Simon's model does not produce Zipf's law: The fundamental rich-get-richer mechanism for any power-law size ranking

Diese Arbeit widerlegt die Gültigkeit von Simons Modell für das Zipf-Gesetz, indem sie zeigt, dass eine zeitabhängige Innovationsrate, die als Kehrwert des Logarithmus der Typenanzahl abfällt, notwendig ist, um korrekte Potenzgesetze in reich-get-reicher-Systemen zu erzeugen.

Das Wesentliche

Das große Missverständnis: Warum der „Reiche" nicht immer gewinnt

Stell dir vor, du beobachtest eine riesige Party, auf der sich die Gäste unterhalten. Du hast zwei Phänomene bemerkt:

1. Die Populäritäts-Regel: Ein paar Wörter (oder Gäste) werden extrem oft benutzt, während die meisten nur selten vorkommen. Das nennt man „Zipf-Gesetz". Es ist wie eine Stadt: Eine riesige Metropole (New York), ein paar mittlere Städte und dann unzählige kleine Dörfer.
2. Der „Reicher-wird-reicher"-Effekt: Je bekannter ein Wort ist, desto wahrscheinlicher wird es wieder benutzt. Wenn du „Haus" sagst, denken alle an Häuser, und das nächste Mal sagen sie es wieder.

Seit den 1950er Jahren glaubten Wissenschaftler, sie hätten die perfekte Maschine gefunden, die dieses Muster erklärt: Simons Modell. Es funktionierte wie ein Spiel:

• Man wirft eine Münze.
• Bei „Kopf" (eine kleine Chance) erfindet man ein neues Wort.
• Bei „Zahl" (die große Chance) wählt man ein bestehendes Wort aus, aber mit einer Regel: Je öfter ein Wort schon da war, desto wahrscheinlicher wird es gewählt.

Das Problem: Die Forscher in diesem neuen Papier haben entdeckt, dass diese Maschine in einem entscheidenden Moment kaputtgeht. Wenn man die Chance für neue Wörter (die „Innovation") fast auf Null setzt, um das perfekte Zipf-Muster zu erhalten, passiert etwas Schlimmes: Das erste Wort, das jemals auf der Party gesagt wurde, übernimmt alles. Es wird so dominant, dass alle anderen Wörter verschwinden. Es entsteht kein Gleichgewicht mehr, sondern ein „Winner-takes-all"-Szenario (ein Gewinner nimmt alles).

Stell dir vor, du hast eine Schüssel mit Marmelade. Simon sagte: „Wenn du sehr wenig neue Marmelade hinzufügst, wird die erste Portion so groß, dass sie die ganze Schüssel füllt." Aber in der Realität (und in echten Büchern) ist das nicht so. Die erste Portion bleibt groß, aber die anderen Portionen sind auch noch da und bilden ein schönes Muster.

Die Lösung: Ein neuer, smarter Motor

Die Autoren haben eine neue Formel entwickelt, die den Motor dieses Spiels repariert. Sie nennen es den „dynamischen Innovations-Takt".

Hier ist die einfache Analogie:
Stell dir vor, du baust eine Bibliothek.

• Simons alter Motor: Er sagte: „Füge immer genau 1 % neue Bücher hinzu." Das funktionierte gut, solange die Bibliothek klein war. Aber je größer sie wurde, desto mehr geriet das System aus dem Takt.
• Der neue Motor: Er sagt: „Je größer die Bibliothek wird, desto langsamer müssen wir neue Bücher hinzufügen, aber wir dürfen niemals ganz aufhören."

Das ist der entscheidende Trick:

• Wenn die Bibliothek klein ist, fügen wir schnell neue Wörter hinzu.
• Wenn sie riesig ist (wie in einem langen Roman), fügen wir neue Wörter sehr langsam hinzu. Aber diese Geschwindigkeit folgt einer ganz bestimmten Regel: Sie muss sich genau so verhalten wie der Kehrwert des Logarithmus der Anzahl der Wörter. (Klingt kompliziert, ist aber im Grunde wie ein Bremspedal, das sich automatisch anpasst, damit das Auto nicht zu schnell wird, aber auch nicht stehen bleibt).

Das Ergebnis: Warum es für echte Bücher funktioniert

Die Forscher haben ihr neues Modell getestet, indem sie echte Romane analysierten – von Frankenstein über Don Quijote bis zu Harry Potter.

• Simons Modell scheiterte kläglich. Es sagte voraus, dass das erste Wort im Buch (z. B. „Der") den gesamten Text dominieren würde, was nicht stimmt.
• Das neue Modell traf den Nagel auf den Kopf. Es konnte genau das Muster vorhersagen, das wir in echten Büchern sehen: Ein paar sehr häufige Wörter, viele mittlere und unzählige seltene.

Die große Erkenntnis

Die wichtigste Botschaft dieser Arbeit ist: Es gibt eine fundamentale Regel für alles, was wächst.

Egal, ob es sich um Wörter in einem Buch, Städte in einem Land, Firmen in einer Wirtschaft oder Arten in einem Ökosystem handelt – wenn sie einem „Reicher-wird-reicher"-Muster folgen, muss die Rate, mit der Neues hinzukommt, sich genau so verhalten, wie die Autoren es berechnet haben.

Es ist, als hätten sie den „Herzschlag" des Wachstums gefunden. Wenn dieser Herzschlag (die Innovationsrate) nicht genau im richtigen Takt schlägt (langsam genug, aber nie ganz aufhört), dann bricht das ganze System zusammen und wird unfair (ein Gewinner nimmt alles). Aber wenn er im richtigen Takt schlägt, entsteht die wunderschöne, natürliche Vielfalt, die wir in der Welt um uns herum sehen.

Zusammengefasst:
Die alten Regeln haben einen Fehler gehabt, der dazu führte, dass alles zu einem einzigen Riesen wurde. Die neuen Autoren haben die Regel für das Hinzufügen von Neuem so angepasst, dass sie sich mit der Größe des Systems verlangsamt. So bleibt das Gleichgewicht erhalten, und das berühmte Zipf-Muster (ein paar große, viele kleine) entsteht ganz natürlich.

Technische Zusammenfassung

Titel und Kontext

Titel: Simon's model does not produce Zipf's law: The fundamental rich-get-richer mechanism for any power-law size ranking.
Autoren: Pablo Rosillo-Rodes et al. (IFISC, University of Vermont, Santa Fe Institute, etc.)
Datum: April 2026 (auf dem Papier vermerkt)

1. Das Problem

Das Paper adressiert ein fundamentales Problem in der Theorie komplexer Systeme: Die Erklärung von Zipf's Gesetz und allgemeineren Potenzgesetz-Größenrankings ($S \propto r^{-\alpha}$), die in Phänomenen wie Wortfrequenzen, Stadtgrößen oder Artenhäufigkeiten auftreten.

Der etablierte Standardmechanismus ist Herbert Simons Modell von 1955 (basierend auf Yules Arbeit). Dieses Modell beschreibt ein "Reicher-wird-reicher"-Prinzip (Rich-Get-Richer), bei dem in jedem Schritt entweder ein neuer Typ (mit Wahrscheinlichkeit $\rho$) eingeführt oder ein bestehender Typ (mit Wahrscheinlichkeit $1-\rho$) verstärkt wird.

Die kritische Lücke:
Die Autoren zeigen, dass Simons Analyse einen katastrophalen Fehler enthält, insbesondere im Grenzwert, der für Zipf's Gesetz ($\alpha = 1$) relevant ist.

• Simons Modell sagt voraus, dass für $\rho \to 0$ der Exponent $\alpha \to 1$ geht.
• Die Realität: Wenn $\rho = 0$ gesetzt wird, führt das Modell zu einem "Winner-takes-all"-Szenario, bei dem der erste Typ alle Token absorbiert. Der Exponent geht gegen $\alpha \to \infty$, nicht gegen 1.
• Das Modell kann keine Größenrankings mit $1 < \alpha < \infty$ erzeugen und scheitert strukturell daran, Zipf's Gesetz korrekt zu reproduzieren, da es den "First-Mover-Vorteil" (Vorteil des Ersten) nicht korrekt handhabt, wenn die Innovationsrate gegen Null geht.

2. Methodik

Die Autoren entwickeln eine korrigierte, zeitabhängige Innovationsrate $\rho_{t,\alpha}$, die Simons Modell generalisiert.

• Analyse des Fehlers: Sie zeigen, dass bei konstanter Innovationsrate $\rho$ der führende Typ eine Größe hat, die um den Faktor $1/\rho$ größer ist als der zweitgrößte Typ. Dies führt zu einer Verzerrung des Potenzgesetzes im Bereich $\alpha \approx 1$.
• Herleitung der neuen Rate: Anstatt eine konstante Wahrscheinlichkeit $\rho$ anzunehmen, leiten sie eine dynamische Innovationsrate $\rho_{t,\alpha}$ her, die von der Zeit $t$ und der Anzahl der verschiedenen Typen $N_{t,\alpha}$ abhängt.
• Mathematischer Ansatz:
  • Sie nutzen eine rekursive Wachstumsannahme für die Größe des $r$-ten Typs $S_{r,t,\alpha}$.
  • Sie fordern, dass die Startzeit des $r$-ten Typs ($t_{init}^r$) so skaliert, dass ein Potenzgesetz entsteht.
  • Für $\alpha > 1$ ergibt sich eine Beziehung "Potenzgesetz-in-Potenzgesetz-aus" (PLIPLO).
  • Die Innovationsrate wird als Ableitung der Anzahl der Typen nach der Zeit definiert: $\rho_{t,\alpha} = \frac{dN_{t,\alpha}}{dt}$.

3. Key Contributions (Hauptbeiträge)

1. Entlarvung von Simons Fehler: Der Nachweis, dass Simons Modell im Limit $\rho \to 0$ versagt und stattdessen zu einem degenerierten System mit $\alpha \to \infty$ führt, statt Zipf's Gesetz ($\alpha=1$) zu erzeugen.
2. Herleitung der generalisierten Innovationsrate: Die Formulierung einer neuen Rate $\rho_{t,\alpha}$, die für alle $\alpha \ge 0$ funktioniert:
   $$\rho_{t,\alpha} = \frac{1 - \alpha}{1 + \alpha(1-\alpha)\zeta(\alpha)(N_{t,\alpha} + 1)^{\alpha-1}}$$
   wobei $\zeta(\alpha)$ die Riemannsche Zeta-Funktion ist.
3. Die "Zipf-Innovationsrate": Für den spezifischen Fall von Zipf's Gesetz ($\alpha = 1$) zeigen sie, dass die Innovationsrate nicht gegen Null gehen darf, sondern wie folgt abklingen muss:
   $$\rho_{t,1} \to \frac{1}{\ln N_{t,1}}$$
   Das bedeutet, Innovation muss langsamer abklingen als jede inverse Potenz, um Zipf's Gesetz zu erhalten.
4. Universalität: Sie zeigen, dass diese dynamische Rate nicht nur aus dem mechanistischen "Rich-Get-Richer"-Prozess folgt, sondern eine notwendige Konsequenz für jedes System ist, das ein Potenzgesetz-Größenranking aufweist, unabhängig vom zugrundeliegenden Mechanismus (basierend auf der Typ-Token-Beziehung).

4. Ergebnisse

• Simulationen: Die Autoren simulierten ihr generalisiertes Modell und verglichen es mit Simons Originalmodell.
  • Simons Modell scheiterte bei $\alpha \ge 1$ und zeigte den übermäßigen First-Mover-Vorteil.
  • Das generalisierte Modell reproduzierte erfolgreich die gewünschten Größenrankings für den gesamten Bereich $0 \le \alpha < \infty$, einschließlich des kritischen Bereichs um $\alpha = 1$.
• Empirische Validierung: Das Modell wurde an Wortfrequenzdaten aus acht berühmten Romanen in fünf Sprachen (u.a. Frankenstein, Don Quijote, Ulysses, Harry Potter) getestet.
  • Das generalisierte Modell passte die empirischen Daten (Ranking vs. Größe) exzellent an.
  • Simons Modell konnte diese Daten nicht korrekt abbilden.
• Korrespondenz mit nicht-mechanistischen Modellen: Es wurde gezeigt, dass die abgeleitete Innovationsrate $\rho_{t,\alpha}$ funktional äquivalent zu der Rate ist, die in rein deterministischen, wachsenden Modellen mit vorgegebenem Potenzgesetz auftritt. Dies unterstreicht die Universalität der Formel.

5. Bedeutung und Fazit

Dieses Paper stellt eine fundamentale Korrektur in der Theorie komplexer Systeme dar.

• Theoretische Korrektur: Es widerlegt die jahrzehntelange Annahme, dass Simons Modell Zipf's Gesetz natürlich erzeugt. Stattdessen wird gezeigt, dass eine spezifische, zeitabhängige Innovationsrate erforderlich ist.
• Neues Paradigma: Die vorgeschlagene dynamische Innovationsrate dient als neues "Drosophila-Modell" (Grundmodell) für alle Rich-Get-Richer-Systeme. Sie bietet einen Standard, an dem Abweichungen von der Potenzgesetz-Universalität gemessen werden können.
• Anwendbarkeit: Die Ergebnisse sind relevant für Linguistik, Ökologie, Soziologie und Netzwerktheorie, da sie ein robustes mechanistisches Fundament für das Verständnis von Skalierungsgesetzen in wachsenden Systemen liefern.

Zusammenfassend liefern die Autoren den korrekten mathematischen Mechanismus, der notwendig ist, um die allgegenwärtigen Potenzgesetze in der Natur und Gesellschaft zu erklären, und reparieren damit einen der einflussreichsten Modelle der Komplexitätsforschung.