453
个编辑
更改
跳到导航
跳到搜索
第402行：
第402行： − + − ===活跃度与规模的超线性增长=== − 传统的观点认为，在线活动的总体规模与活跃用户数量呈线性关系。然而，近期研究发现，在许多网络社区中，总活动量（[math]T[/math]）与活跃人口（[math]P[/math]）之间存在着超线性（super-linear）的幂律关系，即：+ + − [math]\displaystyle{ T \propto P^\gamma }[/math]+ − 其中，指数 γ>1。这种现象被称为“加速增长”（accelerating growth），意味着随着网络社区活跃用户数量的增加，其总活动量会以更快的速度增长。这一规律在多种在线活动中被观察到，包括微博（micro-blogging）、新闻投票（news voting）和照片标记（photo tagging）等。+ − 例如，一项研究对新浪微博的数据分析发现，用户的平均关注者数量、总互动（转发、评论等）以及每日发帖量均随活跃用户数量呈现超线性增长<ref>Wu, L., & Zhang, J. (2011). Accelerating Growth and Size-dependent Distribution of Collective Human Activities Online. ''arXiv preprint arXiv:1104.0742''.</ref>。这一发现与城市中的创新和财富创造的超线性规模法则具有异曲同工之处，暗示了在线互动网络中也存在类似“集聚效应”和“回报递增”的机制。+ − ===加速增长与规模依赖分布===+ − 加速增长的规模法则不仅体现在总活动量的超线性增长上，还与集体人类活动中一种特定的“规模依赖分布”（size-dependent distribution）变化模式相关联。这意味着，随着社区规模的扩大，在线活动（例如，某个特定标签的使用频率、某个话题的讨论热度）的分布模式也会发生系统性变化。+ + − 这种规模依赖的分布变化表明，大型网络社区在某些方面的行为可能与小型社区截然不同，不仅仅是简单的线性放大。这可能反映了在更大社区中，信息传播、协同工作或注意力的分配机制发生了质的变化，从而导致了更高的效率或更集中的活动。+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
→网络社区
* 中国：数据来自Wind资讯的上海证券交易所和深圳证券交易所数据库，包含了1996年至2022年中国公开上市公司的财务信息。
* 中国：数据来自Wind资讯的上海证券交易所和深圳证券交易所数据库，包含了1996年至2022年中国公开上市公司的财务信息。
==网络社区==
= 衰老与死亡 =
== 生物体的死亡 ==
Brown等人根据新陈代谢的理论推导生物体的死亡规律。由于在大多数种群中，死亡率必须非常接近繁殖率以维持种群稳定，而繁殖率又是由新陈代谢的生物量生产所驱动的，因此死亡率的变化可以通过代谢率来解释。
'''基础方程：新陈代谢率'''
该理论的基础是生物的代谢率（B），其取决于生物体质量（M）和绝对温度（T）。代谢率的规模法则方程为：
[math]B \propto M^{3/4}e^{-E/kT}[/math]
其中：
* [math]M[/math] 代表生物体质量。
* [math]e^{-E/kT}[/math] 是玻尔兹曼-阿伦尼乌斯因子，表示温度的指数依赖性，其中 [math]E[/math] 是活化能，k 是玻尔兹曼常数。
'''推导死亡率方程'''
单位质量的代谢率（[math]B/M[/math]）遵循的方程是：
[math]B/M \propto M^{-1/4}e^{-E/kT}[/math]
该理论进一步预测，由于新陈代谢是生物体内所有速率过程的基础，包括决定生长和繁殖的速率，因此死亡率（Z）也应以与单位质量的代谢率相同的方式进行规模缩放。
[math]Z \propto M^{-1/4}e^{-E/kT}[/math]
因此，死亡率的规模法则方程与单位质量的代谢率方程形式上一致，也与生物体质量的 [math]-1/4[/math] 次方成反比。
== 企业的死亡 ==
根据Daepp等人在2015年发表的研究，公司的“死亡”定义为公司从数据库中的消失。这包括了多种情况，其中最常见的是通过并购（mergers and acquisitions）消失，而不是清算（liquidation）。论文通过对超过25,000家北美上市公司的综合数据库进行详细的生存分析，发现公司的死亡率（或称“风险率”）在很长一段时间内大致保持恒定，与公司的年龄无关。
论文推导的出发点是一个简单的衰变过程模型，假设死亡数量与现有公司数量成正比。
'''死亡微分方程'''
在一个非常小的离散时间间隔 [math]\Delta t[/math] 内，死亡的公司数量 [math]\Delta N_d(t,T)[/math] 与在时间 t 仍存活的公司数量 [math]N(t,T)[/math] 成正比，比例系数为风险率 [math]\lambda(t,T)[/math]：
[math]\Delta N_{d}(t,T)=\lambda(t,T)N(t,T)\Delta t[/math]
当时间间隔趋近于零（[math]\Delta t \to 0[/math]）时，这个方程可以写成微分形式：
[math]\frac{\partial N(t,T)}{\partial t}=-\lambda(t,T)N(t,T)[/math]
其中 [math]N(t,T)[/math] 是在观察时间窗口 T 内，在时间 t 仍存活的公司数量。
'''指数分布解'''
当假设风险率 [math]\lambda[/math] 是一个常数时，上述微分方程的解为经典的指数形式：
[math]N(t,T)=N(0,T)e^{-\lambda(T)t}[/math]
这个方程表明，一个公司存活到时间 t 的概率随着时间呈指数衰减。论文的实证分析表明，指数分布能很好地拟合数据。
'''修正的指数分布与半衰期'''
由于数据是在一个有限的观察窗口 T 内获取的，为了解决边界条件问题（即在窗口结束时，所有公司都被视为死亡），论文引入了一个修正项，得到了一个修正的指数分布函数：
[math]N(t,T)=N(0,T)e^{-\lambda t}[\frac{1-e^{-\lambda(T-t)}}{1-e^{-\lambda T}}][/math]
当观察窗口 T 远大于公司年龄 t 时，这个方程可以近似为常规的指数公式。基于这个模型，论文计算了公司的半衰期（[math]t_{1/2}[/math]），即一半的公司死亡所需的时间。通过求解 [math]M(t_{1/2}) = 1/2[/math]，可以得到半衰期的公式：
[math]t_{1/2}(T)=\frac{ln~2}{\lambda}[1-\frac{ln(1+e^{-\lambda T})}{ln~2}][/math]
= 解释模型 =
= 解释模型 =