Uma rede é um conjunto de nós conectados entre si através de um conjunto de arestas. Redes podem representar qualquer conjunto de objetos que possuam relações entre si. Comunidades são conjuntos de nós relacionados de uma maneira significativa, provavelmente compartilhando propriedades e/ou atuando de forma similar dentro de uma rede. Quando a análise de redes é aplicada ao estudo de padrões de movimentação animal, as unidades epidemiológicas de interesse (propriedades, estabelecimentos, municípios, estados, países, etc) são representadas como nós, enquanto a movimentação animal entre elas é representada através das arestas de uma rede. Descobrir a estrutura de uma rede, e portanto as preferências e rotas comerciais, pode ser útil para um pesquisador ou gestor de saúde animal. Foi implementado um algoritmo de detecção de comunidades para encontrar grupos de propriedades que é consistente com a definição de circuito pecuário, assumindo que uma comunidade é um grupo de nós (fazendas, abatedouros) no qual um animal vai mais provavelmente permanecer durante sua vida. Este algoritmo foi aplicado na rede interna de movimentação animal de 2007 do Estado do Mato Grosso. Esse banco de dados contém informação sobre 87.899 propriedades e 521.431 movimentações durante o ano, totalizando 15.844.779 de animais movimentados. O algoritmo de detecção de comunidades encontrou uma partição da rede que mostra um claro padrão geográfico e comercial, duas importantes características para aplicações em medicina veterinária preventiva, além de possuir uma interpretação clara e significativa em redes de comércio onde ligações se estabelecem a partir da escolha dos nós envolvidos.

A network is a set of nodes that are linked together by a set of edges. Networks can represent any set of objects that have relations among themselves. Communities are sets of nodes that are related in an important way, probably sharing common properties and/or playing similar roles within a network. When network analysis is applied to study the livestock movement patterns, the epidemiological units of interest (farm premises, counties, states, countries, etc.) are represented as nodes, and animal movements between the nodes are represented as the edges of a network. Unraveling a network structure, and hence the trade preferences and pathways, could be very useful to a researcher or a decision-maker. We implemented a community detection algorithm to find livestock communities that is consistent with the definition of a livestock production zone, assuming that a community is a group of farm premises in which an animal is more likely to stay during its life time than expected by chance. We applied this algorithm to the network of within animal movements made inside the State of Mato Grosso, for the year of 2007. This database holds information about 87,899 premises and 521,431 movements throughout the year, totalizing 15,844,779 animals moved. The community detection algorithm achieved a network partition that shows a clear geographical and commercial pattern, two crucial features to preventive veterinary medicine applications, and also has a meaningful interpretation in trade networks where links emerge from the choice of trader nodes.