有別於 Impact Factor 的期刊指標 SJR & SNIP 詳細介紹
SJR SCImago Journal Rank
由 SCImago 研究團隊來自西班牙國家研究機構的 Félix de Moya 教授等三位所提出，其核心概念來自 Google 的 PageRank 演算法，根據引用權衡表以及複雜且性質不同的引用網絡資源如 Scopus 使用的特徵向量中心性來決定學術期刊的排名。SJR 指標是不受大小影響的計量方法，旨在衡量期刊目前的「文章平均聲望」，以便用於研究評估的過程。SJR 藉由學術期刊被引用多少次數與這些引用是來自哪裡的重要性或聲望性來衡量期刊的影響力，因此被聲望高的期刊所引用，對聲望的提升應較被一般期刊引用來得顯著，這樣的演算方式突破一般傳統期刊比較指數單純計算引用次數而無法反映個別引用「價值」的缺陷，也提供了我們在評價學術期刊時的另一種參考指標。
SJR 的演算邏輯和 Google 的 PageRank 類似，PageRank(opens in new tab/window)是一種 link-analysis algorithm，是根據 citation analysis 而來，原本就是使用在學術期刊論文被引用次數的技術，按照 PageRank 的簡易邏輯套用在 SJR 演算當中則是: 假設 A 期刊被 B、C 期刊引用，A 期刊的 SJR 值則來自B和C期刊的加總。但 C 期刊又被 B 期刊引用，因此 C 期刊有二個引用，因此 C 期刊只有一半的值算到 PageRank 裡，按照這樣的邏輯經過不斷的重複計算，這些值會趨向於正常和穩定。
SJR 公式：SJR(A) = SJR(B) + SJR(C) /2
SJR 計算之時間區間為 3 年，意即某期刊 2012 年的 SJR 值，是透過計算其前三年（2009 - 2011 年） 間發表的文章，於 2012 年被引用的次數。在使用的方法上，SJR 指標是根據產生引用的期刊科學影響力給予各引用不同的數值。採用為期 3 年的引用期間 – 時間夠長，可涵蓋眾多期刊的引用顛峰，但也夠短，足以反應學術溝通過程的動能。SJR 將期刊自引門檻限定設在 33％。也就是說，自身引用過多將不會造成期刊價值的人為膨脹，同時也不會影響自身引用的正常過程。
SJR 值以三個部份加總，第 1 部份只要期刊被收錄在 Scopus 中就具備最小聲望值，第 2 部份該期刊被 Scopus 所收錄的主要文獻（articles, reviews, conference papers），第 3 部分根據獲得其他期刊引用的次數與「重要性」給予的引用聲望。e 與 d 是常數，設定來分別衡量出版與引用方式能夠獲得的聲望量。公式內的前 2 個部分加總佔期刊聲望值的 10%。
SJR 公式－詳細公式
這部分是將文獻引用價值數量化的中心概念，根據前述，一開始每本期刊的 SJR 都是定值，接下來以 Tetrahedron 這本期刊作為說明範例：首先計算出 Tetrahedron 這本期刊每一次的被引用”價值”，這個價值來自於其他引用 Tetrahedron 的期刊，也就是 SJR，中心概念就如同 page rank，將每次被引用的價值計算出來後（不同期刊引用 Tetrahedron 所反映的 SJR 也不同），再乘以同價值引用的次數，最後乘上 CF！
SJR 文獻引用價值量化公式
CF 是用來計算 Tetrahedron 這本期刊未被列入計算區間內之被引用次數，我們知道某一年的 SJR 計算區間為該年度前三年，接下來以計算 2012 年 Tetrahedron 這本期刊的 SJR 為例：若 Tetrahedron 的被引用來自於 2009 - 2011 這個區間以外，將不會被計算在上述公式中，而造成值可能不夠精確，故必須將 Tetrahedron 在 2009 - 2011 年以外之被引用次數同時列入計算！
SJR－CF 計算公式
若 Tetrahedron 的被引用來自於任何一本沒有被引用的期刊（以下以 Cell 為例），而這部分的被引用並沒有被列入上述計算式中，導致無法在 SJR 值上產生貢獻！因此這個式子就是將上述情形列入考量，以 Cell 期刊內各種文獻類型（articles, reviews, conference papers）在 Tetrahedorn 期刊內同類型文獻所佔的比例來計算對 SJR 的貢獻。
SJR－被引用來自於任何一本沒有被引用的期刊之計算公式
經過上述計算後，會得到一個 Tetrahedron 期刊 SJR 值，但由於這樣的演算法會讓較多文章數目的期刊有較高的機會累積 SJR 值，而不利於期刊之間的比較！故導入上述公式將原始 SJR 進行標準化（Normalized），只要將原始 SJR 值除以 Tetrahedron 期刊的文章總量，以利期刊之間的比較。
SJR 標準化（Normalized）公式
參考文獻
The SJR indicator: A new indicator of journals' scientific prestige by Borja González-Pereiraa, Vicente P. Guerrero-Boteb and Félix Moya-Anegónc. https://arxiv.org/ftp/arxiv/papers/0912/0912.4141.pdf(opens in new tab/window)
SNIP Source Normalized Impact per Paper（標準化影響係數）
由荷蘭萊頓大學 （University of Leiden） Centre for Science and Technology Studies（CWTS）團隊 Henk Moed 教授所提出 ，是根據某個主題領域的總引用次數、給予引用權重，進而衡量上下文引用所造成的影響。單一引用出現在比較不可能引用的主題領域時，所能造成的影響，賦予比較高的數值，反之，則賦予比較低的數值。這個方法就是找出每篇論文中期刊引用的數目與主題領域內引用的可能性之間的比例。其目的在允許直接比較不同主題領域內的資料來源。可以突破傳統 Impact Factor 無法考量不同研究領域的引用情形。引用的可能性不僅隨期刊主題類別 – 研究相同領域的期刊歸為一類 – 或學科（例如：生命科學標題期刊的引文量比數學、工程與社會科學方面的期刊高） 相同主題類別內不同期刊之間的 citation potential 都有所不同。舉例而言，基本類別的期刊獲得引用的可能性往往高於應用類或臨床類別的期刊，而涵蓋新興主題的期刊又高於探討傳統主題的期刊或比較一般性的期刊。意思是這些高引用的文獻被引用潛力（citation potential）較高，在大家常用的 Impact Factor 單靠以計算引用次數的方法來說，比較容易獲得高的分數，這樣在做跨領域學科期刊分析時，比較難以做客觀的論定。
SNIP 是每篇論文的期刊引用次數佔主題領域 citation potential 的比例，讓不同領域期刊的被引用情形標準化（normalized），相同主題類別內不同期刊之間的 citation potential 也都有所不同，citation potential 只是涵蓋某領域的文章引用的參考書目平均數量，但 SNIP 方法還加了其他因素列入考慮，以利跨領域的比較。
SNIP 修正後計算公式如下：
SNIP 公式
RIP （Raw Impact per Paper published in the journal） 是某一期刊每篇文章平均被引用次數，以 3 年內出版的文章引用量基礎，不包括「隨意」引用「不具引用價值的」項目；只計算接受過「同儕評鑑」的文章內的引用。
DCP 值是以諧波 （harmonic） 而非算數平均計算而來。
計算 DCP 值時不僅將引用出版品主動參考的次數列入考慮，也考量引用期刊中至少有一次主動參考的出版品比例。
捨棄 DCP 與 RDCP 值 （Journals’ Relative Database Citation Potential – 是原始公式的分母） 之間的區別。
註1
我們可以將修正後的指標解讀成期刊的每份出版品平均引用次數，其中每次引用均使用引用出版品內主動參考的次數以及引用期刊中至少有1次主動參考的出版品比例，按比例進行反向加權。
註 1：以原本的 SNIP 指標而言，區分 DCP 與 RDCP 值是為了確保資料庫內有一半的期刊的值高於其 RIP 值，有一半的期刊的 SNIP 值低於其 RIP 值。以修正後的 SNIP 指標而言，捨棄區分 DCP 與 RDCP 值是因為以不同的方式將 SNIP 值標準化。如下所述，以修正後的 SNIP 指標而言，計算 DCP 值時，資料庫內所有期刊的平均 SNIP 值都接近 1。
以原本 SNIP 指標而言，期刊的 DCP 值等於屬於該期刊主題領域內出版品中主動參考的平均次數，而這個平均值是以一般的算術平均計算。修正後 SNIP 指標的另一個差異就是標準化的過程是以引用出版品內的參考總次數為基礎，而不是以主動參考的次數為基礎。
修正後的 DCP 值公式如下：
RIP （Raw Impact per Paper published in the journal） 是某一期刊每篇文章平均被引用次數，以 3 年內出版的文章引用量基礎，不包括「隨意」引用「不具引用價值的」項目；只計算接受過「同儕評鑑」的文章內的引用。
DCP 值是以諧波 （harmonic） 而非算數平均計算而來。
計算 DCP 值時不僅將引用出版品主動參考的次數列入考慮，也考量引用期刊中至少有一次主動參考的出版品比例。
捨棄 DCP 與 RDCP 值 （Journals’ Relative Database Citation Potential – 是原始公式的分母） 之間的區別。
註 1
我們可以將修正後的指標解讀成期刊的每份出版品平均引用次數，其中每次引用均使用引用出版品內主動參考的次數以及引用期刊中至少有1次主動參考的出版品比例，按比例進行反向加權。
註 1: 以原本的SNIP指標而言，區分 DCP 與 RDCP 值是為了確保資料庫內有一半的期刊的值高於其 RIP 值，有一半的期刊的SNIP 值低於其 RIP 值。以修正後的 SNIP 指標而言，捨棄區分 DCP 與 RDCP 值是因為以不同的方式將 SNIP 值標準化。如下所述，以修正後的 SNIP 指標而言，計算 DCP 值時，資料庫內所有期刊的平均 SNIP 值都接近 1。
以原本 SNIP 指標而言，期刊的 DCP 值等於屬於該期刊主題領域內出版品中主動參考的平均次數，而這個平均值是以一般的算術平均計算。修正後 SNIP 指標的另一個差異就是標準化的過程是以引用出版品內的參考總次數為基礎，而不是以主動參考的次數為基礎。
修正後的 DCP 值公式如右：
n 代表期刊主題領域內出版品的數目而ri代表期刊主題領域內第i份出版品主動參考的次數。
DCP 值公式
下列 3 個步驟是為了計算出 pi 的方法：（1）先挑選出期刊主題領域內第 i 份出版品，（2）然後檢視所有出現在同一個期刊內以及與所選定的出版品相同年份內的出版品，（3）最後計算 pi，亦即至少有 1 次參考的出版品比例。
引用密度高的領域 （如：細胞生物學），pi 通常會接近 1，因為此類領域大部分的期刊或幾乎所有的出版品都會有主動參考。反過來說，引用密度低的領域 （如：數學），可能有很多的出版品沒有主動參考，因此 pi 會明顯低於 1。
SNIP 指標中 DCP 的計算方式，只有 Scopus 文件類型的文章、會議論文與評鑑的出版品被認為是引用與獲引用的出版品。
期刊的主題領域包括所有在分析年份內參考期刊前 3 年內任何出版品的出版品。
註2
以原本的 SNIP 指標而言，期刊的主題領域內不能有重複的出版品。這個跟修正後的 SNIP 指標不同。修正後的 SNIP 指標可容許期刊主題領域內相同的出版品出現多次。舉例而言，如果某份出版品在過去 3 年內於特定期刊中參考了 5 份出版品，則該出版品即視為在期刊的主題領域出現了 5 次。
DCP 計算方式包括乘以 1/3。這個乘數確保資料庫內所有期刊的平均 SNIP 值接近 1。
沒有主動參考的引用出版品不會賦予某領域內獲引用的出版品任何「價值」，因此會扭曲領域差異的標準化過程。修正後的 SNIP 指標透過增加具備主動參考的引用出版品內其主動參考的價值，進行這方面的修正。舉例而言，如果期刊內引用的出版品有一半沒有主動參考，則另外一半的引用出版品主動參考的價值就會加倍 （在 DCP 公式裡的 pi）。如此，即可保證某個領域內的所有主動參考的整體價值等於該領域內引用出版品的總數目，這也進而確保某個領域的平均 SNIP 值永遠等於 1。
SNIP 方法的優點是期刊的主題領域分界並非根據事先定義的期刊分類方法，將之分至各主題類別；而是理性地計算跨學科或一般性期刊的期刊影響力；其修正了不僅來自不同學科，而且涵蓋於某個學科內的期刊之間，在引用頻率、立即性以及資料庫涵蓋範圍方面的差異；而且只鎖定已經接受過同儕評鑑的文章。
出版評鑑文章或顯示高度自我引用率的期刊，其 SNIP 數值往往較高。SNIP 的數值每年更新 2 次，對於研究的全景提供最新的看法。
註 2：以原本的 SNIP 指標而言，期刊的主題領域是以過去至多 8 年內的引用次數為基礎。以修正後的 SNIP 指標而言，採用的是過去 3 年的引用次數，這個與計算 RIP 值時採用的引用時期一致。
參考文獻
Measuring Contextual citation impact of scientific journals by Henk F., Moed https://www.sciencedirect.com/science/article/pii/S1751157710000039(opens in new tab/window)
Some modifications to the SNIP journal impact indicator by Ludo Waltman, Nees Jan van Eck, Thed N. can Leeuwen, Martijn S. Visser https://www.sciencedirect.com/science/article/pii/S1751157712001010(opens in new tab/window)