5D Library › 注意力的经济学 · English
第二章 幂律：观众为什么会集中
名气的形状
在任何创作者经济中，都是少数账号拥有大部分粉丝和播放量。这并不是社交媒体特有的。维尔弗雷多·帕累托（Vilfredo Pareto）在 19 世纪 90 年代就注意到，好几个国家的收入按收入的幂次递减：收入超过 的人数大致与 成正比 (Pareto 1896)。同样的形状也出现在科学论文的引用、城市的规模、书籍与唱片的销量，以及网页之间的链接中 (Newman 2005)。
幂律有一个简单的特征。如果一个创作者拥有 个粉丝的概率按
下降，那么无论 多大，把 翻倍总会让概率除以同一个因子 。它没有「典型规模」。尾部长到最大的少数几个账号占据总量的很大一部分。
少数人拥有多少？
对于尾部指数为 的连续帕累托分布，人口中排名前 比例的人所占的总量份额为 ；基尼系数，即衡量不平等的标准指标（0 表示完全平均，1 表示一人独占），等于 。
推导
四种尾部指数下，前 1% 与前 20% 所占份额以及基尼系数。著名的「80/20 法则」对应 。
# Pareto distribution P(X > x) = (x_min / x) ** alpha. The top fraction p holds p ** (1 -
# 1/alpha) of the total,
# and the Gini coefficient is 1 / (2 * alpha - 1). (alpha = gamma - 1 for a density P(k) ~ k **
# -gamma.)
print(" alpha gamma top 1% top 20% Gini")
for alpha in (1.16, 1.5, 2.0, 3.0):
share = lambda p: p ** (1 - 1 / alpha)
print(f"{alpha:6.2f} {alpha + 1:6.2f} {share(0.01):8.1%} {share(0.20):9.1%} {1 / (2 * alpha - 1):6.2f}")
# alpha gamma top 1% top 20% Gini
# 1.16 2.16 53.0% 80.1% 0.76
# 1.50 2.50 21.5% 58.5% 0.50
# 2.00 3.00 10.0% 44.7% 0.33
# 3.00 4.00 4.6% 34.2% 0.20指数越小，集中越极端。 接近 2 时，前 1% 拥有约一半。
幂律从哪里来：富者愈富
1999 年，巴拉巴西（Albert-László Barabási）与阿尔伯特（Réka Albert）为网页这类网络提出了一个机制。网络在生长：新节点不断加入。新节点又优先连接到已经拥有很多连接的节点。生长加上优先连接，不论细节如何，都会产生 的度分布 (Barabási and Albert 1999)。这个想法有更早的形式：普赖斯（Derek de Solla Price）在引文中提出的「累积优势」(Price 1976)，以及默顿（Robert Merton）在科学声誉中提出的「马太效应」，得名于「凡有的，还要加给他」(Merton 1968)。
推导
两个各有 20,000 个节点的网络，每个新节点建立两条连接。第一个网络按目标当前的连接数成比例地选择，第二个网络均匀随机地选择。对至少有 10 条连接的节点，用最大似然估计尾部指数 (Clauset et al. 2009)。
import random
from math import log
def grow(n, m, preferential, seed=1):
"""Grow a network to n nodes; each new node links to m existing nodes.
preferential=True: chosen in proportion to current degree (Barabasi-Albert); False: uniformly."""
rng = random.Random(seed)
deg = [m] * (m + 1) # start from a small complete graph
ends = [i for i in range(m + 1) for _ in range(m)] # each node listed once per link end
for new in range(m + 1, n):
targets = set()
while len(targets) < m:
targets.add(rng.choice(ends) if preferential else rng.randrange(new))
deg.append(m)
for t in targets:
deg[t] += 1
ends += [t, new]
return deg
def gini(x):
x = sorted(x); n = len(x)
return sum((2 * i - n - 1) * v for i, v in enumerate(x, 1)) / (n * sum(x))
def gamma_mle(deg, kmin):
tail = [k for k in deg if k >= kmin] # discrete approximation, Clauset et al. (2009)
return 1 + len(tail) / sum(log(k / (kmin - 0.5)) for k in tail)
print("growth rule max degree top 1% share Gini tail exponent")
for name, pref in (("preferential", True), ("uniform", False)):
deg = grow(20000, 2, pref)
top = sorted(deg, reverse=True)[: len(deg) // 100]
print(f"{name:14s} {max(deg):10d} {sum(top) / sum(deg):12.1%} {gini(deg):6.3f} {gamma_mle(deg, 10):8.2f}")
# growth rule max degree top 1% share Gini tail exponent
# preferential 356 12.1% 0.391 2.91
# uniform 24 3.9% 0.300 5.51
在优先连接下，连接最多的节点有 356 条连接，均匀连接下只有 24 条；估计的指数接近理论值 3。均匀连接下的分布根本不是幂律，表中它的「指数」只是把估计方法用在错误形状上得到的数字。
在创作者商业中，优先连接的对应物很容易看到。平台的推荐系统把已经表现好的账号和视频推给更多人；观众关注别人在关注的账号；品牌预订受众庞大的创作者。每一样都把曝光再反馈成曝光。
关于幂律的两点提醒
证据
克劳塞特（Aaron Clauset）、沙利齐（Cosma Shalizi）与纽曼（Mark Newman）用严格的统计方法检验了许多声称的幂律，发现其中好几个用其他重尾分布（例如对数正态分布）描述更好 (Clauset et al. 2009)。布罗伊多（Anna Broido）与克劳塞特后来检查了近一千个真实网络，结论是强无标度网络很罕见；大多数重尾网络只能勉强、甚至完全不能用幂律拟合 (Broido and Clauset 2019)。
这些提醒对实践有意义。「这个分布是幂律」是一个需要数据和检验的强主张；通常能证明的是「这个分布是重尾且高度集中的」，而这对本书的大多数结论已经足够。
超级明星与运气
舍温·罗森（Sherwin Rosen）解释了为什么才能上的小差异能造成收入上的巨大差异：当一位表演者能以极小的额外成本服务一个巨大的市场时，买家偏好可得的最好者，回报就集中到顶端 (Rosen 1981)。数字分发是极端的情形：一个视频被十个人看还是被一千万人看，成本几乎一样。
证据
在「MusicLab」实验中，萨尔加尼克（Matthew Salganik）、多兹（Peter Dodds）与瓦茨（Duncan Watts）让一万四千多名参与者下载不知名乐队的歌曲，分成八个能看到每首歌下载次数的独立「世界」，以及一个看不到的世界。社会影响让成功更不平等，也更难预测：同一首歌可以在一个世界里走红，在另一个世界里无人问津。最好的歌很少表现很差，最差的歌也很少表现很好，但在两者之间，几乎任何结果都可能出现 (Salganik et al. 2006)。
假说 · 尚未验证
尚未确立。 在创作者商业中，受众集中于少数创作者，主要是由推荐与关注中的优先连接造成的，而不是由成比例的质量差异造成的。这一假说预测：在早期内容被盲评小组评为相近水平的创作者中，后来的受众规模会相差几个数量级，而且早期曝光比质量评分更能预测受众规模。如果盲评质量对受众规模的预测力与早期曝光相当或更好，假说就被推翻。
对创作者或品牌而言，本章的实际教训是冷静的。在一个由优先连接塑造的市场里，平均结果不能代表典型结果：大多数账号的粉丝远少于平均数，早期优势会不断累积。第七章将回到古代中国商人如何看待拥挤与被冷落的市场。
参考文献
Fan, Y. (2026). The Economics of Attention: Simon's Scarcity Law, Power-Law Networks and Conversion Funnels in Creator Commerce [注意力的经济学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23689302 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).