The role and development strategies of China in global soybean trade from the perspective of social network

doi:10.3969/j.issn.1004-9479.2026.05.20250125

Abstract

Abstract:

Facing the structural contradiction of fluctuations in the global soybean supply chain and China's import dependence, this research is based on the data of the United Nations Trade Statistics Database (UN Comtrade) from 2000 to 2023, and uses the Social Network Analysis (SNA) method to deconstruct the network topology structure. Reveal the role positioning and evolution laws of China. Main research results show that: ① The scale of the global soybean trade network continues to expand, and the closeness between nodes is getting stronger and stronger, presenting a "core-edge" structural feature. North and South America (Brazil, the United States) and Asia (China, Japan) form "production-consumption" dual core, while Europe, with its port hubs (the Netherlands, Belgium), becomes a transshipment node across continents. ② China's weighted import centrality has consistently ranked first, but its imports are highly concentrated in Brazil and the United States. Its betweenness centrality ranks fifth, and its pricing power is weaker than that of the United States. Brazil's weighted out-degree centrality has risen to the top globally, while the United States has dropped to the second place. ③ The trade network density of core countries reached 0.522, with an average path length of 1.469, presenting a highly interconnected feature. The Sino-US trade war in 2018 accelerated the diversification of China's import sources, but did not fundamentally change the risk of "path dependence" in the supply chain. The research provides a comprehensive path of "network optimization-institutional innovation-technological empowerment" to solve the predicament of "scale dependence-power deficiency" in China's soybean industry, and helps implement the food security strategy.

Key words: soybean trade, social network, trade relations, trade status, import dependence

摘要：

面对全球大豆供应链波动与中国进口依赖的结构性矛盾，本研究基于联合国贸易统计数据库（UN Comtrade） 2000—2023年数据，运用社会网络分析方法构建加权有向网络模型，从网络密度、中心性、“核心-边缘”结构等维度，系统揭示全球大豆贸易网络的演化规律和中国在其中的角色定位。主要发现如下：①全球大豆贸易网络规模持续扩张，节点之间的联系愈来愈紧密，呈现明显的“核心-边缘”结构特征，美洲（巴西、美国）与亚洲（中国、日本）形成“生产-消费”双核心，欧洲凭借港口枢纽（荷兰、比利时）成为跨洲中转节点。②中国加权入度中心度持续居首，但进口高度集中于巴西、美国，且中介中心性排名第五位，表明其定价权弱于美国；巴西加权出度中心度跃居全球第一，美国降至第二位。③核心国家贸易网络密度达0.522，平均路径长度为1.469，呈现高度互联的网络特征；2018年中美贸易战加速中国进口来源多元化，但未根本消除供应链“路径依赖”带来的风险。本研究为破解中国大豆“规模依赖-权力缺失”的突出困境，提供“网络优化-制度创新-技术赋能”的综合路径，助力粮食安全战略有效实施。

关键词: 大豆贸易, 社会网络, 贸易关系, 贸易地位, 进口依赖

Lu'an WANG, Junnan DING, Jing ZHANG. The role and development strategies of China in global soybean trade from the perspective of social network[J]. World Regional Studies, 2026, 35(5): 35-48.

王录安, 丁俊男, 张晶. 社会网络视角下中国在全球大豆贸易中的角色与发展策略[J]. 世界地理研究, 2026, 35(5): 35-48.

Figures/Tables 10

Tab.1 Network structure characteristic indicators,formulas and meanings

指标类别	指标	公式	含义
网络整体结构分析指标	网络密度（D）	$D = L n (n - 1)$ ，D∈(0,1)，n表示节点数，L表示网络中实际存在的边数	用来衡量网络中各国之间贸易关联的紧密程度，反映网络的凝聚性
	平均度（ $k ¯$ ）	$k ¯ = 1 n ∑ i = 1 n k i$ ，n为节点数，k_i 为第i个节点的度	用来反映网络中各国贸易连接的平均水平，若平均度较大，则网络的连通性相对较好
	平均聚类系数（C）	$C = 1 n ∑ i = 1 n 2 E i k i (k i - 1)$ ，C∈(0,1)，E_i 指的是节点i与其他相邻节点之间的实际边的数目	用来衡量网络中各国贸易的集聚程度或者说网络的集团化倾向
	平均路径长度（L）	$L = 1 n (n - 1) ∑ i ≠ j d i j$ ， $∑ i ≠ j d i j$ 代表在所有不同的节点间的路径长度总和	用来描述网络中信息或物质等在国家之间传递的平均效率
个体贸易网络特征分析指标	加权出入度（ID_i,OD_i ）	$I D i = ∑ j w j i$ ， $O D i = ∑ j w i j$ ，这里w_ji 代表从节点j至节点i的边的权，并且对于指向节点i的所有边执行求和。w_ij 代表从节点i到节点j的边权值，并且对于从节点i发出的所有边求和	用来反映一个国家或地区在全球贸易中作为进口方所受到的贸易影响程度或它作为出口方对其他国家的贸易影响程度
	中介中心性（B(i)）	$B (i) = ∑ s ≠ j ≠ t σ s t (i) σ s t$ ， $σ s t$ 代表从节点s到节点t的最短路径总数， $σ s t (i)$ 代表从节点s到节点t的最短路径中经过节点的路径数量	用来衡量一个国家或地区在网络中作为其他国家或地区之间最短路径桥梁的程度
	接近中心性（C(i)）	$C (i) = n - 1 ∑ u d (i, u)$ ， $d (i, u)$ 代表节点i到u的最短路径长度（距离），并且对该网络中的其他节点u执行相加	用来反映一个国家或地区到网络中其他所有国家或地区的平均距离或接近程度
网络等级结构划分指标	核心度	$C (i) = ∑ 1 1 + d (i, j)$ ，其中d代表节点距离	用来衡量国家或地区在网络中中心性的指标，通常用于分析网络的“核心-边缘”结构

Tab.1 Network structure characteristic indicators,formulas and meanings

指标类别	指标	公式	含义
网络整体结构分析指标	网络密度（D）	$D = L n (n - 1)$ ，D∈(0,1)，n表示节点数，L表示网络中实际存在的边数	用来衡量网络中各国之间贸易关联的紧密程度，反映网络的凝聚性
	平均度（ $k ¯$ ）	$k ¯ = 1 n ∑ i = 1 n k i$ ，n为节点数，k_i 为第i个节点的度	用来反映网络中各国贸易连接的平均水平，若平均度较大，则网络的连通性相对较好
	平均聚类系数（C）	$C = 1 n ∑ i = 1 n 2 E i k i (k i - 1)$ ，C∈(0,1)，E_i 指的是节点i与其他相邻节点之间的实际边的数目	用来衡量网络中各国贸易的集聚程度或者说网络的集团化倾向
	平均路径长度（L）	$L = 1 n (n - 1) ∑ i ≠ j d i j$ ， $∑ i ≠ j d i j$ 代表在所有不同的节点间的路径长度总和	用来描述网络中信息或物质等在国家之间传递的平均效率
个体贸易网络特征分析指标	加权出入度（ID_i,OD_i ）	$I D i = ∑ j w j i$ ， $O D i = ∑ j w i j$ ，这里w_ji 代表从节点j至节点i的边的权，并且对于指向节点i的所有边执行求和。w_ij 代表从节点i到节点j的边权值，并且对于从节点i发出的所有边求和	用来反映一个国家或地区在全球贸易中作为进口方所受到的贸易影响程度或它作为出口方对其他国家的贸易影响程度
	中介中心性（B(i)）	$B (i) = ∑ s ≠ j ≠ t σ s t (i) σ s t$ ， $σ s t$ 代表从节点s到节点t的最短路径总数， $σ s t (i)$ 代表从节点s到节点t的最短路径中经过节点的路径数量	用来衡量一个国家或地区在网络中作为其他国家或地区之间最短路径桥梁的程度
	接近中心性（C(i)）	$C (i) = n - 1 ∑ u d (i, u)$ ， $d (i, u)$ 代表节点i到u的最短路径长度（距离），并且对该网络中的其他节点u执行相加	用来反映一个国家或地区到网络中其他所有国家或地区的平均距离或接近程度
网络等级结构划分指标	核心度	$C (i) = ∑ 1 1 + d (i, j)$ ，其中d代表节点距离	用来衡量国家或地区在网络中中心性的指标，通常用于分析网络的“核心-边缘”结构

Fig.1 Global soybean trade network in 2000，2007，2015 and 2023

Tab.2 Evolution of the overall characteristic indicators of the world soybean trade network

年份	节点数	边数	模块度	网络密度	平均度	平均聚类系数	平均路径长度
2000	157	623	0.313	0.025	3.968	0.244	3.236
2002	156	686	0.228	0.028	4.397	0.285	3.181
2004	245	777	0.283	0.013	3.171	0.029	1.526
2006	175	844	0.295	0.028	4.823	0.277	2.939
2008	173	931	0.203	0.031	5.382	0.281	3.038
2010	178	992	0.298	0.031	5.573	0.271	2.941
2012	183	1 041	0.300	0.031	5.689	0.304	2.746
2014	184	1 173	0.111	0.035	6.375	0.313	2.801
2016	181	1 162	0.165	0.036	6.420	0.359	2.638
2018	186	1 190	0.228	0.035	6.398	0.341	2.777
2020	179	1 230	0.130	0.039	6.872	0.351	2.675
2022	188	1 281	0.071	0.036	6.814	0.381	2.587
2023	182	1 187	0.329	0.036	6.522	0.358	2.481

Tab.3 Classification of "Core-Edge Structure" in 2000,2007,2015 and 2023

年份（个数）	核心圈层国家（核心度＞0.2）	次核心圈层国家（核心度0.1~0.2）	次边缘圈层国家（核心度0.01~0.1）	边缘圈层国家（核心度＜0.01）
2000年（157）	美国、巴西、阿根廷、加拿大、中国（5）	泰国、智利、法国、德国、巴拉圭、坦桑尼亚等（12）	奥地利、印度、比利时、瑞士、墨西哥、英国等（37）	塞尔维亚、新西兰、柬埔寨、伊朗、芬兰等（103）
2007年（168）	阿根廷、美国、中国、加拿大、巴西、印度、法国、巴拉圭（8）	比利时、泰国、英国、荷兰、意大利、奥地利、智利等（11）	乌拉圭、澳大利亚、印度尼西亚、瑞士、斯里兰卡、波兰等（46）	赞比亚、马拉维、斯威士兰、博茨瓦纳、莱索托、瑞典等（103）
2015年（187）	荷兰、美国、加拿大、法国、中国、德国、奥地利、巴西（8）	意大利、巴拉圭、印度、乌克兰、塞尔维亚、阿根廷、比利时等（18）	日本、韩国、埃塞俄比亚、土耳其、葡萄牙、斯洛伐克等（43）	斯里兰卡、爱尔兰、保加利亚、伊朗、格鲁吉亚、印度尼西亚等（118）
2023年（182）	奥地利、德国、法国、加拿大、乌克兰、意大利、美国、荷兰、比利时（9）	塞尔维亚、巴西、罗马尼亚、中国、波兰、丹麦、西班牙、英国、瑞士等（18）	日本、贝宁、斯洛文尼亚、乌拉圭、尼日利亚、卢森堡、瑞典、斯里兰卡等（35）	津巴布韦、缅甸、爱沙尼亚、拉脱维亚、缅甸、博茨瓦纳、芬兰、肯尼亚等（120）

Tab.4 The top ten Weighted In-Degree and Weighted Out-Degree of the global soybean trade network in 2000,2007,2015 and 2023

2000年		2007年		2015年		2023年
加权入度	加权出度	加权入度	加权出度	加权入度	加权出度	加权入度	加权出度
中国	美国	中国	美国	中国	巴西	中国	巴西
荷兰	巴西	荷兰	巴西	德国	美国	阿根廷	美国
日本	阿根廷	日本	阿根廷	墨西哥	阿根廷	墨西哥	巴拉圭
墨西哥	巴拉圭	墨西哥	巴拉圭	日本	加拿大	德国	加拿大
德国	荷兰	德国	加拿大	西班牙	巴拉圭	日本	乌克兰
西班牙	加拿大	西班牙	荷兰	荷兰	乌克兰	西班牙	阿根廷
韩国	中国	意大利	中国	泰国	荷兰	泰国	南非
泰国	玻利维亚	泰国	乌克兰	土耳其	乌拉圭	意大利	荷兰
印度尼西亚	比利时	印度尼西亚	比利时	俄罗斯	土耳其	印度尼西亚	尼日利亚
比利时	津巴布韦	阿根廷	乌拉圭	印度尼西亚	印度	土耳其	玻利维亚

Tab.5 The top 10 betweenness centrality of the global soybean trade network in 2000,2007,2015 and 2023

2000年		2007年		2015年		2023年
国家	中介中心度	国家	中介中心度	国家	中介中心度	国家	中介中心度
美国	22.978	加拿大	18.380	美国	18.430	美国	25.098
中国	16.039	美国	17.287	荷兰	18.303	巴西	11.025
加拿大	14.158	中国	11.157	中国	10.338	加拿大	8.294
巴西	9.389	印度	10.920	加拿大	9.219	印度	7.926
南非	7.008	法国	8.498	法国	8.799	中国	7.850
澳大利亚	6.974	南非	7.010	南非	7.879	南非	6.926
新加坡	5.634	英国	6.324	印度	7.648	土耳其	6.286
泰国	5.562	泰国	5.309	巴西	6.428	比利时	5.975
阿根廷	5.499	西班牙	5.238	新西兰	5.565	荷兰	5.491
比利时	5.187	德国	4.687	德国	4.059	法国	5.144

Tab.6 The top ten closeness centrality of the global soybean trade network in 2000,2007,2015 and 2023

2000年		2007年		2015年		2023年
国家	接近中心度	国家	接近中心度	国家	接近中心度	国家	接近中心度
美国	26.804	加拿大	58.392	荷兰	65.035	美国	63.509
中国	25.743	美国	57.986	美国	60.390	加拿大	59.539
加拿大	25.743	中国	55.667	中国	57.407	巴西	58.958
巴西	25.325	法国	54.045	加拿大	57.055	中国	56.918
荷兰	25.080	印度	52.516	法国	56.881	法国	56.740
阿根廷	25.000	德国	52.516	印度	55.856	比利时	56.386
法国	25.000	英国	52.351	德国	54.227	荷兰	56.037
德国	24.490	阿根廷	52.351	英国	54.070	意大利	55.352
英国	24.490	巴西	52.188	巴西	53.913	德国	54.192
比利时	24.375	荷兰	51.543	意大利	53.295	乌克兰	54.030

Fig.2 Soybean trade network of core countries in 2023

Fig.3 Proportion of soybean imports from 2017 to 2023

Fig.4 Global soybean production and consumption as well as China's soybean import volume

References 24

[1]	胡欣然.中国大豆进口潜在风险及对策研究.北京: 中国农业科学院,2021.
	HU X. Research on potential risks and countermeasures of China's soybean imports.Beijing: Chinese Academy of Agricultural Sciences,2021.
[2]	李锋.中国大豆生产成本的比较和经济技术需求.农学学报,2019,9(04):1-6.
	LI F. Comparison of China's soybean production costs and economic-technical demands. Journal of Agricultural Science,2019,9(04):1-6.
[3]	赵秀兰,王冀.近60年美国大豆产量变化及气候影响特征与未来展望.农业展望,2022,18(01):26-32.
	ZHAO X, WANG J.Changes in U.S. soybean yield and characteristics of climatic impacts in recent 60 years and future prospects. Agricultural Outlook,2022,18(01):26-32.
[4]	赵秀兰,侯英雨.巴西大豆产量变化趋势与展望.农业展望,2010,6(07):33-35.
	ZHAO X, HOU Y.Trends and prospects of soybean yield changes in Brazil. Agricultural Outlook,2010,6(07):33-35.
[5]	SERRANO M, BOGUÑÁ M.Topology of the world trade web.Physical review.E,Statistical,nonlinear,and soft matter physics,2003,68:015101.
[6]	方国柱,祁春节,顾雨檬,等.全球农产品贸易网络演化与中国对策.中国农业资源与区划,2024,45(01):73-83.
	FANG G, QI C, GU Y,et al.Evolution of the global agricultural trade network and China's strategies.Chinese Journal of Agricultural Resources and Regional Planning,2024,45(01): 73-83.
[7]	吴英丽,印中华.全球木质林产品贸易竞争与互补网络结构分析.北京林业大学学报(社会科学版),2024,23(01):21-30.
	WU Y, YIN Z.Analysis of the competitive and complementary network structure of global wood forest products trade.Journal of Beijing Forestry University (Social Sciences Edition),2024,23(01):21-30.
[8]	奎国秀,祁春节.基于社会网络分析的世界柑橘贸易格局演化研究.世界农业,2022(06):18-30.
	KUI G, QI C.Evolution of world citrus trade patterns based on social network analysis.World Agriculture,2022(06):18-30.
[9]	刘婷婷,张蕙杰,康永兴,等.社会网络视角下的全球棉花贸易格局分析.世界农业,2022(04):26-36.
	LIU T, ZHANG H, KANG Y,et al. Analysis of the global cotton trade pattern from a social network perspective.World Agriculture,2022(04): 26-36.
[10]	祝谭文,布娲鹣·阿布拉.世界植物油籽贸易网络的结构特征及其演化研究.中国油料作物学报,2024,46(06):1203-1212.
	ZHU T,BUW J.Structural characteristics and evolution of the world vegetable oil seed trade network.Chinese Journal of Oil Crop Sciences,2024,46(06):1203-1212.
[11]	彭红枫,王雪童,马世群.RCEP成员国农产品贸易网络的动态结构及其影响因素分析.统计研究,2024,41(01):71-84.
	PENG H, WANG X, MA S.Analysis of the dynamic structure and influencing factors of agricultural trade networks among RCEP members.Statistical Research,2024,41(01):71-84.
[12]	王海文,王振翰.RCEP成员国文化产品贸易网络演化及结构分析.烟台大学学报(哲学社会科学版),2024(04):1-13.
	WANG H, WANG Z.Evolution and structural analysis of cultural products trade networks among RCEP members.Journal of Yantai University (Philosophy and Social Sciences Edition),2024(04):1-13.
[13]	张辉,李宁静. "一带一路"贸易关系演变特征:基于社会网络分析视角.社会科学,2023(12):125-136.
	ZHANG H, LI N.Evolution Characteristics of "Belt and Road" trade relations: From the perspective of social network analysis.Social Sciences,2023(12):125-136.
[14]	王苑,刘举胜,邱志萍,等."一带一路"背景下中国与白俄罗斯贸易效率及潜力研究——基于社会网络与随机前沿引力模型.世界地理研究,2025,34(07):29-42.
	WANG Y, LIU J, QIU Z,et al.Trade efficiency and potential between China and Belarus under the Belt and Road initiative: Based on social network analysis and the stochastic frontier gravity model.World Regional Studies,2025,34(07):29-42.
[15]	崔岩,富晨.东亚区域价值链网络的演进特征及影响因素——基于SNA的实证分析.世界地理研究,2025,34(05):65-79.
	CUI Y, FU C.The evolution characteristics and influencing factors of East Asia's value chain network: An empirical analysis based on SNA.World Regional Studies,2025,34(05):65-79.
[16]	陈智文.美国大豆生产及贸易现状.世界农业,2005,(01):15-17.
	CHEN Z.Current status of U.S. soybean production and trade.World Agriculture,2005,(01): 15-17.
[17]	马翠萍,杨水清.加入WTO以来中美经贸关系演变下的大豆贸易研究.世界农业,2024(05):69-80.
	MA C, YANG S.Study on soybean trade under the evolution of China-U.S. economic and trade relations since China's accession to the WTO. World Agriculture,2024(05):69-80.
[18]	苏丹华,倪国华,鲍勤. "一带一路"共建国家大豆生产潜力及其对中国大豆贸易主导权的影响研究.管理评论,2025,37(01):64-74.
	SU D, NI G, BAO Q.Soybean production potential of BRI countries and its impact on China's dominance in soybean trade.Management Review,2025,37(01):64-74.
[19]	和聪贤.世界大豆贸易网络格局演变及影响机制研究.世界农业,2022(08):27-40.
	HE C. Study on the evolution and influence mechanism of the world soybean trade network pattern. World Agriculture,2022(08): 27-40.
[20]	叶玮怡,马恩朴,廖柳文,等.远程耦合视角下国际大豆贸易网络的时空演化及影响因素.自然资源学报,2023,38(06):1632-1650.
	YE W, MA E, LIAO L,et al.Spatio-Temporal evolution and influencing factors of the international soybean trade network from the perspective of remote coupling.Journal of Natural Resources,2023,38(06):1632-1650.
[21]	WATTS D, STROGATZ S.Collective dynamics of "Small-World" networks. Nature,1998(393):440-442.
[22]	王晓卓.全球棉花贸易网络地位提升的影响因素分析.世界农业,2022(12):10-23.
	WANG X.Analysis of influencing factors for enhancing the status of the global cotton trade network.World Agriculture,2022(12):10-23.
[23]	苏甜甜,李翠霞.全球畜产品贸易网络演化特征及对中国的启示.中国农业资源与区划,2024,45(11):142-156.
	SU T, LI C.Evolution characteristics of the global livestock products trade network and enlightenment for China. Chinese Journal of Agricultural Resources and Regional Planning,2024,45(11):142-156.
[24]	BORGATTI S, MEHRA A, BRASS D,et al.Network analysis in the social sciences. Science,2009,323(5916):892-895.