本文基于美国1880—2025年和法国1900—2023年的官方新生儿姓名数据,利用Lorenz曲线、Pareto曲线和Gini系数刻画姓名流行度分布,发现其长期保持高度不平等且具有显著稳定性。研究进一步以Rayleigh-Jeans热化与凝聚模型解释姓名频率分布,模型能够较好拟合实际数据;同时,姓名排名和频率相关性显示,20世纪中期以后姓名偏好的时间结构发生明显变化。
报告标题:《Thermodynamic statistics of given names in USA and France》(美国与法国人名的热力学统计)
作者:Klaus M. Frahm、Dima L. Shepelyansky
机构:法国图卢兹大学、法国国家科学研究中心(CNRS)理论物理实验室;Dima L. Shepelyansky为通讯作者。
日期:2026年8月6日。
研究主题:利用美国和法国官方新生儿姓名数据库,研究超过百年时间跨度内人名频率、集中度、不平等程度、跨年份相关性,以及其能否被物理学中的Rayleigh–Jeans(RJ)热平衡与凝聚模型解释。
报告没有传统金融研究报告中的“买入/持有/卖出”评级,也没有目标价或企业估值。其核心观点是:姓名的流行度分布具有极强的不平等性,少数姓名占据绝大多数新生儿使用次数;这种不平等结构在一个多世纪内相当稳定,并且可以用包含两个守恒量——总“能量”和总“概率范数”——的RJ热化模型较好地拟合。
作者试图传达的主要信息包括:
美国数据覆盖1880—2025年,法国数据覆盖1900—2023年,并且分别区分女性姓名和男性姓名。为保护隐私,美国数据库仅保留每年出现至少5次的姓名,法国数据库保留至少出现3次的姓名。
图1展示了四类样本——美国女性、美国男性、法国女性、法国男性——每年姓名数量N的变化。总体上,除部分特殊时期外,姓名数量大致呈指数增长,增长率约为每年2%。美国在大多数年份拥有更多可观察姓名,作者将其部分归因于美国较高的历史移民水平和文化多样性。
图1的趋势具有几个值得注意的特点:
附录A1给出了相对于1960年的标准化结果,并拟合出四组指数增长率:法国女性约1.85%、法国男性约2.06%、美国女性约1.97%、美国男性约1.83%。这说明“2%左右的年增长率”并非完全抽象的描述,而是来自具体拟合。
需要注意的是,正文有时将美国样本描述为146年、法国为124年,但标题摘要中也使用145年或123年的表述。这应当是由于是否包含起止年份或可用完整年度的口径不同,属于报告内部需要留意的统计口径差异。
作者将姓名频率 (f_m) 类比为家庭财富,将姓名数量类比为人口或家庭数量。Lorenz曲线横轴为按频率从低到高排序后累积的姓名比例 (h),纵轴为这些姓名贡献的累计频率比例 (w)。如果所有姓名同样流行,Lorenz曲线将等于45度对角线;曲线越靠近横轴,代表不平等越严重。
Gini系数是对角线与Lorenz曲线之间面积的两倍,取值越接近1,表示姓名频率越集中于少数姓名。Pareto曲线则是累计分布函数 (C(w_m)),表示频率高于某一水平 (w_m) 的姓名比例,尤其适合观察最流行姓名组成的“头部”结构。
作者将原始频率减去数据库最低门槛,即美国减去5、法国减去3,使最低调整后频率为零。这一处理是为了与模型中最低能级 (E_0=0) 的设定相一致,但也意味着模型分析的是“超过隐私披露阈值后的相对频率”,而不是完全未经处理的原始频率。
图2比较了美国女性姓名在1975—2025年以及1880—2025年若干年份的Lorenz和Pareto曲线。所有Lorenz曲线都严重偏离45度均等线,并且彼此高度接近,说明姓名分布的结构在时间上相当稳定。
1975—2025年的Gini系数分别约为0.930、0.934、0.925、0.911、0.903和0.894;1880—2025年选定年份的范围约为0.854—0.939。也就是说,尽管每年具体流行姓名不同,整体集中度并没有发生根本变化。
报告特别指出,以美国女性2025年为例,约50%的低频姓名只贡献约1.2%的总姓名频率,而排名前10%的姓名贡献约85%的总频率。 这意味着姓名分布存在巨大的“底部贫困区”和极小的“头部热门区”。
Pareto曲线在双对数坐标下呈现连续下降,而不是简单的单一幂律。典型年份的平均姓名频率约为88—228,最大频率相对于平均值可达到约100—500倍,最顶部姓名的比例接近 (1/N),与数据库中姓名总数相匹配。
图3显示法国女性姓名的长期分布。1975—2023年的Gini系数从0.931下降至0.866;1900—2023年所选年份范围为0.866—0.934。法国女性姓名的长期变化模式与美国相近,即不平等程度始终很高,但最近几十年略有下降。
法国女性姓名的平均频率从1950年的约265下降至2023年的39.1。这个下降不能简单解释为姓名整体变得不流行,更可能反映姓名数量增加、命名更加分散以及观察样本结构变化。Pareto曲线仍保持相似形状,说明平均规模下降并没有改变头部集中和尾部广泛存在的基本结构。
美国男性姓名的Gini系数通常高于女性。例如1975—2025年的数值约为0.948、0.952、0.944、0.934、0.924和0.911;1880—2025年选定年份范围约为0.883—0.950。 这表明美国男性姓名在相当长时期内比女性姓名更加集中于少数热门名称。
法国男性姓名的Gini系数也处于极高水平,1975—2023年约为0.878—0.940,1900—2022年选定年份约为0.878—0.952。 男性姓名的平均频率从早期较高水平下降到2023年的45.5,走势与女性样本相似。
图4显示美国2025年以及法国2023年女性与男性姓名的Lorenz、Pareto曲线。两种性别的曲线在图形上高度接近,说明姓名频率不平等可能是一种跨性别的结构性现象,而非单纯由女性或男性命名偏好造成。
附录A4则显示,法国1900年男女姓名曲线仍然非常接近,但美国1880年男女之间存在较明显差异。这说明性别结构的相似性总体成立,但在数据系列起始期,尤其是美国早期,可能受到样本量、社会命名传统以及数据库记录完整性的影响。
RJ分布来自具有两个守恒量的经典系统:总能量和总概率范数。报告将姓名频率视为能量,将姓名视为不同能级或模式。模型中姓名的平均占有数可写成类似:
[ \rho_m=\frac{T}{E_m-\mu}, ]
其中 (T) 是温度,(\mu) 是化学势,(E_m) 是姓名对应的能级。温度和化学势由总能量及总概率范数约束决定。
当系统总能量或温度较低时,大量概率范数会集中在低能级,形成RJ凝聚。映射到姓名问题中,意味着大量新生儿集中使用少数低“能级”或高流行度姓名,而大量其他姓名只被少数人使用。作者认为,人与人之间通过书籍、杂志、广播及其他媒体形成的“有效相互作用”,可能推动这种热化。
报告比较了两种模型:
作者先让模型和真实数据拥有相同Gini系数,以确定无量纲能量参数 (\varepsilon),再通过最小化Lorenz曲线几何距离确定参数 (a)。因此,RJE并非完全无参数预测,而是一个经过数据校准的两参数形状模型。
图5中,红色数据点与蓝色RJE曲线几乎重合。美国女性2025年的最优参数为 (a=5.72)、模型平均能量 (\varepsilon=0.00376),真实数据平均频率为87.9;法国女性2023年对应参数为 (a=5.18)、(\varepsilon=0.0071),真实数据平均频率为39.1。
Lorenz曲线的平均几何距离低于 (5\times10^{-3}),部分案例低至 (2\times10^{-3}),表明模型对整体集中结构的拟合相当精确。 Pareto曲线在绝大多数频率区间同样贴合,但在最大几个姓名频率处存在一些偏差,说明模型对最极端的热门姓名或样本尾端刻画较弱。
重要的尺度问题是:RJE模型将能带宽度标准化为1,因此模型中的平均频率约为0.003—0.01,而真实数据的平均姓名频率约为40—200。作者通过绘制 (w_m/\langle w_m\rangle) 进行比较,避免了绝对尺度差异对曲线形状的影响。 这也意味着模型主要解释的是分布形状和集中度,而不是直接预测某个国家每年会有多少次具体姓名使用。
男性样本的附录拟合同样良好。美国男性2025年的参数为 (a=6.09)、(\varepsilon=0.00238),法国男性2023年为 (a=5.26)、(\varepsilon=0.00592)。
早期样本也能较好匹配。美国女性1880年的拟合参数为 (a=3.01),法国女性1900年为 (a=4.17);美国男性1880年为 (a=5.8),法国男性1900年为 (a=3.62)。
图6和附录A8用密度色彩图展示了不同年份的RJE Lorenz曲线。颜色越偏蓝,表示累计姓名频率越低;靠近右侧的红色区域代表少数高频姓名贡献了大量总频率。美国女性在1880—2020年始终存在明显的“低频姓名区”,说明姓名凝聚并非现代媒体时代才出现。
图7显示四类样本Gini系数大致都在0.85—0.95之间。美国和法国女性样本以及男性样本普遍在1920—1980年达到较高水平,典型值约0.93—0.95;1880—1910年以及2010年以后则相对较低,约0.85—0.90。
作者在讨论部分进一步量化了这种不平等:美国2025年女性/男性样本中,最低频的50%姓名只贡献约1.2%/1.0%的总频率,最高频的10%姓名贡献约85%/88%;法国2023年对应的底部50%约贡献1.8%/1.5%,顶部10%约贡献81%/83%。顶部1%姓名在美国约贡献43%/47%,法国约贡献37%/38%。 这些数字说明,姓名集中度与财富不平等的形式相似,但这种类比描述的是统计分布形状,并不意味着姓名选择本身具有与财富积累完全相同的经济机制。
作者没有把“每年分布形状稳定”误解为“具体姓名始终稳定”。图8追踪了最终年份最热门姓名在历史年份中的排名变化:美国2025年的Olivia和Liam、法国2023年的Louise和Gabriel。
图8显示:
这表明姓名分布的宏观形状很稳定,但具体热门名称存在显著轮换、衰落和复兴。
图9使用1910年排名前40的姓名,计算不同年份之间的Pearson相关系数。美国男性在时间间隔20—40年内通常保持较强相关性,即使相隔80年,相关性最低仍约为0.5;美国女性、法国女性和法国男性则在1960—1970年前后形成较强相关区间,1970年以后相关性明显衰减,2000年以后与早期年份的相关性接近于零。
作者将这种变化与宗教和社会文化影响联系起来,例如法国的Marie、Jean,美国的Mary、John在早期长期处于头部位置;二战后基督教宗教影响下降,姓名选择的稳定性也随之降低。 但该解释主要是机制性推断,报告没有提供宗教参与率、媒体消费或移民结构等外部变量进行统计检验。
虽然报告不是金融投资报告,但其结论仍存在若干需要审慎理解的地方:
模型拟合与因果解释需要区分。RJE模型有两个主要参数,并且参数通过Gini系数和Lorenz曲线距离进行校准,因此“拟合很好”可以证明模型具有描述能力,却不能单独证明现实中的姓名选择确实由RJ热化机制驱动。
数据存在截断和隐私门槛。美国只记录至少5次、法国至少3次的姓名,低于门槛的姓名被排除,可能影响尾部规模、Gini系数和Pareto曲线,尤其影响低频姓名数量的判断。
姓名频率并非物理能量。将姓名频率设为能量是一个类比映射。该映射有助于借用统计物理工具,但其“能量守恒”“概率范数守恒”在社会命名系统中的具体对应物并没有被直接观测或独立验证。
年份之间的Pearson相关存在人为处理影响。如果某个姓名在某年不在数据库中,作者将其频率设为0,这可能人为增强某些年份之间的相关性;作者也承认这一点,并使用局部排名、全局排名和Kendall相关作为补充,但正文没有完整展示这些替代指标的数值结果。
历史比较的可比性并不完全充分。早期美国和法国的登记制度、人口规模、移民结构、姓名拼写规范以及数据库覆盖范围可能不同。因此,跨国比较中的差异不能全部归因于命名偏好或RJ参数变化。
最热门姓名尾部拟合偏差值得关注。RJE曲线在Pareto曲线最右端,即少数极端热门姓名处存在偏差,说明模型对头部明星效应、流行文化冲击、政策或名人带动等非平稳因素的刻画有限。
总体而言,报告利用美国1880—2025年、法国1900—2023年的官方姓名数据,证明了姓名流行度具有长期、显著且跨国家跨性别的不平等结构。Lorenz曲线普遍高度弯曲,Gini系数长期维持在0.85—0.95;美国2025年和法国2023年的底部50%姓名仅贡献约1%—2%的使用频率,而顶部10%姓名贡献约80%以上。
图表进一步揭示了一个重要区分:分布形状稳定,不等于具体姓名稳定。宏观上,姓名系统始终存在“少数热门、众多冷门”的凝聚结构;微观上,Olivia、Liam、Louise、Gabriel等姓名会经历崛起、衰落和复兴,且20世纪中后期以来跨年份相关性明显下降。
RJE模型在Lorenz和Pareto曲线上的高拟合度支持了作者的统计物理解释,即姓名系统可能存在类似RJ热化和低能级凝聚的普遍机制。不过,当前证据更适合表述为“一个有效的分布模型和有吸引力的理论类比”,而不是已经被严格证明的社会因果机制。报告最有价值的贡献,在于把姓名流行度与财富、能源、碳排放及投票分布等集中现象放在同一套不平等和凝聚框架下进行比较,并展示了这种统计结构在百年以上时间尺度中的惊人稳定性。
2608.06048.pdf