原文信息
Linmei Shang（尚林梅）, Changfeng Lin（林长锋）,| Ruike Ye（叶瑞克）*, Zhongyuan Li（李中源）, Yejing Zhang（张叶婧）, Ademola Braimoh. Reassessing food Security: How a Data‐Efficient 4As framework and machine learning uncover hidden patterns across G20 nations. Food and Energy Security, 14(5).
Abstract
Food security is a global challenge that demands a systematic approach to inform effective policymaking. However, empirical country-level food security studies remain scarce because of data limitations. To bridge this gap, we first develop a data-efficient National Food Security Index (NFSI) by innovatively adapting the 4As framework (availability, affordability, accessibility, and acceptability) of energy security. The weights of indicators in the framework are determined by an expert survey. The index is then applied to G20 members, and a clustering algorithm on the basis of machine learning uncovers several hidden patterns. The main findings of this study are as follows: (1) agricultural productivity, food affordability, and natural resource endowment are perceived as most crucial in determining food security; (2) Australia, the USA, France, the UK, and Germany consistently exhibit strong food security, whereas India, Mexico, Russia, and Indonesia trail behind. EU members demonstrate substantial improvements in sustainability, contrasting with mixed progress patterns observed in other major economies; and (3) five clusters are identified: leading performer (USA), resilient performers (like Canada and Germany), innovative performers (China, Japan, and South Korea), moderate performers (like Saudi Arabia and South Africa), and vulnerable performers (India and Indonesia). Tailored policy recommendations are provided for each cluster.
一、引言
当前，全球粮食安全正面临着持续饥饿、气候变化与地缘政治动荡等多重挑战。根据《世界粮食安全与营养状况》报告，2023年全球仍有7.13亿至7.57亿人面临饥饿，表明世界迈向“零饥饿”这一可持续发展目标的征程仍很漫长。尽管粮食安全被视为全球性议题，但国家层面的实证研究却依然稀缺，这主要源于两大障碍：一是缺乏标准化的分析框架以量化国家粮食安全；二是难以获取可靠且可比较的跨国数据。为弥补上述研究缺口，本文创新性地引入了由亚太能源研究中心（APERC）开发的能源安全4As框架（包含可用性、可负担性、可获得性与可接受性四个维度），并将其系统性地适配于粮食安全的评估，构建了一个数据需求更低、透明度更高的国家粮食安全指数。同时，研究系统性地将这一框架应用于二十国集团（Group of 20，G20），并通过机器学习的聚类方法揭示了各国在粮食安全、气候脆弱性与绿色农业创新方面的异质性模式，为各国制定精准的差异化政策提供了关键见解。
二、研究方法
（一）4As框架
在国家粮食安全评估框架构建上，将能源安全4As框架应用于粮食安全领域，并对其包含的四个维度在粮食安全背景下的定义进行了探讨。本文认为虽然能源和粮食属于不同的领域，但二者在基础性资源地位、高度全球化市场、对价格波动的敏感性以及对环境的外部性影响等方面具备相似属性，这为4As框架的跨学科应用提供了理论支持和实践支撑。
（二）国家粮食安全指数
本文为4As框架的每个维度选取两个核心子维度，并进一步筛选了人均农业面积、谷物单产、家庭食品支出占比等八个核心指标。为计算国家粮食安全指数，通过德尔菲法确定八个核心指标的权重，并将标准化后的数据依据该权重进行加权求和，最终得到综合指数。
（三）基于机器学习的聚类
在对G20成员国的国家粮食安全进行比较分析时，分组可以确定具有可比条件的国家，为有针对性的政策制定提供有价值的见解。因此，本文运用高斯混合模型这一机器学习聚类算法，基于各国的粮食安全指数、气候脆弱性及绿色农业专利数据，对
G20成员国进行系统性分类，以识别不同国家的粮食安全模式与结构性差异。
三、数据获取
4As框架中的核心指标数据主要来自FAOSTAT、UN Comtrade和USDA这三个公开数据库；
气候脆弱性数据来自美国圣母大学的全球适应指数（ND-GAIN）；绿色农业专利数据来自世界知识产权组织的WIPO GREEN数据库。
四、研究结果
（一）通过德尔菲法确定了4As框架中八个核心指标的权重。结果表明，在决定国家粮食安全水平的各项指标中，农业生产率、粮食可负担性和人均可耕地比其他指标更重要。
（二）将4As框架应用于G20成员国，发现各国在粮食安全方面呈现出明显的差异化：澳大利亚、美国、法国、英国和德国始终表现出强大而平衡的粮食安全，而印度、墨西哥、俄罗斯和印度尼西亚则面临多重挑战；欧盟成员国在农业可持续性方面有了很大改善，而中国的进步相对较小，巴西在这方面则有所倒退。
（三）基于机器学习的聚类分析，所有国家被划分为五个特征鲜明的类别，包括领先表现者、韧性表现者、创新表现者、中等表现者与脆弱表现者。具体而言，在G20成员国中，美国以高水平的粮食安全、绿色农业创新和强大的气候适应能力脱颖而出；中国、日本和韩国面临着中等程度的粮食安全和气候脆弱性，但它们在绿色技术方面具有高度的创新性；加拿大、德国、法国、英国、意大利和澳大利亚表现出高度的粮食安全、较低的气候脆弱性和相对较强的绿色创新；其他成员国需要加强可持续农业方面的创新，以改善粮食安全和气候适应能力。
五、研究意义
在理论层面，创新性地将能源安全领域的4As框架引入到粮食安全评估，构建了一个数据需求低、透明度高的国家粮食安全指数，实现了重要的方法论突破，有效降低了对传统专有数据与复杂指标的依赖，为在更广泛国家范围内开展粮食安全的比较研究开辟了可行路径；在实践层面，研究系统评估了G20这一全球核心经济群体的粮食安全状况，并通过机器学习的聚类分析揭示了其内部异质性规律，所提出的差异化政策建议不仅为各国制定精准、可持续的粮食安全政策提供了科学依据，也为全球粮食安全治理提供了新的分析范式和决策支持。
引用格式
L.M. Shang, C.F. Lin, R.K. Ye, et. al. Reassessing Food Security: How a Data-Efficient 4As Framework and Machine Learning Uncover Hidden Patterns Across G20 Nations[J]. Food and Energy Security. 2025,14(5): e70142.
整理发布
林长锋 浙江工业大学2024级应用经济学硕士研究生
