全球语言连通性数据集：跨国与国内多维度语言关系的构建与应用

《Scientific Data》：A Dataset on Linguistic Connectivity Across and Within Countries

编辑推荐：本研究基于Ethnologue数据库的6,675种语言数据，构建了涵盖242个国家/地区的DICL数据集，包含COL/COR（官方语言）、CNL（母语）、CAL（习得语言）等11项双边指标，首次实现国际与国内语言连通性的统一测量。该数据集解决了传统语言数据覆盖不全、维度单一的问题，为文化传播、经济贸易等领域的量化研究提供了新工具，已被多项实证研究验证其有效性。

　　在全球化背景下，语言作为文化载体和经济活动媒介的作用日益凸显，但现有语言数据集存在三大局限：一是多数仅关注国际层面的语言共性（如共同官方语言），忽视国内语言多样性；二是测量维度单一，难以区分母语、习得语言等不同层次的连通性；三是语言接近度指标缺乏系统性量化。这些问题严重制约了语言学、经济学等领域对语言影响的深入研究。

美国国际贸易委员会经济办公室的Tamara Gurevich团队联合法国巴黎第九大学等机构，基于Ethnologue第21版数据库，构建了全球首个同时涵盖国际与国内语言关系的DICL数据集。该研究创新性地开发了11项指标，包括2类官方语言指数（COL宽松定义/COR严格定义）、3类共同语言指数（CNL母语/CAL习得语言/CSL综合）、以及6类语言接近度指数（LPN/LPA/LPS基于完整语言树，BPN/BPA/BPS基于分支结构）。研究通过Python算法处理6,675种语言的谱系关系，量化了242个国家间的语言连通性，相关成果发表于《Scientific Data》。

关键技术方法包括：1）从Ethnologue提取语言树结构和各国语言使用数据；2）设计概率模型计算CNL_ij=∑(l_ki×l_kj)等指标；3）开发语言接近度算法P_kh=b_h/[0.5(b_k+b_h)]；4）使用Pandas库进行大规模数据聚合。

研究结果方面：

1. ?数据覆盖性：相比传统数据集（如Melitz和Toubal仅195国），DICL覆盖242国，新增46国习得语言数据。
2. ?指标创新性：CAL指数首次量化非母语者的语言纽带，CSL指数整合母语与习得语言，LPS指数揭示语言家族演化关系。
3. ?实证验证：与GeoDist等数据集对比显示，COL与comlang_off相关性达0.72，CNL与MT 2014的cnl指数相关性0.69。
4. ?典型模式：卢森堡因多语人口在CAL(0.375)、CSL(0.780)指数中居首，而朝鲜因语言孤立在BPN(0.001)等指数中垫底。

结论与讨论指出，DICL数据集通过三大突破推动相关研究：1）首次实现国内语言多样性（如喀麦隆170种语言）与国际关系的统一测量；2）连续型指标（非二元变量）更精准捕捉语言关系的梯度差异；3）语言树算法为文化相似性研究提供新范式。已有研究证实，DICL指数在解释贸易流量、移民模式时，较传统数据具有更高统计显著性。未来可应用于语言政策评估、文化产业链分析等领域，但需注意46国习得语言数据缺失的局限性。