, comptaient moins d’articles et d’auteurs, ce qui reflète le stade de développement de la revue.

Les graphiques ci-dessous présentent une visualisation bidimensionnelle des données du tableau 1, représentant les relations entre les articles et les auteurs au cours de différentes périodes pour Mi. Dans cette représentation, un ensemble correspond aux articles (noeuds bleus) et l’autre aux auteurs (noeuds rouges), les arêtes reliant les noeuds des différents ensembles indiquant la paternité de l’article.

Figure 2

Graphe bidimensionnel de la revue Mi pour la période 2021‑2023

Le graphique 2021-2023 présente notamment un réseau plus dense avec davantage de noeuds et d’arêtes, ce qui suggère une augmentation de la collaboration et de la production par rapport au graphique 2009-2011, plus clairsemé. Cette densification reflète la croissance de la revue et l’expansion de l’activité scientifique au fil du temps. De telles visualisations offrent un moyen clair d’examiner l’évolution des réseaux et la complexité croissante de la recherche interdisciplinaire au sein de la communauté de la revue.

Figure 3

Graphe bidimensionnel de la revue Mi pour la période 2009-2011

En s’appuyant sur l’analyse précédente, il est maintenant temps de comprendre les réseaux complexes au sein de la revue Mi. Une vue d’ensemble des groupes distincts identifiés dans les graphes bipartites précède une exploration plus approfondie des communautés les plus significatives afin d’exploiter leurs contributions scientifiques.

L’analyse indique une structure solide au sein des réseaux de collaboration de la revue Mi, comme en témoignent les scores élevés de modularité sur différentes périodes. Bien qu’une exploration détaillée de la modularité dépasse le cadre de cette note de recherche, ces scores suggèrent un fort regroupement d’articles et d’auteurs, indiquant des structures communautaires bien définies au sein de l’ensemble de données.

L’analyse visuelle de la structure du réseau de la revue Mi révèle une augmentation significative du nombre de communautés, qui passe de 80 pour la période 2009-2011 à 193 pour la période 2021-2023, comme le montre le tableau 2. Cette tendance indique un réseau de collaboration plus complexe au sein de la revue, suggérant une expansion de la collaboration interdisciplinaire et un élargissement de l’éventail thématique de la revue au fil du temps. La diversité de ces communautés reflète la stratégie éditoriale de Mi, qui consiste à englober un large éventail de sujets de recherche et de points de vue, ce qui favorise une communauté scientifique étendue, bien que moins interconnectée. Cette structure favorise l’établissement de groupes de recherche distincts et offre une marge de manoeuvre pour la poursuite de la croissance et le développement de nouveaux liens scientifiques.

TABLEAU 2

Nombre de communautés détecté par période

Figure 4

Top 10 des communautés de la revue Mi pour la période 2021‑2023

Figure 5

Top 10 des communautés de la revue Mi pour la période 2009-2011

Les figures 4 et 5 présentent les 10 principales communautés de la revue Mi pour les périodes 2021-2023 et 2009-2011, respectivement. Les noeuds de ces figures représentent les interactions entre les auteurs et les articles. Dans le réseau 2021-2023, la communauté la plus importante comprend 22 noeuds, alors que la communauté la plus importante dans le réseau 2009-2011 ne comprend que 9 noeuds, tels que représentés au tableau 3. Cette augmentation quantitative de la taille de la plus grande communauté indique un effort de collaboration plus important au cours de la dernière période. Les groupes colorés dans chaque graphique mettent en évidence les groupes les plus interconnectés, la gradation de la taille reflétant l’étendue relative de la collaboration au sein de ces communautés. La comparaison souligne une nette croissance de l’échelle des réseaux de collaboration au fil du temps, suggérant une évolution vers des interactions auteur-article plus importantes au sein de la communauté de recherche de la revue.

TABLEAU 3

Top 5 des communautés en fonction de leur taille selon les périodes

Explorons davantage les communautés de la revue Mi. Les figures 6 et 7 présentées ci-dessous, s’agit de visualisations de réseaux représentant les connexions entre les individus au sein d’une communauté spécifique sur une période donnée. Chaque noeud de couleur bleu foncé symbolise un individu, tandis que les noeuds de couleur bleu clair symbolisent les articles et les lignes de connexion indiquent les relations ou les interactions entre eux.

Figure 6

Communauté de taille 9 pour la période 2009-2011

Dans le premier graphique, la communauté est compacte, représentant un petit groupe d’auteurs et leurs publications associées pour la période 2009-2011. Les interconnexions sont relativement rares, ce qui suggère que les auteurs ont collaboré à un nombre limité d’articles ou que certains d’entre eux ont publié indépendamment au sein de la communauté.

Figure 7

Communauté de taille 22 pour la période 2021-2023

Le second graphique, qui illustre une communauté plus large pour la période 2021-2023, montre un schéma de relations plus complexe, avec un plus grand nombre d’auteurs et de publications représentés. Le réseau de connexions plus dense pourrait indiquer un plus grand nombre d’efforts de recherche en collaboration, un plus grand volume de publications, ou les deux. L’augmentation de la taille et de la complexité du réseau pourrait être le signe de la croissance de la communauté en termes de membres.

Le tableau 4 ci-dessous présente les cinq principaux contributeurs en fonction du nombre d’articles publiés mettant en évidence les plus prolifiques pour chaque période. En observant ces données, nous pouvons discerner que Faten Lakhal est une contributrice importante au cours de la période 2021-2023, en particulier dans le domaine de l’innovation, de la communauté et de la numérisation (thème 6 de la note précédente). Foued Cheriet quant à lui est beaucoup plus diversifiée, avec des publications couvrant trois domaines thématiques distincts : Management et GRH, le développement durable et le management stratégique (thème 1, 3 et 7).

tableau 4

Top 5 des contributions d’articles publiés par auteur pour les différentes périodes

Le regroupement des contributions de ces auteurs au fil du temps met en évidence leur potentiel de collaboration croisée, en particulier lorsque leurs intérêts thématiques s’alignent ou se complètent. Par exemple, l’intersection entre l’intérêt de Faten Lakhal pour l’innovation, communauté et numérisation et le travail de Foued Cheriet sur le développement durable et le management stratégique pourrait donner lieu à des explorations perspicaces sur la manière dont les innovations numériques peuvent favoriser les pratiques de gestion durable. Cette synergie pourrait être particulièrement fructueuse, étant donné que les deux chercheurs se classent en tête des contributions d’articles, ce qui implique une forte influence au cours de leurs périodes d’activité. L’identification de telles collaborations potentielles peut conduire à l’avancement des connaissances dans des domaines différents, mais connexes.

En conclusion, cette note de recherche démontre l’efficacité de la détection des communautés pour comprendre la croissance et la dynamique de la revue Management international sur 14 ans, soit la moitié de son existence. Les résultats sont significativement positifs, montrant une augmentation de la reconnaissance de Mi par le biais d’un plus grand nombre d’articles publiés, d’un renforcement des liens entre les auteurs et d’une augmentation du nombre de nouveaux contributeurs qui ont tendance à rester engagés plus longtemps. Cette tendance suggère l’existence d’une communauté dynamique et évolutive, avec des chercheurs qui choisissent fréquemment de soumettre leurs recherches à Mi.

Cette note de recherche a été volontaire orienté vers une méthodologie avec des références bibliographiques en sciences de la décision. L’étude a été menée sur les 14 dernières années d’existence de la revue, soit la moitié de vie de Mi. Finalement elle a été appliquée sur les résumés de chacun des articles publiés et non sur l’intégralité du texte ce qui en fait une approche exploratoire plutôt qu’exhaustive. Les prochaines étapes proposées consistent à analyser le texte intégral des articles publiés et à étendre la recherche à l’ensemble des 28 années d’existence de la revue, afin d’obtenir une compréhension globale de son développement et de son impact dans le domaine du management.