数据驱动的国家生产多样性排序网络方法

（a） 国家和相应食品生产的双边网络；（b） 食品网络，其中节点代表食品商品，边代表同一国家生产的食品商品；（c） 国家-国家网络，其中节点代表国家，边代表生产相同食品的国家。基于各自能力和专业化的国家和食品商品。虽然我们可以阐述所有国家的能力和专业化，但我们的文本分析仅限于社会经济政治集团，如图5（a）所示的七国集团（法国、德国、意大利、日本、英国、美利坚合众国和加拿大）和金砖四国（巴西、俄罗斯联邦、印度和中国）。正如预期的那样，G7国家的国家能力总体上相当高（见图5和表2）。然而，两者之间存在着重要的差异：英国和日本总是排名垫底，而加拿大的能力总是排在首位。这可以解释为英国和日本是岛国，领土并不十分广阔；因此，与其他国家相比，气候和地理的可变性较低。这导致生产大量不同食品商品的能力相对较低（事实上，它们的加权程度低于平均水平：分别为0.41、0.98吨/（人*年）。相比之下，加拿大地域辽阔，东起大西洋，西至太平洋，由多种气候区域组成，西起温带（a）生产无国界医生（b）进口无国界医生（见图3）。（a） 来自国家粮食生产网络无国界医生组织的三个子树。每个子树包括生产非常相似产品的国家；（b） 来自country foodimport网络无国界医生组织的五个子树。每一个子树都包含在食品市场上竞争进口同一种食品的国家。

每个边缘的厚度表示连接国家之间的相似性强度。不列颠哥伦比亚省海岸，北部为亚北极气候。这使得产量丰富多样（加权度为2.68吨/（人*年））。在金砖四国（见表2），印度的气候和地理变异性很高，但其国家能力排名很低。这反映出其人口众多，食品生产多样化不足。另一方面，中国和俄罗斯联邦也拥有多变的气候和地理位置，位居榜首。对于这两个国家来说，生产大量多样化食品商品的能力很强。也就是说，就食品而言，印度的劳动生产率较低，而中国和俄罗斯联邦的劳动生产率较高。同样，图5（b）显示了四种高产作物（“甘蔗”、“玉米”、“水稻、稻谷”和“小麦”）和四种高产产品（“奎奴亚藜”、“巴西坚果、带壳”、“羽扇豆”和“金丝雀种子”）的生产专业化等级。产量非常高的粮食商品的生产专业化程度较低（低Q），因为许多国家生产这些产品与粮食生产有关图4。图3（a）中属于第二大子树的五个国家粮食生产模式之间的皮尔逊相关性。我们可以看到，MSF方法正确地突出了投影网络中的相关结构。皮尔逊相关性是使用每对国家的所有食品商品计算得出的，即r=PNPj=1（xj- (R)x）（yj- y）/NP，其中NP是食品商品的总数，xjan和yjar是两国的商品产量。国家健身[]排名（a）食品规格[]排名（b）图5。（a） 一些代表性国家的国家能力排名。

总的来说，G7国家的排名相当高。在金砖四国中，中国和俄罗斯联邦的排名较高，巴西居中，印度的排名较低。（b） 一些有代表性的食品商品的生产复杂性等级。一方面，“甘蔗”、“玉米”、“稻、稻、麦”产量大，生产复杂度低；另一方面，“奎奴亚藜”、“带壳巴西坚果”、“羽扇豆”和“金丝雀种子”的生产复杂度很高，因为它们是稀有产品。（高K国家）。另一方面，一些稀有产品（如藜麦和羽扇豆）的排名很高，因为鉴于生产这些类型作物所需的特殊气候和土壤条件，只有少数国家能够生产它们。讨论这项工作应用复杂网络科学的工具和概念来分析世界粮食生产数据。基于国家粮食生产矩阵，我们使用无国界医生方法分析了国家粮食产品网络特性和国家间的相关性，并计算了国家能力和粮食生产专业化。我们的研究结果表明，农村粮食生产网络中存在一个层次嵌套组织。在国家粮食生产图中观察到的显著嵌套结构突出显示了大多数国家生产的许多“基本”（低专业化）粮食产品（类似于“锤子”），以及只有少数国家生产的以特定气候或地理条件为特征的少数复杂商品（如“飞机”）。因此，在我们的情况下，李嘉图假说也不成立，因为大多数发达国家几乎生产所有产品，从普通产品到专业产品。

小麦、大米、玉米或甘蔗是构成我们“粮食”经济的主要商品，而藜麦、巴西坚果和羽扇豆则由少数国家（如玻利维亚、秘鲁）生产，而这些国家虽然不是粮食生产大国（就总量而言），他们生产许多不同的食品（高K国家），也专门生产这些“复杂”商品。观察到的结构反映了粮食生产多样化与基于气候土壤水分条件的某些“最佳”商品集约化之间存在的权衡。我们发现，度分布和NODF值在不同年份之间都非常稳定（图1（c）-（d）），这表明在过去二十年中，国家粮食生产网络的拓扑结构没有显著变化。我们利用无国界医生算法来突出国家之间的相关性和粮食产量，从而发现GDP高的国家，例如美国，通常属于小的子树。总的来说，由于这些发达国家的粮食生产篮子很大，很难与所有其他国家有很高的相似性，因为相似性取决于相对共享量。或者，粮食生产多样性相对较小，但具有典型（高产量）粮食产品库的国家往往属于较大的子树。例如（图3（a）），印度尼西亚、斯里兰卡、几内亚比绍、巴布亚新几内亚、马达加斯加和布隆迪的地理距离非常遥远，但在所有这些国家，大米是主要和主食产品，因此它们都属于最大的子树。

同样，中第二大子树主要由地中海气候和饮食类型的国家组成。其结果是，无国界医生组织在这些国家的生产模式中检测到显著的相关结构（见图4）。玉米-小麦-水稻，paddyPanama 0.55961 0.24978 0.10907萨尔瓦多0.55548 0.24181 0.08627日本0.65401 0.18581 0.00008墨西哥0.43061 0.16219 0.03848哥斯达黎加0.56965 0.15158 0.04965表1。图3（b）中第二大子树中国家的三大进口粮食商品。第一列是这五个国家，每一行是一个国家的五大进口食品商品。将同样的方法应用于国家粮食进口网络，并为进口粮食量（而非粮食生产量）建立无国界医生组织，提供了有关在粮食市场上竞争从同一粮食产品库进口的国家的信息（见图3（b））。表1显示了第二大子树国家的三大进口粮食商品，即巴拿马、埃尔萨尔瓦多、日本、墨西哥和哥斯达黎加，这些国家进口的粮食商品明显相似。我们推测，如果某一子树（如表1中的小麦）内共享的特定粮食商品出现价格飙升，则该子树中以大量进口相同粮食商品为特征的竞争成员将大幅增加。这有可能引发相应子树中最贫穷国家（那些在进口市场上金融竞争能力有限的国家）的粮食危机。我们的方法还提供了所有食品专业化和所有国家能力的估计数量。我们注意到，在我们的分析中，使用1991年至2011年的数据，藜麦是最专业的食品之一。

有趣的是，2015年10月，从欧洲进口的奎奴亚藜增加了40%：与2013年和2014年的增长率相同【28】。因此，我们的分析使我们能够确定食品市场中具有高增长潜力的专业产品。很有意思的是，看看这一新的网络指标（尤其是国家）与其他经济或粮食安全指标之间是否存在任何相关性。强大的相关性表明，相对于之前众所周知的指标，例如人均国内生产总值（GDP/人口），国家能力在某种程度上是一个冗余信息。然而，由于用于计算国家竞争力的地图的高度非线性，我们预计不会发现任何微不足道的相关性。事实上，从图6（a）中我们可以看出，国家能力人均GDP仅呈弱相关（R=0.194；零相关检验P值<0.001）。例如，新加坡人均GDP较高。新加坡是一个岛国，地理和气候多样性较低，因此生产的粮食商品数量很少。另一方面，玻利维亚有很高的生产能力（世界领先的藜麦生产国），但人均GDP较低。为了进一步证明GDP和能力之间没有很好的相关性，我们还可以研究国家能力和人均GDP之间的动态关系。与静态表示不同，我们可以在国家能力和人均GDP水平上显示国家特定的轨迹（图6（b）所示为三个具有代表性的国家，中国、巴西和印度，从1992年到2011年）。很明显，随着时间的推移，这些国家的人均GDP随着国家特定行为的能力而增长。

巴西和印度的平均生产能力保持不变，而中国的生产能力随着人均GDP的增长而不断增长，这表明粮食商品的多样化和相对产量（相对于人口）有所改善。然而，后一种情况是一种例外，而不是一种典型的行为：一般来说，一个国家的能力在时间上是稳定的（此处未显示）。（a） （b）典型行为图6。（a） 静态国家能力——2011年人均GDP水平。我们没有发现这两个数量之间的显著相关性；例如，新加坡的人均GDP较高，但竞争力较低。另一方面，玻利维亚的能力很强（奎奴亚藜的世界领先生产国），但人均GDP较低。（b） 1992年至2011年中国、印度和巴西国家能力的动态演变——人均GDP。随着时间的推移，这些国家的人均GDP有所增长，但巴西和印度的人均GDP保持不变，而中国的人均GDP有所增长。我们还设想，这些定量方案将为基础分析提供新的方法最高适用性最低适用性1加拿大西撒哈拉2玻利维亚（多民族国）吉布提3澳大利亚莱索托4新西兰新加坡5波兰卡塔尔6秘鲁巴林7土耳其波多黎各8希腊赤道几内亚9白俄罗斯科摩罗10匈牙利自由2。2011年排名前十和后十的国家。最高专业化最低专业化1藜麦甘蔗2醋栗木薯3蔓越莓牛奶、全脂、新鲜4金丝雀籽玉米5蓝莓大米、稻田6禽肉、nes小麦7驴肉土豆8巴西坚果、贝类香蕉9罂粟籽蔬菜新鲜nes10鹅和珍珠鸡肉植物性3。2011年专业化程度最高和最低的十大食品。由国家粮食安全的现有数据支持。

事实上，越来越多的证据表明，为了对粮食安全和可持续性进行全面分析，必须考虑粮食贸易，以便评估依赖粮食进口的国家[6,29,30]，并估计土地掠夺集约化的影响[31]。作物和动物物种多样性的缩小对世界粮食供应的贡献被认为是对粮食安全的潜在威胁[32，33]，应在上述框架的应用中予以明确。例如，我们发现，在1992-2011年期间，爱尔兰和新西兰的粮食生产多样性有所下降，2011年分别生产了16种和22种不同的粮食商品，而1991年分别为21种和29种，并且相应的≈ 能力下降25%。我们强调，这种分析可以很容易地应用于研究生产和贸易网络，这些网络与不同的营养指标（蛋白质、脂肪、卡路里）有关。因此，未来的工作可以探索有关次级商品（如巧克力、面包、奶酪）的进出口数据、食品专业化，并了解食品贸易如何影响每个国家的能力和专业化。此外，还可以调查食品专业化、食品价格和价格波动之间的关系，结合目前对进口无国界医生子树的分析，这可能有助于建立一个框架，以检测当地粮食危机的早期预警迹象。方法粮食生产数据和网络分析从联合国粮食及农业组织数据库（FAOSTAT）中提取粮食生产和双边贸易数据（吨）。提取的商品仅包括初级商品（如小麦），我们不考虑次级商品（如小麦）。

面包）在本研究中。鱼类生产数据也从FAOSTAT数据库中提取，包括八种主要鱼类商品（淡水鱼、甲壳类动物、底栖鱼、远洋鱼、海洋鱼、头足类、软体动物、水生哺乳动物）的生产数据。数据仅限于1992年至2011年期间，仅考虑人口超过50万的国家。这一时期的国家分离和合并是在[34]之后处理的，最终数据集涵盖了177个国家的157种商品。根据该数据，为每个年份构建了国家（c）-粮食生产（p）邻接矩阵Mcp（y），其中，如果国家c生产产品p，则Mcp（y）=1，否则为零。然后，我们构建加权国家粮食人均生产矩阵Wcpwhere Wcp（y）=toncp（y）popc（y），其中，对于每年y，toncpis是国家c生产的粮食商品p的产量（吨），而，PopCIS国家c的人口。为了获得国家进口图Ici（y），我们使用了每个国家每种初级商品的食品进口量数据：Ici（y）=tonci（y）popc（y）。最后，我们注意到，通过适当转换计量单位，可以以不同的方式对生产和进口流量进行加权（例如，我们可以将吨转换为卡路里，将食品商品量乘以卡路里含量）。嵌套NODF度量定义为NODF=Pi<j:i，j∈CTCij+Pi<j:i，j∈PTPij[C（C-1） ]+[P（P-1） ][35]，其中，如果kXi=kxjan，则TXij=0，并且TXij=oXij最小值kXi，kXj当i和j都属于同一组时，X=C，P（分别是国家和食品的数量）。为了了解国家粮食生产图是否是嵌套的，我们首先计算NODF，然后构建100个具有相同大小和连接度的随机网络（链接放置为随机），并计算这些图的NODF。

最后，我们将经验数据的NODF与对应于nullmodels的NODF值分布进行比较。如结果部分所述，我们发现食品生产网络非常重要，生产高度专业化食品的国家也有生产低专业化食品的趋势。最小生成森林算法从二部食物生产图中，我们可以构建相应的投影图[24]。国家-国家网络的特征是NC×NCcountry-country-country矩阵C=W WT。非对角元素CCC对应于国家C和C共同拥有的产品数量。对角线元素Ccc与c国生产的产品数量相关，是c国多样化的衡量标准。为了量化两国生产的相关性，我们可以将国家间的相似矩阵定义为Scc=2CCCC+Ccc，其中0≤ Scc公司≤ 1价值越大，两国生产的食品之间的相关性就越强。特别是，从相关矩阵S中，使用称为最小生成树的方法[7]，可以将国家网络划分为不同的？以食物生产模式严重重叠为特征的社区。可以对食品网络进行同样的分析：在这种情况下，社区代表的是一篮子食品，它们的生产者非常相似。该算法的结构执行以下步骤：1。按权重（从最大权重到最小权重）排序相似矩阵S的所有边2。每次从步骤1中获得的排序向量中添加一条边。如果新边的两个节点已与前一条边匹配，即这两个节点属于前一条边，则删除此边3。