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

Questo articolo dimostra che il modello di Simon è fondamentalmente errato nel riprodurre la legge di Zipf perché, in assenza di innovazione, porta a un sistema "il vincitore prende tutto", e propone invece un tasso di innovazione dipendente dal tempo che decade come l'inverso del logaritmo del numero di tipi come meccanismo universale per generare distribuzioni di potenza in sistemi complessi.

L'essenziale

Il Grande Inganno del "Ricco che Diventa più Ricco"

Immagina di essere in una festa molto affollata dove le persone si raggruppano in base a quanto sono famose o popolari. C'è una regola semplice: chi ha già molti amici ne guadagna altri più velocemente. Questo è il principio del "chi più ne ha, più ne metta" (in inglese rich-get-richer).

Per decenni, gli scienziati hanno creduto che un modello matematico creato nel 1955 da un uomo di nome Herbert Simon spiegasse perfettamente come funzionano queste cose nel mondo reale: dalla frequenza delle parole nei libri, alla grandezza delle città, fino al numero di follower sui social media.

Secondo Simon, se vuoi che la distribuzione segua una regola precisa chiamata Legge di Zipf (dove la parola più usata è usata il doppio della seconda, il triplo della terza, e così via), devi semplicemente impostare una probabilità fissa di "innovazione" (cioè, la probabilità che arrivi una nuova parola o una nuova persona) e lasciar correre il tempo.

Il problema? Gli autori di questo nuovo studio (Rosillo-Rodes e colleghi) hanno scoperto che il modello di Simon ha un difetto catastrofico.

L'Analogia della Gara di Corsa

Immagina una gara di corsa dove ogni corridore guadagna velocità in base a quanto è già veloce.

• Il modello di Simon: Se la probabilità di creare un nuovo corridore è quasi zero, il primo corridore che parte (il "pioniere") diventa così veloce che gli altri non riescono nemmeno a vederlo. Alla fine, il primo corridore fa tutto il percorso da solo, e tutti gli altri sono fermi. Il risultato non è una gara equilibrata (Legge di Zipf), ma un "vincitore che prende tutto" (winner-takes-all).
• La realtà: Nel mondo reale (come nei libri o nelle città), non c'è un solo vincitore assoluto. C'è una gerarchia fluida.

Simon pensava che riducendo la creazione di novità a zero, si arrivasse alla perfezione della Legge di Zipf. Invece, gli scienziati di questo studio dicono: "No! Se non crei nulla di nuovo, il primo arrivato domina tutto e la legge si rompe."

La Soluzione: Il "Nuovo Ritmo" della Creatività

Gli autori hanno scoperto che per far funzionare la magia della Legge di Zipf (e di tutte le altre leggi di potenza), non basta avere una probabilità di innovazione fissa. Bisogna farla cambiare nel tempo.

Ecco la loro scoperta fondamentale, spiegata con una metafora:

Immagina che l'innovazione (creare nuove parole, nuove città, nuovi tipi) sia come aggiungere nuovi ingredienti a una zuppa che sta cuocendo.

• Il vecchio modo (Simon): Aggiungere un pizzico di sale ogni minuto, sempre la stessa quantità. Alla fine, la zuppa diventa salata in modo strano o dominata da un solo ingrediente.
• Il nuovo modo (Rosillo-Rodes): Devi aggiungere il sale in modo intelligente. Man mano che la zuppa diventa più grande (più parole, più persone), devi rallentare l'aggiunta di nuovi ingredienti, ma non fermarti mai completamente.

In particolare, per ottenere la perfetta Legge di Zipf, il tasso di innovazione deve diminuire molto lentamente, seguendo una regola precisa: deve essere inversamente proporzionale al logaritmo del numero di cose esistenti.

In parole povere: Più cose ci sono, più è difficile inventarne di nuove, ma devi continuare a inventarne, anche se molto lentamente. Se smetti di inventare (innovazione zero), il sistema collassa in un vincitore unico. Se innovi troppo, non si forma la gerarchia. C'è un "ritmo d'oro" da mantenere.

Perché è Importante?

1. Corregge un errore storico: Hanno dimostrato che il modello di Simon, che è stato la "bibbia" per 70 anni, fallisce proprio nel punto più importante: quando si cerca di spiegare la Legge di Zipf.
2. Funziona davvero: Hanno testato il loro nuovo modello su otto romanzi famosi (da Frankenstein a Harry Potter, passando per L'Ulisse di Joyce). Il modello di Simon non riesce a prevedere le frequenze delle parole in questi libri, mentre il loro nuovo modello "dinamico" lo fa perfettamente.
3. È universale: Non importa se parliamo di parole, città o specie animali. Se c'è una legge di potenza (qualcosa che segue la regola "chi più ne ha, più ne metta"), allora il tasso con cui nascono le nuove cose deve seguire la loro formula dinamica.

In Sintesi

Il mondo non è guidato da una regola statica dove "chi ha, prende". È guidato da un ritmo dinamico di creatività.
Per avere un mondo equilibrato dove le cose seguono la Legge di Zipf, dobbiamo continuare a creare novità, ma dobbiamo farlo rallentando man mano che il mondo diventa più grande e complesso. È come se l'universo ci dicesse: "Non smettere mai di inventare, ma non farlo troppo velocemente, altrimenti il primo arrivato ruberà tutto lo spazio."

Questa scoperta ci dà finalmente la "ricetta" corretta per capire come crescono le cose complesse, dalle lingue umane alle città, riparando un errore che è durato troppo a lungo.

Sommario tecnico

1. Il Problema

Il paper affronta un fallimento critico e trascurato nel modello teorico più influente per spiegare le distribuzioni di potenza (power-law) nei sistemi complessi: il modello "rich-get-richer" (i ricchi diventano più ricchi) proposto da Herbert Simon nel 1955.

• Contesto: Molti sistemi complessi (frequenze delle parole, dimensioni delle città, abbondanza di specie) seguono una legge di potenza dove la dimensione $S$ di un componente è inversamente proporzionale al suo rango $r$ ($S \propto r^{-\alpha}$). Il caso $\alpha = 1$ è noto come Legge di Zipf.
• L'errore di Simon: Il modello di Simon assume che ad ogni passo temporale venga aggiunto un nuovo "token" (es. una parola) che o introduce un nuovo "tipo" (con probabilità costante $\rho$) o rafforza un tipo esistente (con probabilità $1-\rho$), proporzionalmente alla sua dimensione attuale. Simon derivò che l'esponente della legge di potenza sarebbe $\alpha = 1 - \rho$.
• La catastrofe nel limite: Il paper dimostra che quando si cerca di ottenere la Legge di Zipf ($\alpha \to 1$), il modello di Simon richiede che la probabilità di innovazione $\rho \to 0$. Tuttavia, nel limite $\rho \to 0$, il modello non produce $\alpha = 1$, ma collassa in un sistema "winner-takes-all" (il vincitore prende tutto) dove l'esponente diverge ($\alpha \to \infty$). In questo scenario, il primo tipo introdotto diventa sproporzionatamente grande rispetto a tutti gli altri (vantaggio del primo movimento), rendendo il modello incapace di riprodurre le distribuzioni reali osservate empiricamente, specialmente per $\alpha \ge 1$.

2. Metodologia

Gli autori hanno sviluppato un approccio analitico e simulativo per correggere il modello di Simon:

• Analisi dell'errore: Hanno formalizzato matematicamente come il limite $\rho \to 0$ nel modello originale porti a una discontinuità nella distribuzione delle dimensioni, esaltando il vantaggio del primo movimento di un fattore $1/\rho$.
• Derivazione di un tasso di innovazione dinamico: Invece di mantenere $\rho$ costante, gli autori hanno derivato un tasso di innovazione dipendente dal tempo e dal numero di tipi, denotato come $\rho_{t,\alpha}$.
  • Hanno utilizzato un'equazione di crescita per la dimensione attesa del $r$-esimo tipo, considerando il momento della sua introduzione ($t_{init}^r$).
  • Hanno imposto che la distribuzione risultante segua una legge di potenza con esponente $\alpha$ desiderato.
• Generalizzazione: Hanno costruito una funzione $\rho_{t,\alpha}$ che si comporta come il tasso costante di Simon per $\alpha \ll 1$, ma che decade dinamicamente per gestire i casi $\alpha \ge 1$.
• Validazione Empirica: Hanno testato il nuovo modello su un corpus di otto romanzi famosi in sei lingue diverse (inclusi Frankenstein, Don Chisciotte, Ulysses, Anna Karenina), confrontando le distribuzioni reali delle parole con le simulazioni di Simon e del nuovo modello generalizzato.

3. Contributi Chiave

1. Identificazione del Fallimento di Simon: Dimostrazione rigorosa che il modello di Simon non può produrre la Legge di Zipf ($\alpha=1$) o distribuzioni con $\alpha > 1$ senza collassare in un regime "winner-takes-all".
2. Derivazione del Tasso di Innovazione Dinamico ($\rho_{t,\alpha}$):
   • Gli autori derivano la formula esatta per il tasso di innovazione necessario per ottenere qualsiasi esponente $\alpha \ge 0$:
     $$\rho_{t,\alpha} = \frac{1 - \alpha}{1 + \alpha(1 - \alpha)\zeta(\alpha)(N_{t,\alpha} + 1)^{\alpha-1}}$$
     dove $N_{t,\alpha}$ è il numero di tipi distinti al tempo $t$ e $\zeta$ è la funzione zeta di Riemann.
3. La "Legge di Zipf" Corretta: Per il caso specifico di Zipf ($\alpha = 1$), il paper rivela che il tasso di innovazione non deve essere zero, ma deve decadere come l'inverso del logaritmo del numero di tipi:
   $$\rho_{t,1} \to \frac{1}{\ln N_{t,1}}$$
   Questo è un risultato fondamentale: l'innovazione deve persistere, anche se molto lentamente, per mantenere la legge di Zipf.
4. Universalità del Meccanismo: Dimostrano che questo tasso di innovazione dinamico non è solo una correzione meccanica, ma è una proprietà universale di qualsiasi sistema che evolve con una distribuzione di potenza, indipendentemente dal meccanismo sottostante (meccanico o deterministico).
5. Corrispondenza con Modelli Non-Meccanici: Mostrano che il tasso derivato corrisponde esattamente al tasso di crescita dei tipi in un modello deterministico di crescita, confermando che la relazione è intrinseca alla struttura della legge di potenza.

4. Risultati

• Simulazioni: Le simulazioni del modello generalizzato riproducono con precisione le distribuzioni di rango-dimensione per l'intero spettro di $\alpha$ (da 0 a $\infty$), inclusi i casi critici dove il modello di Simon fallisce (Figura 2).
• Confronto con Dati Reali: Analizzando le frequenze delle parole in otto romanzi, il modello generalizzato si adatta perfettamente ai dati empirici, mentre il modello di Simon fallisce sistematicamente, sovrastimando la dimensione delle parole più frequenti (il "vantaggio del primo movimento") e non riuscendo a catturare la pendenza corretta della coda della distribuzione (Figura 3).
• Legge di Heaps: Il modello recupera naturalmente la Legge di Heaps (relazione tra numero di token e numero di tipi) come caso limite per $\alpha \gg 1$.

5. Significato e Implicazioni

• Riparazione di un Pilastro Teorico: Il paper corregge un errore fondamentale presente nella letteratura scientifica da oltre 70 anni, fornendo il vero meccanismo "rich-get-richer" che genera leggi di potenza.
• Nuovo Modello di Riferimento: Il tasso di innovazione dinamico proposto diventa il nuovo "modello di riferimento" (simile al Drosophila in biologia) per tutti i sistemi che mostrano fenomeni di "i ricchi diventano più ricchi".
• Impatto Interdisciplinare: Poiché le leggi di potenza sono onnipresenti (linguistica, ecologia, economia, reti sociali), questo lavoro offre un nuovo strumento fondamentale per modellare la crescita e l'evoluzione di sistemi complessi in modo più realistico.
• Comprensione dell'Innovazione: Il risultato suggerisce che per mantenere una distribuzione di Zipf (tipica del linguaggio umano), il tasso di introduzione di nuovi elementi (innovazione) non può fermarsi, ma deve seguire una decadenza logaritmica specifica, offrendo nuove prospettive sulla dinamica della creatività e dell'evoluzione culturale.

In sintesi, gli autori non solo smontano la validità del modello classico di Simon nel limite critico, ma costruiscono una teoria unificata e matematicamente rigorosa che spiega come l'innovazione dinamica governi l'emergere di qualsiasi distribuzione di potenza nei sistemi complessi.