冪律與雙對數圖：為什麼財富分布會有這麼長的尾巴？

\[\require{physics}\]

《log 的應用系列》：①總覽：乘法變加法的翻譯機 ｜ ②半對數圖與指數衰變 ｜ ③冪律與雙對數圖 ｜ ④分貝、地震規模、視星等 ｜ ⑤熵為什麼要取 log

---

為什麼薪水的長條圖長這麼怪？

如果把一個國家所有人的月薪畫成長條圖（直方圖），通常會看到：大多數人集中在一個不算誇張的範圍，但右邊拖著一條長到看不到盡頭的尾巴——因為極少數人的財富，可能是一般人的幾十萬、幾百萬倍。這種「主體集中、尾巴極長」的分布，用一般的線性座標畫出來完全沒辦法看清楚：尾巴上那極少數超級富豪的資料點，會把整張圖的橫軸尺度拉到荒謬的程度，中間大多數人的資料反而全部擠成一團。

上一篇處理的是「縱軸取 log」就能拉直的指數衰變。但財富分布不是指數關係，而是另一種同樣重要、卻需要兩個軸都取 log 才能看清楚的關係——冪律（power law）。

---

直覺：如果收入是「一路乘出來的」呢？

先問一個問題：一個人的收入，是怎麼決定的？

直覺上，收入不太像是「一堆數字加加減減」的結果，反而更像是一連串乘法係數疊加出來的：

\[\text{收入}\approx\text{基本收入}\times\text{教育加成}\times\text{產業加成}\times\text{經驗加成}\times\text{機運加成}\times\cdots\]

教育程度好一點，收入可能乘上 $1.3$ 倍；進到待遇更好的產業，可能再乘上 $1.5$ 倍；運氣好談成一筆大案子，可能再乘上 $2$ 倍。這些因子是相乘的，不是相加的——而整個系列的主線告訴我們：只要背後是相乘的過程，取 log 就能把它翻譯成相加的過程：

\[\ln(\text{收入})=\ln(\text{基本收入})+\ln(\text{教育加成})+\ln(\text{產業加成})+\cdots\]

這正是財富分布長尾現象背後的數學結構。

---

正式推導一：許多獨立因子相乘，取 log 後會發生什麼事？

假設一個人的收入 $X$ 是很多個大致獨立的正係數相乘出來的：

\[X=X_0\times A_1\times A_2\times A_3\times\cdots\times A_n\]

兩邊取自然對數：

\[\ln X=\ln X_0+\ln A_1+\ln A_2+\cdots+\ln A_n\]

$\ln X$ 變成了很多個大致獨立的隨機量加總。統計學裡有一個重量級定理——中央極限定理（central limit theorem）——告訴我們：只要加總的項數夠多、彼此大致獨立，這個總和的分布會趨近於常態分布（鐘形曲線），不管每一項本身長什麼樣子。

所以：

\[\ln X\ \text{近似常態分布}\quad\Longrightarrow\quad X\ \text{服從}\boxed{\text{對數常態分布（lognormal distribution）}}\]

這解釋了收入分布的核心特徵：收入本身不是鐘形對稱分布，但收入的對數卻大致對稱。換句話說，決定收入差距的不是「誰比誰多領了幾萬塊」，而是「誰比誰多乘了幾倍」。

---

正式推導二：極端富有的尾端是另一種故事——冪律

對數常態分布能解釋大多數人的收入分布，卻低估了金字塔頂端極端富豪的人數。頂端的財富分布，通常更接近冪律：

\[P(X>x)\propto x^{-\alpha}\]

也就是「財富超過 $x$ 的人的比例」，跟 $x$ 的某個負次方成正比。$\alpha$ 稱為 Pareto 指數，$\alpha$ 越小，代表尾巴越厚——極端富有的人相對越常見，財富越集中。

兩邊取 log：

\[\ln P(X>x)=C-\alpha\ln x\]

這是一條直線！把 $\ln P(X>x)$ 對 $\ln x$ 作圖（也就是雙對數圖，log-log plot），冪律關係會呈現一條直線，而且斜率的大小正是 $\alpha$。

具體例子： 假設 $x_{\min}=100$（進入這個模型的財富門檻）、$\alpha=2$：

\[P(X>200)=\left(\frac{100}{200}\right)^2=\frac14,\qquad P(X>1000)=\left(\frac{100}{1000}\right)^2=0.01\]

也就是有 $25\%$ 的人財富超過 $200$，但只有 $1\%$ 的人財富超過 $1000$。跟常態分布比起來，冪律尾端下降得慢很多——這正是「極端富豪雖然稀少，但沒有稀少到可以忽略」的數學原因。這也是俗稱「80/20 法則」背後的數學骨架：少數決定多數這種現象，很多時候就是冪律尾端在起作用。

---

一般化：任何冪律 $y=Ax^n$，雙對數圖的斜率就是 $n$

上面的 Pareto 分布只是冪律家族的一個成員。最一般的冪律關係寫成

\[y=Ax^n\]

兩邊取 log：

\[\log y=\log A+n\log x\]

$\log y$ 對 $\log x$ 作圖是一條直線，斜率直接讀出來就是次方數 $n$，截距則對應 $\log A$。這個技巧不只用在財富分布，物理上最經典的例子是克卜勒第三定律：

\[T^2\propto a^3\]

（推導過程見克卜勒系列）這正是 $n=3/2$ 的冪律關係（$T\propto a^{3/2}$）：把各行星的公轉週期 $T$ 對軌道半長軸 $a$ 畫成雙對數圖，會得到一條斜率為 $\dfrac32$ 的直線。天文學家、生物學家（例如代謝率與體重的 Kleiber’s law）、地球物理學家都愛用這一招：先畫雙對數圖確認是不是直線，再從斜率直接讀出關係式裡的次方數，完全不需要用複雜的曲線擬合去猜測 $n$。

---

半對數圖 vs 雙對數圖：兩種「拉直線」的方法不能混用

上一篇的指數衰變，只需要縱軸取 log 就會拉直；這一篇的冪律，則需要橫軸和縱軸都取 log 才會拉直。這兩種遞減（或遞增）的曲線，用肉眼在一般座標上看起來可能很相似，但只要分別畫進半對數圖與雙對數圖，馬上就能分辨：

關係式	拉直所需的座標	拉直後的斜率意義
指數：$y=Ae^{-\lambda x}$	半對數圖（只有 $y$ 軸取 log）	$-\lambda$
冪律：$y=Ax^n$	雙對數圖（$x,y$ 軸都取 log）	次方數 $n$

搞錯用哪種對數圖，會導致完全錯誤的判讀——這也是為什麼做資料分析時，第一步永遠是先確認：這組資料背後的機制，到底是「每一步乘上固定比例」（指數），還是「輸入變大多少倍，輸出就變大某個固定倍數」（冪律）？

---

總結

現象	數學模型	關鍵技巧	讀出的物理量
大多數人的收入	對數常態分布：$\ln X\sim N(\mu,\sigma^2)$	多個獨立乘法因子 → 取 log → 中央極限定理	收入的「對數中心」與離散程度
極端富豪的財富	Pareto 分布：$P(X>x)\propto x^{-\alpha}$	雙對數圖拉直	Pareto 指數 $\alpha$（越小越不平等）
一般冪律 $y=Ax^n$	雙對數圖：$\log y=\log A+n\log x$	斜率讀出次方數	$n$（如克卜勒第三定律 $n=3/2$）

財富分布為什麼長尾？因為財富的形成過程，骨子裡是一連串的乘法，而不是加法；而只要牽涉到乘法，log 就會以某種形式冒出來——不管是把大多數人的分布拉成對稱的鐘形（對數常態），還是把極端尾端拉成一條可以讀出斜率的直線（Pareto）。這正是整個系列反覆出現的同一個主題：只要現象背後是乘法，log 幾乎是自己長出來的工具。

---