Nyckeltalen sammanfattar rapportens centrala indikatorer. Alla värden beräknas från det underliggande datamaterialet och avser hela perioden om inget annat anges. Procentandelar (refereegranskat, Open Access, internationellt samarbete) beräknas som andel av totalt antal publikationer per år.
Procentuell förändring visas inte när basvärdet understiger 10 enheter, eftersom små bastal ger statistiskt instabila procenttal (Hicks et al. (2015), princip 8; jfr CDC:s regel om n < 16). Absoluta tal visas istället.
Insikter
Under perioden 1995-2025 var den
genomsnittliga årliga tillväxttakten (CAGR) +13.4%. Trenden är
ökande (statistiskt signifikant; p < 0.05).
Mann
(1945);
Sen
(1968)
Insikter
Andelen peer-reviewed: 86.1 % senaste
årtionde (2017–2026), upp från 81.5 % föregående årtionde (2007–2016).
Långsiktig trend (1995–2026): ökande. Observera att 0 % i periodens
första år kan bero på ofullständiga metadata snarare än en faktisk
avsaknad av peer review.
1142 publikationer (100 %) vetenskapliga, 3 publikationer (0 %) övriga.
Äldre år (1995–2018) aggregerade för läsbarhet. Full tidsspan tillgänglig i dataexporten.
Norwegian Publication Indicator (NPI), även kallad norska listan, klassificerar publiceringskanaler i två nivåer. Nivå 2 (topp ~20 % per ämnesområde) anses vara de mest prestigefyllda kanalerna. Nivå 1 omfattar övriga godkända kanaler.
En hög andel publikationer (≥10 %) saknar NPI-klassificering. Vanliga orsaker: saknade ISSN i källdata, kanaler utanför registret (~40 000 tidskrifter), konferensserier, eller nyligen startade tidskrifter. Se tidskriftstabellen för oklassificerade kanaler.
DORA-läge är aktiverat för den här rapporten. Bifrost utvärderar rapporten mot principerna i DORA (2012) och CoARA (2022).
Rapporten innehåller element som inte är förenliga med DORA:s princip 1: “Använd inte journalbaserade mått som surrogatmått för kvaliteten hos enskilda forskningsartiklar.”
NPI-nivåklassificering (Nivå 1/2) visas i rapporten. NPI är ett nordiskt klassificeringssystem som rangordnar publiceringskanaler efter akademisk position, det vill säga en kanalbaserad ranking som DORA avråder från att använda som kvalitetssurrogat. Klassificeringen visas här som deskriptiv information om publiceringsmönster, inte som ett mått på enskilda artiklars kvalitet.
Forskarna listas nedan, sorterade efter vetenskaplig produktivitet.
Insikter
De 20% mest produktiva forskarna står
för 29% av publikationerna (Gini 0.11, skala: 0 = jämnt, 1 = helt
koncentrerad). Genomsnittligt antal medförfattare: 7.4 senaste årtionde
(2017–2026), upp från 4.6 (2007–2016).
Insikter
74 forskargrupper av ungefär lika
storlek; inget kluster dominerar. Varje forskare samarbetar i snitt med
4.0 andra (ett måttligt sammankopplat nätverk). Tydlig klusterstruktur
(Modularitet 0.98); forskarna arbetar främst inom sin egen grupp.
Nätverket är glest: bara 0.8% av alla forskarpar har en direkt
samarbetslänk.
Varje nod representerar en forskare och varje länk ett samförfattarskap. Färgerna visar forskargrupper (kluster) identifierade via modularitetsanalys. Nodens storlek speglar antal publikationer.
Samförfattarskapsnätverket byggs från samförfattade publikationer. Varje nod representerar en forskare, och varje kant viktas med antal sampublikationer. Kantvikterna normaliseras med association strength Van Eck et al. (2009) före klustring med Louvains algoritm. Centralitetsmått: grad (antal samarbetspartners), samarbetsintensitet (total samförfattarfrekvens), och brobyggarvärde (weighted betweenness med inverterade vikter) Newman (2004). Nätverksdensitet mäter andelen realiserade av alla möjliga samarbeten. Terminologi: «Samarbetspartners (snitt)» = mean degree; «Klusterbildning» = modularity Blondel et al. (2008).
Procenten räknas på par där båda författarna har landsuppgift (2523 klassificerade av 2566 totalt, täckning 98%). Varav 18 par där båda författarna saknar institutionell tillhörighet, 0 par där institutionen inte kunde mappas till ett land, och 25 par där en sida saknar uppgift.
‘Samförfattade texter’ anger antalet texter författaren skrivit tillsammans med en eller flera samförfattare.
Nätverksstatistik visar centrala noder i samarbetsnätverket. Grad (degree) är antalet direkta samarbeten, medan mellanliggande centralitet (betweenness) visar vilka författare som fungerar som broar mellan olika grupper.
Den första medförfattaren som listas är den som författaren skrivit tillsammans med flest gånger. ‘Antal’ anger antal medförfattade texter med författaren. Upp till fyra ytterligare medförfattare anges, i fallande ordning efter antal medförfattarskap.
Nedan är en visualisering av datasetets 74 olika grupperingar. Färgerna anger olika grupper.
Adaptiv visualisering (large): 509 noder / 1029 kanter → 509 noder / 1029 kanter efter filtrering.
Visualiseringen återställdes till det ofiltrerade källnätverket: de adaptiva filtren skulle annars ha reducerat nätverket under gränsen för en meningsfull visning.
Namn på författare till höger; grupp-id till höger. Du kan se storlek på grupperna och gruppernas vanligaste keywords i tabellerna som följer. En kombination av sökning och sortering kan användas för att utforska gruppmedlemskap vidare.
Tabellen är begränsad till a) grupper med fler än 3 medlemmar; b) grupper med minst ett keyword i någon publikation; c) de tio mest använda nyckelord per grupp.
Se även handledar- och opponentnätverket i forskarsektionen för en analys av akademiska samarbetsmönster bortom samförfattarskap.
Till skillnad från samförfattarskapsanalysen, som kartlägger samarbete genom gemensamma publikationer, synliggör denna sektion de akademiska nätverk som uppstår genom handledning och opponering av avhandlingar. Handledare och opponenter som verkar vid flera lärosäten utgör informella kunskapsbryggor mellan organisationer — relationer som sällan fångas av traditionella bibliometriska mått men som kan avslöja viktiga mönster i akademisk kunskapsöverföring.
Insikter
35 forskare har handlett eller
opponerat över lärosätesgränser. Starkaste kopplingen: Karlstads
universitet – Uppsala universitet (Kopplingsstyrka: 4). Baserat på 66%
av avhandlingar med identifierbara handledare.
Rangordningen är inte tillförlitlig på grund av ofullständig data. Listan visas i alfabetisk ordning.
Handledar-/opponentnätverket är separat från kartan för internationellt samarbete. Kartan bygger på samförfattarskap mellan författaraffilieringar, medan handledar-/opponentrelationer visas i nätverket nedan.
Nätverket baseras på handledar- och opponentrelationer extraherade från SwePub-poster. Kopplingsstyrkan beräknas som (antal handledningar × 2) + (antal opponeringar × 1). Viktningen (2:1) är en Bifrost-konvention som speglar att handledning är en längre och djupare samarbetsrelation än opponering. Metoden saknar bibliometrisk etablerad praxis; den är utvecklad specifikt för Bifrost.
Viktningen handledare:opponent (2:1) är en Bifrost-konvention för att spegla handledarens större roll i avhandlingsprocessen. Detta är inte etablerad bibliometrisk praxis.
Insikter
598 lärosäten bidrar. Uppsala
universitet, Stockholms universitet och Sveriges lantbruksuniversitet
står för 25 % — en bred fördelning.
Översikt av det internationella samarbetet baserat på medförfattarskap och affilieringar i publikationerna.
Insikter
77 länder representerade i samarbeten.
Storbritannien, USA och Tyskland är vanligast. 25.2 % av publikationerna
har internationella medförfattare — ökning från 10 % (2007–2016) till 37
% (2017–2026).
Baserat på medförfattares affilieringsland.
Insikter:
Nätverket omfattar 255 lärosäten med
1048 samarbetsrelationer. Det starkaste samarbetet är mellan University
of Reading och Uppsala universitet (29 gemensamma publikationer).
Uppsala universitet har flest samarbetspartners (120 st).
Kartan visar främst samförfattarskap mellan lärosäten. Handledar-/opponentkopplingar redovisas som separata nätverksrelationer och kan vara färre, eftersom endast poster med tydlig institutionskoppling kan inkluderas.
Insikter
Naturvetenskap dominerar (82 %).
Ämnesbredden har ökat (1995–2026, H: 0.57 → 0.76). Måttlig
interdisciplinaritet — forskningen kombinerar närliggande ämnesområden.
Rao-Stirling: 0.547 (där 0 = enhetligt ämne, 1 = maximal spridning).
Baserat på 6 HSV-huvudområden (UKÄ-klassificering).
Rao-Stirling
(Stirling, 2007)
Shannon H (jämnhetsindex) mäter hur jämnt fördelade publikationerna är över ämnesområden. Värdet 1.00 innebär perfekt jämnhet; lägre värden indikerar dominans av enskilda områden. Rao-Stirling mäter interdisciplinaritet genom att väga både fördelningen och det taxonomiska avståndet mellan ämnesområden enligt UKÄ:s klassificering. Skalan går från 0 (alla publikationer i samma ämne) till 1 (maximal spridning över avlägsna ämnesområden).
Andel av totala publikationer per år (%). Notera att en publikation kan tillhöra flera kategorier.
I datasetet finns det totalt 30 nivå 2-kategorier. Här visas de vanligaste 25.
Andel av totala publikationer per år (%). Notera att en publikation kan tillhöra flera kategorier.
Under perioden 1995–2026 saknar 18.4% (211 av 1 145) publikationer ämnesklassificering på denna nivå.
Andel av totala publikationer per år (%). Notera att en publikation kan tillhöra flera kategorier.
geovetenskap; miljökemi; skogsskötsel; remote sensing; fiske; skogsteknik; fjärranalys; lantmäteri; vatten i natur och samhälle; exogen geovetenskap; övrig geovetenskap; geoteknik; miljöteknik; lärande; geovetenskap(ersätts med naturgeografi); morfologi; atmosfärs- och hydrosfärsvetenskap; medicin; learning; design (overall design); mathematics
Insikter
Bred nyckelordsprofil — ingen enskild
term dominerar (HHI: 0.0011 — Herfindahl-Hirschman Index, där 0 =
perfekt jämn fördelning, 1 = en term dominerar helt). Vanligast är
“climate change” som förekommer i 7 % av publikationerna, fördelat över
totalt 3217.
Färger indikerar frekvenskvantiler inom detta dataset.
Röd: Högsta frekvens (7-5.62%); Blå: Hög frekvens (5.62-4.24%); Grön: Medelhög frekvens (4.24-2.86%); Orange: Låg frekvens (2.86-1.48%); Grå: Lägsta frekvens (1.48-0.1%)
Sjunkande nyckelord: hydrology, earth sciences, hydrologi
Tidsserien visar nyckelord som förekommer i minst 50 publikationer över hela perioden. Värdena är andelar av årets publikationer för att möjliggöra jämförelse mellan år med olika total volym.
Inga stigande trender identifierades. Nedan visas istället djupanalys av sjunkande keywords. Dessa kan indikera ämnesområden som minskar i aktualitet eller forskningsintresse.
Följande keywords hade perioder av hög aktivitet tidigare men har sedan avtagit. Analysen visar när de var som mest aktiva, vad som drev intresset, och hur aktiviteten utvecklats sedan dess.
Burst-period: 2006–2011 (måttlig burst)
Toppår: 2007 (9 publ.)
Drivande aktörer under perioden:
Samvarierande keywords: uncertainty, flood risk, sequence stratigraphy
Nuvarande status: Minskande
Burst-period: 2016–2021 (måttlig burst)
Toppår: 2020 (8 publ.)
Drivande aktörer under perioden:
Samvarierande keywords: droughts, hydrology, climate change
Nuvarande status: Stabil
Burst-period: 2016–2020 (måttlig burst)
Toppår: 2017 (7 publ.)
Drivande aktörer under perioden:
Samvarierande keywords: den föränderliga jorden, lena river, amphibole microchemistry
Nuvarande status: Stabil
Burst-period: 2016–2020 (måttlig burst)
Toppår: 2017 (5 publ.)
Drivande aktörer under perioden:
Samvarierande keywords: the changing earth, lena river, apollo 14
Nuvarande status: Stabil
Burst-period: 2017–2020 (måttlig burst)
Toppår: 2019 (3 publ.)
Drivande aktörer under perioden:
Samvarierande keywords: mediterranean, past millennium, stable isotopes
Nuvarande status: Stabil
Heatmappen visar hur ofta nyckelord förekommer tillsammans i samma publikationer. Association strength Van Eck et al. (2009) normaliserar samförekomsten mot produkten av de enskilda nyckelordfrekvenserna. Röda asterisker (✱) i rutornas övre högra hörn markerar statistiskt signifikanta samförekomster (p < 0.05).
Nyckelord som ofta förekommer tillsammans i samma publikationer bildar tematiska kluster. Tabellen nedan sammanfattar klustren; den interaktiva grafen visar relationerna visuellt.
Nätverksdiagrammet visar hur nyckelord relaterar till varandra baserat på sam-förekomst i publikationer. Större noder innebär vanligare nyckelord. Linjer visar sam-förekomst. Färger visar tematiska kluster identifierade med Leiden-algoritmen (Traag et al., 2019).
Frekvensen av enskilda ord i datasetet som helhet. Ord har hämtats från titel, abstract och keywords. “Frekvens” är totala användningar, inklusive antal omnämningar i en och samma text, medan “publikationer” är antalet unika texter var ordet förekommer.
Insikter
De 5 vanligaste orden (efter andel
publikationer) är: “flood” (71%), “water” (45%), “flooding” (39%),
“climate” (35%), “risk” (30%). Dessa mönster speglar datasettets
tematiska kärna.
Notis: Datasetet innehåller 19467 rader. För bästa prestanda visas endast de 8000 med högst frekvens i tabellen.
Ifall du vill undersöka frevkensen av några särskilda ord mer noggrant, ange dem i variabeln ‘to_stem’.
Dessa trender är indikativa och kompletterar keyword-analysen ovan.
Metodologisk notering: Ordfrekvensanalys baseras på enskilda ord extraherade från titel, abstract och keywords. Till skillnad från författarvalda keywords kan enskilda ord vara mer brusiga och tvetydiga — till exempel kan ordet ‘system’ förekomma i både tekniska och samhällsvetenskapliga sammanhang, medan keywordet ‘adaptive systems’ är mer precist. Striktare trösklar används (minst 10 förekomster, korrelation > 0.5) och akademiska stoppord är exkluderade.
Stigande/sjunkande visar trender över tid (Spearman-korrelation). Nya/försvinnande visar livscykel — när ord började eller slutade användas.
Inga statistiskt signifikanta trender identifierades bland de vanligaste orden.
OA-analysen baseras på 841 publikationer med DOI som matchats mot OpenAlex (73% av totalt 1145). 245 publikationer saknar DOI och ingår därför inte i OA-statistiken.
Insikter
OA-andelen gick från 0 % till 50% (+50
procentenheter) under perioden 1996–2026. Gold stod för den största
ökningen (+28.7 procentenheter). Green OA utgör 7.5 % av alla
publikationer — tillgängliga via öppet arkiv efter embargoperiod
(typiskt 6–12 månader); nyare publikationer kan ännu inte vara fritt
tillgängliga. Diamond OA (inga avgifter för vare sig författare eller
läsare) utgör 3.4 %.
Notera:
841 av 900 publikationer med DOI
matchades mot OpenAlex och fick OA-status (93.4%). OA-status är hämtad
från OpenAlex (baserad på Unpaywall). OA-status kan vara retroaktivt
klassificerad — en publikation som idag är fritt tillgänglig kan ha
varit stängd vid publiceringstillfället. Trenden bör därför tolkas med
försiktighet, särskilt för äldre publikationer. Green OA-klassificering
baseras på förekomsten av en version i öppet arkiv, oavsett om eventuell
embargoperiod har löpt ut — Green OA-andelen kan därför vara överskattad
för nyare publikationer.
Första doktorsavhandlingen i datasetet är från år 1995, Forests and Water - Friends or Foes?: Hydrological implications of deforestation and land degradation in semi-arid Tanzania Sandström, Klas. Sedan dess och fram till 2025 har totalt 82 avhandlingar registrerats. Av dem är 69 doktorsavhandlingar och 13 licentiatavhandlingar.
En komplett lista av sökningens resultat. Initialt sorterat efter år (fallande) och författare (stigande). Ändra ordningen vid kolumnrubriken. Sökning kan göras över alla visade fält.
Blondel, V. D., Guillaume, J.-L., Lambiotte, R., & Lefebvre, E (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, P10008. https://doi.org/10.1088/1742-5468/2008/10/P10008
Bornmann, L., & Marx, W (2018). Critical rationalism and the search for standard (field-normalized) indicators in bibliometrics. Journal of Informetrics, 12(3), 598–604. https://doi.org/10.1016/j.joi.2018.05.002
CoARA (2022). Agreement on Reforming Research Assessment. https://coara.eu/agreement/the-agreement-full-text/
DORA (2012). San Francisco Declaration on Research Assessment. https://sfdora.org/read/
Hicks, D., Wouters, P., Waltman, L., de Rijcke, S., & Rafols, I (2015). Bibliometrics: The Leiden Manifesto for research metrics. Nature, 520(7548), 429–431. https://doi.org/10.1038/520429a
Kleinberg, J (2003). Bursty and hierarchical structure in streams. Data Mining and Knowledge Discovery, 7(4), 373–397. https://doi.org/10.1023/A:1024940629314
Mann, H. B (1945). Nonparametric tests against trend. Econometrica, 13(3), 245–259. https://doi.org/10.2307/1907187
Neal, Z. P (2022). backbone: An R package to extract network backbones. PLOS ONE, 17(5), e0269137. https://doi.org/10.1371/journal.pone.0269137
Newman, M. E. J (2004). Analysis of weighted networks. Physical Review E, 70(5), 056131. https://doi.org/10.1103/PhysRevE.70.056131
Opsahl, T., Agneessens, F., & Skvoretz, J (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251. https://doi.org/10.1016/j.socnet.2010.03.006
Perianes-Rodriguez, A., Waltman, L., & Van Eck, N. J (2016). Constructing bibliometric networks: A comparison between full and fractional counting. Journal of Informetrics, 10(4), 1178–1195. https://doi.org/10.1016/j.joi.2016.10.006
Piwowar, H., Priem, J., Larivière, V., Alperin, J. P., Matthias, L., Norlander, B., Farley, A., West, J., & Haustein, S (2018). The state of OA: A large-scale analysis of the prevalence and impact of Open Access articles. PeerJ, 6, e4375. https://doi.org/10.7717/peerj.4375
Sen, P. K (1968). Estimates of the regression coefficient based on Kendall’s tau. Journal of the American Statistical Association, 63(324), 1379–1389. https://doi.org/10.2307/2285891
Serrano, M. Á., Boguñá, M., & Vespignani, A (2009). Extracting the multiscale backbone of complex weighted networks. Proceedings of the National Academy of Sciences, 106(16), 6483–6488. https://doi.org/10.1073/pnas.0808904106
Stirling, A (2007). A general framework for analysing diversity in science, technology and society. Journal of The Royal Society Interface, 4(15), 707–719. https://doi.org/10.1098/rsif.2007.0213
Traag, V. A., Waltman, L., & Van Eck, N. J (2019). From Louvain to Leiden: guaranteeing well-connected communities. Scientific Reports, 9, 5233. https://doi.org/10.1038/s41598-019-41695-z
Van Eck, N. J., & Waltman, L (2009). How to normalize cooccurrence data? An analysis of some well-known similarity measures. Journal of the American Society for Information Science and Technology, 60(8), 1635–1651. https://doi.org/10.1002/asi.21075
Van Eck, N. J., & Waltman, L (2014). Visualizing bibliometric networks. In Ding, Y., Rousseau, R., & Wolfram, D. (Ed.), Measuring Scholarly Impact: Methods and Practice (pp. 285–320). Springer. https://doi.org/10.1007/978-3-319-10377-8_13
Wilson, E. B (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209–212.