5D Library › 多层条件激发系统中的幂律权重与逆向控制可及性 · English
第四章 环境、声誉与运气
环境:搬到哪里长大
作者把第三层称为「环境拓扑」:一个人所处的城市、社区、行业与人际网络的结构。网络位置的数学(弱连带、结构洞、复杂传染)在第 25 本《社会网络拓扑、结构洞与复杂传染的数学模型》中已经讨论,这里只看环境层中证据最强的一类:随机分配的搬迁实验与准实验。
证据
「搬向机会」实验。 1994—1998 年,美国住房与城市发展部在巴尔的摩、波士顿、芝加哥、洛杉矶与纽约五个城市,把 4,604 户住在高贫困公共住房中的家庭随机分为三组,其中实验组获得只能在低贫困社区使用的住房券。切蒂、亨德伦与卡茨追踪孩子们成年后的税务记录发现:13 岁以前随家庭搬迁的孩子,二十多岁时的收入显著提高,按实际搬迁者计算的效应是每年多 3,477 美元,比对照组均值 11,270 美元高 31%,上大学的比例也更高;13 至 18 岁时搬迁的孩子则没有获益,甚至略有负面影响,可能与搬迁带来的中断有关 (Chetty et al. 2016)。
暴露时间。 切蒂与亨德伦用美国七百多万个跨地区搬迁家庭的数据发现,孩子成年后的收入会向目的地永久居民孩子的结局靠拢,大约每多暴露一年靠拢 4% (Chetty and Hendren 2018)。
这是作者框架中「环境」层最接近因果证据的部分:在随机分配下,环境改变了结局。它同时说明了两点限制。第一,效应依赖年龄:同样的搬迁,对幼儿有益,对青少年无益。换成作者的语言,环境层与时机层之间存在交互作用,而不是两个独立的加数。第二,效应是平均的:随机实验告诉我们住房券对一群孩子的平均作用,不告诉我们某一个孩子换了环境会怎样。
声誉:累积优势
证据
马太效应。 默顿在 1968 年的文章中描述了科学界的「马太效应」:已有声望的科学家在合作成果或同时发现中得到不成比例的承认,声望本身成为获得更多资源与关注的原因 (Merton 1968)。
人造音乐市场。 萨尔加尼克、多兹与沃茨让 14,341 名参与者在一个网站上试听并下载 48 支不知名乐队的歌曲。参与者被随机分到一个「独立」世界(看不到别人的下载数)或八个「社会影响」世界(能看到本世界的下载数)。在社会影响世界中,下载数的不平等明显更高,而且各世界之间谁成为热门很难预测;最好的歌很少表现很差,最差的歌很少表现很好,但除此之外几乎任何结果都可能出现 (Salganik et al. 2006)。
随机给予的早期成功。 范德赖特等人在四个平台上做实地实验:随机给一些众筹项目捐款、给一些维基百科编辑颁发荣誉、给一些产品评论打高分、给一些请愿签名。获得随机早期成功的对象,之后获得成功的比率显著更高;但更大的初始成功并没有带来更大的后续成功 (Rijt et al. 2014)。
科研经费的门槛。 博尔、德瓦恩与范德赖特比较了荷兰青年科学家资助项目中评分刚好在资助线之上与刚好在线之下的申请人:两组的评分几乎相同,但刚好获资助者在此后八年中累积的研究经费是后者的两倍多,成为正教授的机会也更高 (Bol et al. 2018)。
这几项研究的设计各不相同(历史观察、实验室实验、实地实验、断点比较),结论却指向同一件事:早期的、部分随机的成功会被放大。声誉与间接互惠的演化博弈模型在第 35 本《演化博弈、直接与间接互惠及合作涌现的数学模型》中已经讨论,这里用一个简单的程序看累积优势怎样同时提高不平等与不可预测性。
推导
48 支歌,质量 从 0.15 均匀分布到 0.85(示意值);8 个互相独立的世界,每个世界 700 名听众,每人试听 3 支歌。社会影响强度为 时,一支歌被选中试听的概率是 ;试听后以概率 下载。 是独立条件。度量:下载数的基尼系数(不平等),各世界之间市场份额差异的平均值(不可预测性),质量与市场份额的秩相关。
# Cumulative advantage in an artificial market (layer C4), a toy version of the design of
# Salganik, Dodds & Watts (2006): 48 songs, 8 independent worlds of 700 listeners, each
# sampling 3 songs. With social-influence strength s a song is picked with probability
# (1 - s) / 48 + s (downloads + 1) / (total + 48) and downloaded with probability q, its
# fixed "quality" (illustrative). s = 0 is the independent condition. Measures: Gini of
# downloads; unpredictability U = mean |share_a - share_b| over songs and pairs of
# worlds; Spearman rank correlation between quality and market share.
import random, itertools
from statistics import mean
M, WORLDS, LISTENERS, SAMPLES = 48, 8, 700, 3
def gini(xs):
xs = sorted(xs); n = len(xs)
return sum((2 * i - n + 1) * x for i, x in enumerate(xs)) / (n * sum(xs))
def spearman(a, b):
rk = lambda xs: [sorted(range(len(xs)), key=lambda i: xs[i]).index(i)
for i in range(len(xs))]
ra, rb = rk(a), rk(b); m = mean(ra)
num = sum((x - m) * (y - m) for x, y in zip(ra, rb))
return num / sum((x - m) ** 2 for x in ra)
def world(q, s, rng):
d = [0] * M
for _ in range(LISTENERS * SAMPLES):
tot = sum(d)
w = [(1 - s) / M + s * (x + 1) / (tot + M) for x in d]
i = rng.choices(range(M), weights=w)[0]
if rng.random() < q[i]: d[i] += 1
return d
def experiment(s, seed=41):
rng = random.Random(seed)
q = [0.15 + 0.7 * k / (M - 1) for k in range(M)]
worlds = [world(q, s, rng) for _ in range(WORLDS)]
sh = [[x / sum(d) for x in d] for d in worlds]
U = mean(abs(a[i] - b[i]) for a, b in itertools.combinations(sh, 2) for i in range(M))
G, rho = mean(gini(d) for d in worlds), mean(spearman(q, d) for d in worlds)
return q, worlds, G, U, rho
if __name__ == "__main__":
print("social influence s | Gini | unpredictability U | rank corr(quality, share)")
for s in (0.0, 0.5, 0.9):
q, worlds, g, U, rho = experiment(s)
print(f" {s:.1f} | {g:.2f} | {U:18.4f} | {rho:.2f}")
q, worlds, *_ = experiment(0.9)
rank = lambda d, i: 1 + sorted(d, reverse=True).index(d[i])
print("s = 0.9: rank of the best song in each world (1 = most downloads): "
+ " ".join(str(rank(d, M - 1)) for d in worlds))
print(" rank of the worst song in each world: "
+ " ".join(str(rank(d, 0)) for d in worlds))
# social influence s | Gini | unpredictability U | rank corr(quality, share)
# 0.0 | 0.26 | 0.0051 | 0.91
# 0.5 | 0.40 | 0.0088 | 0.89
# 0.9 | 0.60 | 0.0171 | 0.81
# s = 0.9: rank of the best song in each world (1 = most downloads): 7 8 16 6 5 1 3 1
# rank of the worst song in each world: 39 47 36 35 47 36 47 45社会影响从 0 增加到 0.9,基尼系数从 0.26 升到 0.60,不可预测性从 0.0051 升到 0.0171,质量与份额的秩相关从 0.91 降到 0.81。在 时,质量最高的歌在八个世界中排第 1 到第 16 名,质量最低的歌排第 35 到第 47 名:与萨尔加尼克等人的观察一样,最好的不会太差,最差的不会太好,中间的结果很大程度上取决于早期的偶然。这个玩具模型只用来说明机制,参数不对应任何真实的市场。
运气:一个模型
证据
「才能与运气」模型。 普鲁基诺、比翁多与拉皮萨尔达构建了一个基于主体的模型:1,000 个主体的才能服从均值 0.6、标准差 0.1 的正态分布,初始资本都是 10;在 40 年(80 个半年步长)中,主体随机遇到好运事件与厄运事件;遇到好运时以等于其才能的概率资本翻倍,遇到厄运时资本减半。模型产生了高度不平等的资本分布,而最成功的主体往往才能只是中等偏上 (Pluchino et al. 2018)。
这是一个模型,不是证据。 它的结论来自假设的规则:才能只在好运出现时起作用,厄运对所有人一样。弗兰克用大量例子讨论了运气在成功中的作用及其对公共政策的含义,但那也是论证而非测量 (Frank 2016)。
推导
下面是该模型的平均场简化版:不用网格上移动的事件,而是让每个主体在每一步以概率 0.03 遇到好运、以概率 0.03 遇到厄运。其余规则相同。
# A mean-field simplification of the "talent versus luck" MODEL of Pluchino, Biondo &
# Rapisarda (2018). 1,000 agents, talent T ~ Normal(0.6, 0.1) clipped to [0, 1], capital
# 10, 80 half-year steps. In each step an agent meets a lucky event with probability p and
# an unlucky event with probability p (the original moves events on a 201 x 201 grid; here
# encounters are simply random). Lucky event: capital doubles with probability T.
# Unlucky event: capital halves. A model, not evidence about real careers.
import math, random
from statistics import mean
def run(p=0.03, steps=80, n=1000, seed=41):
rng = random.Random(seed)
T = [min(1.0, max(0.0, rng.gauss(0.6, 0.1))) for _ in range(n)]
C = [10.0] * n
for _ in range(steps):
for i in range(n):
if rng.random() < p and rng.random() < T[i]: C[i] *= 2
if rng.random() < p: C[i] /= 2
return T, C
def corr(x, y):
mx, my = mean(x), mean(y)
sxy = sum((a - mx) * (b - my) for a, b in zip(x, y))
return sxy / math.sqrt(sum((a - mx) ** 2 for a in x) * sum((b - my) ** 2 for b in y))
if __name__ == "__main__":
T, C = run()
order = sorted(range(len(C)), key=lambda i: -C[i])
top20 = sum(C[i] for i in order[:200]) / sum(C)
best = order[0]; most_talented = max(range(len(T)), key=lambda i: T[i])
print(f"top 20 % of agents hold {top20:.0%} of the capital")
print(f"richest agent: talent {T[best]:.2f}, capital {C[best]:.0f}"
f" (mean talent {mean(T):.2f})")
print(f"most talented agent: talent {T[most_talented]:.2f},"
f" capital {C[most_talented]:.1f}")
r = corr(T, [math.log(c) for c in C])
print(f"correlation of talent with log capital: {r:.2f}")
print(f"mean talent of the 10 richest: {mean(T[i] for i in order[:10]):.2f}")
hi = [i for i in range(len(T)) if T[i] >= 0.75]
print(f"agents with talent >= 0.75: {len(hi)}; median capital "
f"{sorted(C[i] for i in hi)[len(hi) // 2]:.0f}; overall median "
f"{sorted(C)[len(C) // 2]:.0f}")
wins = 0
for seed in range(100):
T, C = run(seed=seed)
wins += T[max(range(len(C)), key=lambda i: C[i])] >= 0.75
print(f"100 runs: the richest agent has talent >= 0.75 in {wins} runs")
# top 20 % of agents hold 69% of the capital
# richest agent: talent 0.54, capital 640 (mean talent 0.60)
# most talented agent: talent 0.89, capital 2.5
# correlation of talent with log capital: 0.09
# mean talent of the 10 richest: 0.66
# agents with talent >= 0.75: 76; median capital 5; overall median 5
# 100 runs: the richest agent has talent >= 0.75 in 21 runs在这一次运行中,最富有的 20% 主体持有 69% 的资本;最富有的主体才能只有 0.54,低于平均值 0.60;才能最高(0.89)的主体资本只剩 2.5;才能与对数资本的相关只有 0.09。重复 100 次,最富有的主体才能达到 0.75 以上的只有 21 次。这个结果的机制很清楚:在乘法的、以好运为前提的规则下,结局的方差主要来自事件的次数,而不是才能。
但它说明的是规则的性质,不是世界的性质。如果才能也能增加遇到好运的机会、或减轻厄运的损失(在作者的模型里,这正是知识投入 与声誉 的作用),才能与结局的相关就会提高。用模型证明「运气比才能重要」,与用模型证明「努力决定一切」一样,都只是把假设换了一种说法。
努力:最后一层
作者的第五层「知识投入」是唯一完全由自己掌握的层。刻意练习的研究在第 23 本中已有讨论,这里只给出一个与本书主题直接相关的数字。
证据
练习能解释多少。 埃里克森、克兰佩与特施-罗默提出,专家表现主要来自长期的刻意练习 (Ericsson et al. 1993)。麦克纳马拉、汉布里克与奥斯瓦尔德汇总 88 项研究的元分析发现,刻意练习解释的表现差异平均约为 12%,在游戏中约 26%、音乐约 21%、体育约 18%、教育约 4%、职业领域不到 1% (Macnamara et al. 2014)。
这一结果常被引用为「努力不重要」的证据,那是误读。第一,它测量的是练习时数与表现在人与人之间的相关,不是练习对某一个人的因果作用:练习在人与人之间解释的份额小,并不等于它对某一个人的作用小。第二,在职业领域,「表现」本身受到环境、声誉与运气的强烈影响,练习的份额小,部分是因为其他层的方差大。第三,在乘法模型中,第二章已经说明,份额依赖拆分规则与尺度。
本章小结
「搬向机会」实验显示,环境在随机分配下改变了孩子的成年收入,但效应依赖搬迁时的年龄,环境与时机存在交互作用。马太效应、人造音乐市场、随机早期成功与资助门槛的研究共同说明:早期的、部分随机的成功会被放大,既提高不平等,也降低可预测性。「才能与运气」是一个模型,它的结论来自假设的规则。刻意练习在不同领域解释的表现差异从约 26% 到不足 1%,但这是人与人之间的方差份额,不是练习对个人的作用。下一章转向作者框架的第二个方向:从底层出发,能推动多少。
参考文献
Fan, Y. (2026). Power-Law Weighting and Bottom-Up Controllability in Multi-Tier Conditional Excitation Systems: A Mathematical Synthesis of Endogenous Priors, Timing Windows, Network Topology and Reputational Games [多层条件激发系统中的幂律权重与逆向控制可及性] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23810093 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).