EN中文

Economic geography >

2025 , Vol. 45 >Issue 4: 97 - 108

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.04.010

Evolution and Diverse Driving Mechanisms of the Global Palm Oil Trade Network

  • JIANG Zilong , 1 ,
  • WANG Jun , 2, ※ ,
  • LI Jun 3 ,
  • WANG Qiang 4
Expand
  • 1. Key Laboratory for Geographical Process Analysis & Simulation of Hubei Province，Central China Normal University，Wuhan 430079，Hubei，China
  • 2. School of Business Administration，Zhongnan University of Economics and Law，Wuhan 430073，Hubei，China
  • 3. School of Tourism，Kaili University，Kaili 556099，Guizhou，China
  • 4. School of Geographical Sciences & School of Carbon Neutrality Future Technology，Fujian Normal University，Fuzhou 350007，Fujian，China

Received date: 2024-08-29

  Revised date: 2025-04-12

  Online published: 2025-06-24

Fold

Abstract

Based on the UN Comtrade database, this article constructs the global palm oil trade network from 2000 to 2023 and examines its structural characteristics, evolutionary trends, and driving mechanisms using the complex network analysis and the TERGM model. The findings reveal that: 1) Global palm oil trade exhibits significant growth, transitioning through three phases: rapid expansion, fluctuating growth, and structural adjustment. China is primarily an importer, with steady demand, minimal exports, and a trade deficit. 2) Trade linkages have intensified over time, characterized by low network density, short average path length, a high average clustering coefficient and a clear “small-world” feature. 3) Malaysia and Indonesia are core producers and exporters, while European countries' positions fluctuate. The U.S. and the Netherlands serve as key hubs, and emerging markets (e.g., UAE) gain prominence. 4) The microstructure of global palm oil trade presents diverse patterns, including “multilateral reciprocal” “central export” and “intermediary export”, which reflects the diversity and complexity of global trade. 5) TERGM results indicate that the trade network is driven by multiple mechanisms. Regional selection drives dynamic evolution of network, relational embedding stabilizes network structure, and self-organization optimizes internal structure of network.

Key words： palm oil; trade network; complex network analysis; TERGM model; network evolution; multiple driving mechanism

Cite this article

JIANG Zilong , WANG Jun , LI Jun , WANG Qiang . Evolution and Diverse Driving Mechanisms of the Global Palm Oil Trade Network[J]. Economic geography, 2025 , 45(4) : 97 -108 . DOI: 10.15957/j.cnki.jjdl.2025.04.010

确保“油瓶子”多装中国油是推进国家粮食安全的关键任务。近几十年来，中国的植物油消费结构发生了较大的调整[1]。加入WTO前，中国以产量占优的菜油、花生油、棉籽油消费为主；加入WTO后，随着中国对外贸易的广泛开展，大豆油和棕榈油等进口增加，菜油消费优势逐年走低。根据国家粮油信息中心数据，2022/2023年度全国植物油总消费量4096万 t，其中，大豆油1620万 t（39.5%）、菜籽油910万 t（22.2%）、棕榈油390万 t（9.5%），其余为花生油、葵花籽油、玉米油等。形成了以大豆油、菜籽油消费为主，棕榈油及其他植物油为重要补充的多元消费格局。当前，中国的主要植物油自给率相对较低，对外依赖性强，其中豆油、菜油等通过一系列油料产能提升工程，扩种增产成效明显，自给率有所提高。棕榈油作为食品工业、清洁用品、生物燃料等领域的重要原料，我国年度进口总量维持在400~700万 t[2]，对外依存度超过90%[3]，但受到气候环境和农业技术的限制，自给率短期内很难提升。近年来，受国际地缘政治环境变化[4]、棕榈油主产国出口政策[5]和全球极端气候[6]影响，棕榈油供给发生了较大波动，导致全球油料市场震荡，深刻影响着中国油脂资源的安全。未来，若国际市场油料油脂供应短缺，中国应当如何端稳油瓶子?这是亟需关注、思考和解决的问题。因此，分析全球棕榈油贸易网络演化及多元驱动机制，对于全面认识中国油脂资源安全具有重要意义。
目前，中国学术界围绕全球资源、能源贸易网络及中国资源、能源安全开展了系列研究[7-8]，为本文研究提供了有益借鉴。但具体到油脂资源贸易与国家安全议题方面，相关研究则有待进一步加强。在研究对象上，一些学者重点关注豆油[9]、菜籽油[10]、葵花籽油[11]和橄榄油[12]等特定油脂产品的贸易流向，考察不同区域层面的油脂进出口贸易[13]。而对于棕榈油贸易研究则集中在主要生产和出口国如马来西亚[14]、印尼[15]，以及主要进口国如中国[16]、印度[17]、巴基斯坦[18]和欧盟国家[19]。同时，部分研究也关注到全球棕榈油供应链中各国在不同环节的角色及作用，如生产者、中介和消费者[20]。在研究内容上，学者们探讨了油脂贸易网络结构、贸易模式演化和竞争格局，如严茂林等[21]通过分析棕榈油贸易网络结构特征，揭示了各国在全球棕榈油贸易中的地位及其演变过程；张莹等[22]通过考察葵花籽贸易流量变化，探索了市场需求和供给的驱动因素；而Fitrianti等[23]则通过构建棕榈油市场影响力指数，解析了印尼在全球棕榈油市场中的影响力。此外，还有研究涉及国际贸易政策和油脂贸易合作[24]。在研究方法上，大部分学者采用计量经济学模型、时间序列分析等方法[25-26]。同时，随着复杂网络分析方法的兴起，也有学者将复杂网络分析引入国际贸易研究中，考察油脂贸易网络结构特征[27-28]。当然，大数据和机器学习也为研究油脂贸易提供了创新性分析工具和独特研究视角[29]。
现有文献对全球棕榈油贸易网络结构进行了一定的考察，梳理了贸易结构演化，但也应该注意到贸易网络生成和演化的驱动机制还需要进一步探讨，区域选择、关系嵌入和自组织机制如何影响网络的生成和演化也尚未得到有效的检验和梳理。鉴于此，本文基于联合国UN Comtrade数据库，首先通过2000—2023年棕榈油出口贸易数据构建全球贸易网络，利用复杂网络分析方法考察网络整体结构和演化特征，继而剖析贸易国家的网络中心性和网络贸易模式，最后通过动态指数随机图模型（TERGM）探讨网络生成和演化多元驱动机制。以期为厘清全球棕榈油贸易格局及演化提供理论支撑，并为中国油脂安全战略制定和应对国际市场波动提供决策参考。

1 方法与数据

1.1 模型方法

1.1.1 复杂网络分析工具

本文采用复杂网络分析工具考察2000—2023年全球棕榈油贸易网络演化特征，将 t年实际参与棕榈油贸易的国家/地区（下文简称国家）抽象为网络空间中的节点（nodes），国家之间的贸易关系（亦称为贸易联系）为弧（edges），贸易量为弧的权重（weight），构建2000—2023年全球棕榈油贸易有向加权网络 G t = N , E w。其中， N为国家的集合， E为贸易关系集合， w为贸易总量（万t）。为揭示全球棕榈油贸易网络演化特征和贸易模式，宏观上通过网络密度考察贸易紧密，利用平均聚类系数和平均路径长度反映贸易一体化水平；微观上采用度中心度、接近中心度和中介中心度考察各个国家的网络地位。此外，采用Rand-ESU模体探寻算法对该网络进行3节点模体检测，并通过P值、Z值和频率进行模体评价。公式及说明参考何则、范斐等的研究[30-31]。

1.1.2 TERGM模型

①模型构建。TERGM兼顾网络外生和内生机制，通过纳入节点属性变量、网络协变量和网络结构分别考察区域选择、关系嵌入和网络自组织机制对全球棕榈油贸易网络生成和演化的影响。本文以棕榈油贸易网络为基础，确定24个时期网络样本，模型设定如下：
P G = g t | g t - k , ⋯ , g t - 1 , θ = e x p θ T h g t , g t - 1 , ⋯ , g t - k c ( θ , g t - k ⋯ , g t - 1 )
式中： P为 t年网络样本 g在所有可能出现的网络 G中的概率； θ为系数向量，将 θ转置后得到 θ T； h ( g t , g t - 1 , ⋯ , g t - k )为统计向量，用于捕捉 g t网络样本和上一期网络样本 g t - 1的内外生结构特征； c为标准化常数，其作用是确保概率之和为1。
②变量说明。因变量是棕榈油贸易网络中国家之间发生贸易联系的概率。解释变量分为外生机制变量和内生结构变量。首先，外生机制变量包括节点属性变量和网络协变量，其中节点属性变量采用人口规模、经济发展水平、经济自由度、政府效能、棕榈油产量来刻画贸易关系建立的区域选择机制；而网络协变量则通过空间距离关系、地理邻接关系、特殊历史关系和其他贸易关系嵌入考察全球棕榈油贸易网络生成和演化的空间依赖、邻近效应和贸易替代或强化效应。其次，内生结构变量是网络自组织过程中自然生成的网络特征，包括同一时间窗网络结构的互惠性、传递性、三元组、扩展性、聚合性和不同时间窗网络演化的稳定性和变异性，详细说明见表1。
表1 主要变量及说明

Tab.1 Description of key variables

类别 变量（符号） 变量说明 机制
外生
机制
变量		 接收者效应（nodeicov）
发出者效应（nodeocov）
异配效应（absdiff）		 人口规模（PS）、经济发展水平（EDL）、经济自由度（EF）、政府效能（GE）、棕榈油年产量（POAP）等属性及差异对进口/出口贸易关系生成和演化的影响，取对数 区域选择机制
网络协变量（edgecov） 空间距离关系（GD）对贸易关系建立的影响，以国家间行政首都球面距离为准，取对数 关系嵌入机制
地理邻接关系（ADJ）嵌入对贸易关系生成和演化的影响，国家间陆地相邻记为1，否则为0，形式是0-1矩阵
特殊历史关系（SHR）对贸易关系生成的影响，以全球近现代史为依据，若贸易双方曾为同一国家或具有殖民被殖民关系则即为1，否则为0，形式是0-1矩阵
其他贸易关系（TSE）嵌入对棕榈油贸易关系建立的影响，取对数
内生
结构
变量		 边数（edges） 边的数量，截距项，一般不作解释 结构依赖效应 自组织机制
互惠性（mutual） 相互发出贸易关系，形成互惠链接的倾向
传递性（transityvity） 贸易梯度传递结构对贸易关系生成的影响
三元组（triple） 三元组闭合结构对贸易关系生成的影响
扩展性（gwodegree） 国家 i出口贸易关系数量分布变化趋势对贸易关系生成的影响
聚合性（gwidegree） 国家 i进口贸易关系数量分布变化趋势对贸易关系生成的影响
稳定性（stability） t期贸易关系在 t + 1期保持稳定的趋势 时间依赖效应
变异性（variability） t期贸易关系在 t + 1期发生变异的趋势

1.2 数据来源

棕榈油（HS1511）双边贸易数据来源于联合国商品贸易数据库（UN Comtrade）。考虑到各年份参与贸易的国家数量不同，为保证网络样本量和指标可比性，基于各年份进出口总量提取出排名前100的国家进行贸易网络演化特征分析。所提取出的国家棕榈油贸易量占全球贸易总量的99.93%以上，具有较强的代表性，最终得到2000—2023年共24份全球棕榈油贸易网络。解释变量中人口规模、经济发展水平、政府效能指数等数据来源于世界银行发展指数数据库（Data Bank）和全球治理指数数据库（WGI）；经济自由度来自美国传统基金会（The Heritage Foundation）；棕榈油年产量来自联合国粮食和农业组织数据库（FAOSTAT）；地理空间数据来自CEPII数据库；是否相邻通过国家基础地理信息中心提供的全球标准地图统计而来；其他贸易关系通过大豆油（HS1507）和菜籽油（HS1514）贸易矩阵进行刻画，汇总各个年份大豆油和菜籽油贸易总量，提取出双边贸易关系。香港、澳门和台湾当作单独的贸易节点纳入分析。在考察网络演化特征时，选取2000、2008、2016、2020和2023年5个观测年份进行详细分析。

2 全球及中国棕榈油贸易发展特征

2.1 棕榈油贸易阶段划分

图1呈现了2000—2023年全球棕榈油出口总量的演化趋势，出口总量经历了从快速扩展到波动增长，再到结构调整的3阶段特征。在快速扩展期（2000—2008年），全球棕榈油出口量从1106.23万 t激增至3923.50万 t，增幅超过250%。这一时期，世界经济保持高速增长，中国、印度等重要消费国对棕榈油的需求迅猛攀升。与此同时，2003年欧盟颁布生物燃料指令框架，大幅提升了以棕榈油为原料的生物柴油消费，进一步推高了出口规模。进入波动增长期（2009—2019年）后，尽管受2008年金融危机余波及2014和2016年国际市场供需波动影响，出口总量出现起伏，但总体态势依旧向上，2009年为3080.53万t，到2019年已攀升至4697.38万t。本阶段，棕榈油市场在危机冲击与恢复之间不断调整，供应链和消费结构逐步企稳，出口量维持温和增长。2020年以来，新冠疫情、俄乌冲突不断冲击全球供应链市场，印尼政府暂停棕榈油出口政策更为市场平衡带来巨大扰动，全球棕榈油贸易进入结构调整期（2020年至今）。该阶段出口总量由2020年的4351.32万t下降至2023年的3514.17万t，累计回落约19个百分点。
图1 全球棕榈油出口量变化

Fig.1 Changes in global palm oil export volume

2.2 棕榈油净贸易特征

图2是2000、2008、2016、2020和2023年全球净贸易量分布与净出口（净进口）量排名前10的国家。在图2a中，正数为净进口，负数为净出口，结果显示全球棕榈油净贸易量集中分布在0~5000万t，其中80%以上的国家以净进口为主，净出口则集中在小部分国家。从净出口量排名上来看，马来西亚、印尼长期是棕榈油出口大国，出口量占全球总出口量的80%以上，折射出棕榈油贸易具有较强的路径依赖和地域垄断。从净进口量来看，印度、中国、巴基斯坦为主要进口国，进口量持续增加。部分欧洲国家如荷兰、西班牙、德国等也是重要的棕榈油进口国。值得注意的是，部分国家棕榈油进出口量均保持较高水平，如荷兰大量进口棕榈油加工后再出口。
图2 净贸易量分布与净出口/净进口量排名前10的国家

Fig.2 Distribution of net trade volume and rankings of net exporters and net importers (top 10 countries ot regions)

2.3 中国棕榈油贸易分析

总体来看，中国以进口为主、出口规模较小，长期处于结构性逆差状态（图3）。其中，2000—2009年主要得益于国内消费需求和深加工能力的快速提升，进口量由146.85万 t激增至612.07万 t，增幅达到316.83%。2009—2019年，尽管进口量整体保持上升态势，但增速明显回落，进口量呈现上下波动的态势。2020年以来，进口量出现不同程度的回落。在进口来源国方面，马来西亚、印尼长期稳居中国棕榈油的两大主供国，合计占比超过70%。与此同时，随着中国贸易多元化战略的逐步推进，泰国、柬埔寨等国也逐渐成为中国的重要供应方，为优化进口来源结构提供了新的支撑。
图3 2000—2023年中国进出口总量及与主要进口来源国的贸易量

Fig.3 China's total import and export volume and trade volume of major import sources from 2000 to 2023

3 全球贸易网络演化与各国地位变迁

3.1 网络整体结构演化

本文绘制了2000、2008、2016、2020和2023年贸易网络图（图4）。结果显示，国家间贸易联系逐渐加强，贸易量呈波动上升趋势，第5档贸易边从0（2000年）增加到4条（2020年），第4档则从4条增加到10条，其他档的贸易边增幅也相对较快，但2023年第4档和第5档均降到了1条，其他档次亦呈下降趋势。
图4 棕榈油贸易网络结构演变

Fig.4 Evolution of palm oil trade network structure

图5展示2000—2023年网络密度、平均聚类系数、平均路径长度变化趋势。结果显示，网络密度相对较低，呈波动增长趋势。2020年新冠疫情暴发，全球贸易受到影响，网络密度急剧下降，由2019年的0.101下降至0.096。2021年全球棕榈油贸易逐渐恢复，网络密度有所回升。随着2022年4月印尼暂停出口棕榈油产品，引发食用油市场震荡，网络密度跌至0.062，跌幅约35.417%。与此同时，本文用平均聚类系数和平均路径长度刻画全球棕榈油贸易一体化水平。结果显示，平均聚类系数较高，均值为0.441，波幅较小，波动区间集中在0.401~0.470，表明在棕榈油贸易网络中，国家之间存在较强的区域性合作，形成了密集的贸易团体；平均路径长度相对较低，且呈下降趋势，意味着国家之间直接贸易路径缩短，贸易中间环节的依赖性有所下降，各国棕榈油贸易联系进一步加强。总体来说，这种较高的平均聚类系数和较低的平均路径长度表明棕榈油贸易网络具有小世界网络特征，同时也说明全球棕榈油贸易一体化水平较高，国际合作不断降本、提质、增效。
图5 整体网络特征

Fig.5 Overall network characteristics

3.2 各国网络地位变迁

表2报告了度中心度、接近中心度和中介中心度排名前10及中国的统计结果。从度中心度上来看，马来西亚和印尼长期位于全球前列，与其他国家差距明显，在棕榈油贸易网络中占据核心地位。欧洲国家度中心度波动较大：荷兰、意大利、德国呈上升趋势，而英国则趋于下滑。阿联酋2016年跻身前10，新兴市场崭露头角。中国度中心度排名持续低位，但进口量大，说明中国对少数供应国依赖较高，有必要拓展贸易伙伴网络，以增强网络韧性，保障国内棕榈油市场稳定和有效需求得到满足。
表2 排名前10国家及中国的网络中心性测算结果

Tab.2 Measurement results of the network centrality of the top 10 countries and China

2000 2008 2016 2020 2023
度中心度 马来西亚 82 马来西亚 107 马来西亚 107 马来西亚 107 马来西亚 95
印尼 74 印尼 85 印尼 90 印尼 92 荷兰 57
新加坡 61 新加坡 62 荷兰 68 荷兰 68 比利时 51
荷兰 57 意大利 55 英国 63 德国 63 意大利 50
意大利 43 荷兰 53 德国 62 英国 52 德国 48
英国 41 德国 52 意大利 57 西班牙 51 瑞典 42
德国 39 法国 50 比利时 50 美国 50 西班牙 41
比利时 34 英国 47 美国 49 新加坡 50 法国 40
美国 33 美国 44 新加坡 43 意大利 48 英国 37
法国 29 比利时 37 阿联酋 42 法国 48 美国 35
中国 12 中国 21 中国 17 中国 18 中国 12
接近中心度 保加利亚 1.000 刚果(布) 1.000 爱沙尼亚 1.000 伊朗 1.000 中国 1.000
沙特 1.000 马来西亚 0.949 芬兰 1.000 马来西亚 0.943 爱沙尼亚 1.000
芬兰 1.000 印尼 0.894 伊朗 1.000 印尼 0.934 坦桑尼亚 1.000
爱沙尼亚 1.000 新加坡 0.761 马来西亚 0.955 新加坡 0.692 巴基斯坦 1.000
马来西亚 0.887 意大利 0.650 印尼 0.924 荷兰 0.684 马来西亚 0.956
约旦 0.875 阿联酋 0.633 荷兰 0.705 德国 0.672 荷兰 0.651
印尼 0.859 法国 0.630 英国 0.685 意大利 0.635 意大利 0.643
新加坡 0.769 德国 0.626 意大利 0.682 西班牙 0.630 德国 0.633
荷兰 0.677 荷兰 0.623 德国 0.663 阿联酋 0.622 瑞典 0.618
埃及 0.667 英国 0.611 新加坡 0.657 瑞典 0.621 比利时 0.599
中国 0.398 中国 0.361 中国 0.500 中国 0.458 - -
中介中心度 美国 1685.982 马来西亚 2244.931 马来西亚 1941.144 马来西亚 1931.863 马来西亚 886.107
马来西亚 1364.217 美国 933.369 荷兰 694.995 荷兰 1075.025 意大利 619.212
荷兰 1118.720 德国 775.602 美国 687.464 美国 950.794 荷兰 479.812
新加坡 703.302 意大利 644.136 德国 614.996 德国 736.319 德国 466.046
印尼 507.425 荷兰 552.923 英国 562.044 新加坡 519.726 比利时 439.715
印度 408.305 新加坡 526.157 意大利 479.056 印尼 472.703 美国 332.022
德国 387.883 法国 452.387 印尼 476.914 意大利 361.123 法国 271.541
英国 325.896 印尼 420.729 阿联酋 348.823 西班牙 337.663 土耳其 231.244
意大利 269.111 英国 381.676 新加坡 293.717 英国 307.769 西班牙 216.146
比利时 246.856 阿联酋 243.310 坦桑尼亚 266.372 阿联酋 278.361 英国 183.925
中国 161.956 中国 37.090 中国 106.191 中国 44.135 中国 8.222
从接近中心度上来看，5个观测年份中马来西亚、印尼和新加坡均保持较高且稳定的水平，说明在贸易网络中，受到的直接制约程度较低，核心地位稳固。其他国家排名出现较大波动：保加利亚等4国在2000年并列首位，2008年为刚果（布），2016年爱沙尼亚、芬兰与伊朗并列，2020年为伊朗，2023年则是中国等4国共同领先。西欧部分国家接近中心度相对较高，早期以荷兰（2000年）、意大利（2008年）为代表，随着网络演化，英、德等国接近中心度进一步提高，瑞典、比利时等新兴接近中心也快速涌现。中国的接近中心度较低，5个观测年份中，除2023年排名第1外，其他年份排名均相对靠后。
从中介中心度来看，马来西亚、美国长期位居前列，构成棕榈油贸易网络主要桥梁，荷兰、新加坡也承担了重要的中介角色。其中马来西亚作为主要产销国，除了加工和出口本国自产的棕榈油之外，还从印尼进口粗棕榈油，深加工后再通过巴生港等枢纽港口直航或转口方式输送至全球主要消费市场。美国早期（2000年）作为西半球棕榈油再加工与转口枢纽，中介中心度一度居全球前列，随巴西港口升级、南美大豆油产能扩张及美国生物柴油政策转向，再出口规模逐渐收缩。荷兰鹿特丹港是欧洲最大的油脂集散中心，进口棕榈油输送至欧洲内陆国家，使其在棕榈油贸易链中扮演重要的中转节点角色。而新加坡依靠集装箱拼箱、BMD期货交易及航运金融服务，成为亚太地区棕榈油物流中转枢纽。

3.3 模体结构分析

进一步对5个观测年份进行3节点模体探测（表3），结果显示，共发现6个模体结构，分别为M238、M6、M46、M166、M38、M12。其中，M238是三元闭包结构，即a、b、c 3个国家之间同时存在棕榈油进出口关系，为“多边互惠”贸易模式；Z值在5个观测年份中均排名第1，最高为53.358。但出现频率较低，最高频率不足1%，说明该贸易模式仅在小部分国家之间形成。频率最高的是M6模体，为“中心出口”模式，同时在网络内生结构中也被称为“扩展性”结构，即a向b、c两国出口棕榈油产品。“中心出口”是国际贸易中稀缺性、地域性、技术性产品的主要贸易模式，出口方在贸易中拥有较大的市场控制力和议价能力，同时该模式也伴随着供应中断等潜在风险。此外，在新冠疫情和印尼棕榈油贸易政策影响下，2020、2023年节点关系大量转移或断裂，使得全球棕榈油贸易网络重组，M12模体在网络中开始活跃，该模体可以总结为“中介出口”模式，如德国从马来西亚进口棕榈油产品，最后出口至芬兰。
表3 模体搜寻与评价结果

Tab.3 Search and evaluation results for motif detection

编号（结构） M238
 M6
 M46
 M166
 M38
 M12
2000 频率（%） 0.324 59.523 2.271 1.535 6.743 -
Z值 53.358 7.434 7.086 5.735 4.374 -
2008 频率（%） 0.873 46.802 3.573 1.752 5.257 -
Z值 15.121 8.173 10.559 6.498 3.563 -
2016 频率（%） 0.478 49.854 3.036 1.608 5.687 -
Z值 22.983 7.396 5.975 5.649 4.698 -
2020 频率（%） 0.980 44.011 3.297 1.684 - 10.799
Z值 18.606 8.162 8.431 3.689 - 4.196
2023 频率（%） 1.357 53.172 3.308 1.307 - 10.737
Z值 14.419 7.698 9.495 5.722 - 3.566

4 网络演化的多元驱动机制

4.1 实证结果

为降低大样本拟合引起的模型估计中断，间隔1年选取样本，从而对网络生成和演化的内外生动力进行TERGM估计，实证结果见表4。其中，模型1是加入节点属性变量的外生动力模型，用来检验棕榈油贸易关系建立的区域选择机制；模型2加入协网络，用来考察关系嵌入对网络生成和演化的影响；模型3加入互惠性、传递性、三元组结构、扩展性以及聚合性，用来检验内生结构效应；模型4为加入时间依赖项的综合模型，考察网络演化的稳定性和变异性。
表4 TERGM实证结果

Tab.4 Empirical results of TERGM

类别 变量 模型1 模型2 模型3 模型4
结构依赖
效应		 edges -9.161*[-17.783，-8.258] -8.477*[-16.497，-7.342] -9.371*[-12.349，-8.389] -8.710*[-11.379，-7.665]
mutual -0.392*[-0.598，-0.232] -0.455*[-0.657，-0.297]
transitiveties 0.514*[0.438，0.585] 0.348*[0.252，0.423]
ttriple 0.237*[0.226，0.253] 0.218*[0.207，0.229]
gwodegree -2.783*[-3.013，-2.551] -2.495*[-2.742，-2.275]
gwidegree 1.077[-0.118，5.618] 1.120[-0.233，4.879]
时间依赖
效应		 stability 0.276*[0.207，0.354]
variability -0.065*[-0.098，-0.053]
接收效应
nodeicov		 PS 0.016*[0.011，0.261] 0.015*[0.001，0.241] 0.011*[0.007，0.062] 0.036*[0.024，0.136]
EDL 0.113*[0.082，0.161] 0.086*[0.046，0.125] 0.093*[0.015，0.166] 0.045*[0.006，0.075]
EF 0.743[0.152，1.033] 0.799*[0.293，0.902] 0.700*[0.547，0.994] 0.829*[0.703，1.064]
GE 0.553*[0.282，0.640] 0.423*[0.195，0.494] 0.195*[0.093，0.272] 0.118*[0.003，0.218]
POAP -0.010*[-0.013，-0.005] -0.012*[-0.027，-0.007] -0.041*[-0.014，-0.095] -0.012*[-0.032，-0.006]
发出效应
nodeocov		 PS 0.031*[0.019，0.248] 0.015*[0.002，0.216] -0.005[-0.018，0.044] 0.004[-0.003，0.088]
EDL 0.235*[0.180，0.300] 0.218*[0.164，0.281] 0.033[-0.006，0.088] 0.054[-0.018，0.112]
EF 0.520*[0.410，1.370] 0.479*[0.361，1.232] 0.960*[0.822，1.266] 0.999*[0.874，1.218]
GE 1.533*[1.109，1.723] 1.326*[0.950，1.530] 0.804*[0.577，0.992] 0.572*[0.324，0.776]
POAP 0.183*[0.175，0.192] 0.177*[0.171，0.184] 0.119*[0.113，0.126] 0.107*[0.103，0.113]
异配效应
absdiff		 PS -0.032[-0.099，0.013] -0.019[-0.091，0.002] 0.042*[0.015，0.056] 0.051*[0.029，0.063]
EDL -0.088*[-0.124，-0.058] -0.075*[-0.108，-0.041] -0.043*[-0.074，-0.012] -0.059*[-0.099，-0.018]
EF 0.208[-0.023，1.062] 0.167[-0.056，0.931] 0.779*[0.611，1.079] 0.904*[0.772，1.130]
GE 0.480*[0.340，0.569] 0.381*[0.239，0.458] 0.285*[0.179，0.389] 0.253*[0.136，0.365]
POAP 0.030*[0.026，0.034] 0.022*[0.019，0.026] 0.027*[0.022，0.032] 0.029*[0.023，0.033]
网络协变量
edgecov		 GD -0.952*[-1.095，-0.927] -0.738*[-0.779，-0.718] -0.778*[-0.834，-0.766]
ADJ 0.806*[0.626，0.910] 1.106*[0.999，1.210] 1.241*[1.109，1.342]
SHR 0.753*[0.705，0.822] 0.611*[0.540，0.702] 0.668*[0.566，0.797]
TSE 0.143*[0.098，0.164] 0.113*[0.092，0.134] 0.115*[0.095，0.137]
Num.obs. 114072 114072 114072 114072

注：“*”表示0值不在置信区间，“[ ]”为5%置信区间。

①区域选择机制：接收效应中人口规模、经济发展水平、经济自由度、政府效能显著为正，表明人口较多、经济发展水平较高、经济自由度和政府效能较强的国家更可能成为棕榈油贸易关系的接受方。同时，棕榈油产量显著为负，表明产量越高的国家，对进口需求越低，抑制了进口关系的生成。发出效应中，人口规模和经济发展水平在外生动力中显著为正，加入内生结构变量后显著性消失，即网络内生结构会削弱人口规模和经济发展水平等因素对出口的影响。经济自由度、政府效能、棕榈油产量显著为正，说明经济自由度和政府效能的提升有助于出口关系的建立，而高产量则增加了出口的可能性。异配效应中，经济发展水平显著为负，棕榈油产量和政府效能显著为正。表明经济发展水平差异越小、棕榈油产量和政府效能差异越大，国家之间建立贸易关系的可能性就越大。经济发展水平相似的国家因为需求、政策的相似性更容易建立贸易关系，而棕榈油产量和政府效能差异大的国家因为互补需求和支持性政策更容易形成稳定的贸易纽带，赵良仕等亦得出类似的结论[32]。人口规模和经济自由度在加入内生结构后显著为正，表明内生结构能够增强人口规模和经济自由度差异对贸易关系建立的促进作用。
②关系嵌入机制：空间距离关系显著为负，即两国之间距离越远，建立贸易关系的概率就越小。空间距离关系通过运输成本、时间成本、物流挑战、文化差异等因素抑制了国家间棕榈油贸易关系的建立，从而影响网络的生成和演化。地理邻接关系显著为正，表明地理空间上相邻的国家建立和维持贸易关系的概率高于非邻国家。邻近国家之间基于区域合作、文化认同，能够有效降低交易的事前事后成本，从而促进贸易关系的建立和稳定，这与贺灿飞等的研究结论[33]具有一致性。特殊历史关系显著为正，表明特殊历史关系能够通过路径依赖、文化亲近、制度邻近等效应促进国家之间建立贸易联系。其他贸易关系显著为正，表明国家间其他贸易关系越强，建立和维持棕榈油贸易关系的可能性就越大，在棕榈油贸易网络生成和演化中，已经建立的其他贸易关系嵌入起到了积极的推动作用，验证了贸易强化效应，拒绝了贸易替代效应。
③网络自组织机制：互惠性显著为负，表明贸易互惠性在网络中受到抑制。全球棕榈油出口以单向贸易为主，国家之间相互出口关系较为少见，折射棕榈油产品贸易依赖的单向流动性以及国际经济分工引起生产与消费在空间上的分离。传递性和三元组显著为正，表明三元组闭合结构的加入有效地促进了国家间棕榈油贸易关系的建立，增强了网络的连通性和稳定性。扩展性显著为负，加入时间依赖后效应减弱，说明贸易网络中加权出度中心分布不均匀，存在少数棕榈油出口“明星经济体”。随着时间累计，棕榈油出口国家数量波动增加，加权出度中心势有所削弱。聚合性显著为正，考虑时间依赖效应后显著性消失，说明同期网络中存在高入度“明星国家”，随着时间演化，“明星国家”发生更替。时间依赖效应中，稳定性显著为正，变异性显著为负，说明棕榈油贸易关系生成和演化兼具稳定性和变异性。一方面，国家之间的贸易关系具有较高持续性和稳定性，主要贸易伙伴关系在一定时间内保持不变，甚至是强化，形成牢固的贸易纽带，与此同时，网络中的核心节点在时间维度上具有较高的稳定性，其地位或作用不易改变。另一方面，棕榈油供需波动、新兴市场的出现以及自然灾害、地缘政治风险、突发公共卫生事件等外部冲击能诱发网络异变，促成新贸易关系的形成或已有贸易关系的断裂。通过稳定性和变异性协同调节，全球贸易生态系统能够维持结构动态平衡。

4.2 模型检验

4.2.1 稳健性检验

本文通过以下几种方法进行稳健性检验：①将模拟次数R调整为1000；②将样本网络的时间隔调整为2年；③将估计方法从MPLE更换为MCMC。结果显示（限于篇幅未列出），稳健性检验结果与模型4具有较高的一致性，本文建立的TEGRM模型较为稳健。

4.4.2 拟合优度检验

以模型4的参数估计为基础，进行100次仿真模拟，选取几何加权边共享伙伴分布、几何加权二元组共享伙伴分布、节点间测地线距离、节点度分布、三元组等指标考察仿真结果，最后绘制拟合优度检验图（图6）。其中，实线为观测网络的测量结果，箱体虚线是仿真网络在95%置信区间的测量结果，若实线落在箱体线中线附近，表明拟合结果较好。结果显示，实际观测网络特征几乎落在仿真网络95%置信区间上，说明仿真网络能够较好地反映全球棕榈油贸易网络特征。同时，绘制ROC曲线和PR曲线（图6f）判断拟合结果，ROC与PR曲线下方面积越大，模拟性能越好。可以发现曲线向左上方弯曲，说明仿真网络接近实际观测网络，模型拟合效果较好。
图6 拟合优度检验

Fig.6 Test for goodness of fit

4.3 机制总结

根据社会选择理论[34]、关系嵌入理论[35]和网络自组织理论[36]，棕榈油贸易网络演化受区域选择机制、关系嵌入机制和网络自组织机制等多元机制驱动，并在不断演化中实现动态平衡（图7）。
图7 演化机制

Fig.7 Evolutionary mechanism

首先，区域选择机制是贸易关系生成和网络演化的基础，驱动网络动态演化。棕榈油产量反映了国家棕榈油资源的丰度，那些资源禀赋好、产量高的国家具有出口基础，进口需求较低，抑制了其主动建立进口关系的概率。而产量低、需求量大的国家会积极与高产量国家建立进口关系。一些国家大量进口棕榈油加工后再出口，形成棕榈油进出口的“双高”格局。此外，区域人口规模、经济发展水平决定了市场潜力和购买力，经济自由度和政府效能则提供了良好的贸易环境和政策支持，增强贸易引力。由于上述节点属性在区域上的差异造成的空间势能差奠定了全球棕榈油贸易网络的基本结构，同时节点属性在时间维度上变化，导致空间势能差也随之波动，进而带动网络结构的动态演化。
其次，关系嵌入机制通过抑制或强化贸易联系，使网络微观结构向稳定性演化。地理空间距离的负面效应表明，距离越远的国家之间建立贸易关系的概率越低，抑制了远距离贸易关系的形成，而相邻国家则由于地理接近性，能够以相对较低的成本建立和维持贸易关系，体现了地理邻近性对贸易联系的强化作用。受空间距离关系的影响，贸易网络在地理上呈现出一定的集聚性和异质性，同时由于距离关系的稳定性，推动了网络演化向稳定性发展。特殊历史关系通过文化亲近、制度相似、路径依赖等机制，强化了国家间的贸易联系。已建立的其他贸易关系同样对棕榈油贸易起到了强化作用，国家间的多边贸易联系可以相互促进，形成更加紧密、稳定的贸易网络。相反，如果其他贸易关系较弱或不存在，则会削弱现有的棕榈油贸易关系或抑制新贸易关系的形成。空间关系、特殊历史关系、其他贸易关系的强化效应，使得网络中的关键节点和边具有更高的稳定性，同时，关系嵌入机制也通过抑制不利因素，减少了网络的脆弱性和不稳定性。
最后，自组织机制在网络中起到了自我调节和优化的作用。互惠性表明单向贸易主导了棕榈油出口，传递性、三元组的正向效应说明中介和闭合结构促进了多边贸易关系的形成，增强了网络的稳定性。扩展性和聚合性机制则揭示了“明星经济体”的核心地位和高入度国家的主导作用，核心节点通过其影响力和辐射效应维持了网络的整体稳定。贸易关系的稳定性和变异性并存，既体现了主要贸易伙伴关系的持续性，也反映了外部冲击带来的网络变动。自组织机制使得贸易网络在面对供需波动、新兴市场出现、自然灾害和地缘政治风险等挑战时，能够保持适应性和灵活性，调节和优化网络内部结构。

5 结论与建议

梳理全球棕榈油贸易网络演化及多元驱动机制，对于全面认识中国油脂安全具有重要意义。本文基于2000—2023年全球棕榈油出口贸易数据构建网络，通过复杂网络分析方法考察网络结构和演化特征，并利用TERGM模型检验了网络演化的多元驱动机制。主要结论如下：
①全球棕榈油贸易总量增势明显。2000—2023全球棕榈油贸易增长经历了快速扩展、波动增长和结构调整3个时期。全球棕榈油净出口集中在马来西亚、印尼等少数国家，而大部分国家以净进口为主。中国主要以棕榈油进口贸易为主，出口较少，处于贸易逆差状态。
②全球棕榈油贸易联系不断加强。从选取的5个时间截面上看，核心贸易联系快速增加，普通贸易联系亦逐渐强化，但2023年无论是核心贸易联系还是普通贸易联系均出现降级现象。
③网络密度和平均路径长度相对较低，平均聚类系数较高，网络具有小世界特征，区域性合作密集，国际合作不断降本、提质、增效。
④马来西亚、印尼在全球棕榈油贸易网络中占据核心地位，欧洲国家如荷兰、意大利、德国在贸易网络中地位波动较大，而新兴市场崭露头角。中国在贸易网络中扮演重要角色，但贸易网络地位亟需提高，应增强与其他出口国的贸易关系以确保国内市场稳定。
⑤模体探测揭示了不同的棕榈油贸易模式，中心出口模式反映了出口国市场控制力，同时中介出口模式在网络中逐渐活跃，模体揭示了棕榈油贸易的微观结构和变化。
⑥多元驱动推动棕榈油贸易网络演化动态平衡。其中，区域选择机制奠定了网络的基础结构，促进网络动态发展，决定了各国在贸易网络中的定位和角色；关系嵌入机制抑制或强化了国家间的贸易关系，推动网络微观结构向稳定性演化；而自组织机制则调整和优化了网络内部结构。
根据上述结论，本文提出建议如下：①提升我国的棕榈油供应保障能力。应强化与马来西亚、印尼等核心出口国的棕榈油贸易关系，签订长期稳定的进口协议，建立高效的物流和供应链体系，以应对可能的国际市场波动。此外，应鼓励国内企业投资海外棕榈油生产基地，以提高棕榈油供给稳定性，同时获得更多的市场信息与价格优势。②推动进口来源和进口种类多元化。应充分利用“一带一路”倡议，RCEP等国际经贸合作框架或协定，积极拓展并巩固与其他出口国的棕榈油贸易关系，特别是新兴市场国家，减少对单一国家的依赖，确保棕榈油供应链的稳定和安全。同时，应加强其他植物油料、油脂贸易，如与俄罗斯、哈萨克斯坦加强油菜籽、葵花籽贸易，与荷兰、西班牙加强橄榄油贸易，与巴西、阿根廷加强大豆贸易等。③优化国内生产和加强战略储备。在云南、海南等适合种植油棕树的区域因地制宜推广油棕树种植，积极培育抗寒旱品种油棕树，提高棕榈油自给率。在不适宜油棕树生长的区域，种植推广油茶树等具有替代性植物油料，开发更多高效环保的替代油，减少对进口棕榈油的依赖。此外，还要建立和完善国家油脂战略储备体系，存储一定数量的棕榈油等重要油脂品种，以应对在供应链中断时保障国内市场短期供应。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Zhu X H, Zhang Y, Zhu Y Y, et al. The shift to plant-based dietary patterns in China would have significant effects on cultivated land resources[J]. Science Bulletin, 2024, 69(6):737-740

[2]
曹娜. 当前我国棕榈油进口快速增长的原因分析[J]. 中国油脂, 2020, 45(11):1-4.

[3]
钟钰, 甘林针. 新形势下多国出口限制与我国资源性农产品安全保障研究[J]. 湖南师范大学社会科学学报, 2023, 52(1):110-120.

[4]
王惠文, 葛岳静, 马腾. 地缘位势与中国——中亚地缘关系初探[J]. 经济地理, 2018, 38(9):10-21.

DOI

[5]
潘玥. 全球政治经济风险与东南亚粮食安全的韧性——以印尼为例[J]. 东南亚研究, 2023(1):62-86,156-157.

[6]
布鲁斯·麦克卡尔, 马里奥·费尔南德斯, 詹森·琼斯, 等. 气候变化与粮食安全[J]. 国外理论动态, 2015(9):120-125.

[7]
王强, 樊杰, 伍世代. 1990—2009年中国区域能源效率时空分异特征与成因[J]. 地理研究, 2014, 33(1):43-56.

DOI

[8]
姜巍, 高卫东, 张敏. 中国煤炭资源铁路流通网络结构特征及其演变[J]. 经济地理, 2013, 33(1):98-104.

[9]
汤艳丽. 中国豆油的生产、贸易与消费[J]. 中国农村经济, 2000(4):32-36.

[10]
Cardwell R, Brewin D G. Blackleg or blackmail? Economics of the Canada-China canola trade dispute[J]. Canadian Journal of Agricultural Economics/Revue Canadienne D'Agroeconomic, 2019, 67(3):251-260.

[11]
Chiurciu I A, Soare E, Vlad I M, et al. Romania's position in the worldwide trade with sunflower and rape seeds[J]. Scientific Papers Series Management,Economic Engineering in Agriculture & Rural Development, 2023, 23(3):129-136.

[12]
吴学君, 汤婷. 世界橄榄油的生产及贸易动向分析[J]. 中国油脂, 2015, 40(12):1-6.

[13]
Mittaine J F, Mielke T. The globalization of international oilseeds trade[J]. Oléagineux,Corps Gras,Lipides, 2012, 19(5):249-260.

[14]
Ziaei S M, Ali I. Commodity exports and macroeconomic performance:The case of palm oil in Malaysia[J]. Cogent Economics & Finance, 2021, 9(1):1901388.

[15]
Ramadhani T N, Santoso R P. Competitiveness analyses of Indonesian and Malaysian palm oil exports[J]. Economic Journal of Emerging Markets, 2019, 11(1):46-58.

[16]
Purba J H V. Does Chinese vegetable oil consumption have positive implications for the Indonesia-China trade balance?[J]. Integrated Journal of Business and Economics, 2020, 4(1):36-44.

[17]
Nurcahyani M, Masyhuri M, Hartono S. The export supply of Indonesian Crude Palm Oil (CPO) to India[J]. Agro Ekonomi, 2018, 29(1):18-31.

[18]
Zaidi S M H. Edible oil imports in Pakistan[J]. South Asian Journal of Management, 2014, 8(1):1-8.

[19]
Rum I A, Tukker A, de Koning A, et al. Impact assessment of the EU import ban on Indonesian palm oil:Using environmental extended multi-scale MRIO[J]. Science of the Total Environment, 2022, 853:158695.

[20]
Hameed A A A, Arshad F M, Alias E F. Assessing dynamics of palm oil import demand:The case of six Asian countries[J]. Journal of Food Products Marketing, 2016, 22(8):949-966.

[21]
严茂林, 施文华, 周晓亮, 等. 全球棕榈油贸易格局演变及政策启示[J]. 中国油脂, 2023, 48(10):93-100.

[22]
张莹, 张雯丽. 世界葵花籽生产、贸易结构变迁及趋势分析[J]. 世界农业, 2018(9):119-126.

[23]
Fitrianti W, Syaukat Y, Hartoyo S, et al. Indonesian palm oil in the world vegetable oil market in the period of 2004-2017:Leader or follower[J]. Jurnal Manajemen Dan Agribisnis, 2019, 16(1):1-11.

[24]
Smith V H, Glauber J W. Trade,policy,and food security[J]. Agricultural Economics, 2020, 51(1):159-171.

[25]
Brümmer B, Korn O, Schlüßler K, et al. Volatility in oilseeds and vegetable oils markets:Drivers and spillovers[J]. Journal of Agricultural Economics, 2016, 67(3):685-705.

[26]
Hassan N A M, Zakaria K, Salleh K M, et al. An empirical analysis of Malaysian palm oil export to world main palm oil importing countries:evidence from a panel cointegration model[J]. Operations Research and Decisions, 2023, 33(1):62-73.

[27]
Barigozzi M, Fagiolo G, Garlaschelli D. Multinetwork of international trade:A commodity-specific analysis[J]. Physical Review E-Statistical,Nonlinear,and Soft Matter Physics, 2010, 81(4):046104.

[28]
Oosterveer P. Promoting sustainable palm oil:Viewed from a global network and flows perspective[J]. Journal of Cleaner Production, 2015, 107:146-153.

[29]
Brynjolfsson E, Hui X, Liu M. Does machine translation affect international trade?Evidence from a large digital platform[J]. Management Science, 2019, 65(12):5449-5460.

[30]
何则, 杨宇, 刘毅, 等. 世界能源贸易网络的演化特征与能源竞合关系[J]. 地理科学进展, 2019, 38(10):1621-1632.

DOI

[31]
范斐, 刘承良, 游小珺, 等. 全球港口间集装箱运输贸易网络的时空分异[J]. 经济地理, 2015, 35(6):109-115.

[32]
赵良仕, 江家喜, 王泽宇. “海丝”沿线国家渔业贸易隐含能源流动网络特征及影响因素[J]. 自然资源学报, 2024, 39(11):2691-2720.

DOI

[33]
黎明, 郭琪, 贺灿飞. 邻近性与中国企业出口市场的地理扩张[J]. 世界地理研究, 2018, 27(1):1-11.

[34]
McPherson M, Smith-Lovin L, Cook J M. Birds of a feather:Homophily in social networks[J]. Annual Review of Sociology, 2001, 27(1):415-444.

[35]
黄中伟, 王宇露. 关于经济行为的社会嵌入理论研究述评[J]. 外国经济与管理, 2007(12):1-8.

[36]
Anzola D, Barbrook-Johnson P, Cano J I. Self-organization and social science[J]. Computational and Mathematical Organization Theory, 2017, 23:221-257.

Options
Outlines

/

〈 〉