Introduction:
当今世界与以往任何时候一样相互联系. 一个国家的经济、社会和政治变化会给全世界带来冲击波. 正因为如此,国际关系和外交不断受到使用和考验. 除了金融市场之外,这些国际关系最普遍的形式是条约. 几个世纪以来,条约塑造和操纵着边界、安全和贸易. 某些国家是否比其他国家更能影响条约制定和国际关系? 这些特定的权力掮客是否加强了国家安全,使世界变得更安全? 这些都是我希望在下面的项目中回答的问题. With that in mind, 我假设“世界主要大国”(我将在下面定义)——比如美国, Russia, France, Germany, 以及联合王国——将通过条约与世界其他地区建立更紧密的联系. 因为我预计这些国家的销量会很大, 我也假设在签订更多条约的年代, 我们可以期待未来的和平岁月.

用于探索这个问题的数据集来自战争相关的正式州际联盟数据集(由阿拉巴马大学政治学教授创建), Douglas Gibler). 具体来说,我使用的是版本4.定向双元格式——使得列在state_name1(国家1)的国家做出承诺或将条约指向列在state_name2(国家2)的国家。. 我选择这个数据集是为了让它成为一个有向网络. Furthermore, 我对数据集进行了操作,以便列出状态#1和状态#2的列是数据中的前两个列, 使创建图形更容易. Thus, 我删除了版本号(根据gibler教授的说法,这是一个任意分配的数字分组)。, 还有州名代码.

为了更好的理解,我附上了变量字典, 但我也会简要总结一下我在这里使用的变量. First, dyad_st_year, 代表联盟根据战争关联系统生效的年份. 接下来,以0和1的形式列出条约的类型,1表示条约的类型. 这是重叠的,这意味着一个防御条约也可以算作一个互不侵犯条约. 字典将left_censor条约描述为存在于1816年1月1日之前的联盟,这是数据集所能追溯到的最远的时间. 《买球平台》是一项直接的协议,在2012年12月31日仍被认为有效. 最后三种条约是防御条约, 哪个说第一州签署了保护第二州的防御协议, a neutrality treaty, 这表明第一状态同意对第二状态保持中立, a nonaggression treaty, 也就是说状态1同意不攻击状态2, 最后是协约国条约, 上面说第一州同意在危机发生时与第二州协商.

使用这些信息, 我将首先探讨连接的数量和类型, 然后进行网络分析,看看国家之间是如何相互影响的.

In [1]:
alliance <- read.csv("~/Downloads/version4.1_csv/alliance_v4.1_by_directedNEW.csv", header=TRUE)
library(igraph)
library(ggplot2)
g=graph.data.frame(alliance,directed=TRUE)
附件:“igraph”

以下对象被' package:stats '屏蔽:

    decompose, spectrum

下面的对象是从' package:base '屏蔽的:

    union

As I explained above, 我在上面选择的数据集允许我将这个图形变成一个有向网络. Thus, 加载数据后(我提前操作), 我创建了图形“g”用于以后的网络分析.

In [2]:
dim(alliance)
head(alliance)
  1. 6444
  2. 15
state_name1state_name2dyad_st_daydyad_st_monthdyad_st_yeardyad_end_daydyad_end_monthdyad_end_yearleft_censorright_censordefenseneutralitynonaggressionententeversion
United KingdomPortugal 1 1 1816 NA NA NA 1 1 1 0 1 0 4.1
Portugal United Kingdom 1 1 1816 NA NA NA 1 1 1 0 1 0 4.1
United KingdomSweden 1 1 1816 15 2 1911 1 0 0 0 0 1 4.1
Sweden United Kingdom 1 1 1816 15 2 1911 1 0 0 0 0 1 4.1
Hanover Bavaria 1 1 1838 15 3 1848 0 0 1 0 1 1 4.1
Hanover Bavaria 29 11 1850 15 6 1866 0 0 1 0 1 1 4.1
In [3]:
TPY<-table(alliance$state_name1, alliance$dyad_st_year)

TreatyperYear<-apply(TPY, MARGIN=2, FUN=sum)
head(TreatyperYear)

barplot(TreatyperYear)
1816
78
1827
6
1831
2
1832
4
1833
26
1834
12

首先,我绘制了一张每年签订条约总数的图表. 这是一个很好的起点,可以最好地了解条约的数量是如何随时间波动的, 几年来达成了大约400项不同的条约,而其他条约则接近于零. Furthermore, 虽然这是一个简单的图形, 这对于知道以后更详细地探索哪一年或哪几十年是有用的. 随着时间的推移,外交手段似乎有所增加, 二战后的时代是一个决定性的时刻,世界变得更小,通过条约更紧密地联系在一起.

这张图是一个很好的起点, however, 并非所有条约在相关性或效力方面都是平等的. 为了更好地了解这些条约是如何真正相互作用的, 有必要看看世界主要大国签订的条约(意味着它们是第一国). 用詹姆斯·莫罗教授的, 《国际贸易的政治决定因素:大国, 1907-1990年的大国名单,我选择了美国, Russia, UK, France, and Germany. 鉴于意大利目前缺乏国际参与,我把它从我的大国名单中去掉了, 这与额外的学术研究一致(见引用的作品). Additionlly, 下面的特征向量和中间度中心性得分证实了这些国家确实处于国际外交的中心. Although, 我对我的选择做了一些假设, 我相信,从当前和历史的角度来看,这些国家在很长一段时间内一直处于世界的中心.

In [4]:
Major<-alliance[alliance$state_name1==c(“美利坚合众国”, "Russia", "United Kingdom", "France", "Germany"),]
head(Major)
dim(Major)
Warning message in is.na(e1) | is.na(e2):
"较长对象长度不是较短对象长度的倍数" ==中的警告信息.default '(联盟$state_name1, c(“美利坚合众国”),:
"较长的对象长度不是较短的对象长度的倍数"
state_name1state_name2dyad_st_daydyad_st_monthdyad_st_yeardyad_end_daydyad_end_monthdyad_end_yearleft_censorright_censordefenseneutralitynonaggressionententeversion
3United Kingdom Sweden 1 1 1816 15 2 1911 1 0 0 0 0 1 4.1
45Germany Baden 1 1 1816 15 3 1848 1 0 1 0 1 1 4.1
50Germany Wuerttemburg 29 11 1850 15 6 1866 0 0 1 0 1 1 4.1
55Germany Mecklenburg Schwerin 1 1 1843 15 3 1848 0 0 1 0 1 1 4.1
203United Kingdom France 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1
207Russia United Kingdom 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1
  1. 135
  2. 15
In [5]:
years <- seq(1811, 2009, by = 1)
Major$decade = cut(Major$dyad_st_year, seq(from = 1810, to = 2010, by = 10), include.lowest=TRUE, labels=seq(1810,2000, by=10))
Major$decade
  1. 1810
  2. 1810
  3. 1840
  4. 1840
  5. 1820
  6. 1820
  7. 1830
  8. 1830
  9. 1830
  10. 1830
  11. 1830
  12. 1830
  13. 1830
  14. 1830
  15. 1830
  16. 1830
  17. 1840
  18. 1840
  19. 1850
  20. 1850
  21. 1850
  22. 1850
  23. 1850
  24. 1850
  25. 1860
  26. 1860
  27. 1860
  28. 1870
  29. 1870
  30. 1880
  31. 1880
  32. 1880
  33. 1890
  34. 1900
  35. 1900
  36. 1900
  37. 1900
  38. 1910
  39. 1910
  40. 1910
  41. 1910
  42. 1910
  43. 1920
  44. 1920
  45. 1920
  46. 1920
  47. 1930
  48. 1930
  49. 1930
  50. 1930
  51. 1930
  52. 1930
  53. 1930
  54. 1930
  55. 1930
  56. 1930
  57. 1930
  58. 1930
  59. 1930
  60. 1930
  61. 1930
  62. 1930
  63. 1930
  64. 1930
  65. 1940
  66. 1940
  67. 1940
  68. 1940
  69. 1940
  70. 1940
  71. 1940
  72. 1940
  73. 1940
  74. 1970
  75. 1980
  76. 1940
  77. 1940
  78. 1940
  79. 1940
  80. 1980
  81. 1980
  82. 1940
  83. 1980
  84. 1990
  85. 1940
  86. 1940
  87. 1940
  88. 1990
  89. 1940
  90. 1940
  91. 1940
  92. 1990
  93. 1940
  94. 1980
  95. 1980
  96. 1980
  97. 1950
  98. 1950
  99. 1950
  100. 1950
  101. 1950
  102. 1950
  103. 1950
  104. 1950
  105. 1950
  106. 1950
  107. 1950
  108. 1950
  109. 1950
  110. 1950
  111. 1950
  112. 1960
  113. 1960
  114. 1960
  115. 1960
  116. 1960
  117. 1960
  118. 1960
  119. 1960
  120. 1960
  121. 1960
  122. 1960
  123. 1970
  124. 1970
  125. 1980
  126. 1980
  127. 1990
  128. 1990
  129. 1990
  130. 1990
  131. 1990
  132. 1990
  133. 1990
  134. 2000
  135. 2000
In [6]:
ggplot(Major, aes(decade))+geom_bar(aes(fill=state_name1), color="black")+facet_wrap(~state_name1) +
    theme(axis.text.x=element_text(angle=90),legend.justification=c(1,0), legend.position=c(1,0),text = element_text(size=10))+
    xlab("Years, 1810-2010") + ylab(“签署的条约总数”)+
    ggtitle(《买球平台》)

在细分为5个主要国家之后, 我们的条约数量从6444个减少到135个, 更易于管理的工作规模. Next, 为了更好地了解趋势,我们把dyad_st_year的数字放在1810年到2010年的几十年里.

看看大国签署的条约数量是如何随时间变化的, 上图是1810-2010年间各国条约数量的图表. 看来法国和德国, 和英国在参与国际事务方面有着相当一致的历史. 与此同时,美国和俄罗斯在20世纪后半叶的作用越来越大. 美国在第一次世界大战后强势崛起. After that and WWII, 我认为,核武器的使用以及美国和俄罗斯的核保护伞是两国军费增加的原因. 在这个项目的后面,我将使用网络分析来进一步探索这个想法.

In [7]:
ggplot(Major, aes(state_name1)) + geom_bar(aes(fill = state_name1), position = "identity")+
    theme(axis.text.x=element_text(angle=90),text = element_text(size=10))+
    xlab("Major Powers") + ylab(“按条约类型划分的签署条约总数”)+
    ggtitle("Major Powers Treaty Count and Type; 1810-2010")
In [8]:
head(Major)
Major$Type=rep("defense", 135)
head(Major)
Major$Type[Major$defense==0]<-"non-defense"
head(Major)
state_name1state_name2dyad_st_daydyad_st_monthdyad_st_yeardyad_end_daydyad_end_monthdyad_end_yearleft_censorright_censordefenseneutralitynonaggressionententeversiondecade
3United Kingdom Sweden 1 1 1816 15 2 1911 1 0 0 0 0 1 4.1 1810
45Germany Baden 1 1 1816 15 3 1848 1 0 1 0 1 1 4.1 1810
50Germany Wuerttemburg 29 11 1850 15 6 1866 0 0 1 0 1 1 4.1 1840
55Germany Mecklenburg Schwerin 1 1 1843 15 3 1848 0 0 1 0 1 1 4.1 1840
203United Kingdom France 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1 1820
207Russia United Kingdom 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1 1820
state_name1state_name2dyad_st_daydyad_st_monthdyad_st_yeardyad_end_daydyad_end_monthdyad_end_yearleft_censorright_censordefenseneutralitynonaggressionententeversiondecadeType
3United Kingdom Sweden 1 1 1816 15 2 1911 1 0 0 0 0 1 4.1 1810 defense
45Germany Baden 1 1 1816 15 3 1848 1 0 1 0 1 1 4.1 1810 defense
50Germany Wuerttemburg 29 11 1850 15 6 1866 0 0 1 0 1 1 4.1 1840 defense
55Germany Mecklenburg Schwerin 1 1 1843 15 3 1848 0 0 1 0 1 1 4.1 1840 defense
203United Kingdom France 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1 1820 defense
207Russia United Kingdom 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1 1820 defense
state_name1state_name2dyad_st_daydyad_st_monthdyad_st_yeardyad_end_daydyad_end_monthdyad_end_yearleft_censorright_censordefenseneutralitynonaggressionententeversiondecadeType
3United Kingdom Sweden 1 1 1816 15 2 1911 1 0 0 0 0 1 4.1 1810 non-defense
45Germany Baden 1 1 1816 15 3 1848 1 0 1 0 1 1 4.1 1810 defense
50Germany Wuerttemburg 29 11 1850 15 6 1866 0 0 1 0 1 1 4.1 1840 defense
55Germany Mecklenburg Schwerin 1 1 1843 15 3 1848 0 0 1 0 1 1 4.1 1840 defense
203United Kingdom France 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1 1820 non-defense
207Russia United Kingdom 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1 1820 non-defense
In [9]:
ggplot(Major, aes(decade)) + geom_bar(aes(fill = Type), position = "stack")+
    theme(axis.text.x=element_text(angle=90),text = element_text(size=10))+ 
ggtitle("Major Powers Defense and Non-defense Treaty Count; 1810-2010")

以便更好地了解条约的发展趋势, 我创建了一个新的专栏,根据国防或非国防条约来组合条约类型(这包括除了left_censor和right_censor之外的所有剩余条约). 通过这样做,我们可以看到,随着时间的推移,国防和非国防条约之间存在相当强的平衡. 例外是我们可以预料到的. 在20世纪40年代第二次世界大战之后,大多数条约都是防御性的, 然后是二战后的几年, 当世界试图远离我们的世界, 互不侵犯条约和中立条约有所增加.

In [10]:
set.seed(1)
lout<-layout.fruchterman.reingold(g)
head(lout)
layout3 <- layout_with_fr(g, start.temp = 50)
head(layout3)

install.packages("ggplot2")
require(ggplot2)
library(ggplot2)
0.1071165-1.6115287
0.1541652-1.1184440
-0.8734527 0.1491905
2.5729233-3.6135326
2.3385393-3.2773805
1.0347415-2.5146320
1.4372275.709746
1.0234115.981875
3.1558236.635006
2.5786987.733012
2.9345097.434946
1.7726236.150565
下载的二进制包在
	/var/folders/tc/yzx71v7j0f7gstydf6tc38qc0000gn / T / / RtmpAHWIvI / downloaded_packages
In [11]:
plot.igraph(g, layout=layout3, vertex.size=5, vertex.label.cex=.5, asp = 0)

在探索了一段时间以来的趋势之后,我把注意力转向了条约制定的网络联系. 买球平台这类国际关系研究的学术著作并不多, 但最主要的研究包括艾米丽·哈夫纳-伯顿的《买球平台》. 根据本文, 网络分析在调查国与国之间的联系中起着至关重要的作用. 哈夫纳-伯顿的结论是,利用网络分析来识别权力,我们可以重新定义“访问”, brokerage, and exit options”. 这项研究证实,下面的工作是国际关系新浪潮的一部分, 而且,“网络分析已经在对国际网络的更精确描述中得到了证明.”

创建的第一个网络是所有原始有向数据的网络. 考虑到节点和边的数量,这是非常混乱的. 以便更好地理解在以后的网络中是否会出现这种情况, 然后我创建了一个节点度的直方图. 似乎大多数国家的条约都少于100个, 只有少数几个国家在国际舞台上发挥着更大的作用.

In [12]:
deg<- degree(g, mode="all")
hist(deg, breaks=50, main=“节点度直方图”)
In [13]:
bins <- unique(quantile(deg, seq(0,1, length.out = 5)))
bins
which(deg >150)
  1. 2
  2. 26
  3. 61
  4. 94.5
  5. 334
United Kingdom
1
Germany
6
Austria-Hungary
13
Russia
16
France
19
Italy
20
Turkey
22
Argentina
26
Brazil
27
Ecuador
28
Peru
29
Bolivia
30
Chile
33
Guatemala
40
Honduras
41
Nicaragua
43
Costa Rica
44
美利坚合众国
45
Egypt
63
Panama
68
In [14]:
eigenCent <- evcent(g)$vector
sort(eigenCent, decreasing = TRUE)[1:10]
sort(eigenCent, decreasing = FALSE)[1:10]

bt<-betweenness(g)
sort(bt, decreasing = TRUE)[1:10]
sort(bt, decreasing = FALSE)[1:10]

cor(eigenCent, bt)
which(eigenCent >.7 & bt > 1800)
美利坚合众国
1
France
0.981315617699136
United Kingdom
0.968453914860171
Honduras
0.868574701357546
Guatemala
0.868574701357546
Nicaragua
0.868574701357545
Costa Rica
0.868574701357545
Russia
0.858514946306702
Bolivia
0.798457219976544
Peru
0.788696598446502
Swaziland
2.64758247593819e-06
South Africa
0.000186352593367774
Eritrea
0.000354361875127963
South Sudan
0.000551914840847177
Namibia
0.000767618314601063
Zimbabwe
0.000767618314601064
Indonesia
0.00090016086702185
Bangladesh
0.00125561123569057
Equatorial Guinea
0.00189507788325635
Sao Tome and Principe
0.00189507788325636
美利坚合众国
9120.41933968553
Russia
7980.04458479172
France
3880.97952102288
United Kingdom
2563.45878371417
Canada
2351.08290533115
Congo
2208.78789623737
Germany
2187.06256774829
Iraq
1991.84177023687
Liberia
1981.48080293577
Austria-Hungary
1899.64472093545
Sweden
0
Hanover
0
Bavaria
0
Baden
0
Saxony
0
Wuerttemburg
0
Hesse Electoral
0
Hesse Grand Ducal
0
Mecklenburg Schwerin
0
Two Sicilies
0
0.372364767002473
United Kingdom
1
Russia
16
France
19
美利坚合众国
45
In [15]:
gmajor=graph.data.frame(Major,directed=TRUE)

eigenCentmajor <- evcent(gmajor)$vector
sort(eigenCentmajor, decreasing = TRUE)[1:10]
sort(eigenCentmajor, decreasing = FALSE)[1:10]

btmajor<-betweenness(gmajor)
sort(btmajor, decreasing = TRUE)[1:10]
sort(btmajor, decreasing = FALSE)[1:10]

cor(eigenCentmajor, btmajor)
France
1
United Kingdom
0.842480692833743
Russia
0.787223793205964
美利坚合众国
0.382204413709778
Germany
0.355849878604621
Spain
0.274751283134194
Austria-Hungary
0.256506984865263
Italy
0.249041463640986
Poland
0.189396382545198
Romania
0.178293813723556
Latvia
0.0185680900459195
Mecklenburg Schwerin
0.0185680900459195
Bulgaria
0.0185680900459195
德意志联邦共和国
0.0185680900459195
Baden
0.0185680900459195
Mexico
0.0199432580883249
Costa Rica
0.0199432580883249
Paraguay
0.0199432580883249
Dominica
0.0199432580883249
Denmark
0.0199432580883249
Russia
91.3144257703081
France
81.9919913419913
美利坚合众国
80.2222222222222
United Kingdom
44.7475511416688
Germany
26.7238095238095
Sweden
0
Baden
0
Wuerttemburg
0
Mecklenburg Schwerin
0
Belgium
0
Sweden
0
Baden
0
Wuerttemburg
0
Mecklenburg Schwerin
0
Belgium
0
Austria-Hungary
0
Portugal
0
Turkey
0
Spain
0
Italy
0
0.868241235545145

以上是总数据和主要国家子集的特征向量和中间值得分. 在项目后期,我将使用特征向量评分之间它是一个更简单的测量(0到1的规模), 因为两个主要国家的分数之间的相关性是 .86,这意味着处于该网络中心的国家会受到严重的影响.

In [16]:
colVals <-rep("grey80", length(V(gmajor)$name))
colVals[which(V(gmajor)$name==“美利坚合众国”)] <-"blue"
colVals[which(V(gmajor)$name=="Russia")] <-"red"
colVals[which(V(gmajor)$name=="France")] <-"purple"
colVals[which(V(gmajor)$name=="Germany")] <-"pink"
colVals[which(V(gmajor)$name=="United Kingdom")] <-"green"
V(gmajor)$color<-colVals



plot.igraph(gmajor, layout=layout3, vertex.size=eigenCentmajor, vertex.label.cex=.5, asp = 0, vertex.color=colVals)
layout[, 1] + label中的警告信息.dist * cos(-label.degree) * (vertex.size + :
"较长的对象长度不是较短对象长度的倍数"布局中的警告消息[, 2] + label.dist * sin(-label.degree) * (vertex.size + :
"较长的对象长度不是较短的对象长度的倍数"
In [17]:
Hmajor<-subgraph.edges(gmajor, E(gmajor))
Hmajor
new_lout <- layout.fruchterman.reingold(Hmajor)

E(Hmajor)$color <- as.factor(E(Hmajor)$right_censor)
plot.igraph(Hmajor, layout = new_lout, vertex.size = 5, vertex.label.cex = 0.6)
IGRAPH DN-- 67 135 -- 
+ attr: name (v/c), color (v/c), dyad_st_day (e/n), dyad_st_month
| (e / n)、dyad_st_year (e / n), dyad_end_day (e / n), dyad_end_month (e / n),
| dyad_end_year (e/n), left_censor (e/n), right_censor (e/n), defense
| (e/n),中立(e/n),互不侵犯(e/n),协约(e/n),版本
| (e/n),十进位(e/c),类型(e/c)
+ edges(顶点名称):
[1] United Kingdom->Sweden               Germany       ->Baden               
[3] Germany       ->Wuerttemburg         Germany       ->Mecklenburg Schwerin
[5] United Kingdom->France               Russia        ->United Kingdom      
[7] France        ->Belgium              Germany       ->Austria-Hungary     
+ ... omitted several edges
In [18]:
Hmajor<-subgraph.edges(gmajor, E(gmajor))
Hmajor
new_lout <- layout.fruchterman.reingold(Hmajor)

E(Hmajor)$color <- as.factor(E(Hmajor)$defense)

plot.igraph(Hmajor, layout = new_lout, vertex.size = eigenCentmajor*20, vertex.label.cex = 0.6)
蓝色是防御条约
IGRAPH DN-- 67 135 -- 
+ attr: name (v/c), color (v/c), dyad_st_day (e/n), dyad_st_month
| (e / n)、dyad_st_year (e / n), dyad_end_day (e / n), dyad_end_month (e / n),
| dyad_end_year (e/n), left_censor (e/n), right_censor (e/n), defense
| (e/n),中立(e/n),互不侵犯(e/n),协约(e/n),版本
| (e/n),十进位(e/c),类型(e/c)
+ edges(顶点名称):
[1] United Kingdom->Sweden               Germany       ->Baden               
[3] Germany       ->Wuerttemburg         Germany       ->Mecklenburg Schwerin
[5] United Kingdom->France               Russia        ->United Kingdom      
[7] France        ->Belgium              Germany       ->Austria-Hungary     
+ ... omitted several edges

上面的网络是在战争相关指数中查看所有大国签订的条约的最终结果. 蓝边表示防御条约,黄边表示非防御条约. 大国的大小是基于它们的特征向量得分, 为了更好的可视化,乘以20. Based on the network, 很明显,在其他大国中,法国的联系最为紧密, 它们与许多聚集在中心的欧洲国家相连. 这也是一件需要注意的重要事情, 有多少连接是基于地理区域的. 最好的例子是俄罗斯和许多其他东方集团国家之间的联系. 这一网络表明了国际关系的复杂性,以及某些国家如何比其他国家更积极地充当中间人和捍卫者.

In [19]:
baltic<-alliance[alliance$state_name1==c("Russia","Hungary","Iraq","Syria","Palestine",
                                         "Egypt","Turkey","Ukraine","Georgia"),]
head(baltic)
dim(baltic)
gbaltic=graph.data.frame(baltic,directed=TRUE)

Hbaltic<-subgraph.edges(gbaltic, E(gbaltic))
new_loutbaltic <- layout.fruchterman.reingold(Hbaltic)

E(Hbaltic)$color <- as.factor(E(Hbaltic)$nonaggression)
#blue is nonagression
plot.igraph(Hbaltic, layout = new_loutbaltic, vertex.size = eigenCentmajor*20, vertex.label.cex = 0.6)
state_name1state_name2dyad_st_daydyad_st_monthdyad_st_yeardyad_end_daydyad_end_monthdyad_end_yearleft_censorright_censordefenseneutralitynonaggressionententeversion
199Russia Germany 1 1 1816 31 10 1822 1 0 1 0 0 1 4.1
208Russia France 6 7 1827 14 9 1829 0 0 0 0 0 1 4.1
442Russia Germany 6 5 1873 13 7 1878 0 0 1 0 0 0 4.1
703Russia Turkey 17 12 1925 1 9 1939 0 0 0 1 1 0 4.1
802Russia Czechoslovakia16 5 1935 15 3 1939 0 0 1 1 0 1 4.1
821Hungary Spain 7 4 1939 23 8 1939 0 0 0 1 0 1 4.1
  1. 54
  2. 15
顶点中的警告信息.Size + 6 * 8 * log10(nchar(labels) + 1)
"较长的对象长度不是较短对象长度的倍数"布局中的警告消息[, 1] + label.dist * cos(-label.degree) * (vertex.size + :
"较长的对象长度不是较短的对象长度的倍数"顶点中的警告消息.Size + 6 * 8 * log10(nchar(labels) + 1)
"较长的对象长度不是较短对象长度的倍数"布局中的警告消息[, 2] + label.dist * sin(-label.degree) * (vertex.size + :
"较长的对象长度不是较短的对象长度的倍数"

网络如何有助于展示国际故事的另一个例子是波罗的海地区各国的联系. 战略研究中心最近的一项研究 & 国际研究题目, 《买球平台》解释说,“对该地区的概述,认为过去是该地区未来的序幕,作为一个难以驾驭的大国,在现代背景下重振了经验性的政治和军事战略。.这篇文章解释了众多的战争, treaties, 以及黑海和波罗的海地区不断变化的国家之间的边界争端. 尽管该数据集不承认曾经存在于该地区的每个国家(例如, 没有奥斯曼帝国), 下面的网络展示了该研究的解释:波罗的海地区历史上一直存在着一种脾气暴躁且不断变化的权力动态. 作者得出结论,正是这种历史背景导致了俄罗斯在2014年吞并克里米亚, 我希望我能做不同时期的网络分析, 它将确认合并是一种可能的最终结果.

此外,必须探索另一个国际外交网络, 是核军备竞赛(见下一个网络). 下面的网络是美国签署的防御条约, Russia, UK, France, 和中国(目前的5个核大国). 这学期我选了一门课:核扩散与不扩散政治学. 在本课程中,我们研究了霸权影响对国际防扩散的重要性. 丽贝卡·吉本斯教授解释说,两个最强大的核大国, the US and Russia, 利用他们的经济和政治影响力鼓励其他国家不要发展核武库. 尽管《买球平台》直到1968年才生效, 也不要求美国或俄罗斯保护无核国家, 这个网络表明,存在着一种覆盖世界不同地区的霸权影响.

In [20]:
#Nuclear Umbrella

post1950<-alliance[alliance$dyad_st_year>1950,]
head(post1950)
nukes1<-post1950[post1950$state_name1==c("Russia",“美利坚合众国”,"France",
                                         "United Kingdom","China"),]
nukes<-nukes1[nukes1$defense==1,]
head(nukes)
dim(nukes)
gnukes=graph.data.frame(nukes,directed=TRUE)

eigenCentnukes <- evcent(gnukes)$vector
sort(eigenCentnukes, decreasing = TRUE)[1:10]
sort(eigenCentnukes, decreasing = FALSE)[1:10]


Hnukes<-subgraph.edges(gnukes, E(gnukes))
new_loutnukes <- layout.fruchterman.reingold(Hnukes)

E(Hnukes)$color <- as.factor(E(Hnukes)$defense)
#blue is defense
plot.igraph(Hnukes, layout = new_loutnukes, vertex.size = eigenCentnukes*20, vertex.label.cex = 0.6)
state_name1state_name2dyad_st_daydyad_st_monthdyad_st_yeardyad_end_daydyad_end_monthdyad_end_yearleft_censorright_censordefenseneutralitynonaggressionententeversion
1831MauritaniaSomalia 22 1 1974 NA NA NA 0 1 0 0 1 1 4.1
1832MauritaniaDjibouti 22 1 1975 NA NA NA 0 1 0 0 1 1 4.1
1833MauritaniaMorocco 22 1 1973 NA NA NA 0 1 0 0 1 1 4.1
1834MauritaniaAlgeria 22 1 1973 NA NA NA 0 1 0 0 1 1 4.1
1835MauritaniaTunisia 22 1 1973 NA NA NA 0 1 0 0 1 1 4.1
1836MauritaniaLibya 22 1 1973 NA NA NA 0 1 0 0 1 1 4.1
state_name1state_name2dyad_st_daydyad_st_monthdyad_st_yeardyad_end_daydyad_end_monthdyad_end_yearleft_censorright_censordefenseneutralitynonaggressionententeversion
2354美利坚合众国Bahamas 3 3 1982 NA NA NA 0 1 1 0 1 1 4.1
2362美利坚合众国Grenada 13 5 1975 NA NA NA 0 1 1 0 1 1 4.1
2368美利坚合众国Belize 8 1 1991 NA NA NA 0 1 1 0 1 1 4.1
3537United Kingdom Greece 20 11 1992 NA NA NA 0 1 1 0 0 1 4.1
3572France Italy 23 10 1954 NA NA NA 0 1 1 0 0 1 4.1
3641美利坚合众国Spain 10 12 1981 NA NA NA 0 1 1 0 1 1 4.1
  1. 20
  2. 15
Russia
1
Belarus
0.632455532033676
Uzbekistan
0.316227766016838
Armenia
0.316227766016838
Turkmenistan
0.316227766016838
Kazakhstan
0.316227766016838
Albania
0.316227766016838
Tajikistan
0.316227766016838
美利坚合众国
0
United Kingdom
0
美利坚合众国
0
United Kingdom
0
France
0
Bahamas
0
Grenada
0
Belize
0
Greece
0
Italy
0
Spain
0
Czech Republic
0

Conclusion:

上述探索符合我的假设和期望,即国际关系中存在更多重要的权力掮客. 我选择的大国表明,随着时间的推移,它们通常处于外交的中心, 在国际联系紧密的时代之后,安全方面出现了主要趋势.

In addition, 我的项目总结了哈夫纳-伯顿开始研究的内容, 网络分析是理解国际关系的一种极好的形式. 网络分析有助于识别主要参与者, 以及他们与世界舞台上最不复杂的竞争利益的外围联系. Furthermore, 这些例子表明,网络分析在任何级别都是一个有用的工具, 在未来,这应该被用来更好地理解权力经纪和外交操纵.

Works Cited:

Bosworth, Richard JB. 意大利是最弱小的大国:第一次世界大战前的意大利外交政策. 剑桥大学出版社,2005年.

Morrow, James D., Randolph M. 西弗森和特蕾莎·E. Tabares. 《买球平台》第92期. 03 (1998): 649-661.

艾米丽·哈夫纳·伯顿著.迈尔斯·卡勒和亚历山大·H. Montgomery. 国际关系的网络分析.国际组织(2009):559-592.

黑海地区的地缘战略重要性:简史.黑海地区的地缘战略重要性:简史|战略与国际研究中心. May 01, 2017. Accessed May 14, 2017. http://www.csis.org/analysis/geostrategic-importance-black-sea-region-brief-history.

吉本斯,我是丽贝卡·戴维斯. “美国霸权和核不扩散制度的政治." (2016).